Como usar a API DeepSeek no Cursor: configuração de URL base personalizado

A resposta curta

Se você quer saber como usar a API do DeepSeek no Cursor, o processo é o mesmo para qualquer provedor compatível com OpenAI. Você abre as configurações de modelo do Cursor, cola uma chave de API no campo de chave OpenAI, substitui a URL base OpenAI e adiciona um nome de modelo que o Cursor não conhece. Depois, você seleciona esse modelo no chat.

Um esclarecimento antes de você começar. Este site não é a API oficial da DeepSeek. É uma API de texto hospedada, compatível com OpenAI, que executa um único modelo de pesos abertos, operada por um provedor independente e ajustada para responder sem recusas de conteúdo para uso adulto lícito. O ID do modelo é uncensored. Se você precisa do serviço oficial da DeepSeek, use o endpoint e a chave do próprio fornecedor. As configurações no Cursor são idênticas em ambos os casos: apenas os três valores mudam.

Antes de abrir o Cursor: obtenha e teste uma chave

O registro é feito com Google, ou com e-mail e senha. Depois disso, a página da chave de API tem um botão de um clique que adiciona $0,50 de crédito de teste. É válido por 7 dias, não precisa de cartão e é limitado a um por pessoa. Isso é suficiente para algumas centenas de perguntas curtas de codificação, então você pode concluir toda a configuração antes de pagar qualquer coisa. A página da chave percorre os passos.

Agora teste a chave fora do Cursor. As mensagens de erro do Cursor são curtas, e um erro de digitação na chave parece o mesmo que uma URL errada. Execute isso em um 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."}]
  }'

Você deve receber uma resposta JSON com a função em choices[0].message.content. Você também pode listar modelos com GET /v1/models, que é uma maneira rápida de confirmar que a chave é aceita. Se isso funcionar, o lado do endpoint está pronto e tudo o que resta é a configuração do Cursor.

Configure o Cursor passo a passo

1. Abra as configurações do Cursor e vá para a seção Modelos. Na maioria das versões, você acessa com o ícone de engrenagem, depois Modelos.
2. Encontre o campo para sua chave de API OpenAI e cole a chave. O Cursor pode pedir para verificá-la. A verificação pode falhar com um endpoint personalizado, pois o Cursor verifica a chave contra sua própria lista de modelos. Se for esse o caso, continue com os próximos passos e julgue pela funcionalidade do chat.
3. Ative a opção para substituir a URL base OpenAI e insira https://api.deepseekapi.top/v1. Inclua o /v1 no final. Não adicione /chat/completions; o aplicativo cliente anexa esse caminho automaticamente.
4. Use o controle de adicionar modelo e digite uncensored exatamente, em minúsculas. Ative-o na lista de modelos.
5. Abra um painel de chat, escolha uncensored no seletor de modelos e envie um prompt curto.

Os nomes dos menus mudam entre as versões do Cursor, então se um rótulo diferir do acima, procure as mesmas três coisas: chave, URL base, modelo personalizado. A própria documentação do Cursor é o lugar para verificar os nomes atuais.

Uma configuração para observar

O Cursor mantém uma única substituição de URL base OpenAI. Enquanto estiver ativada, todo modelo com nome OpenAI que você usar no Cursor vai para o novo endereço. Se você também quiser usar um serviço compatível com OpenAI diferente para outra coisa, desative a substituição ou use um perfil separado.

O que funciona com um endpoint personalizado

Uma chave personalizada é usada para os recursos que chamam um modelo de chat: o painel de chat e as edições inline. Eles enviam uma solicitação padrão de conclusão de chat, que é o que esta API aceita. O serviço suporta streaming via SSE, então as respostas aparecem token por token no painel de chat, como fazem com outros provedores.

Alguns recursos do Cursor dependem dos próprios modelos e servidores do Cursor, como seu autocompletar do Tab. Esses não mudam para sua chave. Além disso, o Cursor pode rotear solicitações por seu próprio back-end antes que elas alcancem seu endpoint, então verifique sua documentação se a localização da rede ou o registro forem importantes para você. Do nosso lado, os prompts não são usados para treinamento.

Recursos estilo agente dependem de chamada de funções. A API suporta chamada de funções com tools, tool_choice e tool_calls em streaming, com os resultados retornados como role: "tool". Se um determinado modo do Cursor usa esse caminho com um modelo personalizado pode variar entre versões, então trate isso como algo para testar em uma tarefa pequena antes de criar um fluxo de trabalho em torno disso.

A janela de contexto tem 100.000 tokens, prompt mais conclusão. Isso é grande o suficiente para vários arquivos de uma vez, mas o Cursor decide o que anexar, e um anexo grande custa tokens de entrada em cada mensagem.

