DeepSeek 入門指南：公司、服務、模型三層分清楚，費用與隱私先看懂

DeepSeek 是中國 AI 公司深度求索的品牌，名字同時指三件事：開發模型的公司深度求索、讓你打字聊天的服務，以及在背後生成回答的模型本體。三層分不清，你就會把「模型開放權重下載」聽成「聊天服務可以離線用」，把「API 改版」誤讀成「聊天要收費了」，或反過來，以為價格戰的新聞跟自己每個月的帳單有關。這個名字會爆紅，是因為 2025 年 1 月 20 日 DeepSeek 把推理模型 R1 免費開放下載，一週內它的手機 App 衝上美國 iOS App Store 免費榜第一名，輝達股價在 1 月 27 日單日跌了 18%，華爾街與矽谷同時繃緊神經。

這篇按三層身分展開：先讀公司背景與從 V3、R1 走到 V4.1-Flash 的版本沿革，把手上的名詞對齊到 2026 年 10 月的現況；再實際走一次第一次任務的三步交辦法，學會交代材料、目的與格式；費用按聊天、API、自架三種算法分開算，因為三種身分的帳單邏輯完全不同。全文最該慢讀的是資料落地那一段：資料在中國轄區被處理與儲存，這一點跟 Gemini、Grok 這類多數美國供應商的常見口徑不同，是比任何功能比較都值得先弄清楚的差別。

三層身分：公司、服務、模型，先分清再上手

先看公司這一層。DeepSeek 的官方中文名是深度求索，主體要分入口核對：官網頁尾登記的營運主體是杭州深度求索人工智能基礎技術研究有限公司；服務層的隱私政策則有自己的申報口徑，英文版列出的資料控制者（Data Controller）是 Hangzhou DeepSeek Artificial Intelligence Co., Ltd.，註冊地址在中國。頁尾的主體登記回答「這是誰經營的」，隱私政策裡的控制者欄位回答「你的資料交給誰、權利向誰主張」，兩份文件的名稱不保證逐字相同，精確答案以你使用的入口當下揭示的條款為準。公司於 2023 年 7 月 17 日成立，創辦人梁文鋒的另一個身分是量化基金幻方量化（High-Flyer）的共同創辦人，DeepSeek 由這支基金出資支持，總部在杭州。比較少被提到但很關鍵的背景是，梁文鋒在美國出口管制收緊之前，已經為基金累積了約一萬張輝達 A100，這批存貨成了後來模型訓練的算力底盤。募資與上市的數字則要標明出處口徑：英文維基百科的 DeepSeek 條目（2026 年 10 月版本）援引媒體報導稱，公司於 2026 年 5 月完成 70 億美元的 A 輪募資，投後估值 520 億美元，7 月並傳出以 2027 年為目標的上市準備。

基金出身解釋了這家公司兩個一貫的策略。其一是成本紀律：對一個把算力當存貨管理的團隊來說，訓練帳算得比誰都細，V3 的技術報告寫明整套訓練只用了 278.8 萬個 H800 GPU 小時，這個數字後來成了「低成本訓練」敘事的起點。其二是開放策略：把旗艦模型用 MIT 授權公開，換取全世界開發者幫它把生態鋪開。這兩件事加起來，才是「DeepSeek 現象」的完整解釋，單看任何一面都會誤判。

第二層是服務。你打字聊天的那個入口，不論是網頁版、手機 App 還是桌面應用，是產品也是合約主體：服務條款與隱私政策約束的是這一層，資料落地、訓練用途這些法律問題，答案都寫在服務層的政策文件裡，跟模型本身沒有直接關係。第三層是模型：V3、R1、V4.1-Flash 這些名稱指的是權重與架構，發表在技術報告與程式庫裡，可以下載、可以自架、可以改。模型是資產，服務是通道，公司是幕後的經營主體。

