DeepSeek coder API: Guida rapida

Installazione e Configurazione URL di Base

Aggiorna la configurazione del client per puntare al nostro endpoint ospitato. Il base_url deve essere modificato dal provider predefinito a https://api.apicoderdeepseek.com/v1 per instradare correttamente le richieste.

• Imposta base_url al valore sopra.
• Mantieni lo SDK standard così com'è per la compatibilità.

Questa singola modifica garantisce che tutte le chiamate successive colpiscano direttamente il nostro modello senza filtri. Nessun livello proxy significa che ottieni latenza costante senza hop aggiuntivi.

Impostazione dell'Intestazione e Autenticazione

Passa la tua chiave in Authorization header per verificare l'accesso. Crea un account tramite Google o email per ricevere le tue credenziali uniche istantaneamente.

Includi l'intestazione Authorization: Bearer YOUR_API_KEY in ogni richiesta. Il nostro sistema convalida questo token prima di elaborare qualsiasi token o calcolare i costi di utilizzo.

Invio della tua prima richiesta di Chat Completion

Invia una richiesta standard di completamento chat per generare testo o codice. Usa l'ID del modello uncensored al modello ottimizzato senza rifiuti di contenuto.

L'API accetta le strutture standard dei payload OpenAI. Puoi inviare prompt di sistema, messaggi dell'utente e la cronologia dell'assistente in un'unica chiamata.

Assicurati che il corpo della richiesta includa il model e messages campi. La risposta conterrà il testo generato nel content campo.

Risposte in streaming e utilizzo dei token

Abilita lo streaming impostando stream a true nella tua richiesta. L'API restituisce chunk tramite Server-Sent Events (SSE) per l'output in tempo reale.

L'ultimo chunk contiene i dettagli sull'utilizzo dei token per la trasparenza sulla fatturazione. Puoi monitorare i token di input e output man mano che arrivano.

Questo approccio riduce la latenza percepita per le risposte lunghe. Gli sviluppatori preferiscono lo streaming per gli assistenti di codifica e le applicazioni interattive.

Esempi di Function Calling e modalità JSON

Usa response_format impostato a json_object per output strutturati. Questo garantisce che il modello restituisca JSON valido invece di testo markdown.

Definisci gli schemi delle funzioni nella tools parametro. Il modello chiamerà queste funzioni quando appropriato in base al prompt.

Supporta temperature, top_p, e stop parametri per la regolazione dell'output. Usa seed per risultati riproducibili durante i test.

Limiti di frequenza e gestione degli errori

Monitora il tasso delle tue richieste per evitare il throttling. L'API consente 300 richieste al minuto per chiave e 8 richieste concorrenti.

Gestisci l'HTTP 401 per chiavi non valide e il 429 per i limiti di frequenza. Sono supportate le richieste inferiori agli 8 MB. Gli errori non consumano credito.

La finestra di contesto supporta fino a 100.000 token in totale. L'output massimo è di 16.000 token a meno che max_tokens è impostato su 2,048 per impostazione predefinita.

cURL

Copycurl https://api.apicoderdeepseek.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "List the available endpoints for the chat completion service."}]
  }'

Python

Copyfrom openai import OpenAI

client = OpenAI(base_url="https://api.apicoderdeepseek.com/v1", api_key="YOUR_KEY")

resp = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Summarise this thread without softening it."}],
)
print(resp.choices[0].message.content)

Node.js

Copyimport OpenAI from "openai";

const client = new OpenAI({ baseURL: "https://api.apicoderdeepseek.com/v1", apiKey: process.env.API_KEY });

const resp = await client.chat.completions.create({
  model: "uncensored",
  messages: [{ role: "user", content: "Draft a villain monologue for my game." }],
});
console.log(resp.choices[0].message.content);

Streaming

Copystream = client.chat.completions.create(
    model="uncensored",
    messages=[{"role": "user", "content": "Tell the story in second person."}],
    stream=True,
)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)