最近调 DeepSeek 接口时踩了个坑：不同版本模型的行为差异比想象中大。一开始图省事直接调了 deepseek-chat，结果让它做逻辑推理题，答案总差口气。后来换成 deepseek-reasoner，顿悟原来版本选择才是第一步。
DeepSeek 对外主要分成两大流派。deepseek-chat（也就是之前的 V3 系列）是通用对话模型，响应快、成本低，适合日常聊天、文本改写、信息抽取这类任务。deepseek-reasoner 则对应 R1 系列，会在回答前进行长链推理，输出端会带上详细的思考过程，适合数学、代码调试、复杂逻辑判断。
后来又看到了 v4-flash 和 v4-pro 的区分。按文档里的描述，v4-flash 是轻量高速版，主打低延迟高并发，适合实时交互或批量处理短文本；v4-pro 则面向高难度任务，能力上限更高，但延迟和单价都会上去。个人感觉版本选择的核心逻辑是：别用大炮打蚊子，也别拿菜刀砍大树。
要把 API 跑起来，先得去 DeepSeek 开放平台注册账号。注册后进控制台创建一个 API Key，创建时记得选好权限范围，个人开发建议只开需要的接口权限。Key 只显示一次，随手存进环境变量，别硬编码在代码里。
本地环境需要 Python 3.8 以上，装 openai 库或 requests 都行。DeepSeek 的 API 兼容 OpenAI 格式，所以直接用 OpenAI SDK 改 base_url 是最省事的路径：
第一步，配置客户端。在 Python 里指定 API base 为 https://api.deepseek.com，并把自己的 Key 填进去：
client = OpenAI(
api_key="sk-你的key",
base_url="https://api.deepseek.com"
)
`
第二步，按任务选模型发请求。想快速拿结果，用 deepseek-chat 或 v4-flash；需要深度推理就用 deepseek-reasoner 或 v4-pro。比如让模型解一个鸡兔同笼问题：
print(resp.choices[0].message.content)
`
reasoner 模型的返回里会多一个 reasoning_content 字段，存的是模型中间推理过程。普通聊天不需要这个字段，直接看 content 即可。
第三步，处理返回和异常。实践中有两个坑容易踩：一是模型名写错，DeepSeek API 的模型名是 deepseek-chat 和 deepseek-reasoner，不是随便填的；二是超时默认 60 秒，reasoner 或 pro 模型思考时间长，要记得调大 timeout。另外流式响应建议加上 stream=True，对长输出更友好，避免一次性拉取超时。
如果是做一个工具类应用，优先 deepseek-chat，便宜量大。需要处理复杂逻辑且对响应时间不敏感，切 deepseek-reasoner，但要做好费用比普通模型高几倍的心理准备。v4-flash 适合做客服机器人这类实时交互场景，v4-pro 留给离线分析或高质量写作。我的习惯是：先在 chat 上跑通逻辑，再测试哪个任务需要更强模型，用 reasoner 做最终答案生成。保持模型名在项目配置里而不是硬编码，方便随时切换。
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。