三層身分分清楚，三個常見誤解跟著解開。看到「模型權重開放下載」，正確理解是模型層的技術資產開放，聊天服務照樣要連網、照樣把你的輸入送到伺服器；看到「API 價格調降」，影響的是寫程式串接的那群人，一般聊天入口的成本結構是另一回事；看到「某地區無法使用服務」，斷的是通道，模型的權重還在，自架的人不受影響。反過來說，只有先確認自己問的問題屬於哪一層，找到的答案才會是對的。

這個框架在組織裡還有分工上的用處：不同角色盯不同層。採購與行政看服務層，條款、價格、資料政策都在那裡；技術團隊看模型層，授權範圍、參數規模、API 相容性決定能怎麼用；法務與稽核看公司層，主體登記在哪個國家、適用哪套監理，決定出事時的求助對象與責任路徑。一家公司導入新 AI 工具時最常見的失誤，就是讓同一個人用同一套標準看三層：工程師只看模型能力就放行，或法務只看轄區就否決，兩種都是把三層壓縮成一層的懶惰。把三層各自交給對的角色，再回到同一張桌上做決定，這是組織面最省事的防呆設計。

從 V3 到 V4.1-Flash：版本沿革的正確讀法

版本史不需要背，但需要一條主線。官方 API 更新日誌給出的時間軸是這樣的：2024 年 12 月 26 日，deepseek-chat 升級到 V3，這是第一個真正爆紅的版本，6710 億總參數、每個 token 只啟動 370 億的混合專家架構，在 14.8 兆 token 的語料上完成預訓練，整段過程沒有出現不可回復的損失發散，這些數字都寫在V3 的技術報告裡。2025 年 1 月 20 日，deepseek-reasoner 以 R1 之名上線，推理模型正式進入產品線。

接下來的節奏加快。2025 年 8 月 21 日兩個端點一起升到 V3.1，同一個模型用混合推理架構同時提供思考與非思考兩種模式；9 月 29 日 V3.2 實驗版導入稀疏注意力；12 月 1 日 V3.2 轉正。真正的分水嶺在 2026 年：4 月 24 日 V4 發表，產品線從此分成 deepseek-v4-pro 與 deepseek-v4-flash 兩條，沿用多年的 deepseek-chat 與 deepseek-reasoner 名稱在 7 月 24 日退場；7 月 31 日 V4-Flash 進入公測並加入 Responses API 與 Codex 的支援；8 月 13 日 V4-Pro 轉為正式版，帶來低、高、最高三段推理強度的控制，8 月 16 日起啟用尖離峰計價；9 月 10 日 V4.1-Flash 發布，原生多模態，API 價格同步調降。

這條時間軸裡有兩個轉折值得停下來看。V3.1 的混合推理把「要不要想久一點」從選模型變成選模式，同一個模型在思考與非思考之間切換，使用者不用再猜自己的題目該丟給 chat 還是 reasoner，這是介面哲學的簡化，也是後來三段推理強度的前身。V3.2 的稀疏注意力則是成本面的伏筆：注意力機制的計算量隨上下文長度上升，稀疏化等於讓長文件的處理費用不再等比例爆炸，你在 2026 年能夠把整份規格書直接貼進對話而不心疼，背後是這類架構工作的累積。理解這兩個轉折，你就能把未來任何新版本的官方說明放進正確的框架：它要嘛在改變能力的形狀，要嘛在改變成本的形狀，通常兩者都有。

