Deep Code 深度拆解：基于 DeepSeek V4 的开源终端 AI 编程助手完全指南

本文由 莫潇羽@源码七号站（www.fuyuan7.com）撰写，转载请注明出处。

快速摘要

Deep Code 是一款社区开源的终端 AI 编程助手，专为 DeepSeek V4 系列模型深度适配。它不是 DeepSeek 官方出品，却被官方 API 文档正式收录推荐——这意味着它在生态位上的认可度相当高。它通过 npm 一键安装，支持 CLI 终端和 VS Code 插件双形态，内置深度思考、推理强度控制、Agent Skills、MCP 协议集成、细粒度权限控制等能力。配合 DeepSeek V4 Pro 在 LiveCodeBench 代码生成基准上 93.5% 的得分，它的实战表现已经能够追平部分闭源旗舰模型，而 API 调用成本仅为后者的几十分之一。对于国内开发者来说，Deep Code + DeepSeek V4 的组合提供了一个开源、低成本、国内网络直连可用的 AI 编程方案。

简单一句话：如果你正在寻找一个不需要折腾网络环境、API 费用可控、代码能力过硬的开源 AI 编程助手，Deep Code 值得你花半小时折腾一下。想看完整拆解，往下翻。

一、2026年AI编程工具的格局之变

AI 编程这件事，在过去两年里变得有点快。

我自己（莫潇羽）还记得 2024 年初的时候，GitHub Copilot 的代码补全功能就已经让很多人觉得"这东西有点东西"。你写个函数名，它帮你把函数体猜出来，准确率虽然不算特别高，但确实能省下不少敲键盘的时间。那时候大家对 AI 编程的认知，基本停留在"高级自动补全"这个层面。

到了 2025 年，情况开始不一样了。Cursor 带着它的 Composer/Agent 模式杀出来，把 AI 编程从"补全"推到了"对话式开发"的阶段。你不再只是接受代码建议，而是可以直接用自然语言告诉 AI："帮我在这个项目里加一个用户认证模块"，然后看着它自己读项目结构、找到该改的文件、写好代码、甚至跑测试。这个体验在当时是革命性的。

进入 2026 年，格局又变了。AI 编程工具已经分化为三个清晰的梯队：

这里面最值得关注的变化是终端智能体型工具的崛起。传统的 IDE 插件式 AI 工具更像一个"副驾驶"——你开车，它帮你看看路。而 CLI 终端型工具更像一个"自动驾驶系统"——你把目的地告诉它，它自己规划路线、踩油门、打方向盘。Claude Code 是这条路线上的标杆产品，它把"在终端里跟 AI 对话式编程"的体验打磨到了很高的水准。

但问题也来了。

Claude Code 强依赖 Anthropic 的 API，而 Anthropic 的服务在国内的访问存在一定的网络限制。2026 年上半年，国内多家大型企业出于安全合规考量，陆续对 Claude Code 的使用做出了限制。对于独立开发者和小团队来说，这其实构成了一个现实困境：想用最好的工具，但工具被卡了脖子。

这个困境催生了一波国产替代方案的爆发。OpenCode、iFlow CLI、以及本文要重点拆解的 Deep Code，都是在这样的背景下快速成长起来的。

Deep Code 的特殊之处在于：它不是一个"凑合能用"的替代品。它是社区开发者在 DeepSeek V4 系列模型发布后，基于 V4 的独特能力专门打造的终端 Agent 工具。它不走"兼容多个模型"的泛化路线，而是深度绑定 DeepSeek V4 做极致优化——这个策略在当下被证明是有效的，因为它被 DeepSeek 官方 API 文档直接收录在了 Agent 集成页面里。

对于国内开发者而言，这其实打开了一个新的可能性：用国产模型 + 开源工具的组合，搭建一套完全在国内网络环境下流畅运行的 AI 编程工作流。不需要额外的网络配置，不需要担心 API 被突然切断，成本还比海外方案低一个数量级。

下面，我们就从这个工具的定位和架构开始，一层一层拆开来看。

二、Deep Code 是什么：定位、起源与技术架构

一个"非官方但被官方认可"的项目

先说清楚一件事：Deep Code 不是 DeepSeek 官方开发的工具。

它的代码仓库在 GitHub 上的 lessweb/deepcode-cli，npm 发布在 @vegamo/deepcode-cli 这个 scope 下。项目由社区开发者维护，从 2025 年 5 月开始迭代，到 2026 年年中已经更新了几十个版本。写稿时最新版本号是 v0.1.31，整体还处于快速迭代期。

