DeepSeek V4.1 Flash 1017: Bina Projek Pertama, Kemudian Sambungkan API

Model pengekodan hanya berguna apabila hasil tulisannya benar-benar berfungsi. Mulakan di situ: aplikasi kecil yang boleh dibuka, diperiksa dan ditambah baik, bukan prompt gergasi yang meminta seluruh perniagaan dibina.

DeepSeek mengeluarkan V4.1 Flash pada 10 September 2026; kemas kini 1017 tiba pada 17 Oktober, bukannya keluaran V4.1 pertama. Kemas kini itu tersedia di laman web, aplikasi dan API DeepSeek, sementara ID model API kekal deepseek-flash. Log kemas kini bertarikh DeepSeek

Panduan ini membawa anda daripada projek pelayar pertama kepada aliran pembangunan yang boleh diulang, kemudian menunjukkan persediaan API pada Windows, macOS dan Linux. Selepas itu, kita huraikan seni bina, penanda aras vendor, kos token dan had praktikal yang penting sebelum memberikan tugasan lebih besar kepada ejen.

Hero: karya penerangan asli yang menunjukkan spesifikasi, pembinaan, pemeriksaan dan semakan. Ia menggambarkan aliran kerja, bukan tangkap layar produk DeepSeek.

Dapatkan kejayaan pertama sebelum memasang apa-apa

Buka sembang web DeepSeek atau aplikasi rasminya dan mulakan perbualan baharu. Gunakan maklumat rekaan untuk latihan ini. Perkhidmatan AI awam bukan tempat untuk mengetahui bahawa fail contoh anda mengandungi senarai pelanggan atau token akses.

Projek pertama kita ialah barisan bacaan: halaman kecil yang menyenaraikan artikel untuk dibaca. Ia tidak memerlukan akaun, pangkalan data awan atau kunci API. Latihan berikut ialah contoh, bukannya laporan larian model yang sudah dibuat.

1. Minta artifak lengkap terkecil dengan prompt ini:

   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.
   

2. Letakkan fail yang dijana dalam folder baharu yang kosong dan buka index.html melalui pelayar. Sebelum membuka kod dijana yang tidak dikenali, periksa permintaan rangkaian atau skrip luar jangka. Latihan ini tidak sepatutnya memerlukan arahan terminal, kebergantungan muat turun atau permintaan kebenaran.

3. Uji sendiri: tapis menggunakan cebisan tajuk, togol status artikel, buang penapis, kecilkan tetingkap dan muat semula. Togol patut kekal selepas penapisan tetapi kembali semula selepas muat semula, kerana itulah skop yang diminta.

4. Berikan satu kegagalan konkrit: “Penapisan menyembunyikan semua baris apabila pertanyaan diakhiri ruang. Buang ruang di hujung pertanyaan, kekalkan tingkah laku lain dan pulangkan fail yang disemak.” Jalankan semakan sama sekali lagi.

Itulah kejayaan pertama yang boleh dikenal pasti. “Nampak baik” bersifat subjektif; “togol masih berfungsi selepas penapisan” ialah syarat penerimaan. Projek awal yang sengaja kecil juga memudahkan anda menentukan sama ada semakan membaiki masalah atau sekadar menukar rupa.

Kemas kini Oktober tentang menyiapkan projek, bukan sekadar menulis cebisan kod

DeepSeek berkata 1017 menggunakan pembelajaran pengukuhan dengan maklum balas kendiri untuk menambah baik pembangunan projek hujung ke hujung. Pengumumannya memaparkan empat contoh: pemodelan 3D Forbidden City, permainan perlumbaan web, reka cipta semula Godot yang diinspirasikan Portal 2, dan Valley of Ages, babak 3D merentasi zaman sejarah. Lihat demonstrasi projek rasmi; itu demonstrasi vendor, bukannya hasil yang dijanjikan bagi sebarang prompt.

Perbezaan pentingnya begini: latihan menggunakan maklum balas kendiri ialah dakwaan tentang pembangunan model, manakala maklum balas projek anda datang daripada menjalankan perisian. Respons sembang tidak menjalankan pelayar, memeriksa repositori atau mengesahkan binaan permainan hanya kerana model belajar daripada maklum balas semasa latihan. Tindakan begitu memerlukan persekitaran dan alat.

