AI Agent实战：Hermes、Claude Code、Codex接入DeepSeek全攻略

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

LLM（Large 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

这张表看明白了，你就能理解为什么搜索热词里有"codex 接入 DeepSeek""deepseek 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 desktop""hermes 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

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_url="https://api.deepseek.com" # DeepSeek 的 OpenAI 兼容地址 ) def read_log(path, max_lines=200): """读取日志文件最后 max_lines 行""" with open(path, "r", encoding="utf-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", encoding="utf-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( model="deepseek-chat", messages=messages, tools=tools, ) 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 Calling，DeepSeek 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-code

Ubuntu 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 sudo：

mkdir -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/codex

macOS 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_URL="https://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：

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。