DeepSeekAPI-Key获取与模型调用方法详解

上有晨光

已于 2025-04-01 09:22:32 修改

阅读量1k

点赞数 23

分类专栏： DeepSeek系列笔记文章标签： DeepSeek 人工智能算法大模型

于 2025-04-01 09:19:36 首次发布

本文链接：https://blog.youkuaiyun.com/qq_43588095/article/details/146897899

版权

DeepSeek系列笔记专栏收录该内容

8 篇文章

订阅专栏

DeepSeekAPI-Key获取与模型调用方法详解

一、DeepSeek V3模型的显著优势

性能卓越且成本低廉：DeepSeek V3模型性能与GPT 4o相当，但调用成本大幅降低，仅约为GPT 4o的5%。在价格方面，输入价格为GPT 4o的6%，输出价格为其3%。具体而言，DeepSeek V3输入价格为1元/100万token，输出价格为2元/100万token；若使用提示词缓存技术，缓存部分输入价格为0.1元/100万token 。与之对比，GPT 4o输入价格约18元/100万，输出价格约70多元/100万。
功能与调用风格高度相似：该模型支持function calling、提示词缓存和json output等功能，在调用风格上与OpenAI的GPT 4o完全一致，可使用OpenAI SDK进行开发。对于此前基于GPT模型开发的用户，仅需更改API key和base URL，其余代码无需修改，便能轻松实现向DeepSeek V3模型的无缝迁移。

在这里插入图片描述

API调用不限速：DeepSeek V3的API调用不限速，若调用过程中出现问题，并非因为限速，而可能是服务器方面的原因。在实际使用中，该模型响应速度较快，在开发各类demo时，未出现被封禁或无响应的情况，整体使用体验顺畅。

二、DeepSeek V3 API接入详细步骤

注册账号并获取API key：访问DeepSeek官网的API key创建页面（https://platform.deepseek.com/api_keys ）进行账号注册，并创建API key。新注册用户会获得约500万token价值10元的额度，足以满足实验需求。需注意，API key仅在创建时可见并可复制，务必妥善保管，防止泄露，否则可能会被官方禁用。
安装OpenAI库：在命令行中执行pip install openai命令安装OpenAI库，建议安装最新版本，目前1.0版本以上的调用方法基本相同。
实例化客户端：

① 调用GPT 4o模型示例：

from openai import OpenAI
# 实例化客户端，这里使用的是连接OpenAI服务器的反向代理地址和GPT 4o的API key
client = OpenAI(api_key="YOUR_OPENAI_API_KEY", base_url="https://ai.devtool.tech/proxy/v1") 
# 调用GPT 4o - mini模型
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "user", "content": "你好,好久不见!"}
    ]
)
print(response.choices[0].message.content)

② 调用DeepSeek V3模型示例 ：

from openai import OpenAI
# 实例化客户端，填入DeepSeek的API key和DeepSeek服务器地址
client = OpenAI(api_key="YOUR_DEEPSEEK_API_KEY", base_url="https://api.deepseek.com") 
# 调用DeepSeek - chat模型，默认即DeepSeek V3
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "user", "content": "你好,好久不见!"}
    ]
)
print(response.choices[0].message.content)

在这里插入图片描述

三、DeepSeek V3模型调用关键注意事项

模型选择：当前，DeepSeek V3官方支持的模型包括deepseek-chat（对话模型）和deepseek-coder（代码模型）。当选择deepseek-chat时，默认使用的就是DeepSeek V3模型。
请求参数：利用client.chat.completions.create方法发起对话请求时，必须指定model（模型名称）和messages（对话内容）。其中，messages是一个列表，列表中的每个元素都是一个包含role（如user代表用户输入）和content（具体对话内容）的字典。
元素都是一个包含role（如user代表用户输入）和content（具体对话内容）的字典。
响应结果：模型返回的response对象，其类型和内容结构与GPT 4o模型返回的一致。通过response.choices[0].message.content可以获取模型生成的回复内容，同时，还能查看response中的其他信息，如对话的详细情况、使用的token数量等，这些信息有助于了解对话过程和资源消耗情况。