getdeepseekapi.comGuida
API AI senza censura per il coding: configurazione, costi, limiti
Ti chiedi come usare l'API DeepSeek per il coding con un endpoint che non blocca le domande di sicurezza o scraping? Questo servizio non è l'API ufficiale di DeepSeek, ma è un endpoint compatibile con OpenAI per un modello a pesi aperti senza censura, e gestisce le attività di codice tramite le stesse chiamate chat.
Aggiornato
Punti chiave
- L'ID del modello è
uncensored, il base URL è https://api.getdeepseekapi.com/v1, e qualsiasi SDK OpenAI funziona. - I blocchi sono cruciali per i test di sicurezza, il reverse engineering, lo scraping e l'analisi dei malware, tutti per usi leciti.
- Una revisione del codice di un codebase da 50.000 token costa meno di un centesimo in input; un'esecuzione di un agente di 30 step costa circa 19 centesimi.
- Sono supportati tool calling, modalità JSON e streaming, con una finestra di contesto di 100.000 token.

Cosa è questo endpoint e cosa non è
La query menziona DeepSeek, quindi una rapida chiarificazione. Questo servizio non è l'API ufficiale DeepSeek e non inoltra a DeepSeek o ad altri fornitori. Esegue un modello a pesi aperti tramite un provider indipendente, ottimizzato per rispondere senza blocchi sui contenuti per uso adulto lecito. Lo chiami come modello uncensored a https://api.getdeepseekapi.com/v1, usando lo stesso formato di richiesta degli SDK OpenAI. Se sei venuto per i modelli ufficiali DeepSeek, usa DeepSeek direttamente e controlla la loro documentazione.
Perché usare un modello senza filtri per il codice? La maggior parte delle domande di programmazione non attiva mai un blocco su qualsiasi modello. Ma alcune attività legali vengono bloccate o attenuate dai filtri: scrivere uno scanner di porte per la tua rete, analizzare un campione binario sospetto, fare fuzzing sulla tua API, costruire uno scraper, spiegare come funziona una classe di exploit per patcharla. Un modello ottimizzato per rispondere direttamente a quelle domande risparmia il tempo che spenderesti a riformulare. Non rende il codice migliore e non rimuove la tua responsabilità di usarlo in modo lecito. Limite rigido: nulla che coinvolga contenuti sessuali con minorenni, mai.
Configurazione in due minuti
Crea un account (Google, o email e password) e apri la pagina chiave API. I nuovi utenti possono richiedere $0,50 di credito di prova con un clic. È valido per 7 giorni, non richiede carta ed è uno a persona. Poi installa l'SDK ed esegui una prima chiamata.
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 bassa, tra 0,0 e 0,3, si adatta al codice. Imposta una più alta solo quando vuoi alternative varie per il brainstorming.
Revisione codice su un file intero o repo piccolo
Alcune abitudini di prompting rendono le risposte sul codice migliori su qualsiasi modello. Indica il linguaggio e la versione, incolla il testo esatto dell'errore invece di descriverlo, e dì cosa hai già provato. Chiedi un diff o una singola funzione invece di una riscrittura dell'intero file, perché le risposte brevi sono più economiche e più facili da revisionare. Quando il compito è grande, dividilo: una richiesta per pianificare, una seconda per scrivere ogni parte. Questo mantiene anche ogni prompt ben all'interno della finestra e ti permette di eseguire pezzi indipendenti in parallelo, fino al limite di concorrenza.
La finestra da 100.000 token (prompt più completamento) ti permette di incollare molto codice sorgente in una richiesta. Approssimativamente, 1.000 righe di codice tipico sono 10.000-15.000 token, ma misura con il campo usage invece di fidarti di una regola.
La modalità JSON rende l'output della revisione leggibile dalla macchina. Chiedi una forma fissa e analizzalo.
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)
La modalità JSON garantisce una sintassi valida, non le tue chiavi esatte, quindi controlla che i campi esistano prima di usarli. I costi sono piccoli. Inviare un codebase da 50.000 token e ottenere 2.000 token indietro costa 50.000 x 0,15 / 1.000.000 = $0,0075 per input più 2.000 x 0,50 / 1.000.000 = $0,001 per output, per un totale di $0,0085.
Dove appaiono effettivamente i rifiuti nel lavoro di coding
È utile essere concreti, perché un modello filtrato che rifiuta qualcosa di innocuo non è lo stesso di uno che rifiuta qualcosa di pericoloso. Queste sono attività legali che gli sviluppatori riportano di incontrare con difficoltà altrove, quindi testale su qualsiasi modello tu usi:
- Test di sicurezza di sistemi che possiedi o hai autorizzazione a testare: scanner, fuzzers, codice proof-of-concept per confermare che una patch funziona.
