مدل‌ها

DeepSeek V4 چیست؟ معرفی کامل V4 Pro و V4 Flash و آموزش اتصال به API درواره

DeepSeek V4 خانواده جدید مدل‌های DeepSeek برای کدنویسی، استدلال، Agent و Context طولانی است. در این راهنما V4 Pro و V4 Flash و اتصال آن‌ها به API درواره را بررسی می‌کنیم.

DeepSeek V4 نسل جدید مدل‌های هوش مصنوعی DeepSeek است که با تمرکز بر کدنویسی، استدلال، وظایف Agentic، پردازش Context بسیار طولانی و کاهش هزینه Inference معرفی شده است.

این خانواده در دو نسخه اصلی عرضه شده است:

DeepSeek V4 Pro
DeepSeek V4 Flash

نسخه Pro برای وظایف پیچیده، Coding پیشرفته، استدلال عمیق و Agentهای چندمرحله‌ای طراحی شده است. نسخه Flash نیز با هدف دستیابی به سرعت بیشتر، هزینه کمتر و توان عملیاتی بالاتر برای استفاده گسترده در اپلیکیشن‌ها ارائه شده است.

هر دو نسخه از معماری Mixture of Experts یا MoE استفاده می‌کنند و Context Window یک‌میلیون توکنی دارند. این ظرفیت به مدل اجازه می‌دهد حجم بسیار زیادی از کد، سند، تاریخچه مکالمه یا اطلاعات بازیابی‌شده را در یک درخواست پردازش کند.

توسعه‌دهندگان ایرانی می‌توانند از طریق API درواره به مدل‌های DeepSeek V4 متصل شوند و آن‌ها را با رابط سازگار با OpenAI در پروژه‌های Python، JavaScript، Node.js و سایر زبان‌های برنامه‌نویسی به کار بگیرند.

در این مقاله بررسی می‌کنیم:

DeepSeek V4 چیست؟
تفاوت V4 Pro و V4 Flash چیست؟
معماری MoE چگونه کار می‌کند؟
Context یک‌میلیون توکنی چه کاربردی دارد؟
Thinking Mode چیست؟
آیا DeepSeek V4 از Tool Calling پشتیبانی می‌کند؟
کدام نسخه برای برنامه‌نویسی و AI Agent مناسب‌تر است؟
چگونه DeepSeek V4 را به API درواره متصل کنیم؟
چگونه از مدل با Python، JavaScript و cURL استفاده کنیم؟
برای استفاده Production-ready چه نکاتی مهم هستند؟

DeepSeek V4 چیست؟

DeepSeek V4 خانواده‌ای از مدل‌های Large Language Model است که برای پردازش متن، کدنویسی، استدلال و انجام وظایف چندمرحله‌ای طراحی شده است.

این خانواده در آوریل ۲۰۲۶ معرفی شد و نسبت به نسل‌های قبلی DeepSeek در چند حوزه مهم پیشرفت کرد:

افزایش Context Window به یک‌میلیون Token
بهبود قابلیت‌های Coding
ارتقای Reasoning
عملکرد بهتر در Agentic Tasks
بهبود Tool Calling
افزایش سرعت Inference در نسخه Flash
کاهش منابع فعال در هر Token با معماری MoE
بهبود پردازش کدها و اسناد بسیار طولانی
پشتیبانی از Thinking و Non-thinking Mode

براساس اطلاعیه رسمی انتشار DeepSeek V4، نسخه Pro دارای ۱.۶ تریلیون پارامتر کل و ۴۹ میلیارد پارامتر فعال است. نسخه Flash نیز ۲۸۴ میلیارد پارامتر کل و ۱۳ میلیارد پارامتر فعال دارد.

این تفاوت، جایگاه دو مدل را مشخص می‌کند:

V4 Pro برای حداکثر کیفیت و وظایف پیچیده
V4 Flash برای سرعت، مقیاس و هزینه کمتر

سازنده DeepSeek V4 کیست؟

DeepSeek یک شرکت و آزمایشگاه هوش مصنوعی است که مدل‌های زبانی عمومی، استدلالی و برنامه‌نویسی توسعه می‌دهد.

این شرکت با عرضه مدل‌هایی مانند DeepSeek Coder، DeepSeek V3 و DeepSeek R1 به شهرت جهانی رسید. DeepSeek R1 به‌خصوص به دلیل توانایی استدلال و ارائه مدلی با وزن‌های قابل‌دسترسی مورد توجه قرار گرفت.

خانواده V4 تلاش می‌کند قابلیت‌های عمومی، Reasoning، Coding و Agentic را در یک نسل جدید ترکیب کند.

نسخه‌های DeepSeek V4

DeepSeek V4 Pro

V4 Pro مدل بزرگ‌تر و قدرتمندتر این خانواده است.

