最近参加了关于 DeepSeek 的一次投资者交流方向讨论内容虽然没有完全向外公开但折射出来的技术问题非常值得开发者关注模型成本、开源策略、API 开放能力、私有化部署形态最终都会落到“开发者如何把 DeepSeek 用起来”这件事上。本文不想停留在会议解读层面而是从实际开发视角出发完整梳理 DeepSeek 的 API 调用、OpenAI SDK 兼容方式、Codex CLI 接入 DeepSeek 时的配置与报错排查、VSCode 插件接入、本地部署思路以及大家问得最多的第三方工具链安全问题。如果你正准备把手里的编码助手、内部工具或业务系统接入 DeepSeek这篇文章可以直接作为一份操作手册来用。1. 投资者关心什么开发者就该关心什么1.1 投资者视角的技术关键词在围绕 DeepSeek 的公开讨论中投资者和行业观察者反复提到几个关键词训练成本、推理成本、开源权重、API 定价、生态兼容性。这些词看起来是商业话题但拆开之后全部对应着开发者的真实操作场景。训练成本决定了模型的迭代节奏推理成本决定了 API 的长期价格稳定性开源权重决定了企业能不能做私有化部署API 兼容性决定了大家能否拿现有的 OpenAI SDK、Codex CLI、Continue 插件直接切换模型。所以投资者会议上的“战略问题”落到工程师手里就是一行 base_url 配置、一个 model 参数、一次密钥申请。1.2 开发者真正要解决的四个问题不管 DeepSeek 的模型能力宣传得多么好开发者在实际接入时只关心四件事怎么通过 API 调用 DeepSeek 模型最好能兼容现有 OpenAI SDK。怎么把 DeepSeek 接入到 Codex、VSCode、Cline 这类编码工具里。关键代码在数据和内网环境下能不能本地部署。遇到 HTTP 400、401、超时这类报错时怎么快速定位。这篇文章会按照这个逻辑顺序展开。每个环节都会给可直接复制的配置和代码并说明为什么要这样配置。2. 环境准备与版本说明在开始写代码之前先把环境统一一下。本文示例基于以下环境读者需要根据自己的实际版本做调整。项目推荐环境说明操作系统Windows 10/11、macOS、Linux本文命令以 macOS/Linux 为主Windows 下注意 PATH 差异Python3.9 及以上调用 API 测试脚本使用Node.js18 及以上Codex CLI 等工具依赖OpenAI SDKopenai1.0DeepSeek 兼容 OpenAI 请求格式Codex CLI最新版配置可能随版本变化VSCode最新稳定版配合 Continue 或 Cline 插件Ollama最新版本地部署可选需要说明的是DeepSeek 的模型版本、API 接口地址和价格都在持续更新本文不写死具体版本号。实际操作时请以 DeepSeek 开放平台当前文档为准重点关注模型名称和 base_url 这两个字段。3. DeepSeek API 调用实战3.1 获取 API Key在开始调用前先到 DeepSeek 开放平台完成注册创建 API Key。这里有三点安全建议API Key 本质上是你的账户凭证不要提交到 Git 仓库。不要在前端代码里直接暴露。建议在服务端或本地环境变量中管理。在终端里设置环境变量# macOS/Linux export DEEPSEEK_API_KEYsk-xxxxxxxxxxxx # Windows PowerShell $env:DEEPSEEK_API_KEYsk-xxxxxxxxxxxx3.2 安装依赖DeepSeek 的接口兼容 OpenAI 的请求格式所以直接使用 OpenAI 的 Python SDK 即可。pip install --upgrade openai3.3 最小可运行示例下面这个脚本是最小可运行的 DeepSeek API 调用示例不需要额外配置文件。# 文件路径deepseek_demo.py from openai import OpenAI client OpenAI( api_keysk-xxxxxxxxxxxx, base_urlhttps://api.deepseek.com ) resp client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: 你是一个 Python 技术助手。}, {role: user, content: 请用一句话说明什么是 API。} ], temperature0.7, max_tokens512, streamFalse ) print(resp.choices[0].message.content)运行python deepseek_demo.py预期输出是一段对 API 概念的简短解释。很多第一次接触 DeepSeek API 的同学会卡在base_url上。这里需要明确DeepSeek提供的是兼容 OpenAI 格式的 HTTP 服务但地址不是api.openai.com而是https://api.deepseek.com。如果你的代码此前是给 OpenAI 用的只需要修改base_url、api_key和model三个地方即可。3.4 参数说明model是一个很关键的参数。一般会看到两类模型名称deepseek-chat通用对话模型速度快适合日常代码补全、问答。