所以 2026 年 10 月的現況很單純：API 正式建議的主要名稱是兩個，deepseek-flash 對應 V4.1-Flash，deepseek-v4-pro 對應 V4-Pro-0813。名稱的過渡要照官方文件的註腳讀：截至 2026 年 10 月，官方定價頁仍列 deepseek-v4-pro（DeepSeek-V4-Pro-0813）並按 Pro 價計費，更新日誌也明言 V4 Pro 在 2026 年 9 月 14 日之後繼續提供 API 服務、計費方式不變；已退役的舊名稱 deepseek-v4-flash 與 deepseek-v4-flash-vision-exp 仍被接受，但請求會暫時路由到 V4.1-Flash 服務並按 Flash 價計費。至於你在舊教學裡看到的 deepseek-chat、deepseek-reasoner，則是已經徹底退場的歷史名詞，照著舊文串接會直接報錯。規模要分新舊款看：舊款 V4-Flash 約 2840 億參數；現行的 V4.1-Flash 依官方發布頁與技術報告是混合專家模型，採用新的因果式編碼解碼架構，官方模型卡列出 5520 億骨幹參數，另有 1960 億、依 token 稀疏查找的 Engram 條件記憶參數，模型卡標示合計規模 7630 億，輸入每 token 啟動 80 億、輸出每 token 啟動 160 億參數，支援百萬 token 上下文；V4-Pro 約 1.6 兆參數，屬機房等級的規模。

讀版本沿革的正確姿勢只有一條：以官方更新日誌為唯一可信源。模型公告跟聊天選單是兩回事，你在網頁或 App 上能選到什麼，以該入口當場提供的項目為準；開發者則要對照 API 文件裡的模型名稱寫程式。網路教學的版本號全都會過期，包括你正在讀的這篇在內，差別只在官網日誌不會。

R1 值得單獨記一筆，因為它改變了這家公司在世界上的位置。R1 的官方程式庫以 MIT 授權釋出，明確允許商用、修改與衍伸，團隊同步用 R1 生成的約 80 萬筆樣本，蒸餾出六款掛在 Qwen 2.5 與 Llama 3.x 基底模型上的小模型，參數從 15 億到 700 億。這批蒸餾模型讓沒有資料中心的人也能用其中的小尺寸與量化版本在消費級硬體上跑推理模型，開源社群從此多了一條現成的路徑。授權要在這裡分層看：蒸餾模型分別衍生自 Qwen 2.5 與 Llama 3.x，基底各有自身授權條款，商用部署不要只看 MIT 標籤，仍要同時檢查 Qwen／Llama 基底模型授權。你在二手顯卡討論區看到的「本地跑 DeepSeek」，講的幾乎都是這批蒸餾版，不是旗艦本體。

四個入口：網頁、手機 App、桌面 Harness 與 API 平台

知道三層身分之後，入口的選擇就變成一件有邏輯的事。網頁版是最輕的起點，官方聊天頁開了就能用，登入後看到對話框即可開工。手機版在官方下載頁提供 iOS 與 Android 兩條管道，官方文案的說法是免費體驗與領先模型的互動交流，安裝時只認官網連出去的連結，不要從搜尋結果的第二層頁面隨便下載。

桌面版是 2026 年的新產品線，名叫 DeepSeek Harness。官方定位是開源的代理工作區：macOS 13 以上（Apple 晶片）與 64 位元 Windows 都有安裝包，支援背景執行與本地檔案讀寫，可以整理資料、分析試算表、寫文件與簡報，研究類任務附帶來源標註，還能透過外掛做排程自動化，例如每週固定時間產出報表。架構上它標榜一切皆外掛，本身就是 MIT 授權的開源專案，官方產品頁也明言版本仍在持續迭代。對一般使用者，把 Harness 理解成「從聊天升級到讓它動你的檔案」的那個入口就夠了。

第四個入口是 API 平台，四個裡唯一為「接進自己的系統」而生的：網站客服、內部工具、自動化流程要叫模型，走的都是這條路。上手的三個動作固定：到官方 API 平台建帳號並產生 API key、在程式裡指定模型名稱（2026 年 10 月是 deepseek-flash 或 deepseek-v4-pro）、照 token 用量計費。跟聊天入口最大的差別是責任形態：key 等於錢包，要設額度上限與告警、定期輪替、絕不寫進前端程式碼或公開儲存庫；帳單與用量的監控也要自己盯，費用的算法留到下一節攤開算。