但有意思的是，DeepSeek 官方把它收录了。

你打开 DeepSeek 的 API 文档（api-docs.deepseek.com），在 Quick Start 板块下有一个"Agent 集成"页面，里面列了几个推荐的第三方工具，Deep Code 就在其中。这不是友情链接那种"合作伙伴"页面，而是写在开发者文档里、面向所有 API 用户的正式推荐。这种收录方式，等同于官方在说："我们看了这个项目，觉得靠谱，推荐你用。"

对开发者来说，这个信号很重要。开源工具千千万，但被上游模型厂商官方文档收录的屈指可数。这至少意味着四个层面的保障：一是工具对模型的适配经过了验证；二是 API 调用方式符合官方推荐的最佳实践；三是工具不会滥用或泄露你的 API Key；四是后续模型升级时，工具的跟进速度有保障。

技术栈：Node.js 而不是 Rust

聊一下技术选型，这个点其实挺关键的。

Claude Code 和很多同类 CLI 工具选择用 Rust 或 Go 构建，因为它们追求极致性能和单二进制分发。Deep Code 选了另一条路：Node.js。

这不是"技术降级"，而是有意为之。Node.js 的生态优势非常明显：npm 安装对前端和全栈开发者来说零门槛；JavaScript/TypeScript 的工具链成熟度极高；对 MCP 协议的支持天然友好（MCP 的参考实现本身就是 TypeScript 写的）。

还有个实际的好处：npm 全局安装不需要编译。你不需要在本机装 Rust 工具链，不需要等 Cargo build，一行 npm install -g 就完事。对于只是想快速试试看的开发者来说，这个体验差距很大。

双形态：CLI + VS Code 插件

Deep Code 提供两种使用形态：

1. 终端 CLI：在项目目录下敲 deepcode 启动交互式会话，所有操作都在命令行里完成。适合习惯终端工作流的后端开发者和 DevOps。
2. VS Code 插件：在 VS Code 扩展市场搜索安装，提供侧边栏对话面板，跟编辑器的集成更紧密。适合前端和全栈开发者。

两种形态共享同一套配置文件（~/.deepcode/settings.json），你在终端里配好的 API Key 和模型参数，VS Code 插件能直接读取，不需要重复配置。这个设计很贴心。

架构概览

下面这张 Mermaid 流程图展示了 Deep Code 的核心工作流程：

flowchart TD
    A[用户输入自然语言指令] --> B{Deep Code CLI / VS Code 插件}
    B --> C[读取项目上下文 & Skills 配置]
    C --> D[组装 Prompt + 上下文]
    D --> E{推理强度判断}
    E -->|low| F[快速响应]
    E -->|medium| G[标准推理]
    E -->|max| H[深度思考模式]
    F --> I[调用 DeepSeek V4 API]
    G --> I
    H --> I
    I --> J[接收模型输出]
    J --> K{权限检查}
    K -->|文件写入| L[用户确认 / 自动放行]
    K -->|网络请求| M[MCP 服务器调用]
    K -->|命令执行| N[沙箱执行]
    L --> O[应用代码变更]
    M --> O
    N --> O
    O --> P[返回结果给用户]

整个链路的核心思路是：用户用自然语言描述需求 → Deep Code 收集项目上下文、加载 Agent Skills → 根据推理强度设定组装请求 → 调用 DeepSeek V4 API → 拿到模型输出后根据权限策略执行操作 → 返回结果。

和传统的代码补全工具最大的区别在于：Deep Code 不只是"给建议"，它会实际执行操作。它可以读写文件、执行 shell 命令、调用外部 API——当然，这一切都在你设定的权限边界内进行。这个"Agent 属性"是它跟 Copilot 这类纯补全工具的本质差异。

开源协议与社区

项目采用 MIT 协议开源，这意味着你在个人项目和商业项目里都可以自由使用、修改和分发。GitHub 仓库在写稿时已经收获了超过 1500 颗星，Issue 区的讨论质量也比较高。社区贡献者主要来自国内开发者群体，中文文档和中文 Issue 交流是主流，这对国内开发者来说是个额外的便利。另外，项目的 npm 包体积很小，全局安装后在磁盘上只占用几十 MB，对系统资源几乎没有负担。