deepseek-reasoner推理增强模型适合数学、逻辑、复杂问题拆解。temperature控制随机性编码场景建议保持在0.2到0.7之间过高的随机性会让生成的代码不稳定。max_tokens控制最大输出长度如果生成内容被截断优先调大这个值。stream参数在生产环境很重要。长文本输出时建议开启流式否则前端会一直等待整个响应完成后才渲染。# 流式输出示例 stream client.chat.completions.create( modeldeepseek-chat, messages[ {role: user, content: 用 Python 写一个快速排序} ], streamTrue ) for chunk in stream: delta chunk.choices[0].delta.content if delta: print(delta, end)使用流式输出时需要逐个处理delta.content不能直接用choices[0].message.content取值。这是很多初学者容易踩的坑。4. Codex CLI 接入 DeepSeek配置与经典报错4.1 Codex CLI 支持自定义模型供应商OpenAI 的 Codex CLI 是目前比较流行的终端编码助手。很多人不知道的是Codex CLI 支持通过配置文件使用自定义的模型供应商兼容 OpenAI 协议的服务都可以接入DeepSeek 也不例外。在实际接入过程中最常遇到的报错是cc switch local proxy failed while handling codex endpoint /responses. provider: deepseek; upstream_status: http 400; cause: the reasoning_content in the thinking mode must be passed back to the api.这个报错的大致含义是当使用 DeepSeek 的推理模型时模型返回了reasoning_content字段该字段包含模型内部的思维链内容在下一轮请求中如果这个字段没有回传给服务端服务端就会返回 HTTP 400。4.2 为什么会出现 reasoning_content 报错普通模型返回的只有content而 DeepSeek 的推理模型除了content之外还会返回reasoning_content。这是模型在生成最终答案之前产生的中间推理过程。问题在于像 Codex 这类工具在封装请求时通常只会把content作为下一轮对话的上下文提交并不会自动把reasoning_content一起回传。当工具或者中间的代理层没有适配 DeepSeek 的字段时服务端发现缺少必要字段就会返回 400。明白了原因解决方案就比较清晰了尽量避免在编码场景使用推理模型改用deepseek-chat。升级 Codex CLI 或相关代理工具到支持 DeepSeekreasoning_content回传的版本。使用支持 OpenAI 兼容协议且专门适配了 DeepSeek 的工具。如果使用了 CC Switch 等辅助工具检查其是否有针对 DeepSeek 的专门配置。4.3 Codex CLI 配置 DeepSeek 示例Codex CLI 的配置文件位于用户目录下需要手动创建或修改。# 文件路径~/.codex/config.toml model_providers [ { name deepseek, base_url https://api.deepseek.com, env_key DEEPSEEK_API_KEY, wire_api chat } ] model deepseek-chat配置完成后启动 Codex CLIexport DEEPSEEK_API_KEYsk-xxxxxxxxxxxx codex如果你在 Codex 中无法直接使用deepseek-chat可以把model改成实际可用的模型名同时确认配置中的base_url是否包含/v1路径。DeepSeek 的接口地址可能有多种写法官方文档允许https://api.deepseek.com和https://api.deepseek.com/v1两种形式具体以当前文档为准。这里有一个重要的工程建议编码工具的主模型优先选择非推理模型。原因很简单推理模型每次回答前都要生成思维链响应延迟更高token 消耗也更大。在 IDE 补全、终端命令生成这些场景下通用对话模型的性价比明显更高。5. VSCode 接入 DeepSeekContinue 插件示例除了终端里的 Codex很多同学更习惯在 VSCode 里使用 AI 编码插件。Continue 是常见选择它支持自定义模型提供商配置方式比较直观。5.1 安装 Continue 插件在 VSCode 扩展市场中搜索 “Continue”安装后左侧会出现 Continue 图标。Continue 的配置核心是config.json文件不同版本路径略有差异一般可以通过 Continue 面板的配置入口打开。5.2 配置 DeepSeek以下是一个最小可用的 Continue 配置片段。