Zusammenfassung: DeepSeek stellt Entwicklern die Such-, Dateiparsing-, Linklese- und Sprachfunktionen der App über die API bereit. Die zentralen Tool-Abläufe führt dabei der API-Server aus.
Am 13. November 2026 veröffentlichte DeepSeek offiziell die Full-Suite-App-API. Die zuvor in der DeepSeek-App und der Webversion integrierten Funktionen – Websuche, Deep-Thinking-Suche, Linklesen, Dateieingabe und Modellsicherheitsprüfung – sowie die eigenständigen Schnittstellen für Search, Fetch, OCR, ASR und TTS lassen sich jetzt über die API aufrufen. Die zentrale Neuerung dieses Updates: Wenn Entwickler in einer Anfrage Tools wie deepseek_web_search und deepseek_read_url deklarieren, übernimmt der DeepSeek-Server die Suche, das Lesen von Webseiten und das Zusammenfügen des Kontexts. Der Client muss die Aufrufkette „Modell → Suche → Abruf → Rückgabe → erneute Anfrage“ nicht mehr selbst orchestrieren. Laut Anbieter lassen sich mit dieser API Funktionen umsetzen, die im Wesentlichen mit denen der DeepSeek-App übereinstimmen.
Im Folgenden wird zuerst dargestellt, welche Fähigkeiten jetzt offenstehen und welche Modelle und Protokolle verwendet werden können. Danach werden die technischen Abläufe und Einschränkungen von Websuche, Deep-Thinking-Suche, Dateien und Links, Sprachverarbeitung sowie OCR im Detail beschrieben. Anschließend werden der alte und der neue Entwicklungsansatz verglichen und die Arbeiten erläutert, die weiterhin auf der Clientseite anfallen. Zum Schluss werden anhand von drei Produkttypen – Nachrichten-Q&A, Analyse von Finanzberichten und Sprachassistent – Entscheidungshilfen für die beiden Integrationswege gegeben: integrierte Tools oder eigenständige Tools.

Wissenswertes: Begriffe rund um die DeepSeek-Komplettpaket-API
| Begriff | Erklärung |
|---|---|
| API | Schnittstelle, über die Software Anfragen und Ergebnisse in einem vereinbarten Format austauscht |
| Harness | Laufzeit-Framework, das den Ausführungsablauf von Agenten, Modellen, Tools und Kontext verwaltet |
| Server-side Tool | Ein Tool, das serverseitig vom Modellanbieter ausgeführt wird; der Client erhält nur das Ausführungsergebnis |
| Deep Thinking Search | Das Modell durchsucht während des Schlussfolgerungsprozesses mehrfach das Web, öffnet Seiten und sucht Informationen |
| Chat Completions | Traditionelle Chat-Completion-Schnittstelle im OpenAI-Stil |
| Responses API | Schnittstelle für strukturierte Antworten, Tool-Aufrufe und mehrstufige Interaktionen |
| Messages API | Nachrichtenschnittstelle im Anthropic-Stil |
| Files API | Schnittstelle zum Hochladen und Parsen von Dateien, die eine file_id zurückgibt, damit sie in Dialogen referenziert werden kann |
| OCR | Erkennt Text in Bildern oder Dokumenten und wandelt ihn in verarbeitbaren Text um |
| ASR | Wandelt Sprache in Text um |
| TTS | Wandelt Text in Sprache um |
| Citation | Mechanismus, der Inhalte in Antworten mit konkreten Informationsquellen verknüpft |
| tool_choice | Anfrageparameter, der steuert, wie das Modell Tools aufruft |
1 Die DeepSeek-Familien-API: Kernfunktionen der App für Entwickler
1.1 Was die DeepSeek-Familien-API am 13. November veröffentlicht hat
Die diesmal veröffentlichten Funktionen lassen sich in zwei Kategorien unterteilen: Zum einen serverseitige Werkzeuge, die in die Konversation eingebettet sind und vom Modell während der Antwort selbstständig aufgerufen werden; zum anderen eigenständige Tool-Schnittstellen, die Entwickler separat ansprechen und frei kombinieren können.
| Funktion | Englischer Name | Aufrufform | Zweck |
|---|---|---|---|
| Websuche | Web Search | In die Konversation integriertes Tool | Das Modell entscheidet selbst, ob gesucht wird, und liefert Antworten mit Quellenangaben |
| Deep-Thinking-Suche | Deep Thinking Search | In die Konversation integriertes Tool | Mehrstufige Suche, Öffnen von Webseiten, Suche innerhalb der Seite |
| Links lesen | Read URL | In die Konversation integriertes Tool | Liest Webseitenlinks aus der Nutzernachricht |
| Dateieingabe | File Input | Files API + Konversation | PDF, Office und Bilder werden geparst und in den Kontext übergeben |
| Modellsicherheit | Safety Check | Anfrageparameter | Prüft Eingaben, Tool-Ergebnisse und Ausgaben |
| Websuche | Search API | Eigenständige Schnittstelle | Liefert strukturierte Suchergebnisse |
| Webseiten-Abruf | Fetch API | Eigenständige Schnittstelle | Extrahiert den Fließtext einer Webseite |
| OCR | Optical Character Recognition | Eigenständige Schnittstelle | Erkennt Text in Bildern und Dokumenten samt Seitenposition |
| ASR | Automatic Speech Recognition | Eigenständige Schnittstelle | Wandelt Audio in Text um |
| TTS | Text-to-Speech | Eigenständige Schnittstelle | Wandelt Text in Sprache um, unterstützt WebSocket-Streaming |
Der Schwerpunkt dieses Updates liegt auf der Anwendungsebene der Modelle. Über die reine Inferenzfähigkeit hinaus werden die Komponenten, von denen ein App-Erlebnis abhängt – Suche, Dokumente, Sprache, Risikokontrolle –, als Ganzes geöffnet. Entwickler erhalten damit eine Infrastruktur, aus der sie direkt ein Produkt zusammenbauen können.
