DeepSeek 真正上手前，这些坑最好先避开

发布人：慈云数据-客服中心发布时间：5小时前阅读量：0

DeepSeek 使用避坑指南｜附完整命令

DeepSeek 近一段时间非常火，很多人开始用它写代码、做翻译、总结资料、搭建本地大模型，甚至接入自己的业务系统。但真正上手之后，不少人会遇到各种问题：模型选错、提示词写不好、API 调不通、本地部署跑不动、上下文超限、回答不稳定、费用控制不好、隐私数据误上传等。

本文是一份偏实战的 DeepSeek 使用避坑指南，会从使用方式、模型选择、提示词技巧、API 调用、本地部署、常见报错、成本控制、安全合规等方面进行系统梳理，并附上常用完整命令，方便你直接复制使用。

一、先搞清楚：你到底要怎么用 DeepSeek？

在正式使用 DeepSeek 之前，最重要的不是马上提问，而是先搞清楚自己的使用场景。不同场景对应的使用方式、模型选择和成本完全不同。

常见使用方式主要有以下几类：

使用方式	适合人群	优点	注意事项
官网网页端	普通用户、轻度使用者	上手简单，无需配置	高峰期可能慢，功能受限
API 调用	开发者、企业用户	可集成到系统，灵活性高	需要管理 Key、成本和限流
本地部署	技术用户、隐私敏感场景	数据不出本地，可离线使用	对硬件要求较高
第三方平台调用	快速体验者	操作方便，模型多	注意平台稳定性和数据安全
Ollama 部署	本地轻量化体验	命令简单，适合入门	模型大小影响速度和效果

很多人一开始就想“我要本地部署最强模型”，结果发现显卡不够、内存不足、速度很慢。其实如果只是日常写作、总结、翻译，网页端或 API 就够用了；如果是代码辅助、自动化工作流，可以考虑 API；如果是公司内部资料处理，才更适合考虑本地部署。

二、模型选择避坑：不是越大越好

DeepSeek 有不同类型的模型，例如通用对话模型、推理模型、代码模型，以及蒸馏后的轻量模型。很多新手常犯的错误是：看到参数量大就直接选最大模型。实际上，模型越大并不一定越适合你。

1. 日常问答、写作、总结

如果你的需求是：

写公众号文章；
总结会议纪要；
翻译英文资料；
改写文案；
制作学习笔记；

那么使用通用对话模型即可。没必要每次都使用推理能力更强但速度更慢的模型。

2. 复杂推理、数学、逻辑分析

如果你的需求是：

数学推导；
复杂决策分析；
代码调试思路分析；
多步骤推理；
长链路问题拆解；

可以使用推理模型。推理模型通常会更擅长“想清楚再回答”，但速度可能更慢，成本也可能更高。

3. 编程任务

如果你要让 DeepSeek 帮你：

写 Python 脚本；
解释 Java 代码；
修复报错；
生成 SQL；
设计接口；
优化算法；

建议明确告诉它语言、框架、版本、运行环境和输入输出要求。不要只说“帮我写个爬虫”，否则它可能给出不符合实际环境的代码。

4. 本地部署模型

如果你用 Ollama、LM Studio、vLLM 等方式本地运行 DeepSeek 相关模型，需要考虑：

显卡显存；
系统内存；
CPU 性能；
模型量化版本；
上下文长度；
推理速度。

对于普通电脑，建议先从小参数量模型开始，不要盲目下载几十 GB 的大模型。

三、提示词避坑：不要只问一句“帮我写一下”

很多人觉得模型不好用，其实不是模型能力不行，而是问题问得太模糊。

例如：

帮我写一篇文章。

这种提示词太宽泛。模型不知道你要什么主题、风格、字数、受众、结构、重点、禁忌，自然很容易输出一篇泛泛而谈的文章。

更好的写法是：

请你扮演一名有 10 年经验的科技专栏作者，帮我写一篇面向普通职场人的文章。

主题：AI 工具如何提升日常办公效率
字数：不少于 1500 字
风格：通俗易懂，避免过度技术化
结构：
1. 开头用一个真实工作场景引入
2. 介绍 5 个具体使用场景
3. 每个场景给出可直接使用的提示词
4. 结尾总结注意事项

