上周给一个内部工具接 AI 能力，打开文档看到一串模型名：deepseek-chat、deepseek-reasoner，还有 v4-flash、v4-pro。第一反应是选最便宜的，结果在分类抽取任务上输出开始跑偏；换到最强的，账单又开始让人心疼。来回试了几轮才明白，选模型的关键不在哪个“最好”，而在哪个任务该用哪个。
一个 DeepSeek 开放平台账号，实名认证后创建 API Key，充值少量余额即可开跑——个人开发者不用一上来就充大额，二三十块足够跑几千次对话。SDK 方面，DeepSeek 的接口兼容 OpenAI 协议，直接 pip install openai 就行，不需要额外装专用包。真正要提前想清楚的，是调用量级和延迟要求，这直接决定后面的模型选择。
deepseek-chat 是默认选择，通用对话、文案改写、常规问答都够用，响应快、单价低，绝大多数业务逻辑先用它跑通。
deepseek-reasoner 带思维链，适合数学推导、复杂逻辑判断、多步代码调试。代价是输出 token 明显变多、延迟更高，简单任务上用它纯属浪费。
v4-flash 更轻更快，适合高并发的分类、打标、信息抽取这类“输入短、判断简单、量大”的活。
v4-pro 在复杂指令遵循和长上下文任务上更稳，适合关键链路，比如对外产品的核心问答，或者代码 agent 的主循环。
一句话：默认 chat，卡在推理上换 reasoner，量大的简单活上 flash，关键场景上 pro。具体模型名和定价以官方文档为准，版本迭代挺快。
client = OpenAI(api_key="sk-xxx", base_url="https://api.deepseek.com")
resp = client.chat.completions.create(
model="deepseek-chat",
messages=[{"role": "user", "content": "把这段话改成正式语气：这活儿干完了"}],
temperature=0.7,
)
print(resp.choices[0].message.content)
`
换模型只改 model 字段。用 reasoner 时注意两点：一是温度参数基本无效，别费劲调；二是推理过程在 message.reasoning_content 里，正文才在 content。生产环境建议开 stream=True，首字延迟体验好很多，同时给客户端设 60 秒以上超时并加一次重试，reasoner 偶尔会慢到让你怀疑卡死。
别一上来就压测所有模型，拿十几条真实业务样本跑一遍对比，比看参数表有用得多。把模型名写成配置项而不是硬编码，后面换版本只改一行。成本上先盯 token 用量，尤其是 reasoner 的输出量，很容易在无知觉中翻几倍。
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。