Am selben Tag hat DeepSeek außerdem eine leichtgewichtige Frontend-Chat-Demo als Open Source veröffentlicht – eine Referenzimplementierung zum Nachbauen des App-Erlebnisses. Als Hintergrund: Am 13. August hat DeepSeek bereits das Agent-Laufzeitframework DeepSeek Harness open sourced. Es gehört zur Framework-Ebene und die Familien-API zur Schnittstellenebene – zwei unabhängige, aber miteinander verwandte Produktlinien.
1.2 Welche Modelle und Protokolle die DeepSeek-Familien-API unterstützt
Die vollständige Tool-Integration auf Konversationsebene wird derzeit von deepseek-flash getragen, was der offiziellen Version DeepSeek-V4.1-Flash-1017 entspricht. Dieses Modell unterstützt Denk- und Nicht-Denk-Modus, Websuche, Deep-Thinking-Suche, Links lesen, Dateiparsing, Bildverstehen und Sicherheitsprüfung, mit einer Kontextlänge von 1M und einer maximalen Ausgabe von 384K. Die in der Ankündigung genannte Tool-Integration bezieht sich ausdrücklich auf deepseek-flash; für den Tool-Support anderer Modelle wie DeepSeek-V4-Pro gelten die späteren offiziellen Angaben.
| Protokoll | Anfrageadresse | Besonderheiten |
|---|---|---|
| OpenAI Chat Completions | POST api.deepseek.com/chat/completions |
Klassische Chat-Vervollständigung, geringste Migrationskosten |
| OpenAI Responses | POST api.deepseek.com/responses |
Strukturierte Antworten und mehrstufige Tool-Interaktion |
| Anthropic Messages | POST api.deepseek.com/anthropic/v1/messages |
Nachrichtenformat im Anthropic-Stil |
Alle drei Protokolle können serverseitige Suche, Links lesen und Dateifunktionen nutzen, doch Anfrageparameter und Antwortstruktur unterscheiden sich jeweils. Teams, die bereits OpenAI-SDK-Code haben, können bevorzugt Chat Completions oder Responses wählen; Projekte, die auf dem Claude-Ökosystem aufbauen, können das Messages-Protokoll nutzen.
2 Wie die DeepSeek-Suite-API Aufgaben übernimmt, die zuvor getrennt erledigt werden mussten
2.1 DeepSeek-Websuche: Das Modell entscheidet, wann gesucht wird
Wenn deepseek_web_search in den tools einer Anfrage deklariert wird, entscheidet das Modell anhand der Frage, ob eine Websuche nötig ist, erzeugt automatisch Suchbegriffe, lässt die Suche serverseitig ausführen und fasst die Informationen anschließend mit Quellenangaben zusammen. Das Tool unterstützt sowohl Web- als auch Bildsuche.
Bei einer Tech-News-Abfrage wie „Welche neuen API-Funktionen hat DeepSeek zuletzt veröffentlicht?“ enthält die Antwort Suchbegriffe, strukturierte Suchergebnisse, Quell-URLs, Titel, Veröffentlichungsdaten und Zitationsinformationen. Der folgende Chat-Completions-Request-Body aus der offiziellen Dokumentation aktiviert gleichzeitig den Denkmodus, die Websuche und das Lesen von Links:
{
"model": "deepseek-flash",
"thinking": { "type": "enabled" },
"tools": [
{ "type": "deepseek_web_search" },
{ "type": "deepseek_read_url" }
],
"messages": [
{ "role": "user", "content": "调查DeepSeek最近发布了哪些API新功能" }
],
"stream": true
}
Bei den Regeln zur Steuerung von Tool-Aufrufen gibt es einige Besonderheiten:
- Nachdem ein Tool in
toolsdeklariert wurde, entscheidet das Modell, ob es aufgerufen wird. - Mit
tool_choicelassen sichdeepseek_web_searchoderdeepseek_read_urlnicht erzwingen. tool_choice: nonedeaktiviert alle Tools.- Die Kombination von Websuche-Tools mit anderen serverseitigen Tools ist nur eingeschränkt möglich; außerhalb des unterstützten Umfangs wird ein 400-Fehler zurückgegeben.
