Перейти к содержимому
Учи.Онлайн Выбрать школу
Статья

DeepSeek в работе: код, тексты, режим рассуждений и безопасность данных

DeepSeek — языковая модель китайской компании с тем же названием. С ней работают тремя способами: переписываются в чате на сайте или в приложении, подключают её к своим программам через API или скачивают открытые веса и запускают модель на собственных серверах. Пользоваться DeepSeek в работе — значит понимать, когда включать режим рассуждений, как читать «размышления» модели и ловить в них неверные допущения, что сервис делает с загруженными текстами и какие задачи ему лучше не отдавать.

Автор: редакция Учи.ОнлайнОтветственный редактор: Дмитрий Игнатьев
Содержание
Иллюстрация к статье: DeepSeek в работе: код, тексты, режим рассуждений и безопасность данных

Главное заблуждение новичка звучит так: раз модель открытая, то и данные в безопасности. Открытые веса позволяют компании развернуть модель у себя, и тогда тексты никуда не уходят. Но чат и API работают на серверах DeepSeek, и к ним относятся правила разработчика, а не лицензия на веса. Поэтому первое решение при работе с DeepSeek — не формулировка запроса, а выбор способа доступа.

Чат, API и открытые веса: три разных инструмента

Чат подходит для разовых задач: поправить письмо, разобрать ошибку в коде. Через API модель встраивают в свои сценарии, например в бота поддержки, и платят за токены — фрагменты текста, на которые модель режет слова. По странице цен в документации API, сейчас там две модели: быстрая deepseek-flash (версия DeepSeek-V4.1-Flash) и более сильная deepseek-v4-pro. Обе держат контекст до 1 млн токенов, а режим рассуждений у них включён по умолчанию. Вне пиковых часов (в будни это 01:00–04:00 и 06:00–10:00 по UTC) запросы стоят вдвое дешевле.

Веса DeepSeek выкладывают на Hugging Face. В карточке DeepSeek-V4-Pro-0813 сказано, что репозиторий и веса распространяются по лицензии MIT, а размер модели — 1,7 трлн параметров. Пример запуска в той же карточке рассчитан на серверный узел с четырьмя ускорителями NVIDIA GB300, так что полная модель — инструмент для компании с инфраструктурой.

Отсюда и отличие от ChatGPT, которому на сайте посвящена отдельная статья: там важны тарифы и проекты, здесь — доступ к весам, управление рассуждениями и юрисдикция, где хранятся данные.

Режим рассуждений: что он даёт и что модель забывает

Перед ответом модель в режиме рассуждений пишет черновик: разбивает задачу на шаги и проверяет промежуточные выводы. Широко известным этот режим сделала модель R1, вышедшая в январе 2025 года. В статье разработчиков о R1, позже опубликованной в Nature (DOI 10.1038/s41586-025-09422-z), описано, как такое поведение получили обучением с подкреплением, без размеченных людьми образцов решений. Рассуждения помогают там, где ответ можно проверить: в расчётах, логике, отладке кода. Для письма клиенту они дают лишь ожидание.

В той же статье есть два практических предупреждения. Модель чувствительна к формулировке, а примеры в запросе (few-shot) у неё стабильно ухудшают результат, поэтому авторы советуют прямо описать задачу и формат ответа без образцов. Кроме того, R1 оптимизирована под китайский и английский, и на запрос на другом языке рассуждение может уйти в английский. Для русскоязычного пользователя вывод простой: язык и формат итогового ответа указывайте явно.

Самое неочевидное — что происходит с рассуждениями дальше. По руководству по режиму рассуждений, цепочка рассуждений возвращается отдельным полем, и в обычном диалоге рассуждения прошлых реплик в контекст следующей не попадают: даже если отправить их обратно, API их проигнорирует. Если важное допущение прозвучало только в «размышлениях», в следующем сообщении для модели его уже нет. Когда же модели доступны внешние функции, правило обратное: рассуждения нужно возвращать целиком во всех последующих запросах, иначе API ответит ошибкой 400.

Там же сказано, что в режиме рассуждений не действуют параметры temperature, presencepenalty и frequencypenalty: ошибки не будет, но и эффекта тоже. Совет «поставьте температуру 0, чтобы ответы были точнее» здесь не работает, а точность регулируют уровнем усилий: low, high или max.

Учебный пример: обращения клиентов и скрипт отчёта

Ситуация учебная. Специалист поддержки небольшого онлайн-сервиса выгрузил 2 000 обращений за квартал: дата, канал, текст, категория. Нужен скрипт на Python, который считает обращения по категориям и неделям, и памятка с ответами на пять самых частых вопросов.

Сначала он убирает из выгрузки имена, телефоны и адреса почты, оставляя номер обращения. Скрипт просит в режиме рассуждений и прикладывает двадцать строк образца. В блоке рассуждений видно допущение модели: «все даты в формате ДД.ММ.ГГГГ». В выгрузке из мессенджера даты записаны иначе, и скрипт молча потерял бы треть строк. Специалист пишет правило в новом сообщении: «Даты бывают в двух форматах, строки с нераспознанной датой выводи отдельным списком». Скрипт он проверяет на неделе, которую посчитал вручную.

Памятку он пишет в обычном режиме: задача текстовая, рассуждения ничего не добавят. В запросе — тон, объём и требование отвечать по-русски. Готовые ответы сверяет с правилами сервиса, потому что модель уверенно обещает клиентам сроки возврата, которых нет.

Где хранятся данные и что нельзя загружать

Чат и приложение подчиняются политике конфиденциальности DeepSeek (редакция от 10 февраля 2026 года). Компания прямо пишет, что собирает, обрабатывает и хранит персональные данные в Китайской Народной Республике. Запросы, загруженные файлы и история чатов могут использоваться для обучения моделей; политика даёт право от этого отказаться. Данные хранятся, пока есть аккаунт, передаются компаниям группы и могут раскрываться по запросам властей.

