DeepCode 开放式编程助手
把论文和自然语言需求转成可运行的前后端与算法代码。
按维度查看评分与理由
证据显示项目实现了显式项目信任、三种权限模式（Ask/Read only/Full access）、工具级allow/ask/deny、敏感路径保护、平台沙箱和作业对象隔离（Windows）。用户确认机制存在，但未提供具体实现细节。数据流透明度：工具调用、执行进度和文件更改可见，但未详细说明数据流。敏感数据处理：凭据存储在用户私有存储中，不写入会话历史，但未提供具体实现。依赖安全：依赖列表未固定版本，未提供安全审计或漏洞扫描证据。外部影响：命令执行有沙箱，但未提供具体细节。回滚：会话生命周期有归档和删除，但未提供代码回滚机制。来源归属：未提供明确的来源归属机制。
自一致性：README描述与代码结构一致，测试覆盖了自动化传输和编解码器。依赖可用性：依赖列表明确，但未固定版本。失败消息：测试中验证了错误处理，如InvalidParams和ParseError。
受众和场景：面向开发者和研究人员，支持多种场景（Paper2Code、Text2Web等）。能力边界：明确说明不是设计来让Agent看起来更忙，而是帮助完成真实工作。触发精度：支持自然语言指令和自动化调度。环境适配：支持CLI和桌面，跨平台（macOS、Windows、Linux）。
信息架构：README结构清晰，有目录和详细说明。安装说明：提供了CLI和桌面的安装步骤。命名稳定性：版本历史显示命名稳定。示例和FAQ：提供了快速开始和演示，但缺少FAQ。已知限制：未明确列出。许可证：MIT许可证。版本和变更日志：有新闻和里程碑记录。维护责任：有GitHub Actions CI，但未明确维护者。
输出可用性：提供可视化界面和会话历史，输出可审查。边际价值：提供多Agent系统和自动化，有独特价值。成本效益：未提供性能或成本数据。
声明可追溯：README中的声明与代码和测试对应。跨来源佐证：有论文和视频，但未提供独立验证。事实与推断分离：README区分了事实和推断。
- 依赖未固定版本，存在供应链风险。
- 未提供安全审计或漏洞扫描证据。
- 已知限制未明确列出。
- 发布者身份未验证，但未发现恶意迹象。
这个 Agent 能做什么，适合哪些场景？
DeepCode 是一个面向软件开发的多智能体编程平台，覆盖 Paper2Code、Text2Web 和 Text2Backend 三类工作流。它提供交互式终端对话、基于 React 与 FastAPI 的本地 Web UI，以及可用于脚本和 CI 的 JSON 事件流命令行入口。其统一运行时通过 MCP 工具执行文件读写、网页获取、仓库下载、文档处理、命令执行、代码索引和实现验证等操作。项目支持用户级与项目级配置合并，可配置 OpenAI、Anthropic、Gemini 或 OpenRouter 等提供方，并将会话保存为 JSONL 和 SQLite 索引。对于复杂任务，README 还描述了计划、持久记忆、生命周期 Hook、可复用技能与隔离子代理协作能力。
DeepCode 可接收研究论文、自然语言需求、URL 与文件作为输入，并通过 Central Orchestrating Agent、Intent Understanding Agent、Document Parsing Agent、Code Planning Agent、Code Reference Mining Agent、Code Indexing Agent 和 Code Generation Agent 组织处理。它经由 MCP 的 filesystem、fetch、github-downloader、file-downloader、command-executor、code-implementation、code-reference-indexer 与 document-segmentation 执行具体操作，生成代码、测试与文档。终端交互入口是 deepcode 或 python -m cli.tui；本地 Web 模式使用 deepcode --local；无界面任务可用 python -m cli.exec_cli "任务" --json 输出 NDJSON 事件流。会话存放在 ~/.deepcode/sessions/<id>/，配置可由 ~/.deepcode/deepcode_config.json 与项目目录中的 deepcode_config.json 分层合并。
- 机器学习研究者需要根据论文复现实验算法时，可用 Paper2Code 将论文内容转为实现、测试和文档。