2.2 DeepSeek Deep Search: von einer einzelnen Abfrage zu multistufiger Recherche
Sobald der Denkmodus aktiviert ist, wird die Websuche zu einer Deep-Thinking-Suche ausgebaut. Während der Inferenz wechselt das Modell zwischen drei Aktionen: search durchsucht Schlüsselwörter, open_page öffnet die gefundene Webseite, find_in_page sucht eine bestimmte Information innerhalb der Seite.
Das Ergebnis jedes Schritts beeinflusst die jeweils nächste Entscheidung. Anhand der Resultate der ersten Runde kann das Modell neue Schlüsselwörter ergänzen, offizielle Ankündigungen öffnen, um Details zu verifizieren, und anschließend mehrere Quellen gegeneinander abgleichen – nach bis zu etwa 20 Tool-Aufrufen liefert es eine Antwort mit Quellenangaben. Bei Recherchefragen ist das so, als wäre ein kleiner Retrieval-Agent direkt in die API eingebaut.
2.3 DeepSeek Dateien und Links: das Modell liest externe Materialien direkt
deepseek_read_url liest gezielt vom Nutzer angegebene URLs, nach folgenden Regeln:
- Erkannt werden nur URLs in der letzten Nutzernachricht, maximal die ersten 10 verschiedenen URLs; doppelte URLs zählen nur einmal.
- Welche URLs tatsächlich gelesen werden, entscheidet das Modell.
- Werden in derselben Runde mehrere lange Webseiten gelesen, verringert sich der für eine einzelne Seite verfügbare Kontext.
- Ist der Denkmodus aktiv und gleichzeitig
deepseek_web_searchdeklariert, greift in dieser Runde der Deep-Thinking-Suchmechanismus.
Die Dateifunktion läuft über die Files API: Datei per POST /files hochladen, nach Abschluss der serverseitigen Analyse wird eine file_id zurückgegeben, die im Dialog referenziert werden kann. Beim Upload muss der Analysezweck angegeben werden; der Unterschied zwischen den beiden Modi liegt darin, ob das Modell Diagramme sehen kann:
- text_recognition: Nur reiner Text bleibt erhalten, geeignet für Verträge, wissenschaftliche Arbeiten und ähnliche Textmaterialien; Diagramminhalte werden verworfen.
- rich_layout_recognition: Text bleibt erhalten, Bilder und Diagramme werden automatisch zugeschnitten und dem Modell an ihrer ursprünglichen Position übergeben – geeignet für Finanzberichte, PPTs und gemischt bebilderte Berichte; verbraucht zusätzliche Bild-Token.
Unterstützte Formate sind PDF, DOC/DOCX, PPT/PPTX sowie Bilder wie PNG, JPEG, WebP, GIF, BMP und TIFF. Maximal 100 MiB pro Datei und bis zu 1000 Seiten; Upload und Analyse müssen jeweils innerhalb von 120 Sekunden abgeschlossen sein, pro Anfrage lassen sich höchstens 20 Dateien referenzieren. XLSX, CSV, EPUB und ähnliche Formate können als user_data hochgeladen werden; das System wandelt sie in Markdown um und berechnet keine Analysegebühr.
Sobald die Analyseergebnisse in den Kontext des Modells gelangen, kann das Modell auf Basis des Volltexts antworten, zusammenfassen oder vergleichen; in mehrstufigen Dialogen bleibt der Inhalt historischer Dateien dauerhaft erhalten. Wird eine bereits analysierte Datei erneut referenziert, fällt keine erneute Analysegebühr an, jedoch werden die tatsächlich in den Kontext gelangten Input-Token berechnet. Technisch gibt es noch zwei Details: Bei Multipart-Uploads muss das Feld purpose vor dem Feld file stehen; wird ein Dokument zu lang und überschreitet das Kontextlimit, gibt die Anfrage einen 400-Fehler zurück.
2.4 DeepSeek-Sprach- und OCR-Funktionen: Ein- und Ausgabefähigkeiten für Anwendungen ergänzen
OCR, ASR und TTS sind eigenständige Schnittstellen mit den Pfaden /v1/tools/ocr, /v1/tools/asr und /v1/tools/tts.
- OCR: Erkennt Text und Seitenpositionen in Bildern, PDF-, Word- und PowerPoint-Dateien. Eine einzelne Datei darf bis zu 100 MiB und 1000 Seiten umfassen, der Verarbeitungs-Timeout liegt bei 180 Sekunden. Die Rolle unterscheidet sich von der Dateianalyse: OCR extrahiert Text eigenständig, während die Dateianalyse Inhalte in den Kontext des Modells einspeist.
- ASR: Unterstützt 21 Sprachen wie Chinesisch, Kantonesisch, Englisch und Japanisch und erkennt die Sprache automatisch. Das Eingabeformat ist 16-Bit-PCM-WAV oder Ogg Opus, die maximale Dateigröße beträgt 8 MiB und die maximale Länge 120 Sekunden; die Erkennung erfolgt nicht-streamingbasiert per Upload der vollständigen Datei.