- Reverse engineering e analisi malware: spiegare cosa fa una routine decompilata.
- Scraping e automazione: gestire accessi, limiti di richieste e comportamenti anti-bot sui tuoi account.
- Scrittura di regole di rilevamento, il che significa capire prima come funziona l'attacco.
- Modding di giochi e strumenti di emulazione che toccano la protezione della copia in modi insoliti.
La responsabilità non si sposta. Se usi l'output contro sistemi per cui non hai autorizzazione a testare, è un tuo problema. Il punto di un modello senza filtri è che ti tratta come un adulto che ha una ragione per chiedere, non che rende accettabile qualsiasi uso.
Chiamata di funzioni per un piccolo agente di coding
La chiamata di funzioni permette al modello di richiedere azioni come l'esecuzione di test. Definisci le funzioni in tools, leggi tool_calls dalla risposta, eseguile tu stesso e invia i risultati indietro con role: "tool". Ecco un loop compatto che può eseguire un comando di test e leggere l'output.
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:]})
Il troncamento dell'output degli strumenti agli ultimi 4.000 caratteri mantiene il contesto e il costo sotto controllo. Metti sempre un limite rigido agli step del loop ed esegui i comandi shell solo all'interno di una sandbox o una directory che puoi permetterti di perdere. Per strumenti pronti per editor e terminali, molti accettano un base URL compatibile con OpenAI; la documentazione di integrazione elenca i parametri supportati.
Quanto costa una sessione di agente
Gli agenti sono fatturati per ripetizione. Ogni step rispedisce il contesto, quindi i token di input dominano. I tassi sono $0,15 per 1M di token di input e $0,50 per 1M di token di output.
Supponi che una sessione esegua 30 step, ciascuno inviando circa 40.000 token di contesto e restituendo circa 500 token.
- Input: 30 x 40.000 = 1.200.000 token, quindi 1,2 x $0,15 = $0,18
- Output: 30 x 500 = 15.000 token, quindi 0,015 x $0,50 = $0,0075
- Totale: $0,1875
A quel tasso, $20 di credito coprono più di 100 di queste sessioni. Il credito è prepagato, non scade mai e non c'è abbonamento. Ricarica con qualsiasi importo intero da $20 a $500 con cripto (USDT su TRC20, USDC su Base), con bonus del +5% da $50, +10% da $100 e +15% da $200. Le richieste fallite o rifiutate non vengono addebitate. I dettagli sono nella pagina dei prezzi.
Limiti e avvertenze oneste
Una chiave completa permette 8 richieste concorrenti e 300 al minuto; una chiave di prova permette 2 e 60. Eseguendo test in parallelo su molti file? Limita il tuo pool di worker a 8. Oltre un limite, l'API restituisce un 429: rate_limited per richieste al minuto e concurrency per troppe contemporanee. Un sovraccarico temporaneo restituisce 429 con Retry-After: 5. Una richiesta streaming mantiene il suo slot fino alla fine dello stream, quindi chiudi gli stream che non ti servono più.
Ora le avvertenze. Non pubblichiamo benchmark, e non dovresti assumere che questo modello batta qualsiasi altro sulla qualità del coding. È un modello open-weight generale ottimizzato per nessun rifiuto, non un modello di codice specializzato. Testalo su un campione delle tue attività e confrontalo con qualsiasi cosa tu usi ora. È solo testo e il limite del corpo è 8 MB, quindi non puoi inviare binari grandi. I prompt non sono usati per l'addestramento, il che conta quando il codice è privato. Se vuoi il contesto più ampio di questo servizio, la panoramica alternativa DeepSeek spiega come differisce dalle API dei fornitori.
Altre guide
Domande e risposte
È questa l'API ufficiale di DeepSeek?
No. È un servizio separato che esegue un modello open-weight indipendente, ID uncensored, dietro un'API compatibile con OpenAI.
Supporta la chiamata di funzioni per gli agenti di coding?
Sì. Usa tools e tool_choice, gestisci tool_calls nella risposta e restituisci i risultati come messaggi role tool. Funziona anche con lo streaming.
Quanto grande può essere il codice che invio?
La finestra è di 100.000 token per prompt più completamento, e il corpo della richiesta può essere fino a 8 MB. Verifica l'utilizzo dei token nella risposta.
Quanto costa una revisione del codice?
Un input da 50.000 token con 2.000 token di output costa $0,0085 a $0,15 e $0,50 per 1M di token.
La tua chiave è a un modulo di distanza
Crea un account, copia la chiave, modifica l'base URL. È tutta la configurazione.