《开发者实用指南：DeepSeek（V4，2026年4月）》

您继承了调用`deepseek-chat`的服务，您的团队领导希望削减账单，V4版本说明中提到了7月份的硬切换日期。您的代码中有什么变化，什么保持不变，V4-Pro对于您的工作负载来说是否值得是V4-Flash每令牌花费的七倍？本指南为正在工作的开发者解答这些问题。2026年4月的DeepSeek开发者意味着一个与OpenAI兼容的单个基本URL，两个开放权重的专家混合模型，100万个令牌的上下文，以及一个您已经知道如何调用的无状态`POST /chat/completions`端点。下面：快速入门、重要的参数、两个级别的诚实成本计算，以及DeepSeek的不足之处。

2026年4月开发者有哪些变化

2026年4月24日，DeepSeek发布了预览版 DeepSeek V4 作为两个开放权重的专家混合模型。这两个模型都是100万个令牌上下文的专家混合模型。Pro版本总参数为1.6T，活跃参数49B。Flash版本总参数为284B，活跃参数13B。它们共享相同的特征集——上下文窗口、JSON模式、工具调用、流式传输、上下文缓存——并在能力级别和价格上有所不同。

如果您的代码当前调用 deepseek-chat or deepseek-reasoner，您有一个迁移窗口。弃用：deepseek-chat和deepseek-reasoner将于2026年7月24日退役。它们目前路由到deepseek-v4-flash。退役时间为UTC时间15:59。之后，使用旧ID的请求将失败。迁移只需对 model= field; the base_url stays the same.

Quickstart: minimal Python and curl

The DeepSeek API is OpenAI-compatible. Chat requests hit POST /chat/completions，针对基础URL https://api.deepseek.com的OpenAI兼容端点。OpenAI Python SDK保持不变——交换基础URL和密钥。

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com",
    api_key="YOUR_DEEPSEEK_KEY",
)

resp = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[
        {"role": "system", "content": "You are a terse code reviewer."},
        {"role": "user", "content": "Review this diff: ..."},
    ],
    temperature=0.0,
    max_tokens=2000,
)
print(resp.choices[0].message.content)

在curl中的相同调用：

curl https://api.deepseek.com/chat/completions 
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" 
  -H "Content-Type: application/json" 
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [{"role": "user", "content": "ping"}],
    "temperature": 0.0
  }'

DeepSeek还提供与相同基本URL兼容的Anthropic表面，如果您已经使用Anthropic SDK或运行Claude Code等代理工具，这将很有用。DeepSeek V4-Pro已确认与Claude Code、OpenClaw和OpenCode兼容。对于Claude Code：将ANTHROPIC_BASE_URL设置为DeepSeek的API端点，将ANTHROPIC_AUTH_TOKEN设置为您的DeepSeek API密钥。请参阅我们的 DeepSeek OpenAI SDK compatibility 支持参数完整列表的说明。

无状态API：文档中隐藏的一个要点

该API不会记住之前的回合。您必须在每次请求中重新发送完整数组以维持对话。 messages 这与之前的回合不同。 DeepSeek chat 网络和移动应用，它将会话历史记录保存在服务器端。新开发者通常会混淆这两个表面，然后调试一个不存在的“内存丢失错误”。

对于多轮代理，这意味着你拥有历史裁剪策略：当接近100万个token的上限时，丢弃最早的回合，总结过时的工具输出，并依靠上下文缓存（下文介绍）来保持重复前缀的成本低廉。

V4-Flash与V4-Pro对比：哪个级别适用于哪种工作

这两个模型ID共享相同的网络协议和功能集。根据能力和预算进行选择。

价格已与DeepSeek的价格页面进行核对。他们为Flash收费为每100万个输入token 0.14美元和每100万个输出token 0.28美元，Pro版本在2026年5月31日前的75%促销期间收费为每100万个输入token 0.435美元和每100万个输出token 0.87美元（列表价格为1.74美元/3.48美元）。截至2026年4月25日。V3用户可能记得的夜间非高峰时段折扣已于2025年9月5日结束，并且没有为V4重新引入——不要假设它。

