Deepcode介绍

DeepCode 是由香港大学数据智能实验室（HKUDS）黄超教授团队开发的一款开源多智能体代码生成平台。它旨在通过人工智能技术，将研究论文、自然语言描述等输入自动转化为高质量、可投入生产环境的代码。

1. 激活conda环境并安装DeepCode

首先激活您已创建的conda环境:

conda activate deepcode

然后安装DeepCode包: README.md:452-454

pip install deepcode-hku

2. 下载配置文件

下载必需的配置文件:

使用PowerShell的Invoke-WebRequest(推荐)

Invoke-WebRequest -Uri "https://raw.githubusercontent.com/HKUDS/DeepCode/main/mcp_agent.config.yaml" -OutFile "mcp_agent.config.yaml"  
Invoke-WebRequest -Uri "https://raw.githubusercontent.com/HKUDS/DeepCode/main/mcp_agent.secrets.yaml" -OutFile "mcp_agent.secrets.yaml"

3. 配置千问大模型API

登录阿里云：https://help.aliyun.com/zh/model-studio/get-api-key?spm=a2c4g.11186623.0.0.78d8187awEFfhp

通过记事本编辑mcp_agent.secrets.yaml文件,配置API-KEY:

openai:
  api_key: "以上创建的API key"
  base_url: "https://dashscope.aliyuncs.com/compatible-mode/v1"

anthropic:
  api_key: ""

在mcp_agent.config.yaml文件中，配置大模型qwen-plus :

  default_model: qwen-plus  

4. Windows特定配置 - MCP服务器

（1）下载和安装Node.js：https://nodejs.org/en/download
下载Windows安装程序(推荐LTS版本)
运行安装程序,按照向导完成安装
安装完成后,重启PowerShell或命令提示符
重新打开PowerShell,验证npm是否安装成功:

npm --version  
node --version

（2）Windows用户需要手动配置MCP服务器。首先全局安装MCP服务器:

npm i -g @modelcontextprotocol/server-brave-search  
npm i -g @modelcontextprotocol/server-filesystem

查找node_modules路径:

npm -g root

我的输出是：C:/Users/LiuM/AppData/Roaming/npm/node_modules

然后在mcp_agent.config.yaml中使用绝对路径更新配置:

brave服务器:
将command从npx改为"node"
将args从["-y", "@modelcontextprotocol/server-brave-search"]改为["C:/Users/LiuM/AppData/Roaming/npm/node_modules/@modelcontextprotocol/server-brave-search/dist/index.js"]
保持env.BRAVE_API_KEY不变
filesystem服务器:
将command从npx改为"node"
将args从["-y", "@modelcontextprotocol/server-filesystem", "."]改为["C:/Users/LiuM/AppData/Roaming/npm/node_modules/@modelcontextprotocol/server-filesystem/dist/index.js", "."]
注意保留最后的"."参数,它指定了文件系统的工作目录

以下是修改后完整的mcp_agent.config.yaml的内容

$schema: ./schema/mcp-agent.config.schema.json  
anthropic: null  
default_search_server: brave  
document_segmentation:  
  enabled: true  
  size_threshold_chars: 3000  
execution_engine: asyncio  
logger:  
  level: info  
  path_settings:  
    path_pattern: logs/mcp-agent-{unique_id}.jsonl  
    timestamp_format: '%Y%m%d_%H%M%S'  
    unique_id: timestamp  
  progress_display: true  
  transports:  
  - console  
  - file  
mcp:  
  servers:  
    bocha-mcp:  
      args:  
      - tools/bocha_search_server.py  
      command: python3  
      env:  
        BOCHA_API_KEY: ''  
        PYTHONPATH: .  
    brave:  
      command: "node"  
      args: ["C:/Users/LiuM/AppData/Roaming/npm/node_modules/@modelcontextprotocol/server-brave-search/dist/index.js"]  
      env:  
        BRAVE_API_KEY: ''  
    code-implementation:  
      args:  
      - tools/code_implementation_server.py  
      command: python  
      description: Paper code reproduction tool server - provides file operations,  
        code execution, search and other functions  
      env:  
        PYTHONPATH: .  
    code-reference-indexer:  
      args:  
      - tools/code_reference_indexer.py  
      command: python  
      description: Code reference indexer server - Provides intelligent code reference  
        search from indexed repositories  
      env:  
        PYTHONPATH: .  
    command-executor:  
      args:  
      - tools/command_executor.py  
      command: python  
      env:  
        PYTHONPATH: .  
    document-segmentation:  
      args:  
      - tools/document_segmentation_server.py  
      command: python  
      description: Document segmentation server - Provides intelligent document analysis  
        and segmented reading to optimize token usage  
      env:  
        PYTHONPATH: .  
    fetch:  
      args:  
      - mcp-server-fetch  
      command: uvx  
    file-downloader:  
      args:  
      - tools/pdf_downloader.py  
      command: python  
      env:  
        PYTHONPATH: .  
    filesystem:  
      command: "node"  
      args: ["C:/Users/LiuM/AppData/Roaming/npm/node_modules/@modelcontextprotocol/server-filesystem/dist/index.js", "."]  
    github-downloader:  
      args:  
      - tools/git_command.py  
      command: python  
      env:  
        PYTHONPATH: .  
openai:  
  base_max_tokens: 20000  
  default_model: qwen-plus  
  max_tokens_policy: adaptive  
  retry_max_tokens: 32768  
planning_mode: traditional

5. 启动

（1）方法一：直接命令启动

deepcode

如果这个方法报错，选择方法二

（2）方法二

# 克隆仓库  
git clone https://github.com/HKUDS/DeepCode.git  
cd DeepCode  
  
  
# 安装依赖  
pip install -r requirements.txt  

将以上修改后的mcp_agent.config.yaml和mcp_agent.secrets.yaml两个文件放在该项目下的根目录
从源代码运行

streamlit run ui/streamlit_app.py

会自动在浏览器打开http://localhost:8501/，显示以下界面，选择upload file上传你的详细开发文档，等待长时间的执行即可。

执行完成后，在终端可以提示生成代码的位置，一般在根目录的deepcode_lab文件夹下

6. 补充

为了增强Web搜索功能，可以选择分别Bocha Search和Brave Search平台，获取API，添加到mcp_agent.config.yaml。

Brave是DeepCode默认使用的搜索引擎，Bocha是一个中文AI搜索引擎,作为Brave的替代选项，这两个搜索API密钥是可选的。

brave:  
  env:  
    BRAVE_API_KEY: "your_brave_api_key_here"

bocha-mcp:  
  env:  
    BOCHA_API_KEY: "your_bocha_api_key_here"