要求：
- 使用中文
- 用 Markdown 排版
- 不要使用空泛口号
- 案例要贴近日常办公

可以看到，好的提示词通常包含以下要素：

角色：让模型知道以什么身份回答；
任务：明确要完成什么；
背景：说明上下文；
格式：指定输出结构；
约束：告诉它不要做什么；
示例：提供参考样式；
检查标准：说明什么样算合格。

四、DeepSeek 常用提示词模板

下面给出几个可以直接复制使用的模板。

1. 文章写作模板

你是一名专业中文内容编辑，请根据以下要求写一篇文章。

文章主题：{填写主题}
目标读者：{填写读者群体}
文章字数：不少于 {填写字数} 字
文章风格：{通俗易懂 / 专业严谨 / 轻松幽默 / 深度分析}
文章结构：
1. 引言：说明问题背景
2. 正文：分 4-6 个小节展开
3. 案例：至少包含 2 个具体例子
4. 总结：给出可执行建议

额外要求：
- 使用 Markdown 格式
- 标题层级清晰
- 不要堆砌概念
- 不要编造具体数据

2. 代码生成模板

你是一名资深软件工程师，请帮我完成以下编程任务。

编程语言：Python 3.11
运行环境：macOS / Linux
任务描述：
{详细描述功能}

输入示例：
{输入示例}

输出示例：
{输出示例}

要求：
1. 给出完整可运行代码
2. 添加必要注释
3. 说明依赖安装命令
4. 说明运行命令
5. 考虑异常情况

3. 报错排查模板

你是一名资深后端工程师，请帮我分析以下报错。

运行环境：
- 操作系统：Ubuntu 22.04
- Python 版本：3.11
- 框架版本：FastAPI 0.110
- 数据库：PostgreSQL 15

我执行的命令：
{粘贴命令}

报错信息：
{粘贴完整报错}

相关代码：
{粘贴代码}

请按以下格式回答：
1. 报错原因
2. 定位思路
3. 修改方案
4. 修改后的代码
5. 如何验证修复成功

4. 资料总结模板

请你阅读下面的资料，并帮我总结。

总结要求：
1. 用 300 字概括核心内容
2. 提炼 5 个关键观点
3. 列出 3 个可执行建议
4. 如果资料中存在不确定或缺少依据的内容，请单独指出
5. 使用 Markdown 表格展示重点信息

资料如下：
{粘贴资料}

五、API 调用避坑：Key、模型名、参数一个都不能错

如果你准备通过 API 调用 DeepSeek，首先要注意以下几点：

不要把 API Key 写死在前端代码里；
不要把 API Key 提交到 GitHub；
确认 Base URL 是否正确；
确认模型名称是否正确；
设置合理的 max_tokens，避免费用失控；
生产环境要加超时、重试和日志；
不要把用户隐私数据直接传给模型。

下面给出常见调用方式。

六、使用 curl 调用 DeepSeek API

说明：请将 YOUR_API_KEY 替换为你自己的 API Key。

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
    "model": "deepseek-chat",
    "messages": [
      {
        "role": "system",
        "content": "你是一名专业、严谨、简洁的中文助手。"
      },
      {
        "role": "user",
        "content": "请用三点说明如何提高工作效率。"
      }
    ],
    "temperature": 0.7,
    "max_tokens": 800
  }'

如果你想使用推理模型，可以类似这样：

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -d '{
    "model": "deepseek-reasoner",
    "messages": [
      {
        "role": "user",
        "content": "请分析一个小团队是否应该自研 CRM 系统，从成本、效率、风险三个角度展开。"
      }
    ],
    "temperature": 0.3,
    "max_tokens": 1200
  }'

常见坑点

Authorization 前面必须是 Bearer；
Content-Type 不要漏；
JSON 中字符串必须使用英文双引号；
如果请求超时，可以减少输出长度或检查网络；
如果返回模型不存在，优先检查模型名是否拼写错误。

七、使用 Python 调用 DeepSeek API

建议使用环境变量保存 API Key，不要直接写在代码里。

1. 设置环境变量

macOS / Linux：

export DEEPSEEK_API_KEY="YOUR_API_KEY"

Windows PowerShell：

$env:DEEPSEEK_API_KEY="YOUR_API_KEY"