Anggap proses ini sebagai kitaran projek: spesifikasi, pelaksanaan, pemeriksaan, semakan. Pada pandangan kami, kitaran itu lebih penting daripada panjang jawapan pertama yang dijana. Perubahan kecil dengan semakan penerimaan lulus lebih berguna daripada repositori mengagumkan yang tiada siapa pernah jalankan.

Rajah asli: semakan penerimaan dan kelulusan keluaran masih di luar jawapan model. Alat serta persekitaran pelaksanaan menentukan perkara yang benar-benar boleh disahkan.

Berikan barisan bacaan matlamat projek yang jelas

Untuk iterasi kedua, bayangkan barisan bacaan kumpulan belajar kecil. Ahli perlu menambah pautan, menandakan artikel telah dibaca dan mengeksport barisan. Kekalkan versi ini untuk seorang pengguna dalam pelayar sahaja; kerjasama dan penyegerakan ialah projek berasingan.

1. Tulis kontrak. Wajibkan tajuk, URL dan status bacaan; tolak pautan tidak sah; kekalkan entri selepas muat semula; eksport fail JSON. Tentukan tingkah laku apabila tiada entri, tajuk terlalu panjang dan fail import cacat. Jangan sertakan pengesahan atau storan pelayan.
2. Minta pelan sebelum suntingan. Minta model mengenal pasti fail diperlukan, pendekatan storan dan ujian yang dicadangkan. Berikan folder bersih atau worktree terpencil. Jangan mula dengan akses ke direktori rumah, kelayakan produksi atau kebenaran memasang perisian sewenang-wenangnya.
3. Laksanakan satu kepingan menegak. Tambah satu artikel, simpan dan muat semula. Kemudian tambah penapisan, diikuti eksport dan import. Setiap penambahan mesti kekal boleh dijalankan supaya fungsi eksport rosak tidak terjerat dengan migrasi storan dan reka bentuk semula tidak berkaitan.
4. Berikan bukti sebagai maklum balas. Nyatakan ralat tepat, input dan tingkah laku yang dijangka. Untuk isu susun atur, lampirkan tangkap layar dipotong tanpa maklumat peribadi. Minta pembaikan kecil dan ulang semakan sama, bukannya menerima penulisan semula baharu setiap kali.
5. Luluskan calon keluaran. Uji navigasi papan kekunci, barisan kosong, pautan pendua dan tajuk panjang. Eksport, kosongkan barisan ujian, import semula dan pastikan medan kekal. Simpan salinan yang diketahui baik sebelum menerima semakan berikutnya.

Model juga boleh membantu menulis pelan ujian sebelum pelaksanaan. Contohnya, minta ia menghuraikan struktur JSON dijangka dan mengenal pasti medan yang perlu disahkan pengimport. Kemudian bandingkan pelaksanaan dengan pelan itu. Ini memisahkan janji daripada kod dan menjadikan percanggahan nyata.

Harness projek membekalkan penyuntingan fail, pelaksanaan arahan dan alat lain di sekeliling model. Untuk 1017, DeepSeek menyarankan Harness v0.2.1-rc.1 atau lebih baharu dalam pengumuman keluarannya. Ikut panduan Harness rasmi untuk pemasangan; membuat permintaan API sembang sahaja tidak menghasilkan ejen pengekodan.

Sambungkan API tanpa meletakkan rahsia pada halaman web

Gunakan API apabila program anda sendiri memerlukan respons model. Barisan bacaan boleh kekal sebagai aplikasi pelayar setempat; skrip berikut ialah pembantu pembangunan berasingan yang dijalankan pada terminal. Jangan sekali-kali tanam kunci DeepSeek dalam index.html, JavaScript pelayar atau repositori awam.

1. Cipta kunci API dan pilih tugasan kecil

Cipta kunci di platform API DeepSeek dan periksa baki akaun. Panduan panggilan pertama DeepSeek mendokumenkan URL asas serasi OpenAI https://api.deepseek.com dan model deepseek-flash. Akaun sembang web tidak menjadikan penggunaan API berbayar tanpa had.

Untuk permintaan pertama, minta semakan penerimaan, bukannya seluruh repositori. Output lebih mudah diperiksa dan jumlah yang dijana jika konfigurasi salah turut terhad.

