DeepSeek API调用方法与模型对比

DeepSeek 是近年来最受关注的国产大模型之一。凭借开源策略、极低的 API 价格和接近第一梯队的推理能力，它迅速成为许多开发者在成本敏感场景下的首选。无论你是想搭建一个低成本的 AI 助手，还是在现有产品里替换昂贵的 GPT-5.4 调用，DeepSeek 都值得认真评估。本文会从模型对比入手，带你完整走通 DeepSeek API 的调用流程，包含 cURL、Python 两种方式，以及流式输出和价格测算。

一、DeepSeek 模型矩阵

DeepSeek 目前主要通过 API 对外提供两类模型：通用对话模型 DeepSeek V4-Flash 和推理模型 DeepSeek V4-Pro。两者定位不同，适用场景也各有侧重，理解它们的差异是选型的第一步。

DeepSeek V4-Flash：通用对话主力

DeepSeek V4-Flash 是 MoE（混合专家）架构的通用大模型，总参数量达到 284B，兼顾了能力和效率。它的定位对标 GPT-5.5 和 Claude Sonnet 4.6，擅长日常对话、文本生成、翻译、代码补全和函数调用。V4-Flash 是业界价格最低的大模型之一（$0.14/$0.28 per 1M tokens），对于大多数应用场景是默认选择——响应快、价格低、能力全面。

DeepSeek V4-Pro：深度推理专用

DeepSeek V4-Pro 是 1.6T 参数的 MoE 推理模型，支持 1M 上下文窗口和 384K 输出，对标 OpenAI 的 o4-mini。它的特点是会在给出最终答案前进行长链思考（chain-of-thought），在数学、逻辑推理、复杂代码和科学问题上表现显著优于通用模型。V4-Pro 当前以促销价 $0.435/$0.87 per 1M tokens 提供。代价是输出 token 更多、延迟更高、单次调用成本也更高。因此 V4-Pro 适合用在「难题」上，而不是闲聊或简单问答。

迁移提醒：旧的 deepseek-chat 和 deepseek-reasoner 模型将于 2026 年 7 月 24 日正式退役，请尽快迁移到 deepseek-v4-flash（替代 deepseek-chat）和 deepseek-v4-pro（替代 deepseek-reasoner）。接口格式完全兼容，只需更换 model 字段即可。

一个实用的策略是双模型分工：用 V4-Flash 处理高频的常规请求，把识别出的复杂问题路由给 V4-Pro。这样既控制了整体成本，又能在关键环节拿到推理质量。

二、调用前置准备

DeepSeek 官方 API 完全兼容 OpenAI 的接口格式，这意味着你不需要学习新的 SDK，现有的 OpenAI 客户端代码只要改两个地方就能跑起来：base_url 和 api_key。

调用前需要完成以下准备：

1. 注册 DeepSeek 开放平台账号，完成实名认证；
2. 在控制台创建 API Key，妥善保存（密钥只在创建时显示一次）；
3. 确认账户余额充足，DeepSeek 采用预充值计费模式；
4. 记下 API 地址：https://api.deepseek.com/v1（官方）或使用聚合平台地址。

提示：如果你不想单独管理 DeepSeek 的账号和余额，也可以通过 EnlyAI 这类聚合平台调用，用同一个 Key 和同一个 base_url 同时访问 DeepSeek、OpenAI、Claude 等模型，后文会专门介绍。

三、用 cURL 调用 DeepSeek API

cURL 是最直接的调试方式，适合快速验证接口是否通、Key 是否有效。DeepSeek 的 Chat Completions 接口路径为 /chat/completions，请求体格式与 OpenAI 完全一致。

# 调用 DeepSeek V4-Flash 通用模型
curl https://api.deepseek.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {"role": "system", "content": "你是一个简洁的技术助手。"},
      {"role": "user", "content": "用一句话解释什么是 MoE 架构。"}
    ],
    "temperature": 0.7
  }'

如果要切换到推理模型 V4-Pro，只需把 model 改为 deepseek-v4-pro：

# 调用 DeepSeek V4-Pro 推理模型
curl https://api.deepseek.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{
    "model": "deepseek-v4-pro",
    "messages": [
      {"role": "user", "content": "一个水池有两个进水管一个出水管，A管5小时注满，B管6小时注满，C管10小时排空，三管同开几小时注满？"}
    ]
  }'

V4-Pro 的响应里会额外包含一个 reasoning_content 字段，记录模型的思考过程，content 才是最终答案。这个设计让你可以选择是否把思考链展示给终端用户。

四、用 Python 调用 DeepSeek API

生产环境推荐用 Python。由于接口兼容 OpenAI，你可以直接复用官方 openai SDK，只需把 base_url 指向 DeepSeek。

方式一：使用 OpenAI SDK（推荐）

from openai import OpenAI

client = OpenAI(
    api_key="你的 DeepSeek API Key",
    base_url="https://api.deepseek.com/v1",
)

response = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[
        {"role": "system", "content": "你是一个专业的 Python 工程师。"},
        {"role": "user", "content": "写一个快速排序函数并解释原理。"},
    ],
    temperature=0.7,
)

print(response.choices[0].message.content)

