先说个背景DeepSeek V4 Pro 出来之后朋友圈里讨论得最多的就是怎么把它塞进 Claude Code 里用。Claude Code 的 agent 模式确实强能自己读文件、改代码、跑命令、反复验证比单纯粘贴代码给聊天机器人爽太多。但问题也很现实Claude 的订阅成本不低API 按量计费对高频使用者并不友好外加一些地区的账号限制让不少人卡在第一步。我自己花了两天把一套“零订阅”的链路跑通了——用 DeepSeek 的 API 通道接管 Claude Code 的模型请求日常写脚本、做批量重构、跑测试全走这条路。这篇文章就是完整复盘从环境准备、路由配置到真实任务实测和踩坑记录尽量做到能直接照着操作。这里说的“免费”我得多解释一句并不是彻底零费用而是指你不必再为 Claude 的订阅或 Anthropic 的 API 充值。DeepSeek 平台注册会送体验额度日常编码任务按量算下来成本极低基本可以忽略不计所以整体体验上接近免费。如果你本来就是 DeepSeek 的活跃用户这套配置几乎不增加任何额外开销这也是我愿意折腾的主要原因。1. 为什么要把 DeepSeek 接到 Claude Code——先算清成本账和选型逻辑很多人看到这个标题的第一反应是Claude Code 不是只能用 Claude 吗换个模型还能用答案是能。Claude Code 本质上是一个会调用模型接口的 agent 框架它对模型的依赖是通过 Anthropic 风格的 API 协议完成的。只要有一个实现了这套协议的模型服务端点Claude Code 就会认为对面是“Anthropic 兼容服务”它不在乎请求最终是被哪个模型吃下去的。这个特性就是整个方案的基石。Claude Code 的交互体验是我用过那么多 AI 编程工具里最接近“结对程序员”的。它会自己列出待办清单、逐个执行命令、失败后重新读报错再改甚至能主动 diff 代码确认改动范围。但代价也写在明面上如果你用订阅版一个月固定的美元支出跑不掉如果用 API按 token 计费一个复杂的重构任务跑几十轮对话下来账单有点吓人。而对高频用户来说每天开十几个 agent 会话是常态成本就成了不可忽视的限制因素。DeepSeek 的模型定价对开发者友好得多输出 token 单价和 Claude 相比差一个数量级上下文窗口和代码理解能力又足够支撑大多数工程任务。尤其是 V4 Pro 这代模型在代码生成、工具调用规范性上做了明显优化和 Claude Code 的 agent 模式配合起来已经达到“日常可用”的程度。反正我实际跑下来的体感是一次几万 token 的重构任务花费几乎可以忽略。适合这套方案的主要是这几类人独立开发者、经常要用 agent 批量处理脚本的自动化爱好者、以及想在 Claude Code 上练手但不想立刻掏订阅费的初学者。如果你所在团队有严格的安全合规要求必须走官方模型链路那这套方案不适合你但如果你是个人使用或者研究性质地搭建自己的工作流它值得一试。1.1 先看看 Claude Code 的原始成本到底高在哪Claude 的 API 是按输入和输出分开计费的而 agent 模式最大的特点是“回合数多、上下文越滚越长”。你让它做一个稍微复杂的任务它可能会读十几个文件每次读文件都要把内容塞进上下文然后调用工具、观察结果、继续推理。一个会话下来输入 token 动辄几百万哪怕单价再低累积起来也不是小数字。订阅版虽然封顶但一个月下来也不便宜而且你要是想同时跑多个并发会话限制会更明显。DeepSeek 在这方面的逻辑完全不同。它的整体定价远低于 Anthropic还经常有新用户体验额度意味着你注册之后立刻就能开始跑任务不用先绑卡充钱。对“低成本工作流”这个诉求来说这就是零门槛入场。我个人的感受是换成 DeepSeek 之后我敢开的会话数量更多了敢让 agent 去干更啰嗦的批量活了这种“敢用”的心理变化比省下的钱本身更值钱。1.2 选型时为什么不是 Qwen、GLM而是 DeepSeek坦白讲能接进 Claude Code 的第三方模型不止 DeepSeek 一家。阿里通义千问、智谱 GLM 甚至国外的开源模型都能通过同一套兼容层接入。