Claude Code 太贵？这个为 DeepSeek 量身打造的开源 Agent，想把 AI 编程费打下来

whyfail

370人浏览 · 2026-08-13 17:27:23

whyfail · 2026-08-13 17:27:23 发布

你以为 AI 编程贵，是因为模型价格高？真正烧钱的地方，可能是 Agent 每走一步，都把整个项目重新读了一遍。

假设你把一个登录 Bug 交给 AI：

“用户刷新页面后会莫名退出，请找到原因并修复。”

第一轮，它读取登录逻辑；第二轮，它查看 Cookie 配置；第三轮，它运行测试；第四轮，它根据报错继续修改。

看起来很合理。但在背后，每次请求可能都会重新携带系统指令、工具说明、已读代码、历史对话和测试输出。任务越长，重复发送的内容越多，就像程序员每开一次会，都抱着整个项目资料库重新进场。

这正是 Reasonix 想解决的问题。

它不是一个新模型，也不是 DeepSeek 的“换皮聊天框”。它是一套围绕 DeepSeek 设计的开源编程 Agent：让模型能搜索代码、修改文件、执行命令、运行测试，同时尽量让那些反复出现的上下文命中低价缓存。

说得再直白一点：

DeepSeek 负责动脑，Reasonix 负责给它装上手脚，并管好差旅费。

模型很聪明，为什么还需要 Reasonix？

把一个顶级模型直接放进聊天框，就像请来一位很聪明的程序员，却不给他电脑、终端和代码仓库。

你问：“这个 Bug 怎么修？”

他只能隔着门告诉你：“建议检查登录状态和 Cookie 过期时间。”

而真正的 Coding Agent 必须能亲自完成下面这些动作：

理解任务
  ↓
搜索相关代码
  ↓
读取文件和报错
  ↓
修改代码
  ↓
运行测试
  ↓
失败后继续排查
  ↓
交付可验证的结果

控制这套循环的系统，通常叫作 harness。

所以，AI 编程工具的实际表现并不只由模型决定，而更像一道乘法题：

最终效果 = 模型能力 × harness 执行能力

Reasonix 本身就是 harness。它的核心 Agent 引擎由项目自己实现，并不是给 Claude Code、OpenCode 或 Codex 换了一个界面。

需要说明的是：**Reasonix 不是 DeepSeek 官方研发的产品。**它是社区维护的 MIT 开源项目，DeepSeek 官方文档将它收录为一种 Agent Integration。

Reasonix 真正特别的地方：它先考虑“别浪费钱”

普通用户看到的是 AI 在写代码，账单看到的却是一轮又一轮的 Token。

一段持续 20 轮的开发会话，大致会这样增长：

第 1 轮：任务
第 2 轮：任务 + 已读文件
第 3 轮：前两轮 + 测试结果
第 4 轮：前面所有内容 + 新报错
……
第 20 轮：几乎整段工作历史

这里有一个关键机制：前缀缓存。

如果下一次请求的开头与上一次一致，DeepSeek 可以识别出重复内容，让这部分输入走更便宜的缓存价格。

但前提是：这个“开头”必须足够稳定。

系统提示词改了一个字、工具顺序发生变化、历史消息被重新整理，都可能让缓存失效。于是 Reasonix 把很多设计都围绕一个目标展开：

已经发过的内容，能不动就别动。

它主要用了三招。

第一招：像记流水账，只追加，不乱改

Reasonix 尽量把新内容追加到会话末尾，而不是每一轮都重写前面的对话。

可以把它想象成一本账本：每天在最后增加一页，而不是每记录一笔消费，就把整本账重新排版。

这样一来，系统指令、项目规则、工具定义和旧消息能保持稳定，下一轮更容易命中缓存。

第二招：工具箱固定摆放

模型每轮都需要知道自己有哪些工具，例如读取文件、编辑代码、执行命令和查看测试结果。工具的名称、顺序和参数说明，同样会占据上下文。

Reasonix 尽量保持核心工具接口稳定。即使接入 MCP、技能或其他扩展能力，也不会轻易把整个工具箱重新翻一遍。

这就像维修工总把扳手放在左边、螺丝刀放在右边。位置固定，拿工具更快，也不必每次重新熟悉工作台。

第三招：规划和干活分两个房间

复杂任务可以让 Planner 负责调查和制定方案，让 Executor 负责修改代码与运行测试。

Reasonix 给它们维护独立会话。规划模型不会不断污染执行模型的上下文，两个模型也能各自保持稳定缓存。

简单任务则直接执行，不额外请一个模型开“规划会”。毕竟为了改一个拼写错误，先写三页项目计划，本身就是浪费。

一个 Bug，在 Reasonix 里会经历什么？

还是回到开头的登录问题。

你输入：

“用户刷新页面后会退出，请找到原因并修复，完成后运行测试。”

Reasonix 大致会这样工作：

搜索登录状态、Token 和 Cookie 相关代码；
读取最可能有关的文件，而不是把整个仓库塞给模型；
将代码和任务交给 DeepSeek 分析；
根据模型返回的工具调用修改文件；
执行测试，把真实报错继续反馈给模型；
如果测试失败，继续定位，而不是把第一版答案当成最终结果；
测试通过后，汇总修改与验证结果。

