getdeepseekapi.comGuide
API IA sans censure pour le code : configuration, coût, limites
Vous vous demandez comment utiliser l'API DeepSeek pour le code avec un endpoint qui ne refuse pas les questions sur la sécurité ou le scraping ? Ce service n'est pas l'API officielle de DeepSeek, mais c'est un endpoint compatible OpenAI pour un modèle à poids ouverts sans censure, et il gère les tâches de code via les mêmes appels de chat.
Mis à jour le
Points clés
- L'ID du modèle est
uncensored, l'URL de base est https://api.getdeepseekapi.com/v1, et n'importe quel SDK OpenAI fonctionne. - Les refus sont cruciaux pour les tests de sécurité, l'ingénierie inverse, le scraping et l'analyse de logiciels malveillants, tous pour un usage légal.
- Une revue de code de 50 000 tokens coûte moins d'un centime en entrée ; une exécution d'agent en 30 étapes coûte environ 19 centimes.
- L'appel de fonctions, le mode JSON et le streaming sont pris en charge, avec une fenêtre de contexte de 100 000 tokens.

Ce qu'est cet endpoint, et ce qu'il n'est pas
La requête mentionne DeepSeek, d'où une brève clarification. Ce service n'est pas l'API officielle DeepSeek et ne redirige pas vers DeepSeek ni vers aucun autre fournisseur. Il fait tourner un modèle à poids ouverts via un fournisseur indépendant, ajusté pour répondre sans refus de contenu pour un usage adulte légal. Vous l'appelez en tant que modèle uncensored à l'URL https://api.getdeepseekapi.com/v1, en utilisant le même format de requête que les SDK OpenAI. Si vous cherchiez les modèles officiels de DeepSeek, utilisez DeepSeek directement et consultez leur documentation.
Pourquoi utiliser un modèle sans filtre pour le code ? La plupart des questions de programmation ne déclenchent jamais de refus sur aucun modèle. Mais certaines tâches légales sont bloquées ou atténuées par les filtres : écrire un scanner de ports pour votre propre réseau, analyser un binaire suspect, effectuer des tests de fuzzing sur votre propre API, créer un scraper, expliquer le fonctionnement d'une classe d'exploitation pour pouvoir la corriger. Un modèle ajusté pour répondre directement à ces tâches vous fait gagner le temps que vous passeriez à reformuler. Cela n'améliore pas la qualité du code et ne vous dispense pas de votre responsabilité d'utiliser le modèle légalement. Limite stricte : rien concernant le contenu sexuel impliquant des mineurs, jamais.
Configuration en deux minutes
Créez un compte (Google, ou e-mail et mot de passe) et ouvrez la page clé API. Les nouveaux utilisateurs peuvent réclamer 0,50 $ de crédit d'essai en un clic. Il est valable 7 jours, ne nécessite pas de carte et est limité à un par personne. Ensuite, installez le SDK et effectuez un premier appel.
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)
Une température faible, autour de 0,0 à 0,3, convient au code. Définissez-en une plus élevée uniquement lorsque vous souhaitez des alternatives variées pour le brainstorming.
Revue de code sur un fichier entier ou un petit dépôt
Quelques habitudes de prompting améliorent les réponses de code sur n'importe quel modèle. Nommez le langage et la version, collez le texte exact de l'erreur au lieu de le décrire, et indiquez ce que vous avez déjà essayé. Demandez un diff ou une seule fonction au lieu d'une réécriture du fichier entier, car les réponses courtes sont moins chères et plus faciles à réviser. Lorsque la tâche est volumineuse, divisez-la : une requête pour planifier, une seconde pour écrire chaque partie. Cela maintient également chaque prompt bien en dessous de la fenêtre de contexte et vous permet d'exécuter des pièces indépendantes en parallèle, jusqu'à la limite de concurrence.
La fenêtre de 100 000 tokens (prompt plus complétion) vous permet de coller beaucoup de code source dans une seule requête. Environ, 1 000 lignes de code typique représentent 10 000 à 15 000 tokens, mais mesurez avec le champ d'utilisation plutôt que de faire confiance à une règle.
Le mode JSON rend la sortie de revue lisible par machine. Demandez une forme fixe et analysez-la.
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)
Le mode JSON garantit une syntaxe valide, pas vos clés exactes, donc vérifiez que les champs existent avant de les utiliser. Les coûts sont faibles. Envoyer un codebase de 50 000 tokens et recevoir 2 000 tokens coûte 50 000 x 0,15 / 1 000 000 = 0,0075 $ pour l'entrée plus 2 000 x 0,50 / 1 000 000 = 0,001 $ pour la sortie, soit un total de 0,0085 $.
Là où les refus apparaissent réellement dans le travail de développement
Il est utile d'être concret, car un modèle filtré qui refuse quelque chose d'inoffensif n'est pas la même chose qu'un modèle qui refuse quelque chose de dangereux. Voici des tâches légales que les développeurs signalent rencontrer ailleurs, donc testez-les sur le modèle que vous utilisez :
- Tests de sécurité des systèmes que vous possédez ou avez l'autorisation de tester : scanners, fuzzers, code de preuve de concept pour confirmer qu'un correctif fonctionne.