- TTS: Bietet die beiden Stimmen stella (Seestern, weibliche Stimme, Standard) und tide (Dunkle Flut, männliche Stimme). Unterstützt 10 Sprachen wie Mandarin, Kantonesisch und Englisch. Pro Aufruf können maximal 10.000 abzurechnende Zeichen eingegeben werden, und es werden bis zu 30 Minuten Audio zurückgegeben. Die Ausgabeformate sind WAV und PCM, die Synthese unterstützt WebSocket-Streaming; die Anpassung der Sprechgeschwindigkeit wird derzeit nicht unterstützt.
Verknüpft man alle drei Dienste mit dem Dialogmodell, erhält man eine vollständige Sprachassistenten-Kette: ASR wandelt die Nutzerstimme in Text um, deepseek-flash antwortet unter Einbeziehung von Websuche oder Dateireasoning, und TTS liest die Antwort vor. Ein Dokumentassistent kann zunächst per OCR gescannte Dokumente stapelweise als Text extrahieren und einen Index aufbauen und anschließend über die Files API das Modell eine einzelne Datei eingehend lesen lassen.

3 Die DeepSeek-All-in-One-API verändert, wie Entwickler Dienste anbinden
3.1 So wurde früher ein KI-Assistent mit Internetzugang entwickelt
Bevor es serverseitige Tools gab, musste der Client bei der Entwicklung eines Assistenten mit Internetzugang die Tool-Schleife selbst steuern:
- Nach einer Nutzerfrage wird die Modell-API aufgerufen.
- Das Modell erkennt, dass eine Suche erforderlich ist, und gibt eine Anforderung für einen Tool-Aufruf zurück.
- Der Client ruft die Such-API eines Drittanbieters auf.
- Der Client ruft einen Scraping-Dienst auf, um den Volltext der Webseite abzurufen.
- Der Client fügt die Ergebnisse in den Kontext ein und fragt das Modell erneut an.
- Das Modell erzeugt die endgültige Antwort.
Auf dieser Kette stammen Suchdienste, Scraping-Dienste, Dateiparsing, OCR, Sprachverarbeitung und Inhaltsmoderation oft von unterschiedlichen Anbietern. Bei jedem einzelnen müssen Authentifizierung, Abrechnung, Fehlerbehandlung und Timeout-Strategien separat integriert werden.
3.2 Wie das DeepSeek-Komplettpaket-API die Aufrufkette verkürzt
Im neuen Modus müssen Entwickler die Tools nur noch in der Anfrage deklarieren. Das DeepSeek-Modell entscheidet selbst, ob gesucht wird, der Server führt die Suche und das Lesen von Webseiten aus, ordnet die Tool-Ergebnisse und den Kontext, das Modell setzt die Inferenz fort und liefert schließlich die Antwort samt Quellenangaben. Die Schritte 2 bis 5, die früher der Client übernahm, laufen jetzt vollständig serverseitig ab.

Während der Server den Ausführungsablauf übernimmt, übernimmt er auch einen Teil der Generierungsparameter. Bei aktivierten integrierten Web-Tools, der Sicherheitsprüfung oder der Sitzungstitel-Funktion können temperature, top_p, frequency_penalty, presence_penalty, stop, seed, n und parallel_tool_calls in Chat Completions ignoriert werden. max_tokens bleibt weiterhin wirksam, begrenzt aber die Ausgabelänge jedes einzelnen Inferenzschritts. Szenarien, in denen Sampling-Parameter strikt kontrolliert werden müssen, sollten die Eignung des integrierten Tool-Modus gesondert bewerten.
Die Sicherheitsprüfung wird über den Anforderungsparameter "safety_check": {"level": "high"} aktiviert und umfasst Nutzereingaben, Tool-Rückgabewerte sowie die endgültige Modellausgabe. Bei einem Risikotreffer wird ein 400-Fehler zurückgegeben oder die Antwort mit einer Ablehnung beendet. Offiziell wird ausdrücklich darauf hingewiesen, dass diese Funktion eine grundlegende Risikokontrolle bietet und Anwendungsanbieter weiterhin ihren Pflichten zur Inhaltsprüfung, zur Registrierung großer Sprachmodelle, zur KI-Kennzeichnung und weiteren Vorgaben nachkommen müssen.
3.3 Aufgaben des Frontends trotz DeepSeek-Komplettpaket-API
DeepSeek übernimmt die Ausführung von Tools und die Organisation des Kontexts. Das Produkterlebnis entsteht jedoch weiterhin im Client. Die wichtigsten Rückgabefelder, die behandelt werden müssen, sind:
server_tool_use: Welche Tool-Aufrufe serverseitig ausgeführt wurden.web_search_tool_result,web_fetch_tool_result: Suchergebnisse und Ergebnisse des Abrufs von Webseiten.citations: Quellenverweise in der Antwort. Bei der Streaming-Ausgabe werden sie über Ereignisse wiecitations_deltaübermittelt.signature: Signatur, die zum Speichern eines Teils des Tool-Kontexts erforderlich ist.
