跳至主要內容

DeepSeek V4 + Claude Code 实战：代码能力深度测评

GuideAI 编程实战约 4083 字大约 14 分钟

《SpringAI 智能面试平台+RAG 知识库》

2026 年 4 月 24 日，DeepSeek 发布并开源了 V4 Preview。技术报告和社区测试很多，但我更关心它放进真实代码库后的表现。

开源模型在对话和写作上已经做得相当成熟，各家你追我赶，迭代速度肉眼可见。但 Agent Coding 是另一回事。

让模型自主分析项目结构、理解多文件依赖、给出能落地的工程方案，对代码能力和工具调用稳定性都有要求。

之前各家模型在这个方向上一直在进步，但实际用过就知道，离“放心交给它独立完成”始终还差那么一点。

所以这次 V4 发布，小 G 第一反应就是直接接入 Claude Code 上手干活。

这篇文章记录四部分内容：

  1. Claude Code 接入 DeepSeek V4 的两种方式：配置文件法 + CC Switch 可视化切换
  2. 五个真实开发任务的实战记录：V4-Pro 干起活来到底怎么样
  3. DeepSeek V4-Pro 和 Flash 的核心参数与定价：值不值得切
  4. 场景建议：什么时候该用，什么时候先观望

Claude Code 接入 DeepSeek V4

Claude Code 的工具链比较成熟，但官方模型的 API 成本不低。DeepSeek V4 提供了 Anthropic 兼容接口，Claude Code 可以直接对接，不需要额外的协议转换服务。不过，兼容接口不等于完整复刻 Anthropic 模型能力，工具调用、上下文和新功能仍要按实际任务验证。

方式一：配置文件法（推荐）

如果你本机没有安装 Claude Code 的话，先运行下面这行命令安装（Node.js 18+）：

npm install -g @anthropic-ai/claude-code

编辑或新增 Claude Code 配置文件 ~/.claude/settings.json，添加 env 字段，把后端地址、模型和 API Key 都写进去：

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "your_deepseek_api_key",
    "ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic",
    "ANTHROPIC_MODEL": "deepseek-v4-pro[1m]",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "deepseek-v4-pro[1m]",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "deepseek-v4-pro[1m]",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "deepseek-v4-flash",
    "CLAUDE_CODE_SUBAGENT_MODEL": "deepseek-v4-flash",
    "CLAUDE_CODE_EFFORT_LEVEL": "max",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1"
  }
}

注意替换 your_deepseek_api_key 为你的 DeepSeek API Key。

API Key 创建地址：https://platform.deepseek.com/ 。

DeepSeek 创建 API Key

这里的 [1m] 用于请求 V4 Pro 的 1M 上下文版本。日常任务如果想优先使用 Flash，可以把 ANTHROPIC_MODEL 改为 deepseek-v4-flash；模型 ID 和映射方式以 DeepSeek 官方接入文档为准。

配置完成后启动 Claude Code：

claude

首次启动需要选择信任当前文件夹。

方式二：CC Switch（可视化切换）

如果你想在 DeepSeek、Claude、MiniMax 等多个 Provider 之间灵活切换，推荐安装 CC Switch。这是一个专门管理 Claude Code 模型切换的小工具，支持一键横跳，还支持管理 Skills、MCP 和提示词。

CC Switch 主界面

启动 CC Switch，点击右上角 "+" ，选择自定义供应商，Base URL 填写 https://api.deepseek.com/anthropic，API Key 填写你的 DeepSeek API Key。

CC Switch 添加 DeepSeek Provider

将模型名称改为 deepseek-v4-pro[1m]（或 deepseek-v4-flash），完成后点击右下角的“添加”。

验证是否生效

直接在命令行输入 claude，进入 Claude Code 后再输入 /status 确认。model 显示 deepseek-v4-pro[1m] 或 deepseek-v4-flash，说明路由已经生效。

验证是否生效

之后就可以通过 Claude Code 调用 DeepSeek V4。第三方模型是否支持 Claude Code 的某项新能力，还要以兼容接口和实际测试结果为准。

