中文 ▾
获取 API 密钥

getdeepseekapi.com指南

无审查 AI 编程 API:设置、成本与限制

想知道如何使用 DeepSeek API 进行编程,且接口不会拒绝安全或爬取类问题?该服务并非 DeepSeek 官方 API,而是针对单一无审查开放权重模型的 OpenAI 兼容接口,通过相同的聊天调用处理代码任务。

更新于

要点

  • 模型 ID 为 uncensored,Base URL 为 https://api.getdeepseekapi.com/v1,任何 OpenAI SDK 均可使用。
  • 拒绝机制对于安全测试、逆向工程、爬取和恶意软件分析至关重要,且均用于合法用途。
  • 50,000 token 的代码库审查输入成本低于 1 美分;30 步的代理运行成本约为 19 美分。
  • 支持工具调用、JSON 模式和流式输出,上下文窗口为 100,000 个 token。
终端显示发光的代码括号,服务器旁有一把打开的挂锁,代表无过滤的编程 API 访问

该接口是什么,不是什么

查询提到了 DeepSeek,因此在此澄清。该服务不是官方 DeepSeek API,也不路由至 DeepSeek 或其他供应商。它通过独立提供商运行一个开放权重模型,针对合法成人用途进行优化,以无内容拒绝的方式回答。你以模型 uncensored 的身份在 https://api.getdeepseekapi.com/v1 调用它,使用与 OpenAI SDK 相同的请求格式。如果你需要 DeepSeek 自己的模型,请直接使用 DeepSeek 并查阅其文档。

为什么在编写代码时使用无过滤模型?大多数编程问题在任何模型上都不会触发拒绝。但一些合法任务确实会被过滤器阻止或弱化:为自有网络编写端口扫描器、分析可疑二进制样本、对自有 API 进行模糊测试、构建爬虫、解释漏洞利用类的工作原理以便进行修补。经过调整以直接回答这些问题的模型可以节省你重新措辞所花费的时间。它不会让代码变得更好,也不会免除你合法使用它的责任。硬性限制:任何涉及未成年人的性内容,一律禁止。

两分钟完成设置

创建账户(使用 Google 或邮箱密码)并打开 API 密钥页面。新用户可一键领取 $0.50 的免费试用额度。有效期 7 天,无需绑定信用卡,每人限领一次。然后安装 SDK 并运行首次调用。

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)

较低的温度(约 0.0 到 0.3)适合代码生成。仅当你希望获得多样化的头脑风暴备选方案时,才设置较高的温度。

对整个文件或小型仓库进行代码审查

一些提示词习惯可以让任何模型上的代码回答更优。指明语言和版本,粘贴确切的错误文本而非描述它,并说明你已经尝试过的内容。要求提供 diff 或单个函数,而不是重写整个文件,因为简短的回答更便宜且更容易审查。当任务较大时,将其拆分:一次请求用于规划,第二次请求用于编写每个部分。这也能确保每个提示词都在上下文窗口内,并允许你并行运行独立的部分,直至并发限制。

100,000 token 的上下文窗口(提示词加补全)允许你在单次请求中粘贴大量源代码。粗略估算,1,000 行典型代码大约包含 10,000 到 15,000 个 token,但请通过 usage 字段进行测量,而不是依赖经验规则。

JSON 模式使审查输出对机器可读。要求固定的结构并解析它。

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)

JSON 模式保证语法有效,但不保证你的确切键,因此在使用前请检查字段是否存在。成本很小。发送 50,000 token 的代码库并获取 2,000 token 输出的成本为:输入 50,000 x 0.15 / 1,000,000 = $0.0075,输出 2,000 x 0.50 / 1,000,000 = $0.001,总计 $0.0085。

拒绝机制在编程工作中的实际表现

具体说明很有帮助,因为拒绝无害内容的过滤模型与拒绝危险内容的模型不同。以下是开发者在其他地方报告遇到摩擦的合法任务,请在所使用的任何模型上测试:

