DE ▾
API-Schlüssel erhalten

getdeepseekapi.comAnleitung

Unzensierte KI-API für Coding: Einrichtung, Kosten, Limits

Du fragst dich, wie du die DeepSeek-API für Coding nutzen kannst, mit einem Endpunkt, der Sicherheits- oder Scraping-Fragen nicht verweigert? Dieser Dienst ist nicht die offizielle DeepSeek-API, sondern ein OpenAI-kompatibler Endpunkt für ein unzensiertes Open-Weight-Modell und verarbeitet Codetasks über dieselben Chat-Aufrufe.

Aktualisiert

Wichtige Punkte

  • Die Modell-ID ist uncensored, die Base URL ist https://api.getdeepseekapi.com/v1, und jedes OpenAI SDK funktioniert.
  • Verweigerungen sind besonders wichtig für Sicherheitstests, Reverse Engineering, Scraping und Malware-Analyse, alles für legale Zwecke.
  • Ein Code-Review einer 50.000-Token-Codebasis kostet unter einem Cent für die Eingabe; ein 30-Schritte-Agent-Lauf kostet etwa 19 Cent.
  • Tool Calling, JSON-Modus und Streaming werden unterstützt, mit einem Kontextfenster von 100.000 Token.
Terminal mit leuchtenden Code-Klammern und einem offenen Vorhängeschloss neben einem Server, repräsentiert den ungefilterten Coding-API-Zugriff

Was dieser Endpunkt ist und was er nicht ist

Die Anfrage erwähnt DeepSeek, daher eine kurze Klarstellung. Dieser Dienst ist nicht die offizielle DeepSeek-API und leitet nicht an DeepSeek oder einen anderen Anbieter weiter. Er verwendet ein Open-Weight-Modell über einen unabhängigen Anbieter, das darauf abgestimmt ist, ohne Inhaltsfilter auf Fragen zu antworten, für die rechtmäßige Nutzung durch Erwachsene. Du rufst es als Modell uncensored unter https://api.getdeepseekapi.com/v1 auf und verwendest das gleiche Anfrageformat wie die OpenAI-SDKs. Wenn du die eigenen Modelle von DeepSeek suchst, nutze DeepSeek direkt und prüfe deren Dokumentation.

Warum ein ungefiltertes Modell für Code nutzen? Die meisten Programmierfragen lösen bei keinem Modell eine Verweigerung aus. Aber einige legale Aufgaben werden von Filtern blockiert oder abgeschwächt: einen Port-Scanner für das eigene Netzwerk schreiben, eine verdächtige Binärdatei analysieren, die eigene API fuzzen, einen Scraper bauen, erklären, wie eine Exploit-Klasse funktioniert, um sie zu patchen. Ein Modell, das darauf optimiert ist, diese direkt zu beantworten, spart die Zeit, die du für das Umformulieren aufwenden würdest. Es macht den Code nicht besser und nimmt auch nicht deine Verantwortung weg, ihn legal zu nutzen. Strenge Grenze: Alles, was sexuelle Inhalte mit Minderjährigen betrifft, ist immer ausgeschlossen.

In zwei Minuten eingerichtet

Erstelle ein Konto (Google oder E-Mail und Passwort) und öffne die API-Schlüssel-Seite. Neue Nutzer können mit einem Klick $0,50 kostenloses Testguthaben beanspruchen. Es ist 7 Tage gültig, benötigt keine Karte und ist pro Person einmalig. Installiere dann das SDK und führe einen ersten Aufruf aus.

pip install openai
export UNCENSORED_API_KEY="paste-your-key-here"
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.getdeepseekapi.com/v1",
    api_key=os.environ["UNCENSORED_API_KEY"],
)

resp = client.chat.completions.create(
    model="uncensored",
    temperature=0.2,
    messages=[
        {"role": "system", "content": "You are a senior engineer. Answer with code first, then a short explanation."},
        {"role": "user", "content": "Write a Python function that scans TCP ports 1-1024 on a host I own, using asyncio."},
    ],
)
print(resp.choices[0].message.content)

Eine niedrige Temperatur, etwa 0,0 bis 0,3, eignet sich für Code. Setze einen höheren Wert nur ein, wenn du verschiedene Alternativen zum Brainstorming möchtest.