聊天與桌面版的分工，對應兩種不同的工作節奏。聊天是同步的：你問一句、它答一句，適合三分鐘內要拿到東西的來回。Harness 這類代理工作區是非同步的：把材料交給它、講清楚要什麼，然後去忙別的事，它在背景跑，跑完通知你，中間可以穿插你自己插進來的修正。判斷用哪個的標準是任務的長度與檔案的關係：答案不需要碰你的檔案、幾個來回就結束的，留在聊天；要讀寫本地文件、一跑十幾分鐘、你不想盯著螢幕等的，才值得開桌面版。把長任務放進背景的代價是驗收壓力變大，事後檢查的工作量跟著上升，這個取捨要想清楚再升級入口。

入口分流的觀念，比任何單一產品的名稱都耐用。打字問答用聊天入口，要產出可編輯的文件就說清楚格式，要它動本地檔案才裝桌面版，要接進自己的系統才去 API 平台。這套「先問任務的動作型態，再選入口」的分流法，跟 Claude 家族的使用指南裡五種工作入口的分流邏輯是同一個骨架，學會一次，每家新產品都能套用。

兩個安全習慣先建立。帳號只在官方入口註冊，密碼與驗證碼不交給任何代辦網站或來路不明的第三方客戶端；服務異常時先看官方狀態頁，再排查帳號、網路或本機設定。這兩條對所有 AI 服務一體適用，對資料會跨境的服務尤其值得養成。

第一次任務：材料、目的、格式，然後對回原文

第一個任務的選擇標準只有三個：材料短、結果容易核對、出錯沒有代價。符合這三條的練習，我推薦「把幾封報價信整理成比較表」。整個流程三步。

第一步，從官方入口進入聊天頁面，完成登入，看到輸入框就可以開始。第二步，把三件事一次交代清楚：要處理的材料、整理的目的、輸出的格式。對話可以直接這樣寫：

請用台灣通行的繁體中文，把下面三封供應商報價信整理成一張比較表。欄位依序是：項目、甲公司、乙公司、丙公司。信裡沒有提到的項目填「未報價」，不要自行推測；金額與單位照原文，不要換算。整理完後，把三家公司各自漏報的項目單獨列一行。

練習材料用虛構的就好：甲報了單價與運費、乙只報單價、丙報了單價運費還多給一個折扣條件，三行字就夠。送出後先看格式有沒有照辦，再看該填「未報價」的位置是不是真的留白了。

第三步，對回原文驗收，檢查三個地方：數字與單位有沒有被改動或擅自換算；信裡沒有的條件有沒有被腦補出來；漏報清單是否真的對應到空格。發現它補了不存在的東西，就回一句「請只保留原文明確寫出的資訊，其餘改標未報價」；格式不合用就具體說改成什麼樣子，別只丟「再清楚一點」這種沒有驗收標準的話。完成標準是每一格都對得回原文，比看起來整齊重要得多。

交辦的紀律是有官方文件背書的。R1 的程式庫明白建議指令全部放進使用者訊息裡、不要另寫系統提示，取樣溫度建議落在 0.5 到 0.7 之間以避免重複發散；這是官方針對 R1 系列給的建議，拿到現行版本上當成交辦紀律的參考即可。你在聊天介面看不到這些旋鈕，但原則相通：一次把話說完整，比來回補充十次有效。要把紀律再往上推一層，可以在交辦前做任務體檢：依資料密度（任務本體是不是它餵得動的文字資料）、可驗收性（輸出能不能對回原文或標準答案）、風險等級（出錯要付出多大代價）三道關卡判斷值不值得交，驗收再按風險高低分級覆核。

第一次跑不順是正常的，而且資訊量很大。把錯的東西記下來：哪一種交代方式讓它腦補、哪一種格式要求它聽懂了、哪一次來回是自己的需求沒想清楚。這些筆記的價值遠超過單次任務，三次之後你會長出自己的一套交辦模板，那才是入門階段真正該帶走的資產。換到第二個任務時，把難度升一級：例如給它一份兩千字的公開新聞稿，要求壓成三百字摘要，並保留所有數字與但書。同樣是三步流程，但「保留所有但書」這個條件會讓你看見它取捨資訊的傾向，多數模型在沒有明確要求的情況下，會傾向把例外條件抹平，讓摘要看起來更乾淨，也更有把握地誤導讀者。

