1. 九月榜单的分水岭信号从聊天竞赛到干活竞赛9 月的 AI 圈风向转了一个很有意思的弯大家茶余饭后讨论的不再是哪个大模型又在评测集上刷了多少分而是一份 AI Agent 排行。Hermes 冲到第一Claude Code 和 Codex 双双挤进前十。这份榜单具体怎么排的我不打算逐条点评但它至少透露出一件事AI 竞赛的主赛道已经从谁更会聊天切到了谁能把活儿干完。我花了差不多一周时间把这三个主角都装了一遍顺手把 DeepSeek 接到了其中两套工具里还拿它们跑了一个日志巡检的小项目。这篇不写那种榜单解读看完十分钟就忘的内容而是把三件事一次讲透榜单为什么会出现这种格局Agent 和 LLM、AI 模型到底有什么区别DeepSeek 到底算哪一类以及 Hermes、Claude Code、Codex 从安装到配置、再到接入 DeepSeek 的完整实操流程中间会夹带不少实际踩过的坑。1.1 头部产品都长成了同一个样子能闭环、肯干活把九月排行榜前几名的产品放在一起看会发现一个共同特征它们都不再是对话框里的聊天助手而是能接受任务、自己拆解、自己调用工具、反复修正直到交付结果的任务执行体。差别在哪过去你让一个聊天模型帮我写一个计算器程序它给你一段代码你复制到本地发现问题再贴回去让模型改。一个来回一个来回地磨模型只是出嘴动手的是你。而现在榜单上的这些 Agent你告诉它帮我在这个项目里加一个计算器页面它会自己读项目结构、找入口文件、改代码、然后运行测试给你看。干没干完你自己验收。这种从问答到交付的转变是这批产品能冲到头部的最核心原因。闭不了环的产品自然就掉队了。要么是做到一半就停下来要你喂下一步指令要么是工具调用一出错就整段崩掉。九月的排行等于给整个行业划了条线单轮对话能力强已经不够用了任务拆解、工具调用、错误恢复这些工程能力才是新的比拼点。1.2 为什么偏偏是 9 月模型、接口、终端生态三个拐点撞在一起这份榜单不是突然冒出来的9 月刚好把三个条件凑齐了。第一个拐点是模型能力。现在主流模型的工具调用Function Calling已经非常可靠模型知道该在什么时候调用什么函数也能理解函数返回的结构化结果。没有这个基础Agent 就是无源之水。早两年的模型也能插件式调用工具但那更像碰运气现在是稳定地按格式输出调用指令。第二个拐点是接口标准化。OpenAI 兼容接口基本成了事实标准DeepSeek 这类模型也都提供 OpenAI 兼容的 API工具链可以一套逻辑通吃。你给 Agent 换底层大脑变得极其简单——改一个接口地址、换一把 API Key就完成了。这种大脑可替换的生态让 Agent 框架类产品能快速被大众使用也让 Claude Code、Codex 这类工具敢于把接入第三方模型当成一个常规功能来宣传。第三个拐点是终端与桌面生态的成熟。以前 Agent 想干活得靠开发者从头搭环境。现在 Claude Code 用一行 npm 命令就能装好打开终端就是工作台Hermes 提供桌面客户端双击安装图形化创建任务流。工具链从开发者专属走向普通人可用与从前沿走向大众的节奏完全一致。1.3 榜单对普通用户的三条提示如果你不是研究者只是想把 AI 用在实际工作里这份榜单有三条提示值得带走。第一条别只顾着追排名要看自己的场景。排行榜第一名代表它在综合能力上表现突出不代表它是你写周报、看代码、做数据分析的最佳选择。先明确自己要解决的是一件什么事再选工具。第二条模型和 Agent 是两码事。榜单里排的是 Agent 产品它们底下的大脑可以是各家模型。你在用的 DeepSeek、GPT、Claude 这些是大脑大脑手脚工具才是 Agent 产品。这个区分想清楚了后面所有配置都会做得很顺。第三条能干活的 AI 时代Prompt 水平的重要性在下降验收水平的重要性在上升。过去你问一句就完事现在你把任务丢给 Agent真正考验的是你有没有能力说清楚验收标准。写得好任务描述的人用 Agent 的效率是随手乱问的人的十倍。2. 先把概念理顺AI 模型、LLM 和 Agent 到底是什么关系很多朋友在搜索栏里问agent 和 llm 和 ai模型 有什么区别DeepSeek 到底属于哪一个这两个问题如果不解决后面看安装教程、改配置、写 Skill 都会一头雾水。