DeepSeek 大模型：从一行调用到工程落地

大模型不缺能力，缺的是把能力稳定接入业务的最小路径。DeepSeek 用兼容 OpenAI 的接口和开源权重，把这条路缩短了。

一、DeepSeek 的定位

DeepSeek 是深度求索推出的大模型系列。对工程师来说，最值得关注的是三点：

1. API 兼容 OpenAI：现有代码几乎不用改，换个 base_url 和模型名即可迁移。
2. 模型分工清晰：deepseek-chat 适合通用对话、写作、抽取、RAG；deepseek-reasoner 擅长数学、代码和复杂推理。
3. 开源权重可私有化：支持本地部署，数据不出域，适合企业场景。

它不是“另一个聊天机器人”，而是一个可以嵌入业务系统的推理引擎。

二、少量代码：调用 DeepSeek

下面这段 Python 不到 12 行，跑通了流式调用 DeepSeek 的最小闭环。

from openai import OpenAI

client = OpenAI(api_key="YOUR_KEY", base_url="https://api.deepseek.com")

stream = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "用三句话解释 DeepSeek 大模型"}],
    stream=True,
)

for chunk in stream:
    print(chunk.choices[0].delta.content or "", end="")

替换 YOUR_KEY 即可运行。如果要使用推理模型，把 model 改成 deepseek-reasoner，输出中会多出 reasoning_content 字段，记录模型的思考过程。

这段代码没有处理错误、重试和并发，但它已经具备大模型应用的核心骨架：输入 → 推理 → 流式输出。

三、推理模型与普通模型怎么选

• deepseek-chat：日常对话、文案生成、信息抽取、知识库问答。响应快，成本低。
• deepseek-reasoner：数学证明、复杂代码、多步推理、逻辑分析。质量高，但 token 消耗和延迟更大。

工程上的原则是：不要用大炮打蚊子。先用 deepseek-chat 跑通流程，只有在推理任务上表现不足时，再切换到 deepseek-reasoner。

四、工程落地的五个关键点

1. 提示词即契约 明确角色、输出格式、边界条件。提示词越窄，输出越稳。
2. 结构化输出 需要 JSON 时，在提示词中给出 schema，并做后置校验。不要假设模型一定返回合法 JSON。
3. 上下文管理 多轮对话会迅速堆积 token。定期摘要、截断或向量检索，控制上下文长度。
4. 工具调用与 RAG DeepSeek 支持函数调用。把搜索、数据库、API 封装成工具，让模型决定何时调用。RAG 则解决知识时效和私有数据问题。
5. 评估与监控 记录每次调用的输入、输出、耗时和成本。用固定测试集评估准确率、幻觉率和任务完成率。没有评估，就没有迭代。

五、本地部署与私有化

如果数据敏感，可以通过 vLLM、Ollama 等框架本地部署 DeepSeek 开源权重。API 接口保持一致，业务代码无需大改。代价是需要 GPU 资源，且推理速度取决于硬件。

对多数团队来说，混合方案更现实：敏感任务本地跑，通用任务走 API。

六、结语

DeepSeek 降低了调用大模型的门槛，但工程决定上限。 先用少量代码跑通“输入 → 推理 → 输出”，再逐步加上结构化输出、RAG、工具调用、评估和监控。 模型是引擎，工程是底盘。两者合在一起，才能让大模型真正跑进业务。