三、核心引擎：DeepSeek V4 系列模型深度解读

Deep Code 只是一个"客户端"，真正决定代码质量的，是背后调用的模型。这一章我们把 DeepSeek V4 系列拆开看看，理解它为什么能撑起一个生产级的 AI 编程助手。

V4 Pro 与 V4 Flash：旗舰与轻量

DeepSeek V4 系列在 2026 年 4 月正式发布，它不是一个单一模型，而是一个模型家族。和 Deep Code 直接相关的有两款：

16 万亿参数听起来很夸张，但 V4 系列用的是 MoE（混合专家）架构，不是每个 token 都要激活全部参数。V4 Pro 前向传播时单次只激活 490 亿参数，V4 Flash 更是只激活 130 亿。这意味着实际推理成本远低于参数量给人的第一印象。

这里有个细节值得注意：MoE 架构并不是新概念，但 DeepSeek 在 V4 上搞了一套他们称为"MoE 2.0"的改进方案。传统 MoE 的问题是"专家负载不均衡"——有的专家忙死，有的专家闲着。MoE 2.0 通过动态路由策略和负载均衡损失函数，让每个专家被调用的频率更均匀，从而在同样的硬件上跑出更高的吞吐量。

代码能力的硬指标

说一个模型的代码能力强不强，不能光看厂商的宣传稿，得看第三方基准测试的成绩。下面是我整理的 V4 Pro 在几个主流代码评测基准上的表现（数据截至 2026 年年中）：

三个数字分别对应三种不同的代码能力维度：

LiveCodeBench 测的是"代码生成"——给你一个需求描述，你能不能写出正确的代码。V4 Pro 在这里拿到了 93.5%，在当时是全球开源模型第一，超过了 Claude Opus 4.6 的 92.8%。这意味着在"从零写代码"这件事上，V4 Pro 跟顶级闭源模型是同一个水准。

SWE-bench Verified 测的是"工程修复"——给你一个真实的 GitHub Issue，你要定位 bug、修改代码、让测试通过。V4 Pro 的 80.6% 跟 Claude Opus 4.6 的 80.9% 只差了 0.3 个百分点，基本可以视为同一水平线。这是最贴近日常开发场景的评测，也是我个人最看重的一个指标。

Codeforces 测的是"算法竞赛"。3206 分的 Codeforces Rating 能排进人类选手前 30 名。这说明 V4 Pro 在算法推理上的能力是实打实的强。

当然，评测分数不是全部。莫潇羽在实际折腾的过程中发现，V4 Pro 在代码重构和架构建议方面表现尤其出色——它能理解大型项目的上下文，给出的建议往往能切中要害。但在一些需要"创造性 coding"的场景（比如框架设计、DSL 定义），它偶尔会显得过于保守，倾向于用更常规的写法。

混合注意力架构与 KV Cache 优化

百万级上下文窗口是大模型的一个关键能力，但也是成本大头。传统的 Transformer 架构在处理超长上下文时，KV Cache（键值缓存）的显存占用会随着上下文长度线性甚至超线性增长——处理 10 万 token 的上下文，显存开销可能是处理 1000 token 的 100 倍以上。

DeepSeek V4 搞了一套混合注意力架构来解决这个问题。它把三种注意力机制交织使用：

• 压缩稀疏注意力（CSA）：对长距离依赖做压缩，只保留关键信息，大幅削减存储开销。
• 深度求索稀疏注意力（DSA）：DeepSeek 自研的稀疏注意力模式，根据 token 之间的语义相关性动态决定哪些注意力连接需要保留。
• 重度压缩注意力（HCA）：对极长距离的历史信息做极度压缩，保留语义骨架。

三种机制配合下来，V4 Pro 在处理百万 token 上下文时，KV Cache 的显存占用被压缩到了传统 GQA（分组查询注意力）架构的 2% 左右。换算成更直观的数字：V4 Pro 的单个 token 推理 FLOPs 是上一代 V3 模型的 27%，KV Cache 占用降到了 10%。

这对 Deep Code 用户意味着什么？你用 Deep Code 跟 AI 聊一个大型项目的代码时，会话上下文可以累积得很长，而不用担心 token 消耗暴涨。今天上午聊的需求，下午继续聊的时候它还记得——而且不需要你重新解释一遍项目结构。

