Legfontosabb tudnivalók
- OpenAI-kompatibilis API: A DeepSeek az OpenAI API formátumát követi -- a váltáshoz csak a base URL-t és az API key-t kell módosítani. Az OpenAI Python SDK, a LangChain és a LlamaIndex egyaránt működik alaphelyzetben.
- 90%-os megtakarítás context caching használatával: A megosztott prompt prefixek automatikusan cache-elésre kerülnek $0.028/M tokens áron, szemben a cache miss esetén fizetendő $0.28/M árral -- nincs szükség kódmódosításra.
- 5 millió ingyenes token a kezdéshez: Az új fiókok 5M ingyenes tokent kapnak bankkártya megadása nélkül, ami elegendő a széleskörű kísérletezéshez.
- Két mód: deepseek-chat a standard feladatokhoz (8K max kimenet) és deepseek-reasoner a Chain-of-Thought érveléshez (64K max kimenet) -- a reasoner több tokent használ, de jobb eredményeket produkál nehéz problémák esetén.
DeepSeek V4 API útmutató: Árazás, beállítás és kódpéldák
A DeepSeek az LLM API-k árvezetőjévé vált. Az OpenAI és az Anthropic árait nagyságrendekkel alulmúló árazással és a teljes OpenAI SDK kompatibilitással a DeepSeek-re való átállás körülbelül öt percet vesz igénybe. Ez az útmutató végigvezeti Önt minden folyamaton: fiók beállítása, árazási számítások, Python és JavaScript kódpéldák, context caching és migráció OpenAI-ról.
Akár chatbotot épít, akár kódolási asszisztenst, vagy teljes kódbázisokat dolgoz fel az 1M tokenes kontextus ablak segítségével, ez az útmutató mindenre kiterjed.
Gyors kezdés: Az első DeepSeek API hívás
A kezdés három lépésből áll.
1. Fiók létrehozása
Látogasson el a platform.deepseek.com oldalra és regisztráljon. Az új fiókok 5 millió ingyenes tokent kapnak bankkártya megadása nélkül — ez elegendő a kiterjedt kísérletezéshez az elköteleződés előtt.
2. API Key generálása
Navigáljon az API Keys menüponthoz a dashboard-on. Kattintson a Create new API key gombra, adjon neki egy nevet, és azonnal másolja ki a kulcsot. Később nem fogja tudni megtekinteni.
Tárolja a kulcsot környezeti változóként:
export DEEPSEEK_API_KEY="sk-your-key-here"
3. Az első kérés elküldése
Mivel a DeepSeek az OpenAI API formátumát követi, használhatja a hivatalos OpenAI SDK-t. Először telepítse:
pip install openai
Ezután hozzon létre egy egyszerű chat completion hívást:
from openai import OpenAI
client = OpenAI(
api_key="sk-your-key-here",
base_url="https://api.deepseek.com"
)
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Explain Python decorators in three sentences."}
]
)
print(response.choices[0].message.content)
Ennyi az egész. Ha használta már korábban az OpenAI API-t, az egyetlen különbség a base_url és az API key.
Árazási részletek
A DeepSeek árazási modellje egyszerű és drasztikusan olcsóbb, mint a versenytársaké. A legfőbb megkülönböztető tényező a context caching, amely 90%-kal csökkenti a bemeneti költségeket az ismétlődő prompt prefixek esetén.
DeepSeek API árazás
| Token típus | Költség 1M tokenenként |
|---|---|
| Bemenet (cache hit) | $0.028 |
| Bemenet (cache miss) | $0.28 |
| Kimenet | $0.42 |
Összehasonlítás
| Szolgáltató / Modell | Bemenet (per 1M) | Kimenet (per 1M) |
|---|---|---|
| DeepSeek V4 (cache hit) | $0.028 | $0.42 |
| DeepSeek V4 (cache miss) | $0.28 | $0.42 |
| OpenAI GPT-5.4 | $2.50 | $10.00 |
| Anthropic Claude Opus 4.6 | $15.00 | $75.00 |
| Google Gemini 3.1 Pro | $1.25 | $5.00 |
A számok magukért beszélnek. Cache hit esetén a DeepSeek nagyjából 90-szer olcsóbb, mint az OpenAI a bemeneti tokenek tekintetében, és 500-szor olcsóbb, mint a Claude Opus. Még caching nélkül is, a DeepSeek $0.28/M cache-miss rátája 9-szer olcsóbb, mint a GPT-5.4 bemeneti árazása.
Költségpélda
100 kérés feldolgozása, egyenként 2,000 tokenes system prompttal és 500 tokenes felhasználói lekérdezéssel, 1,000 tokenes válaszokat generálva:
- Caching használatával (99 cache hit): ~$0.05 összesen
- Caching nélkül: ~$0.29 összesen
- Ugyanez a munkaterhelés GPT-5.4 használatával: ~$3.75 összesen
Nagy volumenű alkalmazások esetén a megtakarítás gyorsan összeadódik.
