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。
相关链接
- Orca: https://github.com/echoVic/blade-deepseek
- NPM: @blade-ai/orca
- 官网 / 安装脚本: orcaagent.dev
- awesome-deepseek-agent: https://github.com/deepseek-ai/awesome-deepseek-agent
- Blade Code: https://github.com/echoVic/blade-code
- Blade Agent SDK: https://github.com/echoVic/blade-agent-sdk
2
Select Language