Cómo usar la API de DeepSeek en Cursor: configuración de URL base personalizada

La respuesta corta

Si quieres saber cómo usar la API de DeepSeek en Cursor, el proceso es el mismo para cualquier proveedor compatible con OpenAI. Abre la configuración de modelos de Cursor, pega una clave de API en el campo de clave de OpenAI, sobrescribe la URL base de OpenAI y añade un nombre de modelo que Cursor no reconozca. Luego selecciona ese modelo en el chat.

Una aclaración antes de empezar. Este sitio no es la API oficial de DeepSeek. Es una API de texto alojada y compatible con OpenAI que ejecuta un único modelo de pesos abiertos, gestionada por un proveedor independiente y ajustada para responder sin rechazos de contenido para uso adulto lícito. El ID del modelo es uncensored. Si necesitas el servicio oficial de DeepSeek, usa el endpoint y la clave del proveedor en lugar de este. Las configuraciones en Cursor se ven idénticas en ambos casos: solo cambian los tres valores.

Antes de abrir Cursor: obtén y prueba una clave

El registro es con Google, o con correo electrónico y contraseña. Después, la página de la clave de API tiene un botón de un clic que añade $0.50 de crédito de prueba. Es válido durante 7 días, no requiere tarjeta y está limitado a uno por persona. Eso es suficiente para unos cientos de preguntas de codificación cortas, así que puedes completar toda la configuración antes de pagar cualquier cosa. La página de claves explica los pasos.

Ahora prueba la clave fuera de Cursor. Los mensajes de error de Cursor son breves y un error tipográfico en la clave se ve igual que una URL incorrecta. Ejecuta esto en una terminal:

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."}]
  }'

Deberías recibir una respuesta JSON con la función en choices[0].message.content. También puedes listar modelos con GET /v1/models, que es una forma rápida de confirmar que la clave es aceptada. Si esto funciona, el lado del endpoint está listo y todo lo demás es configuración de Cursor.

Configura Cursor paso a paso

1. Abre la configuración de Cursor y ve a la sección Modelos. En la mayoría de las versiones, accedes a ella con el icono de engranaje, luego Modelos.
2. Encuentra el campo para tu clave de API de OpenAI y pega la clave. Cursor puede pedirte que la verifiques. La verificación puede fallar con un endpoint personalizado, ya que Cursor comprueba la clave contra su propia lista de modelos. Si es así, continúa con los siguientes pasos y juzga por si el chat funciona.
3. Activa la opción para anular la URL base de OpenAI e introduce https://api.deepseekapi.top/v1. Incluye el /v1 al final. No añadas /chat/completions; la aplicación cliente añade esa ruta por sí misma.
4. Usa el control de añadir modelo y escribe uncensored exactamente, en minúsculas. Habilítalo en la lista de modelos.
5. Abre un panel de chat, elige uncensored en el selector de modelos y envía un prompt corto.

Los nombres de los menús cambian entre versiones de Cursor, así que si una etiqueta difiere de la anterior, busca las mismas tres cosas: clave, URL base, modelo personalizado. La documentación propia de Cursor es el lugar para comprobar los nombres actuales.

Una configuración a vigilar

Cursor mantiene una única anulación de URL base de OpenAI. Mientras está activada, cada modelo con nombre OpenAI que uses en Cursor va a la nueva dirección. Si también quieres usar un servicio compatible con OpenAI diferente para otra cosa, desactiva la anulación o usa un perfil separado.

Qué funciona con un endpoint personalizado

Una clave personalizada se usa para las funciones que llaman a un modelo de chat: el panel de chat y las ediciones en línea. Esas envían una petición estándar de finalización de chat, que es lo que esta API acepta. El servicio admite streaming sobre SSE, por lo que las respuestas aparecen token a token en el panel de chat como lo hacen con otros proveedores.

Algunas funciones de Cursor dependen de los propios modelos y servidores de Cursor, como su autocompletado con Tab. Esas no cambian a tu clave. Además, Cursor puede enrutar peticiones a través de su propio backend antes de que lleguen a tu endpoint, así que consulta su documentación si la ubicación de la red o el registro son importantes para ti. Por nuestra parte, los prompts no se usan para entrenamiento.

Las funciones tipo agente dependen de llamadas a funciones. La API admite llamadas a funciones con tools, tool_choice y streaming de tool_calls, con los resultados devueltos como role: "tool". Si un modo dado de Cursor usa esa ruta con un modelo personalizado puede variar entre versiones, así que trátalo como algo para probar en una tarea pequeña antes de construir un flujo de trabajo alrededor de ello.

