DeepSeek V4.1 Flash 1017: Bangun Proyek Pertama, Lalu Hubungkan API

Model coding baru berguna ketika hasil buatannya benar-benar berjalan. Mulailah dari sana: aplikasi kecil yang dapat dibuka, diperiksa, dan diperbaiki, bukan prompt raksasa untuk membuat seluruh bisnis.

DeepSeek merilis V4.1 Flash pada 10 September 2026; pembaruan 1017 hadir pada 17 Oktober, bukan sebagai rilis pertama V4.1. Pembaruan itu aktif di situs, aplikasi, dan API DeepSeek, sementara ID model API tetap deepseek-flash. Log pembaruan bertanggal DeepSeek

Panduan ini membawa Anda dari proyek browser pertama ke alur pengembangan yang dapat diulang, lalu menjelaskan penyiapan API di Windows, macOS, dan Linux. Setelah itu kita bahas arsitektur, benchmark vendor, biaya token, dan batas praktis sebelum memberi agen pekerjaan lebih besar.

Hero: ilustrasi penjelas orisinal tentang spesifikasi, pembuatan, pemeriksaan, dan revisi. Ini menggambarkan alur kerja, bukan tangkapan layar produk DeepSeek.

Raih keberhasilan pertama sebelum memasang apa pun

Buka chat web DeepSeek atau aplikasi resminya dan mulai percakapan baru. Gunakan informasi rekaan untuk latihan pertama ini. Layanan AI publik bukan tempat yang tepat untuk menyadari berkas contoh ternyata berisi daftar pelanggan atau token akses.

Proyek pertama kita adalah antrean bacaan: halaman kecil berisi artikel yang ingin dibaca. Tidak perlu akun, basis data cloud, atau kunci API. Latihan ini ilustratif, bukan laporan proses model yang benar-benar dijalankan.

1. Minta artefak lengkap terkecil dengan prompt berikut:
   Teks biasa

   Build a reading queue as one self-contained index.html file.
   Use plain HTML, CSS and JavaScript, with no libraries or network calls.
   Include three fictional example articles, a title filter, and a
   read/unread toggle. Keep state in memory; reloading should reset it.
   Use accessible labels and make the layout work at 360px wide.
   Return the complete file, followed by five manual acceptance checks.
   Do not add login, analytics, remote fonts or a backend.
   

py -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade openai

2. Simpan hasilnya sebagai index.html dalam folder baru yang kosong, lalu buka di browser. Sebelum membuka kode generasi yang belum dikenal, periksa skrip atau permintaan jaringan yang tak diharapkan. Latihan ini tidak memerlukan perintah terminal, dependensi unduhan, atau permintaan izin.
3. Uji sendiri: filter berdasarkan potongan judul, ubah status artikel, hapus filter, kecilkan jendela, lalu muat ulang. Status baca harus bertahan selama pemfilteran tetapi kembali awal saat dimuat ulang, sesuai lingkup yang diminta.
4. Kirim satu kegagalan konkret: “Filter menyembunyikan semua baris jika kueri diakhiri spasi. Hapus spasi tepi, pertahankan perilaku lain, dan berikan berkas revisinya.” Ulangi pemeriksaan yang sama.

Itulah keberhasilan pertama yang dapat dikenali. “Tampak bagus” bersifat subjektif; “tombol status tetap berfungsi setelah pemfilteran” adalah kriteria penerimaan. Proyek awal yang sengaja kecil juga membantu membedakan apakah revisi memperbaiki masalah atau hanya mengubah tampilan.

Pembaruan Oktober berfokus pada penyelesaian proyek

DeepSeek menyatakan 1017 menggunakan reinforcement learning dengan umpan balik mandiri untuk meningkatkan pengembangan proyek dari awal sampai akhir. Pengumumannya menampilkan empat contoh: pemodelan 3D Forbidden City, game balap web, reka ulang Godot yang terinspirasi Portal 2, dan Valley of Ages, adegan 3D yang melintasi era sejarah. Buka demo proyek resmi; itu demo vendor, bukan hasil yang dijamin oleh setiap prompt.

Pembedaan pentingnya: pelatihan dengan umpan balik mandiri adalah klaim tentang pengembangan model, sedangkan umpan balik proyek Anda datang dari menjalankan perangkat lunak. Respons chat tidak mengeksekusi browser, memeriksa repositori, atau memverifikasi build game hanya karena model belajar dari umpan balik saat pelatihan. Semua itu memerlukan lingkungan dan alat.