Prompts que funcionam bem em um editor

Um modelo de chat em um editor é tão útil quanto o contexto que você lhe fornece. Alguns hábitos fazem uma diferença visível com qualquer modelo por trás de um endpoint personalizado.

• Anexe apenas os arquivos que importam. Cada arquivo anexado são tokens de entrada em cada turno. Dois arquivos relevantes superam dez vagamente relacionados, tanto para qualidade quanto para custo.
• Defina a tarefa e a restrição. "Reescreva esta função para evitar recursão, mantendo a assinatura" funciona melhor do que "melhore isso".
• Peça uma resposta no tamanho de um diff. Se você quer uma pequena alteração, diga isso. Caso contrário, o modelo pode reescrever o arquivo inteiro, e você paga pelos tokens de saída.
• Inicie um novo chat por tarefa. As rodadas antigas são reenviadas. Um chat limpo é o ajuste de contexto mais barato que existe.

O modelo é ajustado para responder sem recusas de conteúdo para uso adulto lícito, então perguntas de codificação relacionadas à segurança, como o funcionamento de uma classe conhecida de vulnerabilidade no seu próprio código, tendem a receber uma resposta direta em vez de um aviso. Ele ainda comete erros como qualquer modelo de linguagem. Leia o código que ele fornece e execute os testes antes de fazer commit de qualquer coisa.

Se uma resposta longa travar, verifique a seção de limites abaixo. Duas janelas do editor transmitindo ao mesmo tempo com uma chave de teste preencherão ambos os slots de concorrência, e a terceira requisição aguarda ou retorna 429.

Quanto custa em um editor

O preço é $0,15 por 1M de tokens de entrada e $0,50 por 1M de tokens de saída, a partir de crédito pré-pago. Não há assinatura, solicitações falhas ou recusadas não são cobradas, e o crédito nunca expira.

Um turno de chat típico em um editor tem muita entrada (o arquivo que você anexou mais o histórico) e uma resposta curta. Considere 6.000 tokens de entrada e 700 tokens de saída:

• Entrada: 6.000 × $0,15 / 1.000.000 = $0,0009
• Saída: 700 × $0,50 / 1.000.000 = $0,00035
• Total: $0,00125 por rodada

Nesse tamanho, 100 turnos custam $0.125. Um dia útil longo de 400 turnos custa $0.50. A entrada domina a conta quando as conversas crescem, porque o Cursor reenvia o histórico. Iniciar um chat novo quando você muda de tarefas é a maneira mais fácil de manter esse número baixo.

Quando você quiser mais do que o teste, recargas são qualquer valor inteiro de $20 a $500, com um bônus de +5% a partir de $50, +10% a partir de $100 e +15% a partir de $200. Você pode pagar com cartão (Visa, Mastercard, Apple Pay, Google Pay) ou com cripto (USDT na TRC20, USDC na Base). Os detalhes estão na página de preços.

Solução de Problemas

401 ou chave inválida

A chave foi colada com um espaço no final, ou pertence a um site diferente. Reexecute o teste curl com a mesma string. Se o curl funcionar e o Cursor não, cole a chave novamente.

404 ou modelo não encontrado

Geralmente a URL base está faltando /v1 ou tem um caminho extra no final. O nome do modelo deve ser exatamente uncensored.

Respostas 429

Uma chave completa permite 8 requisições simultâneas e 300 requisições por minuto. A chave de teste permite 2 requisições simultâneas e 60 por minuto. O código de erro rate_limited significa muitas requisições por minuto e concurrency significa muitas de uma vez. Em sobrecarga temporária você também recebe um 429 com Retry-After: 5. Uma resposta em streaming mantém seu slot até o fim do stream, então várias janelas do editor transmitindo ao mesmo tempo podem atingir o limite de concorrência em uma chave de teste.

O modelo recusa ou sai do assunto

O modelo é ajustado para evitar recusas de conteúdo para uso adulto lícito, mas ainda é um modelo de linguagem e segue seu prompt. Forneça uma instrução de sistema clara e uma tarefa precisa. O limite rígido é que conteúdo sexual envolvendo menores de idade nunca é permitido.

A documentação quickstart lista os cabeçalhos retornados em cada resposta, incluindo X-Request-Id, útil para citar ao entrar em contato com o suporte.

Mais guias

• Como usar a API DeepSeek no SillyTavern: Endpoint personalizado
• Exemplo de API DeepSeek em Python: Chat, Streaming, Ferramentas
• Chave de API DeepSeek: Acesso à API LLM sem censura