Быстрый старт: первый запрос к DeepSeek API

Минимум действий, чтобы увидеть ответ модели: получить ключ, отправить один POST-запрос и понять, что вернулось в JSON. Всё, что нужно, — терминал с curl и ключ.

1. Получите API-ключ

   Ключ создаётся в личном кабинете провайдера и выглядит как длинная строка. Не вставляйте его в код: положите в переменную окружения, чтобы ключ не попал в репозиторий и логи.

   export DEEPSEEK_API_KEY="sk-ваш-ключ"

   В Windows PowerShell то же самое делается командой $env:DEEPSEEK_API_KEY = "sk-ваш-ключ" в текущей сессии. Проверить, что доступ работает и ключ принят, можно запросом списка моделей: GET https://api.deepseek.com/models.

2. Отправьте первый запрос

   Ниже официальный пример из документации DeepSeek. Модель — deepseek-flash, режим рассуждений включён явно, потоковая выдача выключена.

   curl https://api.deepseek.com/chat/completions \
     -H "Content-Type: application/json" \
     -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
     -d '{
           "model": "deepseek-flash",
           "messages": [
             {"role": "system", "content": "You are a helpful assistant."},
             {"role": "user", "content": "Hello!"}
           ],
           "thinking": {"type": "enabled"},
           "reasoning_effort": "high",
           "stream": false
         }'

   Если ответ пришёл, значит ключ верный, баланс положительный и модель доступна. Дальше можно уменьшать объём запроса: без явного thinking режим рассуждений всё равно включён по умолчанию, а reasoning_effort: "high" — тоже значение по умолчанию.

3. Разберите ответ

   Ответ — обычный JSON. Текст модели лежит в choices[0].message.content, цепочка рассуждений — в reasoning_content рядом с ним, расход токенов — в объекте usage.

   {
     "model": "deepseek-flash",
     "choices": [
       {
         "index": 0,
         "message": {
           "role": "assistant",
           "content": "Привет! Я языковая модель DeepSeek.",
           "reasoning_content": "Запрос на приветствие, отвечу коротко."
         },
         "finish_reason": "stop"
       }
     ],
     "usage": {
       "prompt_tokens": 25,
       "completion_tokens": 92,
       "total_tokens": 117,
       "prompt_cache_hit_tokens": 0,
       "prompt_cache_miss_tokens": 25,
       "prompt_tokens_details": {"cached_tokens": 0},
       "completion_tokens_details": {"reasoning_tokens": 48}
     }
   }

   Пример сокращён: служебные поля вроде id, object и created здесь опущены. Состав полей соответствует документации.

Тот же запрос на Python

Официальный способ — библиотека openai версии 1.x: она работает с DeepSeek как с обычным OpenAI-совместимым сервером. Достаточно указать base_url и имя модели.

import os

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "system", "content": "Ты — полезный ассистент."},
        {"role": "user", "content": "Привет! Представься в двух предложениях."},
    ],
    stream=False,
)

message = response.choices[0].message
print("Ответ:", message.content)
print("Рассуждения:", getattr(message, "reasoning_content", None))
print("Токены:", response.usage.total_tokens)

Режим рассуждений включён по умолчанию и заметно увеличивает расход токенов. Если рассуждения не нужны, они отключаются через extra_body — параметр thinking не входит в стандартную схему OpenAI SDK.

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[{"role": "user", "content": "Сколько будет 17 * 24?"}],
    extra_body={"thinking": {"type": "disabled"}},
)

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

Многоходовой диалог

Состояние диалога хранит клиент: каждое новое сообщение добавляется в массив messages. Официальный паттерн — вернуть в историю объект сообщения ассистента целиком, а не только текст.

import os

from openai import OpenAI

client = OpenAI(api_key=os.environ["DEEPSEEK_API_KEY"], base_url="https://api.deepseek.com")

messages = [{"role": "user", "content": "What's the highest mountain in the world?"}]
response = client.chat.completions.create(model="deepseek-flash", messages=messages)
messages.append(response.choices[0].message)

Что означает каждое поле ответа

Подсчитать деньги по этим полям просто: токены × цена / 1 000 000 отдельно для входа и выхода. Готовые примеры — на странице «Цены и расчёт».

Первые ошибки: 401, 402, 422

Три кода, которые чаще всего встречаются на старте. Полный список — в разделе «Ошибки и лимиты».

Читайте также

• Модели и параметры Какие модели принимает API, сколько токенов в контексте и какие параметры поддерживаются.
• Режим рассуждений Как управлять thinking и reasoning_effort и почему при включённых рассуждениях не работают некоторые параметры.
• Стриминг и токены Как получать ответ по частям и как считать токены до отправки запроса.
• Примеры на cURL Проверка ключа, потоковая выдача и список моделей в командной строке.