Anggap prosesnya sebagai siklus proyek: spesifikasikan, implementasikan, periksa, revisi. Menurut kami, siklus ini lebih penting daripada panjangnya jawaban pertama. Perubahan kecil dengan pemeriksaan penerimaan yang lolos lebih berguna daripada repositori mengesankan yang tak pernah dijalankan.

Diagram orisinal: pemeriksaan penerimaan dan persetujuan rilis tetap di luar jawaban model. Alat dan lingkungan eksekusi menentukan apa yang benar-benar bisa diverifikasi.

Beri antrean bacaan target akhir yang jelas

Untuk iterasi kedua, bayangkan antrean bacaan kelompok belajar kecil. Anggota perlu menambahkan tautan, menandai artikel selesai dibaca, dan mengekspor antrean. Pertahankan versi ini sebagai aplikasi satu pengguna di browser; kolaborasi dan sinkronisasi adalah proyek terpisah.

1. Tulis kontraknya. Wajibkan judul, URL, dan status baca; tolak tautan tidak valid; pertahankan entri setelah muat ulang; ekspor berkas JSON. Tentukan perilaku saat antrean kosong, judul panjang, dan berkas impor rusak. Jangan sertakan autentikasi atau penyimpanan server.
2. Minta rencana sebelum perubahan. Minta model menyebut berkas yang diperlukan, pendekatan penyimpanan, dan pengujian yang diusulkan. Berikan folder bersih atau worktree terisolasi. Jangan mulai dengan akses ke direktori home, kredensial produksi, atau izin memasang perangkat lunak sembarang.
3. Implementasikan satu irisan vertikal. Tambahkan satu artikel, simpan, lalu muat ulang. Berikutnya tambahkan pemfilteran, lalu ekspor dan impor. Tiap tahap tetap harus dapat dijalankan agar fungsi ekspor yang rusak tidak tercampur migrasi penyimpanan dan desain ulang tak terkait.
4. Berikan bukti sebagai umpan balik. Sertakan galat, masukan, dan perilaku yang diharapkan secara persis. Untuk masalah tata letak, lampirkan tangkapan layar yang sudah dipotong dan menghapus informasi privat. Minta perbaikan sempit dan ulangi pemeriksaan yang sama, bukan menerima penulisan ulang baru setiap kali.
5. Setujui kandidat rilis. Uji navigasi keyboard, antrean kosong, tautan duplikat, dan judul panjang. Ekspor, kosongkan antrean uji, impor, lalu pastikan semua bidang tetap utuh. Simpan salinan yang diketahui baik sebelum menerima revisi lain.

Model juga dapat membantu menyusun rencana tes sebelum implementasi. Misalnya, minta model menjelaskan struktur JSON yang diharapkan dan bidang yang harus divalidasi pengimpor. Lalu cocokkan implementasi dengan rencana itu. Cara ini memisahkan janji dari kode dan membuat perbedaan terlihat.

Harness proyek menyediakan penyuntingan berkas, eksekusi perintah, dan alat lain di sekitar model. DeepSeek merekomendasikan Harness v0.2.1-rc.1 atau lebih baru untuk 1017 dalam pengumuman rilis. Ikuti panduan resmi Harness untuk instalasi; permintaan API chat saja tidak otomatis menjadi agen coding.

Hubungkan API tanpa menaruh rahasia di halaman web

Gunakan API ketika program Anda sendiri memerlukan respons model. Antrean bacaan tetap dapat menjadi aplikasi browser lokal; skrip berikut adalah alat pengembangan terpisah di terminal. Jangan pernah menanam kunci DeepSeek dalam index.html, JavaScript browser, atau repositori publik.

1. Buat kunci API dan pilih tugas kecil

Buat kunci di platform API DeepSeek dan periksa saldo akun. Panduan panggilan pertama mendokumentasikan URL dasar yang kompatibel dengan OpenAI, https://api.deepseek.com, dan model deepseek-flash. Akun chat web tidak membuat pemakaian API berbayar menjadi tak terbatas.

Untuk permintaan pertama, minta kriteria penerimaan, bukan seluruh repositori. Hasilnya lebih mudah diperiksa dan membatasi keluaran jika konfigurasi keliru.

2. Siapkan Python di sistem operasi Anda

Instal Python 3 jika belum tersedia. Di folder proyek baru, buat lingkungan terisolasi dan pasang SDK. Perintah berikut memanggil interpreter secara langsung, jadi tidak perlu skrip aktivasi atau mengubah kebijakan eksekusi PowerShell. Ikuti dokumentasi lingkungan virtual Python.

