引子
最近想做一个答题类的网站，核心需求很简单：用户丢一道题进来，系统给出答案和解析。这种「一问一答」的场景，用大语言模型再合适不过——不用自己维护题库，模型现学现答，还能顺手把思路讲清楚。
模型选型我几乎没犹豫，直接选了 DeepSeek。理由就一个字：省。下面是真金白银跑出来的数据，不是 PPT 上的定价表。
成本实测：10 块钱能跑多久？
我在 DeepSeek 平台充值了 ¥10.00，实际跑了 33 次 调用，结果如下：
| 指标 | 数值 |
|---|---|
| 充值金额 | ¥10.00 |
| 调用次数 | 33 次 |
| 消费金额 | ¥0.14 |
| 消耗 Tokens | 146,785 |
| 账户余额 | ¥9.86 |
把这几个数字拆开看更有意思：
- 单次平均消耗：146,785 ÷ 33 ≈ 4,448 Tokens/次。一道题 + 系统提示词 + 答案解析，平均四千多 token，符合预期。
- 单次平均成本：¥0.14 ÷ 33 ≈ ¥0.0042，也就是 4 厘多一次。
- 每千 Token 成本：¥0.14 ÷ 146.785 ≈ ¥0.00095，不到 1 厘。
换句话说，这 10 块钱按目前的用法，至少还能再答两千多道题。对一个小项目、个人玩具、或者给朋友演示用的网站来说，这个成本基本可以忽略不计。
技术实现：DeepSeek API 怎么接
DeepSeek 的接口和 OpenAI 高度兼容，迁移成本几乎为零。核心就是往 https://api.deepseek.com/v1/chat/completions 发一个 POST，带上 API Key 和对话消息。
1. 获取 API Key
在 DeepSeek 开放平台（platform.deepseek.com）注册后，到「API Keys」页面生成一个 Key，形如 sk-xxxx。千万别把 Key 写死在前端，否则被人刷一下你的 10 块钱瞬间就没了。正确做法是用一个后端服务转发请求。
2. 后端调用示例（Python）
import requests
API_KEY = "sk-你的密钥" # 放在服务端环境变量里
API_URL = "https://api.deepseek.com/v1/chat/completions"
def ask_deepseek(question: str, options: list[str] | None = None) -> dict:
# 系统提示词：定义模型扮演的角色和输出格式
system_prompt = (
"你是一个严谨的答题助手。"
"请基于题目给出正确答案，并附上简明解析。"
"如果题目是选择题，请明确指出正确选项。"
)
# 把题目和选项拼成用户消息
user_content = f"题目：{question}\n"
if options:
user_content += "选项：\n" + "\n".join(
f"{chr(65+i)}. {opt}" for i, opt in enumerate(options)
) + "\n"
user_content += "请给出答案与解析。"
payload = {
"model": "deepseek-chat", # 通用对话模型
"messages": [
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_content},
],
"temperature": 0.3, # 答题要稳，温度调低
"max_tokens": 1024,
}
resp = requests.post(
API_URL,
headers={"Authorization": f"Bearer {API_KEY}"},
json=payload,
timeout=30,
)
return resp.json()
3. 前端怎么用
前端只负责把题目发给你的后端，后端再调 DeepSeek。一个简单的流程：
用户出题 → 前端 POST /api/answer → 你的后端 → DeepSeek API → 返回答案 → 前端渲染
这样 Key 永远不暴露，你还能在中间加一层限流（比如每人每天 50 题），防止被滥用把余额薅光。
使用 DeepSeek 的几个方法（踩坑心得）
实际跑下来，几点经验值得记一下：
1. 模型要选对
DeepSeek 目前主要有 deepseek-chat（通用对话）和 deepseek-reasoner（深度推理）。普通答题用 deepseek-chat 就够了，又快又便宜；遇到数学、逻辑、竞赛类难题，再切 deepseek-reasoner 让模型先推理再答。
2. 系统提示词决定下限 答题场景里，给模型一个明确的「角色 + 输出格式」能显著稳定输出。比如要求它「先给答案，再给解析」「选择题必须指明选项字母」，比让它自由发挥靠谱得多。
3. 温度（temperature）调低
答题要的是准确，不是创意。我把 temperature 设到 0.3 左右，避免模型「脑洞大开」给你编一个听起来很对的错误答案。
4. 控制 max_tokens
解析写太长既拖慢响应又烧 token。设个合理的 max_tokens（比如 1024），既能讲清楚又不会无限发散。
5. 加一层缓存 如果同一道题高频被问（比如热门考题），后端可以把「题目 → 答案」缓存起来，第二次直接返回，连 API 都不用调，成本还能再砍一刀。
小结
DeepSeek 这波体验总结成一句话：个人开发者做 AI 应用，现在真的到了「成本不是问题」的阶段。充值 10 块钱，33 次调用只花 1 毛 4，14 万 token 跑完还有 9 块 8 余额。接口又和 OpenAI 兼容，半小时就能把答题网站跑起来。
如果你也在琢磨用大模型做个小东西，我的建议是：别犹豫，先充 10 块钱跑通再说。
本文数据为作者真实使用记录，价格随官方政策可能变动，请以 DeepSeek 开放平台实时定价为准。