我做了个 MCP server，让 DeepSeek 在 Claude Code 里跑完整 agent loop

PanShanShan
6 阅读1分钟

我做了个 MCP server，让 DeepSeek 在 Claude Code 里跑完整 agent loop

刚被 awesome-mcp-servers 收录（PR #6190），借这个机会写一下 deepseek-as-subagent 解决了什么问题、和现有 deepseek-mcp 的本质差异。

TL;DR

  • 现有 deepseek-mcp 服务把 DeepSeek 当成"一次 LLM 调用"，Claude 还是要自己读文件、写文件、跑命令 —— 省的只是"思考"成本，没省"读写"成本。
  • 本项目让 DeepSeek 拥有完整的 agent loop：Read / Write / Edit / Bash / Glob / Grep / NotebookEdit 七个沙箱工具，DeepSeek 在工作区里自己跑，Claude 只交付任务和接收摘要。
  • 因此节省是端到端的：DeepSeek API 比 Claude 便宜约 50 倍，对批量改文件、扫日志、写脚本、补测试这类机械活，一次任务能省下绝大部分成本。

问题：现有 deepseek-mcp 只省了"思考"，没省"读写"

去 awesome-mcp-servers 里翻一圈 DeepSeek 相关的 MCP server，基本都是同一种模式：

# 伪代码，但精神基本是这样的
def create_chat_completion(messages):
    return deepseek_api.chat(messages)

或者像 Composio 那种把 DeepSeek 包成 create_anthropic_message 让 Claude 当工具调用。本质都是一次性 LLM 调用 —— 你给一段 prompt、它返回一段文本。

问题来了：Claude Code 跑任务的真实成本结构是什么？

  • 读源代码（每个文件几 KB 到几十 KB）→ 进 context
  • 写代码（编辑或新建）→ 进 context
  • 跑命令、看输出 → 进 context
  • 真正的"思考"只是 model 在这堆 context 上做 inference

LLM 计费按 token 算，绝大部分 token 都花在读和写上，不是花在思考上。

所以"把 DeepSeek 当成一次 chat completion"的方案，结构上是这样：

用户 → Claude（读 10 个文件 → 几万 token）→ 把这堆文件塞进 prompt
     → 调 DeepSeek 一次 → DeepSeek 返回结果 → Claude 再写文件

Claude 已经付了"读 10 个文件"的钱，DeepSeek 还要再读一遍同样的内容（因为它通过 prompt 才看到这些）。两份 token 钱，省下来的只是一次 Claude 推理。

方案：把 DeepSeek 做成真正的 sub-agent

正确的结构应该是这样：

用户 → Claude（决定派工）→ delegate_to_deepseek(task, context)
     → DeepSeek 自己 Read / Glob / Edit / Bash
     → 完成后返回总结 → Claude 抽样验证

Claude 完全不读这些文件。读写都由 DeepSeek 在自己的 agent loop 里完成。这才是端到端的节省。

要做到这点，DeepSeek 这边必须拥有跟 Claude 同款的工具集，而且要在沙箱里跑。所以我实现了：

  • delegate_to_deepseek(task, context) —— 唯一对 Claude 暴露的 MCP 工具
  • 内部 agent loop（agent_loop.py），使用 OpenAI 兼容的 function calling
  • 7 个沙箱工具：Read / Write / Edit / Bash / Glob / Grep / NotebookEdit
  • 路径沙箱 + 命令黑名单（DeepSeek 跳不出 workspace，也跑不了 rm -rf /）

架构

┌───────────────────────────────────────────────────────────────┐
│ Claude Code (CLI / VSCode 插件，你的 Max OAuth)               │
│   ↓ stdio (MCP 协议，无网络)                                  │
│ deepseek-as-subagent (本项目，Python 子进程)                  │
│   ↓ HTTPS                                                     │
│ api.deepseek.com (你的 API key)                               │
└───────────────────────────────────────────────────────────────┘