2. Sediakan Python pada sistem operasi anda

Pasang Python 3 jika belum ada. Dalam folder projek baharu, cipta persekitaran terpencil dan pasang SDK. Arahan ini memanggil penterjemahnya terus, jadi tidak memerlukan skrip pengaktifan atau perubahan dasar pelaksanaan PowerShell. Ikut dokumentasi persekitaran maya Python.

Windows, PowerShell:

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

Jika py tiada tetapi python --version mengenal pasti pemasangan Python 3 anda, gunakan python -m venv .venv sebagai arahan pertama.

macOS, Terminal:

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

Linux, terminal:

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

Sesetengah pengedaran Linux membungkus venv secara berasingan. Jika penciptaan persekitaran menyatakan ia tiada, pasang pakej persekitaran maya Python yang didokumenkan pengedaran anda, kemudian cuba lagi. Jangan selesaikan isu persekitaran terpencil dengan sudo pip install seluruh sistem.

3. Cipta pembantu yang berjalan pada terminal

Cipta first_request.py bersebelahan .venv menggunakan contoh berikut. Ia menggunakan gesaan kunci tersembunyi melalui modul getpass Python, bukannya menyimpan rahsia dalam kod sumber atau arahan sejarah shell. Jalankan dalam terminal biasa yang menyokong input tersembunyi.

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)

4. Jalankan dan periksa respons

Pada Windows, jalankan \.venv\Scripts\python.exe first_request.py. Pada macOS atau Linux, jalankan ./.venv/bin/python first_request.py. Tampal kunci apabila diminta; hasil dijangka ialah senarai semakan, sebab tamat dan maklumat penggunaan, bukannya fail projek baharu.

Jika permintaan gagal, periksa status sebelum mencuba semula. 401 berkaitan pengesahan, 402 baki tidak mencukupi dan 429 had penggunaan; DeepSeek mendokumenkan semuanya dalam panduan kod ralat. Sebab tamat length bermakna jawapan mencapai had, bukan bukti jawapan lengkap. Cuba semula dengan sengaja semasa mempelajari API.

Thinking, penglihatan dan alat web menjalankan tugas berbeza

Thinking diaktifkan secara lalai pada tahap high. Untuk soalan penyahpepijatan lebih sukar, gantikan extra_body contoh dengan {"thinking": {"type": "enabled"}} dan tambahkan reasoning_effort="high". Pilihan usaha yang didokumenkan ialah low, high dan max; mod thinking mengabaikan temperature, jadi menurunkannya bukan jalan pintas kepada penaakulan lebih boleh dipercayai. Panduan mod thinking, disemak 18 Oktober

Thinking turut menggunakan bajet penjanaan. Naikkan had output kecil dengan sengaja apabila beralih daripada jawapan ringkas tanpa thinking kepada penaakulan rumit. Jika melaksanakan panggilan alat dalam mod thinking, kekalkan reasoning_content assistant dalam permintaan seterusnya yang membawa alat, seperti diwajibkan panduan. Jangan bina perbualan alat dengan menyimpan jawapan akhir yang kelihatan sahaja.

Penglihatan menerima imej bersama teks; ia bukan endpoint penjanaan imej. Dalam Chat Completions, letakkan kandungan imej dalam mesej user menggunakan blok image_url, URL data base64 atau format Files API didokumenkan. JPEG, PNG, GIF dan WebP disokong. Had badan permintaan sebaris ialah 48 MiB, manakala satu imej sebaris atau pautan luaran terhad kepada 32 MiB. Panduan penglihatan

Bagi barisan bacaan, hantar tangkap layar yang telah dinyahkenal pasti dan tanya label mana bertindih pada lebar sempit. Anggap jawapan sebagai diagnosis untuk diperiksa dalam pelayar, bukan bukti susun atur sudah dibaiki. Kefahaman imej juga tidak memberi API kebenaran menggerakkan tetikus atau mengubah fail.

Search mencari halaman; Fetch mendapatkan halaman sebagai Markdown. Endpoint kendirinya ialah POST /v1/tools/search dan POST /v1/tools/fetch, disahkan dengan kunci bearer sama. Permintaan Search boleh menggunakan {"query":"browser storage documentation","count":3}; Fetch menggunakan {"url":"https://developer.mozilla.org/en-US/docs/Web/API/Storage"}. Aplikasi anda perlu memanggil endpoint ini secara jelas atau menggunakan integrasi yang membekalkannya. Menyebut URL dalam permintaan sembang asas bukan aliran kerja yang sama. Panduan Search dan Fetch

Asingkan kandungan yang diambil daripada arahan. Halaman yang diperoleh ialah bukti, bukan kuasa untuk menjalankan arahan, mendedahkan kunci atau mengubah keperluan projek. Fetch juga tertakluk pada dasar akses tapak sasaran; ia tidak memberikan akses kepada bahan peribadi atau berbayar.