Windows, PowerShell:

python3 -m venv .venv
./.venv/bin/python -m pip install --upgrade openai

Jika py tidak tersedia tetapi python --version menunjukkan instalasi Python 3, pakai python -m venv .venv untuk perintah pertama.

macOS, Terminal:

python3 -m venv .venv
./.venv/bin/python -m pip install --upgrade openai

Linux, terminal:

from getpass import getpass

from openai import OpenAI

client = OpenAI(
    api_key=getpass("DeepSeek API key: "),
    base_url="https://api.deepseek.com",
    timeout=120.0,
    max_retries=0,
)

reply = client.chat.completions.create(
    model="deepseek-flash",
    messages=[{
        "role": "user",
        "content": (
            "Propose five manual acceptance checks for a browser-only "
            "reading queue with filtering, read status and JSON export. "
            "Return checks only; do not claim to have executed them."
        ),
    }],
    max_tokens=2048,
    stream=False,
    extra_body={"thinking": {"type": "disabled"}},
)

print(reply.choices[0].message.content)
print("Finish reason:", reply.choices[0].finish_reason)
print("Usage:", reply.usage)

Sebagian distribusi Linux mengemas venv secara terpisah. Jika pembuatan lingkungan melaporkan komponen itu tidak ada, pasang paket lingkungan virtual Python yang didokumentasikan distribusi Anda lalu ulangi. Jangan mengatasi masalah lingkungan terisolasi dengan sudo pip install secara global.

3. Buat alat bantu di terminal

Buat first_request.py di samping .venv menggunakan contoh berikut. Kunci diminta secara tersembunyi melalui modul getpass Python, bukan ditaruh dalam kode sumber atau riwayat shell. Jalankan di terminal biasa yang mendukung masukan tersembunyi.

(0.1 x $0.30) + (0.2 x $0.006) + (0.02 x $1.20)
= $0.0300 + $0.0012 + $0.0240
= $0.0552

4. Jalankan dan periksa respons

Di Windows, jalankan .\.venv\Scripts\python.exe first_request.py. Di macOS atau Linux, jalankan ./.venv/bin/python first_request.py. Masukkan kunci saat diminta; hasil yang diharapkan ialah daftar pemeriksaan, alasan penyelesaian, dan informasi pemakaian, bukan berkas proyek baru.

Jika permintaan gagal, periksa status sebelum mencoba lagi. 401 terkait autentikasi, 402 saldo tidak cukup, dan 429 batas penggunaan; DeepSeek mendokumentasikannya dalam panduan kode galat. Alasan selesai length berarti jawaban mencapai batas, bukan bukti jawaban lengkap. Saat belajar API, lakukan percobaan ulang dengan sengaja.

Thinking, vision, dan alat web mengerjakan hal berbeda

Thinking aktif secara default pada tingkat high. Untuk pertanyaan debugging lebih sulit, ganti extra_body pada contoh menjadi {"thinking": {"type": "enabled"}} dan tambahkan reasoning_effort="high". Pilihan upaya terdokumentasi adalah low, high, dan max; mode thinking mengabaikan temperature, jadi menurunkannya bukan jalan pintas menuju penalaran lebih andal. Panduan mode thinking, diperiksa 18 Oktober

Thinking juga memakai anggaran generasi. Naikkan batas keluaran kecil secara sengaja saat beralih dari jawaban pendek tanpa thinking ke penalaran kompleks. Jika menerapkan pemanggilan alat dalam mode thinking, pertahankan reasoning_content assistant dalam permintaan berikutnya yang membawa alat, sesuai panduan. Jangan membangun percakapan alat dengan hanya menyimpan jawaban akhir yang terlihat.

Vision menerima gambar bersama teks; ini bukan endpoint pembuatan gambar. Dalam Chat Completions, letakkan konten gambar pada pesan user memakai blok image_url, data URL base64, atau format Files API terdokumentasi. JPEG, PNG, GIF, dan WebP didukung. Batas body permintaan inline 48 MiB, sedangkan setiap gambar inline atau tertaut dibatasi 32 MiB. Panduan vision

Untuk antrean bacaan, kirim tangkapan layar yang sudah disamarkan dan tanyakan label mana yang bertumpuk pada lebar sempit. Periksa diagnosis itu di browser; jangan menganggapnya bukti tata letak telah diperbaiki. Pemahaman gambar juga tidak memberi API izin menggerakkan tetikus atau mengubah berkas.