مشخصات معماری اعلام‌شده:

تعداد کل پارامترها: 1.6T
پارامترهای فعال در هر Token: 49B
Context Window: 1M Token

کاربردهای مناسب:

Coding Agent پیشرفته
حل مسائل پیچیده برنامه‌نویسی
Refactoring چندفایلی
تحلیل Repository
طراحی معماری نرم‌افزار
تحلیل اسناد بسیار طولانی
استدلال چندمرحله‌ای
برنامه‌ریزی Agent
رقابت‌های برنامه‌نویسی
مسائل پیچیده ریاضی و علمی

DeepSeek V4 Flash

V4 Flash نسخه سریع‌تر و اقتصادی‌تر خانواده V4 است.

مشخصات معماری اعلام‌شده:

تعداد کل پارامترها: 284B
پارامترهای فعال در هر Token: 13B
Context Window: 1M Token

کاربردهای مناسب:

دستیار کدنویسی
پردازش درخواست‌های پرتعداد
Agentهای عملیاتی
تولید و اصلاح کد
تحلیل متن
استخراج اطلاعات
خلاصه‌سازی
پاسخ‌گویی مبتنی بر RAG
پردازش دسته‌ای
اپلیکیشن‌های حساس به Latency

نسخه Flash کوچک‌تر از Pro است، اما همچنان برای بسیاری از وظایف Coding و Reasoning عملکرد قدرتمندی ارائه می‌دهد.

تفاوت DeepSeek V4 Pro و V4 Flash

ویژگی	V4 Pro	V4 Flash
هدف اصلی	حداکثر کیفیت	سرعت و بهره‌وری
پارامتر کل	1.6T	284B
پارامتر فعال	49B	13B
Context Window	1M Token	1M Token
Coding پیچیده	مناسب‌تر	مناسب
Agentic Coding	قدرتمندتر	سریع‌تر
استدلال عمیق	مناسب‌تر	مناسب
پردازش پرتعداد	پرهزینه‌تر	مناسب‌تر
Latency	معمولاً بیشتر	معمولاً کمتر
کاربرد Production عمومی	برای وظایف سخت	برای بخش بزرگی از درخواست‌ها

اعداد پارامتر، اندازه مدل را نشان می‌دهند؛ اما به‌تنهایی معیار کیفیت نیستند. کیفیت نهایی به آموزش، معماری، داده‌ها، Post-training و نوع وظیفه نیز بستگی دارد.

کدام نسخه را انتخاب کنیم؟

اگر هدف شما حداکثر کیفیت در وظایف پیچیده است، V4 Pro گزینه مناسب‌تری برای آزمایش است.

اگر سرعت، هزینه و تعداد درخواست اهمیت بیشتری دارند، V4 Flash معمولاً انتخاب عملی‌تری است.

یک معماری بهینه می‌تواند از هر دو استفاده کند:

درخواست ساده یا متوسط
→ DeepSeek V4 Flash

Coding پیچیده یا مسئله دشوار
→ DeepSeek V4 Pro

ناموفق‌بودن پاسخ Flash
→ ارتقای درخواست به Pro

این روش که Model Escalation نام دارد، می‌تواند تعادل بهتری میان کیفیت، سرعت و هزینه ایجاد کند.

Model ID مدل‌های DeepSeek V4 در درواره

Model ID درواره برای نسخه Flash:

deepseek/deepseek-v4-flash

Model ID درواره برای نسخه Pro:

deepseek/deepseek-v4-pro

از آنجا که فهرست مدل‌ها و شناسه‌ها ممکن است تغییر کند، پیش از پیاده‌سازی نهایی، Model ID فعال را در صفحه مدل‌های درواره بررسی کنید:

مشاهده مدل‌ها و قیمت‌های درواره

مشخصات کلی DeepSeek V4

ویژگی	وضعیت
ورودی متن	بله
خروجی متن	بله
کدنویسی	بله
Reasoning	بله
Thinking Mode	بله
Non-thinking Mode	بله
Tool Calling	بله
Streaming	بله
Context Window	یک‌میلیون Token
API سازگار با OpenAI	بله
معماری	Mixture of Experts
وزن‌های مدل	منتشرشده
نسخه سریع	V4 Flash
نسخه قدرتمند	V4 Pro

معماری Mixture of Experts چیست؟

Mixture of Experts یا MoE معماری‌ای است که در آن همه پارامترهای مدل برای پردازش هر Token فعال نمی‌شوند.

مدل از چندین بخش تخصصی یا Expert تشکیل شده است. یک Router داخلی تعیین می‌کند کدام Expertها برای Token فعلی مناسب‌اند.

فرایند مفهومی:

Input Token
→ Router
→ انتخاب Expertهای مرتبط
→ پردازش
→ ترکیب خروجی

این معماری اجازه می‌دهد مدل تعداد کل پارامترهای بسیار زیادی داشته باشد، اما فقط بخشی از آن‌ها را برای هر Token فعال کند.

برای مثال، در V4 Flash:

کل پارامترها: 284B
پارامترهای فعال: 13B

این به آن معنا نیست که مدل فقط ۱۳ میلیارد پارامتر دارد. مدل ۲۸۴ میلیارد پارامتر کل دارد، اما برای پردازش هر Token تقریباً ۱۳ میلیارد پارامتر فعال می‌شوند.