Code-Review für eine ganze Datei oder ein kleines Repo

Einige Prompting-Gewohnheiten verbessern Code-Antworten bei jedem Modell. Nenne die Sprache und Version, füge den exakten Fehlertext ein, statt ihn zu beschreiben, und sage, was du bereits versucht hast. Bitte um einen Diff oder eine einzelne Funktion statt um eine Umschreibung der ganzen Datei, weil kurze Antworten günstiger und einfacher zu prüfen sind. Bei großen Aufgaben teile sie: eine Anfrage zum Planen, eine zweite zum Schreiben jedes Teils. Das hält jeden Prompt weit innerhalb des Fensters und erlaubt dir, unabhängige Teile parallel auszuführen, bis zum Concurrency-Limit.

Das 100.000-Token-Fenster (Prompt plus Completion) erlaubt es, viel Source-Code in eine Anfrage einzufügen. Grob gesagt entsprechen 1.000 Zeilen typischen Codes 10.000 bis 15.000 Token, aber miss mit dem usage-Feld, statt dich auf eine Faustregel zu verlassen.

Der JSON-Modus macht Review-Ausgaben maschinenlesbar. Bitte um eine feste Struktur und parse sie.

import json, pathlib

source = pathlib.Path("app.py").read_text()

r = client.chat.completions.create(
    model="uncensored",
    temperature=0.1,
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Review code. Return JSON: {\"issues\": [{\"line\": int, \"severity\": \"low|medium|high\", \"problem\": str, \"fix\": str}]}"},
        {"role": "user", "content": source},
    ],
)
for issue in json.loads(r.choices[0].message.content)["issues"]:
    print(issue["severity"], issue["line"], issue["problem"])
print(r.usage)

Der JSON-Modus garantiert gültige Syntax, nicht deine exakten Keys, also prüfe, ob die Felder existieren, bevor du sie nutzt. Die Kosten sind gering. Das Senden einer 50.000-Token-Codebasis und das Erhalten von 2.000 Token kosten 50.000 x 0,15 / 1.000.000 = $0,0075 für Input plus 2.000 x 0,50 / 1.000.000 = $0,001 für Output, insgesamt $0,0085.

Wo Verweigerungen im Coding tatsächlich auftreten

Es hilft, konkret zu sein, weil ein gefiltertes Modell, das etwas Harmloses verweigert, nicht dasselbe ist wie eines, das etwas Gefährliches verweigert. Dies sind legale Aufgaben, bei denen Entwickler sonst Reibung erleben, also teste sie bei jedem Modell, das du nutzt:

  • Sicherheitstests von Systemen, die du besitzt oder für die du die Erlaubnis zum Testen hast: Scanner, Fuzzer, Proof-of-Concept-Code, um zu bestätigen, dass ein Patch funktioniert.
  • Reverse Engineering und Malware-Analyse: Erklären, was eine dekompilierte Routine macht.
  • Scraping und Automatisierung: Handhabung von Logins, Ratenlimits und Anti-Bot-Verhalten auf deinen eigenen Accounts.
  • Schreiben von Detection Rules, was bedeutet, dass man zuerst verstehen muss, wie der Angriff funktioniert.
  • Game Modding und Emulations-Tools, die ungewöhnlich mit Kopierschutz interagieren.

Die Verantwortung bleibt bei dir. Wenn du die Ausgabe gegen Systeme nutzt, für die du keine Erlaubnis zum Testen hast, liegt das bei dir. Der Punkt eines ungefilterten Modells ist, dass es dich als Erwachsenen behandelt, der einen Grund hat zu fragen, nicht dass es jede Nutzung akzeptabel macht.

Tool Calling für einen kleinen Coding-Agenten

Tool Calling ermöglicht es dem Modell, Aktionen wie das Ausführen von Tests anzufordern. Du definierst Funktionen in tools, liest tool_calls aus der Antwort, führst sie selbst aus und sendest Ergebnisse mit role: "tool" zurück. Hier ist eine kompakte Schleife, die einen Testbefehl ausführen und die Ausgabe lesen kann.

import json, subprocess

tools = [{
    "type": "function",
    "function": {
        "name": "run_tests",
        "description": "Run the project's test suite and return the output",
        "parameters": {"type": "object", "properties": {}, "required": []},
    },
}]

messages = [
    {"role": "system", "content": "Fix failing tests. Call run_tests, then explain the cause."},
    {"role": "user", "content": "The tests in this repo fail. Find out why."},
]

for step in range(6):
    r = client.chat.completions.create(model="uncensored", messages=messages, tools=tools, temperature=0.2)
    msg = r.choices[0].message
    messages.append(msg)
    if not msg.tool_calls:
        print(msg.content)
        break
    for call in msg.tool_calls:
        out = subprocess.run(["pytest", "-x", "-q"], capture_output=True, text=True, timeout=120)
        messages.append({"role": "tool", "tool_call_id": call.id, "content": (out.stdout + out.stderr)[-4000:]})

Das Beschneiden der Tool-Ausgabe auf die letzten 4.000 Zeichen hält Kontext und Kosten im Griff. Setze immer eine harte Obergrenze für Schleifenschritte und führe Shell-Befehle nur in einer Sandbox oder einem Verzeichnis aus, das du verlieren kannst. Für fertige Editor- und Terminal-Tools akzeptieren viele eine OpenAI-kompatible Base URL; die Integrationsdokumentation listet die unterstützten Parameter auf.