如果你希望长期生效，可以写入 shell 配置文件。

macOS / Linux：

echo 'export DEEPSEEK_API_KEY="YOUR_API_KEY"' >> ~/.zshrc
source ~/.zshrc

如果你使用 Bash：

echo 'export DEEPSEEK_API_KEY="YOUR_API_KEY"' >> ~/.bashrc
source ~/.bashrc

2. 安装依赖

pip install openai

3. Python 示例代码

创建文件：

touch deepseek_demo.py

写入以下代码：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是一名专业的中文写作助手。"},
        {"role": "user", "content": "请写一段 200 字左右的 AI 办公工具介绍。"}
    ],
    temperature=0.7,
    max_tokens=800
)

print(response.choices[0].message.content)

运行命令：

python deepseek_demo.py

4. 流式输出示例

如果你希望像聊天窗口一样逐字输出，可以使用流式调用。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com"
)

stream = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "user", "content": "请用 Markdown 写一份 Python 入门学习路线。"}
    ],
    stream=True,
    temperature=0.7,
    max_tokens=1000
)

for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)

运行：

python deepseek_stream.py

八、使用 Node.js 调用 DeepSeek API

1. 初始化项目

mkdir deepseek-node-demo
cd deepseek-node-demo
npm init -y

2. 安装依赖

npm install openai dotenv

3. 创建 `.env`

touch .env

写入：

DEEPSEEK_API_KEY=YOUR_API_KEY

4. 创建脚本

touch index.js

代码如下：

import OpenAI from "openai";
import dotenv from "dotenv";

dotenv.config();

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

async function main() {
  const completion = await client.chat.completions.create({
    model: "deepseek-chat",
    messages: [
      {
        role: "system",
        content: "你是一名专业的中文技术助手。",
      },
      {
        role: "user",
        content: "请解释什么是 API，并给一个生活化例子。",
      },
    ],
    temperature: 0.7,
    max_tokens: 800,
  });

  console.log(completion.choices[0].message.content);
}

main().catch(console.error);

由于上面使用了 ES Module，需要修改 package.json：

{
  "type": "module"
}

运行：

node index.js

九、本地部署避坑：Ollama 是新手最友好的方式之一

如果你希望在本地运行 DeepSeek 相关模型，可以使用 Ollama。它安装简单，命令清晰，适合个人学习和测试。

1. 安装 Ollama

macOS 可以直接使用 Homebrew：

brew install ollama

Linux 可以使用官方安装脚本：

curl -fsSL https://ollama.com/install.sh | sh

安装完成后查看版本：

ollama --version

启动服务：

ollama serve

如果已经自动启动，可以不用重复执行。

2. 下载并运行模型

以 DeepSeek R1 蒸馏模型为例：

ollama run deepseek-r1:1.5b

如果你的电脑配置稍好，可以尝试：

ollama run deepseek-r1:7b

或者：

ollama run deepseek-r1:8b

查看本地已有模型：

ollama list

删除模型：

ollama rm deepseek-r1:1.5b

3. 使用 Ollama API

Ollama 默认服务地址通常是：

http://localhost:11434

通过 curl 调用：

curl http://localhost:11434/api/generate \
  -d '{
    "model": "deepseek-r1:1.5b",
    "prompt": "请用中文解释什么是大语言模型。",
    "stream": false
  }'

聊天接口示例：

curl http://localhost:11434/api/chat \
  -d '{
    "model": "deepseek-r1:1.5b",
    "messages": [
      {
        "role": "user",
        "content": "请列出学习 Python 的 5 个步骤。"
      }
    ],
    "stream": false
  }'

