DeepAgent Code
带持久记忆与可控执行流的开源 AI 编码代理，让跨多轮、跨重启的长期工程任务保持连贯并可交付。
证据显示较完善的安全设计：MCP 服务器默认不连接、写入与外部抓取需审批门、风险分级来自目录模板而非用户可写配置（防注入）、凭证走 OS 密钥库或 0600 文件、写权限子代理使用独立 worktree 且过期 worker 被 generation 屏障拦截、长流程有暂停/接管/回滚路径和审计痕迹。但绝大多数描述来自 README/SECURITY 的自我陈述，本次样本中未见对应权限门与审批的实现代码，故各安全项按'充分描述但仅部分可验证'记 2。依赖安全仅见锁定目录与补丁清单，无审计/漏洞缓解证据，记 1。来源归属充分：AGPL-3.0 全文、NOTICE 引用 opencode 及 MIT 上游、明确否认背书，但 NOTICE 文件本身未在样本中，记 2。
测试文件与 README 自洽：connection.test.ts 与 daemon.test.ts 覆盖传输回退、Basic 健康检查、未认证服务器注销、SIGTERM 退出，均与 fixture 注释声称的协议一致；固定 Bun 1.3.14 与 catalog 锁定版本支持可复现安装，未发现文档间矛盾，记 2。失败消息方面，'No workspace selected' 提示与降级警告的断言表明有明确错误路径，但样本覆盖面窄，记 2。
面向终端/桌面双形态、75+ 提供商、LSP 38+ 语言服务器并明确声明'无服务器时优雅降级到 grep/read'，自定义 provider 协议自动探测且声明覆盖为 best-effort（诚实的边界陈述），记 2。但模式（Auto/Loop/Design）与域包'按问题画像激活'的触发精度只有叙述性描述，无示例或判定标准，记 1。
仓库结构清晰（packages/*、design/、script/），README/SECURITY/PRIVACY/CONTRIBUTING/CHANGELOG 齐备且安装、构建、导入历史均有具体命令，但 npm 包未发布、主安装路径是 curl | bash 管道脚本（供应链与可审计性弱），install_notes 记 1。LICENSE 全文含 AGPL-3.0 与上游 MIT 派生声明，package. license 字段一致，记 3。版本处于 core-v4.0-beta 分支且 CHANGELOG 仅被引用未见于样本，记 1。已知局限几乎未披露（README 大量能力宣言，仅 provider 覆盖一项承认非保证），记 1。维护责任：SECURITY 说明支持分支与回移策略、GitHub Actions 有定时与签名 pinned action，记 2。
输出可用性设计良好：审计证据 artifact 化、仅摘要与 file:line 片段进入模型上下文、prompt 缓存字节稳定设计，均在 README 有一致描述，记 2。相对既有编码代理（含其上游 opencode）的边际价值主打持久记忆与治理式知识生命周期，属于真实差异化主张但未验证，记 2。成本收益方面 README 明显向自家 DeepAgent API 平台引流（'recommended'），自托管成本与 token 消耗未量化，记 1。
关键架构主张（Session V2、Context Epoch、Expert Panel 仲裁）指向 design/README.md 但该文件不在样本中，主张可追溯性弱，记 1。交叉印证方面，daemon/connection 测试与 fixture 注释、SECURITY 的凭证存储说明相互吻合，记 2。事实与推断分离：README 用表格与'Memory you can see'等营销措辞混合，但 best-effort 覆盖等免责声明保持了诚实边界，记 2。
- 主要安全声明（审批门、风险分级、凭证存储、generation 屏障）均来自 README/SECURITY 自述，本次静态样本未见对应实现代码，请勿视为已验证。
- 首选安装方式是 curl | bash 远程脚本且 npm 包未发布，建议改用源码构建或核对脚本内容后再执行。
- 发布元数据 license 为 NOASSERTION，而仓库文件自称 AGPL-3.0-or-later，分发前请核实最终许可证状态。
- README 大量能力宣言缺乏样本内佐证（design/ 文档未提供），对持久记忆、Expert Panel 等主张保持保留。
- npm 尚未公开发布，安装来源与完整性校验（签名/哈希）均不可用。
这个 Agent 能做什么，适合哪些场景？
DeepAgent Code（GitHub：deepagent-ltd/deepagent-code）是一个面向长周期工程任务的 AI 编码工作区，提供桌面应用与终端两种形态，基于 AGPL-3.0-or-later 许可发布，代码派生自 MIT 许可的 opencode。它以三种协作模式运行：Auto（端到端自主执行）、Loop（维护可编辑的 goal+plan.md 并按计划/执行/验证/迭代推进）、Design（忠实执行用户给定的计划）。核心差异化在于持久化、可审计的分层记忆：项目状态以类型化、版本化文档（knowledge、memory、design、worklog 等）存储，学习需经证据、评审与回归门控生命周期。执行期间支持实时转向、热编辑计划、暂停/恢复/接管/回滚，且自主性与权限等级（只读/需批准/完全访问）独立配置。通过 LSP、代码图谱、知识图谱、项目记忆与文档图谱五层上下文组装机制工作，支持 75+ 模型提供商及任意 OpenAI/Anthropic 兼容端点。