Mehrrunden-Dialoge müssen die relevanten Inhaltsblöcke unverändert zurücksenden. Der von deepseek_read_url gelesene Webseiteninhalt wird über eine verschlüsselte Signatur gespeichert. Wenn der Client die Signatur ändert oder verwirft, kann der Webseitenkontext in späteren Runden nicht wiederhergestellt werden. Quellenverweise sollten an den entsprechenden Textblock gebunden und dort angezeigt werden. Im Streaming-Szenario gibt es noch ein Detail: Ein Teil des Inhalts kann bereits angezeigt worden sein, bevor abschließend eine Ablehnung festgestellt wird. In diesem Fall muss das Frontend den bereits angezeigten Inhalt zurücknehmen und stattdessen einen Ablehnungshinweis anzeigen.
Das offizielle Open-Source-Chat-Demo ist eine gute Referenz. Es implementiert die automatische Generierung von Dialogtiteln, das Bearbeiten von Nachrichten, Neugenerierung, Fortsetzen der Generierung, Import und Export von Gesprächsverläufen, Markdown- und Mermaid-Rendering, helle und dunkle Themes, die Sicherheitsprüfung von Bildern sowie Spracheingabe und Vorlesen. API-Schlüssel, Gesprächsverläufe und Bilder werden lokal im Browser gespeichert. Eine vollständige kommerzielle Anwendung muss auf dieser Basis noch um Geschäftsbereiche wie Konten, Datenverwaltung, Zahlung, Berechtigungen und Sicherheitsprüfung ergänzt werden.
4 Die Produkttypen, für die das DeepSeek-Komplettpaket am besten geeignet ist
4.1 Informations-Q&A und KI-Rechercheassistenten
Wenn Nutzer nach aktuellen Informationen wie Modellveröffentlichungen oder Branchentrends fragen, ruft das Modell die Daten über die Websuche ab, öffnet offizielle Ankündigungen zur Verifizierung und liefert anschließend eine Antwort mit Quellenangaben. Die tiefe Denk-Suche eignet sich für Recherchefragen, die eine quellenübergreifende Verifizierung erfordern, während das Lesen von Links für Szenarien geeignet ist, in denen Nutzer direkt eine URL einfügen und eine Zusammenfassung oder einen Vergleich anfordern.
4.2 PDF-Finanzberichte und Unternehmens-Wissensassistenten
Finanzberichte, technische Whitepaper und interne PPTs enthalten in der Regel zahlreiche Diagramme. Mit dem Modus rich_layout_recognition versteht das Modell sowohl den Fließtext als auch Diagramminhalte wie Umsatztrendkurven und kann Fragen wie „Welches Quartal verzeichnete das stärkste Wachstum?“ beantworten, die von Diagrammen abhängen. Für reine Textdokumente wie Verträge und Richtlinien reicht text_recognition aus, was die Kosten senkt.
4.3 Sprachinteraktive Anwendungen
Die Kombination aus ASR, deepseek-flash und TTS deckt sprachbasierte Q&A, die Aufbereitung von Meeting-Mitschnitten, die Transkription von Interviews und Vorleseanwendungen ab. Zu beachten ist, dass ASR pro Audiosegment maximal 120 Sekunden verarbeitet und nicht streamend erkennt – lange Aufnahmen müssen daher clientseitig in Segmente aufgeteilt werden. TTS unterstützt die streamende Synthese über WebSocket, sodass während der Generierung abgespielt werden kann, was die Wartezeit bis zum ersten Ton verkürzt.
Die offiziellen Preise der DeepSeek-Tools lauten wie folgt, maßgeblich ist das offizielle Preisdokument vom 15. November 2026:
| Funktion | Abrechnungseinheit | Listenpreis | Zeitlich begrenzte Aktion |
|---|---|---|---|
| Search-Suche | 1000 erfolgreiche Anfragen | ¥5 | ¥5 |
| Fetch-Webabruf | 1000 erfolgreiche Anfragen | ¥5 | ¥5 |
| Dateiparsing | 1000 Seiten | ¥1,5 | ¥1,5 |
| OCR | 1000 Seiten | ¥1,5 | ¥1,5 |
| ASR | 1 Stunde Audio | ¥0,78 | ¥0,39 |
| TTS | 10.000 abrechenbare Zeichen | ¥3 | ¥1,5 |
Die Tool-Kosten werden getrennt von den Modell-Token-Kosten berechnet. Der Output-Preis von DeepSeek-V4.1-Flash beträgt pro Million Token ¥4 in der Nebenzeitspanne und ¥8 in der Hauptverkehrszeit; die Hauptverkehrszeit liegt in der Zeitzone Peking an Werktagen zwischen 09:00–12:00 und 14:00–18:00 Uhr. Fehlgeschlagene, ergebnislose und abgelaufene Tool-Anfragen werden nicht berechnet. Die integrierte Suche des Modells wird nach der tatsächlichen Anzahl der Suchabfragebegriffe abgerechnet, der Webabruf nach der Anzahl erfolgreich abgerufener Webseiten; die Seitensuche innerhalb der tiefen Suche wird nicht separat berechnet. Daher kann eine einzelne Konversation mehrere Suchkosten verursachen.
