DeepSeek API不是免费无限调用，而是按token分模型、分输入输出计费，缓存命中和夜间时段会明显影响单价。教学项目应先用免费额度验证，再按调用量做预算。
在AI教学与课程开发中，老师和开发者最常问的一个问题是DeepSeek API到底收不收费。简短回答是收费，但收费与“买会员”“包月无限用”完全不同。它采用按量计费，调用多少算多少，不同模型、不同输入输出、是否命中缓存，都会改变最终账单。理解这套规则，比记住一个价格数字更重要，因为官方价格会调整，而计费逻辑相对稳定。
1. Token计费的真实逻辑
DeepSeek API的计费单位是token，不是请求次数，也不是按用户数收费。平台会把输入文本和模型输出分别统计token，输入价格和输出价格通常不同，输出往往更贵。以deepseek-chat这类通用对话模型为例，输入分为缓存命中与缓存未命中两档，命中缓存的输入单价显著低于未命中；输出则按统一单价计算。deepseek-reasoner这类推理模型因为生成过程包含思维链，输出token更多，单价也更高。开发者如果只盯着“每次请求多少钱”，很容易低估长回答、长上下文和反复重试带来的成本。
另一个关键是上下文长度。API调用时，系统提示词、历史对话、检索到的资料都会作为输入token计费。教学场景里常见的做法是把课程大纲、评分标准、学生提交内容一并放进提示词，输入量很容易从几百token涨到几千token。如果每轮对话都重复携带完整历史，成本会随轮次快速累积。缓存机制正是为此设计：当相同前缀内容反复出现时，平台可复用缓存，降低输入单价。但缓存不是自动覆盖所有内容，提示词结构是否稳定、前缀是否一致，都会影响命中率。
此外，DeepSeek曾推出分时段优惠，夜间调用可享受折扣，这类价格窗口会直接影响批量任务的设计。需要强调的是，具体单价、模型名称和优惠规则以官方文档和账单页为准，本文给出的量级只用于帮助建立成本意识。把API当成水电一样的计量资源，而不是固定月费软件，是做好预算的第一步。
2. 免费额度与价格窗口
DeepSeek开放平台对新用户和早期使用者提供过赠送额度，这类额度通常用于测试和小规模验证，而不是支撑正式教学产品。很多老师第一次接触时看到“免费”字样，就以为API可以长期零成本使用，实际注册后会发现赠送token有有效期、有模型范围限制，用完后按量扣费。正确的做法是把免费额度当成试运行预算：先跑通鉴权、提示词、流式输出和异常处理，再估算一个班级或一门课的真实调用量。
价格窗口是另一个容易被忽略的变量。平台在不同阶段会调整模型价格，也可能推出限时折扣，例如夜间时段调用享受更低单价。对于作业批改、课程资料摘要、题库批量生成这类不要求实时响应的任务，完全可以把任务排队到优惠时段执行，成本可能下降数成。反过来，实时答疑机器人面向学生白天使用，就很难靠时段折扣省钱，需要在提示词长度和回答长度上做控制。
从行业经验看，API价格长期趋势是下降的，但下降不等于免费。模型能力提升往往伴随更复杂的推理过程，输出token可能增加，单位成本下降和总用量上升会同时发生。教学团队应该建立自己的价格观察表，记录官方调价日期、模型版本和实际账单，而不是依赖某篇教程里的旧数字。免费额度用来验证可行性，价格窗口用来优化批量任务，正式预算则按稳定单价留出余量，这三件事分开管理，才不会在月底被账单打乱教学安排。
3. 教学场景的成本测算
以一个50人的培训班为例，假设每位学生每天向答疑机器人提问10次，每次输入约500 token，输出约300 token，使用通用对话模型。一天的总输入是50乘10乘500，等于25万token，即0.25百万token；总输出是50乘10乘300，等于15万token，即0.15百万token。按输入每百万token两元、输出每百万token八元的量级估算，每天输入成本约0.5元，输出成本约1.2元，合计约1.7元，一个月按30天算约51元。这个数字看起来很低，但它建立在“每次只带500 token输入”和“每天10次”的假设上。
一旦把完整课程资料、学生历史对话和评分标准都塞进提示词，输入量可能翻五到十倍。如果每轮都携带前几轮对话，输入token会随轮次线性增长，一个学生连续追问十轮，输入总量可能从500涨到数千。输出端同样如此，要求模型给出详细解析、逐句批改或生成完整教案，输出token会远超300。推理模型用于数学题讲解时，思维链也会计入输出，账单可能比通用模型高出一截。真实项目里还要算上失败重试、内容审核和日志存储带来的额外调用。
因此，教学场景的成本测算不能只算“一次问答”，而要按业务链路拆开。答疑机器人适合限制历史轮数、把固定课程信息做成缓存前缀；作业批改适合批量提交、控制输出格式；课程内容生成适合放在夜间优惠时段跑批。建议在正式上线前用一百条真实样本做压测，记录平均输入输出token、缓存命中率和重试率，再乘以学生规模和频次。这样得到的预算比拍脑袋估值可靠得多，也能帮助团队判断哪些功能值得用大模型，哪些用规则或小模型更划算。
4. 常见误区与成本治理
第一个误区是把API收费理解成“按次收费”。实际上一次请求可能因为长上下文消耗上万token，也可能因为短提示只花几分钱，按次估算会严重失真。第二个误区是只看输入价格，忽略输出更贵。很多教学应用的问题恰恰出在输出失控：模型被要求“详细解释”，结果每次生成上千token，成本迅速放大。第三个误区是认为缓存会自动生效。缓存需要稳定的前缀结构，如果系统提示词每次插入时间戳、随机ID或学生姓名，缓存命中率会大幅下降。
成本治理要从产品设计阶段介入。给每次调用设置合理的最大输出token，避免模型无限展开；对历史对话做摘要或截断，而不是全量回传；把课程大纲、评分规则等固定内容放在提示词前部并保持稳定，提高缓存命中；对简单分类、关键词抽取等任务使用更小或更便宜的模型，把推理模型留给真正需要多步思考的题目。监控层面要按天统计输入输出token、缓存命中率和失败重试次数，设置预算告警，避免某个班级的批量任务把月度额度提前耗尽。
还需要提醒的是，API账单和网页版聊天产品的会员是两套体系。网页版面向个人交互，API面向程序调用，计费、额度限制和使用条款都不同。教学团队如果只是老师个人备课，网页版可能更省心；如果要嵌入学习平台、批量处理作业或做自动化答疑，API才合适。把使用场景和计费体系匹配起来，比单纯追求低价更重要。真正专业的做法，是在项目立项时就写清调用量假设、成本上限和降级方案，让技术选择服务于教学目标，而不是被一张失控的账单牵着走。
