deepx-code
DeepSeek 原生的终端编程 Agent：单 Go 二进制，内置代码图谱、本地 OCR 与缓存友好路由，从根上节省 Token。
证据显示有沙箱（Seatbelt/bubblewrap/docker）、plan 只读模式、review 模式默认对写文件/Shell 需人工确认、workflow 运行前确认——最低权限与用户确认达到普通可用水平（各 2 分）。扣分点：API key 明文存于 ~/.deepx/model.yaml、会话历史明文落盘，无加密或权限收紧说明（sensitive_data_handling 1）；依赖锁定在 go.mod 但无任何漏洞审计/SCA 政策，且引入了小众依赖如 gotreesitter、up-zero/gotool（dependency_security 1）；首启自动从第三方镜像下载 118MB 嵌入模型与 37MB OCR 模型、curl|bash 安装、web 面板明文 HTTP 可 0.0.0.0 暴露（external_effects 1）；仅提及 upgrade，无版本回滚/降级路径（rollback 1）；package. author 为空、发布者未验证、LICENSE 版权年份写 2026（source_attribution 1）。数据流架构图和路由规则公开透明，data_flow_transparency 给 2。
README 与代码结构描述大体自洽，但 package. 与之矛盾：license 声明 ISC（与 MIT 冲突）、description 是损坏的 HTML 片段、version 1.0.0 但无 CHANGELOG 对应——self_consistency 扣至 1。dependency_availability 2：嵌入模型下载有 ModelScope→hf-mirror→HuggingFace 三级回退，失败时降级为全部 flash 不阻塞启动；gob 损坏回退 JSONL。failure_messages 2：失败路径（下载失败、沙箱缺失 OS 机制回退软策略）均有明确说明。
audience_and_scenarios 3：明确覆盖交互 TUI、非交互 exec/CI/cron 管道、多语言 UI、多提供商（DeepSeek/MiMo/Kimi/Qwen/自定义），场景叙述具体。capability_boundaries 2：说明了 MiMo 不支持 reasoning 字段时的空值安全、路由仅在模型就绪后生效、codegraph 仅对 Go 精确；但未给出整体能力上限的失败率数据。trigger_precision 3：路由阈值（>500 字符、相似度 0.91）、两组模式集、六个调优命令均精确到可复现。environment_fit 2：三平台覆盖，但沙箱在无 OS 机制平台退化为软黑名单，安全边界明显削弱。
information_architecture 3：README 结构清晰（安装/配置/原理/工具表/命令表），架构图分层明确。install_notes 3：含 shell 刷新、Gitee 镜像、手动配置说明。known_limitations 2：明示 web 面板 HTTP 风险、路由误判例子（过宽模式救 2 破 2）。license 2：MIT 文件完整但版权年份 2026 可疑，且 package. 声明 ISC 相互矛盾。versioning_changelog 1：仅有 goreleaser 自动 changelog 的流程，证据文件中无 CHANGELOG，package. version 与发布机制脱节。maintenance_responsibility 2：有 CI 镜像与发布流水线、upgrade 命令，但无维护者承诺/响应机制说明。
output_usability 2：exec 模式输出直出 stdout、codegraph 结果带 file:line 与签名、结果分页，均有描述但未验证。marginal_value 2：codegraph 符号级导航、离线 OCR、本地零 token 路由是与同类工具的差异化点，v.s. Claude Code 对比表诚实标注了模型质量不在权衡内。cost_benefit 3：围绕 DeepSeek 前缀缓存设计（只升不降的 SwitchModel、系统提示透明替换保缓存前缀、70% 阈值分层压缩）是证据最充分的成本论证。