方式二：使用 requests 库

如果不想引入额外依赖，用标准 requests 库同样可以：

import requests

url = "https://api.deepseek.com/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer 你的API Key",
}
payload = {
    "model": "deepseek-v4-flash",
    "messages": [
        {"role": "user", "content": "用三句话介绍 DeepSeek。"}
    ],
}

resp = requests.post(url, headers=headers, json=payload, timeout=60)
resp.raise_for_status()
print(resp.json()["choices"][0]["message"]["content"])

五、流式输出（Streaming）

对于聊天类应用，流式输出能显著改善用户体验——模型一边生成一边返回，用户不用干等整段结果。只需在请求里加上 "stream": true。

from openai import OpenAI

client = OpenAI(
    api_key="你的 DeepSeek API Key",
    base_url="https://api.deepseek.com/v1",
)

stream = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{"role": "user", "content": "讲一个关于程序员的冷笑话。"}],
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="", flush=True)

流式模式下，每个 chunk 的 delta.content 是增量文本，拼接起来就是完整回答。注意 V4-Pro 模型流式输出时，思考过程会通过 delta.reasoning_content 单独推送，最终答案走 delta.content，处理时要注意区分。

六、价格对比：为什么 DeepSeek 值得关注

DeepSeek 最大的吸引力在于价格。以下是其官方定价与同类模型的量级对比（价格可能随官方调整，以官网为准）：

可以看出，DeepSeek V4-Flash 的输入价格大约只有 GPT-5.5 的十八分之一，输出价格约三十六分之一，是业界最便宜的大模型之一。对于高并发的应用——比如客服机器人、内容生成流水线、批量数据处理——这个价差会直接转化为可观的利润空间。

DeepSeek 还有一个独特优势：上下文缓存（Context Caching）。当你重复发送相同的前缀（比如固定的 system prompt 或长文档），命中缓存后输入价格直接减半。这对多轮对话和 RAG 场景特别友好。

七、通过 EnlyAI 统一调用 DeepSeek

直接对接 DeepSeek 官方 API 有几个现实痛点：需要单独注册和充值、要管理多套 Key、切换模型时要改代码、官方平台偶尔有波动。如果你的应用同时还要用 GPT-5.5 或 Claude，多账号管理的负担会更明显。

EnlyAI 这类 LLM API 聚合平台解决的就是这个问题。它把 DeepSeek、OpenAI、Claude、Gemini 等多家模型统一到一套 OpenAI 兼容接口下，你只需要一个 Key、一个 base_url，就能在所有模型间自由切换。

通过 EnlyAI 调用 DeepSeek，代码几乎不用改，只换 base_url 和 Key：

from openai import OpenAI

client = OpenAI(
    api_key="你的 EnlyAI API Key",
    base_url="https://enlyai.com/v1",
)

response = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{"role": "user", "content": "你好，介绍一下你自己。"}],
)
print(response.choices[0].message.content)

这样做的好处是显而易见的：

• 一个 Key 管所有模型，不用在多家平台分别注册充值；
• 统一计费和账单，成本一目了然，方便做预算控制；
• 模型随时切换，把 model 从 deepseek-v4-flash 改成 gpt-5.5 就能换模型，业务代码零改动；
• 多渠道容灾，单一上游波动时自动切换，稳定性更高。

八、常见问题

DeepSeek V4-Flash 和 V4-Pro 能不能在一次请求里混用？

不能。每次请求只能指定一个 model。如果你想让 V4-Pro 先思考再交给 V4-Flash 润色，需要分两次调用：先用 V4-Pro 生成推理结果，再把结果作为上下文传给 V4-Flash 做格式化输出。

V4-Pro 的思考过程会收费吗？

会。V4-Pro 输出的 reasoning_content 也算输出 token，按输出价格计费。所以对于简单问题不要滥用 V4-Pro，否则成本会明显高于 V4-Flash。

DeepSeek 支持函数调用（Function Calling）吗？

支持。DeepSeek V4-Flash 兼容 OpenAI 的 function calling 格式，可以定义 tools 让模型调用外部函数。V4-Pro 目前对函数调用的支持有限，建议工具调用场景优先用 V4-Flash。

国内访问 DeepSeek API 稳定吗？

DeepSeek 是国产模型，国内直连延迟低、无需代理。但在高峰期偶尔会出现排队或限流，对延迟敏感的生产应用建议通过聚合平台做多渠道容灾，避免单点依赖。

九、总结

DeepSeek 用「接近旗舰的能力 + 极低的价格 + OpenAI 兼容接口」三张牌，在国产大模型里站稳了脚跟。日常应用选 V4-Flash，复杂推理选 V4-Pro，再配合上下文缓存进一步压低成本，是当前性价比很高的组合。而如果你同时还要用到 GPT-5.5、Claude 等海外模型，通过 EnlyAI 统一接入能省去大量账号管理和代码切换的麻烦，让模型选型真正变成一行配置的事。