TL;DR：DeepSeek V3 和 R1 已经火了大半年，但真正用起来效果怎么样？本文用 3 个真实开发案例告诉你：API 调用方式、价格对比、代码质量实测、踩坑实录。结论：国产大模型能打，但要用对场景。

1. 先说结论

DeepSeek 目前有两款主力模型：

  • DeepSeek V3：通用大模型，适合日常对话、代码生成、文档处理
  • DeepSeek R1：推理模型，适合复杂推理、数学、逻辑分析

我分别用这两个模型跑了 3 个真实开发场景，先看结论：

场景 DeepSeek V3 GPT-4o 结论
代码生成（Python） ⭐⭐⭐⭐ ⭐⭐⭐⭐⭐ V3 稍逊，但差距不大
代码生成（Go / Rust） ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ V3 反超，中文注释更好
复杂逻辑推理 ⭐⭐⭐⭐（R1） ⭐⭐⭐⭐⭐ R1 接近 GPT-4o
中文理解与表达 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ V3 更懂中国开发者
价格（1M Tokens） ¥1 / ¥2 ¥75 / ¥30 V3 便宜 70 倍

2. DeepSeek API 基础调用

2.1 获取 API Key

DeepSeek API 通过 硅基流动（SiliconFlow） 或 DeepSeek 官方平台 接入。我推荐用硅基流动（国内可直接访问）：

1. 注册并获取 API Key

# 访问 https://www.siliconflow.cn/
# 注册账号 → 个人中心 → API Keys → 创建新 Key

# 获取到的 Key 格式类似：sk-xxxxxxxxxxxxxxxx

2.2 Python 调用 DeepSeek V3

Python

import openai

client = openai.OpenAI(
    api_key="your-siliconflow-api-key",
    base_url="https://api.siliconflow.cn/v1"
)

response = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V3",
    messages=[
        {"role": "system", "content": "你是一个资深 Python 后端工程师。"},
        {"role": "user", "content": "用 FastAPI 写一个用户认证的 API，包含注册和登录接口。"}
    ],
    temperature=0.7,
    max_tokens=2000
)

print(response.choices[0].message.content)

2.3 调用 DeepSeek R1（推理模型）

Python

import openai

client = openai.OpenAI(
    api_key="your-siliconflow-api-key",
    base_url="https://api.siliconflow.cn/v1"
)

response = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-R1",
    messages=[
        {"role": "user", "content": "有 100 个球的盒子，第一次取出一半，第二次取出剩下的三分之一，第三次取出剩下的四分之一，以此类推。第100次取出剩下球的1/101。问最后剩下多少球？"}
    ]
)

# R1 会输出推理过程 + 最终答案
print(response.choices[0].message.content)

3. 案例 1：代码生成对比（Python / Go / Rust）

测试任务

用同一个 Prompt 分别让 DeepSeek V3 和 GPT-4o 生成代码，对比质量。

Prompt

用 [语言] 写一个连接 MySQL 数据库的工具类，要求：
1. 支持连接池
2. 自动重连机制
3. 错误处理和日志记录
4. 包含 CRUD 操作示例
5. 用中文写注释

Python 结果对比

维度 DeepSeek V3 GPT-4o
代码完整性 ✅ 有连接池、重连、CRUD ✅ 有连接池、CRUD
中文注释 ✅ 详细 ⚠️ 少量
异常处理 ✅ 完善 ✅ 完善
现代 Python 写法 ⚠️ 用了部分 async ✅ async/await 全覆盖
可直接运行 ✅ 改个配置就能跑 ✅ 改个配置就能跑

结论：V3 的 Python 代码质量接近 GPT-4o，中文注释是加分项。但 async 写法和 GPT-4o 比还有差距。

Go / Rust 结果对比

有趣的是，在 Go 和 Rust 上，V3 的表现反而更好：

  • Go 代码：V3 生成的代码风格更符合 Go 习惯，GPT-4o 有时会用 Python 思维写 Go
  • Rust 代码：V3 对 Rust 所有权机制的理解更准确，GPT-4o 偶尔会写出借检查错误

实测结论：如果你的主力语言是 Go 或 Rust，DeepSeek V3 完全可以替代 GPT-4o，而且便宜 70 倍。

4. 案例 2：复杂推理任务（R1 vs GPT-4o）

测试任务

Prompt

有一个长度为 100 的数组，里面包含了 1-100 的所有整数打乱顺序排列。
但是其中有一个数字重复了两次，另一个数字缺失了。
请设计一个算法，在 O(n) 时间复杂度和 O(1) 空间复杂度下找出重复的数字和缺失的数字。
请用 Python 实现并给出详细解释。

R1 的输出（推理过程）

DeepSeek R1 输出

让我分析这个问题：

## 推理过程

设数组为 A，长度为 n=100。
包含 1-100 的所有数字，但其中：
- 某个数字 d 出现了两次（重复）
- 某个数字 m 缺失了（缺失）

根据数学推导：
1. sum(A) = sum(1..100) + d - m
   = 5050 + d - m
2. 所以：d - m = sum(A) - 5050