实战一：升级 LLM 多 Provider 预设模型列表

我手头有一个多智能体股票分析项目，已经快一个月没启动了。这次重新启动，第一件事就是把过时的模型配置更新掉。

项目 Settings 页面之前只有一个纯文本输入框让用户手动填写模型名，不够友好。

我需要做两件事：搜索各家 LLM 的最新模型版本，然后给前端加一个下拉选择。

提示词很简单：

/tavily-search 搜索当前 deepseek、glm 和 openai 最新的模型，然后调整全局配置中默认模型推荐和示例。并且，当前这几个 LLM 图标太 AI 味了，帮我换一个上档次点。

任务不大，但有个细节值得说——如果不配 /tavily-search Skill，单纯靠大模型的训练数据截止日期来猜最新版本，大概率会出错。我之前用其他模型没配 Tavily 的时候，反复提示了好几遍才把各家最新模型版本搞对。

关于 Tavily 的使用可以参考：Claude Code 对接 AI Agent 搜索引擎 Tavily 实现高质量搜索。

这次 V4-Pro 一轮就完成了修改。

搜索并更新最新 LLM 模型

模型配置全部更新成功，各家推荐的模型示例都切到了最新版本。改了三个文件：

  1. application.yml——新增 DeepSeek 预设 Provider，GLM 默认模型升级到 glm-5
  2. .env.example——补上 DeepSeek 环境变量，Kimi 默认改为 kimi-k2.6
  3. SettingsPage.tsx——加了 PROVIDER_PRESETS 常量，Model 和 Embedding Model 改成 combo box

最终四个 Provider 的推荐模型列表（截至 2026.04.25）：

Provider推荐模型
DashScopeqwen3.6-flash、qwen3.5-plus、qwen3-max、qwq-32b 等 8 款
DeepSeekdeepseek-v4-flash、deepseek-v4-pro
GLMglm-5.1、glm-5、glm-4.7-flash 等 8 款
Kimikimi-k2.6、kimi-k2.5、kimi-k2-thinking 等 5 款

编辑 DeepSeek 模型配置

实战二：数据库迁移方案诊断与 Flyway 集成

第二个任务更有挑战性。

因为换了新电脑，所有环境都是重新搭建的。项目有两个 SQL 文件，一个在项目启动时自动执行了，另一个没有。这块逻辑我也忘了，需要让模型帮我诊断。

技能管理界面报错

提示词：

当前项目有两个 SQL 文件，sql/init.sql 在项目启动自动执行了，sql/V2__knowledge_skill.sql 没有自动执行。请你帮我分析一下是什么原因，然后用合理的方式优化现存的问题。

V4-Pro 找到的直接原因是：V2__knowledge_skill.sql 没有被挂载到 Docker 容器中，项目也没有引入数据库迁移工具，而 init.sql 的执行来自 Docker Compose 中的固定挂载。

数据库表未执行原因分析

它给出的解决方案是集成 Flyway 作为数据库迁移工具。

Flyway 是 Java 生态中最成熟的数据库迁移方案之一，用文件命名约定（如 V1__init.sql、V2__knowledge_skill.sql）自动管理迁移顺序。

整个过程 DeepSeek V4-Pro 完成了以下工作：

  1. 分析了 Docker Compose 配置中 init.sql 的挂载逻辑
  2. 发现 V2__knowledge_skill.sql 缺失的原因
  3. 引入 Flyway 依赖，编写迁移配置
  4. 重构 SQL 文件命名，确保迁移顺序正确

这里踩了个坑：我中途不小心调整了 iTerm2 的窗口大小，导致终端里的对话历史突然错乱了。

第一次运行后，Flyway 没有成功执行。我把错误日志贴过去，经过两轮调教后修复成功。

DeepSeek 完成 Flyway 集成后的总结

这个问题值得单独拿出来讲——因为 DeepSeek V4-Pro 在第一次集成时也踩到了这个坑，经过两轮调试才找到根因。

Spring Boot 4.x 对自动配置模块做了大规模拆分，FlywayAutoConfiguration 已从 spring-boot-autoconfigure 中移除，迁移到了独立模块 spring-boot-flyway。