{ models: [ { title: DeepSeek Chat, provider: openai, model: deepseek-chat, apiBase: https://api.deepseek.com, apiKey: YOUR_DEEPSEEK_API_KEY } ] }你也可以使用~/.continue/config.json路径来管理使用环境变量引用密钥{ models: [ { title: DeepSeek Chat, provider: openai, model: deepseek-chat, apiBase: https://api.deepseek.com, envKey: DEEPSEEK_API_KEY } ] }这里provider设置为openai是因为 Continue 通过 OpenAI 兼容协议来访问 DeepSeek并不是说你的请求会发送给 OpenAI。apiBase才是真正决定请求地址的字段。配置完成后在 Continue 面板选择DeepSeek Chat模型就可以开始提问和补全了。如果你在 VSCode 里用的是 Cline 插件配置思路类似找到 API Provider 设置选择 OpenAI 兼容格式填入 DeepSeek 的base_url、API Key 和模型名即可。不同插件界面的字段名可能有差异但核心参数都是这三个。6. 本地部署 DeepSeekOllama 与私有化思路6.1 为什么需要本地部署使用官方 API 是最省事的方式但在很多企业内部场景下数据不能出内网或者业务对延迟和成本有严格限制这时候就需要本地部署。本地部署通常有两条路线使用 Ollama 等工具拉取量化模型权重本地快速试验。使用 vLLM、SGLang 等推理框架部署完整服务适合生产环境。本文重点介绍 Ollama 路线因为它对新手最友好也方便后面接入 Codex 等工具。6.2 用 Ollama 运行 DeepSeek 模型安装 Ollama 后先拉取模型再运行ollama pull deepseek-r1 ollama run deepseek-r1执行ollama run后会进入交互式对话界面可以直接提问。如果运行时报显存不足可以尝试更小的量化版本例如带上:7b这类参数选择更小规模的模型。但需要注意不同机器的显存情况差异很大模型量化级别、上下文长度都会影响实际占用不要盲目照搬网上的参数。Ollama 启动后会默认在本机暴露一个兼容 OpenAI 协议的接口http://localhost:11434/v1这意味着你甚至可以把它配置成 Codex CLI 的 providermodel_providers [ { name ollama, base_url http://localhost:11434/v1, wire_api chat } ] model deepseek-r1本地部署的价值不仅仅是省钱。在开发阶段你可以随意调试提示词不用担心 API 成本在数据敏感场景模型权重和推理过程全部保留在内网降低了数据出域风险。但也要看到本地模型的能力上限、响应速度和并发能力通常弱于官方 API更适合作为实验和辅助工具而不是无脑替代云端服务。6.3 私有化部署的工程边界如果你是负责企业基础设施的工程师建议在生产环境使用 vLLM 这类推理框架而不是直接用 Ollama 对外提供服务。Ollama 适合个人开发机和小规模验证vLLM 在并发控制、显存管理、连续批处理方面更适合生产负载。另外本地部署不等于彻底安全。模型权重本身、推理日志、用户输入都会存在于服务器上仍然需要做好访问控制、日志脱敏和模型版本管理。不要把私有化部署当成“只要不用云端就安全了”这么简单。7. 第三方工具链与安全提示harness、hermes 等名字要谨慎从最近的社区讨论来看很多开发者都在搜 “DeepSeek Harness 安装”“DeepSeek Hermes 下载”“DeepSeek Harness 官网”“DeepSeek Harness 桌面版”之类的内容。这里要特别提醒这类名称在不同的社区和第三方项目里可能指代完全不同的东西。DeepSeek 本身是一个模型和 API 服务提供商围绕它产生的第三方工具、插件、桌面客户端非常多。一些工具的名字很相似比如 “harness”“hermes” 等但维护者、功能、质量参差不齐。如果确实需要安装这类工具请按以下原则排查优先从官方文档入口或知名开源社区下载不要轻信搜索引擎里来路不明的“官网”。安装前检查项目是否有源码仓库、发布页面和版本记录。不要随意给桌面端工具授予系统级权限。涉及 API Key 的工具优先选择支持环境变量或本地加密存储的版本。如果工具要求输入企业内网地址或数据库连接串务必保持警惕。一个稳妥的做法是优先使用官方 API 通用 SDK 你熟悉的 IDE 插件完成需求不一定要追逐第三方桌面客户端。第三工具往往能提升效率但在不确定来源的情况下安全风险更高。8. 常见问题与排查清单下面汇总接入 DeepSeek 过程中最常见的问题和排查思路。