跳至主要內容

DeepSeek V4 + Claude Code 实战：代码能力深度测评

这几天 AI 圈基本被一件事刷屏了——DeepSeek V4 发布，同步开源。从技术报告里的 benchmark 数据到社区的实测反馈，到处都在讨论。

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、给出能直接落地的工程方案——这种活没有捷径，全靠硬实力。

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，Guide 第一反应就是直接接入 Claude Code 上手干活。

这篇文章接近 7000 字，建议收藏，通过本文你将搞懂：

  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 强在它的工具链和执行力，但 Claude 官方模型太贵，加上现在 Claude 太容易封号。这次 DeepSeek V4 提供了一个 Anthropic 兼容接口，这意味着 Claude Code 可以直接对接 DeepSeek，不需要任何第三方适配层。

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",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1"
  }
}

注意替换 your_deepseek_api_key 为你的 DeepSeek API Key。如果你使用的是 DeepSeek-V4-Flash，把 ANTHROPIC_MODEL 改为 DeepSeek-V4-Flash 即可。

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（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 或者进入 Claude Code 界面之后再次输入 /status 确认，model 为 DeepSeek-V4-Pro 即表示接入成功。

验证是否生效

之后你就可以用 DeepSeek V4-Pro 来驱动 Claude Code 的所有能力了。

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。

DeepSeek V4-Pro 一次搞定。

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。

DeepSeek V4-Pro 的分析很到位：V2__knowledge_skill.sql 没有被挂载到 Docker 容器中，项目也没有引入任何数据库迁移工具，而 init.sql 是在容器启动时自动执行的——这是 Docker Compose 配置里写死的。

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>

记住这个教训：Spring Boot 4.x 时代，很多你习惯直接引第三方库就能自动装配的功能，现在需要找对应的官方 Starter。 自动配置被拆出去了，但文档里不一定显眼地提醒你。

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

Flash 模型，非思考模式，生成质量已经不错了。考虑到 Flash 的定价，这个性价比相当能打。

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 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 复核后直接执行了修复，整个过程很顺。

这个案例的重点不是 V4-Pro 有多强，而是用便宜模型干活、用贵模型把关这个思路。V4-Pro 做代码扫描的成本几乎可以忽略，同样的事交给 GPT-5.5 或 Claude Opus 4.6 来做，费用至少高出两个数量级。

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，整体质量还是非常高的，很全面：

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。

这次 V4 系列同时发布了两款模型：

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

几个关键数字值得注意：

  • V4-Pro 的 Codeforces 评分 3206，在四家主流模型（Claude Opus 4.6、GPT-5.4 xHigh、Gemini 3.1 Pro High）中排第一
  • SWE-bench Verified 80.6%，跟 Claude Opus 4.6（80.8%）几乎打平，但 API 价格便宜了两个数量级
  • 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%

V4 Benchmark 数据

再看定价：

API 定价（每百万 token）DeepSeek-V4-FlashDeepSeek-V4-ProClaude Sonnet 4.7
输入（缓存未命中）$0.14$1.74$3.00
输入（缓存命中）$0.028$0.145$0.30
输出$0.28$3.48$15.00

Flash 的输出价格不到 Claude Sonnet 的 1/50，Pro 的输出价格约为 Sonnet 的 1/4，输入端两者差距更小。

放到这个定价体系里看，Flash 在日常对话、内容生成、简单问答场景几乎没什么对手。

另外有一点需要注意：API 迁移零成本，改个 model 名就行。deepseek-chat 和 deepseek-reasoner 将在 7 月 24 日后停用，尽早切换到新模型名。

场景建议

场景推荐理由
日常对话、内容生成、简单问答V4-Flash价格极低，性能足够
Agent Coding、代码重构、全项目分析V4-ProSWE-bench 80.6%，Codeforces 3206，复杂任务成功率高
复杂编码、精准问答、前沿科学推理Claude Opus 4.6 / GPT-5.5和顶级模型还有差距

总结

DeepSeek V4 在 Agent Coding 和代码理解场景上，明显上了一个台阶。V4-Pro 在 SWE-bench Verified 上拿到了 80.6%，Codeforces 评分 3206 排第一，这个实力对应这个价格，性价比确实到位了。

不过，DeepSeek-V4-Pro 在没有 Coding Plan 的情况下，价格还是偏高。V4-Flash 的定价很香，但在开发场景还无法成为主力。

另外，在复杂的编码、精准问答和前沿科学推理上，跟 Claude Opus 4.6 还有不小距离。不过考虑到 Flash 的价格优势——还要什么自行车？

编辑此页
最近更新:
贡献者: Guide,Mr.Hope