مزایای معماری MoE

کاهش محاسبات هر Token
افزایش سرعت Inference
کاهش هزینه اجرا
امکان بزرگ‌ترکردن ظرفیت مدل
تخصصی‌شدن Expertها
مقیاس‌پذیری بهتر

چالش‌های معماری MoE

پیچیدگی Routing
نیاز به Load Balancing
انتقال داده میان Expertها
نیاز به حافظه برای نگهداری کل مدل
دشواری استقرار محلی مدل بزرگ
احتمال تفاوت رفتار روی زیرساخت‌های مختلف

MoE اجرای مدل را ارزان‌تر از یک مدل Dense هم‌اندازه می‌کند، اما نگهداری وزن‌های کامل همچنان به منابع قابل‌توجهی نیاز دارد.

Context Window یک‌میلیون توکنی

یکی از مهم‌ترین قابلیت‌های DeepSeek V4، Context Window یک‌میلیون توکنی است.

Context می‌تواند شامل موارد زیر باشد:

System Prompt
تاریخچه مکالمه
درخواست کاربر
کدهای پروژه
فایل‌های پیکربندی
مستندات
داده‌های RAG
تعریف Toolها
خروجی Tool Call
تست‌ها
Logها
پاسخ مدل

کاربردهای Context یک‌میلیون توکنی:

تحلیل Repository بزرگ
بررسی چند صد فایل کد
تحلیل اسناد طولانی
مقایسه چند کتاب یا گزارش
Agentهای طولانی‌مدت
مهاجرت پروژه‌های نرم‌افزاری
تحلیل Logهای حجیم
بررسی تاریخچه طولانی مکالمه
پردازش اطلاعات سازمانی
تحلیل چند قرارداد یا سند فنی

Context بزرگ جایگزین RAG نیست

ممکن است تصور شود با Context یک‌میلیون توکنی دیگر نیازی به RAG نداریم. این نتیجه در بیشتر پروژه‌ها صحیح نیست.

ارسال تمام اطلاعات می‌تواند:

هزینه را افزایش دهد.
Latency را بیشتر کند.
توجه مدل را پراکنده کند.
اسناد نامرتبط را وارد پاسخ کند.
کنترل دسترسی را دشوار کند.
پایش منبع پاسخ را پیچیده کند.

در سیستم RAG بهتر است:

سؤال کاربر تحلیل شود.
اسناد مرتبط بازیابی شوند.
نتایج Rerank شوند.
فقط بهترین بخش‌ها وارد Context شوند.
پاسخ با منبع تولید شود.

Context بزرگ زمانی مفید است که اسناد مرتبط واقعاً حجیم باشند.

Thinking Mode چیست؟

DeepSeek V4 می‌تواند در دو حالت کلی کار کند:

Thinking Mode
Non-thinking Mode

Non-thinking Mode

در این حالت مدل سریع‌تر به پاسخ نهایی می‌رسد.

مناسب برای:

خلاصه‌سازی
بازنویسی
ترجمه
دسته‌بندی
استخراج ساده
پاسخ‌های عمومی
تولید متن
درخواست‌های حساس به سرعت

Thinking Mode

در این حالت مدل پیش از پاسخ نهایی، زمان و Token بیشتری برای تحلیل مسئله صرف می‌کند.

مناسب برای:

مسائل پیچیده Coding
Debugging
ریاضیات
برنامه‌ریزی Agent
معماری نرم‌افزار
تحلیل چندمرحله‌ای
Tool Calling پیچیده
تصمیم‌گیری مبتنی بر محدودیت‌ها

استفاده از Thinking Mode برای همه درخواست‌ها توصیه نمی‌شود. باید آن را برای وظایفی فعال کرد که واقعاً به استدلال بیشتر نیاز دارند.

Reasoning Content در DeepSeek V4

در برخی پاسخ‌های Thinking Mode ممکن است بخشی با عنوان reasoning_content وجود داشته باشد.

این فیلد برای حفظ وضعیت استدلال در گردش کار چندمرحله‌ای، مخصوصاً همراه Tool Calling، اهمیت دارد.

براساس راهنمای Thinking Mode دیپ‌سیک، اگر مدل در حالت Thinking یک Tool Call تولید کند، reasoning_content باید در درخواست‌های بعدی همان Turn حفظ و دوباره ارسال شود.

اگر این داده حذف شود، ادامه زنجیره Tool Calling ممکن است درست کار نکند.

ساختار مفهومی:

User Message
→ Model Reasoning
→ Tool Call
→ Tool Result
→ Model Continues Reasoning
→ Final Answer

پیاده‌سازی Agent باید پیام Assistant را با فیلدهای لازم، بدون بازسازی ناقص، در Conversation History نگه دارد.

DeepSeek V4 برای برنامه‌نویسی

DeepSeek V4 با تمرکز جدی بر Coding و Agentic Coding معرفی شده است.

کاربردها:

تولید کد
تکمیل کد
رفع Bug
Code Review
Refactoring
تولید تست
مهاجرت پروژه
تحلیل Repository
تولید مستندات
نوشتن Query
تحلیل Log
طراحی معماری
اجرای Coding Agent

نمونه پرامپت رفع Bug

You are a senior TypeScript backend engineer.