我先把这三层关系彻底讲清楚。2.1 最底层的 AI 模型一个比 LLM 大得多的圈AI 模型是最宽泛的概念。只要是拿数据训练出来的、能对输入给出预测输出的模型都可以叫 AI 模型。它包含视觉模型识别图片、语音模型识别和合成声音、多模态模型同时处理图文、推荐模型给你推视频等等一大堆。我们在讨论 Agent 的时候提到AI 模型通常指的是模型这个大家族里那些能作为大脑的成员而其中最核心的一类就是大语言模型。2.2 LLM会说话、会推理的大脑DeepSeek 就属于这一类LLMLarge Language Model大语言模型是 AI 模型里的一个大类专门处理文本和代码。它的基本原理是根据上下文预测下一个词更准确地说是下一个 Token通过海量训练数据学会了语法、知识、逻辑推理和代码生成。DeepSeek 属于哪一类答案是它就是 LLM。DeepSeek 官网放的模型介绍、你在 API 里调的 deepseek-chat、deepseek-reasoner都是大语言模型形态的大脑。它不包含 Agent 那套工具调用、任务执行的完整系统它只是提供思考能力这一层。你可以把 LLM 理解成一个特别聪明的、只在大脑里工作的专家。你问它问题它给你答案你让它写方案它写出方案。但你要它自己去把文件系统翻一遍、把代码跑起来、把结果存回来它做不到因为它的世界里没有手。2.3 Agent给大脑装上手脚的执行者Agent智能体是在 LLM 外面加了一层完整的执行系统。一个标准的 Agent 至少包含LLM 作为推理核心、规划能力把大任务拆成小步骤、记忆能力记录上下文和中间结果、工具调用能力调用代码执行、文件读写、网页请求等函数、以及一个循环执行机制做事-看结果-修正-再做事。打个比方LLM 是一个顶级大脑但被放在玻璃罐里只能通过文字与你交流。Agent 是把这个大脑取出来接上一副身体给它一双眼睛、一双手、一个工具箱然后说你去把这个仓库整理好。大脑负责想身体负责做工具箱负责应对各种具体任务。所以 Hermes、Claude Code、Codex 都是 Agent或者至少是 Agent 的某种具体产品形态。它们的共同点是能接受一个实际工作任务能调用外部工具能自己决定下一步做什么直到任务完成或达到限制条件。2.4 三张牌放到一张表里看概念定义典型例子通俗类比AI 模型所有从数据学习并做预测的模型统称图像识别模型、语音模型、LLM整个人工智能能力库LLM专攻文本和代码的大语言模型DeepSeek、GPT、Claude 底层模型只负责思考的超级大脑Agent以 LLM 为核心带规划、记忆、工具与执行循环的系统Hermes、Claude Code、Codex有大脑又有手和工具的员工这张表看明白了你就能理解为什么搜索热词里有codex 接入 DeepSeekdeepseek hermes这种组合。它们的意思是用一个 Agent 产品作为身体把 DeepSeek 这个大语言模型接进去当大脑。身体和大脑是可拆分、可替换的这正是这一轮 Agent 生态最有意思的地方。3. 榜单主角逐个拆解Hermes、Claude Code、Codex 在解决什么问题排行榜只是结果真正值得研究的是这几个产品各自解决了什么痛点。我按自己的使用体验和社区里大家高频搜索的问题逐个拆一拆。3.1 Hermes 凭什么冲上第一从社区反馈和热搜词看大家搜得最多的是hermes 安装hermes desktophermes 桌面版hermes 智能体这说明大多数人对它的第一印象是一个能装在自己电脑上的智能体产品。它不只是给你一个聊天框而是把任务创建、步骤编排、工具配置、结果输出整个流程做成了图形化界面。Hermes 能拿第一我理解有两个原因。一是上手门槛低。你不需要先学一堆命令行双击桌面客户端跟着引导创建一个 Agent给它配置好模型大脑然后就能用自然语言给它派活了。二是场景覆盖广。它既能处理文档归纳这类轻任务也能编排多步骤工作流把调研-整理-汇总-输出报告整条链路交给一个智能体去跑。这两点正好踩中了想让 AI 干活但不想写代码的大批用户。