Tulang belakang besar boleh mengaktifkan lebih sedikit parameter, namun masih tidak muat pada komputer riba

Kad model V4.1 September menerangkan tulang belakang MoE 552 bilion parameter, dengan kira-kira 8 bilion parameter aktif bagi setiap token input semasa prefill dan 16 bilion bagi setiap token output semasa decoding. Causal Encoder-Decoder memisahkan encoder kausal 20 lapisan daripada decoder 20 lapisan. Butiran seni bina ini milik keluaran asas V4.1, bukan seni bina baharu yang diumumkan 17 Oktober. Seni bina model asas dan pautan laporan teknikal

Secara mudah, prefill memproses prompt sedia ada; decoding menghasilkan jawapan. Penghalaan Mixture-of-Experts menggunakan pakar terpilih dan bukan mengaktifkan keseluruhan tulang belakang bagi setiap token. Reka bentuk perhatian termampat dan cache bersama menyasarkan kos memori prompt panjang. Namun, parameter aktif menerangkan pengiraan, bukan keseluruhan storan dan memori untuk menjadi hos checkpoint.

Konteks yang diiklankan ialah satu juta token. Itu kapasiti, bukan arahan menampal seluruh repositori dalam setiap permintaan atau jaminan ingatan sempurna. Mulakan dengan tugasan, fail berkaitan dan ralat konkrit; luaskan konteks apabila kebergantungan atau kontrak yang hilang memerlukannya.

Untuk hos kendiri, gunakan arahan inferens rasmi 1017, yang menerangkan penukaran checkpoint dan pelaksanaan tensor-parallel. Pelancar vLLM umum pada halaman Hugging Face bukan resipi pelaksanaan khusus model. Semak perkakasan, kernel disokong dan keserasian servis sebelum memuat turun pemberat. deepseek-recipe mengendalikan penukaran prompt/protokol; ia tidak menyediakan inferens atau melaksanakan alat. Pengguna komputer riba biasa patut bermula dengan akses terhos.

Anggarkan keseluruhan tugasan, bukan token termurah

Setakat 18 Oktober 2026, DeepSeek menyenaraikan harga Flash berikut dalam dolar AS bagi sejuta token. Harga rasmi

Waktu puncak ialah 01:00-04:00 dan 06:00-10:00 UTC, Isnin-Jumaat, tidak termasuk cuti umum China; waktu lain di luar puncak. Hujung minggu sepenuhnya luar puncak mengikut jadual itu. Gunakan UTC untuk penjadualan, bukan andaian bahawa waktu siang setempat lebih mahal.

Bagi tugasan ilustrasi dengan 100,000 token input cache terlepas, 200,000 input cache terkena dan 20,000 output, kiraan waktu puncak ialah:

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

Pada kadar luar puncak, kuantiti andaian itu berharga $0.0276. Ini aritmetik, bukan bil projek yang diukur. Gunakan penggunaan cache terkena dan terlepas sebenar; jangan anggap konteks berulang sentiasa menerima kadar lebih murah.

Search dan Fetch masing-masing berharga $0.75 bagi setiap 1,000 permintaan berjaya yang menghasilkan keputusan. Jadi, 40 carian boleh dibil dan 60 pengambilan boleh dibil menambah $0.075, tidak termasuk token model untuk membaca hasilnya. Tempoh percuma sementara terpakai kepada panggilan sisi pelayan melalui integrasi API DeepSeek yang dinamakan; bilnya bermula 31 Oktober 2026, 16:00 UTC. Ia bukan tempoh percuma menyeluruh untuk panggilan terus ke endpoint. Peraturan bil alat

Rajah perakaunan asli: ambil kira output thinking, percubaan semula, panggilan alat dan kerja semakan dalam bajet. Tiada purata kos projek yang didakwa.

