DeepSeek 这样用才顺手：常见坑点、API 调用与本地部署命令整理

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 这类大模型工具，已经成为不少人写代码、做文案、查资料、整理知识和提升办公效率的常用助手。它的优势很明显：中文理解能力不错，推理能力较强，成本相对友好，既可以在线使用，也可以通过 API、命令行工具，甚至本地模型部署来接入自己的工作流。

但在实际使用中，很多人会遇到一些“看似是模型不好用，实际是使用方式有问题”的情况：回答跑偏、代码不能运行、上下文丢失、输出太空泛、API 报错、本地部署卡顿、显存不够、提示词越写越乱等。

这篇文章整理一份 DeepSeek 使用避坑指南，覆盖在线使用、提示词写法、编程辅助、API 调用、本地部署、命令行接入等常见场景，并附上可直接复制的完整命令。

一、先明确：你到底要用 DeepSeek 做什么？

很多人一上来就问：

“帮我写一个系统。”
“帮我优化一下代码。”
“帮我做一个方案。”
“帮我分析这个问题。”

这类问题并不是不能问，而是信息太少。模型不知道你的目标、约束、环境、风格、输入输出要求，自然容易给出泛泛而谈的结果。

在使用 DeepSeek 前，建议先把需求分成几类：

知识问答：解释概念、总结文章、对比方案。
写作辅助：写公众号文章、短视频脚本、商业计划、邮件。
代码辅助：生成代码、修复 Bug、解释报错、重构项目。
数据分析：整理表格、生成 SQL、解释指标。
自动化工具：通过 API 接入网站、机器人、工作流。
本地部署：使用 Ollama、LM Studio、vLLM 等运行开源模型。

不同场景的提问方式不同，不能用同一种提示词解决所有问题。

二、避坑一：不要只问“帮我写”，要给清楚约束

错误示例

帮我写一篇关于 DeepSeek 的文章。

这个提示词太宽泛，模型会输出一篇普通介绍文，可能没有重点，也不适合你的场景。

通用提示词模板

你现在是一名【角色】。
请帮我完成【任务】。

背景信息：
【补充背景】

目标：
【最终目标】

要求：
1. 【要求一】
2. 【要求二】
3. 【要求三】

输出格式：
【Markdown / 表格 / JSON / 代码 / 分步骤说明】

注意事项：
【不要做什么 / 必须包含什么】

例如：

你现在是一名资深后端工程师。
请帮我排查一个 Node.js 接口请求超时的问题。

背景信息：
我使用 Express 框架，请求第三方接口时偶尔超时。
服务器系统是 Ubuntu 22.04，Node.js 版本是 20。

目标：
找出可能原因，并给出排查步骤。

要求：
1. 不要直接重写全部代码；
2. 先列出可能原因；
3. 再给出逐步排查命令；
4. 最后给出优化建议。

输出格式：
Markdown。

三、避坑二：不要让模型一次完成过大的任务

很多用户会让 DeepSeek 一次性生成一个完整项目，比如：

帮我写一个电商网站，包含前端、后端、数据库、支付、登录、订单和后台管理。

这种请求太大，模型可能会给你一个看似完整、实际无法运行的“半成品”。正确方式是拆分任务。

示例提示词

我想开发一个简单的电商系统。
请先不要写代码，只帮我设计系统模块。

要求：
1. 包含用户、商品、购物车、订单、后台管理；
2. 使用 Node.js + Express + MySQL；
3. 输出模块说明、接口列表和数据库表结构；
4. 等我确认后，再进入代码实现。

这样做的好处是可以让模型保持结构清晰，减少“一次性生成大量错误代码”的概率。

四、避坑三：使用 DeepSeek 写代码时，必须说明运行环境

如果你让模型写代码，但没有说明运行环境，它可能会使用与你环境不一致的写法，比如：

Python 版本不同；
Node.js 使用 CommonJS 还是 ESM；
Vue 2 和 Vue 3 混用；
React 版本不一致；
数据库字段类型不符合你的实际表；
Linux 和 Windows 命令混杂。

错误示例

帮我写一个上传图片的接口。

正确示例

请使用 Node.js 编写一个图片上传接口。

环境：
1. Node.js 20；
2. Express 4；
3. 使用 multer 处理文件上传；
4. 项目使用 CommonJS，也就是 require 写法；
5. 上传目录为 ./uploads；
6. 限制文件大小 5MB；
7. 只允许 jpg、png、webp；
8. 返回 JSON 格式。

请给出：
1. 安装命令；
2. 完整代码；
3. 测试命令；
4. 常见报错处理。

对应安装命令：

npm init -y
npm install express multer

示例运行命令：

node app.js

使用 curl 测试：

curl -X POST http://localhost:3000/upload \
  -F "file=@./test.png"

