押注 DeepSeek，再次出发做 Agent

前言

过去一年我做了不少 Agent：Blade Code（类 Claude Code 的 CLI ）、Blade Agent SDK（抽取出来的通用能力集）。它们都跑在 Claude 、GPT 这类海外模型上。

但有件事一直在我脑子里：DeepSeek 这么便宜、这么能打，我自己却没有一个顺手的、围绕它打磨的终端编码工具。

于是有了 Orca —— 一个用 Rust 写的、DeepSeek 原生的终端 Coding Agent 。

GitHub 地址：https://github.com/echoVic/blade-deepseek

npm install -g @blade-ai/orca
export DEEPSEEK_API_KEY=sk-...
orca exec "fix this test"

已经有人在做，但我还是想做

先说句实在话：DeepSeek 的编程 Agent ，并不是没人做。

官方那份 awesome-deepseek-agent 里就列了好几个终端 Coding Agent——DeepSeek-TUI 、Reasonix 、Deep Code 等等，都各有特点。这个方向不是无人区，已经有一批先行者。

知道这些，我依然决定做，原因有三个：

这个生态还很早。几个先行者各有侧重，远没到"一个工具通吃"的程度，留给后来者的空间还很大。
我想做的点不太一样。比起"能接 DeepSeek 的又一个客户端"，我更想做一个能盯着目标自己跑、跑完你还敢信的 Agent 。这部分后面细说。
这是我自己每天要用的工具。哪怕已有不错的选择，亲手做一个完全合自己手的，也值得。

所以这篇文章不打算说"市面上的都不行，只有我的好"。它们都很好，我也在学。我只是想把自己这一版的取舍讲清楚。

为什么是 DeepSeek

我做这个项目的动机其实很简单，就四点：

1. 我相信 DeepSeek 的发展。 从 V2 到 V4 ，它在推理和代码能力上的进步是肉眼可见的。1M 上下文、原生 reasoning ，这些已经足够支撑一个严肃的 Coding Agent 。

2. 它足够便宜。 Agent 是 Token 消耗大户——多轮循环、工具结果回灌、长上下文，跑一个稍微复杂的任务动辄几十万 Token 。在某些海外模型上一天就能烧掉不少钱，而 DeepSeek 的价格让"把 Agent 当日常工具用"这件事真正成立。对个人开发者和中小团队，这点很关键。

3. 围绕它的工具还在早期。 Claude Code 、Codex 、Gemini CLI 都绑死自家模型。DeepSeek 这边虽然有了几个先行者，但生态远没饱和，仍有大量打磨空间——reasoning token 的处理、工具调用的边角行为、上下文压缩策略，都还能针对 DeepSeek 做得更细。

4. 我想帮国模生态做点事，也想跑通一个商业闭环。 模型再强，也需要好用的上层工具把能力释放出来。与其等，不如自己动手。如果能顺手验证一条"国产模型 + 好工具"的可持续路径，那就更好了。

Orca 是什么

Orca 是一个本地终端 Coding Agent ，核心是一个多轮 Agent 循环：

prompt → 模型 → tool_call → 执行 → 回灌结果 → 下一轮（最多 128 轮）

它不是 demo ，是冲着"能当主力工具用"去做的。目前已经实现的能力：

多轮 Agent 循环 + SSE 流式

完整的 prompt → 推理 → 工具调用 → 执行 → 反馈循环，通过 Server-Sent Events 实时输出 DeepSeek 的 reasoning 和 content 增量，你能看到模型"边想边做"的过程。

1M 上下文自动压缩

针对 DeepSeek V4 的百万 Token 上下文做了管理：达到阈值时自动压缩。它不是粗暴截断，而是把对话分成 system / pinned / collapsed / kept 四区，把要折叠的部分交给 DeepSeek 自己去总结，用摘要换回 Token ，重要内容会被 pin 住不动。长任务不会因为上下文爆炸而中断。

分级审批策略 + 内联 diff 预览

读操作永远放行；写文件、执行 shell 这类有副作用的动作，会弹审批框，而且会在执行前给文件拍快照、执行后渲染内联 diff ，绿加红减直接显示出来——你看着它到底要改哪几行再决定。还能按工具、按文件分别加白名单。三档模式：

suggest —— 交互式确认（默认）
auto-edit —— 自动批准编辑
full-auto —— 全自动

工具系统：单一事实源

每个工具由一份 ToolSpec 描述，声明它的能力（读文件 / 写文件 / 执行 shell / 联网搜索 / 委派子 Agent 等）。审批策略、给模型的 schema 、对模型的可见性、甚至工具结果怎么解读，全部从这份 spec 推导。一处定义，全链路生效；加工具、改权限不用动十个地方。MCP 工具也走同一套治理，是一等公民，不是外挂插件。

内置工具：read_file、list_files、grep（ ripgrep ）、bash、edit、write_file、git_status、web_search，以及 subagent、Workflow、update_plan、update_goal。也支持用 TOML 描述符在 ~/.orca/tools/ 下注册自定义工具。