我最终锁定了 DeepSeek原因有几个第一代码生成质量在目前的国产模型里是第一梯队尤其在 Python、TypeScript、Shell 脚本这类常见场景下生成代码的可直接运行率很高第二上下文窗口长Claude Code 的 agent 交互会累积大量历史窗口短的模型很快就会被截断第三它的 API 兼容协议做得比较成熟Anthropic 风格的适配端点在社区里早被验证过配置起来省心。当然这不代表 DeepSeek 在所有场景都碾压其他模型。你的项目如果大量使用特定框架或者你更看重某模型的中文表达风格也可以随时切换。后面的章节我会讲如何用路由工具同时配多个模型方便你按项目切换这个灵活性是这套方案比官方订阅更让我喜欢的地方。2. 环境准备Claude Code 本体安装和那个“不可用”提示的处理思路在配置 DeepSeek 之前先把 Claude Code 客户端装好。我默认你在自己的开发机上操作Mac、Windows、Linux 都行核心步骤差不多只是环境变量写入的地方稍有区别。2.1 Node.js 版本与环境检查Claude Code 是一个 npm 包所以第一个依赖是 Node.js。建议 Node 版本在 18 以上太老的版本会遇到各种兼容问题。检查很简单node -v npm -v如果还没装 Node去官网下载 LTS 版本即可。装完之后可以用npx验证 npm 环境是否健康。这一步没什么坑但确实见过有人卡在版本太老上后面安装 Claude Code 时报各种奇怪的语法错误排查半天才发现是 Node 的问题。2.2 npm 全局安装 Claude Code安装本身一条命令npm install -g anthropic-ai/claude-code装完之后执行claude --version能看到版本号说明客户端就绪。如果你是企业内部的 npm 镜像源记得确认镜像同步的是最新包否则可能装到旧版本。旧版本对自定义端点环境变量的支持不够完整后边配置会出问题。2.3 安装后遇到“区域不可用”提示怎么办这里必须说一个很多人会踩的点。Claude Code 到安装这一步通常没问题但首次启动claude命令时有些地区会收到类似note: claude code might not be available in your country的提示然后流程被卡住因为官方对部分区域有访问限制。我不建议去琢磨任何绕过网络访问的灰色手段更稳妥的做法是这两个方向一是直接在官方支持的区域环境里运行。很多开发者本来就有海外云服务器或者云开发环境把 Claude Code 装在那台机器上通过 SSH 远程使用从功能上讲不受影响这是合理且常见的使用方式。二是走本文的核心方案——用第三方模型服务接管请求。前面说了Claude Code 对模型的判断取决于请求发往的端点只要你在环境变量里把模型服务的地址指向 DeepSeek 的兼容接口就完全不经过 Anthropic 的账户登录环节。也就是说你根本不用管 Claude 官方账号那套东西自然也不会被区域提示困住。需要强调一下我只是分享程序层面的调用方式。具体到工具的使用条款、你所在环境的合规性请自行判断我不觉得花心思去规避什么限制是聪明的做法。2.4 初始化配置目录启动过一次之后Claude Code 会在用户目录下生成配置文件目录比如~/.claude/。后面我们要自定义端点、设置模型、管理权限都会用到这个目录。你可以先创建一个项目级的 CLAUDE.md 说明文件里面写清项目背景和你的偏好Claude Code 每次启动都会读取它作为上下文。这个文件是提升 agent 效率的秘密武器后面第 6 节再细说。3. 核心步骤把 Claude Code 的模型通道路由到 DeepSeek这是全文的重头戏。整个配置分两条路线一条是“环境变量直连”适合快速验证、只用一个模型另一条是“本地路由中间层”适合多模型混用、按项目切换。两条路线不冲突建议先直连跑通再加中间层。3.1 获取 DeepSeek 的 API Key这一步没什么悬念。去 DeepSeek 开放平台注册账号在控制台创建 API Key记下来。接着去它的 API 文档里找 Anthropic 兼容接入地址。