五、避坑四：不要完全相信模型生成的命令

DeepSeek 可以生成很多命令，但命令执行前一定要检查，尤其是涉及删除、覆盖、权限、系统配置的命令。

高风险命令示例

rm -rf /

sudo chmod -R 777 /

sudo chown -R root:root /

docker system prune -a --volumes

这些命令可能造成严重后果。即使不是模型故意给错，也可能因为上下文不完整导致危险操作。

建议做法

执行命令前，可以追加一句：

请检查你上面给出的命令中，是否有删除文件、覆盖配置、修改系统权限、清空数据的风险。
如果有，请说明风险，并给出更安全的替代命令。

安全检查命令示例

查看当前目录：

pwd

查看文件列表：

ls -la

先模拟删除，确认目标：

find ./logs -name "*.log"

确认无误后再删除：

find ./logs -name "*.log" -delete

比起直接执行：

rm -rf ./logs/*.log

前者更容易检查删除范围。

六、避坑五：API 调用不要只看示例，要注意密钥和模型名

很多人在调用 DeepSeek API 时，最容易遇到的问题是：

API Key 没配置；
Base URL 写错；
模型名写错；
请求头缺失；
JSON 格式错误；
额度不足；
代理或网络问题；
把密钥直接写进前端代码，导致泄露。

使用 curl 调用 DeepSeek API

以下命令适合在 Linux、macOS 或 Windows PowerShell 中参考使用。请先把 YOUR_API_KEY 替换为你的真实密钥。

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": "你是一个专业、严谨、简洁的中文助手。"
      },
      {
        "role": "user",
        "content": "请用三句话介绍 DeepSeek 的主要用途。"
      }
    ],
    "stream": false
  }'

如果使用推理模型，可以将模型名改为：

"model": "deepseek-reasoner"

注意：实际可用模型名以官方文档和你账户权限为准。

七、用环境变量保存 API Key，避免泄露

不要把 API Key 直接写在代码里，尤其不要写进前端项目、GitHub 仓库或截图中。

Linux / macOS 设置环境变量

export DEEPSEEK_API_KEY="你的_API_KEY"

查看是否设置成功：

echo $DEEPSEEK_API_KEY

如果想永久生效，可以写入 shell 配置文件。

使用 bash：

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

使用 zsh：

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

Windows PowerShell 设置环境变量

临时设置：

$env:DEEPSEEK_API_KEY="你的_API_KEY"

查看：

echo $env:DEEPSEEK_API_KEY

永久设置：

setx DEEPSEEK_API_KEY "你的_API_KEY"

设置后需要重新打开 PowerShell。

八、Python 调用 DeepSeek API 完整示例

DeepSeek 的接口风格与 OpenAI Chat Completions 类似，因此可以用 OpenAI SDK 调用。

安装依赖

pip install openai

Python 示例代码

创建文件：

touch deepseek_demo.py

写入代码：

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": "你是一个专业、严谨、简洁的中文助手。"
        },
        {
            "role": "user",
            "content": "请给我 5 条使用 DeepSeek 提升工作效率的建议。"
        }
    ],
    stream=False
)

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

运行：

python deepseek_demo.py

如果提示没有 API Key，请先执行：

export DEEPSEEK_API_KEY="你的_API_KEY"

九、Node.js 调用 DeepSeek API 完整示例

初始化项目

mkdir deepseek-node-demo
cd deepseek-node-demo
npm init -y
npm install openai dotenv

创建 `.env`

touch .env

写入：

DEEPSEEK_API_KEY=你的_API_KEY

创建 `index.js`

touch index.js

写入代码：

require("dotenv").config();

const OpenAI = require("openai");

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: "你是一个专业、严谨、简洁的中文助手。"
      },
      {
        role: "user",
        content: "请用 Markdown 格式写一个学习 Python 的 7 天计划。"
      }
    ],
    stream: false
  });

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

main().catch(console.error);

运行

node index.js

避坑提醒

.env 文件不要提交到 Git 仓库。建议创建 .gitignore：

touch .gitignore

写入：

.env
node_modules

十、避坑六：流式输出不是必须，但体验更好

如果你做的是聊天机器人、网页助手、客服系统，建议使用流式输出。否则用户要等完整回答生成后才能看到内容，体验会比较差。

Python 流式输出示例

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": "请写一段关于人工智能学习路线的介绍。"}
    ],
    stream=True
)