Analyze the following code and identify the root cause of the bug.

Requirements:
- Explain the root cause before proposing changes.
- Preserve the public API.
- Make the smallest safe change.
- Include regression tests.
- Identify any concurrency risks.
- Do not invent missing dependencies.

Output:
1. Root cause
2. Risk analysis
3. Patch
4. Tests
5. Deployment notes

نمونه پرامپت Code Review

این Pull Request را از نظر موارد زیر بررسی کن:

- Correctness
- Concurrency
- Error handling
- Performance
- Database consistency
- Maintainability
- Test coverage

فقط مشکلاتی را گزارش کن که شواهد مشخص در کد دارند.

برای هر مشکل بنویس:
- شدت
- فایل یا تابع
- علت
- سناریوی خرابی
- اصلاح پیشنهادی

نمونه پرامپت تحلیل Repository

این Repository را بررسی کن و ابتدا بدون تغییر کد، نقشه معماری آن را بساز.

موارد موردنیاز:
- Entry pointها
- Moduleها
- مسیر داده
- وابستگی‌های خارجی
- دسترسی به پایگاه داده
- Authentication
- Background jobs
- Test structure
- نقاط دارای Coupling زیاد

پس از تحلیل، یک برنامه Refactoring مرحله‌ای پیشنهاد بده.
هر مرحله باید قابل تست و قابل استقرار مستقل باشد.

انتخاب V4 Pro یا Flash برای Coding

از V4 Flash استفاده کنید اگر:

تکمیل کد می‌خواهید.
درخواست‌ها پرتعدادند.
Latency مهم است.
Bug پیچیدگی متوسطی دارد.
باید تست تولید شود.
هزینه باید کنترل شود.
Agent تعداد زیادی مرحله ساده دارد.

از V4 Pro استفاده کنید اگر:

Repository بسیار پیچیده است.
مسئله نیازمند استدلال عمیق است.
معماری باید بازطراحی شود.
Bug چندلایه یا هم‌زمانی است.
مهاجرت گسترده انجام می‌دهید.
Coding Agent باید خودمختاری بیشتری داشته باشد.
کیفیت از Latency مهم‌تر است.

DeepSeek V4 برای AI Agent

AI Agent برای رسیدن به هدف از مدل، حافظه و ابزار استفاده می‌کند.

معماری ساده:

User Goal
→ Agent Planner
→ DeepSeek V4
→ Tool Selection
→ Tool Execution
→ Observation
→ Next Action
→ Final Result

ابزارها می‌توانند شامل موارد زیر باشند:

جست‌وجو
پایگاه داده
اجرای کد
فایل‌سیستم
سیستم CRM
سرویس تیکت
تقویم
APIهای داخلی
ابزارهای توسعه نرم‌افزار

Tool Calling چیست؟

Tool Calling به مدل اجازه می‌دهد به‌جای حدس‌زدن اطلاعات، یک ابزار مشخص را فراخوانی کند.

مثلاً برای پاسخ به وضعیت سفارش، ابزار زیر تعریف می‌شود:

get_order_status(order_id)

مدل از پیام کاربر، شناسه سفارش را استخراج و درخواست اجرای تابع را تولید می‌کند.

نمونه Tool Calling با Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Get the current status of an order",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "Unique order identifier"
                    }
                },
                "required": ["order_id"],
                "additionalProperties": False
            }
        }
    }
]

response = client.chat.completions.create(
    model="deepseek/deepseek-v4-flash",
    messages=[
        {
            "role": "system",
            "content": "Use tools whenever factual order data is required."
        },
        {
            "role": "user",
            "content": "وضعیت سفارش DV-4821 را بررسی کن."
        }
    ],
    tools=tools,
    tool_choice="auto"
)

message = response.choices[0].message

if message.tool_calls:
    for tool_call in message.tool_calls:
        print(tool_call.function.name)
        print(tool_call.function.arguments)
else:
    print(message.content)

محدودیت Tool Choice در Thinking Mode

پشتیبانی از tool_choice می‌تواند میان حالت Thinking، نسخه مدل و زیرساخت ارائه‌دهنده متفاوت باشد.

در بعضی پیاده‌سازی‌ها ممکن است Thinking Mode از حالت اجباری tool_choice="required" پشتیبانی نکند، اما Tool Calling خودکار قابل‌استفاده باشد.

برای Production:

قابلیت را با Model ID واقعی آزمایش کنید.
به‌جای فرض‌کردن، رفتار auto، required و ابزار مشخص را تست کنید.
پاسخ فاقد Tool Call را مدیریت کنید.
Tool Arguments را اعتبارسنجی کنید.
برای مدل Fallback داشته باشید.

اجرای امن Tool

مدل نباید مستقیماً عملیات حساس را اجرا کند. Backend باید کنترل نهایی را داشته باشد.

قبل از اجرای Tool بررسی کنید:

نام ابزار مجاز باشد.
آرگومان‌ها با Schema تطبیق داشته باشند.
کاربر دسترسی لازم داشته باشد.
عملیات با هدف کاربر مرتبط باشد.
محدودیت هزینه رعایت شود.
درخواست تکراری نباشد.
عملیات پرریسک نیازمند تأیید باشد.