繁體中文使用者要多帶一條檢查：明確要求台灣用語，並在驗收時留意簡體字與中國慣用詞混進來。模型的中文能力沒有問題，問題在慣用語的預設值，視頻要改成影片、信息要改成資訊、質量在台灣的語感是物理量不是品質，這一條是使用中國團隊產品時要長期保持的肌肉記憶。給客戶看的文件尤其不能省這關，簡體字混進交付物，客戶讀到的不只是錯字，是「這份東西是機器翻出來的」的觀感，信任的折損遠大於字面。

還有一個入門者常踩的坑值得提前說：拿舊教學的指令範例直接套。兩年前流傳的提示詞寫法，常是針對 deepseek-chat 時代的模型調的，例如要求它「先列出思考步驟再給答案」，這在混合推理與推理強度可調的現在，要嘛多餘、要嘛跟內建機制打架。指令的基本盤（材料、目的、格式）不會過期，會過期的是針對特定版本微調的花招。看到任何宣稱「萬用提示詞」的內容，先問它是在哪個版本的行為上驗證的，答案通常是沒有。

哪些工作先交給它，哪些先留在手上

判斷的準則一句話：你有原始材料、且有能力判斷對錯的工作，先交。符合準則的包括：把公開文章壓成保留條件的重點摘要、把自己寫的通知改清楚、中英文件來回翻譯、把訪談稿轉成結論清單、解讀錯誤訊息與公式、給出程式草稿。這些工作的共同點是輸出有原文或標準答案可以對照，它補了什麼、漏了什麼，你看得見。

拿一個行銷端的實際場景把準則落地：每週的社群成效週報。材料是各平台的公開後台數字截圖與你自己的活動紀錄，產出是一頁給主管看的摘要，欄位固定、口徑固定、數字有原始出處。這個任務裡 AI 負責的是把數字轉成敘述、把五個平台的內容壓進同一張表的格式工作；你負責的是判讀「這週觸及掉了兩成」背後是演算法波動還是內容品質，這段判斷的價值來自你對業務的理解，模型給不了。切開之後，每週省下的是那一小時的搬字工作，留下的是你真正該花腦力的判讀。反過來，如果連數字來源都要它自己去猜，這個任務就還不該交。

相反地，三類工作先留在手上。需要當事人判斷的決策，例如報價讓到哪裡、人選錄不錄取，它給的只是看起來像答案的文字。掛上公司名稱的對外發言，收尾那一關必須真人逐句讀過。含個資的原始資料，先做去識別或依組織規範處理，這條在資料落地那節還會回來。混合型的任務用拆解處理：資料整理那段交出去，判斷裁決那段自己來，中間放一個驗收點。

還有一類工作值得另眼看待：高頻率、格式封閉的批量判斷，例如每天幾百封來信該分成詢價、支援還是投訴。這種題目交給聊天模型其實是浪費，開放式生成對封閉式判斷是規格錯配，決策模型的分工框架把這條界線畫得很清楚，需要的東西是行為可預測的型別化答案，不是一篇說明文。

輸出的紀律不能省。遇到新聞、價格、法規與統計，回原始來源核對日期與適用條件，模型給的是草稿不是證據；幻覺的成因與防範，AI 幻覺的完整解析有系統性的整理。醫療、法律、投資這類需要專業責任的決定，任何 AI 的回覆都只能是起點，把「它說的」當成「查過的」，代價遲早會回來。

費用三種算法：聊天、API 與自架分開算

三層身分對應三種成本結構，混在一起談一定談錯。聊天服務這層，官方下載頁的定調是免費體驗，具體的功能與限制以入口現場提供的資訊為準；對多數人來說這層的成本是零元加上你的資料，後面那個貨幣比金錢貴。