很多模型平台现在都提供这个地址通常被标注为“Anthropic API 兼容端点”或者直接给出 base_url。要注意不同渠道给同一个模型起的 ID 可能不一样文档里显示的模型标识符才是你最终要填进配置的名字常见的大概率是deepseek-chat或者类似名称。别凭印象写“V4 Pro”这种营销名后台文档怎么写你就怎么填。3.2 方案一环境变量直连Claude Code 原生支持三个关键环境变量ANTHROPIC_BASE_URL指定请求发送的端点ANTHROPIC_AUTH_TOKEN指定身份令牌ANTHROPIC_MODEL指定模型名。只要端点实现了 Anthropic Messages API 的协议Claude Code 就会把它当成官方 API 来用。我当时的配置是这样的export ANTHROPIC_BASE_URL你的DeepSeek兼容端点在API文档里给出的地址 export ANTHROPIC_AUTH_TOKEN你的DeepSeek_API_Key export ANTHROPIC_MODELdeepseek-chat配置完成后直接运行claude如果一切正常你会直接进入 Claude Code 的交互界面而不需要登录 Anthropic 账号。这里ANTHROPIC_AUTH_TOKEN起的就是身份认证作用Claude Code 发起请求时会在 header 里带上这个 tokenDeepSeek 端收到后认出来是你就可以正常计费和响应。这套直连方案的优势是零额外依赖不需要装任何中间进程适合第一次验证。缺点是如果你想换个模型就得改环境变量再重启会话想同时接 Qwen、GLM直连就做不到了。所以跑通之后我强烈建议继续做下一步的中间层方案。3.3 方案二用路由中间层实现多模型切换社区里比较主流的两个工具一个叫 ccswitch一个叫 claude-code-router。实际用起来思路很像都是在你本机起一个轻量级的转发服务监听一个本地地址所有 Claude Code 的请求先发到这个地址再由它转发到背后真正的模型服务。我用的是 ccswitch。装好之后它会在配置目录生成一个 JSON 文件你需要做的是在其中添加一条路由指向 DeepSeek 的 Anthropic 兼容端点并填好模型 ID。后面你想加 Qwen、GLM就继续在 routes 数组里追加条目启动 Claude Code 之前用简单的命令切换当前路由或者在配置里设置默认模型。这样做的好处是 Claude Code 本身不用重启切换几乎无感。我截一个配置要点结构大致是{ routes: [ { name: deepseek-v4, baseUrl: 你的DeepSeek兼容端点地址, apiKey: 你的DeepSeek_API_Key, model: deepseek-chat } ], defaultRoute: deepseek-v4 }不同工具字段名可能略有差异但核心就是这三个信息地址、密钥、模型名。填好之后把ANTHROPIC_BASE_URL设成路由工具给你的本地地址ANTHROPIC_AUTH_TOKEN随便填一个非空字符串真正的认证交给路由层去处理。你可能要问不是已经能直连了吗为什么还要多一层我的体会是中间层解决的不只是多模型问题。它能统一管理多套配置项目 A 用 DeepSeek、项目 B 用 Qwen、上下文比较敏感的场景切到本地模型这些都变成了切换配置的事。而且路由工具通常带日志功能你能看到每一次请求到底发往哪个模型、耗时多少、token 多少这对后续成本优化太关键了。3.4 模型名与参数的几个细节模型名这事我再强调一次一定要以 API 文档列的官方名为准。平台可能在宣传页写 V4 Pro但代码里识别的可能是另一个标识符。填错模型的直接后果是 404 或者提示模型不存在这在第 5 节踩坑部分会细说。另外Claude Code 对很多参数有自己的预设比如 temperature、max_tokens 会由 agent 的决策逻辑控制用户不需要也没必要刻意调整。你真正要关注的是上下文长度。Claude Code 默认规划能力比较强动不动就想着读很多文件如果你的模型上下文窗口远小于它默认规划的长度对话后期会出现内容被截断的情况。