简介:DeepSeek 开放的联网搜索、网页读取、语音等能力按次或按时长计费。本文拆解计费结构,演示单次问答的成本估算,并说明搜索结果进入上下文后带来的 token 增量为什么容易被忽视。读完可以判断内置工具是否适合你的场景,并知道上线前要核对哪些价格和接口信息。
本文的价格数字来自一份未附官方链接的资料,没有核对到具体的生效日期和适用地区。下面的计算以这些数字为例,用来说明计费结构。预算之前,请以官方定价页面的最新内容为准。文中的代码是流程示意,模型名、工具标识和响应字段都需要按官方 API 文档替换。
一次调用的费用可以拆成两块:模型的 token 费用,加上服务端工具的调用费用。
模型费用按输入和输出的 token 数量计算。工具费用按调用次数或按时长计算。
资料中的价格如下,每一项都需要在官方页面上核对:
| 计费项 | 资料中的价格 | 核对状态 |
|---|---|---|
| 输入 tokens(高峰时段) | 2 元 / 百万 tokens | 待核对 |
| 输出 tokens(高峰时段) | 8 元 / 百万 tokens | 待核对 |
| 非高峰时段 | 资料称为半价 | 需确认高峰时段的定义 |
| 联网搜索或网页读取 | 5 元 / 千次 | 待核对 |
| 语音转文字 | 0.39 元 / 小时 | 资料称为限时折扣,需确认有效期 |
假设一次问答输入 3000 tokens,输出 500 tokens,并触发 1 次搜索。按上表的价格计算:
在这个例子里,工具费占总成本的三分之一。如果日均 10 万次这样的问答,工具费约为 500 元每天,token 费约为 1000 元每天。
工具费用的结构比较直接。真正难估的是多轮调用带来的 token 增量。搜索结果会被放进上下文,后面每一轮的输入都会包含这些内容。
看一个假设的例子。第一轮输入 3000 tokens,搜索结果带入 2000 tokens,第二轮的输入从 3000 增加到 5000 tokens。多出的 2000 个输入 tokens 按输入单价计算,约为 0.004 元。调用轮数越多,这部分累积得越快。这个数字来自假设,实际增量要用真实请求的 usage 记录来测。
以下代码为伪代码,用来说明请求的结构。模型名、工具标识、角色名和返回字段,都要以官方文档为准:
import os# 伪代码:占位符需替换为官方文档中的真实值client = Client(api_key=os.environ["DEEPSEEK_API_KEY"],base_url="<官方文档中的 base_url>",)response = client.chat(model="<官方文档中的模型名>",messages=[# 把当前日期和地点放进系统消息,便于模型判断搜索的时效{"role": "system", "content": "当前日期:2026-11-14,地点:上海"},{"role": "user", "content": "今天上海天气怎么样?适合出门吗?请简短回答。"},],tools=["<官方文档中的内置联网工具标识>"],)print(response.text)# 工具调用次数应从返回的 usage 字段中读取,字段名以文档为准print("工具调用次数:", response.usage.tool_calls)
相比自己接第三方搜索接口,使用内置工具可以省去搜索、抓取、正文提取和切片这几步,也省去多轮工具调用的编排代码。这一点的价值取决于你原本需要做多少这些工作。
工具是否被调用由模型决定。声明了工具,不代表每次请求都会触发搜索。所以不要按请求数去估算工具费用。
建议做三件事:
第一,工具调用不确定。同一个问题,有时会搜索,有时不会。预算要按实际调用比例估算。
第二,时效性问题要给足上下文。天气、新闻、股价这类问题,模型需要知道当前日期和地点。否则可能搜到错误日期的结果,白白花掉一次工具费。注入时间和地点的方式,可以参考官方文档推荐的