价格：真正的降维打击（附峰谷定价说明）

能力的对比可能还停留在"各有千秋"的层面，到了价格这里，对比就变成碾压式的了。不过在展开之前，有个重要更新需要先说清楚。

DeepSeek V4 正式版已于 2026 年 7 月中旬上线，同步引入了峰谷定价机制。简单来说：每天上午 9 点到 12 点、下午 2 点到 6 点这两个时段（基本覆盖国内开发者主要的工作时间）被划为"高峰时段"，API 调用价格翻倍；其余时间为低谷时段，维持原价。官方给出的理由是"更合理地配置资源、提升服务稳定性"——背后逻辑是用价格杠杆削峰填谷，把部分非紧急调用引导到低谷时段。

这对开发者意味着什么？如果你主要在白天工作时间高强度使用 AI 编程，实际成本会比之前很多人预期的"V4 Pro 输出 $1.60/百万 token"要略高一些（高峰段 $1.67）；但如果你习惯晚上和周末 coding，或者能灵活安排批量任务，成本反而更低了。

来看一组写稿时（已计入峰谷定价）的 API 输出价格：

峰谷时段速查：高峰时段为北京时间每天 9:00—12:00 和 14:00—18:00，此时段价格翻倍；其余时间（含周末全天）为低谷时段，按平时价格计费。建议开发者在估算 API 成本时，根据自己的使用时段习惯做加权计算——如果你 70% 的调用落在高峰时段，V4 Pro 的实际加权均价大约是 $1.42/百万 token。

这里需要说明一下：Claude Opus 4.6 的价格有一个区间，因为 Anthropic 根据不同的使用模式（是否启用思考模式、上下文长度等）会有不同的计费。但不管怎么算，即使按高峰价算，V4 Pro 的价格也显著更低。如果用 V4 Flash（平时价）来对标 Opus 4.6，价格差可以拉到 50 到 90 倍。

什么意思呢？举个例子：你用 Claude Code + Opus 4.6 高强度写一个月代码，API 账单可能在 200 到 500 美元。同样的工作量换成 Deep Code + V4 Pro（按高峰时段为主的混合使用），账单大概在 15 到 35 美元。如果你更进一步用 V4 Flash 处理简单任务、只在复杂场景切到 V4 Pro，并尽量把批量任务安排在低谷时段，月费控制在 5 到 10 美元也是完全可能的。

声明：以上价格为写稿时的近似数据。DeepSeek 已于 2026 年 7 月正式启用峰谷定价，AI 模型 API 定价变动非常频繁，请以 DeepSeek 开放平台和 Anthropic 官网的实时定价页面为准。汇率按 1 USD ≈ 7.2 CNY 折算。

对于个人开发者和独立创作者来说，这个成本差异是决定性的。它让"AI 辅助编程"从一项需要掂量成本的投入，变成了一件几乎可以不计成本、随时使用的日常工具。

四、安装与配置：从零开始上手 Deep Code

纸上谈兵说了那么多，这一章开始动真格的。我会把从零安装到跑通第一个对话的每一步都写清楚。我自己（莫潇羽）在几台不同环境的机器上都走了一遍流程，下面的步骤踩过坑也验证过，跟着走应该不会出问题。

环境准备

Deep Code 的依赖很轻，基本上你只要有 Node.js 就行：

• Node.js：建议 18.x 或更高版本（写稿时 LTS 是 20.x，实测兼容）
• npm：随 Node.js 自带，建议 9.x 以上
• 终端：macOS 用 Terminal.app 或 iTerm2，Windows 用 PowerShell 或 WSL，Linux 任意终端模拟器
• DeepSeek API Key：需要提前注册并充值

如果你还没装 Node.js，建议通过 nvm（Node Version Manager）来管理版本，方便后续升级切换。macOS 和 Linux 用户一行命令搞定：

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.1/install.sh | bash
nvm install 20
nvm use 20