读取代码库并构建代码图谱（文件、符号、导入、调用链、诊断），通过内置 AI IDE 微服务以符号和意图查询（如 code_intel({ symbol: "AgentGateway.open", intent: "overview" })），背后是 38+ 个 LSP 语言服务器。按 Auto/Loop/Design 模式执行任务：Loop 模式写入并推进 goal+plan.md，经 plan→execute→verify→iterate 循环直至完成。将任务分区给有界的子代理，为可写子代理提供独立 git worktree，走 Reviewer 校验 SHA、协调者串行 --no-ff 合并、Senior Reviewer 终审的提交路径。对高风险决策可召集 Expert Panel（正确性/安全/性能/架构/可复现性五个视角匿名辩论至多三轮，由确定性仲裁器裁决并保留少数意见）。通过项目 IM 线程中 @ 代理启动带项目上下文的运行。记忆学习走候选→评审→回归/消融门控→发布知识快照的治理流程；上下文组装由 Session V2 运行器在 Context Epoch 下完成，工具原始输出写入 evidence 产物，仅摘要与 file:line 片段进入模型上下文。
- 接手长期迁移的工程师：用 Loop 模式定义一次目标，经多轮 plan/execute/verify 推进，重启后任务状态不丢失。
- 维护大型陌生代码库的团队：通过 LSP 符号与意图查询定位端点、调用链与诊断，而非猜测文件位置。
- 需要并行改造多个模块的负责人：把独立工作分给隔离 worktree 的子代理，由 Reviewer 与 Senior Reviewer 走生成隔离的合并与评审流程。
- 对架构或安全决策要求严格的团队：召集 Expert Panel 让多个视角匿名辩论并由仲裁器给出可审计结论。
- 在意代理'学到什么'的用户：在 Repo & Wiki 视图中浏览、检索、追溯知识谱系，并否决不该重复的模式。
- 不想绑定单一模型供应商的开发者：用自己的 API key 接入 75+ 提供商或任意 OpenAI/Anthropic 兼容网关。
这个 Agent 有哪些优点和局限？
- 持久且可治理的记忆：会话可跨重启存活，学习经过证据、评审与回归门控生命周期，拒绝原因持久保存，防止坏模式被静默重学。
- 运行中可控：实时转向、热计划编辑、暂停/恢复/接管/回滚均有持久审计轨迹，区别于 fire-and-forget 式自动化。
- 多代理协作有工程保障：子代理有独立 worktree、生成隔离（generation-fenced），过期 worker 无法覆盖较新的合并结果。
- 供应商无关：75+ 提供商经 AI SDK 与 models.dev 支持，兼容任意 OpenAI/Anthropic 端点，prompt 缓存在长运行中保持有效。
- 基于 LSP（38+ 语言服务器）的符号级代码理解，未保存的编辑器缓冲也参与分析。
- npm 包尚未公开发布，安装依赖安装脚本或桌面应用，包管理器用户需等待或从源码构建。
- 仓库元数据显示许可证为 NOASSERTION，需以 README 声明的 AGPL-3.0-or-later 为准；若修改后作为网络服务运行，必须向用户开放源码，对商业闭源集成是实质约束。
- 需要提供商 API key 且自担费用；自定义端点的模型上下文/推理参数覆盖为尽力而为，不保证可用。
- 体系复杂（Session V2、Context Epoch、领域包、五层图谱），团队评估与上手成本高于单文件脚手架式代理。
- 源自 opencode 的分叉，需自行跟踪上游演进与自身维护节奏的差异。
如何安装或部署这个 Agent？
方式一：通过桌面应用安装。方式二：macOS/Linux 运行安装脚本：curl -fsSL https://deepagent.ltd/install | bash。注意 npm 包 deepagent-code 尚未公开发布。从源码构建需要 Bun 1.3.14：git clone https://github.com/deepagent-ltd/deepagent-code.git && cd deepagent-code && bun install；桌面应用 bun run dev:desktop，终端版本 bun run dev。安装后运行 deepagent-code（或别名 deepagent），通过 deepagent auth login 登录模型提供商（需要提供商 API key），配置也可写在 ~/.deepagent/code/config.c，官方提供商密钥存于 ~/.deepagent/code/auth.。
如何使用这个 Agent？
终端一次性任务：deepagent-code run "add rate limiting to /api/users endpoint"。代理会用 LSP 定位端点、检查项目记忆中的既有模式、激活相关领域包、按项目惯例实现、运行测试并提议候选记忆。桌面应用中在 Settings → Providers → DeepAgent → Connect 粘贴 API key，或添加 Custom provider（填 Base URL 与 key，自动检测 OpenAI/Anthropic 协议并从 /models 发现模型）。运行中可发送实时转向消息（在下一个安全的 provider-turn 边界吸收）、热编辑 goal+plan.md、显式排队后续活动，或暂停/恢复/接管/回滚。可从 Codex 或 Claude Code 导入历史：bun run --cwd packages/deepagent-code dev import-history --from codex --dry-run。
这个 Agent 与同类方案有什么区别？
README 明确说明 DeepAgent Code 派生自 opencode（MIT 许可）。相对上游，DeepAgent Code 增加了持久化分层记忆、goal+plan.md 驱动的 Loop/Design 模式、运行中转向与热计划编辑、带 worktree 隔离与生成隔离的子代理协作，以及 Expert Panel 决策机制；但采用更强的 AGPL-3.0-or-later 许可而非 MIT。