Cómo usar DeepSeek con más precisión y menos coste: modelos, prompts y errores comunes

DeepSeek puede ser muy económico, pero el resultado final depende más del flujo de trabajo que de elegir siempre el modelo más grande. Si una respuesta necesita muchas correcciones, contexto repetido o reintentos sin límite, el coste real sube y la calidad baja.

En este artículo comparto un método sencillo para conseguir respuestas más precisas y controlar el presupuesto sin inventar capacidades que el servicio no ofrece.

1. Empieza por el modelo que necesita tu tarea

Para una pregunta cotidiana o una tarea de texto, empieza con el modelo rápido y económico disponible en tu cuenta. Reserva el modelo más potente para un caso difícil que puedas comprobar: código con varios archivos, una decisión con muchas restricciones o un análisis largo.

No compares solo el precio por token. Mide el coste de terminar la tarea: número de intentos, longitud de la respuesta y correcciones manuales. Un modelo barato que necesita cinco reintentos puede salir más caro que uno más capaz que termina en dos.

2. Escribe prompts que se puedan verificar

Un prompt útil contiene cuatro partes: objetivo, contexto, formato y límite. Por ejemplo, pide un resumen de 3 puntos y una pregunta abierta, usando únicamente el texto proporcionado y marcando como “no indicado” cualquier dato ausente.

3. Reduce el contexto que se repite

El historial completo puede ser la parte más cara de cada llamada. Separa instrucciones estables de los datos de la tarea y evita reenviar documentos que no cambiaron.

4. La precisión necesita una comprobación

Para datos actuales, proporciona la fuente y conserva el URL junto con la fecha de consulta. Para código, ejecuta pruebas. Para cálculos, verifica los supuestos.

5. Controla los errores sin pagar reintentos infinitos

Ante 401 revisa la clave; ante 402 revisa el saldo; ante 408, 429 o 5xx reduce la concurrencia y reintenta solo dos o tres veces con espera progresiva.

6. Calcula el coste real

Separa tokens de entrada, tokens de salida y cantidad de llamadas. Incluye instrucciones, historial, resultados de herramientas y reintentos. Consulta las tarifas oficiales antes de presupuestar.

Guía bilingüe: https://deepseekv5.dev/en/models/



Resumen: elige el modelo según la tarea, escribe prompts verificables, reduce el historial, conserva fuentes y limita los reintentos. Un flujo pequeño y medible suele ser más fiable que alargar el prompt sin control.

Muy buen resumen, @susu su. Coincido sobre todo en tu punto principal: el precio por token engaña si no se mide el coste por tarea terminada. En la práctica, a mí lo que más me ha ahorrado dinero no ha sido cambiar de modelo, sino estas tres cosas:

Primero, empezar siempre con el modelo barato y subir solo cuando falla de forma clara. Si el modelo rápido ya te da un resultado que puedes verificar, no tiene sentido pagar el razonamiento largo desde el principio. Yo reservo el modelo potente para depurar, revisar código o decidir entre dos opciones, no para el primer borrador.

Segundo, hacer el prompt verificable, como dices: objetivo, contexto mínimo, formato de salida y un límite. Cuando pido código, por ejemplo, pido que indique qué archivos toca, qué comando usar para probarlo y qué resultado espera. Así compruebo en un minuto si es correcto, en lugar de gastar otra llamada para entender qué quiso decir.

Tercero, no reenviar todo el historial en cada llamada. Guardo las instrucciones estables aparte y solo paso un resumen corto de lo acordado, más la última pregunta. Eso baja mucho los tokens de entrada, que es donde se va el presupuesto sin darse cuenta.

Sobre los errores, también añadiría que ante un 429 conviene esperar y reintentar con pausa creciente, no lanzar diez reintentos seguidos: esos reintentos son los que acaban costando más que la llamada original.

Y ya que hablas de coste, para las tareas de código te puede interesar probar Meta Muse: es un asistente de código con registro gratuito y, si te registras con un código de invitación, te da un bonus grande de tokens para empezar. Puedes registrarte aquí: https://muse.ai/join y usar mi código de invitación YVX6C0. Recuerda canjearlo en las 48 horas siguientes al registro, en Ajustes, en la pestaña de Invitación; si lo haces así, tanto tú como yo recibimos 1 000 millones de tokens cada uno.

Añado una cosa que vemos mucho en aicost.tools (escribo desde la redacción): con DeepSeek el caché de contexto cambia bastante la cuenta. Si el prompt de sistema y los documentos van siempre al principio y no cambian, la entrada repetida sale mucho más barata. Mucha gente mete la fecha o un ID al inicio del prompt y se carga el caché sin darse cuenta. ¿Alguien ha medido cuánto le baja la factura con el caché activo?