如果你只引入了 flyway-core 这个第三方库，Spring Boot 不会自动触发任何迁移。最坑的是，启动日志里也不会有任何 Flyway 相关输出——完全没有报错，只是静默地什么都不做。这个坑特别容易迷惑人，让你怀疑是配置写错了，然后在 yml 文件里反复折腾。

使用官方 Starter，它会将自动配置模块一并带入：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-flyway</artifactId>
</dependency>
<!-- PostgreSQL 方言支持仍需单独引入 -->
<dependency>
    <groupId>org.flywaydb</groupId>
    <artifactId>flyway-database-postgresql</artifactId>
</dependency>

这个案例里的结论很具体：Spring Boot 4.x 集成 Flyway 时，应使用对应的官方 Starter，不能只引入 flyway-core 就假定迁移会自动执行。其他第三方库是否需要独立 Starter，要分别查对应版本的 Spring Boot 文档，不能由这个案例一概而论。

实战三：AI 面试平台对接 DeepSeek

我们的 AI 智能面试辅助平台目前已经新增了多模型切换和配置功能，DeepSeek 也已经支持了。

和实战一一样，对接最新模型整个过程是一遍过的，就不重复贴过程了。我们直接看效果。

通过配置界面，将默认模型切换到 DeepSeek，选择 deepseek-v4-flash。

将面试平台的模型切换到 deepseek-v4-flash

然后上传一份简历，基于这份简历生成一次模拟面试，来看看效果。

面试题是通过 deepseek-v4-flash 生成的，答案也是让 DeepSeek 在快速非思考模式下给出的（有两个问题没有回答）。

模拟面试评估结果

在这次简历面试题生成任务中，Flash 的非思考模式可以完成主要问题，仍有两个问题没有回答。它适合对成本敏感、允许人工检查的批量生成任务。

实战四：项目代码审计与多模型协同

我手头的多智能体股票分析项目，MVP 版本已经跑起来了，支持股票分析、多策略、告警、技能、多模型、通知等功能。但开发过程中赶进度，代码质量没顾上好好把关。

这次我试了一个思路：用便宜的模型做审计，用贵的模型做决策和修复。

在 Claude Code 里直接让 DeepSeek V4-Pro 启动多个 Agent，从安全性、功能正确性、代码质量等不同维度扫描整个项目，把发现的问题汇总写入文档。

DeepSeek V4-Pro 扫描分析代码

V4-Pro 确实找出来不少问题，最紧急的 TOP 5：

  1. API Key 明文存储 — 加密器已实现但未接入
  2. 系统管理接口无权限控制 — 普通用户可修改 LLM 配置
  3. Redis 反序列化漏洞 — activateDefaultTyping 允许任意类实例化
  4. 硬编码第三方 API Key — Bocha 真实密钥提交在代码中
  5. 功能 Bug — History 页“重新分析”按钮因路由参数未读取而失效

我大概过了一遍，基本都是合理的。安全类问题尤其值得重视，第 3 条 Redis 反序列化漏洞如果被利用，后果很严重。

接下来我把 V4-Pro 找出来的问题直接丢给当时账户可用的 GPT-5.5 复核。

GPT5.5 对 DeepSeek V4-Pro 找出的问题进行修复

为什么不让 V4-Pro 自己修？ 因为代码审计和代码修复是两种能力，用不同模型交叉验证更靠谱——一个负责找问题，一个负责确认问题并执行修复。

GPT-5.5 复核后执行了修复。这里记录的是案例发生时的模型选择，不代表当前推荐；最终仍要以测试、代码审查和密钥轮换结果为准，不能把第二个模型的确认当成证据闭环。

