DeepSeek Coder + BotHub: бюджетный AI-кодинг

Раньше я почти для любой задачи по коду открывала флагманскую модель. Написать парсер, объяснить чужой SQL, накидать тесты, переписать функцию с Python на TypeScript — всё летело в GPT или Claude.

У модели несколько версий и режимов: deepseek v3 для общих задач, deepseek r1 для рассуждений, а также deepseek api для интеграции. Кто-то запускает deepseek локально, кто-то предпочитает deepseek online — через BotHub доступны оба варианта без своего железа.

Работало хорошо, но потом смотришь на расход токенов и понимаешь: половина бюджета ушла не на архитектуру, а на «сделай мне нормальный regex».

Для таких задач есть более приземлённый вариант — DeepSeek Coder. Это не модель «подумай за меня над системой на 200 микросервисов», а дешёвый рабочий инструмент для повседневного AI-кодинга. В BotHub её можно подключить через API и использовать рядом с GPT/Claude без отдельных аккаунтов и подписок.

Что я проверяла

Сценарий простой: беру типовые задачи разработчика и прогоняю их через DeepSeek Coder:

• сгенерировать небольшую функцию;

• объяснить чужой код;

• написать unit-тесты;

• отрефакторить кусок без смены поведения;

• сравнить стоимость с GPT и Claude.

Важно: для сложных архитектурных решений Claude всё ещё сильнее. Но вопрос не в том, кто «умнее вообще», а в том, чем закрывать рутину дешевле.

Подключаем DeepSeek через BotHub API

BotHub API совместим с OpenAI-форматом, поэтому можно использовать привычный SDK.

import osfrom openai import OpenAIclient = OpenAI(    api_key=os.environ[«BOTHUB_API_KEY»],    base_url=»https://bothub.ru/api/v2/openai/v1«

)

response = client.chat.completions.create(    model=»deepseek-coder»,  # проверьте точный slug модели в каталоге BotHub    temperature=0.2,    messages=[        {            «role»: «system»,            «content»: «Ты senior backend-разработчик. Пиши коротко, без воды.»        },        {            «role»: «user»,            «content»: «Напиши Python-функцию для батчинга списка по n элементов.»        }    ]

)

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

Если используете Cursor, Cline, Aider или расширение для VS Code с кастомным OpenAI endpoint, логика та же: указываете base_url, API-ключ BotHub и модель DeepSeek Coder.

Пример 1: генерация кода

Промпт:

Напиши TypeScript-функцию withRetry<T>.

Она принимает async-функцию, число попыток и delayMs.

Нужен exponential backoff, без внешних библиотек.

Добавь короткий пример использования.

DeepSeek нормально справляется с такими задачами: выдаёт компактную функцию, не тянет лишние абстракции и обычно не превращает 20 строк в «мини-фреймворк».

export async function withRetry<T>(

fn: () => Promise<T>,

attempts = 3,

delayMs = 300

): Promise<T> {

let lastError: unknown;

for (let i = 0; i < attempts; i++) {

try {

return await fn();

    } catch (error) {

lastError = error;

if (i < attempts — 1) {

await new Promise(r => setTimeout(r, delayMs 2 * i));

      }    }  }

throw lastError;

}

Такой код всё равно надо читать, но как черновик для рутинной задачи — отлично.

Пример 2: объяснение чужого кода

Второй сценарий — когда в проекте есть функция, написанная «кем-то до нас», и трогать её страшно.

Промпт:

Объясни этот код junior-разработчику.

Отдельно выпиши:

1. что делает функция;

2. какие есть edge cases;

3. где возможен баг;

4. как бы ты её упростил.

Здесь DeepSeek Coder полезен не как автор финального решения, а как быстрый ревьюер. Он хорошо раскладывает код по шагам, находит очевидные проблемы с null, пустыми массивами, мутацией аргументов, неправильной обработкой ошибок.

Для глубокого security review я бы не оставляла его одного. Но для «помоги понять, что тут происходит» — достаточно.

Цена: почему это имеет смысл

Ориентир по ценам в BotHub:

Разница особенно заметна на ответах. Если вы каждый день генерируете тесты, SQL-запросы, миграции, regex, Dockerfile и мелкие функции, флагманская модель начинает стоить как отдельная подписка на тревожность.

Когда DeepSeek Coder достаточно

Я бы ставила DeepSeek моделью по умолчанию для:

• генерации небольших функций;

• объяснения чужого кода;

• unit-тестов и моков;

• SQL, regex, bash-скриптов;

• README, changelog, docstring;

• перевода кода между языками;

• простого рефакторинга в пределах одного файла.

То есть для всего, где цена ошибки низкая, а результат всё равно проходит через глаза разработчика.

Когда лучше взять Claude

Claude нужен, когда задача уже не про «напиши функцию», а про «не сломай систему»:

• большой контекст по нескольким файлам;

• архитектурные решения;

• сложная бизнес-логика;

• миграции;

• безопасность;

• агентный режим в стиле Claude Code;

• рефакторинг, где важно удержать инварианты.

Мой рабочий принцип простой: DeepSeek — первый проход, Claude — финальная проверка сложного. Так не приходится платить флагманской ценой за каждую мелочь.

DeepSeek Coder через BotHub — это не замена Claude во всех задачах. Это дешёвый слой для рутинного AI-кодинга.

Подключаете BotHub API один раз, ставите DeepSeek для повседневных задач, а GPT/Claude оставляете для случаев, где действительно нужна тяжёлая артиллерия. В итоге код пишется так же быстро, но токены перестают улетать на мелочи.