接手了一个日志分析项目，第一版图省事直接用了公司账号里默认的 deepseek-chat，结果跑批任务时经常超时。后来对比了 reasoning 模型和 flash 版本，才发现每个 API 档位都是为特定场景设计的。如果你的项目也卡在延迟或成本上，大概率不是代码问题，是版本选型没对上。
DeepSeek 四个版本，各管一摊。deepseek-chat 是全能的通用对话模型，代码生成、翻译、摘要、日常问答都行，是大多数个人项目的默认选择。deepseek-reasoner 内置了完整的推理链路，回答复杂问题前会先在内部推演过程，数学题、逻辑分析、代码排查这类任务明显更稳，代价是响应时间更长。v4-flash 主打低延迟和高吞吐，适合简单重复的请求，比如日志分类、关键词抽取、短文本打标。v4-pro 是能力上限最高的版本，长文档理解、多步推理、复杂指令遵循都是它的强项，但成本也是四档里最高的。
版本选型，重点是看任务复杂度，别凭感觉。对个人开发者来说，规则很简单：轻量任务一律 v4-flash，量大不心疼，延迟还低。日常的对话和代码生成，deepseek-chat 够用且稳定。遇到数学推理、bug 分析这种情况，直接上 deepseek-reasoner，它的内部推演能力能省下你自己的调试时间。只有当你需要同时处理几十页文档，或者多轮对话里要保持高度连贯性时，才轮到 v4-pro。
申请和配置是五分钟的事。打开 DeepSeek 开放平台，注册后进入控制台，找到 API Keys 页面创建密钥，保存好别泄露。代码里推荐用环境变量去读，避免把密钥硬编码进去。Linux 或 macOS 下执行 export DEEPSEEK_API_KEY="你的key"，Windows 则是 set DEEPSEEK_API_KEY=你的key。
调用方式很直接，DeepSeek 兼容 OpenAI 的接口格式，所以直接用 openai 库就能接上，不用额外装 SDK。安装依赖后，写这样一段代码：
client = OpenAI( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com" )
def ask(model, content): resp = client.chat.completions.create( model=model, messages=[{"role": "user", "content": content}], temperature=0.7 ) return resp.choices[0].message.content
print(ask("deepseek-chat", "用Python写一个冒泡排序"))
print(ask("deepseek-reasoner", "证明勾股定理"))
`
切换版本只需要改 model 那一行的字符串，其他代码完全不用动。reasoner 不需要额外写 prompt 引导它推理，直接给问题就好，它自己会展开内部思考链。如果想把推理过程完整拿出来查看，响应体里有专门的 reasoning_content 字段，平时用不上，调试时倒是挺方便的。
说实话，版本选型这种事情，看参数表远不如实际跑一遍来得直观。拿几个真实请求各打一遍，对照
如果你也想试试一个Key调多个模型的方便，可以看看充站——¥50起步，额度永久有效，用支付宝/微信就能付款。