对于编码工作特别来说，当任务困难时，V4-Pro能够收回成本。在编码基准测试中，DeepSeek V4-Pro在Terminal-Bench 2.0（67.9%对65.4%）、LiveCodeBench（93.5%对88.8%）和Codeforces评级（3206对无报道分数）上领先Claude。Claude Opus 4.6在SWE-bench Verified（80.8%对80.6%）上略领先，在HLE（40.0%对37.7%）和HMMT 2026数学（96.2%对95.2%）上领先较多。如果你正在运行自主编码代理，这些数字比每token的标价更能影响每完成任务的成本计算。 DeepSeek for coding 在代理设置方面进行了更深入的探讨。

Thinking mode is a parameter, not a model

V4取消了独立的“推理器”模型ID。V4的两个级别都通过请求参数支持三种推理努力设置：

• Non-thinking （默认）——最快路径，无推理跟踪。用于聊天、分类、常规代码生成。这是唯一支持FIM补全（Beta）的模式。
• Thinking (high) — set reasoning_effort="high" with extra_body={"thinking": {"type": "enabled"}}. The response returns reasoning_content alongside the final content.
• Thinking-max — reasoning_effort="max"对于Think Max推理模式，我们建议将上下文窗口设置为至少384K个token。用于最困难的推理、数学和多步规划。

resp = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[{"role": "user", "content": "Plan a zero-downtime DB migration."}],
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}},
)
print(resp.choices[0].message.reasoning_content)  # the trace
print(resp.choices[0].message.content)            # the answer

每个开发者都应该了解的参数

DeepSeek根据任务类型发布特定的默认温度值，这些值值得匹配而非猜测：

• temperature=0.0 — 代码生成和数学
• temperature=1.0 — 数据分析和数据清洗
• temperature=1.3 — 通用对话和翻译
• temperature=1.5 — 创意写作

首先值得关注的其他参数：

• top_p — 核心采样。选择这个 or temperature, not both.
• max_tokens — 输出容量。V4支持高达384,000个输出标记。设置得足够高，以确保JSON模式的回复不会被截断。
• stream=true — server-sent events. With thinking enabled, reasoning content streams alongside final content.
• response_format={"type": "json_object"} — JSON模式。设计用于返回有效的JSON，但不保证；提示词中应包含单词“json”和一个小示例模式，并且您仍然需要处理偶尔出现的空内容。参见 DeepSeek API JSON mode for the full pattern.
• 工具调用 — 兼容OpenAI的功能调用形状。在思考和非思考模式下都适用。

为了更深的覆盖范围， DeepSeek API best practices 介绍错误处理、重试和幂等性。

成本计算：100万次调用实际成本是多少

DeepSeek成本估计中最常见的单个错误是将输入标记合并到一个桶中。缓存命中率仅适用于提供商已经看到的重复前缀；每个新的用户消息都是对该前缀的缓存未命中。

工作示例 — V4-Flash。 1,000,000次调用，带有缓存的2,000标记系统提示，每次调用200个新鲜用户输入标记，每次调用300个输出标记：

Input, cache hit  : 2,000,000,000 tokens × $0.0028 / 1M = $5.60
Input, cache miss :   200,000,000 tokens × $0.14  / 1M = $28.00
Output            :   300,000,000 tokens × $0.28  / 1M = $84.00
                                                         -------
Total                                                         $117.60

相同的工作负载 — V4-Pro。

Input, cache hit  : 2,000,000,000 tokens × $0.0145 / 1M = $29.00
Input, cache miss :   200,000,000 tokens × $1.74 / 1M (list) = $348.00
Output            :   300,000,000 tokens × $3.48 / 1M (list) = $1,044.00
                                                         ---------
Total                                                    $1,421.00