如果你用它配合 DeepSeek操作也非常直白在模型设置里选择 OpenAI 兼容接口把接口地址填成 DeepSeek 的地址填上 API Key再指定模型名deepseek-chat 或 deepseek-reasoner就完成了大脑的替换。后面我会专门讲详细步骤。3.2 Claude Code终端里的资深结对程序员Claude Code 是 Anthropic 出品的编程 Agent形态是一个命令行工具。它的使用方式非常程序员进入你的项目目录敲一条命令它就开始读代码、理解项目结构、修改文件、跑命令、看报错、再改直到完成你布置的任务。它进前十一点都不意外。因为对写代码的人来说它解决的是AI 只能生成片段不能负责整个任务的痛点。传统用法是让 AI 生成一个函数你手动粘进项目Claude Code 则直接在你的项目里干活改完还能跑测试给你看。相当于有一个经验丰富的结对程序员坐在你旁边你说需求它动手你验收。VSCode 用户尤其适合直接在 VSCode 内置终端里启动它左边是你的代码右边是 Agent 的推理过程体验很顺畅。安装它只需要 Node.js 环境加一条 npm 命令这点后面实操章节细讲。3.3 Codex按规格说明书干活的任务型智能体Codex 是 OpenAI 推出的编程智能体早期叫 Codex CLI同样是一个命令行工具。它跟 Claude Code 最大的区别在于工作哲学更强调按规格执行。你给它一个明确的任务描述它会拆成步骤一步步执行然后产出可审查的改动。我自己的体会是Claude Code 更像对话式结对编程你可以在过程中不断插话、纠正Codex 更像派活式外包你把需求写清楚它做完给你交差。这两种风格没有优劣看个人偏好喜欢精细控制的选前者喜欢给定目标放手让它跑的选后者。Codex 接入第三方模型也很方便因为它支持 OpenAI 兼容的接口配置。把它指向 DeepSeek 的接口就能用低成本的 DeepSeek 大脑驱动 Codex 的编程执行能力codex 接入 deepseek这个热搜词就是这么来的。3.4 三款工具横向对比外加AI Agent 有哪些产品的简单地图对比维度HermesClaude CodeCodex产品形态桌面客户端 智能体平台命令行编程 Agent命令行编程 Agent核心场景多步骤任务编排、文档处理、通用智能体在真实代码库中修改、调试、写测试按规格说明实现功能、批量任务执行上手门槛低图形界面引导中需要会用终端中需要会用终端底层模型可配置支持 DeepSeek 等 OpenAI 兼容模型官方模型为主也支持 Anthropic 兼容接口官方模型为主支持 OpenAI 兼容接口适合人群想把 Agent 当数字员工用的普通人重度写代码的开发者喜欢任务式、规格驱动开发的开发者至于Ai Agent 有哪些产品这个问题除了榜单上的三个市面上还有几类一类是低代码智能体平台比如 Dify、Coze让你拖拖拽拽就搭出工作流一类是早期探索型产品比如 AutoGPT思路很超前但工程成熟度一般还有一类是各大模型厂商自带的 Agent 能力比如 ChatGPT 里的任务功能。你不需要全用一遍按是否能闭环交付、工具调用是否顺畅、是否支持你要的模型这三个标准去选就足够。4. 从 0 到 1 搭建 Agent结构拆解、练手项目和 Skill 开发思路很多人搜ai agent 搭建从 0 到 1 搭建 ai agent一上来就想做一个很复杂的系统。我的建议反过来先彻底搞懂 Agent 的组成结构再拿一个小项目练手最后才谈 Skill 开发。这部分我把三者都展开。4.1 Agent 的五个必要部件不管它是排行榜上的大产品还是你自己写的几十行脚本一个能真正干活的 Agent 都逃不开五个部件。一是模型核心。它就是 2.2 节说的 LLM负责所有推理和决策回答应该做什么。二是规划能力。它负责把大目标拆成小步骤。比如整理这份销售报告会被拆成读取文件、提取关键字段、汇总趋势、生成总结。规划能力可以来自模型本身LLM 推理时自动拆解也可以来自额外的规划器模块。三是记忆能力。短期记忆保存当前任务的上下文长期记忆保存历史偏好和常用知识。