So verwendest du die DeepSeek-API in Cursor: Eigene Base-URL konfigurieren

Die kurze Antwort

Wenn du wissen möchtest, wie du die DeepSeek-API in Cursor verwendest, ist der Prozess für jeden OpenAI-kompatiblen Anbieter gleich. Öffne die Modelleinstellungen in Cursor, füge einen API-Schlüssel in das OpenAI-Schlüsselfeld ein, überschreibe die OpenAI-Base-URL und füge einen Modellnamen hinzu, den Cursor nicht kennt. Wähle dann dieses Modell im Chat.

Eine Klarstellung vor dem Start. Diese Seite ist nicht die offizielle DeepSeek-API. Es ist eine gehostete, OpenAI-kompatible Text-API, die ein Open-Weight-Modell betreibt und von einem unabhängigen Anbieter geführt wird und abgestimmt darauf, bei rechtmäßiger Nutzung durch Erwachsene ohne Inhaltsverweigerungen zu antworten. Die Modell-ID ist uncensored. Wenn du den offiziellen DeepSeek-Dienst benötigst, verwende stattdessen den Endpunkt und den Schlüssel des Anbieters. Die Einstellungen in Cursor sehen in beiden Fällen identisch aus: Nur die drei Werte ändern sich.

Bevor du Cursor öffnest: Hole und teste einen Schlüssel

Die Anmeldung erfolgt über Google oder mit E-Mail und Passwort. Danach hat die API-Schlüssel-Seite eine Schaltfläche für einen Klick, die $0,50 Testguthaben hinzufügt. Es ist 7 Tage gültig, benötigt keine Kreditkarte und ist auf eine pro Person begrenzt. Das reicht für einige hundert kurze Programmierfragen, sodass du die gesamte Einrichtung abschließen kannst, bevor du etwas bezahlst. Die Schlüssel-Seite führt durch die Schritte.

Teste den Schlüssel jetzt außerhalb von Cursor. Die Fehlermeldungen von Cursor sind kurz, und ein Tippfehler im Schlüssel sieht gleich aus wie eine falsche URL. Führe dies in einem Terminal aus:

Copycurl https://api.deepseekapi.top/v1/chat/completions   -H "Authorization: Bearer YOUR_KEY"   -H "Content-Type: application/json"   -d '{
    "model": "uncensored",
    "messages": [{"role": "user", "content": "Write a Python function that reverses a string."}]
  }'

Du solltest eine JSON-Antwort mit der Funktion in choices[0].message.content erhalten. Du kannst auch Modelle mit GET /v1/models auflisten, was eine schnelle Möglichkeit ist, zu bestätigen, dass der Schlüssel akzeptiert wird. Wenn das funktioniert, ist die Endpunkt-Seite erledigt und alles Weitere ist die Cursor-Konfiguration.

Cursor Schritt für Schritt konfigurieren

1. Öffne die Cursor-Einstellungen und gehe zum Abschnitt Modelle. In den meisten Builds erreichst du ihn über das Zahnradsymbol, dann Modelle.
2. Finde das Feld für deinen OpenAI-API-Schlüssel und füge den Schlüssel ein. Cursor kann dich bitten, ihn zu überprüfen. Die Überprüfung kann bei einem benutzerdefinierten Endpunkt fehlschlagen, da Cursor den Schlüssel gegen die eigene Modellliste prüft. Fahre in diesem Fall mit den nächsten Schritten fort und beurteile, ob der Chat funktioniert.
3. Aktiviere die Option zur Überschreibung der OpenAI-Base-URL und gib https://api.deepseekapi.top/v1 ein. Füge am Ende den /v1 hinzu. Füge keinen /chat/completions hinzu; die Client-App hängt diesen Pfad selbst an.
4. Verwende die Schaltfläche zum Hinzufügen eines Modells und gib genau uncensored in Kleinbuchstaben ein. Aktiviere es in der Modellliste.
5. Öffne ein Chat-Panel, wähle uncensored im Modell-Picker und sende einen kurzen Prompt.

