最近一周，一个叫 DeepSeek-TUI 的开源项目突然在开发者圈子里炸开了锅。GitHub Star 数从八千多一路飙到一万六，冲上 Trending 榜首，被很多人称为"DeepSeek 版的 Claude Code"。
但热闹归热闹，一个疑问始终悬在很多人心头：DeepSeek 不是已经有网页版、有 App、有 API 了吗？为什么还需要一个跑在终端里的 TUI 工具？
这个问题，恰恰触及了过去一年大模型行业最深刻的变化。
模型的"最后一公里"
坦白讲，大模型之间的纯粹能力差距正在缩小。DeepSeek V4 很强，Claude 4 也很强，GPT-5.5 同样不弱。但真正拉开开发者体验差距的，不再是模型本身，而是模型之上的那一层------谁能让模型真正"动手干活"，谁就能赢得开发者的心。
OpenAI 有 Codex，Anthropic 有 Claude Code。这两个产品有一个共同特点：它们不是简单的 Chat UI，而是真正能读文件、跑命令、改代码、管 Git 的编程智能体。更重要的是，它们和背后的模型是垂直整合的------模型团队知道工具链需要什么，工具链团队也理解模型擅长什么。
而 DeepSeek，一直缺这么个东西。
DeepSeek V4 的代码能力、推理能力、百万级上下文窗口都足够亮眼，但如果没有一个原生的 Agent 框架把这些能力"接入现实"，开发者就只能对着网页版聊天框干瞪眼。更尴尬的是，Codex 最近一次升级把推理接口从 Chat Completions API 全面切到了 Responses API，导致 DeepSeek V4 在 Codex 里直接"水土不服"。
DeepSeek-TUI 就是在这么个节骨眼上出现的。
不是官方出品，却最懂 DeepSeek
先说清楚一件事：DeepSeek-TUI 不是 DeepSeek 官方的产品。它是个人开发者 Hayden Brown 用 Rust 从零写出来的开源项目，基于 MIT 协议发布。
但这并不妨碍它成为目前市面上"最懂 DeepSeek V4"的编程智能体。
为什么这么说？因为 DeepSeek-TUI 从底层就不是一个"通用模型套壳"。它的工具调用协议、提示词封装、流式传输模型，全部围绕 DeepSeek V4 原生设计。这意味着它能真正用上 V4 的那些独门绝技------百万 Token 的超长上下文窗口、前缀缓存感知、思考模式的流式输出。
举个例子。你用别的工具调用 DeepSeek V4，大概率没法看到模型的"推理链"------也就是模型在给出最终答案之前的那一段自言自语。但 DeepSeek-TUI 可以，而且是实时流式展示。你会看到它在分析你代码的时候，先琢磨"这里可能有三个问题"，然后逐一排查，最后才给出修改建议。
这种透明感，对于一个你要把代码交出去给它改的工具来说，太重要了。
核心能力一览
在深入实测之前，先快速过一下这套工具到底能做什么。DeepSeek-TUI 的能力栈覆盖了编程工作的主要环节：
文件与编辑：不只是读写文件，还支持应用补丁、批量修改，并且集成了 LSP 诊断------在你用的语言服务器（rust-analyzer、pyright、gopls、clangd 等）检测到错误后，实时把诊断信息反馈给模型，让它自己纠正。
Shell 与 Git ：直接在终端内执行命令、管理仓库，不需要切到另一个窗口。工作区隔离通过 Side-Git 快照实现------每次改动前后自动打快照，回滚不影响你的主仓库 .git。
子智能体调度：可以通过 RLM 模式同时派发 1 到 16 个便宜的子 Agent 并行处理任务。适合批量分析多个文件、同时跑多种测试策略这类场景。
MCP 协议支持：原生集成 Model Context Protocol 客户端，可以连接外部 MCP 服务器来扩展工具链。比如接一个数据库 MCP Server，模型就能直接查表结构、跑 SQL。
Skills 技能系统：支持从 GitHub 安装社区技能包（SKILL.md），把自定义工作流封装成可复用的技能。不需要任何后端服务，纯本地运行。
会话与任务持久化：会话可以保存和恢复，任务队列能跨重启存活。长会话里还支持手动或自动压缩上下文，避免超出窗口限制。
HTTP/SSE 运行时 API ：通过 deepseek serve --http 可以把这个 TUI 变成一个无头 Agent 服务，接入你的内部工具链或 CI 流程。
实测：花不到十块钱，让它帮我写了个 App
说再多不如动手试试。我在 macOS 上装了一套，过程不算丝滑，但也没有想象中痛苦。
安装方式有四种：npm、Cargo、Homebrew 和直接下载二进制。我选了 Homebrew，结果一开始就报错说命令行工具太旧。更新之后两行命令搞定，终端输入 deepseek-tui，一路确认、填 API Key，直接进入对话界面。
这里需要提一句，DeepSeek-TUI 默认跑在 DeepSeek 官方的 Beta 端点上（api.deepseek.com/beta），这样能第一时间用上 Beta 特性。如果你想切回稳定版，自己在配置里改一下 base_url 就行。