5 Die DeepSeek-Komplettpaket-APIs: vom einzelnen Modellaufruf zur vollständigen KI-Anwendung
Die Komplettpaket-APIs senken die Engineering-Hürde bei der Integration von Anwendungsfunktionen: Suche, Lesen, Dokumente, Sprache und Risikokontrolle laufen über ein einziges Konto und ein einheitliches Abrechnungssystem – Entwickler können ihren Fokus auf Produktinteraktion und Geschäftslogik legen. Für die Web-Anbindung stehen derzeit zwei Integrationswege zur Wahl.

| Dimension | Modellinternes Server-Tool | Eigenständige Search-/Fetch-Tools |
|---|---|---|
| Aufrufmethode | In der Chat-Anfrage werden deepseek_web_search, deepseek_read_url deklariert |
Separater Aufruf der Such- und Fetch-Endpunkte |
| Ablaufsteuerung | Das Modell entscheidet, wann gesucht wird und welche Seiten gelesen werden | Der Entwickler entscheidet über den Zeitpunkt der Suche, die Filterung der Ergebnisse und die Zusammenstellung |
| Modellumfang | deepseek-flash |
Keine Bindung an ein Modell – einsetzbar in Agenten, RAG und jedem beliebigen großen Sprachmodell |
| Abrechnung | Abrechnung nach Suchbegriffen und gecrawlten Seiten, Token separat | Abrechnung nach erfolgreichen Aufrufen, verbraucht selbst keine Modell-Token |
| Einsatzszenario | Schnelles Nachbauen von App-artiger Web-Q&A | Kontrollierbarer Rechercheablauf, Wiederverwendung der Suchergebnisse über Modelle hinweg |
| Verfügbare Plattform | Offizielle DeepSeek-API | Offizielle DeepSeek-API; APIYI apiyi.com hat deepseek-search, deepseek-fetch bereits live |
APIYI hat am 21. Oktober die beiden eigenständigen Tool-Endpunkte deepseek-search und deepseek-fetch live geschaltet; sie sind in den Gruppen default und svip verfügbar. Was die am 13. November freigegebene modellinterne Suche betrifft, führt APIYI in der Dokumentation die Kompatibilitätsarbeit für Client-Aufrufe der internen Suche als spätere Planung. Wer die DeepSeek-Webfähigkeit über APIYI nutzt, geht derzeit also über die eigenständigen Tools: selbst suchen und Seiten abrufen, dann die Ergebnisse an ein beliebiges Modell zur Inferenz übergeben.
5.1 DeepSeek Search über eigenständige Tools anbinden
Ein minimalistisches Beispiel: Search aufrufen und strukturierte Ergebnisse erhalten (die Feldnamen der Anfrage richten sich nach der APIYI-Dokumentation):
import requests
BASE_URL = "https://api.apiyi.com/v1" # Einheitlicher APIYI-Endpunkt
headers = {"Authorization": "Bearer YOUR_API_KEY"}
resp = requests.post(f"{BASE_URL}/tools/search", headers=headers, json={
"model": "deepseek-search",
"query": "DeepSeek 全家桶应用 API",
"count": 5,
})
print(resp.json())
Vollständige Implementierung ansehen: Suche + Abruf + Zusammenfassung durch das Modell
import requests
import openai
API_KEY = "YOUR_API_KEY"
BASE_URL = "https://api.apiyi.com/v1" # Suche, Abruf und Modellaufruf nutzen denselben Einstiegspunkt
HEADERS = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}
def search(query: str, count: int = 5) -> dict:
"""Ruft deepseek-search auf und liefert strukturierte Suchergebnisse zurück (Feldnamen gemäß Dokumentation)."""
r = requests.post(f"{BASE_URL}/tools/search", headers=HEADERS, json={
"model": "deepseek-search", "query": query, "count": count,
}, timeout=30)
r.raise_for_status()
return r.json()
def fetch(url: str) -> dict:
"""Ruft deepseek-fetch auf und liefert den Markdown-Inhalt der Webseite zurück; fehlgeschlagene Anfragen werden nicht berechnet."""
r = requests.post(f"{BASE_URL}/tools/fetch", headers=HEADERS, json={
"model": "deepseek-fetch", "url": url,
}, timeout=60)
r.raise_for_status()
return r.json()
def answer(question: str, context: str, model: str = "your-model-id") -> str:
"""Übergibt den Rechercheinhalt an ein beliebiges Modell, um eine Antwort mit Quellenangabe zu erzeugen."""
client = openai.OpenAI(api_key=API_KEY, base_url=BASE_URL)
resp = client.chat.completions.create(
model=model,
messages=[
{"role": "system", "content": "根据提供的资料回答,并注明来源 URL。"},
{"role": "user", "content": f"资料:\n{context}\n\n问题:{question}"},
],
)
return resp.choices[0].message.content
if __name__ == "__main__":
q = "DeepSeek 11 月 13 日开放了哪些 API 能力?"
results = search(q)
# Die ersten URLs gemäß der tatsächlichen Antwortstruktur entnehmen, dann den Inhalt abrufen und an das Modell übergeben
print(results)
🚀 Tipp für den schnellen Einstieg: Wenn Sie die Suchqualität zuerst testen möchten, können Sie sich bei APIYI apiyi.com registrieren und ein Testkontingent erhalten. Mit einem einzigen API-Schlüssel rufen Sie deepseek-search, deepseek-fetch und gängige Chatmodelle auf und übergeben die Suchergebnisse an verschiedene Modelle, um die Antwortqualität zu vergleichen.