DeepSeek V4 برای RAG

Context طولانی DeepSeek V4 آن را برای سیستم‌های RAG مناسب می‌کند.

گردش کار:

سؤال
→ Query Processing
→ Embedding
→ Vector Search
→ Keyword Search
→ Fusion
→ Reranking
→ Context Building
→ DeepSeek V4
→ پاسخ مستند

برای نتیجه بهتر:

Chunkها بیش از حد بزرگ نباشند.
Metadata حفظ شود.
منبع هر Chunk مشخص باشد.
از Hybrid Search استفاده شود.
نتایج قبل از ارسال Rerank شوند.
تعداد اسناد با کیفیت Retrieval تنظیم شود.
مدل اجازه حدس‌زدن اطلاعات خارج از Context نداشته باشد.

نمونه System Prompt برای RAG

You answer only from the supplied context.

Rules:
- Do not use unsupported information.
- If the answer is absent, explicitly say so.
- Cite the source ID for every important claim.
- Do not invent names, dates, prices or policies.
- Separate direct evidence from inference.
- Respond in Persian unless another language is requested.

DeepSeek V4 برای تحلیل اسناد طولانی

Context یک‌میلیون توکنی برای تحلیل مجموعه اسناد کاربرد دارد.

نمونه Prompt:

اسناد پیوست‌شده را تحلیل کن.

اهداف:
- یافتن موضوعات مشترک
- شناسایی اختلاف داده‌ها
- استخراج تصمیم‌های قبلی
- مشخص‌کردن موارد حل‌نشده
- پیشنهاد اقدام بعدی

قواعد:
- هر ادعا را به سند مربوط نسبت بده.
- میان نقل مستقیم، خلاصه و استنباط تفاوت بگذار.
- اطلاعات خارج از اسناد را وارد نکن.
- اگر شواهد کافی نیست، عدم قطعیت را بنویس.

خروجی:
1. خلاصه مدیریتی
2. یافته‌های کلیدی
3. تناقض‌ها
4. ریسک‌ها
5. اقدامات پیشنهادی

DeepSeek V4 برای چه کاربردهایی مناسب است؟

Coding Assistant

برای تولید، اصلاح و توضیح کد.

Coding Agent

برای خواندن فایل‌ها، اجرای تست و اعمال Patch.

تحلیل اسناد

برای پردازش متن‌ها و گزارش‌های طولانی.

سیستم RAG

برای پاسخ‌گویی براساس دانش سازمانی.

Agentهای چندمرحله‌ای

برای برنامه‌ریزی و Tool Calling.

تحلیل داده

برای تولید Query، کد تحلیل و تفسیر خروجی.

تولید مستندات

برای مستندات فنی، API Documentation و Runbook.

پردازش دسته‌ای

به‌خصوص با V4 Flash برای خلاصه‌سازی، استخراج و دسته‌بندی در حجم بالا.

DeepSeek V4 برای چه کاربردهایی انتخاب اول نیست؟

تولید تصویر

مدل‌های V4 مدل متنی هستند و برای Image Generation طراحی نشده‌اند.

تولید ویدئو

برای ویدئو باید از مدل‌های تخصصی Video Generation استفاده شود.

تولید صدا

برای TTS یا Speech Generation از مدل صوتی استفاده کنید.

Embedding

برای Vector Search به مدل Embedding نیاز دارید.

OCR خام

برای خواندن تصویر یا سند اسکن‌شده، OCR یا مدل Vision مناسب‌تر است.

درخواست ساده با حساسیت شدید به Latency

ممکن است یک مدل کوچک‌تر برای پاسخ‌های بسیار ساده سریع‌تر و اقتصادی‌تر باشد.

قیمت DeepSeek V4

قیمت مدل‌ها ممکن است براساس نسخه، زیرساخت، طول Context، Tokenهای ورودی و خروجی و شرایط سرویس تغییر کند. به همین دلیل قیمت عددی ثابت در این مقاله درج نمی‌شود.

عوامل مؤثر بر هزینه:

انتخاب V4 Pro یا V4 Flash
Input Tokens
Output Tokens
Thinking Mode
طول Context
Prompt Caching
Tool Calls
تعداد Retry
Batch Processing
زیرساخت ارائه مدل

برای مشاهده قیمت به‌روز مدل‌های DeepSeek V4 به صفحه زیر مراجعه کنید:

مشاهده مدل‌ها و قیمت‌های درواره

فرمول محاسبه هزینه

فرمول سازگار با Ghost:

هزینه ورودی =
تعداد Input Token ÷ 1,000,000 × قیمت هر یک میلیون Input Token

هزینه خروجی =
تعداد Output Token ÷ 1,000,000 × قیمت هر یک میلیون Output Token

هزینه کل =
هزینه ورودی + هزینه خروجی + هزینه احتمالی ابزارها

برای محاسبه واقعی، قیمت جاری Model ID انتخابی را در صفحه مدل‌های درواره ببینید.