子 Agent

同步的子 Agent 循环共享父级的工作区、模型配置和审批策略，跑完把精炼结果交回父级——适合把一个大任务拆给"实习生"去推进。

持久化目标模式（ Persistent Goal ）

这是 Orca 我自己最看重的一块。TUI 里用 /goal 设一个长期目标，Orca 会在每一轮成功后自动开启下一轮，自己往目标推进，直到完成、被阻塞、暂停或达到上限。目标按 session 持久化到磁盘，进程重启、会话 fork 都不丢。模型干完会主动调用 update_goal 标成 complete 或 blocked ，而不是傻跑。

/goal ship the refactor       # 创建目标并开始
/goal pause                    # 暂停自动续跑
/goal resume                   # 恢复
/goal clear                    # 清除

会话历史

文本模式下自动保存 JSONL 转录，支持 list / show / search / rename / archive / delete ，以及 resume / fork 续接和 zstd 压缩。

orca history list
orca exec --resume latest "continue the refactor"
orca exec --fork latest "try another approach"

工作流 + Hooks

orca workflow run 跑 JavaScript 编写的动态工作流； Hooks 系统支持 session_start、pre_tool_use、pre_compact 等事件，可以 deny / modify / inject ，把 Orca 嵌进你自己的流程里。

验证门

orca exec --verifier "cargo test" "fix the failing test"

干完活后跑一遍你指定的验证命令，测试过了才算成功。Agent 说"我搞定了"和"测试绿了"是两回事。

为什么用 Rust

单二进制分发：npm 、curl 、GitHub Releases 三条线，装好即用，没有运行时依赖。
启动快、占用低：当作日常命令行工具，冷启动几乎无感。
稳定：定位是一个能长期维护的基础设施，而不是快速试错的玩具。

支持的平台：macOS （ Apple Silicon / Intel ）、Linux （ x64 / ARM64 ）。

快速开始

# 安装
npm install -g @blade-ai/orca
# 或
curl -fsSL https://orcaagent.dev/install.sh | sh

# 配置
export DEEPSEEK_API_KEY=sk-...

# 跑任务
orca exec "fix this test"
orca exec --approval-mode full-auto "refactor the auth module"
orca exec --model deepseek-v4-pro "explain this codebase"
orca exec --verifier "cargo test" "fix the failing test"

# 直接进交互式 TUI
orca

模型默认 auto：主循环用 deepseek-v4-pro，辅助任务用 deepseek-v4-flash，在效果和成本之间取平衡。

配置文件放在 ~/.orca/config.toml：

model = "auto"
api_key = "sk-..."
base_url = "https://api.deepseek.com"

适用场景

日常编码：修 bug 、写测试、重构、解释代码库
成本敏感的高频使用：把 Agent 当作每天都开的工具，而不是偶尔奢侈一下
长任务：依赖持久化目标模式 + 1M 上下文跑多轮自动推进
嵌入自有流程：通过 JSONL 事件流、Hooks 、工作流接进 CI 或脚本

关于未来：不止 coding

Coding 是我选的第一个切口，但不是终点。

你能看到，Codex 、Claude 这些团队都在把 Agent 从"写代码"往更广的"完成工作"延伸——读写文档、跑流程、调工具、查资料、把一连串琐碎任务自动接起来。代码只是 Agent 能力最容易被验证、也最早跑通的那块。

我的布局也是这样：先用 coding 把内核打磨扎实——多轮循环、工具治理、上下文管理、持久化目标、可信交付——这些能力本来就不是编程专属的。一个能盯着目标自己跑、改东西前给你看 diff 、跑完帮你验证的 Agent ，换个工具集和场景，同样能去做办公和更一般的"work"。

所以 Orca 现在的架构是按"通用 Agent 内核 + 可替换工具层"来设计的：ToolSpec 驱动的工具系统、能力分级审批、MCP 一等公民、Hooks 接入外部流程——这些都不绑定编程。今天它帮你写代码，往后它会帮你处理更多本该自动化的工作。

这部分还在路上，但方向我想先讲清楚：Orca 的目标，是一个围绕 DeepSeek 的通用工作 Agent ，coding 是它的起点。

总结

DeepSeek 的编程 Agent 已经有人在做，做得也不错。但这个生态还早，我也有自己想走的路：比起"又一个能接 DeepSeek 的客户端"，我更想做一个能盯着目标自己跑、跑完你还敢信的 Agent——长程自主、能力治理、可信交付，这是 Orca 真正下注的方向。

基本盘它也都有：

DeepSeek 原生——围绕它的推理和工具调用语义打磨，而不是套一层通用兼容封装
能用——完整的多轮循环、审批、上下文管理、会话历史，不是 demo
便宜——让"把 Agent 当日常工具"在成本上真正成立
轻——Rust 单二进制，装好即用

如果你也在用 DeepSeek 写代码，欢迎试试 Orca ，也欢迎 Star 、Issue 和 PR 。这条路，我想和更多人一起走。