Windows 用户可以直接去 Node.js 官网下载安装包，或者用 WSL 走上面的 Linux 流程。

安装 Deep Code CLI

环境准备好之后，安装本体只需要一行：

npm install -g @vegamo/deepcode-cli

npm 会自动下载依赖并注册全局命令。安装完成后验证一下：

deepcode --version

如果正常输出了版本号（写稿时是 v0.1.31），说明安装成功。

获取 DeepSeek API Key

这一步很多人第一次弄会卡住，我写细一点。

1. 打开 DeepSeek 开放平台：platform.deepseek.com
2. 注册账号（支持手机号注册，国内用户友好）
3. 进入控制台 → API Keys → 创建新的 API Key
4. 复制生成的 Key（格式是 sk- 开头的一长串字符），妥善保存

⚠️ 注意：API Key 只在创建时显示一次，关闭页面后就看不到了。建议立刻存到密码管理器或 .env 文件里。千万不要把 API Key 提交到 Git 仓库——我见过不少人在公开仓库里泄露了自己的 Key，余额被刷光。

DeepSeek 开放平台对新用户有赠送额度，写稿时是注册即送一定量的免费 token。充值门槛很低，支持支付宝和微信支付，起步充值金额大概是 10 块钱人民币。对这个工具感兴趣的话，先用赠送额度跑一跑，确认顺手了再充值也不迟。

创建配置文件

Deep Code 需要一个 JSON 配置文件来存储 API 连接信息和模型参数。文件路径是 ~/.deepcode/settings.json（Windows 对应 C:\Users\你的用户名\.deepcode\settings.json）。

用任意编辑器创建这个文件，写入以下内容：

{
  "env": {
    "MODEL": "deepseek-v4-pro",
    "BASE_URL": "https://api.deepseek.com",
    "API_KEY": "sk-你的API密钥",
    "thinkingEnabled": true,
    "reasoningEffort": "max"
  }
}

逐字段解释一下：

• MODEL：指定默认使用的模型。可选值 deepseek-v4-pro 或 deepseek-v4-flash。追求质量选 Pro，日常省成本选 Flash。
• BASE_URL：API 端点地址。默认就是 https://api.deepseek.com，走国内直连。有些用户会换成火山方舟或其他代理地址，如果使用第三方平台，这里填对应平台的地址。
• API_KEY：你上一步获取的 Key。
• thinkingEnabled：是否启用深度思考模式。设为 true 后，AI 在执行复杂任务前会先进行多步推理。简单任务关了能省 token。
• reasoningEffort：推理强度，可选 "max"、"high"（部分版本支持 "medium" 和 "low"）。推荐日常用 "high"，遇到硬骨头再切 "max"。

这个配置文件跟 VS Code 插件共享，所以你只需要配一次。

启动第一个对话

配置文件就绪后，cd 到你的项目目录：

cd /path/to/my-project
deepcode

终端会显示一个交互式界面，你会看到类似下面的提示：

Deep Code CLI v0.1.31
Model: deepseek-v4-pro
Session: new
Type your message or /help for commands
>

现在你可以用自然语言跟它交互了。试一个简单的：

> 帮我看看这个项目的目录结构，然后解释一下每个目录的用途

Deep Code 会读取你的项目文件树，分析目录命名，给出一个结构化的解释。到这里，安装和基础配置就算走通了。

VS Code 插件安装（可选）

如果你更习惯在编辑器里操作，可以在 VS Code 扩展市场搜索 "Deep Code" 安装插件。装好之后，侧边栏会出现 Deep Code 面板，配置会自动读取你刚才创建的 settings.json。插件界面支持多行输入、代码块高亮和文件对比，体验比纯终端更直观。

两个小建议：

• CLI 适合批量操作和自动化脚本场景，插件适合边写代码边问问题的场景。
• 两种形态可以混着用——我就是终端里跑重构任务，VS Code 里做代码审查。

还有一个小技巧：如果你在 VS Code 里用插件模式，可以利用 VS Code 的"多窗口"特性，在同一个项目的不同窗口里开启独立的 Deep Code 会话。比如在左侧窗口的插件里让 AI 帮你审查后端代码，同时在右侧窗口的终端里让 AI 帮你重构前端组件。两个会话互不干扰，上下文各自独立，效率翻倍。不过要注意，两个会话如果同时大量调用 API，可能会触发 DeepSeek 的并发限流——如果遇到"rate limit exceeded"的报错，稍等几秒再重试就行。

五、核心功能深度拆解

Deep Code 不是一个简单的"代码补全 + 聊天窗口"缝合怪。它的功能矩阵里有几个真正能改变开发工作流的能力。这一章逐个拆解，每个功能我都会配上实际的使用场景和配置示例。