没有记忆Agent 就像金鱼干一步忘一步。四是工具集。函数也好、API 也罢这是 Agent 的手。读取文件、执行命令、请求网页、操作数据库都靠工具完成。五是执行循环。这是灵魂。Agent 不是给你一句答案就算完它会执行工具-观察返回-调整计划-再执行地循环下去直到满足停止条件比如任务完成或到了最大轮数。4.2 练手小项目日志异常巡检 Agent我建议新手第一个项目做日志异常巡检给定一个日志文件位置Agent 自动读取内容、筛出 ERROR 级别日志、归纳常见原因、输出一份简洁的可读报告。这个项目的价值在于它用到了文件读取、文本检索、结果归纳三类基础能力工程量小但把 Agent 的循环跑得很完整。下面是一个极简的 Python 实现骨架标注了最关键的循环逻辑import json from openai import OpenAI client OpenAI( api_key你的APIKey, base_urlhttps://api.deepseek.com # DeepSeek 的 OpenAI 兼容地址 ) def read_log(path, max_lines200): 读取日志文件最后 max_lines 行 with open(path, r, encodingutf-8) as f: lines f.readlines() return .join(lines[-max_lines:]) def grep_keyword(path, keyword): 在日志文件中检索包含 keyword 的行并返回数量与样例 hits [] with open(path, r, encodingutf-8) as f: for line in f: if keyword in line: hits.append(line.strip()) return f共 {len(hits)} 条: ;.join(hits[:10]) tools [ { type: function, function: { name: read_log, description: 读取日志文件指定数量的内容, parameters: { type: object, properties: { path: {type: string, description: 日志文件路径}, max_lines: {type: integer, description: 读取行数} }, required: [path] } } }, { type: function, function: { name: grep_keyword, description: 在日志中检索包含某关键词的行, parameters: { type: object, properties: { path: {type: string, description: 日志文件路径}, keyword: {type: string, description: 要检索的关键词} }, required: [path, keyword] } } } ] messages [ {role: system, content: 你是日志分析助手先读日志再检索 ERROR最后输出原因归纳。}, {role: user, content: 请分析 ./logs/app.log 找出所有 ERROR 并归纳可能原因。} ] for _ in range(10): # 最多执行 10 轮 response client.chat.completions.create( modeldeepseek-chat, messagesmessages, toolstools, ) msg response.choices[0].message messages.append(msg) if msg.tool_calls: # 模型要求调用工具 for call in msg.tool_calls: args json.loads(call.function.arguments) if call.function.name read_log: result read_log(**args) elif call.function.name grep_keyword: result grep_keyword(**args) messages.append({ role: tool, tool_call_id: call.id, content: result, }) else: # 没有工具调用说明模型准备给出最终结论 print(msg.content) break这段代码的精髓在 for 循环模型第一次不可能知道日志内容它会先要求调用 read_log拿到日志后它可能还想统计 ERROR于是再调用 grep_keyword拿到检索结果后它才真正开始总结。整个过程是模型-工具-观察-再决策的循环这就是 Agent 的最小形态。如果不想自己写代码直接用 Claude Code 或 Codex 来完成这个巡检任务也可以。它们的工具集里已经内置了文件读写和命令执行你只需要把任务描述清楚它们会自动选择工具干活。4.3 Skill 开发指导让 Agent 学会一项新技能当基础循环跑通后就到了ai agent skill 开发指导这个话题。Skill 不是一个神秘的东西它就是一个可复用的能力包触发条件指令模板工具集限制边界。举一个例子——日志巡检 Skill触发条件是用户提到看日志查报错指令模板规定了先读文件、再检索、最后归纳工具集是 read_log 和 grep_keyword 或 shell 命令限制边界是不要修改日志内容、最多读取 5000 行。开发 Skill 的步骤我总结为四步。第一步定义边界它只负责哪一类任务哪些事明确不做。第二步写清指令把处理流程用易懂的文字写给模型看因为模型的判断完全依赖你的描述。第三步注册工具把可能用到的函数写进去注意函数描述里一定要写清楚该函数在什么情况下调用、参数是什么意思、返回什么格式。很多新手这一步偷懒导致 Agent 明明有工具却不用。第四步对抗性测试故意给一些模糊输入或边界输入看它会不会跑偏跑偏了就补指令。这里有个关键经验工具 API 的 description 写的质量直接决定 Agent 调用的准确率。你要像给一个没做过这工作的实习生写交接文档一样去写 description把调用场景和注意事项都写明白。4.4 垂直场景Agent 与 PLC 编程这类玩法说明白聊点新鲜的。热搜里有ai agent 与 plc 编程这个组合看起来奇怪其实是 Agent 在垂直领域落地的典型代表。PLC可编程逻辑控制器编程里有大量结构化、重复性的工作写结构化文本ST、给梯形图逻辑补注释、根据设备清单生成 I/O 映射代码、把错误代码表整理成文档。这些活儿恰好是 Agent 的强项重复性高但规则清晰、结果可校验、出错能通过编译器和仿真环境反馈。你可以让 Agent 根据一段设备时序描述生成 ST 语言的初始化逻辑再让它配一段详细注释然后你人工审核后放进工程里。但我必须提醒一点工业控制领域安全永远第一。Agent 生成的代码只能当初稿或参考绝不能未经审查直接进产线。让 Agent 干写草稿、写注释、整理文档这类辅助活是当前比较稳妥的用法真正下到现场前人工把关是底线。5. Hermes 安装部署实录环境准备、官方资源和桌面端踩坑聊完概念和练手项目咱们进入实操。先讲 Hermes毕竟它是榜单第一。我安装过程中踩了几个坑都写在这里。5.1 动手前必须准备好的三样东西装 Hermes 之前你不需要高配电脑但有三样东西要提前确认。第一样Node.js 环境。不管你是走桌面版还是源码部署很多底层模块都要依赖 Node。建议装 18 或 20 以上的 LTS 版本。终端里跑一下node -v能看到版本号就说明环境没问题。第二样Git。后面拉源码、更新版本都用它。Windows 用户装 Git 时记得选添加进 PATH。检查命令是git -v。第三样一个模型提供方的 API Key。Hermes 本身不是一个模型它需要一个大脑。如果你只想最快跑通我推荐去 DeepSeek 开放平台申请一个 API Key新用户一般有赠送额度够你玩很久。