Die internen Testergebnisse von APIYI zeigen: Search liefert bei count=5 in etwa 1.8 Sekunden ein Ergebnis, bei count=50 in etwa 3 Sekunden; 20 gleichzeitige Anfragen werden alle in ungefähr 2 Sekunden abgeschlossen. Fetch ruft eine gewöhnliche Webseite in etwa 1.6 Sekunden ab und liefert dabei einen Markdown-Text von rund 6400 Zeichen. Dies sind Ergebnisse einzelner Tests in einer bestimmten Netzwerkumgebung; die tatsächliche Dauer hängt von der Zielwebsite ab.
5.2 Wie man die DeepSeek-Internetanbindung wählt
- Integrierte Tools wählen: Sie möchten das App-Erlebnis von DeepSeek möglichst schnell nachbauen, akzeptieren, dass das Modell den Suchpfad selbst bestimmt, und setzen
deepseek-flashein. - Eigenständige Tools wählen: Sie müssen Suchbegriffe selbst steuern, Quellen filtern, Ergebnisse zwischenspeichern oder möchten dieselben Suchergebnisse an verschiedene Modelle wie Claude, GPT, Gemini übergeben.
- Kombiniert nutzen: Für die interaktive Beantwortung im Vordergrund integrierte Tools, für die Hintergrund-Erfassung von Materialien im Batch und die RAG-Aufnahme eigenständige Search / Fetch.
Häufig gestellte Fragen (FAQ)
Q1: Was ist die DeepSeek-Komplettpaket-API?
Sie ist eine Gruppe von Anwendungsfähigkeits-APIs, die DeepSeek am 13. November 2026 freigegeben hat. Sie umfasst Internetsuche, Suche mit tiefem Denken, Linklesen, Dateieingabe, Sicherheitsprüfung sowie die eigenständigen Schnittstellen Search, Fetch, OCR, ASR und TTS und deckt damit die wichtigsten Fähigkeiten hinter der DeepSeek App ab.
Q2: Worin unterscheidet sich die DeepSeek-Komplettpaket-API vom DeepSeek Harness?
Der Harness ist ein am 13. August als Open Source veröffentlichtes Agent-Ausführungsframework, das Modelle, Tools, Plugins und Kontext verwaltet; die Komplettpaket-API ist die Dienstschnittstelle für Modelle und Tools. Entwickler können mit dem Harness einen Agent aufbauen und über die API Such-, Datei- und Sprachfähigkeiten anbinden.
Q3: Welche Modelle können die integrierten Tools der DeepSeek-Komplettpaket-API nutzen?
Die vollständige Tool-Integration auf Konversationsebene bietet derzeit `deepseek-flash` (DeepSeek-V4.1-Flash-1017), das die drei Protokolle Chat Completions, Responses und Anthropic Messages unterstützt. OCR, ASR, TTS, Search und Fetch sind dagegen eigenständige Schnittstellen, die separat aufgerufen werden können.
Q4: Welche Fähigkeiten der DeepSeek-Komplettpaket-API lassen sich über APIYI aufrufen?
APIYI hat die eigenständigen DeepSeek-Tools Search und Fetch (deepseek-search, deepseek-fetch) bereits online gestellt; die Abrechnung erfolgt pro erfolgreichem Aufruf, verfügbar sind die Gruppen default und svip. Die Client-Kompatibilität für die modellinterne Suche ist noch in Planung; den genauen Stand der Unterstützung finden Sie in der Dokumentation von APIYI unter apiyi.com.
Q5: Wie lässt sich die Kombination aus DeepSeek-Suche und mehreren Modellen schnell testen?
1. Registrieren Sie sich bei APIYI unter apiyi.com und holen Sie sich einen API-Schlüssel sowie Testguthaben.
2. Verwenden Sie den Code aus diesem Artikel und setzen Sie base_url auf `https://api.apiyi.com/v1`.
3. Rufen Sie zuerst deepseek-search auf, um Ergebnisse zu erhalten, lesen Sie dann mit deepseek-fetch den Volltext und übergeben Sie das Ganze schließlich an ein beliebiges Chat-Modell, um die Antwort erzeugen zu lassen.
Q6: Welche bekannten Einschränkungen hat die DeepSeek-Komplettpaket-API?
– `tool_choice` kann das Internet-Tool nicht erzwingen; ob gesucht wird, entscheidet das Modell.
– Nach dem Aktivieren der integrierten Tools werden Sampling-Parameter wie `temperature` und `top_p` möglicherweise ignoriert.
– ASR ist pro Segment maximal 120 Sekunden lang und nicht streamend; TTS unterstützt derzeit keine Anpassung der Sprechgeschwindigkeit.