La ventana de contexto es de 100,000 tokens, prompt más finalización. Eso es lo suficientemente grande para varios archivos a la vez, pero Cursor decide qué adjuntar, y un adjunto grande cuesta tokens de entrada en cada mensaje.

Prompts que funcionan bien en un editor

Un modelo de chat en un editor es solo tan útil como el contexto que le proporcionas. Algunos hábitos marcan una diferencia visible con cualquier modelo detrás de un endpoint personalizado.

• Adjunta solo los archivos que importan. Cada archivo adjunto son tokens de entrada en cada turno. Dos archivos relevantes superan a diez vagamente relacionados, tanto en calidad como en coste.
• Indica la tarea y la restricción. "Reescribe esta función para evitar la recursión, mantén la firma" funciona mejor que "mejora esto".
• Pide una respuesta tipo diff. Si quieres un cambio pequeño, dilo. De lo contrario, el modelo puede reescribir todo el archivo, y pagas por los tokens de salida.
• Inicia un nuevo chat por tarea. Los turnos antiguos se reenvían. Un chat limpio es el recorte de contexto más barato que hay.

El modelo está ajustado para responder sin rechazos de contenido para uso adulto lícito, por lo que las preguntas de codificación relacionadas con seguridad, como cómo funciona una clase conocida de vulnerabilidad en tu propio código, tienden a obtener una respuesta directa en lugar de una advertencia. Aún así, comete errores como cualquier modelo de lenguaje. Lee el código que te da y ejecuta las pruebas antes de hacer commit de nada.

Si una respuesta larga se estanca, consulta la sección de límites a continuación. Dos ventanas de editor transmitiendo a la vez con una clave de prueba llenarán ambas ranuras de concurrencia, y la tercera petición esperará o devolverá un 429.

Cuánto cuesta en un editor

El precio es $0.15 por cada 1M de tokens de entrada y $0.50 por cada 1M de tokens de salida, desde crédito prepago. No hay suscripción, las peticiones fallidas o rechazadas no se cobran y el crédito no caduca.

Un turno de chat típico en un editor tiene mucha entrada (el archivo que adjuntaste más historial) y una respuesta corta. Toma 6,000 tokens de entrada y 700 tokens de salida:

• Entrada: 6,000 × $0.15 / 1,000,000 = $0.0009
• Salida: 700 × $0.50 / 1,000,000 = $0.00035
• Total: $0.00125 por turno

A ese tamaño, 100 turnos cuestan $0.125. Un día laboral largo de 400 turnos cuesta $0.50. La entrada domina la factura cuando las conversaciones crecen, porque Cursor reenvía el historial. Iniciar un chat nuevo cuando cambias de tarea es la forma más fácil de mantener ese número bajo.

Cuando necesites más que la prueba, las recargas son cualquier cantidad entera desde $20 hasta $500, con un bono de +5% desde $50, +10% desde $100 y +15% desde $200. Puedes pagar con tarjeta (Visa, Mastercard, Apple Pay, Google Pay) o con cripto (USDT en TRC20, USDC en Base). Los detalles están en la página de precios.

Solución de problemas

401 o clave inválida

La clave se pegó con un espacio al final, o pertenece a un sitio diferente. Vuelve a ejecutar la prueba curl con la misma cadena. Si curl funciona y Cursor no, pega la clave de nuevo.

404 o modelo no encontrado

Usualmente falta la URL base /v1 o tiene una ruta extra al final. El nombre del modelo debe ser exactamente uncensored.

Respuestas 429

Una clave completa permite 8 peticiones simultáneas y 300 peticiones por minuto. La clave de prueba permite 2 peticiones simultáneas y 60 por minuto. El código de error rate_limited significa demasiadas peticiones por minuto y concurrency significa demasiadas a la vez. En caso de sobrecarga temporal también obtienes un 429 con Retry-After: 5. Una respuesta en streaming mantiene su espacio hasta que termina el streaming, por lo que varias ventanas del editor transmitiendo al mismo tiempo pueden alcanzar el límite de concurrencia en una clave de prueba.

El modelo se niega o se desvía del tema

El modelo está ajustado para evitar rechazos de contenido para uso adulto lícito, pero sigue siendo un modelo de lenguaje y sigue tu prompt. Dale una instrucción de sistema clara y una tarea precisa. El límite estricto es que el contenido sexual que involucre a menores de edad nunca está permitido.

La documentación del inicio rápido enumera los encabezados que se devuelven en cada respuesta, incluido X-Request-Id, útil para citarlo al contactar con soporte.

Más guías

• Cómo usar la API de DeepSeek en SillyTavern: endpoint personalizado
• Ejemplo de API de DeepSeek en Python: chat, streaming, herramientas
• Clave de API de DeepSeek: acceso a LLM sin censura