API 這層按用量計費，計價單位是 token，可以把它理解成模型處理文字的計量單位，輸入、輸出、快取命中分開算，token 的計算邏輯與計費機制有完整說明。官方定價頁在 2026 年 10 月的牌價如下：

單位是每百萬 token 的美元價格，離峰一律是尖峰半價。這裡有一個對台灣使用者特別實用的換算：官方定義的尖峰時段是平日的 01:00 至 04:00 與 06:00 至 10:00（UTC），換成台灣時間正好是平日的上午 9 點到 12 點、下午 2 點到 6 點。換句話說，你的上班時間就是它的貴的時段，晚上加班批次與週末跑量大單自動半價，中國法定假日也整段算離峰。排程把重的批次往晚上挪，是這張價目表上最便宜的優化。官方同時聲明價格保留調整權，接單前以定價頁現場數字為準。

把牌價換算成月帳單，數字才有感。假設一個內部工具每個月處理 2,000 萬 token 的輸入與 400 萬 token 的輸出，全部用 deepseek-flash、全部落在尖峰時段、輸入全部按快取未命中計價，月費大約是輸入 6 美元加輸出 4.80 美元，合計 10.8 美元；同樣的量排到離峰自動對折。再把輸入拆開看：重複出現的系統指令與參考文件會觸發快取命中，命中價只有未命中的五十分之一，把「每個請求都重貼一次長文件」的寫法改成快取友善的結構，帳單常常直接砍半。這也是為什麼我建議第一個月的 API 帳單要逐項看：看輸入輸出的比例、看快取命中占比、看尖離峰分布，三個數字看完，優化方向自然浮出來，比任何省錢技巧文都準。

橫向比較要看牌價才準，而且要先把口徑對齊：比較表一律取標準即時推論、短上下文、未快取、非批次的價格，DeepSeek 用尖峰時段與快取未命中的單價，OpenAI 與 Anthropic 用標準牌價。同一時間點，OpenAI 的定價頁上 gpt-5.4-mini 每百萬 token 輸入 0.75 美元、輸出 4.50 美元，最小的 gpt-6-luna 是 0.10 與 0.50 美元；Anthropic 的定價頁上 Haiku 4.5 是 1 與 5 美元、Sonnet 5.5 是 2 與 10 美元。攤開來看：

這張表要挑著讀，兩個訊息比數字本身重要。第一，純看輸出單價，deepseek-flash 確實低於同世代的 mini 級對手，但 gpt-6-luna 的輸入輸出都已更低，2026 年的低價層早已不是一家獨大，「因為便宜所以選它」的理由正在貶值。第二，DeepSeek 真正的結構性差異不在牌價，而在兩件事：開放權重讓你可以整條搬離它的雲端，以及尖離峰的計價設計讓批次工作有明確的省錢時段。還要記得這個口徑只是其中一種算法：快取命中、批次處理、長上下文與資料駐留方案都會實質改變每家的數字，評估成本時把快取、離峰與自架選項一起算，結論常常跟只看牌價相反。

自架是第三種算法，也是模型層身分的兌現處。MIT 授權允許下載權重放到自己管理的機器上跑，帳單從 token 變成設備、電力與維護。現實的硬體門檻要分兩邊看：R1 蒸餾模型從 15 億到 700 億參數，小尺寸與量化版本消費級顯卡就負擔得起，700 億等級多半需要高階多卡或雲端 GPU；V4 世代從舊款 Flash 的約 2840 億、V4.1-Flash 的 5520 億骨幹參數到 Pro 的約 1.6 兆參數，則都是機房等級的遊戲。本地部署的三條路線（Ollama、llama.cpp、vLLM）怎麼選、量化與工具呼叫怎麼配，小模型部署的實戰指南有完整的攤開講解，把成本帳與檢查清單都算給你看。