– Eine Datei darf maximal 100 MiB und 1000 Seiten umfassen; wird der Kontext überschritten, wird ein 400-Fehler zurückgegeben.
– Die Sicherheitsprüfung bietet eine grundlegende Risikokontrolle; die Verantwortung für die Inhaltsprüfung liegt weiterhin beim Anwender.
DeepSeek Komplett-Paket-API – zentrale Punkte (Key Takeaways)
- Veröffentlichungsdatum: Am 13. November 2026 wurden die 10 Anwendungsfunktionen hinter der App freigegeben.
- Zentrale Änderung: Suche und Webseiten-Lesen werden serverseitig ausgeführt; der Client muss nur das Tool deklarieren.
- Zugrundeliegendes Modell: Die Tool-Integration auf Konversationsebene wird von
deepseek-flashbereitgestellt und unterstützt drei Protokolle. - Tiefensuche: search, open_page und find_in_page werden abwechselnd ausgeführt, mit bis zu etwa 20 Tool-Aufrufen.
- Dateiparsing: Zwei Modi unterscheiden sich danach, ob Diagramme beibehalten werden; für Finanzberichte eignet sich der Bild-Text-Modus.
- Aufgaben des Frontends: Zitatdarstellung, Signatur-Rückgabe und das Zurückziehen von Streaming-Ablehnungen müssen weiterhin vom Client verarbeitet werden.
- Integrationsweg: Wenn eine kontrollierbare Suche erforderlich ist, können Sie über APIYI apiyi.com die eigenständigen Search-/Fetch-Funktionen aufrufen.
Zusammenfassung
Die Kernpunkte der DeepSeek Komplett-Paket-API lassen sich in drei Punkten zusammenfassen:
- Öffnung der Fähigkeitsebene: Suche, Dokumente, Sprache, Risikokontrolle und Modelle sind in einer einzigen API vereint. Laut offiziellen Angaben lässt sich damit die App-Erfahrung nachbauen.
- Verkürzte Aufrufkette: Serverseitige Tools übernehmen Suche, Abruf und Kontextzusammensetzung; Entwickler konzentrieren sich auf Interaktion und Geschäftslogik.
- Zwei Wege parallel: Integrierte Tools eignen sich für den schnellen Aufbau App-artiger Frage-Antwort-Systeme; eigenständige Search-/Fetch-Funktionen eignen sich für kontrollierbare Suche und modellübergreifende Wiederverwendung.
Für einen Prototyp für vernetztes Frage-Antworten können Sie zunächst die integrierten Tools nutzen, um die Erfahrung zu validieren. Wenn Sie den Suchablauf fein steuern oder mehrere Modelle kombinieren möchten, empfiehlt es sich, über APIYI apiyi.com die eigenständigen Such- und Abruf-Tools anzubinden und mit der einheitlichen Multi-Modell-Schnittstelle schnell Ergebnisse zu vergleichen.
📚 Referenzen
- DeepSeek veröffentlicht die API für das komplette App-Paket: offizielle Ankündigung vom 13.11.2026
- Link:
api-docs.deepseek.com/zh-cn/news/news261113/ -
Beschreibung: die vollständige Liste der in diesem Release freigegebenen Funktionen
-
DeepSeek-Dokumentation zu den Web-Tools: serverseitige Suche und Lesen von Links
- Link:
api-docs.deepseek.com/zh-cn/guides/web_tools/ -
Beschreibung: Tool-Deklaration, Aufrufregeln und Abrechnungsmodell
-
DeepSeek-Dokumentation zur Dateianalyse: Anleitung zur Files API
- Link:
api-docs.deepseek.com/zh-cn/guides/document_parsing/ -
Beschreibung: die beiden Analysemodi und die Dateigrenzen
-
DeepSeek-Leitfaden zum Erstellen eines Chatbots: Kernpunkte der Client-Entwicklung
- Link:
api-docs.deepseek.com/zh-cn/guides/build_a_chatbot/ -
Beschreibung: Rückgabefelder, Zurücksenden über mehrere Runden und übernommene Parameter
-
DeepSeek-Modelle und Preise: Token- und Tool-Preise
- Link:
api-docs.deepseek.com/zh-cn/quick_start/pricing/ -
Beschreibung: Preise zu Spitzen- und Nebenzeiten
-
DeepSeek Chat Demo: offizielles Open-Source-Frontend-Beispiel
- Link:
github.com/deepseek-ai/chat-demo -
Beschreibung: Referenzimplementierung für Zitatdarstellung sowie Datei- und Sprachinteraktion
-
APIYI-Dokumentation zu DeepSeek Search & Fetch: Beschreibung der eigenständigen Tool-Schnittstelle
- Link:
docs.apiyi.com/api-capabilities/deepseek-search-fetch/overview - Beschreibung: Schnittstellenparameter, Verfügbarkeit nach Gruppe und Preisgestaltung
Autor: APIYI-Technikteam
Technischer Austausch: Sie erreichen uns gerne über die Startseite der APIYI-Website. Weitere Materialien zur Integration finden Sie im Dokumentationszentrum unter docs.apiyi.com.