API módok: deepseek-chat vs deepseek-reasoner
A DeepSeek két különböző modellmódot kínál, amelyek mindegyike más-más feladatokra van optimalizálva.
deepseek-chat
A standard mód általános feladatokhoz. Gyors, hatékony és a legtöbb alkalmazáshoz megfelelő.
| Tulajdonság | Érték |
|---|---|
| Max bemeneti tokenek | 1,000,000 |
| Max kimeneti tokenek | 8,192 |
| Legjobb felhasználás | Chat, összegzés, kódgenerálás, általános Q&A |
deepseek-reasoner
Lehetővé teszi a Chain-of-Thought (CoT) érvelést. A modell lépésről lépésre "gondolkodik", mielőtt végleges választ adna, ami drasztikusan javítja a pontosságot a nehéz problémák esetén.
| Tulajdonság | Érték |
|---|---|
| Max bemeneti tokenek | 1,000,000 |
| Max kimeneti tokenek | 64,000 |
| Legjobb felhasználás | Matek, logikai rejtvények, összetett hibakeresés, több lépésből álló érvelés |
A reasoner visszaküldi a gondolkodási folyamatot és a végleges választ is:
response = client.chat.completions.create(
model="deepseek-reasoner",
messages=[
{"role": "user", "content": "Prove that the square root of 2 is irrational."}
]
)
# A gondolkodási lánc
print(response.choices[0].message.reasoning_content)
# A végleges válasz
print(response.choices[0].message.content)
Mikor használjuk a reasoner-t: Ha a feladat több lépésből álló logikát, matematikai bizonyítást vagy összetett kódhibakeresést igényel, használja a deepseek-reasoner módot. Minden másra a deepseek-chat gyorsabb és olcsóbb.
Kódpéldák
Python: Alapvető Chat Completion
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com"
)
def ask_deepseek(prompt, system_prompt="You are a helpful assistant."):
response = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": prompt}
],
temperature=0.7,
max_tokens=2048
)
return response.choices[0].message.content
answer = ask_deepseek("Write a Python function to merge two sorted lists.")
print(answer)
Python: Streaming
Hosszabb válaszok esetén a streaming jobb felhasználói élményt nyújt azáltal, hogy a tokeneket a generálásukkal egy időben adja vissza:
stream = client.chat.completions.create(
model="deepseek-chat",
messages=[
{"role": "system", "content": "You are a senior software engineer."},
{"role": "user", "content": "Review this code and suggest improvements:\n\ndef fib(n):\n if n <= 1: return n\n return fib(n-1) + fib(n-2)"}
],
stream=True
)
for chunk in stream:
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end="", flush=True)
Python: Reasoner mód
response = client.chat.completions.create(
model="deepseek-reasoner",
messages=[
{"role": "user", "content": "Find all bugs in this code and explain why each is a bug:\n\ndef quicksort(arr):\n if len(arr) <= 1:\n return arr\n pivot = arr[0]\n left = [x for x in arr if x < pivot]\n right = [x for x in arr if x > pivot]\n return quicksort(left) + [pivot] + quicksort(right)"}
]
)
print("Reasoning:", response.choices[0].message.reasoning_content)
print("Answer:", response.choices[0].message.content)
JavaScript / Node.js: Alapvető Chat
import OpenAI from "openai";
const client = new OpenAI({
apiKey: process.env.DEEPSEEK_API_KEY,
baseURL: "https://api.deepseek.com",
});
async function askDeepSeek(prompt) {
const response = await client.chat.completions.create({
model: "deepseek-chat",
messages: [
{ role: "system", content: "You are a helpful assistant." },
{ role: "user", content: prompt },
],
});
return response.choices[0].message.content;
}
const answer = await askDeepSeek("Explain closures in JavaScript.");
console.log(answer);
JavaScript / Node.js: Streaming
const stream = await client.chat.completions.create({
model: "deepseek-chat",
messages: [
{ role: "user", content: "Write a REST API in Express.js with CRUD routes for a todo app." },
],
stream: true,
});
for await (const chunk of stream) {
const content = chunk.choices[0]?.delta?.content;
if (content) {
process.stdout.write(content);
}
}
Context Caching: 90%-os megtakarítás ismételt promptok esetén
A DeepSeek context caching funkciója az egyik legerősebb versenyelőnye, és nulla kódmódosítást igényel az Ön részéről.
Hogyan működik
Amikor kérést küld, a DeepSeek ellenőrzi, hogy a prompt eleje megegyezik-e egy korábban cache-elt prefixszel. Ha az első N token azonos egy közelmúltbeli kéréssel, akkor ezeket a tokeneket a cache-ből szolgálja ki csökkentett áron ($0.028/M szemben a $0.28/M árral).