除了真正的 DeepSeek API 调用本身需要走 HTTPS，其它一切都在你本机。没有第三方代理，没有云端转发，代码不离开笔记本。

三个不显然但关键的设计点

1. 派工决策必须发生在 Claude 读源代码之前

这是整个项目最反直觉、也最容易被新用户违反的规则。skill 文件里直接编码了这条：

调用 mcp__deepseek__delegate_to_deepseek 工具前，只能用 Glob / LS / 只读 Bash 看范围，不能 Read 文件内容。

原因：一旦 Claude 自己已经 Read 了源代码，那些内容已经进了 Claude 的 context（你已经付过钱）。这时候再派给 DeepSeek，DeepSeek 还要重新读一遍。双倍消耗，比不派工还贵。

如果你判断不读源码就没法决定要不要派工，那这个任务本身就不该派 —— 它太需要细节判断了。

2. 派工粒度必须粗 —— 一次派"完整逻辑单元"，不要拆"步骤"

刚开始我也犯过这个错：把任务拆成 5 个小步骤分 5 次派给 DeepSeek。结果反而比不派还贵。

原因是每次派工都要付 5 个税：

  1. 拆任务税 —— Claude 做规划的 token
  2. 上下文重读税 —— DeepSeek 每次任务启动都要重新理解项目结构
  3. 验证税 —— Claude 抽样核实结果
  4. 起步费 —— 每次 LLM 调用都有 system prompt overhead
  5. 返工税 —— 一个步骤错了，后面的可能要返工

正确的派工粒度：让 DeepSeek 内部跑 10-30 turns 一次到位。例：

  • ❌ "你帮我列出 i18n key" → "你帮我提取 zh 文案" → "你帮我转 JSON" → "你帮我替换源码"（4 次派工）
  • ✅ "扫描 src/ 提取所有硬编码中文，按文件分组生成 i18n JSON，并把源码里替换成 i18next 调用，输出迁移报告"（1 次派工）

3. DeepSeek 不能联网 —— Claude 替它查

DeepSeek 的 agent loop 故意不给 WebSearch / WebFetch 工具。原因有两个：

  • 安全：DeepSeek 在沙箱里跑，给它联网能力就破坏了沙箱边界
  • 成本：Anthropic Max OAuth 包了 WebSearch / WebFetch 的费用，让 Claude 查是免费的，让 DeepSeek 查要走外部 API

所以遇到 DeepSeek 需要外部文档 / 新 API spec / 错误码时，Claude 必须先用自己的 WebSearch / WebFetch 查好，把摘要塞进任务 context 一起派出去。

什么时候用 / 什么时候别用

派工甜区：

  • ✅ 10–50 文件、机械模式（i18n 提取、批量 refactor、ETL）
  • ✅ 大数据 + 简单处理（日志扫描、文件转换、CRUD 增删）
  • ✅ 写脚本、补测试、写文档

派工反甜区：

  • ❌ 单文件 < 500 行的微调（DeepSeek reasoning overhead 不划算）
  • ❌ 跨文件架构设计 / 选型决策
  • ❌ 强依赖项目 CLAUDE.md / 内部约定文档的任务（DeepSeek 拿不到）
  • ❌ Bug 根因分析（推理密集，Claude 更强）

一行安装

curl -sSL https://raw.githubusercontent.com/PsChina/deepseek-as-subagent/main/curl-install.sh | bash

装完编辑 ~/.deepseek-mcp/config.json 把 DeepSeek API key 填进去（去 platform.deepseek.com 拿，¥20 能用很久），然后 claude 启动，试一句：

/ds write a python hello world to /tmp/hi.py

Claude 会调 delegate_to_deepseek，DeepSeek 自己跑完返回结果。

Codex CLI / Cursor / Cline / Claude Desktop 等其它 MCP 客户端也支持，README 里有适配说明。

项目地址

github.com/PsChina/dee…

如果觉得有用欢迎 star / issue / PR。被 awesome-mcp-servers 收录后这两天会陆续完善：

  • 录一个 30 秒的 demo GIF（直观看到"任务派出去 → DeepSeek 自己跑 → 返回结果"）
  • 加更多 adapter（目前 Claude Code / Codex 一档，欢迎贡献其它客户端的 onboarding）
  • 完善 skill 的边界 case（特别是"判断派工与否"的启发式）

欢迎拍砖。

avatar
文章
阅读
粉丝