4. 本地部署常见坑

坑一：模型太大，电脑跑不动

如果你的电脑内存只有 8GB，不建议直接跑大模型。可以先用：

ollama run deepseek-r1:1.5b

如果运行流畅，再尝试更大模型。

坑二：第一次运行很慢

第一次运行需要下载模型，速度取决于网络和模型大小。你可以先查看模型列表：

ollama list

如果模型已下载，再运行会快很多。

坑三：回答速度慢

本地运行速度受硬件影响很大。可以尝试：

使用更小模型；
关闭其他占用内存的软件；
使用量化模型；
升级显卡或内存；
降低上下文长度。

坑四：以为本地小模型效果等于线上大模型

本地小模型适合学习、轻量任务、隐私场景，但在复杂推理、长文写作、代码质量等方面，通常不如线上大模型。

十、上下文长度避坑：不是资料越多越好

很多人使用 DeepSeek 时，会一次性粘贴大量资料，然后问：“帮我总结一下。”结果模型可能漏掉重点，甚至输出不准确。

这是因为模型有上下文窗口限制。即使能输入很长文本，也不代表它能完美处理所有细节。

更好的做法是：

1. 分段处理

我会分 5 次发送一份资料。你先不要总结，只回复“已收到第 X 部分”。
等我说“资料发送完毕”后，你再进行整体总结。

2. 先提取结构，再深入分析

请先阅读以下资料，只做两件事：
1. 提取文章结构
2. 列出每一部分的核心观点

暂时不要展开评论。

3. 让模型基于原文引用

请总结以下资料，并在每个观点后面引用原文中的关键句作为依据。
如果原文没有依据，请标注“原文未说明”。

这样可以显著降低模型胡编乱造的概率。

十一、回答不稳定避坑：调好 temperature

API 调用时经常会看到 temperature 参数。简单理解：

temperature 越低，回答越稳定、保守；
temperature 越高，回答越发散、有创造性。

推荐设置：

场景	temperature 建议
代码生成	0.1 - 0.3
数据分析	0.1 - 0.3
法律、制度类文本	0.1 - 0.3
普通问答	0.5 - 0.7
创意写作	0.7 - 1.0
头脑风暴	0.8 - 1.2

如果你希望输出稳定，建议这样设置：

{
  "temperature": 0.2,
  "max_tokens": 1000
}

如果你希望输出更有创意，可以这样：

{
  "temperature": 0.9,
  "max_tokens": 1200
}

十二、成本控制避坑：别让 API 悄悄烧钱

使用 API 时，成本主要和输入、输出 token 数有关。很多人一开始测试时不控制 max_tokens，也不做限流，结果费用增长很快。

建议你做到以下几点：

设置 max_tokens；
对用户输入长度做限制；
对同一用户请求频率做限制；
对重复问题做缓存；
日志中记录 token 使用量；
对异常循环调用设置熔断；
后台设置预算提醒。

Python 中记录 token 用量

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "user", "content": "请总结项目管理的三个核心原则。"}
    ],
    max_tokens=500
)

print(response.choices[0].message.content)

if response.usage:
    print("Prompt tokens:", response.usage.prompt_tokens)
    print("Completion tokens:", response.usage.completion_tokens)
    print("Total tokens:", response.usage.total_tokens)

十三、隐私与安全避坑：不要把敏感信息直接丢给模型

无论使用 DeepSeek 还是其他大模型，都要注意数据安全。以下内容不建议直接上传：

身份证号；
手机号；
银行卡号；
客户名单；
合同原文；
公司内部机密；
未公开财务数据；
生产系统密钥；
用户隐私信息；
医疗记录。

如果确实需要处理，可以先进行脱敏。

脱敏示例

原始内容：

客户张三，手机号 13812345678，身份证号 110101199001011234，购买了某产品。

脱敏后：

客户 A，手机号 [已脱敏]，身份证号 [已脱敏]，购买了某产品。

可以让模型处理脱敏文本：

以下资料已做脱敏处理，请帮我总结客户需求和潜在风险，不要尝试还原任何个人身份信息。

十四、常见报错与解决方法

1. 401 Unauthorized

通常是 API Key 错误或没有传 Authorization。

检查命令：

echo $DEEPSEEK_API_KEY

curl 示例：

curl https://api.deepseek.com/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-chat",
    "messages": [{"role": "user", "content": "你好"}]
  }'