然后我给它下了个任务：帮我写一个 macOS 上的剪贴板管理工具，要有钉选功能、iCloud 本地同步、菜单栏支持。
接下来的几个小时，我基本就看着它自己忙活。
它先读了一遍当前目录，发现是个空项目，于是自己初始化工程结构。然后开始写 Swift 代码，一个文件接一个文件。写完之后自己跑编译，编译报错了就自己读错误日志、自己改。改完再编译，通过之后继续写下一个模块。
整个过程里，右侧的 Todo 列表一直在更新。从"初始化项目"到"实现核心剪贴板监听"到"添加菜单栏图标"到"配置 iCloud 同步"，每一项完成后打勾，然后自动推进到下一步。不是那种"建议你这样做"的聊天模式，而是真的一步步把事情做了。
界面里还有一个实时成本追踪面板，按轮次和会话统计 Token 用量，同时把缓存命中和未命中的比例拆开显示------这一点很关键，因为未命中 Token 的价格是命中的 10 倍，你能直观看到每一轮开销背后到底发生了什么。
最终出来的 ClipMemo 虽然谈不上惊艳，但完全能用。我要的功能基本都在，甚至还自己加了我没提到的定期清理和去重。唯一的问题是 iCloud 同步的开关虽然做出来了，但实际并没有在 iCloud 目录下生成需要的文件------这种涉及系统级能力的细节，依然是目前 Agent 工具的薄弱环节。
整个开发过程加上后续的 Bug 修复测试，总共花了 9 块 4 毛 7。主要是调用了 deepseek-v4-pro，如果切到更便宜的 Flash 版本还能更低。这里顺便更新一下价格信息：目前 DeepSeek V4 Pro 输入未命中是每百万 Token 0.435 美元，命中缓存的话只要 0.003625 美元；Flash 版则分别是 0.14 美元和 0.0028 美元。Pro 的价格目前还有限时折扣，有效期到 2026 年 5 月 31 日。
这个成本放在目前的编程 Agent 工具里，确实很有竞争力。
三种模式：从"看看"到"放手干"
DeepSeek-TUI 最核心的设计，是它的三种工作模式。这个设计思路和 Claude Code 很像，但做得更加泾渭分明。
Plan 模式，顾名思义，只观察不动手。模型会分析你的项目和需求，生成执行计划、列出 Todo，但一行业务代码都不会改。适合那种"先让我看看它打算怎么做"的场景。
Agent 模式是默认的交互模式。它会开始调用工具------读文件、改代码、跑 Shell 命令、管理 Git------但关键步骤会停下来让你确认。你可以同意、拒绝，或者让它换种方式再来。
YOLO 模式就比较激进了。它基本等于"放权模式"，所有操作自动批准，模型自己推进整个任务链。适合你完全信任它、或者在做一些重复性可预测的工作时用。
这三种模式覆盖了从"谨慎试探"到"全自动运行"的光谱。对于开发者来说，这种梯度化的控制权设计，比一个笼统的"自动模式开关"要实用得多。
除了模式切换，还有一个推理强度的调节。按 Shift + Tab 可以在 off → high → max 之间循环切换，灵活平衡速度和深度。v0.8.12 之后还加了 auto 档，让模型根据当前任务类型自己决定推理深度。
Auto Mode：让 Flash 跑腿，让 Pro 干活
有一个设计我觉得特别务实，值得单独拎出来说。
DeepSeek-TUI 有一个 Auto Mode。开启之后，每一次用户请求发送之前，它都会先用便宜的 deepseek-v4-flash 做一个快速判断：这轮任务到底需要什么级别的模型和推理深度？
如果只是问个简单问题或者做个轻量改动，那就继续用 Flash，省 Token。如果是正经的编码、调试、架构调整或者安全审查，就自动切到 Pro，甚至把推理深度拉到最高。
这个设计之所以务实，是因为今天所有 Agent 工具最大的隐藏成本就是 Token 消耗。进入持续工作模式后，Token 会以一种令人不安的速度暴涨。而 DeepSeek V4 本身就以性价比著称，配合 Auto Mode 的智能调度，确实能省下不少不必要的开销。
更妙的是，这个路由决策是在本地完成的，上游 API 收到的始终是确定的模型名，不会出现兼容性问题。
和 Claude Code 比，差在哪、好在哪？
把 DeepSeek-TUI 和 Claude Code 放一起比，能看出一些有意思的东西。
模型绑定上，前者围绕 DeepSeek V4（Pro / Flash）深度定制，后者锁定 Claude 3.5 / 3.7 Sonnet。这决定了它们各自的性能天花板不同。
上下文窗口是 DeepSeek-TUI 的一个明显优势：1M Token 对 200K Token，整整五倍。处理大型代码库时，这个差距会被放大。而且 DeepSeek-TUI 在上下文接近上限时会自动总结历史对话，保留近期原始内容，将摘要作为前缀注入------这种"前缀缓存感知压缩"在 Claude Code 那边没有对应实现。
并行能力方面，DeepSeek-TUI 的 RLM 模式可以同时派发 1 到 16 个子 Agent 并行工作，Claude Code 目前不支持原生的并行子 Agent 调度。
