DeepSeek V4.1 Flash: quais etapas do seu agente de código dá para delegar ao modelo rápido?

Usar o modelo mais caro pra TODAS as etapas dentro do agente de código é o jeito mais silencioso de queimar orçamento

Fala aí, beleza? A DeepSeek acabou de lançar oficialmente o DeepSeek-V4.1-Flash, no post "DeepSeek-V4.1-Flash: Smarter, Faster, More Efficient", publicado em 10 de setembro de 2026

O modelo vem com 1 milhão de tokens de janela de contexto e pesos abertos sob licença MIT no Hugging Face, em deepseek-ai/DeepSeek-V4.1-Flash

E isso reabre uma discussão de arquitetura que todo vibe coder deveria estar fazendo: nem toda etapa do seu fluxo precisa de raciocínio caro

Ler um diff não é a mesma coisa que decidir o contrato entre dois módulos, beleza?

Neste post eu separo as duas famílias de tarefa, monto a tabela de decisão e mostro a configuração concreta pra colocar o modelo rápido cuidando do volume enquanto o modelo forte fica com a decisão

Tarefas de volume x tarefas de raciocínio longo: a tabela de decisão

A divisão é mais simples do que parece

Existe tarefa que é basicamente LEITURA e transformação de texto: entra contexto, sai um resumo estruturado, e você consegue conferir o resultado batendo o olho

E existe tarefa que é decisão: precisa segurar várias restrições ao mesmo tempo, considerar consequência lá na frente e errar pouco, porque o erro se propaga no projeto inteiro

Agora o porquê técnico de o Flash ser confortável justamente na coluna de volume

Ele é um Mixture-of-Experts com 552 bilhões de parâmetros no backbone, mas só 8 bilhões ativados por token no prefill e 16 bilhões no decode, numa arquitetura assimétrica Causal Encoder-Decoder

O detalhe que mais importa pra quem joga arquivo grande dentro do agente é o KV cache: 890 bytes por token, cerca de 1/4 do que o DeepSeek-V4-Flash consumia

Contexto longo é exatamente o cenário em que o KV cache manda na conta, então mastigar arquivão é o terreno natural dele

Dois sinais mudam a coluna de um item da tabela

O primeiro é o custo por token: se a etapa se repete dezenas de vezes por sessão, ela é candidata a migrar pro rápido, mesmo que seja um pouquinho menos elegante

O segundo é a quantidade de idas e voltas: se você precisa corrigir o resultado duas ou três vezes, a economia evaporou e aquela etapa volta pro modelo forte

Por que essa divisão importa: o que eu vi gastando cota em um projeto inteiro

Aqui eu preciso ser honesto sobre o que é e o que não é medição

O teste que eu vou contar foi feito com o GLM 5.2, não com o V4.1 Flash, então nenhum número daqui é resultado do modelo da DeepSeek

O que vale é o PADRÃO de consumo, e ele repete em qualquer fluxo

Antes de escrever qualquer código eu rodei um prompt só de planejamento, pedindo um PRD e um plano em Markdown derivado dele, sem gerar código ainda

O motivo é bem prático: quando o modelo não é o topo de linha, o PRD e o plano seguram o resultado, e apoiada em planejamento a IA vai longe independente do modelo

Na primeira tentativa o modelo passou do combinado e começou a criar o projeto sem eu pedir, e eu cancelei a execução na hora

Depois disso passei a particionar os prompts em etapas menores e mais fechadas, e o efeito foi imediato: o modelo parou exatamente onde eu mandei parar, só preparando as próximas tarefas, coisa que me surpreendeu

Eu esperava algo em torno de 10 minutos pro scaffolding

A etapa de criar o projeto mais a landing page consumiu 16% da cota de 5 horas

A autenticação, que foi a parte mais pesada, levou 26 minutos

E com o projeto ainda não na metade, 40% da cota já tinha ido embora

Testei landing page e autenticação na prática, criei uma conta e o fluxo funcionou

O visual da landing ficou com aquela cara padrão de IA, mas bonito e funcional, com explicação do fluxo e flashcards animados, e quem quer ir além disso acaba precisando de ferramenta de design dentro do agente em vez de brigar com prompt

O incômodo principal nem foi qualidade: foi lentidão, qualquer coisa parecia demorar mais do que em outros modelos, percepção que eu já tinha de um teste anterior

A leitura que fica é essa: quem queima orçamento é o VOLUME de etapa mecânica, não a decisão difícil

A decisão difícil acontece três, quatro vezes no projeto

A leitura de arquivo, o resumo, o commit, a varredura, essas acontecem o tempo todo