解决办法不是去调模型的上下文参数而是限制每次任务的对话轮数这个我在踩坑部分再展开。3.5 验证连通性跑一个最小用例配置好之后别急着上复杂任务。先启动claude发一个最简单的请求比如“写一个打印当前时间的 Python 脚本”观察它是否正常响应。如果它开始列出计划、创建文件、执行命令说明链路已经通了。想看更详细的信息可以用调试模式启动claude --debug调试模式下终端会打印完整的 HTTP 请求信息你能清楚地看到每次请求的实际端点地址。这一步非常有用它能快速确认请求是不是真的发给了 DeepSeek 而不是谁都没发。很多配置问题在用--debug跑一次之后当场现形。4. 实测让 Claude Code 独立完成一个多文件编码任务链路通了之后我拿一个稍微有难度、能体现 agent 能力的任务做了真实测试。测试任务不是简单的“生成一个函数”而是一个包含目录遍历、文件改名、正则匹配、批量操作的脚本任务这种任务最考验模型对工具链的调用能力。4.1 测试任务设计批量重命名项目中的资源文件我在一个测试目录里放了二十几个命名混乱的图片文件要求是写一个 Python 脚本将这些文件按拍摄时间重新组织到按日期分组的子目录中并在终端里输出每个文件的新旧对照表。这个任务涉及读目录、正则解析文件名、处理日期格式、创建目录、移动文件、输出结果而且需要保证重复运行不会出错。如果模型只是生成一段完整脚本那其实是标准的代码生成能力但 Claude Code 作为 agent 的特点在于它会自己完成“先看目录结构再写脚本再执行脚本再看输出报错再修复”的完整闭环。我在提示词里故意没有描述得太细只给了需求想看看它能不能自主补全细节。4.2 观察整个运行过程agent 如何自主规划与执行启动之后Claude Code 先列了一个三步计划扫描目录、分析命名规律、生成并运行脚本。接着它用 bash 工具执行ls查看真实目录而不是凭空写代码。看到文件名规律后它开始创建 Python 文件每一步都会在底部说明当前正在做什么。中间还发生了一个比较有意思的小插曲。脚本第一次运行时因为有个文件没有 EXIF 信息Python 抛了异常。Claude Code 并没有直接结束而是读取了报错信息调整逻辑改成“没有日期信息就放入 unknown 目录”然后重新运行。这个自动发现问题、定位报错、修复逻辑的循环正是 agent 模式相对普通聊天的核心价值。整个过程中我几乎没介入只看它自己把问题处理完了。DeepSeek 的响应速度在测试中表现不错。即使在多轮工具调用的场景下每次返回推理结果的时间都比较稳没有出现明显的长时间卡顿。前面几个大步骤基本一气呵成中间失败重试也只花了两轮就绕过去了。4.3 结果与成本几万 token 的活费用几乎可以忽略脚本最终运行成功输出对照表也符合预期。我在路由工具的日志里调出了本次会话的统计整个任务跑了四十多轮工具调用累计消耗 token 在几万这个量级。按 DeepSeek 的价格来算费用低到可以忽略要是换成 Claude API同样轮数成本就是另一回事了。这个数字其实印证了我最开始的观点agent 模式的价值建立在“跑很多轮”的基础上而跑很多轮的前提是 token 便宜。如果你用的是按量计费的昂贵 API你会不自觉地限制 agent 的探索让它“快一点完成”这反而牺牲了它最大的优势。4.4 DeepSeek 与官方 Claude 在 agent 场景下的体验差异实测下来最直观的差距主要在两个方面。一个是工具调用的规范性官方 Claude 在连续多次调用工具时的动作衔接更平滑而 DeepSeek 偶尔会出现某一步没有按预期返回工具调用格式需要多等一轮让路由层修正整体节奏略慢一拍。另一个是复杂重构场景下的路径规划官方 Claude 有时候会更快地收敛到一个精简实现DeepSeek 则偶尔会多绕一点路比如生成冗余代码再删掉。但这些差异我认为都在“可用”范围内而且随着模型迭代越来越小。对于日常的脚本编写、文件处理、批量重构、测试补充DeepSeek 的表现已经是靠谱水平了。尤其是“便宜到敢放手让它折腾”这一点对我来说弥补了效率上的微小差距。5. 踩坑清单我在接入过程中遇到的四类典型问题及排查思路配置过程不可能一帆风顺。