ES ▾
Obtener clave de API

getdeepseekapi.comGuía

API de IA sin censura para programación: configuración, coste y límites

¿Te preguntas cómo usar la API de DeepSeek para programación con un endpoint que no rechace preguntas de seguridad o scraping? Este servicio no es la API oficial de DeepSeek, pero es un endpoint compatible con OpenAI para un único modelo de pesos abiertos sin censura, y maneja tareas de código mediante las mismas llamadas de chat.

Actualizado

Puntos clave

  • El ID del modelo es uncensored, la base URL es https://api.getdeepseekapi.com/v1, y cualquier SDK de OpenAI funciona.
  • Las negativas importan sobre todo para pruebas de seguridad, ingeniería inversa, scraping y análisis de malware, todo para uso lícito.
  • Una revisión de código de 50.000 tokens cuesta menos de un céntimo en entrada; una ejecución de agente de 30 pasos cuesta aproximadamente 19 céntimos.
  • Se admiten llamadas a funciones, modo JSON y streaming, con una ventana de contexto de 100.000 tokens.
Terminal con corchetes de código brillantes y un candado abierto junto a un servidor, representando acceso sin filtros a la API de programación

Qué es este endpoint y qué no es

La consulta menciona DeepSeek, así que una aclaración rápida. Este servicio no es la API oficial de DeepSeek y no enruta a DeepSeek ni a ningún otro proveedor. Ejecuta un modelo de pesos abiertos a través de un proveedor independiente, ajustado para responder sin negativas de contenido para uso adulto lícito. Lo llamas como modelo uncensored en https://api.getdeepseekapi.com/v1, usando el mismo formato de petición que los SDK de OpenAI. Si buscabas los modelos propios de DeepSeek, usa DeepSeek directamente y consulta su documentación.

¿Por qué usar un modelo sin filtros para código? La mayoría de las preguntas de programación nunca activan una negación en ningún modelo. Pero algunas tareas lícitas sí son bloqueadas o suavizadas por los filtros: escribir un escáner de puertos para tu propia red, analizar una muestra binaria sospechosa, fuzzing de tu propia API, construir un scraper, explicar cómo funciona una clase de exploit para parchearla. Un modelo ajustado para responder directamente a eso ahorra el tiempo que dedicarías a reformular. No mejora el código, ni quita tu responsabilidad de usarlo lícitamente. Límite estricto: nada que implique contenido sexual con menores de edad, nunca.

Configuración en dos minutos

Crea una cuenta (Google, o correo electrónico y contraseña) y abre la página de clave de API. Los nuevos usuarios pueden reclamar $0,50 de crédito de prueba con un clic. Es válido por 7 días, no requiere tarjeta y es uno por persona. Luego instala el SDK y ejecuta una primera llamada.

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)

Una temperatura baja, entre 0,0 y 0,3, es adecuada para código. Establece una más alta solo cuando quieras alternativas variadas para lluvia de ideas.

Revisión de código en un archivo completo o repositorio pequeño

Algunos hábitos de prompt mejoran las respuestas de código en cualquier modelo. Nombra el lenguaje y la versión, pega el texto exacto del error en lugar de describirlo, y di lo que ya has intentado. Pide un diff o una única función en lugar de una reescritura de todo el archivo, porque las respuestas cortas son más baratas y más fáciles de revisar. Cuando la tarea es grande, divídela: una petición para planificar, una segunda para escribir cada parte. Eso también mantiene cada prompt bien dentro de la ventana y te permite ejecutar piezas independientes en paralelo, hasta el límite de concurrencia.

La ventana de 100.000 tokens (prompt más completion) te permite pegar mucho código fuente en una sola petición. Aproximadamente, 1.000 líneas de código típico son de 10.000 a 15.000 tokens, pero mide con el campo usage en lugar de confiar en una regla.

El modo JSON hace que la salida de revisión sea legible por máquina. Pide una forma fija y analízala.

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)

El modo JSON garantiza una sintaxis válida, no tus claves exactas, así que verifica que los campos existan antes de usarlos. Los costos son bajos. Enviar una base de código de 50.000 tokens y obtener 2.000 tokens de salida cuesta 50.000 x 0,15 / 1.000.000 = $0,0075 por la entrada más 2.000 x 0,50 / 1.000.000 = $0,001 por la salida, un total de $0,0085.