No vídeo abaixo eu mostro esse projeto sendo tocado em blocos separados, com a cota e o tempo aparecendo na tela:

O que você precisa antes de configurar

Lista curta, só o que dá pra afirmar

• Claude Code instalado na sua máquina
• Uma DeepSeek API Key
• Saber que o nome do modelo a ser chamado hoje na API é deepseek-flash

Sobre esse último item, atenção: os nomes deepseek-v4-flash e deepseek-v4-flash-vision-exp foram aposentados e passam a rotear temporariamente para o V4.1-Flash por compatibilidade

Ou seja, config antiga não quebra de cara, mas também não é onde você quer ficar

Tem um aviso de calendário importante

A partir de 14/09/2026, meio-dia no horário de Pequim (04:00 UTC), requisições ao modelo deepseek-v4-pro passam a ser roteadas para o V4.1 Flash e cobradas nas tarifas da série Flash

Em 10/09/2026 isso ainda NÃO estava em vigor, então hoje o deepseek-v4-pro continua sendo o lado forte da sua config, e depois dessa data ele deixa de ser: marque na agenda pra revisar

E tem a parte de planejamento de custo

Na tabela oficial, a entrada do deepseek-flash sai por US$ 0,014 por 1 milhão de tokens com cache hit e US$ 0,14 por 1 milhão com cache miss, e o armazenamento do cache não tem custo adicional

Além disso existe a regra de pico e fora de pico: as tarifas fora de pico equivalem a 50% das tarifas de pico, e o horário de pico é das 01:00 às 04:00 e das 06:00 às 10:00 UTC, de segunda a sexta

Se o seu fluxo tem tarefa em lote que pode esperar (varredura de repositório, resumo de módulo antigo, triagem de backlog), esse detalhe entra no planejamento

E se a ideia é cortar custo até o osso em tarefa mínima, vale lembrar que dá pra rodar um modelo local no agente e reservar a API só pro que exige mais

Passo a passo: colocando o modelo rápido nas etapas de volume

1. Aponte o Claude Code para a API da DeepSeek usando o endpoint compatível com a API da Anthropic, que é o https://api.deepseek.com/anthropic, documentado na página Using the Anthropic API

As variáveis que a própria DeepSeek recomenda são estas (a página deles ainda usa os nomes da geração V4):

export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_AUTH_TOKEN=<sua DeepSeek API Key>
export ANTHROPIC_MODEL=deepseek-v4-pro
export ANTHROPIC_DEFAULT_OPUS_MODEL=deepseek-v4-pro
export ANTHROPIC_DEFAULT_SONNET_MODEL=deepseek-v4-pro
export ANTHROPIC_DEFAULT_HAIKU_MODEL=deepseek-v4-flash
export CLAUDE_CODE_SUBAGENT_MODEL=deepseek-v4-flash

Repara na divisão que essa config já faz: ANTHROPIC_MODEL e os aliases de opus e sonnet ficam no deepseek-v4-pro, que é o lado da decisão, e o alias de haiku mais o modelo de subagentes ficam no Flash, que é o lado do volume

Duas correções de nome pra fazer hoje mesmo, se liga

O deepseek-v4-flash está aposentado e só roteia pro V4.1-Flash por compatibilidade, então o nome que você quer nessas duas últimas linhas é o deepseek-flash

E o deepseek-v4-pro segura o lado forte só até 14/09/2026: depois dessa data as requisições pra ele vão pro V4.1 Flash e são cobradas nas tarifas Flash, ou seja, essa config para de separar volume e decisão e precisa ser revista

O erro comum deste passo: olhar só pro ANTHROPIC_MODEL e achar que acabou

As duas chaves que realmente empurram o volume pro modelo rápido são o ANTHROPIC_DEFAULT_HAIKU_MODEL, que resolve o alias haiku, e o CLAUDE_CODE_SUBAGENT_MODEL, que define o modelo de subagentes e teammates

2. Entenda o mapeamento do endpoint antes de sair escolhendo alias

No endpoint compatível da DeepSeek, requisições com modelos começando em claude-haiku ou claude-sonnet são mapeadas para deepseek-v4-flash

Só que quem decide o nome que sai do Claude Code são as variáveis do passo anterior: elas resolvem os aliases antes da requisição sair

Traduzindo: se você já apontou o alias sonnet pro deepseek-v4-pro, é esse nome que viaja, e o mapeamento automático do endpoint nem entra na jogada

O erro comum deste passo: pedir alias de modelo forte por hábito em tarefa que era de volume, e depois culpar o modelo pelo custo 🙂