Was eine Agenten-Sitzung kostet

Agents werden nach Wiederholung berechnet. Jeder Schritt sendet den Kontext erneut, daher dominieren Input-Token. Die Preise liegen bei $0,15 pro 1M Input-Token und $0,50 pro 1M Output-Token.

Angenommen, eine Sitzung läuft 30 Schritte, wobei jeder Schritt etwa 40.000 Token Kontext sendet und etwa 500 Token zurückgibt.

  • Input: 30 x 40.000 = 1.200.000 Token, also 1,2 x $0,15 = $0,18
  • Output: 30 x 500 = 15.000 Token, also 0,015 x $0,50 = $0,0075
  • Gesamt: $0,1875

Zu diesem Preis deckt $20 Guthaben mehr als 100 solcher Sitzungen ab. Das Guthaben ist Prepaid-Guthaben, verfällt nie und es gibt kein Abonnement. Lade mit jedem ganzen Betrag von $20 bis $500 per Krypto (USDT auf TRC20, USDC auf Base) auf, mit Boni von +5% ab $50, +10% ab $100 und +15% ab $200. Fehlgeschlagene oder abgelehnte Anfragen werden nicht berechnet. Details findest du auf der Preisseite.

Limits und ehrliche Einschränkungen

Ein voller Schlüssel erlaubt 8 parallele Anfragen und 300 pro Minute; ein Trial-Schlüssel erlaubt 2 und 60. Tests parallel über viele Dateien ausführen? Begrenze deinen Worker-Pool auf 8. Über einem Limit gibt die API einen 429 zurück: rate_limited für Anfragen pro Minute und concurrency für zu viele gleichzeitig. Temporäre Überlastung gibt 429 mit Retry-After: 5 zurück. Eine gestreamte Anfrage belegt ihren Slot bis zum Stream-Ende, also schließe Streams, die du nicht mehr brauchst.

Nun die Einschränkungen. Wir veröffentlichen keine Benchmarks, und du solltest nicht annehmen, dass dieses Modell bei der Code-Qualität andere übertrifft. Es ist ein allgemeines Open-Weight-Modell, das auf keine Verweigerungen optimiert ist, kein spezialisiertes Code-Modell. Teste es an einer Stichprobe deiner eigenen Aufgaben und vergleiche es mit dem, was du jetzt nutzt. Es ist nur Text und die Body-Grenze beträgt 8 MB, also kannst du keine großen Binärdateien senden. Prompts werden nicht zum Training verwendet, was wichtig ist, wenn der Code privat ist. Wenn du den breiteren Kontext dieses Dienstes möchtest, erklärt die DeepSeek-Alternativübersicht, wie er sich von Anbieter-APIs unterscheidet.

Fragen und Antworten

Ist dies die offizielle DeepSeek-API?

Nein. Es ist ein separater Dienst, der ein unabhängiges Open-Weight-Modell mit der ID uncensored betreibt, hinter einer OpenAI-kompatiblen API.

Unterstützt es Function Calling für Coding-Agents?

Ja. Nutze tools und tool_choice, verarbeite tool_calls in der Antwort und gib Ergebnisse als Nachrichten mit role tool zurück. Auch gestreamte Tool-Aufrufe funktionieren.

Wie groß kann eine Codebasis sein, die ich senden kann?

Das Kontextfenster umfasst 100.000 Token für Prompt plus Completion, und der Request-Body kann bis zu 8 MB groß sein. Prüfe die Token-Nutzung in der Antwort.

Wie viel kostet ein Code-Review?

Eine Eingabe mit 50.000 Token und 2.000 Token Ausgabe kostet $0,0085 bei $0,15 und $0,50 pro 1 Mio. Token.

Dein Schlüssel ist nur ein Formular entfernt

Erstelle ein Konto, kopiere den Schlüssel, ändere die Base URL. Das ist die gesamte Einrichtung.

API-Schlüssel erhalten