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 stream_demo.py

十一、本地部署 DeepSeek：先搞清楚你要部署的是哪类模型

很多人说“我要本地部署 DeepSeek”，但没有搞清楚几个问题：

你是要部署满血大模型，还是蒸馏小模型？
你的电脑有没有独立显卡？
显存多大？
是只想聊天，还是要接入 API？
是要极致性能，还是简单能跑？

本地部署的门槛主要在硬件。大参数模型需要非常高的显存，普通电脑更适合跑蒸馏版或量化版模型。

对普通用户来说，最简单的方式是使用 Ollama。

十二、使用 Ollama 本地运行 DeepSeek

macOS 安装 Ollama

可以通过官网安装，也可以使用 Homebrew：

brew install ollama

启动服务：

ollama serve

Linux 安装 Ollama

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

启动服务：

ollama serve

拉取 DeepSeek 相关模型

以 Ollama 模型库中可用名称为准，例如：

ollama pull deepseek-r1:1.5b

或：

ollama pull deepseek-r1:7b

如果机器性能较好，可以尝试更大的版本：

ollama pull deepseek-r1:14b

运行模型

ollama run deepseek-r1:7b

进入交互后可以直接提问：

请解释一下什么是动态规划，并用 Python 写一个简单示例。

查看本地模型

ollama list

删除模型

ollama rm deepseek-r1:7b

查看 Ollama 服务是否正常

curl http://localhost:11434/api/tags

十三、通过 Ollama API 调用本地 DeepSeek

如果你想把本地模型接入自己的程序，可以调用 Ollama API。

curl 调用示例

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1:7b",
    "prompt": "请用中文解释什么是向量数据库。",
    "stream": false
  }'

聊天接口示例

curl http://localhost:11434/api/chat \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1:7b",
    "messages": [
      {
        "role": "system",
        "content": "你是一个专业的中文技术助手。"
      },
      {
        "role": "user",
        "content": "请解释 RAG 的工作原理。"
      }
    ],
    "stream": false
  }'

十四、避坑七：本地模型慢，不一定是软件问题

如果你本地跑 DeepSeek 很慢，常见原因有：

模型太大；
显存不足，回退到 CPU；
内存不足；
笔记本散热差，频率下降；
同时运行太多程序；
量化版本不合适；
上下文太长。

优化建议

普通电脑先用 1.5b、7b 这类小模型；
不要一开始就跑大参数模型；
关闭不必要的软件；
缩短提示词和上下文；
使用量化模型；
如果只是日常问答，云端 API 往往更省事。

查看系统资源：

top

或：

htop

如果没有 htop，可以安装：

Ubuntu / Debian：

sudo apt update
sudo apt install htop -y

macOS：

brew install htop

查看显卡情况，NVIDIA 用户可以使用：

nvidia-smi

十五、避坑八：让 DeepSeek 修改代码时，不要只贴一句报错

很多人遇到 Bug 后会这样问：

这个报错怎么解决？

然后只贴一行错误信息。这样模型无法知道上下文，容易给出不准确建议。

高质量 Debug 提示词

请帮我排查下面的报错。

环境：
- 操作系统：Ubuntu 22.04
- Node.js：20.11
- 框架：Express 4
- 数据库：MySQL 8

我执行的命令：
npm run dev

期望结果：
服务正常启动，并监听 3000 端口。

实际结果：
启动时报错。

完整报错：
【粘贴完整报错】

相关代码：
【粘贴相关代码】

要求：
1. 先判断最可能的 3 个原因；
2. 给出排查步骤；
3. 给出修改后的代码；
4. 不要省略关键命令。

十六、避坑九：让模型输出结构化结果，减少返工

如果你需要把 DeepSeek 的结果接入程序，不要让它自由发挥，最好指定 JSON 格式。

示例

请从下面文本中提取信息，并严格输出 JSON，不要输出解释文字。

字段：
- name：姓名
- phone：手机号
- city：城市
- intent：用户意图

文本：
张三，手机号 13800138000，人在杭州，想咨询企业 AI 客服系统。

期望输出：

{
  "name": "张三",
  "phone": "13800138000",
  "city": "杭州",
  "intent": "咨询企业 AI 客服系统"
}

避坑提醒

如果用于生产环境，不要完全相信模型输出一定是合法 JSON。建议在程序中增加校验和异常处理。

Python 校验示例：

import json

text = '{"name":"张三","phone":"13800138000"}'

try:
    data = json.loads(text)
    print(data)
except json.JSONDecodeError:
    print("模型输出不是合法 JSON")

十七、避坑十：不要把 DeepSeek 当搜索引擎使用

DeepSeek 可以回答很多知识问题，但它不等于实时搜索引擎。对于新闻、价格、政策、版本更新、API 文档、法律条款等信息，最好结合官方文档或搜索引擎验证。

适合直接问 DeepSeek 的内容：

概念解释；
学习路线；
代码思路；
文案初稿；
表格整理；
总结归纳；
方案对比。

需要二次核验的内容：

最新版本；
官方价格；
法律政策；
医疗建议；
金融投资；
安全漏洞；
生产环境配置。

推荐提示词：

请基于通用知识回答，并明确指出哪些地方需要我查阅官方文档确认。

十八、常用完整命令清单

1. 设置 DeepSeek API Key

Linux / macOS：

export DEEPSEEK_API_KEY="你的_API_KEY"