在这段过程中，前面已经发送过的系统指令和历史内容尽量保持原样。模型仍然看得到工作经过，但重复部分有机会走缓存。

这才是 Reasonix 的卖点：它没有发明“让模型写代码”这件事，而是在努力让模型 长时间、低成本、可恢复地写代码。

网上说便宜 5 到 15 倍，是真的吗？

这是最吸引人的数字，也是最需要冷静看的数字。

网上常见的比较是：

Reasonix + DeepSeek
        VS
Claude Code + Claude

这个比较同时换了两样东西：模型和 harness。

价差可能来自：

DeepSeek API 本身更便宜；
Reasonix 更容易让重复输入命中缓存；
两个模型完成任务所需的轮数不同；
Claude 或 DeepSeek 在困难任务上的重试次数不同。

所以，“便宜 10 倍”不能全部算成 Reasonix 的功劳。

目前 Reasonix 仓库公开了一组比较扎实的自身测试数据：

49 次边界计量运行；
累计约 1290 万 Token；
缓存命中率约 71%；
harness 自报与代理层计量仅相差约 0.2%。

按照 DeepSeek 官方价格简单估算，在这组 71% 缓存命中率下，输入费用相对完全不命中缓存可降低约 70%。

但请注意，这仍然不是 Reasonix 对 Claude Code 的正面对照。Claude 同样支持 Prompt Caching，目前也没有看到双方使用相同模型、相同任务、相同计量方式完成的公开完整 A/B 测试。

因此，更负责任的说法是：

Reasonix + DeepSeek 在长任务中很可能比 Claude Code + Claude 便宜很多；“5 到 15 倍”可以作为场景估算，不能当作固定承诺。

而且，真正应该比较的不是每百万 Token 单价，而是：

成功修好一个 Bug，最终花了多少钱？

便宜的模型如果试错十次，也可能比一次成功的贵模型更贵。

它不是只能聊天，而是一整套本地工作台

Reasonix 当前主线使用 Go 从头重写。它已经不只是一个终端输入框，而是一套完整的本地 Agent 引擎。

你可以把它用在终端、桌面端、浏览器或支持 ACP 的编辑器里。底层仍是同一套执行系统，可以：

搜索、读取和精确修改文件；
执行 Shell 命令与后台任务；
使用 LSP 理解代码符号；
接入 MCP 工具和资源；
使用 Plan Mode 和权限审批；
创建 Checkpoint，并在出错后回退；
调用子 Agent 或双模型协作；
在长会话中管理记忆和上下文。

这意味着你可以把一个任务交给它持续执行，同时仍然保留检查、阻止和撤销的能力。

当然，“能修改你的项目”也意味着它具有真实风险。第一次使用时，最好在独立 Git 分支或干净工作区运行，保留命令审批，并在提交前人工检查 diff。

哪些人值得试？哪些人先别急？

值得尝试

已经认可 DeepSeek 的编程能力，希望进一步控制 API 成本；
经常处理持续几十轮的大仓库任务；
喜欢终端工作流，希望 Agent 本地运行；
需要开源、可配置、能接 MCP 的执行系统；
愿意检查代码和测试，而不是盲信 AI 的完成声明。

不一定适合

更看重开箱即用和成熟产品体验；
团队已经深度依赖 Claude Code 的生态；
任务容错率极低，不愿承担新工具快速迭代的风险；
以为换了 Agent 就能完全代替代码审查和测试。

Claude Code 的优势仍然很明确：产品成熟、生态完整、模型能力强。Reasonix 的吸引力则是开放、可改、针对 DeepSeek 优化，并且可能显著降低长任务成本。

它们不是简单的“谁消灭谁”，而是两条不同路线。

两分钟上手

安装好 Node.js 后，进入你的项目目录：

cd /path/to/your-project
npx reasonix code

首次运行会引导你配置 DeepSeek API Key。根据 DeepSeek 官方集成文档，Reasonix 默认使用适合低成本迭代的 DeepSeek-V4-Flash。

遇到复杂任务时，可以在 TUI 中输入：

/pro

让下一轮使用 DeepSeek-V4-Pro。

也可以选择全局安装：

npm install -g reasonix
reasonix setup
reasonix

第一次不要直接拿公司的核心仓库做实验。找一个有测试的小项目，让它修一个真实 Bug，然后重点观察三件事：

最终测试是否通过；
它用了多少轮才完成；
缓存命中率和实际费用是多少。

这比看任何“吊打”“碾压”标题都更有价值。

最后：下一场 AI 编程大战，主角可能不是模型

过去我们习惯问：

Claude 和 DeepSeek，谁更会写代码？

但 Reasonix 提醒我们，问题还缺了另一半：

谁能让模型少走弯路、少花钱，并真正把任务做完？

模型决定一个 Agent 能有多聪明；harness 决定它能不能稳定工作。

Reasonix 的意义不只是给 DeepSeek 做了一个终端工具，而是展示了一种新的竞争方式：不盲目堆上下文，不频繁破坏缓存，不让昂贵模型参加每一次小决策，把省下来的钱变成长时间工作的能力。

当一个足够强、价格足够低的模型，遇上一套真正理解其计费方式的执行系统，AI 编程或许才开始从“偶尔用一下的高级玩具”，变成可以全天运行的生产工具。

这才是 Reasonix + DeepSeek 最值得关注的地方。

参考资料

Reasonix GitHub：https://github.com/esengine/DeepSeek-Reasonix
Reasonix Benchmark：https://github.com/esengine/DeepSeek-Reasonix/blob/main-v2/benchmarks/README.md
DeepSeek 官方 Reasonix 集成文档：https://api-docs.deepseek.com/quick_start/agent_integrations/reasonix/
DeepSeek 模型与价格：https://api-docs.deepseek.com/quick_start/pricing