问题现象常见原因解决思路HTTP 400提示 reasoning_content 必须回传使用推理模型时中间推理字段未在下一轮请求中回传升级工具版本适配 DeepSeek 字段编码场景优先使用 deepseek-chatHTTP 401 UnauthorizedAPI Key 错误或未正确设置环境变量检查密钥是否有效确认代码中读取的是 /DEEPSEEK_API_KEY/ 环境变量请求超时网络波动、模型响应过长、流式未开启开启 stream设置合理超时时间检查代理返回内容被截断max_tokens 设置过小适当调大 max_tokens提示 model not found模型名称填写错误或本地部署的模型名与 API 模型名混用根据官方文档确认当前可用模型名本地 Ollama 使用ollama list查看本地部署显存不足模型规模和量化级别超过设备实际显存选择更小的量化模型降低上下文长度关闭多余程序Codex 请求实际没有走 DeepSeekbase_url 配置错误或未加载配置检查 ~/.codex/config.toml 中 provider 是否生效确认 base_url 是否包含 /v18.1 一个高频踩坑流程Codex 接入 DeepSeek 报错如果你的 Codex 接入 DeepSeek 时也遇到前面提到的reasoning_content400 错误建议按下面顺序排查确认当前使用的模型。如果是deepseek-reasoner一类的推理模型先换成deepseek-chat再测试。确认 Codex CLI 是否是最新版本。旧版本可能没有适配 DeepSeek 的 response 格式。查看配置文件中的wire_api是否为chat。检查是否使用了本地代理层比如 Codex 插件、CC Switch 等先关闭或升级再看。查看 Codex 日志定位是请求阶段报错还是响应解析阶段报错。按照这个顺序大部分 400 错误都能在五分钟内定位。9. 最佳实践与工程建议9.1 API Key 与密钥管理不要把 API Key 硬编码到代码里。建议统一使用环境变量或密钥管理服务。在 CI/CD 流程中使用 CI 系统的 Secret 功能注入密钥禁止把密钥写入镜像或日志。9.2 模型选择策略实际生产环境建议按任务类型选择模型任务类型推荐模型原因代码补全、终端命令生成、日常问答deepseek-chat响应快成本低复杂推理、数学、长链路问题拆解deepseek-reasoner推理能力强但注意 reasoning_content 回传问题本地实验、内网私有化量化版模型 Ollama/vLLM数据可控但能力弱于云端 API9.3 成本控制模型调用成本并不是只看单价还要看 token 消耗。推理模型的思维链会产生额外输出 token因此即使在单价相同的情况下实际费用也可能翻倍。建议在日志中记录每次请求的 prompt_tokens、completion_tokens 和 total_tokens便于后续做成本分析。9.4 异常重试与降级在生产环境调用推理模型时建议实现超时重试和降级策略。例如当deepseek-reasoner连续超时达到阈值时自动降级到deepseek-chat。重试时要考虑指数退避避免瞬时大量请求导致限流。9.5 日志与可观测性调用三方 AI API 时日志至少要包含请求时间、模型名、耗时。输入 token 数、输出 token 数。返回状态码和错误信息。请求 ID方便和平台侧对齐排查。注意不要把用户输入的完整敏感内容写入日志涉及个人数据时要先脱敏。9.6 关于 DeepSeek API 版本和价格的注意点最近网上的讨论中提到 DeepSeek 的 API 价格正在调整。这里的建议是以官方开放平台公示的价格为准不要依赖第三方转述。如果你已经接入 API价格调整不影响代码逻辑但要关注成本变化并在预算敏感的场景下做好 token 用量限制。另外API 接口地址、模型名称、参数行为存在随版本调整的可能。写代码时不要把模型名散落在业务代码中建议统一放在配置中心或环境变量里方便后续切换。9.7 接入策略建议对于团队项目建议先使用单模型做小流量验证再逐步扩大范围。不要一开始就在所有业务流程中接入大模型尤其不要让它直接执行写库、删数据等高风险操作。所有 AI 生成内容进入业务逻辑前都需要经过校验环节。以代码生成为例AI 生成的代码必须经过人工 review 和自动化测试不能直接合并。10. 总结如果把投资者会议里那些宏大叙事暂时放在一边DeepSeek 给普通开发者带来的最实际价值在于它以 OpenAI 兼容的 API 形式开放了模型能力让我们可以用熟悉的 SDK、工具链、插件快速接入。同时它的开源权重又给需要私有化部署的团队提供了另一条路线。本文重点梳理了四条主线通过 API 调用 DeepSeek包括最小代码示例和参数说明。通过 Codex CLI 接入 DeepSeek重点解释了reasoning_content导致的 HTTP 400 错误。通过 VSCode Continue 插件接入 DeepSeek让你在 IDE 里直接使用。通过 Ollama 本地部署 DeepSeek解决数据不出内网的需求。其中尤其要记住的是使用推理模型时reasoning_content字段必须在多轮请求中回传否则会报 400编码工具的主模型优先选择deepseek-chat可以在很大程度上规避这个坑。下一步建议你先跑通第三章的 API 示例然后用真实项目里的一个小任务测试 Codex 接入效果最后再决定是否要引入本地化部署。AI 工具的变化很快与其等所有资料都齐了再动手不如从一个最小可运行示例开始踩坑、修复、沉淀最终形成适合自己团队的接入规范。 