Menünamen ändern sich zwischen Cursor-Versionen. Wenn ein Label von dem oben genannten abweicht, suche nach denselben drei Dingen: Schlüssel, Base-URL, benutzerdefiniertes Modell. Die eigene Dokumentation von Cursor ist der Ort, um die aktuellen Namen zu überprüfen.

Eine Einstellung, auf die du achten solltest

Cursor speichert eine einzelne Überschreibung der OpenAI-Base-URL. Solange sie aktiv ist, geht jedes OpenAI-benannte Modell, das du in Cursor verwendest, an die neue Adresse. Wenn du auch einen anderen OpenAI-kompatiblen Dienst für etwas anderes verwenden möchtest, schalte die Überschreibung aus oder verwende ein separates Profil.

Was mit einem benutzerdefinierten Endpunkt funktioniert

Ein benutzerdefinierter Schlüssel wird für Funktionen verwendet, die ein Chat-Modell aufrufen: das Chat-Panel und Inline-Bearbeitungen. Diese senden eine Standard-Chat-Completions-Anfrage, was diese API akzeptiert. Der Dienst unterstützt Streaming über SSE, sodass Antworten Token für Token im Chat-Panel erscheinen, wie es bei anderen Anbietern der Fall ist.

Einige Cursor-Funktionen hängen von den eigenen Modellen und Servern von Cursor ab, wie z. B. die Tab-Vervollständigung. Diese wechseln nicht zu deinem Schlüssel. Außerdem kann Cursor Anfragen über sein eigenes Backend leiten, bevor sie deinen Endpunkt erreichen. Prüfe daher die Dokumentation, wenn der Netzwerkstandort oder Logging für dich wichtig ist. Auf unserer Seite werden Prompts nicht zum Training verwendet.

Agent-ähnliche Funktionen basieren auf Function Calling. Die API unterstützt Function Calling mit tools, tool_choice und gestreamtem tool_calls, wobei Ergebnisse als role: "tool" zurückgegeben werden. Ob ein bestimmter Cursor-Modus diesen Pfad mit einem benutzerdefinierten Modell nutzt, kann zwischen Versionen variieren, also betrachte es als etwas, das du auf einer kleinen Aufgabe testen solltest, bevor du einen Workflow darauf aufbaust.

Das Kontextfenster umfasst 100.000 Token, Prompt plus Completion. Das ist groß genug für mehrere Dateien gleichzeitig, aber Cursor entscheidet, was angehängt wird, und ein großer Anhang kostet Input-Token bei jeder Nachricht.

Prompts, die gut in einem Editor funktionieren

Ein Chat-Modell in einem Editor ist nur so nützlich wie der Kontext, den du ihm gibst. Einige Gewohnheiten machen bei jedem Modell hinter einem benutzerdefinierten Endpunkt einen sichtbaren Unterschied.

• Hänge nur die relevanten Dateien an. Jede angehängte Datei ist Input-Token bei jedem Schritt. Zwei relevante Dateien schlagen zehn lose verwandte, sowohl für die Qualität als auch für die Kosten.
• Definiere die Aufgabe und die Einschränkung. "Schreibe diese Funktion um, um Rekursion zu vermeiden, behalte die Signatur" funktioniert besser als "mach das besser".
• Frag nach einer diff-ähnlichen Antwort. Wenn du eine kleine Änderung möchtest, sag das. Andernfalls kann das Modell die gesamte Datei neu schreiben, und du zahlst für die Output-Token.
• Starte einen neuen Chat pro Aufgabe. Alte Schritte werden erneut gesendet. Ein sauberer Chat ist die günstigste Kontextbereinigung.

Das Modell ist darauf abgestimmt, ohne Inhaltsfilter für die rechtmäßige Nutzung durch Erwachsene zu antworten, sodass sicherheitsbezogene Programmierfragen, z. B. wie eine bekannte Klasse von Schwachstellen in deinem eigenen Code funktioniert, tendenziell eine direkte Antwort statt einer Warnung erhalten. Es macht immer noch Fehler wie jedes Sprachmodell. Lies den Code, den es dir gibt, und führe Tests aus, bevor du etwas übernimmst.