資料與隱私：中國轄區的資料落地，動手前先過四個檢查點

這是全文最該慢讀的一段。把 DeepSeek 放進正式工作流之前，資料怎麼流動比功能重要，而它的答案跟 Gemini、Grok 這類美國供應商的常見口徑有質的差別。檢查點的框架沿用 Gemini 3 企業落地的三個檢查點，針對中國轄區的服務再補一個。

檢查點一：政策允許將你的輸入用於訓練與改善模型。官方隱私政策把使用者輸入等個人資料列入可用於訓練與改善模型的資料範圍，「訓練與改善我們的技術，例如機器學習模型與演算法」明列在處理與使用的目的之中，這在免費聊天服務裡是常見設計，不是 DeepSeek 獨有。政策也在「Your Rights」一節列出當事人可能適用的權利，其中包含拒絕個人資料用於訓練模型與最佳化技術的退出權，行使管道是寄信到 [email protected]；但退出權是否適用，依所在地法律與例外而定：政策明言這些權利取決於你的所在地並受例外限制（depending on where you live and subject to exceptions），不是人人無條件生效的保證。要刪資料也走同一份政策，但注意帳號刪除是永久且不可回復的，內容拿不回來。

檢查點二：資料存在哪裡、受哪個司法管轄。這是真正的深水區。政策原文寫明：直接在中華人民共和國收集、處理並儲存你的個人資料。對台灣團隊，這代表《個人資料保護法》的跨境委外考量；若你的客戶在歐盟，GDPR 的傳輸門檻也會被觸發，DeepSeek 為此在歐盟與英國指定了隱私代表，並列出準用 GDPR 的當事人權利。我的建議向來一致：不一定需要把每條法規讀透，但必須清楚你把什麼資料交給了誰、它存在哪個法域，這是基本功。與其糾結「會不會被訓練」（免費或個人聊天服務常把資料用於改善模型列入政策；API、企業版與資料駐留方案常另有承諾，必須逐入口核對），不如先問「出了事由哪個轄區管」，後者才是選擇的分水嶺。

檢查點三：客戶合約裡的保密條款。很多 B2B 合約限制你把客戶資料交給第三方處理，而把資料貼進雲端 AI 服務，法律上往往就構成交付第三方。動手前回頭翻合約，必要時主動告知取得同意，聽起來麻煩，但這也是專業的展示：能向客戶說明用什麼工具、資料怎麼處理、風險怎麼控管的人，贏得的是信任。

檢查點四：團隊的共同規範。成員圖方便把客戶名單貼進未核准工具，是 AI 導入最常見的風險之一。一份能執行的規範只要三行：哪些資料可以進 AI、哪些不行、產出要經過誰審核。規範不必長，重點是寫下來而且真的用。

真的需要把工作文件拿去處理時，去識別化是送出前的最低動作，三個步驟就夠：把人名與客戶名換成代號（甲君、A 公司）、把可對應到特定人的編號與日期拿掉或平移、確認文件裡沒有藏著簽名檔與表單標頭之類的殘留。這三步只能降低可識別性；只要仍可由內容、對照表或上下文識別特定人，就仍要按個資與機密資料處理，必要時交由法務確認，風險等級才會真的不一樣。要注意去識別化改變的是法律性質，改不了內容外流的事實，商業機密即使去識別化，該問的保密條款照樣要問，兩道閘是疊加的關係。

「退出訓練不等於資料不出境」，這句話是整段的收斂點，也是最多人誤解的地方。退出訓練行使的範圍是訓練用途，從送出到回應的整段傳輸與儲存照常發生，而且常態發生在中國境內的伺服器。同樣的邏輯在 Grok 的資料與隱私框架裡也驗證過一次：關掉的是「你的對話變成教材」，不是「你的對話不出門」。實務處理因而很單純：練習用公開或虛構資料，機密文件要嘛不進雲端、要嘛走前一節的自架路線，送出之前就當它已經出境。