另外如果打算让 Agent 处理本地文件提前想清楚给它的目录权限范围别让它满硬盘乱翻。这个安全意识装完就会用到。5.2 桌面版和源码部署两条路线选哪条路线 A桌面版适合大多数人和新手。去 Hermes 官网找到下载页根据自己的系统Windows/macOS/Linux下载安装包双击安装跟着引导完成初始设置。桌面版的价值在于图形化创建智能体、编排任务流、查看运行日志都在可视界面里完成比自己敲命令直观得多。路线 B源码/命令行部署适合想二次开发或者只有纯服务器环境的人。大致流程是从官方仓库 clone 代码进入目录执行依赖安装然后启动服务。官方文档一般会写明依赖的 Node 版本和启动命令。这条路的缺点是要处理环境问题优点是你对系统完全可控后续加自定义工具也更方便。我的建议如果你是为了用起来走 A如果你是为了改造它走 B。别一上来就挑战 B因为环境问题会消耗掉你对 Agent 的大部分热情。5.3 把 DeepSeek 配置成 Hermes 的模型大脑这是很多人搜deepseek hermes 官网deepseek hermes 桌面版想搞清楚的事。配置逻辑就三步。第一步拿到 DeepSeek 的接口信息。打开 DeepSeek 开放平台申请 API Key记下接口地址和模型名称。接口地址一般是https://api.deepseek.com模型名常用deepseek-chat日常任务或deepseek-reasoner深度推理任务。它兼容 OpenAI 的接口格式所以几乎所有 Agent 产品都能把它作为模型源。第二步在 Hermes 里新增模型提供方。打开设置或模型配置面板选择OpenAI 兼容类型填入三样东西接口地址、API Key、模型名称。有些版本还需要填一个自定义模型标识直接填 deepseek-chat 就行。第三步测试连通。创建一个最简单的 Agent 任务比如用一句话介绍你自己看它能不能正常回复。能回复说明大脑已经接上报错就回到 5.4 节排查。配置成功后你可以在 Hermes 里创建不同类型的 Agent文档整理型、代码助手型、数据分析型每个 Agent 用同一颗 DeepSeek 大脑但配不同的工具和工作流。5.4 装完常遇到的四个问题以及我的处理方式我实际装完后遇到四个高频问题逐个说。第一个是首次连接超时。现象是 Agent 创建成功后发任务一直转圈。处理思路先确认接口地址没填错再确认 API Key 没多空格然后用浏览器直接访问一下接口地址如果能访问通说明网络层面正常。三条都排除后把模型名改成deepseek-chat再试一次——不少超时是因为填了不存在的模型名服务端直接挂起。第二个是中文乱码。Windows 桌面端偶尔出现控制台输出中文变乱码。把系统区域和语言设置里的Beta 版使用 Unicode UTF-8 提供全球语言支持勾上重启应用即可。Linux 下则要注意终端 locale。第三个是桌面版启动失败。Windows 上多半是缺 Visual C 运行库装上即可Linux 上多半是缺共享库看启动日志缺什么装什么。这类问题不要慌报错信息里通常直接写了缺哪个库。第四个是模型返回格式不兼容。现象是 Agent 能回复但一调用工具就报解析错误。多半是因为你选了一个不支持工具调用的模型接口。解决方法是确认你填的模型名确实支持 Function CallingDeepSeek 官网对各模型的工具调用能力有明确说明照着选就不会踩这个坑。装完之后最实用的一条建议第一次跑任务不要给 Agent 布置一个多步骤复杂任务先让它做个读取某文件并总结这种一步活。这一步通了再逐步加步骤。把复杂度慢慢叠加上去排查问题会轻松很多。6. Claude Code 与 Codex 安装实操以及把 DeepSeek 接进去的正确姿势如果说 Hermes 是图形化的数字员工那 Claude Code 和 Codex 就是终端里的程序员工友。这两个安装都不难但有一些细节值得展开。6.1 Claude Code 安装和 VSCode 联动先说安装。前提条件同样是 Node.js 18 以上。然后全球安装一行命令npm install -g anthropic-ai/claude-codeUbuntu 用户如果遇到权限报错说明当前用户对全局 npm 目录没有写权限。