3. sum(A²) = sum(1²..100²) + d² - m²
   = 338350 + d² - m²

4. 联立方程求解 d 和 m

## Python 实现
def find_dup_and_missing(nums):
    n = 100
    total_sum = n * (n + 1) // 2
    total_square = n * (n + 1) * (2 * n + 1) // 6

    actual_sum = sum(nums)
    actual_square = sum(x * x for x in nums)

    diff = actual_sum - total_sum        # d - m
    diff_square = actual_square - total_square  # d² - m²

    # (d + m) = (d² - m²) / (d - m)
    sum_dm = diff_square // diff
    duplicate = (diff + sum_dm) // 2
    missing = (sum_dm - diff) // 2

    return duplicate, missing

R1 给出了完整的数学推导过程和代码，比 GPT-4o 更详细。

5. 案例 3：构建一个 AI 代码审查 Bot

实战场景

用 DeepSeek API 搭一个代码审查 Bot：接收 GitHub PR，自动分析代码并给出审查意见。

Python - AI 代码审查 Bot

import openai
import requests

client = openai.OpenAI(
    api_key="your-api-key",
    base_url="https://api.siliconflow.cn/v1"
)

def review_code(diff_content: str, language: str) -> str:
    """对代码 diff 进行审查"""
    response = client.chat.completions.create(
        model="deepseek-ai/DeepSeek-V3",
        messages=[
            {
                "role": "system",
                "content": """你是一个资深代码审查专家。
重点关注：
1. 潜在的 Bug 和安全问题
2. 代码可读性和可维护性
3. 性能问题
4. 边界条件处理

输出格式：
## 总体评分：[X/10]
## 优点：[列举]
## 问题：[问题列表，每条标注严重程度：高/中/低]
## 建议：[改进建议]"""
            },
            {
                "role": "user",
                "content": f"请审查以下 {language} 代码的改动：\n\n{diff_content}"
            }
        ],
        temperature=0.3
    )
    return response.choices[0].message.content

def post_review_comment(github_token: str, repo: str, pr_number: int, comment: str):
    """将审查结果作为评论发到 GitHub PR"""
    url = f"https://api.github.com/repos/{repo}/issues/{pr_number}/comments"
    headers = {
        "Authorization": f"token {github_token}",
        "Accept": "application/vnd.github.v3+json"
    }
    data = {"body": f"## 🤖 AI 代码审查\n\n{comment}"}
    requests.post(url, headers=headers, json=data)

# 使用示例
diff = """+ def calculate_discount(price, rate):
+     return price * rate
+ # 缺少参数校验"
review = review_code(diff, "Python")
print(review)

审查效果实测

输入：一个修复登录 Bug 的 PR，包含约 200 行代码改动
DeepSeek V3 审查时间：约 8 秒
审查结果：识别出 3 个问题：
1. ⚠️ 高：缺少密码加密（安全）
2. ⚠️ 中：异常处理过于宽泛
3. 💡 低：缺少单元测试

6. 价格对比

模型 输入价格（元/百万 Tokens） 输出价格（元/百万 Tokens） 相对成本
DeepSeek V3 ¥1 ¥2 基准
DeepSeek R1 ¥1 ¥16 V3 的 8 倍（输出）
GPT-4o ¥75 ¥30 V3 的 15-75 倍
Claude 3.5 Sonnet ¥22 ¥110 V3 的 22-55 倍

V3 的价格是 GPT-4o 的 1/75，Claude 的 1/55。

⚠️ 注意：DeepSeek 官方 API 有时不稳定（高峰期响应慢）。建议生产环境同时接入硅基流动作为备选。

7. 总结：什么时候用 DeepSeek

场景 推荐模型 理由
日常代码生成 ✅ DeepSeek V3 便宜 + 中文好
Go / Rust 开发 ✅ DeepSeek V3 比 GPT 更懂
Python async 代码 ⚠️ GPT-4o V3 async 写法稍弱
复杂数学推理 ✅ DeepSeek R1 推理过程详细
生产环境高并发 ⚠️ 需加备选 官方 API 有时不稳

DeepSeek 的价值不是「替代 GPT」，而是「让 AI 开发真正进入千家万户」——以前只有大公司才能用得起的 AI 能力，现在个人开发者一个月几十块钱就能用。

我的建议：日常开发用 V3，省钱够用；复杂推理任务用 R1，效果接近 GPT-4o，价格只有十分之一。

如果对你有帮助，欢迎在评论区聊聊你用 DeepSeek 的体验。

# 数据库 # java # 服务器
Logo
亚马逊云科技技术品牌专区

更多推荐

cover

大 硬 仗14小时：用2009年的上古亮机卡跑完深度学习，CPU满载但代码没崩

avatar 亚马逊云科技技术品牌专区
cover

原来AI、画图、导航都在用向量！

avatar 亚马逊云科技技术品牌专区
cover

害虫检测和识别3：基于深度学习YOLO26神经网络实现害虫检测和识别(含训练代码、数据集和GUI交互界面）

avatar 亚马逊云科技技术品牌专区