自架作為主權解法，也要誠實算它的代價。把模型搬進自己的機器，並不是自動解方：只有在完全於自有或已核准環境部署、關閉外部遙測與未核准工具時，資料落地與訓練用途的風險才大幅降低；若部署在公有雲、代管 GPU 或第三方框架，雲端供應商與維運者仍要列入合約審查。做到這些條件的自架，才是它真正的價值，單價反而只是附帶好處。但換來的是一整組新的責任：硬體要錢、部署要人、模型更新要自己追、出問題沒有客服可以找。對多數十人以下的團隊，合理的路線是分級：對外可公開的草稿走雲端，客戶個資與機密文件走自架或根本不進任何模型，中間那塊灰色的，用去識別化把風險降到可接受再交。分級的判斷標準回到檢查點二的那個問題：這份資料出了事，由哪個轄區、哪份合約來收拾。答得出來，就能放行；答不出來，先補答案再動手。

跟 ChatGPT、Claude 怎麼選：一個務實的分流

比較的方法決定結論的品質。拿同一份不含敏感資料的任務，分別交給三家的入門或主力模型，比的是漏了幾個條件、格式能不能直接用、來回改了幾次、查證來源給不給得出，而不是誰的回答比較長或比較會寒暄。用前一段的報價信練習就是合格的測試：看哪家能把「未報價」老實留白，不擅自補條件。

分流的判斷我傾向講得直白。已經把工作流架在 ChatGPT 或 Claude 上的人，沒有為了牌價搬家的必要，切換成本、重新驗收的成本、團隊重新學習的成本都是真錢，通常遠大於帳單差額，ChatGPT 的入門與工作流整理（ChatGPT 新手教學；Claude 的入口分流前面已經介紹過）值得先讀完再考慮要不要動。三種情況下 DeepSeek 值得加進工具箱：成本敏感的高量任務，尤其能排進離峰時段的批次；需要開放權重做本地部署、微調或私有化的場景，MIT 授權給的自由度是封閉模型給不了的；預算有限但想實驗代理工作流的 side project，免費聊天加上開源桌面版是最低成本的起點。

還要誠實面對生態面的差距。ChatGPT 與 Claude 在企業方案、整合、稽核與管理工具上的成熟度，是多年累積的護城河；DeepSeek 的優勢集中在開放、低價與可自架三件事上。兩者是不同形狀的價值，不是同一條跑道上的前後名次。對大多數知識工作者，務實的答案不是二選一，而是讓主工作流留在穩定的那家，把 DeepSeek 當成本敏感與主權敏感場景的專用刀。

多模型並用真正需要的紀律是紀錄。哪個任務用了哪家、提示詞長什麼樣、驗收時發現什麼，用一份簡單的表格記下來，三個月後回頭看，你就有一份屬於自己工作型態的選型數據，比任何評測文章都貼近實況。沒有紀錄的多模型使用，通常會退化成憑感覺輪流試，省下的錢藏在看不見的來回修改裡。紀錄還有一個附帶好處：當其中一家改版、漲價或調整政策時，你的表格就是遷移評估的現成清單，遷移成本一夜之間從抽象變成具體。

開始用之前的五個動作

別急著收藏一堆技巧，先把這五件事依序做完。第一，只從官方入口建帳號，順手把密碼管理的習慣帶上。第二，用虛構材料跑完第一次任務的三步交辦，驗收標準是每格對得回原文。第三，打開官方隱私政策，只讀兩段：訓練目的那一條與資料落地那一條，五分鐘換來的是之後每一次貼資料前的判斷力。第四，盤一件你手上重複發生的高量任務，用牌價算一次 API 的月成本，記得把離峰排程算進去。第五，替團隊寫下三行的資料分級規範，貼在大家都看得到的地方。

做完這五件事，你對 DeepSeek 的理解就已經超過大多數轉發新聞的人：知道它是誰（一家從量化基金長出來、用開放策略換生態的公司）、它在哪一層跟你發生關係（聊天服務、API 還是自架的模型）、以及資料交出去之後落在哪個法域。工具年年會換，這三個問題的答案結構不會，把它們帶到下一個爆紅的名字上，照樣適用。