最直接的解决方法是把 npm 的全局目录改到用户目录下而不是急着用 sudomkdir -p ~/.npm-global npm config set prefix ~/.npm-global echo export PATH~/.npm-global/bin:$PATH ~/.bashrc source ~/.bashrc然后重新执行安装命令。装完用claude --version验证能输出版本号就成功了。VSCode 联动非常简单直接打开 VSCode 内置终端快捷键 Ctrl进入你的项目目录运行claude它就进入了结对编程状态。左侧是你的代码终端里是它的思考与操作过程。你不需要装任何额外扩展唯一要习惯的是在终端里下达任务描述这个操作。这里有个使用技巧给 Claude Code 下达任务时把验收标准写进任务里。比如修复登录页的样式错位问题并跑通 npm run test 里的相关用例。它就知道干完活要自测。任务描述越接近真实需求文档交付质量越高。6.2 Codex 安装与日常用法Codex 的安装方式类似npm install -g openai/codexmacOS 用户也可以用 Homebrew 安装。装完运行codex --version确认。第一次使用时它会引导你完成登录或 API Key 配置。日常用法分两种风格。一种是直接对话式派活进入项目目录后执行codex 帮我重构 utils 目录下的日期处理函数保留原有功能另一种是规格驱动式开发更适合正式需求你先把需求写进一个 spec.md然后告诉 Codex按照 spec.md 实现功能并补充必要的测试。这种模式下Codex 会先读规格再规划实现步骤然后逐步执行。我的经验是Codex 对任务边界的敏感度很高。如果你给的任务描述太宽泛比如优化这个项目它容易陷入过度修改。把任务范围缩到具体模块、具体函数、具体验收标准它是最省心的。它很适合那些你已经想清楚要做什么、只需要快速执行的场景。6.3 DeepSeek 接入的两种典型配置接入 DeepSeek 是很多人的刚需因为成本比官方模型低不少而且效果在大量场景下完全够用。两种配置方式按工具分别说。先看 Claude Code。它支持通过环境变量指定接口地址和鉴权信息。典型做法是设置export ANTHROPIC_BASE_URL你的兼容地址 export ANTHROPIC_AUTH_TOKEN你的APIKey需要注意这里填的不是随便一个地址而是Anthropic 兼容的接口地址。DeepSeek 官方是否提供这种兼容模式、地址长什么样以它开放平台里给出的文档为准。这类兼容配置的好处是 Claude Code 的代码理解能力和 DeepSeek 的低成本能组合在一起缺点是兼容层偶尔会对某些高级参数支持不全跑出异常时先回退到官方模型排查。再看 Codex。它原生支持 OpenAI 兼容接口配置起来更直接export OPENAI_API_KEY你的DeepSeek APIKey export OPENAI_BASE_URLhttps://api.deepseek.com设置完成后跑一个简单任务验证比如输出 1 到 10 的质数并附带说明。能正常输出说明接入成功。这里我建议把环境变量写进项目目录下的.env文件如果工具支持读取或者写进 shell 的启动配置里免得每次开终端都要重新设置。有一点要特别说明deepseek-reasoner是推理模型回答前会花更多时间思考在代码执行类任务里可能显得反应慢。日常代码任务优先用deepseek-chat只有遇到复杂的算法设计、架构分析时再切到deepseek-reasoner。6.4 切换本地地址后 /responses 接口报错的完整排查过程我在接入过程中遇到过一个典型报错错误片段是cc switch local failed while handling codex endpoint /responses。第一次看到时很懵排查了一小时才定位到根因。我把完整链路写出来帮你直接跳过这个坑。