我把这两天真遇到的报错按根因归成四类每类都附上排查思路。这些问题在网上零散出现过但大部分帖子只说“我遇到了 xxx”没说清楚到底怎么定位。这里我按排查链路来写方便你复现。5.1 认证失败403、401请求根本没到 DeepSeek这类错误的表现是 Claude Code 启动后就开始报错或者输出类似“invalid authentication”的信息。最常见的根因就是ANTHROPIC_AUTH_TOKEN没真正传进去或者传成了空字符串。我的排查顺序是先用echo $ANTHROPIC_AUTH_TOKEN确认变量在 shell 里确实存在别刚写完 export 就忘了。然后在--debug模式下看请求头里 Authorization 字段的内容如果发现 token 后面多了一个空格或者被引号包进去了那就是你敲命令时不小心带了多余字符。还有一种是环境变量写在了一个 shell 会话里又开了一个新终端导致新终端里的 Claude Code 没读到这类问题在 Windows 上尤其常见。5.2 模型名 404你以为的 V4 Pro 并不是 API 里的模型 ID我第一次配置的时候就栽在这。模型在宣传页叫 V4 Pro我就理所当然地拿这个名去填结果请求直接返回 model not found。后来去平台后台 API 文档里仔细翻才发现实际可用的模型标识是完全不同的代码名。这类问题特别好排查第一步就是去控制台的 API 文档页面搜索“model”字段找到示例代码里的模型名复制过来用。第二步如果你用了路由中间层确认配置文件里的 model 字段和 upstream 端点的 model 字段没有漏掉。第三步在--debug模式下查看请求体里的 model 字段实际发送的值如果还是不对就检查路由工具是否做了模型映射有些工具需要把“对外模型名”和“真实模型名”分开填。5.3 工具调用失效agent 不执行命令光说话不动手这个坑比前面两个更隐蔽。表现是 Claude Code 能正常回答你的问题但要求它“运行这个命令”“修改这个文件”时它要么假装做了要么直接说自己不能执行。这种情况通常不是模型问题而是路由层在转换工具调用格式时丢失了信息。Claude Code 要求模型以特定 JSON 格式返回工具调用第三方兼容端点的任务是在模型的输出和 Claude Code 的期望格式之间做转换。如果转换层不完整Claude Code 就收不到有效的 tool_use只能把模型的话当成普通文本回复。排查办法先看调试日志里最后几轮请求模型返回的原始内容里有没有 tool_use 字样。如果有但 Claude Code 报错说明转换层有问题换一个路由工具版本或者改用第 3 节说的直连方案做交叉验证。5.4 上下文超长任务后半程模型开始“失忆”agent 任务做到一半Claude Code 突然忘记前面几步结论或者开始重复读取同一个文件很多时候是上下文被截断导致的。Claude Code 默认会对会话做很长的上下文规划但如果后端模型窗口没那么大超出部分就会被硬性截掉模型感知不到早期内容自然就开始胡言乱语。这类问题最实用的解法不是调大窗口——窗口是模型决定的你也调不了——而是限制每个会话的工作量。Claude Code 有个暂停参数可以限制最大轮数比如claude --max-turns 20让它在二十轮内结束超了就另起一个会话。另外把大任务拆成几个小任务每个会话只做一件事这也是 agent 模式下更健康的用法。你还可以利用第 2 节说的 CLAUDE.md 文件把每个子项目的背景写清楚这样即使模型上下文滚动出来它也能从项目说明里快速恢复记忆。5.5 流式输出卡住响应到一半不往下走了最后一个小问题但很影响体验。有时模型已经生成了半段内容终端突然就不动了等很久都没有新内容。最开始我以为是模型卡死后来在路由日志里发现是流式响应超时。第三方端点长时间没有返回新 chunkClaude Code 等待超时就中断了整次请求。排查时先确认是不是网络波动再检查路由中间层有没有超时配置。有些工具默认超时时间偏短对大段生成任务不够用你可以把它调长一点比如 300 秒。另外就是减少单次生成的长度需求把任务拆细请求短了自然不容易触发超时。6. 