claim_traceability 1：核心卖点 '~99% 缓存命中（实测）' 仅给一次会话的 41,472/41,591 token 数字，无测量方法、样本数或复现步骤；路由准确性、codegraph 精确度均无可复现的基准。cross_source_corroboration 1：证据文件中无测试目录或测试输出，README 断言无法被其他文件印证；package. 明确 no test specified。fact_inference_separation 2：部分做到了事实与建议分离（如明确标注 'measured' 与权衡说明、NOTE 区分模型质量与工具价值），但多处数字缺少来源标注。
- API key 明文存储于 ~/.deepx/model.yaml，会话历史明文落盘；请确保目录权限并避免在共享环境使用。
- web 面板使用明文 HTTP，绑定 0.0.0.0 后整个局域网可用固定 token 控制会话并执行命令，仅限可信网络。
- curl|bash 安装方式与首启从第三方镜像（ModelScope/hf-mirror/HuggingFace）自动下载模型，供应链信任需自行评估。
- 无 OS 沙箱机制的平台上退化为软黑名单，安全边界显著弱化，auto 模式下慎用。
- 核心性能宣称（~99% 缓存命中）只有单次会话数字，无测量方法，不宜作为采购依据。
- 证据中无测试，package. 声明 ISC 与 MIT 冲突、版权年份 2026 异常，使用前请自行核查。
这个 Agent 能做什么，适合哪些场景？
deepx-code 是一个以单一 Go 二进制分发的终端编程 Agent，围绕 DeepSeek 前缀缓存设计，官方实测长会话 prompt-cache 命中约 99%。它内置 codegraph 符号级代码图谱（跳定义、找调用、接口实现、影响面分析，Go 经 go/types 精确解析）与基于 PaddleOCR 的本地离线图片识别，不依赖多模态 API。执行模型上，它在本地做 flash/pro 双模型语义路由（零 LLM token 消耗），支持 Todo 顺序清单、CreatePlan 并发 DAG 子 agent，以及用 JS 脚本固化多 agent 流程的 Workflow（/ultracode 自动生成、/workflow 运行，兼容 Claude Code workflow 脚本约定）。会话以 gob 二进制无损持久化，超窗自动分层压缩；写文件与 Shell 默认需人工确认，并提供 macOS Seatbelt / Linux bubblewrap 的 OS 级沙箱。原生支持 MCP 与兼容 Claude skill 目录，预置 DeepSeek、小米 MiMo、Kimi、通义千问，也支持任意 OpenAI 兼容模型。
deepx 在终端 TUI 中读取用户消息，先经本地语义路由（multilingual-e5-small 句向量比对，超 500 字或相似度 ≥0.91 起手 pro，否则 flash）选择模型，再进入 StartStream 工具循环。模型可调用 Read/List/Tree/Glob/Grep 只读工具、CodeGraph（def/refs/callers/implementers/impact 等 12 个 op 的符号查询）、OCR（PaddleOCR PP-OCRv5 离线读图）、Search/Fetch 联网、Memory 记忆、LoadSkill 技能，以及 Write/Update/Bash 写操作（review 模式下需人工 YES/NO 确认）。多步任务用 Todo 逐项勾选；可并行的独立子任务由 CreatePlan 拆成 DAG，按依赖派并发子 agent（各节点独立选 flash/pro）后汇总。会话写入 ~/.deepx/sessions/<workspace哈希>/ 下的 history.gob（完整 tool_calls 与 reasoning_content，重启无缝续接）和 JSONL 文本日志；token 达上下文窗口 70% 时自动分层压缩。deepx exec "任务" 提供非交互模式，结果直接输出到 stdout，可配合管道、脚本与 cron。
- 想在终端里用 DeepSeek 干活、且长期会话成本敏感的开发者——靠 ~99% 缓存命中和本地路由避免为重复上下文付费
- 需要在大型 Go/TS/Python 仓库里做影响面分析的人——用 CodeGraph 的 callers/implementers/impact 替代满仓库 grep
- 需要把报错截图或 UI 稿喂给 Agent 但没有多模态额度的用户——本地 PaddleOCR 离线识别图中文字
- 要在脚本/CI/cron 中嵌入一次性代码任务的人——
deepx exec输出到 stdout，支持管道 - 有多视角审查、扇出研究等固定流程并希望反复复用的团队——用 JS workflow 脚本（与 Claude Code 脚本互用）固化流程
- 在意写操作安全的用户——review 模式人工确认写文件/Shell，另有 Seatbelt/bubblewrap/Docker 沙箱可选