- Ingénierie inverse et analyse de logiciels malveillants : expliquer ce qu'une routine décompilée fait.
- Scraping et automatisation : gérer les connexions, les limites de débit et le comportement anti-bot sur vos propres comptes.
- Rédaction de règles de détection, ce qui signifie comprendre d'abord comment l'attaque fonctionne.
- Modding de jeux et outils d'émulation qui touchent la protection contre la copie de manière inhabituelle.
La responsabilité ne change pas. Si vous utilisez la sortie contre des systèmes pour lesquels vous n'avez pas l'autorisation de tester, c'est à vous. Le point d'un modèle sans filtre est qu'il vous traite comme un adulte qui a une raison de demander, pas qu'il rend toute utilisation acceptable.
Appel de fonctions pour un petit agent de codage
L'appel de fonctions permet au modèle de demander des actions telles que l'exécution de tests. Vous définissez des fonctions dans tools, lisez tool_calls dans la réponse, exécutez-les vous-même et renvoyez les résultats avec role: "tool". Voici une boucle compacte qui peut exécuter une commande de test et lire la sortie.
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:]})
La troncature de la sortie de l'outil aux 4 000 derniers caractères maintient le contexte et le coût sous contrôle. Mettez toujours une limite stricte aux étapes de la boucle, et n'exécutez des commandes shell qu'à l'intérieur d'un bac à sable ou d'un répertoire que vous pouvez vous permettre de perdre. Pour les outils d'éditeur et de terminal prêts à l'emploi, beaucoup acceptent une URL de base compatible OpenAI ; la documentation d'intégration liste les paramètres pris en charge.
Combien coûte une session d'agent
Les agents sont facturés par répétition. Chaque étape renvoie le contexte, donc les tokens d'entrée dominent. Les tarifs sont de 0,15 $ par 1 M de tokens d'entrée et de 0,50 $ par 1 M de tokens de sortie.
Supposons qu'une session effectue 30 étapes, envoyant chacune environ 40 000 tokens de contexte et retournant environ 500 tokens.
- Entrée : 30 x 40 000 = 1 200 000 tokens, donc 1,2 x 0,15 $ = 0,18 $
- Sortie : 30 x 500 = 15 000 tokens, donc 0,015 x 0,50 $ = 0,0075 $
- Total : 0,1875 $
À ce tarif, 20 $ de crédit prépayé couvrent plus de 100 sessions de ce type. Le crédit n'expire jamais et il n'y a pas d'abonnement. Rechargez avec n'importe quel montant entier de 20 $ à 500 $ par crypto (USDT sur TRC20, USDC sur Base), avec des bonus de +5 % à partir de 50 $, +10 % à partir de 100 $ et +15 % à partir de 200 $. Les requêtes échouées ou refusées ne sont pas facturées. Les détails sont sur la page de tarification.
Limites et mises en garde honnêtes
Une clé complète permet 8 requêtes simultanées et 300 par minute ; une clé d'essai permet 2 et 60. Vous effectuez des tests en parallèle sur de nombreux fichiers ? Limitez votre pool de workers à 8. Au-delà d'une limite, l'API renvoie une erreur 429 : rate_limited pour les requêtes par minute et concurrency pour trop de requêtes à la fois. Une surcharge temporaire renvoie 429 avec Retry-After: 5. Une requête en streaming occupe son emplacement jusqu'à la fin du flux, donc fermez les streams dont vous n'avez plus besoin.
Maintenant les mises en garde. Nous ne publions pas de benchmarks, et vous ne devriez pas supposer que ce modèle bat n'importe quel autre en qualité de code. C'est un modèle à poids ouverts général ajusté pour l'absence de refus, pas un modèle de code spécialisé. Testez-le sur un échantillon de vos propres tâches et comparez avec ce que vous utilisez actuellement. Il est texte uniquement et la limite du corps est de 8 Mo, donc vous ne pouvez pas envoyer de gros binaires. Les prompts ne sont pas utilisés pour l'entraînement, ce qui est important lorsque le code est privé. Si vous voulez le contexte plus large de ce service, la vue d'ensemble de l'alternative DeepSeek explique comment il diffère des API des fournisseurs.
Plus de guides
Questions et réponses
S'agit-il de l'API officielle DeepSeek ?
Non. Il s'agit d'un service distinct exécutant un modèle à poids ouverts indépendant, ID uncensored, derrière une API compatible OpenAI.
L'API prend-elle en charge l'appel de fonctions pour les agents de codage ?
Oui. Utilisez tools et tool_choice, gérez tool_calls dans la réponse et renvoyez les résultats en tant que messages role tool. Les appels de fonctions en streaming fonctionnent également.
Quelle taille de codebase puis-je envoyer ?
La fenêtre de contexte est de 100 000 tokens pour le prompt plus la complétion, et le corps de la requête peut faire jusqu'à 8 Mo. Vérifiez l'utilisation des tokens dans la réponse.
Combien coûte une revue de code ?
Une entrée de 50 000 tokens et une sortie de 2 000 tokens coûtent 0,0085 $ au tarif de 0,15 $ et 0,50 $ par 1M de tokens.
Votre clé n'est qu'à un formulaire d'ici
Créez un compte, copiez la clé, modifiez l'URL de base. C'est toute la configuration.