Ez automatikusan történik. Nincs szükség cache kulcsok deklarálására, TTL-ek beállítására vagy az API hívások módosítására.
Mikor aktiválódik a caching
A caching akkor lép életbe, ha:
- Ugyanaz a system prompt a kérések között. Ha minden kérés úgy kezdődik, hogy "You are a senior Python developer...", ez a prefix az első hívás után cache-elésre kerül.
- Megosztott beszélgetési előzmények. A többfordulós beszélgetésekben a korábbi fordulókból felhalmozott előzmények cache-elésre kerülnek.
- Kötegelt feldolgozás konzisztens sablonokkal. Ha ugyanazt az elemzési promptot futtatja különböző bemeneteken, csak a változó rész után kell a teljes árat fizetni.
A cache hitek maximalizálása
Hogy a legtöbbet hozza ki a cachingből:
- Helyezze előre a statikus tartalmat. Úgy strukturálja az üzeneteket, hogy a system prompt és minden fix utasítás a változó tartalom elé kerüljön.
- Tartsa azonosnak a system promptokat. Még egyetlen karakter különbség is megszakítja a cache egyezést.
- Csoportosítsa a hasonló kéréseket. Küldje el a megosztott prefixekkel rendelkező kéréseket gyors egymásutánban, hogy a cache "meleg" maradjon.
- Használjon bátran hosszú system promptokat. Egy 10,000 tokenes system prompt szinte semmibe sem kerül az első kérés után, ha a cache-ben marad.
Migráció OpenAI-ról
Ha jelenleg az OpenAI API-t használja, a DeepSeek-re való váltás kétsoros módosítást jelent. Az API formátum azonos.
Előtte (OpenAI)
from openai import OpenAI
client = OpenAI(
api_key="sk-openai-key-here"
# base_url defaults to https://api.openai.com/v1
)
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Hello"}]
)
Utána (DeepSeek)
from openai import OpenAI
client = OpenAI(
api_key="sk-deepseek-key-here",
base_url="https://api.deepseek.com" # <-- adja hozzá ezt a sort
)
response = client.chat.completions.create(
model="deepseek-chat", # <-- módosítsa a modell nevét
messages=[{"role": "user", "content": "Hello"}]
)
Ez a teljes migráció. Két sor változott: base_url és model. Minden más — az üzenetformátum, a streaming, a function calling, a JSON mód — ugyanúgy működik.
Környezeti változó alapú megközelítés
Olyan projektekhez, amelyeknek könnyen kell váltaniuk a szolgáltatók között:
import os
from openai import OpenAI
provider = os.getenv("LLM_PROVIDER", "deepseek")
config = {
"deepseek": {
"api_key": os.getenv("DEEPSEEK_API_KEY"),
"base_url": "https://api.deepseek.com",
"model": "deepseek-chat"
},
"openai": {
"api_key": os.getenv("OPENAI_API_KEY"),
"base_url": "https://api.openai.com/v1",
"model": "gpt-4o"
}
}
client = OpenAI(
api_key=config[provider]["api_key"],
base_url=config[provider]["base_url"]
)
DeepSeek használata nyílt forráskódú eszközökkel
Mivel a DeepSeek OpenAI-kompatibilis, együttműködik a nyílt forráskódú AI kódolási eszközök növekvő ökoszisztémájával. Íme a legnépszerűbbek.
OpenCode
Az OpenCode egy nyílt forráskódú, terminál-alapú AI kódolási asszisztens. Konfigurálja a DeepSeek használatára a szolgáltató beállításával a configban:
{
"provider": {
"name": "deepseek",
"apiKey": "sk-your-key",
"baseURL": "https://api.deepseek.com",
"model": "deepseek-chat"
}
}
Aider
Az Aider egy parancssori AI páros programozó eszköz. Irányítsa a DeepSeek felé környezeti változókkal:
export OPENAI_API_BASE="https://api.deepseek.com"
export OPENAI_API_KEY="sk-your-deepseek-key"
aider --model openai/deepseek-chat
Continue (VS Code bővítmény)
A Continue egy nyílt forráskódú AI kódasszisztens VS Code-hoz és JetBrains-hez. Adja hozzá a DeepSeek-et a ~/.continue/config.json fájlhoz:
{
"models": [
{
"title": "DeepSeek V4",
"provider": "openai",
"model": "deepseek-chat",
"apiBase": "https://api.deepseek.com",
"apiKey": "sk-your-key"
}
]
}
Mindhárom eszköz drop-in OpenAI helyettesítőként kezeli a DeepSeek-et. Nincs szükség speciális adapterekre vagy pluginokra.