Windows PowerShell：

$env:DEEPSEEK_API_KEY="你的_API_KEY"

2. curl 调用 DeepSeek

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{
    "model": "deepseek-chat",
    "messages": [
      {
        "role": "user",
        "content": "请用中文介绍 DeepSeek 的使用场景。"
      }
    ],
    "stream": false
  }'

3. Python 调用

pip install openai

python deepseek_demo.py

4. Node.js 调用

mkdir deepseek-node-demo
cd deepseek-node-demo
npm init -y
npm install openai dotenv
node index.js

5. 安装 Ollama

Linux：

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

macOS：

brew install ollama

6. 运行本地 DeepSeek 模型

ollama serve

ollama pull deepseek-r1:7b

ollama run deepseek-r1:7b

7. 查看和删除 Ollama 模型

ollama list

ollama rm deepseek-r1:7b

8. 调用本地 Ollama API

curl http://localhost:11434/api/chat \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1:7b",
    "messages": [
      {
        "role": "user",
        "content": "请解释什么是 RAG。"
      }
    ],
    "stream": false
  }'

十九、总结：DeepSeek 好不好用，关键在使用方式

DeepSeek 不是一个“万能按钮”，而是一个需要正确使用的智能工具。想让它真正提升效率，关键不是问得越多越好，而是问得越清楚越好。

你需要记住几条核心原则：

任务要具体：不要只说“帮我写”，要说明背景、目标和格式。
复杂任务要拆分：先设计，再实现，再测试，再优化。
代码问题给环境：版本、框架、报错、命令都要完整。
命令执行要谨慎：涉及删除、权限、数据库操作时必须检查。
API Key 要保护：不要写进前端，不要提交到 GitHub。
本地部署看硬件：普通电脑优先选择小模型和量化模型。
重要信息要核验：不要把模型当实时搜索和权威来源。
结构化输出更稳定：用于程序时尽量要求 JSON 或固定格式。

只要掌握这些方法，DeepSeek 就不只是一个聊天工具，而可以成为你的写作助手、编程搭档、学习教练和自动化工作流核心组件。

文章标签： DeepSeek 提示词 API调用本地部署

上一篇：DeepSeek 真正上手前，这些坑最好先避开

下一篇：别再乱用 DeepSeek 了：从提示词到 API 落地的实战避坑手册

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 这样用才顺手：常见坑点、API 调用与本地部署命令整理

DeepSeek 使用避坑指南｜附完整命令

一、先明确：你到底要用 DeepSeek 做什么？

二、避坑一：不要只问“帮我写”，要给清楚约束

错误示例

推荐写法

通用提示词模板

三、避坑二：不要让模型一次完成过大的任务

推荐拆分方式

示例提示词

四、避坑三：使用 DeepSeek 写代码时，必须说明运行环境

错误示例

正确示例

五、避坑四：不要完全相信模型生成的命令

高风险命令示例

建议做法

安全检查命令示例

六、避坑五：API 调用不要只看示例，要注意密钥和模型名

使用 curl 调用 DeepSeek API

七、用环境变量保存 API Key，避免泄露

Linux / macOS 设置环境变量

Windows PowerShell 设置环境变量

八、Python 调用 DeepSeek API 完整示例

安装依赖

Python 示例代码

九、Node.js 调用 DeepSeek API 完整示例

初始化项目

创建 .env

创建 index.js

运行

避坑提醒

十、避坑六：流式输出不是必须，但体验更好

Python 流式输出示例

十一、本地部署 DeepSeek：先搞清楚你要部署的是哪类模型

十二、使用 Ollama 本地运行 DeepSeek

macOS 安装 Ollama

Linux 安装 Ollama

拉取 DeepSeek 相关模型

运行模型

查看本地模型

删除模型

查看 Ollama 服务是否正常

十三、通过 Ollama API 调用本地 DeepSeek

curl 调用示例

聊天接口示例

十四、避坑七：本地模型慢，不一定是软件问题

优化建议

十五、避坑八：让 DeepSeek 修改代码时，不要只贴一句报错

推荐提供的信息

高质量 Debug 提示词

十六、避坑九：让模型输出结构化结果，减少返工

示例

避坑提醒

十七、避坑十：不要把 DeepSeek 当搜索引擎使用

十八、常用完整命令清单

1. 设置 DeepSeek API Key

2. curl 调用 DeepSeek

3. Python 调用

4. Node.js 调用

5. 安装 Ollama

6. 运行本地 DeepSeek 模型

7. 查看和删除 Ollama 模型

8. 调用本地 Ollama API

十九、总结：DeepSeek 好不好用，关键在使用方式

创建 `.env`

创建 `index.js`