آموزش اتصال DeepSeek V4 به API درواره

درواره یک API سازگار با OpenAI ارائه می‌کند. بنابراین برای اتصال کافی است این موارد را تنظیم کنید:

API Key درواره
Base URL درواره
Model ID درواره

Base URL رسمی:

https://api.darvareh.ir/v1

Model ID نسخه Flash:

deepseek/deepseek-v4-flash

Model ID نسخه Pro:

deepseek/deepseek-v4-pro

دریافت API Key

برای شروع:

وارد درواره شوید.
حساب کاربری بسازید.
کیف پول را شارژ کنید.
وارد بخش API Keys شوید.
یک API Key جدید بسازید.
کلید را در Backend یا Secret Manager ذخیره کنید.
Model ID را از صفحه Models بردارید.

نمونه cURL برای V4 Flash

curl https://api.darvareh.ir/v1/chat/completions \
  -H "Authorization: Bearer YOUR_DARVAREH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek/deepseek-v4-flash",
    "messages": [
      {
        "role": "system",
        "content": "You are a precise senior software engineer."
      },
      {
        "role": "user",
        "content": "این تابع را بررسی کن، مشکل را توضیح بده و نسخه اصلاح‌شده را بنویس."
      }
    ]
  }'

نمونه cURL برای V4 Pro

curl https://api.darvareh.ir/v1/chat/completions \
  -H "Authorization: Bearer YOUR_DARVAREH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek/deepseek-v4-pro",
    "messages": [
      {
        "role": "system",
        "content": "You are a senior software architect."
      },
      {
        "role": "user",
        "content": "برای مهاجرت یک Monolith به معماری Modular، برنامه مرحله‌ای و قابل بازگشت طراحی کن."
      }
    ]
  }'

نمونه Python

نصب SDK:

pip install openai

کد:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

response = client.chat.completions.create(
    model="deepseek/deepseek-v4-flash",
    messages=[
        {
            "role": "system",
            "content": "You are a careful senior Python engineer."
        },
        {
            "role": "user",
            "content": """
این تابع را بررسی کن.
ابتدا مشکلات را توضیح بده، سپس نسخه اصلاح‌شده و تست pytest ارائه کن.
"""
        }
    ]
)

print(response.choices[0].message.content)

متغیر محیطی:

DARVAREH_API_KEY=your_api_key

نمونه JavaScript

نصب SDK:

npm install openai

کد:

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.DARVAREH_API_KEY,
  baseURL: "https://api.darvareh.ir/v1",
});

const response = await client.chat.completions.create({
  model: "deepseek/deepseek-v4-flash",
  messages: [
    {
      role: "system",
      content: "You are a precise senior TypeScript engineer.",
    },
    {
      role: "user",
      content:
        "این کد را Review کن، مشکلات را اولویت‌بندی کن و Patch پیشنهادی بده.",
    },
  ],
});

console.log(response.choices[0].message.content);

نمونه استفاده با fetch

const response = await fetch(
  "https://api.darvareh.ir/v1/chat/completions",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.DARVAREH_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      model: "deepseek/deepseek-v4-flash",
      messages: [
        {
          role: "system",
          content: "You are a precise software engineer.",
        },
        {
          role: "user",
          content: "برای این سرویس مجموعه تست کامل طراحی کن.",
        },
      ],
    }),
  }
);

if (!response.ok) {
  throw new Error(`API request failed: ${response.status}`);
}

const data = await response.json();

console.log(data.choices[0].message.content);

درخواست را از Backend ارسال کنید تا API Key در اختیار مرورگر قرار نگیرد.

Streaming با DeepSeek V4

Streaming باعث می‌شود پاسخ به‌تدریج نمایش داده شود.

Python

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

stream = client.chat.completions.create(
    model="deepseek/deepseek-v4-flash",
    messages=[
        {
            "role": "user",
            "content": "یک معماری Production-ready برای RAG طراحی کن."
        }
    ],
    stream=True
)

for chunk in stream:
    content = chunk.choices[0].delta.content

    if content:
        print(content, end="", flush=True)

JavaScript

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.DARVAREH_API_KEY,
  baseURL: "https://api.darvareh.ir/v1",
});

const stream = await client.chat.completions.create({
  model: "deepseek/deepseek-v4-flash",
  messages: [
    {
      role: "user",
      content: "یک معماری Production-ready برای RAG طراحی کن.",
    },
  ],
  stream: true,
});

for await (const chunk of stream) {
  const content = chunk.choices[0]?.delta?.content;

  if (content) {
    process.stdout.write(content);
  }
}

مدیریت خطاها

خطاهای متداول:

API Key نامعتبر
اعتبار ناکافی
Model ID اشتباه
Rate Limit
Timeout
Context بیش از حد مجاز
Tool Call نامعتبر
اختلال موقت مدل
خطای Validation
پاسخ خالی
قطع Streaming

نمونه Python:

import os
import time
from openai import (
    OpenAI,
    APIConnectionError,
    APITimeoutError,
    RateLimitError,
    APIStatusError,
)

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1",
    timeout=60.0,
    max_retries=0
)

def call_deepseek(messages, attempts=3):
    for attempt in range(attempts):
        try:
            return client.chat.completions.create(
                model="deepseek/deepseek-v4-flash",
                messages=messages
            )

        except RateLimitError:
            if attempt == attempts - 1:
                raise

            time.sleep(2 ** attempt)

        except (APIConnectionError, APITimeoutError):
            if attempt == attempts - 1:
                raise

            time.sleep(2 ** attempt)

        except APIStatusError as error:
            if error.status_code < 500:
                raise

            if attempt == attempts - 1:
                raise

            time.sleep(2 ** attempt)

Retry را فقط برای خطاهای موقت اجرا کنید. خطای احراز هویت، Model ID و Validation با Retry حل نمی‌شود.