Baca peningkatan penanda aras bersama harness yang digunakan

DeepSeek melaporkan perubahan berikut daripada V4.1 Flash asas kepada 1017. Ini skor yang dilaporkan vendor, bukannya keputusan bebas panduan ini. Perbandingan kad model 1017

Kad 1017 menyatakan Claude Code untuk Terminal-Bench 4.0 dan Mini-SWE-V2 untuk DeepSWE v1.1. Harness membekalkan alat, pengurusan konteks dan dasar pelaksanaan; menukarnya mengubah eksperimen. Jangan anggap perbezaan skor daripada persediaan berlainan sebagai ukuran keupayaan model semata-mata.

Untuk perbandingan sendiri, kekalkan repositori, semakan penerimaan, kebenaran dan bajet. Catat sama ada projek berfungsi, bilangan pembetulan, jumlah penggunaan dan masa berlalu. Skor awam lebih tinggi membantu memilih calon; tugasan berulang dalam persekitaran anda menentukan kelayakannya.

Soalan yang perlu dijawab sebelum memberikan tugasan lebih besar

Adakah 1017 nama model API yang berasingan?

Tidak. Gunakan deepseek-flash. Nama checkpoint bertarikh mengenal pasti kemas kini, tetapi API terhos DeepSeek mengekalkan pengecam sedia ada. Catat tarikh dan maklumat model yang dipulangkan apabila kebolehulangan penting. Dokumentasi panggilan pertama

Adakah pemberat MIT menjadikan API percuma?

Tidak. Kad model 1017 melesenkan repositori dan pemberat di bawah MIT. Penggunaan terhos mempunyai caj berasingan. Lesen pemberat juga tidak memberi hak terhadap input peribadi, aset pihak ketiga atau media dalam demonstrasi.

Bolehkah ia membina permainan penuh daripada satu prompt?

Gunakan demo rasmi sebagai contoh hasil penerbit, bukan jaminan penghantaran. Takrifkan gerakan, perlanggaran, mula semula dan syarat tamat sebelum meminta kemasan visual. Permainan yang boleh diperiksa dan dimainkan semula ialah pencapaian lebih baik daripada pangkalan kod besar yang dijana.

Patutkah saya sentiasa menggunakan thinking maksimum dan keseluruhan konteks?

Tidak. Mulakan dengan permintaan terhad dan tambah usaha atau konteks apabila kegagalan khusus memerlukannya. Penaakulan terjana dan prompt lebih besar menggunakan sumber; kedua-duanya tidak menggantikan semakan penerimaan atau kebenaran alat yang teliti.

Bolehkah saya terus menerbitkan hasil terjana?

Semak fungsi, keselamatan, lesen kebergantungan dan asal-usul aset dahulu. Buang kelayakan contoh dan periksa permintaan jauh. Kelulusan penggunaan produksi hendaklah berasingan daripada kebenaran menyunting projek setempat.

Kesimpulannya: siap bermakna seseorang sudah memeriksa hasilnya

Janji berguna 1017 ialah penyempurnaan projek yang lebih baik, bukannya alasan untuk berhenti menyemak. Berikan model matlamat kecil, persekitaran terhad dan semakan yang boleh diperhatikan. Luaskan projek hanya selepas tingkah laku semasa mendapat kelulusan anda.

Sumber

Dokumentasi produk dan harga disemak pada 18 Oktober 2026. Dakwaan penanda aras dan latihan dikaitkan dengan DeepSeek; latihan ialah contoh pendidikan, bukan hasil hands-on yang didakwa. Ketiga-tiga rajah ialah karya penerangan asli. Media demo vendor dipautkan, bukan diterbitkan semula.

• Kemas kini 17 Oktober dan demonstrasi projek
• Keluaran asas 10 September
• Log kemas kini bertarikh
• Kad model 1017, penanda aras dan lesen MIT
• Seni bina V4.1 asas dan laporan teknikal
• Panggilan API pertama, thinking, penglihatan, Search dan Fetch serta harga
• Rujukan inferens rasmi dan deepseek-recipe

Jadikan projek seterusnya lebih mudah disambung semula

Syor Telli.sh: simpan pautan sumber, ringkasan projek, prompt dan nota semakan bersama supaya sesi seterusnya bermula dengan keputusan, bukan tekaan. Telli.sh boleh menyusun pengetahuan projek itu; ia bukan integrasi ejen pengekodan DeepSeek. Cipta akaun Telli.sh