先说现象用 switch 命令把 Codex 的请求地址从官方切到本地网关后客户端发起的请求一律失败报错里出现/responses这个路径提示在处理这个接口时失败。很多人第一反应是API Key 错了其实不是。我的排查过程分四步。第一步确认环境变量真的生效了。在终端里打印相关变量看是否还是旧值printenv | grep -i codex printenv | grep -i openai很多时候你以为改了配置但终端会话还留着旧环境变量切过去自然失败。重启终端、重新加载配置文件再确认一遍。第二步确认本地网关暴露的接口路径。Codex 某些模式会请求 OpenAI 格式的/v1/responses接口而很多本地网关只暴露了/v1/chat/completions对话补全接口两者对不上于是报错。这是我那次失败的根因——不是地址错了是路径手型不匹配。第三步找兼容层。既然网关不提供/responses就得让网关做一次路径转换把/responses请求映射成它支持的/chat/completions格式。有的网关自带这个选项有的需要手动配置映射规则。如果你用的工具不支持转换那就换个思路让 Codex 切换到它支持的另一套接口模式再连网关。第四步回头核验鉴权。路径说到位了再看请求头里的鉴权信息是否和本地网关期待的一致。有些本地网关用自定义 Token 头有些用标准 Bearer不匹配照样失败。我把排查思路整理成一个表格遇事直接按表走现象可能原因处理方式切换后接口全部失败环境变量未重新加载重启终端打印变量确认报错路径为 /responses网关不兼容该接口路径找支持路径转换的网关或换配置模式鉴权报错Token 头格式不匹配对照网关文档调整鉴权方式仅部分任务失败模型名或参数不兼容换回 deepseek-chat 并用最简参数测试这个问题的本质是客户端要求的接口格式和服务端提供的接口格式不一致。接口兼容不是纯文本层面的地址而是一整套请求/响应格式的约定。所以以后遇到类似的接入失败先别急着怀疑模型不行按地址-路径-鉴权-参数四个维度逐项排除通常都能定位到具体原因。7. 三个主角都装过之后我的选择和给新手的建议三个工具我都实际跑过项目之后最直接的感受是没有谁全面碾压谁选错工具纯粹是给自己添堵。这一节说白了。7.1 我的选型结论按场景选不要按名气选我会这样给别人推荐。如果你的主要诉求是把一个完整的业务任务交给 AI 去跑比如整理资料、生成报告、做数据汇总并且你不想整天面对命令行选 Hermes。它的图形化任务编排对这类场景非常友好配上 DeepSeek 大脑后成本也不高。如果你的日常工作就是泡在代码里写项目、改 bug、补测试选 Claude Code。它和 VSCode 的配合最顺对代码库的理解能力在同类型工具里是有口碑的适合一边看代码一边指挥它干活。如果你更喜欢提需求-验收结果的任务式工作流手头又有大量小功能要实现选 Codex。它把规格文档当成输入按部就班执行产出的改动比较规整审查起来也轻松。当然也可以像我一样两个编程工具都装。日常在 VSCode 里用 Claude Code 做交互式修改遇到大批量、规格明确的任务时切换到 Codex各取所长。7.2 给新手的三个建议第一条一次只装一个。我看到太多人第一天就把三个工具全装了结果每个都在报错每个都没跑明白。先挑一个和你日常场景最贴近的跑通一个真实小任务再考虑扩展。工具的安装都不难但思想转换需要时间。第二条先学会验收再追求效率。新手最容易犯的错是把任务往 Agent 一丢然后就等着结果。正确做法是布置任务时写下验收标准Agent 输出后逐条核对不达标就让它重来。你要把自己从写代码的人变成验收代码的人这是使用 Agent 最重要的一次角色转变。第三条遇到报错不要马上放弃按结构排查。绝大多数配置问题都逃不出环境变量、接口路径、鉴权格式、参数兼容这四个维度。把这四个维度列成清单一个一个排除比在原地打转强得多。最后再分享一个小技巧给任何 Agent 布置重要任务时先加一句请先输出你的执行计划确认后再开始。这样它不仅会告诉你准备怎么做还会在关键步骤停下来等你确认能避免很多自作主张带来的返工。这个习惯让我几乎所有的 Agent 任务都少踩一半的坑。