这个 Agent 有哪些优点和局限？
- 单 Go 二进制，无 Node/Python 运行时，跨 macOS/Linux/Windows 一行安装，部署成本极低
- 围绕 DeepSeek 前缀缓存设计，实测 ~99% 命中，且模型路由纯本地零 token，长会话成本显著低于按 token 计费的竞品
- 内置 codegraph 符号级代码图谱与本地 PaddleOCR 离线读图，是同类终端 Agent 少见的原生能力
- 兼容 Claude 的 skill 目录与 workflow 脚本约定，生态迁移成本低；原生 MCP 支持
- 成本与缓存优势深度绑定 DeepSeek 前缀缓存定价；切换其他模型时命中与计费优势不保证成立
- 自动路由与 OCR 依赖首次启动后台下载模型（multilingual-e5-small 118MB、OCR 模型约 37MB + ONNX Runtime），下载失败则路由退化为一律 flash
- web 面板为明文 HTTP 且可控制会话、执行命令，README 自述仅限可信局域网使用，对外暴露有安全风险
- 路由判据基于样板句相似度（升级 pro 组 36 句、维持 flash 组 22 句），极端简短或非典型表述可能漏判/误判，需手动调教 router.yaml
- 项目相对年轻，README 之外缺少独立评测证据；闭源竞品的模型质量不在其对比范围内
如何安装或部署这个 Agent？
macOS / Linux：
bash
curl -fsSL https://raw.githubusercontent.com/itmisx/deepx-code/main/scripts/install.sh | bash && exec $SHELL安装到 ~/.local/bin/deepx，之后可用 deepx upgrade 升级。
Windows (PowerShell)：
powershell
irm https://raw.githubusercontent.com/itmisx/deepx-code/main/scripts/install.ps1 | iex国内用户可用 Gitee 镜像（macOS/Linux）：
bash
curl -fsSL https://gitee.com/itmisx/deepx-code/raw/main/scripts/install.sh | SOURCE=gitee bash && exec $SHELL前提：需自备所选供应商（DeepSeek / 小米 MiMo / Kimi / 通义千问）的 API Key。
如何使用这个 Agent？
- 在终端
cd进入项目目录，运行deepx进入交互式 TUI。 - 首次启动弹出配置向导：用 ←/→ 选供应商（DeepSeek / 小米 MiMo / Kimi / 通义千问），填入对应 API Key，持久化到 ~/.deepx/model.yaml；可用
/config重配，/provider在已配置供应商间切换。 - 用
/plan/auto/review切换只读/全自动/审核模式；/model flash|pro锁定模型，/auto（默认）走本地路由。 - 输入
@可弹路径选择器引用文件/目录；/sandbox配置沙箱（native/docker/off）；/working-mode选 karpathy/openspec/superpowers。 - 非交互执行：
deepx exec "任务"，结果直接打到 stdout，支持管道（如cat error.log | deepx exec "分析这段报错"）。
这个 Agent 与同类方案有什么区别？
README 明确将自身与 Claude Code 对比：分发上为 Go 单二进制（Claude Code 是 npm/Node）；开源 MIT（Claude Code 闭源）；模型上支持 DeepSeek/小米 MiMo 等 OpenAI 兼容模型（Claude Code 绑定 Anthropic Claude）；成本上依赖 ~99% 缓存命中；并独有内置 codegraph 与本地离线 OCR（Claude Code 依赖 grep 与云端多模态）。README 注明该表不比模型质量本身，deepx-code 的取舍是成本、开源、单二进制、代码图谱与离线 OCR。
常见问题
长会话到底能省多少钱？
写文件和执行命令安全吗？
必须用 DeepSeek 吗？
OCR 和自动路由需要联网吗？
能在 CI/脚本里用吗？
deepx exec "任务" 非交互执行，结果打到 stdout，支持管道输入与输出重定向；需先用交互式 deepx 配好 API Key。