3. Fixe o modelo por subagente no frontmatter

No Claude Code, o campo model no frontmatter do subagente aceita aliases (sonnet, opus ou haiku), IDs completos de modelo ou o valor inherit, que usa o mesmo modelo da conversa principal

---
model: haiku
---

O resto do frontmatter do seu subagente continua igual, só o model entra na jogada

O erro comum deste passo: deixar inherit no subagente de volume

Aí você monta a arquitetura bonitinha, cria o leitor de diff, e continua pagando modelo forte pra ler diff a sessão inteira

4. Valide os arquivos de agente antes de confiar neles

claude plugin validate .claude/agents

O comando roda contra um diretório de agentes, seja o .claude/agents do projeto ou o ~/.claude/agents do seu usuário, e serve pra achar frontmatter que não parseia

O erro comum deste passo: pular a validação

Frontmatter quebrado não grita, ele só faz sua configuração não valer nada e você descobre pela fatura

5. Se o seu fluxo é código seu em cima do Agent SDK da Anthropic, a lógica é a mesma

Nas referências TypeScript e Python do SDK, o campo model por subagente aceita 'sonnet', 'opus', 'haiku' ou 'inherit'

model: 'haiku'

O erro comum deste passo: configurar o agente principal com capricho e esquecer que os subagentes são justamente onde o volume acontece

Quatro subagentes rápidos que valem a pena no dia a dia

A regra pra criar cada um é a mesma: entrada bem definida, saída curta e conferível

Leitor de diff:

Entra o diff, sai uma descrição do que mudou mais uma lista de pontos de atenção

O rápido basta porque a informação já está toda no contexto, não tem nada pra inventar, é leitura e organização

Esse é o primeiro que eu criaria, porque ele roda várias vezes por sessão

Resumidor de arquivo ou módulo:

Entra um arquivo grande ou um módulo inteiro, sai um resumo estruturado do que aquilo faz e de quais são as dependências

Aqui a janela de 1 milhão de tokens é o ponto: dá pra jogar arquivo grande pra dentro sem ficar picotando na mão

E o KV cache de 890 bytes por token é justamente o que torna esse hábito sustentável

Classificador de issue:

Entra o texto da issue, sai rótulo, área afetada e gravidade, seguindo uma taxonomia que VOCÊ define no prompt

Quanto mais fechada a taxonomia, melhor o rápido se comporta, porque a tarefa vira escolha dentro de uma lista em vez de julgamento aberto

Gerador de mensagem de commit:

Entra o diff, sai a mensagem no formato que o seu time usa

É o exemplo mais puro de tarefa de volume: acontece o tempo todo, a saída é minúscula e o erro é barato de corrigir

Dois extras que abrem caso de uso novo

O V4.1 Flash é o primeiro modelo multimodal nativo da DeepSeek, com entrada de texto e imagem, então triagem de print de erro colado pelo usuário vira tarefa possível pro subagente rápido

E a API da DeepSeek suporta a ferramenta Web Search do Claude Code de forma nativa: quando o modelo julga necessário, a busca é feita pela API fornecida pela própria DeepSeek

Onde o modelo rápido não deve decidir

Agora o veredito honesto, com o número que a própria DeepSeek publicou no anúncio

O Opus 5 lidera, e a distância não é detalhe de arredondamento

A leitura prática disso é direta: o rápido é excelente como operário de contexto e é péssima escolha como arquiteto

Decisão final, plano do projeto e revisão do que vai pra produção continuam com o modelo forte, sem negociação

E existe um sinal claro de que você delegou demais

Quando o retrabalho e as idas e voltas começam a crescer, a economia de token já foi embora e você só transferiu o custo pro seu tempo

Se você corrigiu o mesmo resumo três vezes, aquela etapa não era de volume, era de decisão disfarçada

Conclusão

O critério cabe em uma frase: volume no rápido, decisão no forte

O próximo passo concreto é não sair remapeando o fluxo inteiro de uma vez

Cria UM subagente de volume, começando pelo leitor de diff, roda uma semana normal, e mede duas coisas: quanto de cota você gastou e quanto de retrabalho apareceu

Se o retrabalho ficou perto de zero, move a próxima etapa pro rápido

E marca na agenda revisar a configuração depois de 14/09/2026, por causa do reroteamento de deepseek-v4-pro pras tarifas da série Flash

É isso, arquitetura de agente é menos sobre achar o modelo perfeito e mais sobre colocar cada modelo no lugar certo 😀

Matheus Battisti, Hora de Codar

até o próximo post!