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：
Claude Code 接入 DeepSeek V4 的两种方式：配置文件法 + CC Switch 可视化切换五个真实开发任务的实战记录：V4-Pro 干起活来到底怎么样DeepSeek V4-Pro 和 Flash 的核心参数与定价：值不值得切场景建议：什么时候该用，什么时候先观望Claude Code 接入 DeepSeek V4Claude 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。
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。
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。
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。
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：
application.yml——新增 DeepSeek 预设 Provider，GLM 默认模型升级到 glm-5.env.example——补上 DeepSeek 环境变量，Kimi 默认改为 kimi-k2.6SettingsPage.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-proGLMglm-5.1、glm-5、glm-4.7-flash 等 8 款Kimikimi-k2.6、kimi-k2.5、kimi-k2-thinking 等 5 款
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。
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。
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：
分析了 Docker Compose 配置中 init.sql 的挂载逻辑发现 V2__knowledge_skill.sql 缺失的原因引入 Flyway 依赖，编写迁移配置重构 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。
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：
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。
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）。
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。
V4-Pro 确实找出来不少问题，最紧急的 TOP 5：
API Key 明文存储 — 加密器已实现但未接入系统管理接口无权限控制 — 普通用户可修改 LLM 配置Redis 反序列化漏洞 — activateDefaultTyping 允许任意类实例化硬编码第三方 API Key — Bocha 真实密钥提交在代码中功能 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。
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。
这是 V4-Pro 最终输出的文档，整体质量还是非常高的，很全面：
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%
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$15.00Flash 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？