استفاده Production-ready

API Key را در Backend نگه دارید

کلید را در این موارد قرار ندهید:

Frontend
JavaScript مرورگر
اپ موبایل
Repository عمومی
Log
فایل قابل دانلود

برای هر درخواست Timeout تعریف کنید

Thinking Mode و Context طولانی ممکن است زمان پاسخ را بیشتر کنند.

Retry محدود و هوشمند داشته باشید

از Exponential Backoff و سقف تلاش استفاده کنید.

Idempotency تعریف کنید

درخواست تکراری نباید عملیات یا هزینه جانبی تکراری ایجاد کند.

Context را مدیریت کنید

روش‌های مناسب:

خلاصه‌سازی تاریخچه
حذف پیام‌های قدیمی
RAG
Context Compaction
محدودکردن Tool Output
نگهداری حافظه ساختاریافته

خروجی را اعتبارسنجی کنید

بدون بررسی اجرا نکنید:

SQL
کد
Shell Command
Tool Arguments
JSON
تغییرات پایگاه داده
درخواست خارجی

مصرف را ثبت کنید

برای هر درخواست:

Model ID
Input Tokens
Output Tokens
Latency
Status
Tool Calls
User ID
Project ID
هزینه
خطا

معماری Routing میان Pro و Flash

یک Router ساده می‌تواند براساس پیچیدگی، مدل مناسب را انتخاب کند.

دسته‌بندی یا استخراج ساده
→ V4 Flash

Coding متوسط
→ V4 Flash

Repository Analysis پیچیده
→ V4 Pro

Agent چندمرحله‌ای دشوار
→ V4 Pro

شکست پاسخ Flash
→ Retry کنترل‌شده با V4 Pro

این معماری هزینه استفاده از Pro را فقط به وظایف دشوار محدود می‌کند.

کاهش هزینه

Flash را مدل پیش‌فرض قرار دهید

برای بسیاری از درخواست‌ها ابتدا V4 Flash را آزمایش کنید.

درخواست‌های دشوار را به Pro ارتقا دهید

فقط وقتی معیارهای مشخصی برقرار است از Pro استفاده کنید.

Context غیرضروری را حذف کنید

Context یک‌میلیون توکنی به‌معنای ارسال همیشگی یک‌میلیون Token نیست.

پاسخ را محدود کنید

پاسخ را در حداکثر ۱۰ نکته ارائه کن.

Tool Output را خلاصه کنید

خروجی بسیار طولانی ابزارها را قبل از ارسال به مدل فشرده کنید.

Cache داشته باشید

پاسخ درخواست‌های تکراری یا تحلیل اسناد ثابت را Cache کنید.

هزینه هر وظیفه موفق را اندازه بگیرید

هزینه هر وظیفه موفق =
هزینه کل درخواست‌ها ÷ تعداد خروجی‌های تأییدشده

ارزیابی DeepSeek V4

برای انتخاب میان V4 Pro، V4 Flash و سایر مدل‌ها یک Eval اختصاصی بسازید.

نمونه مجموعه:

۲۰ درخواست فارسی
۲۰ وظیفه Coding
۱۰ Code Review
۱۰ Tool Calling
۱۰ Structured Extraction
۱۰ سند طولانی
۱۰ سؤال RAG
۱۰ مسئله Reasoning

معیارها:

Task Success Rate
Coding Accuracy
Tool Call Accuracy
Hallucination Rate
Latency
Token Usage
Cost per Successful Task
Persian Quality
Human Preference

کیفیت فارسی DeepSeek V4

DeepSeek V4 می‌تواند متن فارسی را پردازش کند، اما کیفیت باید با داده واقعی ارزیابی شود.

موارد مهم:

نیم‌فاصله
متن رسمی
متن محاوره‌ای
اعداد فارسی
تاریخ شمسی
اصطلاحات فنی
ترکیب فارسی و انگلیسی
اسناد فارسی
خروجی JSON از متن فارسی
ترجمه تخصصی

در پرامپت فارسی بهتر است اصطلاحات فنی را به هر دو شکل بنویسید:

پرامپت یا Prompt
توکن یا Token
حالت تفکر یا Thinking Mode
پنجره زمینه یا Context Window
فراخوانی ابزار یا Tool Calling
عامل هوشمند یا AI Agent

مقایسه DeepSeek V4 با مدل‌های دیگر

DeepSeek V4 در برابر Grok

هر دو برای Coding، Reasoning و Agentic Tasks طراحی شده‌اند. DeepSeek V4 دو نسخه Pro و Flash دارد که امکان Routing براساس کیفیت و هزینه را فراهم می‌کند.

