DeepSeek API: Guida Completa all'Integrazione
Potenzia i tuoi progetti con l'intelligenza artificiale avanzata di DeepSeek: modelli V3, Coder ed Embedding a costi imbattibili.
Inizia l'integrazione
Panoramica delle API di DeepSeek
Le API di DeepSeek offrono un accesso programmatico alla suite di modelli linguistici di grandi dimensioni dell'azienda attraverso un'interfaccia basata su REST, progettata per sviluppatori e imprese che cercano un'integrazione AI efficiente in termini di costi. Il servizio supporta diverse varianti di modelli ottimizzati per carichi di lavoro differenti, dall'intelligenza artificiale conversazionale alla generazione di codice ed embedding. La piattaforma mantiene endpoint compatibili con lo standard OpenAI, consentendo agli sviluppatori di migrare tra fornitori con modifiche minime al codice sorgente.
L'accesso alle API richiede l'autenticazione tramite bearer token generati dalla dashboard sviluppatore. Sono disponibili SDK ufficiali per Python, Node.js, Go e Java, sebbene qualsiasi client HTTP possa interagire con gli endpoint REST. La piattaforma si rivolge a singoli sviluppatori che realizzano prototipi, startup che scalano funzionalità AI e grandi imprese che necessitano di prezzi prevedibili per carichi di lavoro di inferenza ad alto volume.
| Funzionalità | Specifica |
|---|---|
| Modelli Disponibili | DeepSeek V3, DeepSeek Coder V2, DeepSeek Chat |
| Limiti di Velocità | Tier gratuito 500K token/giorno, fino a 50M nel piano paid |
| Metodo di Autenticazione | Bearer token (API key) |
| SDK Ufficiali | Python, Node.js, Go, Java |
| Lingue Supportate | Multilingue (70+ lingue, ottimizzato EN/ZH) |
Le capacità tecniche principali includono le risposte in streaming per applicazioni in tempo reale, il function calling per l'integrazione di strumenti esterni e la modalità JSON per output strutturati. Le API gestiscono finestre di contesto fino a 128K token nei modelli di punta, permettendo l'analisi di documenti estesi senza necessità di suddivisione. Tutte le richieste vengono instradate attraverso endpoint CDN globali con una latenza media inferiore a 200 ms nella maggior parte delle regioni.
- Architettura REST with struttura compatibile OpenAI per migrazioni semplificate.
- Supporto nativo per chat completions, embedding e generazione di codice.
- Bilanciamento automatico del carico tra cluster di inferenza distribuiti.
- Analisi dettagliata dell'utilizzo e tracciamento del consumo di token.
La documentazione per gli sviluppatori include esempi interattivi e configurazioni webhook per l'elaborazione asincrona. L'integrazione richiede tipicamente circa 30 minuti per un'implementazione di base, grazie alla gestione completa degli errori e alla logica di retry già integrata negli SDK ufficiali.
Guida all'integrazione iniziale
La configurazione dell'accesso inizia con la creazione di un account sviluppatore sulla piattaforma DeepSeek e la generazione della prima chiave API nella sezione credenziali. Il processo di avvio rapido prevede tre passaggi fondamentali: la configurazione dell'autenticazione, l'installazione dell'SDK e l'esecuzione della richiesta iniziale. La maggior parte dei professionisti completa i test della prima chiamata entro 15 minuti utilizzando i template di codice forniti.
L'autenticazione utilizza il formato bearer token con chiavi che presentano il prefisso "sk-". L'URL di base per tutti gli endpoint è https://api.deepseek.com/v1, seguendo le convenzioni RESTful. Gli header obbligatori includono Authorization con la propria API key e Content-Type impostato su application/json. I limiti di frequenza si applicano per singola chiave anziché per account, permettendo ai team di distribuire le quote su più progetti indipendenti.