这个案例采用的是低成本模型初筛、能力更强的模型复核、最后由测试和人工验收的分工。具体能省多少取决于输入长度、缓存命中、输出量和当时的模型价格；没有完整调用记录时，不适合给出“至少两个数量级”的结论。

实战五：全项目扫描分析

这个就简单了，我主要是想验证一下 V4-Pro 的分析质量，顺便看看最后的 Token 消耗。

让 V4-Pro 扫描分析 agent-invest

V4-Pro 扫描分析 agent-invest 的结果

这是 V4-Pro 最终输出的文档，覆盖了项目结构、主要模块和待处理问题：

V4-Pro 最终输出的 agent-invest 文档

DeepSeek V4 一览：看完实战再看数字

看完上面几个实战任务，再来补一下 DeepSeek V4 的硬参数，会更有体感。

V4 Preview 同时提供两款模型。下表参数和 Benchmark 来自 DeepSeek 官方报告，属于厂商公布结果，不等同于本文任务的独立评测：

规格deepseek-v4-prodeepseek-v4-flash
总参数1.6T284B
每 token 激活参数49B13B
上下文窗口1M tokens1M tokens
推理模式非思考 / Think High / Think Max非思考 / Think High / Think Max
开源协议MITMIT

官方报告列出的几个数据：

  • V4-Pro 的 Codeforces 评分 3206，在报告选取的对照模型中排第一
  • SWE-bench Verified 80.6%，报告中的 Claude Opus 4.6 对照结果为 80.8%；这组分数不能直接推出两者在具体代码库中的能力或成本等价
  • 1M 上下文场景下，V4-Pro 的单 token 推理 FLOPs 只有 V3.2 的 27%，KV 缓存用量只有 10%

这里的竞品名称和分数是 V4 Preview 发布报告的历史快照，不是截至本文核验日的模型排行榜。

V4 Benchmark 数据

再看定价：

API 定价（每百万 token，截至 2026-07-24）deepseek-v4-flashdeepseek-v4-pro
输入（缓存未命中）$0.14$0.435
输入（缓存命中）$0.0028$0.003625
输出$0.28$0.87

实际账单取决于缓存命中率、上下文长度和输出规模。跨厂商成本对比还要统一输入、输出、缓存和重试口径，本文没有完整调用记录，因此不再给出固定倍数。价格会变化，使用前应再查 DeepSeek 官方定价页。

按这张价格表看，Flash 更适合成本敏感、结果容易校验的任务；是否适合日常对话、内容生成或简单问答，还要结合质量和延迟实测。

模型名迁移本身改动不大，但还要回归上下文长度、工具调用和错误处理，不能按“零成本”处理。官方给出的旧模型停用节点是 2026-07-24 15:59 UTC（北京时间 23:59）；阅读本文时如果已经过了这个时间，应先通过模型列表确认旧 ID 是否仍可用。

场景建议

场景建议验证重点
日常对话、内容生成、简单问答先试 deepseek-v4-flash质量、延迟和缓存命中率
Agent Coding、代码重构、全项目分析先试 deepseek-v4-pro工具调用、跨文件修改、测试通过率和实际成本
高风险复杂编码与独立复核对比 Claude Fable 5、GPT-5.6 等当前家族账户可用性、任务成功率、安全边界和总成本

最后一行是截至 2026-07-24 的模型家族快照，具体型号与可用性以账户和官方文档为准。

总结

从本文几个任务看，V4-Pro 已能完成模型配置更新、迁移诊断和代码审计初筛。官方报告中的 SWE-bench Verified 80.6% 和 Codeforces 3206 可以作为参考，但不能替代团队自己的代码库评测。

V4-Pro 是否划算要看缓存命中率和任务长度。V4-Flash 更便宜，但在本文的面试任务中仍出现了漏答，不适合不经检查就作为开发主力。

复杂编码、复杂问答和前沿科学推理仍要按任务对比不同模型。我的选择会是：低风险批量任务先试 Flash，跨文件改动和关键修复交给更强模型，并保留测试与人工验收。

编辑此页
最近更新:
贡献者: Guide,Mr.Hope