deep-code

基于 DeepSeek 的终端 AI 编程助手（Rust 编写）。

特性

• DeepSeek 流式对话：支持 reasoning 流与工具调用（function calling）。
• 工具审批：写文件/执行命令等需确认（y 批准 / a 本会话始终允许 / n 拒绝）；shell 的 a 按命令 identity（程序名 + 子命令）放行，批过 git push 不会连带放行 git status，只读工具直接执行。四档权限（default / accept_edits / auto / yolo）按 Shift+Tab 循环切换。
• Auto 路由：按任务在 deepseek-v4-pro / deepseek-v4-flash 间自动选模型与 reasoning effort；API 限流/故障时自动降级重试。
• 会话与回滚：会话持久化、-c 续接、-r 选择恢复；每轮 checkpoint 可 /restore 回滚。
• 极简 TUI：鼠标滚动/划选复制、粘贴折叠、补全菜单；状态行只留权限档位、生效模型与上下文占用，成本明细在 /status。流式中可继续输入，本回合结束后作为追问自动发出。
• OS 沙箱（macOS / Linux）：shell/job 命令在系统沙箱内运行（macOS Seatbelt / Linux Landlock+seccomp），写入限制在工作区与系统临时目录内，且默认不带网络——需要联网的命令必须声明并转人工审批。没有可用沙箱后端时拒绝执行而非降级裸跑。 Windows 请务必知悉：那里只有 Job Object 进程树收容，既不限制文件写、也不拦网络，[sandbox] network 在该平台是空操作。命令仍受 deny 底板与审批门约束，但"越界写会被替你拒掉"在 Windows 上不成立。deepcode doctor 会如实报告本机究竟约束了什么。
• 可扩展：LSP 诊断、子代理（sub-agents）、skills（SKILL.md + shell）。

安装

npm i -g @liwenkai/deepcode

安装后命令为 deepcode（postinstall 会按平台从 GitHub Releases 下载预编译二进制并校验 SHA-256）。更新：

npm i -g @liwenkai/deepcode@latest

快速开始

deepcode            # 启动(新会话)

启动后设置 DeepSeek API Key（也可用环境变量 DEEPSEEK_API_KEY）：

/apikey sk-...

用法

deepcode                 # 新会话
deepcode -c              # 续最近会话
deepcode -r              # 选择历史会话
deepcode --new           # 显式新会话
deepcode --help          # 命令一览（--version 查版本）
deepcode doctor [--json] # 环境自检
deepcode serve --http    # 作为 HTTP 服务运行
deepcode eval            # SWE-bench 评测 rollout(见下文)
deepcode session list|resume|delete|export

常用 slash 命令：/help /model /apikey /resume /clear /sessions /checkpoints /restore /agents /copy（/help 查看全部与快捷键）。

配置

配置文件：~/.deep-code/config.toml（可参考仓库根目录的 config.example.toml）。 加载顺序：内置默认 → 全局 → 项目 .deep-code/config.toml → 环境变量 → CLI 参数。

常用项：provider.model（pro/flash/auto）、provider.reasoning_effort（off/low/medium/high/max）、cost.currency、approval.auto_allow（预放行的工具前缀）。

API Key 建议放在环境变量或全局配置；项目级配置中的 api_key 会被忽略，以防随仓库泄露。

环境变量 DEEP_CODE_DISABLE_WEB：设为非空且非 0/false/off/no 的值（大小写不敏感；空值视为未设置）即可关闭联网工具（web_search/fetch_url），用于断网或审计场景；默认开启。/status 会显示当前 web=on|off。

在 macOS / Linux 上，shell/job 命令在 OS 沙箱内运行且默认不带网络（含端口监听）：需要联网的命令（安装依赖、git push、dev server）会转人工审批，"本会话记住"后同形态命令不再问；[sandbox] network = prompt|always|never 可调，项目层只许收紧。Windows 上没有沙箱约束，因此本段的断网与写入限制均不生效（network 设置是空操作），声明联网仍会转审批、deny 底板仍然生效；跑 deepcode doctor 看本机实况。

扩展能力(skills + shell)

deep-code 不内置 MCP。它本来就有 shell,所以扩展能力的方式是写个脚本/命令 + 一份 SKILL.md:一行摘要注入系统提示、模型按需读取 SKILL.md 正文,再通过 shell 工具调用你的脚本。

• 发现:把带 name/description frontmatter 的 SKILL.md 放进 skills 目录(全局 ~/.deep-code/skills/<name>/ 或项目 <workspace>/.deep-code/skills/<name>/);其一行摘要常驻提示,正文只在相关时才读入上下文。
• 执行:能力就是普通命令(psql、curl、你自己的脚本……),经 shell 工具运行,同样受审批门与执行策略约束。
• 为什么不做 MCP:对有 shell 的 agent,shell 就是通用工具协议。一份几十 token 的 SKILL.md 摘要按需加载,比把整套工具 schema 常驻每一轮请求更省上下文,还能用管道(| head 等)裁剪结果、只把关键片段带回上下文。确需现成的 MCP 生态 server 时,用支持 MCP 的宿主即可——deep-code 保持精简。

评测(SWE-bench)

内置 SWE-bench rollout 驱动：拉官方数据集，驱动 agent 逐题产出 patch， 写出官方格式的 predictions.json。本地不打分——patch 产出 ≠ 解决， 真实 resolved 率由官方评测（sb-cli 云端，免本地 Docker）得出。

# 需已配置 DeepSeek API key（未配置会直接报错，不会空跑）
deepcode eval --sample 2                  # 联调：dev split 先跑 2 题
deepcode eval                             # dev 全量（23 题，约几分钱）
deepcode eval --split test --parallel 4 --timeout 900   # test 全量（300 题）

产物在 eval-out/（可用 --out 改）：predictions.json（官方格式）+ report.json（含每题耗时、成本、模型与路由来源）。

官方评分：

pip install sb-cli
sb-cli gen-api-key you@example.com   # 一次性，邮件验证后 export SWEBENCH_API_KEY=...
sb-cli submit swe-bench_lite dev --predictions_path eval-out/predictions.json --run_id my-run

网络提示：数据集来自 HuggingFace datasets-server，部分网络需 HTTPS_PROXY=http://127.0.0.1:<port> 或用 DEEP_CODE_HF_BASE 指向镜像。 参数细节见 crates/deep-code-eval/README.md。

从源码构建

git clone https://github.com/liwenka1/deep-code
cd deep-code
cargo build --release -p deep-code-tui
# 产物：target/release/deep-code

许可证

MIT