深度思考模式：先想清楚再动手

这是 Deep Code 跟很多 AI 编程工具拉开差距的第一个功能。

传统的 AI 编程工具收到你的问题后，基本上是"秒回"——模型直接生成答案，没有显式的推理过程。这在简单场景下没问题（"这个函数的参数类型是什么"），但在复杂场景下就容易翻车（"帮我重构这个支付模块，把同步调用改成异步事件驱动"）。

深度思考模式改变了这个流程。启用后，Deep Code 会先在内部进行多步推理分析——理解项目结构、分析依赖关系、评估改动影响面、规划实施步骤——然后再给出具体的代码建议。这个"思考过程"是可见的（终端里会打印出来），你可以看到 AI 是怎么一步步推导出结论的。

我的使用体验是：开了深度思考后，复杂重构任务的首次成功率明显提升。不开的时候可能需要来回沟通两三轮才能对准需求，开了之后往往一轮就到位。代价是响应时间变长（思考过程可能耗时 5 到 15 秒），以及 token 消耗增加。

什么样的任务值得开深度思考？我的判断标准是：

• ✅ 跨文件重构、架构调整、复杂算法实现 → 开
• ✅ Bug 定位（尤其是那种"看起来没问题但就是不对"的情况） → 开
• ✅ 代码审查、安全审计 → 开
• ❌ 简单代码补全、语法检查、文档注释生成 → 不开
• ❌ 问"这个 API 怎么用" → 不开

在 settings.json 里通过 thinkingEnabled 字段控制开关，也可以在会话中动态切换。

推理强度控制：丰俭由人

这个功能跟深度思考配合使用，提供了三档推理强度：

这里有个实用策略：不要全局锁死在一个强度上，而是根据任务类型动态切换。Deep Code 支持在会话中用命令切换：

/set reasoningEffort max     # 切到最强推理
/set reasoningEffort medium  # 日常模式
/set reasoningEffort low     # 省 token 模式

我自己（莫潇羽）的习惯是：默认 medium，遇到需要深入分析的任务时切 max，查文档或问简单问题时切 low。用了一段时间后你会发现，这个"手动变速"的操作反而比让 AI 自动判断更省钱——因为 AI 的自动判断倾向于"宁可多算也不少算"，往往会高估任务复杂度。

Agent Skills：把团队经验封装成可调用单元

这是 Deep Code 最让我兴奋的功能。

Agent Skills 的本质是：你把一套操作流程写成 Markdown 格式的 Skill 文件，Deep Code 就能识别并按这个流程执行任务。它相当于给 AI 安装了一个"技能包"，让它在特定场景下按照你预定义的最佳实践来工作。

Skill 文件的存放位置有两种：

• 项目级别：./.deepcode/skills/<技能名>/SKILL.md——跟项目走，团队成员共享
• 用户级别：~/.deepcode/skills/<技能名>/SKILL.md——跟你走，跨项目复用

一个典型的 Skill 文件长这样：

# Code Review Skill

## 触发条件
当用户要求代码审查、code review、review 代码时触发。

## 审查流程
1. 先通读所有变更文件，理解改动意图
2. 检查以下维度：
   - 逻辑正确性：改动是否实现了预期功能
   - 安全性：是否存在注入、越权、敏感信息泄露
   - 性能：是否存在 N+1 查询、不必要的循环、内存泄漏
   - 可维护性：命名是否清晰、函数是否过长、是否有重复代码
3. 按严重程度排序输出发现的问题
4. 每个问题附带具体的修改建议和代码示例
5. 最后给出整体评价（通过 / 有条件通过 / 需修改）

## 输出格式
- 使用 Markdown 表格汇总问题
- 每个问题包含：严重度、文件位置、问题描述、修改建议

然后在 Deep Code 会话中输入 /code-review 就能触发这个 Skill。你可以为各种重复性任务创建 Skill：API 对接规范、数据库迁移流程、部署检查清单、测试用例生成模板……

再举一个更具体的例子——假设你的团队有一套固定的"数据库迁移"流程。每次添加新表或修改字段时，都要经历以下步骤：写 migration 文件 → 检查字段类型和索引 → 写回滚脚本 → 在测试环境验证 → 更新文档。这个过程繁琐且容易遗漏。你可以把它写成一个 Skill：