2. 400 Bad Request

常见原因：

JSON 格式错误；
模型名称错误；
messages 格式错误；
max_tokens 参数不合理。

可以用 JSON 校验工具检查请求体。

3. 429 Too Many Requests

表示请求过于频繁或触发限流。解决方法：

降低请求频率；
增加重试间隔；
使用队列削峰；
检查是否出现死循环调用。

4. 请求超时

可以尝试：

减少 max_tokens；
缩短输入内容；
使用流式输出；
增加客户端超时时间；
检查网络连接。

十五、推荐工作流：让 DeepSeek 真正变成生产力工具

如果你只是偶尔问一句，DeepSeek 当然也能用。但如果想把它变成稳定的生产力工具，建议采用以下工作流：

第一步：明确任务

不要直接问，要先定义目标。

我的目标是：在 30 分钟内完成一份产品需求文档初稿。

第二步：让模型先提问

在开始写之前，请先问我 5 个必须确认的问题。

第三步：生成大纲

请根据以上信息，先生成一份 PRD 文档大纲，不要写正文。

第四步：逐节生成

请先写第 1 节“需求背景”，要求不少于 300 字，语言专业但不要空泛。

第五步：自检优化

请检查上面的内容是否存在：
1. 表述模糊
2. 逻辑跳跃
3. 缺少用户场景
4. 缺少验收标准

然后给出修改版。

这种方式比“一次性生成完整文档”更稳定，质量也更高。

十六、DeepSeek 使用总结：记住这 10 条就够了

先明确场景，再选择模型，不要盲目追求最大模型；
提示词越具体，输出越稳定；
写代码时必须提供环境、版本和输入输出要求；
API Key 不要写进前端或公开仓库；
调用 API 时设置 max_tokens 和 temperature；
本地部署先从小模型开始，不要一步到位；
长资料要分段处理，不要一次性乱塞；
涉及事实、数据、法律、医疗时要人工核验；
敏感信息先脱敏，再交给模型处理；
把 DeepSeek 当助手，不要当最终责任人。

结语

DeepSeek 的价值不在于“替你完成一切”，而在于帮你更快地整理思路、生成初稿、分析问题、提高效率。真正用好它的关键，不只是会提问，更是会拆任务、会验证结果、会控制成本、会保护数据。

如果你是普通用户，建议先从网页端和高质量提示词开始；如果你是开发者，可以进一步尝试 API 调用和自动化集成；如果你对隐私和离线使用有要求，可以使用 Ollama 等工具进行本地部署。

最后记住一句话：模型能力决定上限，使用方法决定下限。 会用的人，DeepSeek 是生产力工具；不会用的人，它可能只是一个“看起来很聪明但偶尔胡说”的聊天机器人。

文章标签： DeepSeek API调用本地部署提示词优化

上一篇：跨境卖家用 DeepSeek，先避开这些坑

下一篇：DeepSeek 这样用才顺手：常见坑点、API 调用与本地部署命令整理

更多栏目

新闻动态

文档中心

下载中心

目录结构

全文

产品与服务

新闻帮助

生态合作

了解我们

DeepSeek 真正上手前，这些坑最好先避开

DeepSeek 使用避坑指南｜附完整命令

一、先搞清楚：你到底要怎么用 DeepSeek？

二、模型选择避坑：不是越大越好

1. 日常问答、写作、总结

2. 复杂推理、数学、逻辑分析

3. 编程任务

4. 本地部署模型

三、提示词避坑：不要只问一句“帮我写一下”

四、DeepSeek 常用提示词模板

1. 文章写作模板

2. 代码生成模板

3. 报错排查模板

4. 资料总结模板

五、API 调用避坑：Key、模型名、参数一个都不能错

六、使用 curl 调用 DeepSeek API

常见坑点

七、使用 Python 调用 DeepSeek API

1. 设置环境变量

2. 安装依赖

3. Python 示例代码

4. 流式输出示例

八、使用 Node.js 调用 DeepSeek API

1. 初始化项目

2. 安装依赖

3. 创建 .env

4. 创建脚本

九、本地部署避坑：Ollama 是新手最友好的方式之一

1. 安装 Ollama

2. 下载并运行模型

3. 使用 Ollama API

4. 本地部署常见坑

坑一：模型太大，电脑跑不动

坑二：第一次运行很慢

坑三：回答速度慢

坑四：以为本地小模型效果等于线上大模型

十、上下文长度避坑：不是资料越多越好

1. 分段处理

2. 先提取结构，再深入分析

3. 让模型基于原文引用

十一、回答不稳定避坑：调好 temperature

十二、成本控制避坑：别让 API 悄悄烧钱

Python 中记录 token 用量

十三、隐私与安全避坑：不要把敏感信息直接丢给模型

脱敏示例

十四、常见报错与解决方法

1. 401 Unauthorized

2. 400 Bad Request

3. 429 Too Many Requests

4. 请求超时

十五、推荐工作流：让 DeepSeek 真正变成生产力工具

第一步：明确任务

第二步：让模型先提问

第三步：生成大纲

第四步：逐节生成

第五步：自检优化

十六、DeepSeek 使用总结：记住这 10 条就够了

结语

3. 创建 `.env`