DeepSeek API接入:成本怎么算

作者:渣渣辉2026.11.17 03:22浏览量:0

简介:本文说明DeepSeek工具类API的计费结构,给出模型费用与工具费用叠加的成本测算公式,并提供带超时、重试和错误处理的接入示例与上线前检查清单,帮助开发者在接入前估算真实总成本,避免预算超支。

一、先弄清楚你要为哪部分付费

DeepSeek 开放平台的对话接口可以在请求中调用联网搜索、网页读取等能力。这类调用的费用通常分成两部分。模型部分按 token 计费,工具部分按次或按时长计费。一次请求的实际成本是两部分相加的结果。

判断是否值得接入,关键看业务是否真的需要这些工具。普通问答只消耗模型 token,成本主要由输入和输出长度决定。如果每次请求都触发搜索,工具费用可能比模型费用更高,需要单独核算。

二、关于价格:以官方价目页为准

本文不列出具体单价。价格会调整,文中数字也没有逐项对照官方文档核实。计算前,请在官方价目页确认以下口径:

  • 模型输入、输出的单价,以及是否区分高峰与非高峰时段。
  • 缓存命中的输入 token 是否有单独价格。
  • 搜索、网页读取等工具按调用次数计费,还是按返回结果计费,失败调用是否计费。
  • 语音识别、语音合成、文件解析的计费单位(按时长、按页或按次),以及限时优惠的截止时间。

价格口径确认后,再代入下一节的公式。

三、成本怎么算:用变量写公式

先定义变量:

  • N:每天的请求次数。
  • I:单次请求的平均输入 token 数。
  • O:单次请求的平均输出 token 数。
  • p_in、p_out:每百万输入、输出 token 的单价。
  • r:触发工具调用的请求比例。
  • p_t:单次工具调用的单价。
  • R:失败重试率,重试请求同样计费。

日成本的近似公式为:

日成本 ≈ N × (1 + R) × [ (I × p_in + O × p_out) / 1,000,000 + r × p_t ]

如果有缓存,可以把输入部分拆开计算,缓存命中的 token 按缓存单价计费,未命中的按普通输入单价计费。

下面用假设数字演算,这些数字只用于演示计算方法,不代表官方价格。假设 N = 1000,I = 1000,O = 500,p_in = 2 元/百万 token,p_out = 8 元/百万 token,p_t = 0.005 元/次,R = 0。

模型部分:输入 100 万 token,费用 2 元;输出 50 万 token,费用 4 元。模型合计 6 元/天。

工具部分随触发比例变化:

触发比例 r 工具费用(元/天) 日总成本(元/天)
0% 0 6
30% 1.5 7.5
100% 5 11

结论很直接。普通问答的成本主要在模型部分。每个请求都强制搜索时,工具费用会使总成本接近翻倍。因此,应当只在确有需要时触发工具。

失败重试会按比例放大成本。假设重试率为 5%,上表的 11 元会变成 11.55 元。非高峰时段的模型折扣会降低模型部分,但工具费用不变。这些敏感性变量都应当替换为自己日志中的真实数据,再做预算。

四、按场景判断是否接受这个成本

可以按三类场景判断。

第一类是低频使用的个人项目或原型。模型费用通常可控,工具可以按需开启,整体风险较低。

第二类是实时信息问答,例如天气、新闻、股价、政策查询。这类场景依赖搜索,成本应与用户价值挂钩。可以先用简单规则或小模型判断问题是否需要最新信息,只在需要时才触发搜索,其余问题直接用模型回答。

第三类是语音和文件处理,例如会议纪要、客服录音转写、文档解析。这类场景除了计费,还要考虑识别准确率、响应延迟、文件大小与时长上限,以及失败后的重试方式。

上线前可以用下面的问题做选型检查:

  • 这个请求是否必须联网?
  • 单次搜索带来的用户价值,是否高于工具费用?
  • 每天的语音时长大约是多少小时?
  • 文件的大小和页数是否在官方限制内?
  • 工具失败时,能否退化为普通模型回答?

五、接入前检查清单

  • 已在控制台创建 API Key,并确认该 Key 有调用权限。
  • 需要的工具(搜索、网页读取、语音、文件)已开通,账户余额或配额充足。
  • 模型名从官方模型列表复制,不凭经验手写。
  • SDK 版本支持所用接口,并已在测试环境跑通。
  • 已确认限流(每秒请求数、并发数)和每日配额上限。
  • API Key 只保存在服务端,不写入前端代码、仓库或日志。

六、示例代码

运行环境为 Python 3.9 及以上版本。先安装或升级 OpenAI SDK:

  1. pip install --upgrade openai
  2. export DEEPSEEK_API_KEY="你的密钥"

下面的示例演示了基础调用、超时设置、指数退避重试和错误分类。代码使用 OpenAI 兼容格式的 Chat Completions 接口,消息角色为标准的 system、user 和 assistant。

```python
import os
import time

from openai import OpenAI, APIConnectionError, APITimeoutError, RateLimitError, APIError

client = OpenAI(
api_key=os.environ[“DEEPSEEK_API_KEY”], # 从环境变量读取,不写入代码
base_url=”https://api.deepseek.com“,
timeout=30.0, # 单次请求超时时间(秒)
max_retries=0, # 重试由下方函数统一控制,避免重复计费
)

MODEL_NAME = “deepseek-chat” # 请以官方模型列表为准

def ask(question: str, max_attempts: int = 3) -> str:
messages = [
{“role”: “system”, “content”: “你是简洁的中文助手,回答不超过三句话。”},
{“role”: “user”, “content”: question},
]

  1. for attempt in range(1, max_attempts + 1):
  2. try:
  3. resp = client.chat.completions.create(
  4. model=MODEL_NAME,
  5. messages=messages,
  6. )
  7. return resp.choices[0].message.content
  8. except (APITimeoutError, APIConnectionError, RateLimitError):
  9. if attempt == max_attempts:
  10. raise
  11. time.sleep(2 ** attempt) # 指数退避:等待 2 秒、4 秒
  12. except APIError:
  13. raise # 鉴权失败、参数错误等不可重试的错误直接抛出
  14. raise RuntimeError("重试