# Database Migration Skill

## 触发条件
当用户要求数据库迁移、添加表、修改字段、migration 时触发。

## 执行流程
1. 确认变更需求（新增表/修改字段/添加索引）
2. 生成 migration 文件（遵循项目的命名规范：YYYYMMDDHHMMSS_description.ts）
3. 自动检查：字段类型是否合理、是否添加了必要索引、外键约束是否正确
4. 同步生成回滚脚本
5. 更新 schema 文档（docs/schema.md）
6. 输出变更摘要，列出所有影响范围

## 约束
- 禁止在 migration 中包含数据删除操作（需人工确认）
- 所有 migration 必须包含回滚逻辑
- 索引命名遵循 idx_表名_字段名 规范

这个 Skill 封装好之后，团队里的任何人都能通过一条简单的指令完成标准化的数据库变更操作。新人不需要记住所有规范——AI 会按照 Skill 里写好的流程严格执行。随着时间积累，团队的 Skills 库会越来越丰富，开发效率的提升是指数级的。

对团队来说，这相当于把资深开发者的经验和方法论"固化"成了可分发、可迭代的数字资产。新成员加入时，不需要老员工手把手带——直接加载团队的 Skills 包，AI 就会按团队规范来写代码和做审查。

MCP 集成：连接 AI 与外部世界

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 在 2024 年底推出的开放标准，到 2026 年已经成为 AI 工具连接外部服务的事实标准。简单理解，MCP 就是 AI 世界的"USB-C 接口"——任何实现了 MCP 协议的服务，都能被 AI 工具发现和调用。

Deep Code 内置了 MCP 客户端支持。通过 /mcp 命令可以查看和管理已配置的 MCP 服务器：

/mcp list         # 列出所有已连接的 MCP 服务器
/mcp status       # 查看各服务器的连接状态

一个典型的 MCP 配置文件（~/.deepcode/mcp_servers.json）长这样：

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxx"
      }
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/dir"]
    }
  }
}

配置好之后，Deep Code 就能在需要时自动调用 GitHub API（读 Issues、查 PR、看代码）、访问文件系统、查询数据库等。在实际开发中，这意味着你可以直接对 Deep Code 说："帮我把 GitHub 上最近 3 个 Issue 提到的问题修一下"，然后它会自己去读 Issue 内容、定位代码、修改、提交 PR。

MCP 生态在 2026 年已经非常丰富，主流的数据库（PostgreSQL、MySQL、SQLite）、云服务（AWS、阿里云）、项目管理工具（Jira、Linear）都有对应的 MCP 服务器实现。

这里展开说一下 MCP 的实战价值。以数据库场景为例，传统方式下你让 AI 帮你写 SQL，需要先把表结构复制粘贴给 AI，然后 AI 给你一段 SQL，你再复制到数据库客户端里执行。有了 MCP 之后，Deep Code 可以直接读取你的数据库 Schema，理解表结构和索引情况，生成精准的查询语句，并且在你的权限范围内直接执行和验证结果。

流程对比如下：

传统方式（无 MCP）：

1. 你："帮我写一个查询，统计过去 30 天每个用户的订单总额"
2. AI："请提供表结构"
3. 你：复制粘贴 users 表和 orders 表的 DDL
4. AI：生成 SQL
5. 你：复制 SQL 到数据库客户端 → 执行 → 检查结果 → 如果不满意重复步骤 2 到 5

MCP 方式：

1. 你："帮我统计过去 30 天每个用户的订单总额"
2. Deep Code：自动读取 Schema → 生成 SQL → 执行 → 展示结果
3. 你：确认结果，如果不对直接说"按用户等级再分个组"

效率差距一目了然。MCP 把 AI 从"只能给建议的顾问"变成了"可以自己干活的同事"——这是一个质的跃升。

不过需要提醒的是，给 AI 开放数据库访问权限需要谨慎。建议在 MCP 服务器配置中限定为只读账号，生产数据库的写操作权限一定要严格管控。

细粒度权限控制：把 AI 关在笼子里用

"AI 可以操作我的文件系统"——这句话说出来就让人心里咯噔一下。Deep Code 对这个问题的处理思路是：把你能想到的每一个"危险操作"都做成独立的权限开关。