但 Claude Code 也不是没有优势。 工程成熟度上它显然更高------Anthropic 自己做的产品和模型之间的配合更加默契，工具链的健壮性、错误恢复能力、用户体验的细腻程度都更胜一筹。而且 Claude 模型在代码理解和生成上的能力本身就很强，这一点是持续竞争的基础。
成本策略上，DeepSeek-TUI 利用 Flash 和 Pro 的价差主动降本，配合前缀缓存感知来压低价；Claude Code 走的是统一模型计费路线，没有分层降本的机制。
另一个不得不提的差异：DeepSeek-TUI 是 MIT 开源的，Claude Code 是闭源商业产品。对于想要自己魔改、或者对工具链可审计性有要求的团队来说，这是个重要考量点。
能在哪些场景派上用场？
聊完能力也聊完对比，说说实际能用在哪。
大型项目分析与重构是最能发挥它长处的场景。1M 上下文能一次性加载整个代码库，做全局重构或模块迁移时不用分批处理，模型对整个项目有完整视野。
自动化代码审查与 Bug 修复的流程也很顺畅：先用 Plan 模式扫描问题，确认后切到 Agent 或 YOLO 模式批量修。
文档生成与维护是很多开发者懒得做但又必须做的事。根据代码变更自动更新 README、API 文档或注释，这个活儿交给它挺合适。
CI 流水线清理与依赖更新可以通过持久化任务队列安排周期性任务，比如清理过期的 CI 配置、升级依赖版本，让它在后台自己跑。
批量并行推理利用 RLM 同时分析多个文件，适合代码审查、测试生成这类可以并行处理的场景。
无头自动化工作流 则是面向团队的用法------通过 deepseek serve --http 把 TUI 变成一个后端服务，接到内部工具链里。Zed 编辑器用户还可以通过 ACP 协议直接接入，在编辑器的 Agent 面板里使用 DeepSeek 的能力。
入手前需要知道的事
如果你看完想试试，这里有几个关键信息：
系统支持：Linux、macOS、Windows（含 ARM64）都能跑，Linux ARM64 的支持从 v0.8.8 开始就完善了。
安装与网络 ：前面提到四种安装方式，任选其一。国内用户如果用 Cargo，建议配一下清华 TUNA 镜像加速，不然下载依赖可能很慢。npm 路径也可以通过 --registry=https://registry.npmmirror.com 加速。
API Key：需要自备 DeepSeek V4 的 API Key。除了 DeepSeek 官方，也支持 NVIDIA NIM、Fireworks、SGLang、vLLM、Ollama 等后端，配置文件里改一下 provider 就行。
版本状态：目前是 v0.8.16，迭代非常频繁，建议保持更新。Windows 用户如果通过 Scoop 安装，注意 Scoop 的 manifest 更新可能落后于官方发布，想用最新版直接去 GitHub Releases 下载。
费用注意：子 Agent 开多了之后缓存命中率会下降，而前面提过，未命中 Token 的价格是命中缓存的 10 倍。实时成本面板能帮你盯住这个数字。
差距依然存在，但方向对了
说回之前那次 Bug 修复测试。我找了一个真实的 Android 开源项目 GKD，让它扫描潜在 Bug 并尝试修复。整个过程持续了十几分钟，它自己克隆仓库、读 Kotlin 代码、分析函数调用链、生成 Patch、跑 Git diff 验证结果。
最后它找出了三处问题并给出了修复方案。但我后来让 Codex 做了一次审计，Codex 指出它漏掉了一个比较明确的逻辑 Bug，同时也提到三个修复方案里有一个其实引入了新的问题。
这说明什么？说明在 Agent 工程的成熟度上，DeepSeek-TUI 和 Codex、Claude Code 之间确实还有差距。这种差距不完全是模型能力的问题，更多是工程积累------怎么管理上下文、怎么在合适的时机压缩历史、怎么让多个子智能体高效协作、怎么做好错误恢复。
这些都是需要时间打磨的东西。
但话说回来，这个差距正在快速缩小。DeepSeek-TUI 的更新节奏非常快，从 v0.8.8 到现在，几乎每个版本都在解决实质性问题。而随着社区贡献者涌入，这个速度只会更快。
一个更值得关注的信号
DeepSeek-TUI 火爆的背后，其实是一个更值得关注的趋势：DeepSeek 的生态终于开始长出真正的 Agent 外壳了。
这个项目出现之前，如果你想用 DeepSeek V4 做正经的编程 Agent 工作流，选择非常有限。但现在情况变了。而且 DeepSeek 官方显然也注意到了这件事------在 awesome-deepseek-agent 仓库里，已经能翻到 DeepSeek-TUI 的名字。
大模型的下半场，竞争的主轴正在从"谁的模型更强"转向"谁的 Agent 更好用"。而好用的 Agent 不是靠接入一个 API 就能做出来的，它需要对模型行为边界的深刻理解、对工具链的精巧设计，以及在无数细节上的一点点打磨。
DeepSeek-TUI 证明了这条路对 DeepSeek 来说走得通。至于 DeepSeek 官方什么时候亲自下场，那可能是下一个更值得期待的故事了。