Dónde aparecen realmente las negativas en el trabajo de programación

Es útil ser concreto, porque un modelo filtrado que niega algo inofensivo no es lo mismo que uno que niega algo peligroso. Estas son tareas lícitas que los desarrolladores reportan como fricción en otros lugares, así que pruébalas en el modelo que uses:

  • Pruebas de seguridad de sistemas que posees o tienes permiso para probar: escáneres, fuzzers, código de prueba de concepto para confirmar que un parche funciona.
  • Ingeniería inversa y análisis de malware: explicar qué hace una rutina descompilada.
  • Scraping y automatización: manejar inicios de sesión, límites de velocidad y comportamiento anti-bot en tus propias cuentas.
  • Escribir reglas de detección, lo que implica entender primero cómo funciona el ataque.
  • Modding de juegos y herramientas de emulación que tocan la protección de copias de formas inusuales.

La responsabilidad no cambia. Si usas la salida contra sistemas para los que no tienes permiso para probar, eso es por tu cuenta. El punto de un modelo sin filtros es que te trata como un adulto que tiene una razón para preguntar, no que hace aceptable cualquier uso.

Llamadas a funciones para un agente de programación pequeño

Las llamadas a funciones permiten al modelo solicitar acciones como ejecutar pruebas. Defines funciones en tools, lees tool_calls de la respuesta, las ejecutas tú mismo y envías los resultados de vuelta con role: "tool". Aquí hay un bucle compacto que puede ejecutar un comando de prueba y leer la salida.

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:]})

Truncar la salida de la herramienta a los últimos 4.000 caracteres mantiene el contexto y el costo bajo control. Pon siempre un límite estricto en los pasos del bucle y ejecuta comandos de shell solo dentro de un entorno aislado o un directorio que puedas permitirte perder. Para herramientas de editor y terminal listas para usar, muchas aceptan una Base URL compatible con OpenAI; la documentación de integración lista los parámetros compatibles.

Cuánto cuesta una sesión de agente

Los agentes se cobran por repetición. Cada paso reenvía el contexto, así que los tokens de entrada dominan. Las tarifas son $0,15 por 1M de tokens de entrada y $0,50 por 1M de tokens de salida.

Supongamos que una sesión ejecuta 30 pasos, enviando cada uno unos 40.000 tokens de contexto y devolviendo unos 500 tokens.

  • Entrada: 30 x 40.000 = 1.200.000 tokens, así que 1,2 x $0,15 = $0,18
  • Salida: 30 x 500 = 15.000 tokens, así que 0,015 x $0,50 = $0,0075
  • Total: $0,1875

A esa tasa, $20 de crédito cubren más de 100 sesiones de este tipo. El crédito es prepago, no caduca y no hay suscripción. Recarga con cualquier cantidad entera de $20 a $500 con cripto (USDT en TRC20, USDC en Base), con bonificaciones de +5% desde $50, +10% desde $100 y +15% desde $200. Las peticiones fallidas o rechazadas no se cobran. Los detalles están en la página de precios.

Límites y advertencias honestas

Una clave completa permite 8 peticiones simultáneas y 300 por minuto; una clave de prueba permite 2 y 60. ¿Ejecutando pruebas en paralelo en muchos archivos? Limita tu pool de workers a 8. Por encima del límite, la API devuelve un 429: rate_limited para peticiones por minuto y concurrency para demasiadas a la vez. Una sobrecarga temporal devuelve 429 con Retry-After: 5. Una petición en streaming mantiene su espacio hasta que el stream termine, así que cierra los streams que ya no necesites.

Ahora las advertencias. No publicamos benchmarks, y no deberías asumir que este modelo supera a cualquier otro en calidad de código. Es un modelo general de pesos abiertos ajustado para no rechazar, no un modelo especializado en código. Es solo texto y el límite del cuerpo de la petición es de 8 MB, así que no puedes enviar binarios grandes. Los prompts no se usan para entrenamiento, lo cual importa cuando el código es privado. Si quieres el contexto más amplio de este servicio, la visión general de alternativa a DeepSeek explica cómo difiere de las APIs de proveedores.

Preguntas y respuestas

¿Es esta la API oficial de DeepSeek?

No. Es un servicio independiente que ejecuta un único modelo de pesos abiertos, ID uncensored, detrás de una API compatible con OpenAI.

¿Soporta llamadas a funciones para agentes de programación?

Sí. Usa tools y tool_choice, procesa tool_calls en la respuesta y devuelve los resultados como mensajes de role tool. Las llamadas a funciones en streaming también funcionan.

¿Qué tan grande puede ser el código que envío?

La ventana de contexto es de 100.000 tokens para prompt más completion, y el cuerpo de la petición puede tener hasta 8 MB. Comprueba el uso de tokens en la respuesta.

¿Cuánto cuesta una revisión de código?

Una entrada de 50.000 tokens con 2.000 tokens de salida cuesta $0,0085 a $0,15 y $0,50 por 1M de tokens.

Tu clave está a un formulario de distancia

Crea una cuenta, copia la clave, cambia la URL base. Esa es toda la configuración.

Obtener clave de API