支持控制的权限维度包括：

• 文件读取：允许 / 拒绝 / 每次询问（可以限定目录范围）
• 文件写入：允许 / 拒绝 / 每次询问
• 文件删除：默认拒绝，强烈不建议放开
• Shell 命令执行：允许 / 拒绝 / 每次询问（可以设置命令白名单）
• 网络请求：允许 / 拒绝 / 每次询问
• MCP 调用：允许 / 拒绝 / 每次询问

配置方式是在 settings.json 中添加 permissions 字段：

{
  "permissions": {
    "fileRead": "allow",
    "fileWrite": "ask",
    "fileDelete": "deny",
    "shellExecute": "ask",
    "networkAccess": "allow",
    "mcpCall": "ask"
  }
}

我自己（莫潇羽）的推荐配置是：文件读取和网络请求设为"允许"（这两个是高频操作，每次都弹确认框太烦）；文件写入和 Shell 执行设为"询问"（让 AI 先告诉我它想改什么，我确认了再执行）；文件删除坚决设为"拒绝"（AI 不应该有删除文件的能力，这是底线）。

这个权限系统让 Deep Code 在"能干很多事"的同时保持了安全性。你不用担心 AI 在你不注意的时候改了不该改的代码或者执行了危险命令。

有一点值得特别提一下：Deep Code 的权限策略是"会话级别"的，不是"全局级别"的。这意味着你可以为不同的项目设置不同的权限策略。比如在个人学习项目里你可以把权限放得比较宽，让 AI 自由操作；但在公司的生产代码仓库里，你可以把文件写入和命令执行全部设为"每次询问"，确保每一步操作都经过你的确认。这种灵活性在实际使用中非常重要——同一个开发者可能同时维护着敏感度完全不同的多个项目，一刀切的权限策略要么太松要么太紧。

会话持久化：断点续聊

Deep Code 按项目维度保存会话上下文。你在一个项目里跟 AI 聊的内容、AI 对项目结构的理解、之前执行过的操作记录，都会被持久化存储。

下次在同一个项目目录下启动 deepcode，它会自动加载之前的会话历史。这意味着你不需要每次打开都重新解释一遍项目是干什么的。周一聊的需求，周三继续聊的时候 AI 还记得上下文。

会话数据存储在项目目录的 .deepcode/ 文件夹下（SQLite 格式），不上传任何第三方服务器。这个设计对注重代码安全的团队很重要——你的项目信息和对话记录始终留在本地。

六、与其他主流 AI 编程工具的对比分析

把 Deep Code 放在整个 AI 编程工具的地图上看，它的优势和局限会更清楚。这一章选取三个最有代表性的工具做对比：Claude Code（终端 Agent 标杆）、Cursor（IDE 集成标杆）、GitHub Copilot（补全类标杆）。

多维度对比总览

Claude Code vs Deep Code：终端 Agent 的对决

Claude Code 是目前终端 AI 编程工具里体验最好的产品，这一点没什么争议。它的 Extended Thinking 模式、对复杂项目的理解深度、生成代码的质量，都是行业标杆。

Deep Code 跟 Claude Code 的差距主要体现在两个地方：一是代码生成的稳定性和一致性（Claude Code 在处理超大型项目时表现更稳定）；二是生态成熟度（Claude Code 的社区插件和集成方案更丰富）。

但 Deep Code 有三个 Claude Code 做不到的优势：第一，国内网络直连，不需要额外配置；第二，API 成本低 50 到 70 倍，对预算敏感的独立开发者来说吸引力巨大；第三，完全开源，你可以审查代码、修改源码、甚至 fork 一个自己的版本。

如果你是一个对成本敏感、主要在国内网络环境下开发的独立开发者或小团队，Deep Code 是更务实的选择。如果你的项目规模很大、对代码质量要求极高、且预算充足，Claude Code 仍然值得考虑。当然，Claude Code 的 API 服务在国内的可用性，会受网络环境变化和平台政策调整的影响，需要根据当时的实际情况判断——前文也提到，2026 年上半年已有多家国内企业出于合规考量对 Claude Code 做了限制，这个趋势值得持续关注。

合规提示：境外 AI 模型服务的使用需遵守国内网络与内容管理相关规定。开发者在选择境外模型时应关注相关监管要求，确保使用方式合规。

Cursor vs Deep Code：IDE 还是终端？

Cursor 和 Deep Code 解决的是同一个问题（AI 辅助编程），但产品形态完