长河君 · 2026/8/28 23:57:27 · 阅读 1.2k DeepSeek API接入与Codex/VSCode配置指南：从OpenAI兼容到本地部署
最近参加了关于 DeepSeek 的一次投资者交流方向讨论内容虽然没有完全向外公开但折射出来的技术问题非常值得开发者关注模型成本、开源策略、API 开放能力、私有化部署形态最终都会落到“开发者如何把 DeepSeek 用起来”这件事上。本文不想停留在会议解读层面而是从实际开发视角出发完整梳理 DeepSeek 的 API 调用、OpenAI SDK 兼容方式、Codex CLI 接入 DeepSeek 时的配置与报错排查、VSCode 插件接入、本地部署思路以及大家问得最多的第三方工具链安全问题。如果你正准备把手里的编码助手、内部工具或业务系统接入 DeepSeek这篇文章可以直接作为一份操作手册来用。1. 投资者关心什么开发者就该关心什么1.1 投资者视角的技术关键词在围绕 DeepSeek 的公开讨论中投资者和行业观察者反复提到几个关键词训练成本、推理成本、开源权重、API 定价、生态兼容性。这些词看起来是商业话题但拆开之后全部对应着开发者的真实操作场景。训练成本决定了模型的迭代节奏推理成本决定了 API 的长期价格稳定性开源权重决定了企业能不能做私有化部署API 兼容性决定了大家能否拿现有的 OpenAI SDK、Codex CLI、Continue 插件直接切换模型。所以投资者会议上的“战略问题”落到工程师手里就是一行 base_url 配置、一个 model 参数、一次密钥申请。1.2 开发者真正要解决的四个问题不管 DeepSeek 的模型能力宣传得多么好开发者在实际接入时只关心四件事怎么通过 API 调用 DeepSeek 模型最好能兼容现有 OpenAI SDK。怎么把 DeepSeek 接入到 Codex、VSCode、Cline 这类编码工具里。关键代码在数据和内网环境下能不能本地部署。遇到 HTTP 400、401、超时这类报错时怎么快速定位。这篇文章会按照这个逻辑顺序展开。每个环节都会给可直接复制的配置和代码并说明为什么要这样配置。2. 环境准备与版本说明在开始写代码之前先把环境统一一下。本文示例基于以下环境读者需要根据自己的实际版本做调整。项目推荐环境说明操作系统Windows 10/11、macOS、Linux本文命令以 macOS/Linux 为主Windows 下注意 PATH 差异Python3.9 及以上调用 API 测试脚本使用Node.js18 及以上Codex CLI 等工具依赖OpenAI SDKopenai1.0DeepSeek 兼容 OpenAI 请求格式Codex CLI最新版配置可能随版本变化VSCode最新稳定版配合 Continue 或 Cline 插件Ollama最新版本地部署可选需要说明的是DeepSeek 的模型版本、API 接口地址和价格都在持续更新本文不写死具体版本号。实际操作时请以 DeepSeek 开放平台当前文档为准重点关注模型名称和 base_url 这两个字段。3. DeepSeek API 调用实战3.1 获取 API Key在开始调用前先到 DeepSeek 开放平台完成注册创建 API Key。这里有三点安全建议API Key 本质上是你的账户凭证不要提交到 Git 仓库。不要在前端代码里直接暴露。建议在服务端或本地环境变量中管理。在终端里设置环境变量# macOS/Linux export DEEPSEEK_API_KEYsk-xxxxxxxxxxxx # Windows PowerShell $env:DEEPSEEK_API_KEYsk-xxxxxxxxxxxx3.2 安装依赖DeepSeek 的接口兼容 OpenAI 的请求格式所以直接使用 OpenAI 的 Python SDK 即可。pip install --upgrade openai3.3 最小可运行示例下面这个脚本是最小可运行的 DeepSeek API 调用示例不需要额外配置文件。# 文件路径deepseek_demo.py from openai import OpenAI client OpenAI( api_keysk-xxxxxxxxxxxx, base_urlhttps://api.deepseek.com ) resp client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: 你是一个 Python 技术助手。}, {role: user, content: 请用一句话说明什么是 API。} ], temperature0.7, max_tokens512, streamFalse ) print(resp.choices[0].message.content)运行python deepseek_demo.py预期输出是一段对 API 概念的简短解释。很多第一次接触 DeepSeek API 的同学会卡在base_url上。这里需要明确DeepSeek提供的是兼容 OpenAI 格式的 HTTP 服务但地址不是api.openai.com而是https://api.deepseek.com。如果你的代码此前是给 OpenAI 用的只需要修改base_url、api_key和model三个地方即可。3.4 参数说明model是一个很关键的参数。