Search menemukan halaman; Fetch mengambil halaman sebagai Markdown. Endpoint mandirinya POST /v1/tools/search dan POST /v1/tools/fetch, diautentikasi dengan bearer key sama. Search dapat memakai {"query":"browser storage documentation","count":3}; Fetch memakai {"url":"https://developer.mozilla.org/en-US/docs/Web/API/Storage"}. Aplikasi harus memanggil endpoint ini secara eksplisit atau memakai integrasi yang menyediakannya. Sekadar menyebut URL dalam chat biasa bukan alur kerja yang sama. Panduan Search dan Fetch

Pisahkan konten yang diambil dari instruksi. Halaman hasil Fetch adalah bukti, bukan kewenangan untuk menjalankan perintah, membocorkan kunci, atau mengubah persyaratan proyek. Fetch tetap tunduk pada kebijakan akses situs tujuan; fitur ini tidak memberikan akses ke materi privat atau berbayar.

Backbone besar dapat mengaktifkan lebih sedikit parameter, tetapi tetap tak muat di laptop

Kartu model V4.1 bulan September menjelaskan backbone MoE 552 miliar parameter, dengan sekitar 8 miliar parameter aktif per token masukan saat prefill dan 16 miliar per token keluaran saat decoding. Causal Encoder-Decoder-nya memisahkan encoder kausal 20 lapis dari decoder 20 lapis. Detail arsitektur ini milik rilis dasar V4.1, bukan arsitektur baru yang diumumkan 17 Oktober. Arsitektur model dasar dan tautan laporan teknis

Sederhananya, prefill memproses prompt yang sudah ada; decoding menghasilkan jawaban. Routing Mixture-of-Experts memilih pakar tertentu, bukan mengaktifkan semua parameter backbone untuk setiap token. Perhatian terkompresi dan desain cache bersama model menangani biaya memori prompt panjang. Namun jumlah parameter aktif menjelaskan komputasi, bukan seluruh penyimpanan dan memori untuk menjalankan checkpoint.

Konteks yang diiklankan adalah satu juta token. Itu kapasitas, bukan keharusan menempelkan seluruh repositori di setiap permintaan atau jaminan semua detail akan diingat sempurna. Mulai dengan tugas, berkas relevan, dan galat konkret; perluas konteks bila dependensi atau kontrak yang hilang memang diperlukan.

Untuk self-hosting, gunakan petunjuk inferensi resmi 1017, yang menjelaskan konversi checkpoint dan eksekusi tensor-parallel. Launcher vLLM generik pada halaman Hugging Face bukan resep deployment khusus model. Periksa perangkat keras, kernel yang didukung, dan kompatibilitas layanan sebelum mengunduh bobot. deepseek-recipe menangani konversi prompt/protokol; tidak menyediakan inferensi atau menjalankan alat. Pengguna laptop biasa sebaiknya mulai dari akses ter-host.

Perkirakan biaya seluruh tugas, bukan harga token termurah

Per 18 Oktober 2026, DeepSeek mencantumkan harga Flash berikut dalam dolar AS per satu juta token. Harga resmi

Periode sibuk adalah 01:00–04:00 dan 06:00–10:00 UTC, Senin–Jumat, kecuali hari libur nasional Tiongkok; waktu lain termasuk tarif di luar jam sibuk. Akhir pekan seluruhnya di luar jam sibuk menurut jadwal itu. Gunakan UTC saat menjadwalkan, jangan berasumsi siang waktu lokal selalu mahal.

Untuk tugas ilustratif dengan 100.000 token input cache-miss, 200.000 token input cache-hit, dan 20.000 token output, hitungan jam sibuknya: undefined

Pada tarif di luar jam sibuk, jumlah asumsi yang sama berbiaya $0.0276. Ini aritmetika, bukan tagihan proyek terukur. Gunakan pemakaian cache hit dan miss aktual, jangan menganggap konteks berulang selalu mendapat tarif lebih murah.

Search dan Fetch masing-masing berbiaya $0.75 per 1.000 permintaan sukses yang menghasilkan keluaran. Jadi, 40 pencarian dan 60 pengambilan yang ditagihkan menambah $0.075, belum termasuk token model untuk membaca hasil. Periode gratis sementara berlaku pada panggilan sisi server melalui integrasi API DeepSeek yang disebutkan; penagihan dimulai 31 Oktober 2026 pukul 16:00 UTC. Ini bukan periode gratis umum untuk penggunaan endpoint langsung. Ketentuan penagihan alat

Diagram akuntansi orisinal: anggarkan output thinking, percobaan ulang, pemanggilan alat, dan peninjauan. Tidak menyiratkan biaya proyek rata-rata.

