Beobachtetes Signal · 25. Mai 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
Setup-Anleitung für DeepSeek V4-Pro Reasoning Proxy in Cursor
Eine vietnamesische Anleitung beschreibt die Integration von DeepSeek V4-Pro in die Cursor-Chat-IDE über einen Open-Source-Proxy (yxlao/deepseek-cursor-proxy). Das Problem: DeepSeek V4-Pro liefert das nicht-standardmäßige Feld reasoning_content zurück, das für nachfolgende Tool-Calling-Anfragen erforderlich ist. Da Cursor dem OpenAI Chat Completions Schema folgt, verwirft es dieses Feld, was bei Folgeanfragen zu HTTP-400-Fehlern führt. Der Proxy lauscht lokal auf Port 9000, speichert reasoning_content konversationsbezogen in einem SQLite-Cache und injiziert es bei ausgehenden Anfragen erneut. Die Anleitung nennt Voraussetzungen wie Cursor 2.0+, DeepSeek API-Key, Python 3.11+ und ngrok, erläutert die Installation, Debug-Flags, Kostenbeispiele und Alternativen wie DeepSeek-V4-Flash oder native IDE-Agenten.
Praktischer technischer Integrationsleitfaden für Entwickler, die LLM Tool-Calling nutzen. Er ist nützlich für Teams, die DeepSeek in Cursor einbinden möchten, jedoch nicht branchenverändernd.
Marktsignale zu DeepSeek in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- DeepSeek V4-Pro Antworten enthalten die Felder content und reasoning_content; Folgeanfragen mit tool_calls müssen reasoning_content beibehalten, da die API sonst HTTP 400 zurückgibt.
- Cursor verwendet ein OpenAI Chat Completions Schema und entfernt nicht-standardmäßige Felder wie reasoning_content, wodurch DeepSeek Tool-Calling-Abläufe unterbrochen werden.
- Das Open-Source-Projekt yxlao/deepseek-cursor-proxy cacht reasoning_content pro Konversation (Standard-SQLite unter ~/.deepseek-cursor-proxy/reasoning_content.sqlite3) und injiziert es bei Folgeanfragen neu.
- Voraussetzungen für den Proxy-Workflow umfassen Cursor 2.0+, einen DeepSeek API-Key, Python 3.11+ und ein ngrok-Konto mit Authtoken.
- Alternativen sind die Nutzung von deepseek-v4-flash (ohne reasoning_content) oder von IDE-Agenten, die Reasoning-Felder beim Tool-Calling nativ unterstützen.
Verknüpfte Unternehmen
2 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
DeepSeek launcht V4.1-Flash mit neuartiger Encoder-Decoder-Architektur
DeepSeek hat DeepSeek-V4.1-Flash veröffentlicht, ein 763B-Parameter Mixture-of-Experts-Modell mit einer neuartigen kausalen Encoder-Decoder-Architektur. Das Modell nutzt 8B aktive Parameter für das Prefill und 16B für das Decoding. Zu den Kernmerkmalen zählen natives Vision Understanding, ein Kontextfenster von 1M Token, eine MIT-Lizenz sowie eine extreme Inferenzeffizienz, die den KV-Cache-Footprint im Vergleich zu V4 Flash um bis zu 87,5 % reduziert. Unabhängige Benchmarks (Artificial Analysis Index: 40; Platz 1 der Open-Weight-Modelle im Vals Index) belegen, dass es V4 Pro bei geringeren Kosten übertrifft. Die API-Preise liegen bei 0,30 $ pro 1M Input- und 1,20 $ pro 1M Output-Token. DeepSeek hat V4 Pro faktisch abgelöst und leitet den Traffic zu Flash-Konditionen auf V4.1-Flash um. Das Modell unterstützt SSD-Offloading sowie lokales Deployment; Plattformen wie Ollama und Baseten bieten Day-0-Support. Die Architektur verspricht massive Effizienzgewinne für Long-Context-Agenten.
DeepSeek V4: Architektonische Revolution mit Fokus auf Long-Context-Codierung erwartet
DeepSeek, ein chinesisches Open-Source-KI-Startup, plant die Veröffentlichung von DeepSeek V4 (Gerüchte-Codenamen MODEL1) zum chinesischen Neujahrsfest im Februar 2026. Code-Commits deuten auf eine grundlegende architektonische Überholung hin, die auf extreme Long-Context-Codierung und Software-Engineering-Aufgaben ausgerichtet ist. Zu den wichtigsten Innovationen gehört Engram, ein konditionales Memory-Lookup, das faktisches Abrufen von Reasoning trennt und millionenfache Token-Wissensspeicher ermöglicht. Zudem stabilisieren Manifold-Constrained Hyper-Connections (mHC) die schichtübergreifende Konnektivität, während DeepSeek Sparse Attention (DSA) Kontextfenster von über einer Million Token unterstützt. Berichten zufolge verzögerte sich das Training des R2-Modells zuvor aufgrund von Hardware-Instabilitäten bei Huawei Ascend Chips, weshalb für das finale Training wieder auf Nvidia GPUs gewechselt wurde. Diese Entwicklung unterstreicht die rasante Innovationsdynamik chinesischer Open-Weight-Modelle und wirft ein Schlaglicht auf geopolitische Lieferkettenabhängigkeiten im KI-Training.
Built an AI Agent with DeepSeek via Global API
A bootcamp graduate documents building a working AI agent using DeepSeek models accessed through Global API. The post explains the difference between simple chatbots and autonomous AI agents, demonstrates function-calling and an agent loop with executable Python and Node examples, and includes a complete research-agent example using tools (web_search, save_note). It cites model names deepseek-v4-flash and deepseek-reasoner, provides token-based pricing for both models, and describes Global API features such as "GA Fusion routing" that can improve latency and reliability. The author lists common implementation mistakes (conversation history, tool_call_id handling, max-step limits) and suggests next steps like multi-agent systems, memory layers, streaming responses, and safety guardrails. Publication date: 2026-06-14.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.