Wenn eine lange Antwort stockt, prüfe den Abschnitt zu den Limits unten. Zwei Editor-Fenster, die gleichzeitig mit einem Test-Schlüssel streamen, füllen beide Concurrency-Slots, und die dritte Anfrage wartet oder gibt einen 429 zurück.

Was es in einem Editor kostet

Der Preis beträgt $0,15 pro 1M Input-Token und $0,50 pro 1M Output-Token, vom Prepaid-Guthaben. Es gibt kein Abonnement, fehlgeschlagene oder abgelehnte Anfragen werden nicht berechnet, und Guthaben verfällt nie.

Ein typischer Chat-Schritt in einem Editor hat viel Input (die angehängte Datei plus Verlauf) und eine kurze Antwort. Nimm 6.000 Input-Token und 700 Output-Token:

• Input: 6.000 × $0,15 / 1.000.000 = $0,0009
• Output: 700 × $0,50 / 1.000.000 = $0,00035
• Gesamt: $0,00125 pro Schritt

Bei dieser Größe kosten 100 Schritte $0,125. Ein langer Arbeitstag mit 400 Schritten kostet $0,50. Der Input dominiert die Rechnung, sobald Gespräche wachsen, da Cursor den Verlauf erneut sendet. Starte einen neuen Chat, wenn du die Aufgabe wechselst, um diese Zahl niedrig zu halten.

Wenn du mehr als das Testguthaben möchtest, sind Aufladungen ein beliebiger ganzer Betrag von $20 bis $500, mit einem Bonus von +5% ab $50, +10% ab $100 und +15% ab $200. Du kannst mit Karte (Visa, Mastercard, Apple Pay, Google Pay) oder mit Krypto (USDT auf TRC20, USDC auf Base) bezahlen. Details findest du auf der Preisseite.

Fehlerbehebung

401 oder ungültiger Schlüssel

Der Schlüssel wurde mit einem Leerzeichen am Ende eingefügt oder gehört zu einer anderen Seite. Führe den curl-Test mit derselben Zeichenfolge erneut aus. Wenn curl funktioniert und Cursor nicht, füge den Schlüssel erneut ein.

404 oder Modell nicht gefunden

Meistens fehlt der /v1 an der Base-URL oder es ist ein zusätzlicher Pfad am Ende vorhanden. Der Modellname muss genau uncensored lauten.

429-Antworten

Ein voller Schlüssel erlaubt 8 parallele Anfragen und 300 Anfragen pro Minute. Der Test-Schlüssel erlaubt 2 parallele Anfragen und 60 pro Minute. Der Fehlercode rate_limited bedeutet zu viele Anfragen pro Minute und concurrency bedeutet zu viele auf einmal. Bei temporärer Überlastung erhältst du auch einen 429 mit Retry-After: 5. Eine gestreamte Antwort belegt ihren Slot bis zum Ende des Streams, sodass mehrere Editor-Fenster, die gleichzeitig streamen, das Concurrency-Limit auf einem Test-Schlüssel erreichen können.

Das Modell verweigert oder schweift ab

Das Modell ist darauf abgestimmt, Inhaltsverweigerungen für die rechtmäßige Nutzung durch Erwachsene zu vermeiden, aber es ist immer noch ein Sprachmodell und folgt deinem Prompt. Gib eine klare Systemanweisung und eine präzise Aufgabe. Die harte Grenze ist, dass sexuelle Inhalte mit Minderjährigen niemals erlaubt sind.

Die Quickstart-Dokumentation listet die Header auf, die bei jeder Antwort zurückgegeben werden, einschließlich X-Request-Id, was nützlich ist, um es bei der Kontaktaufnahme mit dem Support zu zitieren.

Weitere Anleitungen

• So verwendest du die DeepSeek API in SillyTavern: benutzerdefinierter Endpunkt
• DeepSeek API Python-Beispiel: Chat, Streaming, Tools
• DeepSeek API-Schlüssel: Zugriff auf die unzensierte LLM-API