DeepSeek V4 در برابر Claude

Claude در Agentic Coding و کار با متن‌های طولانی شناخته می‌شود. DeepSeek V4 نیز Context بسیار بزرگ و تمرکز جدی بر Coding دارد. نتیجه باید با Repository واقعی مقایسه شود.

DeepSeek V4 در برابر GPT

هر دو برای Coding، تحلیل و Agent قابل‌استفاده‌اند. معیارهایی مانند Tool Calling، Latency، کیفیت فارسی و هزینه هر وظیفه موفق باید بررسی شوند.

DeepSeek V4 در برابر Gemini

Gemini در Multimodal و Long Context توانمند است. DeepSeek V4 روی متن، Coding و Agentic Reasoning تمرکز بیشتری دارد.

پرسش‌های متداول

DeepSeek V4 چیست؟

DeepSeek V4 خانواده جدید مدل‌های DeepSeek برای کدنویسی، استدلال، پردازش Context طولانی و وظایف Agentic است.

نسخه‌های DeepSeek V4 کدام‌اند؟

دو نسخه اصلی عبارت‌اند از:

DeepSeek V4 Pro
DeepSeek V4 Flash

تفاوت V4 Pro و V4 Flash چیست؟

V4 Pro برای حداکثر کیفیت و وظایف پیچیده طراحی شده است. V4 Flash سرعت بیشتر و هزینه کمتری دارد و برای استفاده گسترده مناسب‌تر است.

Context Window مدل‌ها چقدر است؟

هر دو نسخه Context Window یک‌میلیون توکنی دارند.

Model ID نسخه Flash در درواره چیست؟

deepseek/deepseek-v4-flash

Model ID نسخه Pro در درواره چیست؟

deepseek/deepseek-v4-pro

شناسه فعال را پیش از استفاده در صفحه مدل‌های درواره بررسی کنید.

آیا DeepSeek V4 برای کدنویسی مناسب است؟

بله. Coding، Debugging، Code Review، تولید تست، Refactoring و Agentic Coding از کاربردهای اصلی آن هستند.

آیا DeepSeek V4 از Thinking Mode پشتیبانی می‌کند؟

بله. مدل می‌تواند در حالت Thinking یا Non-thinking استفاده شود.

آیا DeepSeek V4 از Tool Calling پشتیبانی می‌کند؟

بله، اما جزئیات Tool Choice و Thinking Mode باید در مسیر API مورد استفاده آزمایش شوند.

آیا DeepSeek V4 تصویر را تحلیل می‌کند؟

مدل‌های اصلی V4 به‌عنوان مدل‌های زبان، Coding و Reasoning معرفی شده‌اند. برای تحلیل تصویر باید از مدل Vision سازگار استفاده کنید.

آیا DeepSeek V4 رایگان است؟

استفاده از API مدل رایگان نیست و هزینه براساس مصرف محاسبه می‌شود. قیمت فعلی را در صفحه مدل‌های درواره بررسی کنید.

Base URL درواره چیست؟

https://api.darvareh.ir/v1

آیا DeepSeek V4 با OpenAI SDK کار می‌کند؟

بله. API درواره سازگار با OpenAI است و می‌توانید با تنظیم Base URL، API Key و Model ID از آن استفاده کنید.

V4 Pro بهتر است یا V4 Flash؟

برای وظایف بسیار پیچیده Pro مناسب‌تر است. برای سرعت، هزینه و درخواست‌های پرتعداد Flash انتخاب عملی‌تری محسوب می‌شود.

آیا DeepSeek V4 برای RAG مناسب است؟

بله. Context بزرگ آن مفید است، اما کیفیت Retrieval، Chunking و Reranking همچنان ضروری است.

جمع‌بندی

DeepSeek V4 نسل جدید مدل‌های DeepSeek برای Coding، Reasoning، Long Context و Agentic AI است.

این خانواده شامل دو نسخه اصلی است:

V4 Pro برای حداکثر کیفیت
V4 Flash برای سرعت و بهره‌وری

ویژگی‌های مهم DeepSeek V4:

Context Window یک‌میلیون توکنی
معماری Mixture of Experts
Thinking و Non-thinking Mode
قابلیت‌های پیشرفته Coding
Tool Calling
مناسب برای AI Agent
سازگاری با Chat Completions
امکان استفاده از طریق API درواره

برای بسیاری از اپلیکیشن‌ها، V4 Flash می‌تواند مدل پیش‌فرض باشد و درخواست‌های دشوار به V4 Pro منتقل شوند. این معماری میان کیفیت، سرعت و هزینه تعادل ایجاد می‌کند.

برای مشاهده Model IDهای فعال، مشخصات و قیمت به‌روز:

مشاهده مدل‌ها و قیمت‌های درواره

برای ساخت حساب و دریافت API Key:

ثبت‌نام در درواره