一般会看到两类模型名称deepseek-chat通用对话模型速度快适合日常代码补全、问答。deepseek-reasoner推理增强模型适合数学、逻辑、复杂问题拆解。temperature控制随机性编码场景建议保持在0.2到0.7之间过高的随机性会让生成的代码不稳定。max_tokens控制最大输出长度如果生成内容被截断优先调大这个值。stream参数在生产环境很重要。长文本输出时建议开启流式否则前端会一直等待整个响应完成后才渲染。# 流式输出示例 stream client.chat.completions.create( modeldeepseek-chat, messages[ {role: user, content: 用 Python 写一个快速排序} ], streamTrue ) for chunk in stream: delta chunk.choices[0].delta.content if delta: print(delta, end)使用流式输出时需要逐个处理delta.content不能直接用choices[0].message.content取值。这是很多初学者容易踩的坑。4. Codex CLI 接入 DeepSeek配置与经典报错4.1 Codex CLI 支持自定义模型供应商OpenAI 的 Codex CLI 是目前比较流行的终端编码助手。很多人不知道的是Codex CLI 支持通过配置文件使用自定义的模型供应商兼容 OpenAI 协议的服务都可以接入DeepSeek 也不例外。在实际接入过程中最常遇到的报错是cc switch local proxy failed while handling codex endpoint /responses. provider: deepseek; upstream_status: http 400; cause: the reasoning_content in the thinking mode must be passed back to the api.这个报错的大致含义是当使用 DeepSeek 的推理模型时模型返回了reasoning_content字段该字段包含模型内部的思维链内容在下一轮请求中如果这个字段没有回传给服务端服务端就会返回 HTTP 400。4.2 为什么会出现 reasoning_content 报错普通模型返回的只有content而 DeepSeek 的推理模型除了content之外还会返回reasoning_content。这是模型在生成最终答案之前产生的中间推理过程。问题在于像 Codex 这类工具在封装请求时通常只会把content作为下一轮对话的上下文提交并不会自动把reasoning_content一起回传。当工具或者中间的代理层没有适配 DeepSeek 的字段时服务端发现缺少必要字段就会返回 400。明白了原因解决方案就比较清晰了尽量避免在编码场景使用推理模型改用deepseek-chat。升级 Codex CLI 或相关代理工具到支持 DeepSeekreasoning_content回传的版本。使用支持 OpenAI 兼容协议且专门适配了 DeepSeek 的工具。如果使用了 CC Switch 等辅助工具检查其是否有针对 DeepSeek 的专门配置。4.3 Codex CLI 配置 DeepSeek 示例Codex CLI 的配置文件位于用户目录下需要手动创建或修改。# 文件路径~/.codex/config.toml model_providers [ { name deepseek, base_url https://api.deepseek.com, env_key DEEPSEEK_API_KEY, wire_api chat } ] model deepseek-chat配置完成后启动 Codex CLIexport DEEPSEEK_API_KEYsk-xxxxxxxxxxxx codex如果你在 Codex 中无法直接使用deepseek-chat可以把model改成实际可用的模型名同时确认配置中的base_url是否包含/v1路径。DeepSeek 的接口地址可能有多种写法官方文档允许https://api.deepseek.com和https://api.deepseek.com/v1两种形式具体以当前文档为准。这里有一个重要的工程建议编码工具的主模型优先选择非推理模型。原因很简单推理模型每次回答前都要生成思维链响应延迟更高token 消耗也更大。在 IDE 补全、终端命令生成这些场景下通用对话模型的性价比明显更高。5. VSCode 接入 DeepSeekContinue 插件示例除了终端里的 Codex很多同学更习惯在 VSCode 里使用 AI 编码插件。Continue 是常见选择它支持自定义模型提供商配置方式比较直观。5.1 安装 Continue 插件在 VSCode 扩展市场中搜索 “Continue”安装后左侧会出现 Continue 图标。Continue 的配置核心是config.json文件不同版本路径略有差异一般可以通过 Continue 面板的配置入口打开。5.2 配置 DeepSeek以下是一个最小可用的 Continue 配置片段。