Per l'installazione dell'SDK Python, è necessario utilizzare pip per aggiungere la libreria client ufficiale. Il codice seguente mostra un flusso di lavoro completo per una richiesta iniziale utilizzando l'endpoint di chat completion con DeepSeek V3:
pip install deepseek-sdkfrom deepseek import DeepSeek
client = DeepSeek(api_key="sk-your-api-key-here")
response = client.chat.completions.create(
model="deepseek-chat-v3",
messages=[
{"role": "system", "content": "Sei un assistente utile."},
{"role": "user", "content": "Spiega il calcolo quantistico in termini semplici."}
],
max_tokens=500,
temperature=0.7
)
print(response.choices[0].message.content)Per gli sviluppatori che preferiscono testare tramite curl, la chiamata HTTP equivalente richiede la configurazione esplicita degli header. Questo approccio è ideale per verifiche rapide senza dipendenze da SDK esterni:
curl https://api.deepseek.com/v1/chat/completions \
-H "Authorization: Bearer sk-your-api-key-here" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-chat-v3",
"messages": [{"role": "user", "content": "Ciao, API!"}],
"max_tokens": 100
}'L'API restituisce risposte JSON contenenti il testo generato, le statistiche sull'uso dei token e i metadati della richiesta. Le risposte andate a buon fine includono un array denominato choices con l'output del modello, mentre gli errori restituiscono codici standardizzati per il debugging. Il conteggio dei token appare nell'oggetto usage, tracciando prompt_tokens, completion_tokens e total_tokens per garantire la massima accuratezza nella fatturazione.
- Recuperare la chiave API dalla scheda sicurezza della dashboard sviluppatore.
- Installare l'SDK Python o utilizzare richieste HTTP dirette per massima flessibilità.
- Verificare la connettività con una semplice query di chat prima dell'integrazione finale.
- Monitorare gli header di risposta per controllare lo stato dei limiti di velocità.
Le guide rapide nella documentazione ufficiale coprono linguaggi aggiuntivi come Node.js e Go, includendo esempi specifici per framework come Express, Flask e FastAPI. Le configurazioni dei webhook per l'elaborazione asincrona richiedono una verifica dell'endpoint durante la fase di setup iniziale.
Costi delle API e limiti
Attualmente, nel 2026, la tariffazione delle API di DeepSeek segue un modello basato sul consumo di token che fattura separatamente l'input e l'output, con tariffe che variano in base alla potenza del modello. Il modello di punta DeepSeek V3 ha un costo di $0.27 per 1 milione di token di input e $1.10 per 1 milione di token di output, posizionandosi in modo competitivo rispetto ai modelli frontier. Vengono offerti crediti gratuiti per un totale di $5 ai nuovi account, sufficienti per elaborare circa 4.5 milioni di token di input.
Il calcolo del costo per token rende DeepSeek particolarmente vantaggioso per applicazioni ad alto volume. Uno scambio tipico di un chatbot che consuma 500 token di input e 200 di output costa circa $0.00036, permettendo milioni di interazioni con budget contenuti. I limiti di frequenza scalano con il livello dell'account, partendo da 500K token giornalieri per gli account gratuiti fino a 50M per le sottoscrizioni enterprise.
| Modello | Input (per 1M token) | Output (per 1M token) | Contesto | Limite (token/min) |
|---|---|---|---|---|
| DeepSeek V3 | $0.27 | $1.10 | 128K | 90,000 |
| DeepSeek Chat | $0.14 | $0.28 | 64K | 150,000 |
| DeepSeek Coder V2 | $0.14 | $0.28 | 64K | 120,000 |
| DeepSeek Embeddings | $0.002 | N/A | 8K | 200,000 |
La fatturazione opera su un sistema di credito prepagato con detrazioni automatiche per ogni richiesta effettuata. La dashboard mostra metriche di consumo in tempo reale suddivise per modello e progetto, con avvisi di spesa configurabili per evitare eccedenze impreviste. I crediti inutilizzati non scadono e gli sconti sul volume vengono applicati automaticamente al superamento della soglia mensile di $1,000 di consumo.
I limiti di velocità impongono quote basate sui token al minuto anziché sul numero grezzo di richieste, consentendo flessibilità nelle dimensioni dei batch. L'API restituisce codici di stato 429 quando i limiti vengono superati, con header Retry-After che indicano il tempo di attesa necessario. Gli account enterprise possono accedere a prenotazioni di throughput dedicate. I prezzi rimangono soggetti a modifiche con un preavviso di 30 giorni, sebbene i dati storici mostrino tariffe stabili dal lancio di V3 nel 2025.