把工作流固定下来配置持久化、项目级说明和成本控制既然已经跑通了接下来就是让它成为日常顺手可用的工具而不是每次开终端都要重新配置一遍。这一节的东西偏经验性是我用了一周多之后沉淀下来的习惯。6.1 环境变量的持久化最简单的方式是把 export 命令写进你的 shell 配置。Mac 上写~/.zshrcLinux 写~/.bashrcWindows 用系统环境变量设置。但说实话我不太建议把 API Key 直接裸写进 shell 配置万一 shell 历史被同步或者被别人看到key 就泄了。更稳妥的办法是单独写一个启动脚本比如claude-ds.sh内容就是设置三个环境变量并启动 claude#!/bin/bash export ANTHROPIC_BASE_URL你的DeepSeek兼容端点地址 export ANTHROPIC_AUTH_TOKEN你的DeepSeek_API_Key export ANTHROPIC_MODELdeepseek-chat claude每次要用的时候执行./claude-ds.sh就行。这个脚本可以放在你的工程目录里也可以放在一个统一的 tools 目录下。如果你用了路由中间层这个脚本就更简单只需要设置两个固定变量然后启动路由服务真正会变的模型配置都在路由工具的配置里改。6.2 项目级配置CLAUDE.md 才是 agent 的工作手册Claude Code 会自动读取项目里的 CLAUDE.md 文件作为长期记忆。很多人忽略这个文件完全靠对话里的提示词导致每个新会话都要重新解释项目背景。其实你只要把这个文件写好你的 agent 每次进入项目就是“老手状态”。我在一个用这套工作流维护的 Python 项目里写的 CLAUDE.md 大概包括项目用途一句话、目录结构说明、常用命令、代码风格偏好、以及“不要修改哪些文件”的禁区列表。效果很明显Claude Code 生成的代码风格越来越贴合项目也很少再去动那些不该动的文件。这个东西和模型用什么其实没多大关系但配上低成本模型之后你可以更放心地让 agent 频繁启动CLAUDE.md 的价值就被放大了。6.3 和 VS Code 配合使用Claude Code 本身是一个终端工具但在 VS Code 里也有对应的扩展社区里叫“Claude Code for VS Code”。你需要先完成本文前面所有的命令行配置保证claude --version能正常输出再安装扩展它本质上是在编辑器里嵌一个终端面板跟 CLI 交互。我之所以提这个是因为很多人装完扩展后说“无法连接”实际上原因还是前面讲的环境变量问题——扩展启动的终端进程和你手动执行 export 的 shell 不是同一个会话。如果你用了启动脚本的方式记得在 VS Code 的集成终端里 source 一次这个脚本或者把环境变量写进系统的用户环境变量。这个联动不是必需的但如果你习惯在编辑器里写代码嵌套着一个 agent 帮你跑命令体验会顺畅不少。6.4 成本控制的几个小技巧尽管 DeepSeek 很便宜但 agent 用多了 token 总量依然可观。我做这三件事来控制成本一是给每个会话加--max-turns参数限制轮数二是写任务时尽量明确范围和目标减少 agent 漫无目的地探索文件三是定期看路由工具的日志统计每个项目的月消耗一目了然发现问题及时调整。还有个更进阶的用法把简单、重复的任务和复杂、探索性的任务分开。简单任务用便宜的模型通道复杂任务临时切换到表现更强的模型通过中间层配置切换。这套组合下来我每个月的 AI 编码成本控制在非常低的范围而且没有牺牲关键任务的完成质量。我个人用了大半个月的体会是把模型路由到 DeepSeek 之后最大的收获其实不是省了多少钱而是“敢用”。敢同时开好几个 agent 会话去做批量重构敢让它反复试错几十次去找一个边界条件敢拿它处理那些以前觉得“不值得花 API 费”的杂活。对一个把 AI 编码当成日常工具的开发者来说这种不被成本绑手绑脚的感觉才是最值得长期保留的东西。最后再说一句如果你也是刚开始折腾 Claude Code建议先按第 3 节的直连方案跑通最小用例再决定要不要上路由中间层一步到位虽然可行但出了问题排查起来会多一层变量。先把一个方案吃透后面的扩展都是顺手的事。