这就是真正的Flash与Pro的经济效益：在相同流量下，前沿级模型的花费大约是10倍。如果您想插入自己的token估计，请将 DeepSeek pricing calculator 处理两个层级，并且 DeepSeek token counter 设置单个提示的大小。 DeepSeek context caching 包括提供者认为可缓存的前缀。

DeepSeek能带来回报的工作流程

五个来自生产使用的具体模式：

1. 通过Claude Code或OpenCode进行代理式编码

将现有的Claude Code配置指向DeepSeek的Anthropic兼容端点，将模型字符串更改为 deepseek-v4-pro，并保留现有的工具链。与Claude Opus相比，成本差异足够大，使得定期、长时间运行的编码代理在经济上可行。

2. 长文本代码审查

100万个token的上下文窗口意味着您可以一次性传递整个中型代码库作为单个提示，并要求跨文件进行审查。缓存代码库前缀；对每个文件的用户消息进行迭代。预期仅在新的差异上出现缓存未命中成本。

3. 使用VS Code进行本地开发

对于编辑器中的内联完成和聊天，将一个Continue或Cline风格的扩展指向DeepSeek的基础URL，使用 deepseek-v4-flash. 延迟和每令牌成本几乎击败了所有非前沿工作的商业替代方案。 DeepSeek with VS Code 演示了配置过程。

4. 检索增强生成

将嵌入模型与V4-Flash结合以实现成本效益的RAG；为推理质量重要的合成步骤保留V4-Pro。 DeepSeek RAG tutorial 介绍了一个使用的工作流程。 DeepSeek with LangChain.

5. 自托管推理

V4模型均在Hugging Face上以MIT协议发布。Pro版本在Hugging Face上的大小为865GB，Flash版本为160GB。Flash版本在单台高内存工作站上运行较为现实；Pro版本则需要严肃的基础设施支持。 在本地安装DeepSeek and running DeepSeek on Ollama 涵盖了实际设置。

Limitations to plan around

对于开发者来说，DeepSeek不是一个万能的答案。三个诚实的差距：

• Multimodal. 多模态。V4模型仅支持文本。DeepSeek表示“正在努力将多模态功能整合到我们的模型中”，但当前版本不支持图像、音频或视频。如果您需要视觉功能，请将相关调用路由到其他地方或使用较旧的版本。 DeepSeek VL2.
• 前沿知识任务。 HLE（人类最后考试）37.7%的成绩将V4-Pro置于Claude（40.0%）、GPT-5.4（39.8%）之下，远低于Gemini-3.1-Pro（44.4%）。SimpleQA-Verified在57.9%与Gemini的75.6%相比，揭示了有意义的实际知识检索差距。如果您的用例需要准确的世界知识回忆——而不仅仅是代码生成——Gemini具有明显的优势。
• Data residency. 针对公共API的对话在遵守中国法律的服务器上处理。对于受监管的工作负载，自行托管开源权重或使用区域聚合器。 DeepSeek privacy covers the trade-offs.

迁移清单（deepseek-chat → V4）

1. 列出每个发送调用的位置。 model="deepseek-chat" or "DeepSeek推理器".
2. Replace with "deepseek-v4-flash" 作为默认设置；将特定的调用位置提升为 "deepseek-v4-pro" 基于质量测试。
3. 在你使用的地方 deepseek-reasoner, add reasoning_effort="high" and the extra_body 思维标志。
4. Re-tune max_tokens 用于思维模式——推理跟踪消耗输出令牌。
5. 在2026年7月24日切换之前，根据新的价格表重新基准化您的月度成本预测。与我们的同行进行比较。 DeepSeek vs ChatGPT 如果你在进行积极的供应商审查，请编写说明。

关于更广泛的 DeepSeek use cases的领域，请参阅分类中心。

DeepSeek AI Guide is an independent resource and is not affiliated with DeepSeek or its parent company. Model IDs, pricing and API behaviour change; check the official DeepSeek documentation and pricing page before committing to a production decision.