Modelli disponibili ed endpoint
Gli endpoint delle API di DeepSeek espongono cinque modelli di produzione, ciascuno ottimizzato per carichi di lavoro distinti che vanno dalla conversazione generale alla generazione specializzata di codice. La selezione avviene tramite il parametro model nelle richieste API, con identificatori che seguono lo schema "deepseek-{capacità}-{versione}". I modelli deprecati rimangono accessibili per 90 giorni dopo il lancio delle versioni sostitutive per garantire continuità operativa.
| ID Modello | Tipo | Contesto | Casi d'Uso Ottimali |
|---|---|---|---|
| deepseek-chat-v3 | Chat Completion | 128K token | AI conversazionale, ragionamento generale, dialogo multilingue |
| deepseek-coder-v2 | Code Completion | 64K token | Generazione codice, debugging, documentazione tecnica |
| deepseek-reasoner | Chat Completion | 128K token | Risoluzione problemi complessi, ragionamento logico |
| deepseek-embed | Embeddings | 8K token | Ricerca semantica, pipeline RAG, matching di similarità |
| deepseek-vision-preview | Multimodale (Beta) | 32K token + immagini | Analisi immagini, OCR, question answering visivo |
L'endpoint di chat completion gestisce le interazioni conversazionali supportando system prompt, dialoghi multi-turno e function calling. Questo endpoint funziona sia con il modello DeepSeek V3 che con il modello Reasoner, il quale aggiunge tracce di ragionamento esplicite nelle risposte. I parametri temperature e top_p controllano la casualità dell'output, mentre max_tokens limita la lunghezza della generazione.
- I modelli di chat supportano lo streaming delle risposte per un'esperienza utente dinamica.
- I modelli per il codice includono ottimizzazioni specifiche per Python, JavaScript, Java e C++.
- L'endpoint embeddings restituisce vettori a 1024 dimensioni per operazioni semantiche avanzate.
- Il modello vision accetta URL di immagini o dati codificati in base64 accanto ai prompt testuali.
L'offerta spazia da modelli con 7B a 671B parametri, sebbene i dettagli dimensionali siano astratti per l'utente che sceglie in base alle capacità. DeepSeek Coder V2 eccelle nei benchmark HumanEval con un'accuratezza dell'88.4%, mentre DeepSeek V3 raggiunge l'87.1% su MMLU per compiti di conoscenza generale. Tutti i modelli supportano la modalità JSON per garantire che l'output sia strutturato e facilmente processabile da altri sistemi software.
I modelli in versione beta potrebbero mostrare una latenza superiore e funzionalità in evoluzione durante l'addestramento continuo. L'endpoint per la lista dei modelli restituisce programmaticamente la disponibilità corrente e lo stato di deprecazione. I modelli legacy come DeepSeek Chat V2 rimarranno accessibili fino a metà 2026 per compatibilità retroattiva, sebbene le nuove integrazioni debbano puntare agli endpoint V3 per prestazioni ottimali.
Casi d'uso ed esempi pratici
Gli scenari pratici di integrazione delle API coprono chatbot per il servizio clienti, pipeline di generazione di contenuti, strumenti di sviluppo e flussi di analisi dati. La compatibilità con OpenAI permette la sostituzione immediata in integrazioni LLM esistenti, mentre le funzioni specifiche di DeepSeek consentono applicazioni innovative. Le implementazioni in produzione sfruttano comunemente lo streaming per la reattività e il function calling per l'accesso a dati esterni.
Lo sviluppo di chatbot rappresenta il pattern di integrazione più comune, con aziende che incorporano l'AI nelle proprie piattaforme di supporto e app mobili. La finestra di contesto da 128K consente di gestire intere documentazioni o cronologie di conversazione senza troncamenti. Il function calling permette ricerche di dati in tempo reale, consentendo ai bot di interrogare database o controllare l'inventario durante il dialogo con l'utente.
- Automazione della generazione di contenuti per marketing e blog post tramite campionamento controllato.
- Strumenti di assistenza al codice che integrano Coder V2 negli IDE per l'autocompletamento professionale.
- Pipeline di analisi dati dove l'API elabora report finanziari o documenti legali con estrazione strutturata.
- Implementazioni RAG che combinano DeepSeek Embeddings per il recupero con i modelli chat per la generazione.
Un'integrazione RAG tipica utilizza l'endpoint embeddings per vettorializzare una base di conoscenza, memorizzandola in database vettoriali prima di recuperare i segmenti rilevanti per i prompt di chat. Questa architettura riduce drasticamente le allucinazioni mantenendo la fluidità conversazionale. La modalità JSON assicura che l'output sia formattato correttamente per l'elaborazione a valle, aspetto fondamentale nei flussi di lavoro automatizzati.
Le risposte in streaming risultano essenziali per le applicazioni rivolte agli utenti finali dove la latenza percepita influisce sull'esperienza. L'API invia i token in modo incrementale tramite server-sent events, permettendo all'interfaccia di visualizzare il testo mentre viene generato. Le definizioni di function calling specificano gli strumenti disponibili tramite schemi JSON, consentendo al modello di determinare autonomamente quando è necessaria un'azione esterna e di formattare correttamente la richiesta di sistema.