API устроен похоже. По описанию кэширования контекста, повторяющиеся части запросов сохраняются на диске у всех пользователей по умолчанию и удаляются, когда кэш перестаёт использоваться, обычно через несколько часов или дней. Способ отключить кэш в документации не описан.

Отсюда рабочее правило. В чат и API не стоит загружать персональные данные клиентов и сотрудников, коммерческую тайну и документы под соглашением о конфиденциальности: передача персональных данных за рубеж по российскому закону требует отдельных процедур. Если такие задачи нужны регулярно, компания разворачивает открытые веса на своих серверах.

С чего начать и в каком порядке осваивать

Порядок шагов выстроен от задач, где ошибку видно сразу, к задачам, где её приходится искать. Сначала режимы и чтение рассуждений на знакомом материале, потом код и API, где цена ошибки выше.

  1. Решите, какие данные вы готовы отдавать сервису, и отключите то, что можно отключить.
  2. Задайте одну задачу в двух режимах: с рассуждениями и без. Сравните время и результат.
  3. Прочитайте блок рассуждений на задаче, ответ на которую знаете, и найдите допущения модели.
  4. Переносите важные условия из рассуждений в свои сообщения, а не надейтесь на память диалога.
  5. Попросите скрипт для своей рутинной задачи и проверьте его на данных с известным итогом.
  6. Если нужен API, начните с небольшого бюджета и следите за расходом токенов на рассуждения.

Разработчикам удобно сразу сравнивать DeepSeek с другими моделями на своём коде. Это можно сделать на воркшопе «AI-first разработка на Python» Karpov.Courses: два вечерних занятия по два часа, проект на Litestar и PostgreSQL, подключение моделей через OpenRouter и их сравнение на реальной задаче, правила для агента, тесты и ревью кода. DeepSeek на странице назван в стеке вместе с GPT-5, Claude и Qwen, отдельный модуль ему не выделен; токены оплачиваются отдельно, а сама школа предупреждает, что для системного обучения четырёх часов мало.

Открыть курс «AI-first разработка на Python»

Упражнения и ошибки новичков

Лучшее упражнение — задача с заранее известным ответом. Дайте DeepSeek таблицу, которую вы уже посчитали, и сравните итоги. Задайте один вопрос в новых чатах трижды: если ответы расходятся по существу, по этой теме модели нельзя доверять без проверки.

Типичные ошибки новичка: рассуждения включены для каждой реплики, рабочие документы скопированы в чат без чтения политики хранения, уверенный тон черновика принят за доказательство, а в одном длинном диалоге решается сразу несколько задач, хотя прошлых рассуждений модель уже не видит.

Чему учат на курсах

Отдельных онлайн-курсов только по DeepSeek почти нет: модель изучают в ряду других, поэтому смотрите, в каком модуле до неё доходят. На программе «Промт-инжиниринг и работа с генеративным ИИ» ВАДО объёмом 520 часов DeepSeek стоит в пятом пункте программы вместе с ChatGPT и генерацией текстов и изображений, дальше — структура промпта и методика CO-STAR. Домашние задания проверяет преподаватель. Что именно делают с DeepSeek и какой документ выдают, на странице не сказано, это стоит уточнить у школы.

Открыть курс

Если вам нужна модель для текстов, курс с промптами подойдёт. Если же вы работаете с документами, где есть чужие данные, важнее разбор обезличивания и ограничений передачи. Ищите его в программе отдельным модулем.

Такой модуль есть на онлайн-курсе «Нейросети для бухгалтера» Eduson Academy. За два месяца проходят шесть модулей: в первом работают с ChatGPT, YandexGPT и DeepSeek; дальше — первичные документы и оборотно-сальдовые ведомости, а в шестом — обезличивание данных, ограничения на передачу сведений и агента в n8n. Формат — видео- и текстовые уроки, тренажёры и наставник. Перечень домашних заданий на странице не раскрыт.

Открыть курс «Нейросети для Бухгалтера»

Как навык влияет на доход

Отдельной надбавки за DeepSeek в вакансиях найти не удалось: работодатели пишут «опыт работы с нейросетями» или «LLM», не называя модель. Открытых данных о доплате именно за DeepSeek нет, поэтому честнее говорить о задачах, которые навык позволяет брать.

Специалисту без программирования модель с рассуждениями помогает самому писать скрипты для отчётов и сверок, за которыми раньше он шёл к разработчику. Разработчику полезнее другое: умение подключать модели через API, считать расход токенов и разворачивать открытые веса внутри компании, где данные нельзя отдавать наружу. Чтобы оценить эффект для своей должности, сравните вакансии одного региона и уровня с требованием работы с LLM и без него и смотрите на медиану.

Как выбрать обучение

Сначала определите цель. Для повседневных текстов и таблиц хватит короткой программы с практикой на ваших задачах. Для встраивания модели в продукт нужен курс, где пишут код и работают с API.

При выборе проверьте, когда программу обновляли: линейка моделей DeepSeek меняется несколько раз в год, и курс, построенный вокруг R1, уже отстаёт от API. Спросите, разбирают ли режим рассуждений и его стоимость, учат ли обезличивать данные и объясняют ли, чем открытые веса отличаются от облачного сервиса.

Сравнить онлайн-школы поможет рейтинг школ, обучающих нейросетям для работы и бизнеса — он широкий и охватывает всё направление, а не только DeepSeek. До оплаты повторите учебный пример на своей выгрузке: станет ясно, чего вам не хватает — навыка читать рассуждения, проверки кода или правил работы с данными.