{ models: [ { title: DeepSeek Chat, provider: openai, model: deepseek-chat, apiBase: https://api.deepseek.com, apiKey: YOUR_DEEPSEEK_API_KEY } ] }你也可以使用~/.continue/config.json路径来管理使用环境变量引用密钥{ models: [ { title: DeepSeek Chat, provider: openai, model: deepseek-chat, apiBase: https://api.deepseek.com, envKey: DEEPSEEK_API_KEY } ] }这里provider设置为openai是因为 Continue 通过 OpenAI 兼容协议来访问 DeepSeek并不是说你的请求会发送给 OpenAI。apiBase才是真正决定请求地址的字段。配置完成后在 Continue 面板选择DeepSeek Chat模型就可以开始提问和补全了。如果你在 VSCode 里用的是 Cline 插件配置思路类似找到 API Provider 设置选择 OpenAI 兼容格式填入 DeepSeek 的base_url、API Key 和模型名即可。不同插件界面的字段名可能有差异但核心参数都是这三个。6. 本地部署 DeepSeekOllama 与私有化思路6.1 为什么需要本地部署使用官方 API 是最省事的方式但在很多企业内部场景下数据不能出内网或者业务对延迟和成本有严格限制这时候就需要本地部署。本地部署通常有两条路线使用 Ollama 等工具拉取量化模型权重本地快速试验。使用 vLLM、SGLang 等推理框架部署完整服务适合生产环境。本文重点介绍 Ollama 路线因为它对新手最友好也方便后面接入 Codex 等工具。6.2 用 Ollama 运行 DeepSeek 模型安装 Ollama 后先拉取模型再运行ollama pull deepseek-r1 ollama run deepseek-r1执行ollama run后会进入交互式对话界面可以直接提问。如果运行时报显存不足可以尝试更小的量化版本例如带上:7b这类参数选择更小规模的模型。但需要注意不同机器的显存情况差异很大模型量化级别、上下文长度都会影响实际占用不要盲目照搬网上的参数。Ollama 启动后会默认在本机暴露一个兼容 OpenAI 协议的接口http://localhost:11434/v1这意味着你甚至可以把它配置成 Codex CLI 的 providermodel_providers [ { name ollama, base_url http://localhost:11434/v1, wire_api chat } ] model deepseek-r1本地部署的价值不仅仅是省钱。在开发阶段你可以随意调试提示词不用担心 API 成本在数据敏感场景模型权重和推理过程全部保留在内网降低了数据出域风险。但也要看到本地模型的能力上限、响应速度和并发能力通常弱于官方 API更适合作为实验和辅助工具而不是无脑替代云端服务。6.3 私有化部署的工程边界如果你是负责企业基础设施的工程师建议在生产环境使用 vLLM 这类推理框架而不是直接用 Ollama 对外提供服务。Ollama 适合个人开发机和小规模验证vLLM 在并发控制、显存管理、连续批处理方面更适合生产负载。另外本地部署不等于彻底安全。模型权重本身、推理日志、用户输入都会存在于服务器上仍然需要做好访问控制、日志脱敏和模型版本管理。不要把私有化部署当成“只要不用云端就安全了”这么简单。7. 第三方工具链与安全提示harness、hermes 等名字要谨慎从最近的社区讨论来看很多开发者都在搜 “DeepSeek Harness 安装”“DeepSeek Hermes 下载”“DeepSeek Harness 官网”“DeepSeek Harness 桌面版”之类的内容。这里要特别提醒这类名称在不同的社区和第三方项目里可能指代完全不同的东西。DeepSeek 本身是一个模型和 API 服务提供商围绕它产生的第三方工具、插件、桌面客户端非常多。一些工具的名字很相似比如 “harness”“hermes” 等但维护者、功能、质量参差不齐。如果确实需要安装这类工具请按以下原则排查优先从官方文档入口或知名开源社区下载不要轻信搜索引擎里来路不明的“官网”。安装前检查项目是否有源码仓库、发布页面和版本记录。不要随意给桌面端工具授予系统级权限。涉及 API Key 的工具优先选择支持环境变量或本地加密存储的版本。如果工具要求输入企业内网地址或数据库连接串务必保持警惕。一个稳妥的做法是优先使用官方 API 通用 SDK 你熟悉的 IDE 插件完成需求不一定要追逐第三方桌面客户端。第三工具往往能提升效率但在不确定来源的情况下安全风险更高。8. 常见问题与排查清单下面汇总接入 DeepSeek 过程中最常见的问题和排查思路。