  • 你拥有或已获得书面许可测试的系统的安全测试:扫描器、模糊测试器、用于确认补丁有效的概念验证代码。
  • 逆向工程和恶意软件分析:解释反编译例程的功能。
  • 爬取和自动化:处理你自己账户上的登录、速率限制和反机器人行为。
  • 编写检测规则,这意味着首先要理解攻击的工作原理。
  • 以不寻常方式触及版权保护的游戏模组和仿真工具。

责任不会转移。如果你将输出用于你无权测试的系统,责任在你。无过滤模型的意义在于,它将你视为有理由提问的成年人,而不是认为所有用途都可接受。

小型编程代理的工具调用

工具调用允许模型请求执行操作,如运行测试。你在 tools 中定义函数,从回复中读取 tool_calls,自行运行它们,并使用 role: "tool" 返回结果。以下是一个紧凑的循环,可以运行测试命令并读取输出。

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:]})

将工具输出截断到最后 4,000 个字符可以控制上下文和成本。始终对循环步骤设置硬性上限,并且仅在沙箱或你可以承受丢失的目录中运行 shell 命令。对于现成的编辑器和终端工具,许多接受 OpenAI 兼容的 Base URL;集成文档列出了支持的参数。

代理会话的成本

代理按重复次数定价。每一步都会重新发送上下文,因此输入 token 占主导地位。费率为每 1M 输入 token $0.15,每 1M 输出 token $0.50。

假设一个会话运行 30 步,每步发送约 40,000 token 的上下文并返回约 500 token。

  • 输入:30 x 40,000 = 1,200,000 token,即 1.2 x $0.15 = $0.18
  • 输出:30 x 500 = 15,000 token,即 0.015 x $0.50 = $0.0075
  • 总计:$0.1875

按此速率,$20 的预付额度可支持超过 100 次此类会话。额度为预付制,永不过期,无订阅费用。可通过加密货币(TRC20 链上的 USDT、Base 链上的 USDC)以 $20 至 $500 之间的任意整额进行充值,满 $50 赠 +5%,满 $100 赠 +10%,满 $200 赠 +15%。失败或被拒绝的请求不扣费。详情请见 定价页面。

限制与诚实的说明

完整密钥允许 8 个并发请求和每分钟 300 个请求;试用密钥允许 2 个和每分钟 60 个。跨多个文件并行运行测试?将工作池限制在 8。超过限制时,API 返回 429:rate_limited 表示每分钟请求过多,concurrency 表示同时请求过多。临时过载返回 429 并附带 Retry-After: 5。流式请求会占用其槽位,直到流结束,因此请关闭不再需要的流。

以下是说明。我们不发布基准测试,你不应假设该模型在代码质量上优于其他模型。它是一个针对无拒绝进行优化的通用开放权重模型,而非专门的代码模型。在你自己的任务样本上测试它,并与你当前使用的任何模型进行比较。它仅支持文本,且请求体限制为 8 MB,因此无法发送大型二进制文件。提示词不用于训练,当代码是私有时这一点很重要。如果你想了解该服务的更广泛背景,DeepSeek 替代概述 解释了它与供应商 API 的区别。

问答

这是 DeepSeek 的官方 API 吗?

不是。这是一个独立服务,运行一个独立的开放权重模型(ID 为 uncensored),通过 OpenAI 兼容 API 提供服务。

是否支持编程代理的函数调用?

是的。使用 tools 和 tool_choice,在回复中处理 tool_calls,并以 role: tool 消息的形式返回结果。流式输出的工具调用同样支持。

我可以发送多大的代码库?

上下文窗口为 100,000 个 token(提示词加补全),请求体最大可达 8 MB。请在响应中查看 token 用量。

代码审查的成本是多少?

50,000 token 输入和 2,000 token 输出的成本为 $0.0085(输入 $0.15/百万 token,输出 $0.50/百万 token)。

只差一张表单,即可获得密钥

创建账户,复制密钥,更改Base URL。这就是全部设置。

获取 API 密钥