Az 1M tokenes kontextus ablak kihasználása
A DeepSeek 1 millió tokenes kontextus ablaka olyan munkafolyamatokat tesz lehetővé, amelyek korábban kivitelezhetetlenek voltak.
Teljes kódbázis elemzése
Egy átlagos közepes méretű projekt (50,000 sornyi kód) nagyjából 500,000 token. A DeepSeek 1M kontextusával egyetlen promptba táplálhat egy teljes kódbázist a következőkhöz:
- Architektúra felülvizsgálat. Kérje meg a modellt, hogy azonosítsa a körkörös függőségeket, a hiányzó absztrakciókat vagy az inkonzisztens mintákat a teljes projektben.
- Fájlokon átívelő refaktorálás. Írja le a kívánt változtatást, és hagyja, hogy a modell koordinált módosításokat generáljon több fájlban.
- Biztonsági auditok. Vizsgálja át a teljes kódbázist SQL injection, XSS és egyéb sebezhetőségek után kutatva egyetlen lépésben.
Praktikus tippek nagy kontextusokhoz
- Először adjon meg egy fájlfát. Kezdje a promptot a könyvtárstruktúrával, hogy a modell értse a projekt felépítését, mielőtt az egyes fájlokat olvasná.
- Használjon egyértelmű elválasztókat. Vegye körül minden fájlt jelölőkkel, például
--- FILE: src/auth.py ---, hogy a modell hivatkozni tudjon konkrét fájlokra a válaszában. - Tegyen fel célzott kérdéseket. Az 1M kontextus ablak nem jelenti azt, hogy homályos promptokra van szükség. Legyen konkrét azzal kapcsolatban, amit elemezni kíván.
- Kombinálja cachinggel. Ha több lekérdezést végez ugyanazon a kódbázison, a kódbázis rész az első kérés után cache-elésre kerül — a későbbi kérdések az eredeti hívás töredékébe kerülnek.
Legjobb gyakorlatok a költségoptimalizáláshoz
1. Promptok strukturálása a maximális cache hit eléréséhez
Helyezze a leghosszabb, legstabilabb tartalmat az üzenettömb elejére. A system promptoknak, few-shot példáknak és a referencia dokumentációnak meg kell előznie a változó felhasználói lekérdezést.
2. Alapértelmezés szerint a deepseek-chat használata
Tartsa fenn a deepseek-reasoner-t olyan feladatokhoz, amelyek valóban többlépcsős érvelést igényelnek. Az egyszerű generáláshoz, összegzéshez és kódkiegészítéshez a deepseek-chat gyorsabb és kevesebb tokent használ.
3. Megfelelő max_tokens beállítása
Ne állítson be magasabb max_tokens értéket a szükségesnél. Ha 200 tokenes választ vár, a max_tokens: 8192 beállítása önmagában nem kerül többe, de megakadályozza, hogy a modell korán leálljon, ha túlságosan bőbeszédűvé válik.
4. Hasonló kérések kötegelése
Csoportosítsa az azonos system promptot használó kéréseket, és küldje el őket gyors egymásutánban. Ez melegen tartja a cache-t, és biztosítja, hogy a legtöbb kérés eltalálja a cache-elt prefixet.
5. Token használat figyelése
Ellenőrizze az API válaszok usage mezőjét a tényleges fogyasztás nyomon követéséhez:
response = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": "Hello"}]
)
print(f"Input tokens: {response.usage.prompt_tokens}")
print(f"Output tokens: {response.usage.completion_tokens}")
print(f"Cache hit tokens: {response.usage.prompt_cache_hit_tokens}")
print(f"Cache miss tokens: {response.usage.prompt_cache_miss_tokens}")
6. Streaming használata hosszú kimeneteknél
A streaming nem takarít meg pénzt, de javítja az észlelt késleltetést. A felhasználók ezredmásodpercek alatt látják az első tokeneket, ahelyett, hogy a teljes válasz generálására várnának.
Összegzés
A DeepSeek API az agresszív árazást, az OpenAI-kompatibilitást és az 1M tokenes kontextus ablakot egy olyan csomagba ötvözi, amelyet nehéz figyelmen kívül hagyni. Az OpenAI-ról való migrációs útvonal triviális — módosítson két sor kódot, és a meglévő alkalmazása máris működik. A context caching automatikus költségmegtakarítást biztosít kódmódosítás nélkül. A nyílt forráskódú eszközök ökoszisztémája pedig már most első osztályú szolgáltatóként támogatja a DeepSeek-et.
A költségérzékeny alkalmazásokat, nagy volumenű feldolgozási folyamatokat vagy teljes kódbázis-elemző eszközöket építő fejlesztők számára a DeepSeek V4 komoly megfontolást érdemel. Kezdje az 5 millió ingyenes tokennel, végezzen benchmarkot a jelenlegi szolgáltatójával szemben, és hagyja, hogy a számok vezessék a döntését.