问题现象常见原因解决思路HTTP 400提示 reasoning_content 必须回传使用推理模型时中间推理字段未在下一轮请求中回传升级工具版本适配 DeepSeek 字段编码场景优先使用 deepseek-chatHTTP 401 UnauthorizedAPI Key 错误或未正确设置环境变量检查密钥是否有效确认代码中读取的是 /DEEPSEEK_API_KEY/ 环境变量请求超时网络波动、模型响应过长、流式未开启开启 stream设置合理超时时间检查代理返回内容被截断max_tokens 设置过小适当调大 max_tokens提示 model not found模型名称填写错误或本地部署的模型名与 API 模型名混用根据官方文档确认当前可用模型名本地 Ollama 使用ollama list查看本地部署显存不足模型规模和量化级别超过设备实际显存选择更小的量化模型降低上下文长度关闭多余程序Codex 请求实际没有走 DeepSeekbase_url 配置错误或未加载配置检查 ~/.codex/config.toml 中 provider 是否生效确认 base_url 是否包含 /v18.1 一个高频踩坑流程Codex 接入 DeepSeek 报错如果你的 Codex 接入 DeepSeek 时也遇到前面提到的reasoning_content400 错误建议按下面顺序排查确认当前使用的模型。如果是deepseek-reasoner一类的推理模型先换成deepseek-chat再测试。确认 Codex CLI 是否是最新版本。旧版本可能没有适配 DeepSeek 的 response 格式。查看配置文件中的wire_api是否为chat。检查是否使用了本地代理层比如 Codex 插件、CC Switch 等先关闭或升级再看。查看 Codex 日志定位是请求阶段报错还是响应解析阶段报错。按照这个顺序大部分 400 错误都能在五分钟内定位。9. 最佳实践与工程建议9.1 API Key 与密钥管理不要把 API Key 硬编码到代码里。建议统一使用环境变量或密钥管理服务。在 CI/CD 流程中使用 CI 系统的 Secret 功能注入密钥禁止把密钥写入镜像或日志。9.2 模型选择策略实际生产环境建议按任务类型选择模型任务类型推荐模型原因代码补全、终端命令生成、日常问答deepseek-chat响应快成本低复杂推理、数学、长链路问题拆解deepseek-reasoner推理能力强但注意 reasoning_content 回传问题本地实验、内网私有化量化版模型 Ollama/vLLM数据可控但能力弱于云端 API9.3 成本控制模型调用成本并不是只看单价还要看 token 消耗。推理模型的思维链会产生额外输出 token因此即使在单价相同的情况下实际费用也可能翻倍。建议在日志中记录每次请求的 prompt_tokens、completion_tokens 和 total_tokens便于后续做成本分析。9.4 异常重试与降级在生产环境调用推理模型时建议实现超时重试和降级策略。例如当deepseek-reasoner连续超时达到阈值时自动降级到deepseek-chat。重试时要考虑指数退避避免瞬时大量请求导致限流。9.5 日志与可观测性调用三方 AI API 时日志至少要包含请求时间、模型名、耗时。输入 token 数、输出 token 数。返回状态码和错误信息。请求 ID方便和平台侧对齐排查。注意不要把用户输入的完整敏感内容写入日志涉及个人数据时要先脱敏。9.6 关于 DeepSeek API 版本和价格的注意点最近网上的讨论中提到 DeepSeek 的 API 价格正在调整。这里的建议是以官方开放平台公示的价格为准不要依赖第三方转述。如果你已经接入 API价格调整不影响代码逻辑但要关注成本变化并在预算敏感的场景下做好 token 用量限制。另外API 接口地址、模型名称、参数行为存在随版本调整的可能。写代码时不要把模型名散落在业务代码中建议统一放在配置中心或环境变量里方便后续切换。9.7 接入策略建议对于团队项目建议先使用单模型做小流量验证再逐步扩大范围。不要一开始就在所有业务流程中接入大模型尤其不要让它直接执行写库、删数据等高风险操作。所有 AI 生成内容进入业务逻辑前都需要经过校验环节。以代码生成为例AI 生成的代码必须经过人工 review 和自动化测试不能直接合并。10. 总结如果把投资者会议里那些宏大叙事暂时放在一边DeepSeek 给普通开发者带来的最实际价值在于它以 OpenAI 兼容的 API 形式开放了模型能力让我们可以用熟悉的 SDK、工具链、插件快速接入。同时它的开源权重又给需要私有化部署的团队提供了另一条路线。本文重点梳理了四条主线通过 API 调用 DeepSeek包括最小代码示例和参数说明。通过 Codex CLI 接入 DeepSeek重点解释了reasoning_content导致的 HTTP 400 错误。通过 VSCode Continue 插件接入 DeepSeek让你在 IDE 里直接使用。通过 Ollama 本地部署 DeepSeek解决数据不出内网的需求。其中尤其要记住的是使用推理模型时reasoning_content字段必须在多轮请求中回传否则会报 400编码工具的主模型优先选择deepseek-chat可以在很大程度上规避这个坑。下一步建议你先跑通第三章的 API 示例然后用真实项目里的一个小任务测试 Codex 接入效果最后再决定是否要引入本地化部署。AI 工具的变化很快与其等所有资料都齐了再动手不如从一个最小可运行示例开始踩坑、修复、沉淀最终形成适合自己团队的接入规范。