- 前端开发者拿到页面文字需求、需要快速形成可运行界面原型时，可使用 Text2Web 工作流。
- 后端工程师需要从简要功能说明生成服务端实现时，可使用 Text2Backend 工作流。
- CI 或内部自动化负责人需要以机器可读事件流执行一次性修复任务时，可调用
python -m cli.exec_cli "任务" --json。 - 需要在本地项目目录持续处理编码任务的开发者，可通过
deepcode启动多轮会话，并用/resume恢复已保存会话。
这个 Agent 有哪些优点和局限？
- 同时提供终端对话、本地 Web UI 与 NDJSON 无界面执行入口，适合交互开发和 CI 自动化。
- 通过 MCP 明确集成文件系统、网页获取、仓库下载、文档分段、命令执行、代码索引与实现工具，而非只输出文本建议。
- 配置支持 OpenAI、Anthropic、Gemini 和 OpenRouter，并支持项目级配置覆盖用户级配置。
- 会话以 JSONL 保存并由 SQLite 索引，支持列出、恢复和分支会话。
- 必须自行配置至少一个模型提供方 API Key；README 未提供默认免费模型或成本控制方案。
- 本地 Web UI 依赖 Node.js 18+ 和 npm 8+，除 Python 运行时外还需安装前端依赖。
- 工具执行涉及本地文件系统、Shell、网络和 MCP 服务，采用前需评估工作区权限与密钥配置。
- README 所列 PaperBench 分数及与 Cursor、Claude Code、Codex、PaperCoder 的比较为项目自行报告，提供材料未包含独立复现实验。
如何安装或部署这个 Agent？
前置条件为 Python 3.9+、Node.js 18+ 和 npm 8+。直接安装：pip install deepcode-hku，随后执行 deepcode init 创建 ~/.deepcode/deepcode_config.json，并在其中至少填写一个提供方的 API Key，例如 {"providers":{"openai":{"apiKey":"your_openai_api_key"}}}。从源码开发可执行 git clone https://github.com/HKUDS/DeepCode.git、cd DeepCode、pip install -r requirements.txt、npm install --prefix new_ui/frontend；如需让全局命令使用当前检出版本，再执行 pip install -e .。
如何使用这个 Agent？
完成 API Key 配置后，在项目目录运行 deepcode 开始交互式多轮编码会话；可用 python -m cli.tui -w ./my-project 指定工作区，或用 python -m cli.tui --resume <session_id> 恢复会话。在对话中可使用 /help、/new [title]、/resume、/model [id]、/clear，并以 @src/main.py 附加文件内容。运行 deepcode --local 可启动本地 Web UI，前端地址为 http://localhost:5173，后端地址为 http://localhost:8000。用于 CI 或脚本时，运行 python -m cli.exec_cli "fix the failing test in mathlib.py" --json。
这个 Agent 与同类方案有什么区别？
README 在 PaperBench 的不同子集上报告：DeepCode 为 84.8%，而 Cursor 为 58.4%、Claude Code 为 58.7%、Codex 为 40.0%；同时报告其相对 PaperCoder 的结果为 73.5% 对 51.1%。这些数字适合作为项目声明的基准参考，而非独立验证结论。
常见问题
运行前必须配置什么？
deepcode init 后，必须在配置中填写至少一个模型提供方 API Key。它能使用哪些模型服务？
apiBase。会修改我的项目文件吗？
write、edit 与 apply_patch 等工具读写和修改工作区文件，并执行命令；应在合适的工作区和权限策略下运行。如何用于自动化或 CI？
python -m cli.exec_cli "任务" --json 执行单次任务；README 说明该命令输出机器可读的 NDJSON 事件流。