Baca kenaikan benchmark dengan harness-nya

DeepSeek melaporkan perubahan berikut dari V4.1 Flash dasar ke 1017. Ini skor yang dilaporkan vendor, bukan hasil independen panduan ini. Perbandingan kartu model 1017

Kartu 1017 menyebut Claude Code untuk Terminal-Bench 4.0 dan Mini-SWE-V2 untuk DeepSWE v1.1. Harness menyediakan alat, pengelolaan konteks, dan kebijakan eksekusi; menggantinya berarti mengubah eksperimen. Jangan menganggap selisih skor dari konfigurasi berbeda sebagai pengukuran murni kemampuan model.

Untuk perbandingan sendiri, pertahankan repositori, pemeriksaan penerimaan, izin, dan anggaran. Catat apakah proyek berfungsi, jumlah koreksi, total pemakaian, serta waktu berlalu. Skor publik yang lebih tinggi membantu memilih kandidat; tugas yang dapat diulang di lingkungan Anda menentukan apakah kandidat layak mendapat pekerjaan.

Pertanyaan sebelum memberi tugas yang lebih besar

Apakah 1017 nama model API yang terpisah?

Tidak. Gunakan deepseek-flash. Nama checkpoint bertanggal menunjukkan pembaruan, sedangkan API ter-host DeepSeek tetap memakai pengenal yang sudah ada. Catat tanggal dan informasi model yang dikembalikan jika reproduksibilitas penting. Dokumentasi panggilan pertama

Apakah bobot berlisensi MIT membuat API gratis?

Tidak. Kartu model 1017 melisensikan repositori dan bobot dengan MIT. Penggunaan ter-host dikenai biaya terpisah. Lisensi bobot juga tidak memberikan hak atas masukan privat, aset pihak ketiga, atau media dalam demo.

Bisakah model membuat game lengkap dari satu prompt?

Anggap demo resmi sebagai contoh hasil penerbit, bukan jaminan hasil. Tentukan gerakan, tabrakan, mulai ulang, dan kondisi selesai sebelum meminta polesan visual. Game yang bisa diperiksa dan dimainkan ulang adalah capaian lebih baik daripada basis kode generasi besar.

Haruskah saya selalu memakai thinking maksimum dan seluruh konteks?

Tidak. Mulai dari permintaan terbatas lalu naikkan upaya atau konteks jika ada kegagalan spesifik. Penalaran generasi tambahan dan prompt besar mengonsumsi sumber daya; keduanya tidak menggantikan kriteria penerimaan atau izin alat yang cermat.

Bolehkah saya langsung menerbitkan hasil generasi?

Tinjau fungsi, keamanan, lisensi dependensi, dan asal-usul aset terlebih dahulu. Hapus kredensial contoh dan periksa permintaan jaringan. Persetujuan deployment harus terpisah dari izin mengedit proyek lokal.

Intinya: selesai berarti seseorang memeriksa hasilnya

Janji berguna 1017 adalah penyelesaian proyek yang lebih baik, bukan alasan untuk berhenti meninjau. Beri model sasaran kecil, lingkungan terbatas, dan pemeriksaan yang dapat diamati. Perluas proyek hanya setelah perilaku saat ini mendapat persetujuan Anda.

Sumber

Dokumentasi produk dan harga diperiksa 18 Oktober 2026. Klaim benchmark dan pelatihan diatribusikan kepada DeepSeek; latihan adalah contoh pembelajaran, bukan klaim uji langsung. Ketiga diagram adalah ilustrasi penjelas orisinal. Media demo vendor ditautkan, bukan diterbitkan ulang.

• Pembaruan 17 Oktober dan demo proyek
• Rilis dasar 10 September
• Log pembaruan bertanggal
• Kartu model 1017, benchmark, dan lisensi MIT
• Arsitektur V4.1 dasar dan laporan teknis
• Panggilan API pertama, thinking, vision, Search dan Fetch, dan harga
• Referensi inferensi resmi dan deepseek-recipe

Agar proyek berikutnya mudah dilanjutkan

Rekomendasi Telli.sh: simpan tautan sumber, ringkasan proyek, prompt, dan catatan peninjauan bersama agar sesi selanjutnya dimulai dari keputusan, bukan dugaan. Telli.sh dapat menata pengetahuan proyek; ini bukan integrasi agen coding DeepSeek. Buat akun Telli.sh