一个美国佬，用 DeepSeek 写了封中文情书

1. Native RLM：把便宜模型用出花

RLM（Recursive Language Model）能同时拉起 1 到 16 个 deepseek-v4-flash 子模型并行推理。flash 是 DeepSeek 的轻量版，便宜、快，适合批量任务。

比如你要审查十几个文件的代码，与其一个一个来，不如同时开十几个 flash 并行处理，最后汇总结果。成本低，效率高。这设计聪明在一点：它利用了 DeepSeek V4 的定价优势。deepseek-v4-flash 的价格低到可以随便挥霍，换别的模型这么玩早就破产了。所以 Hunter 选 DeepSeek 不是情怀，是数学。

2. 三种模式 Reasoning Effort

Plan 模式只读探索，AI 不动你一行代码，先出方案。Agent 模式交互式执行，危险操作需要 approval。YOLO 模式全自动，适合信任的重复性任务。三个模式按 Tab 循环切换。

还能按 Shift Tab 调 reasoning effort（off → high → max），控制 AI 的”思考深度”。简单任务别浪费 token，复杂任务让 AI 想透。

3. Workspace 快照：AI 改崩了一键回滚

这是我最喜欢的设计。每次 Agent/YOLO 轮次前后，DeepSeek-TUI 会用 side-git 给工作区打快照，存在 ~/.deepseek/snapshots/

// 下面。

输入 /restore N 或 revert_turn 就能回滚到之前的状态，完全不碰你原仓库的 .git。相当于给 AI 的操作上了个”时光机保险”——玩脱了也能一键复活，不用 git stash git reset 一顿手忙脚乱。

4. LSP 诊断注入：让 AI 对自己的产出负责

AI 改完文件（edit_file / apply_patch / write_file），引擎自动触发 LSP 诊断。支持 rust-analyzer、pyright、typescript-language-server、gopls、clangd 等主流语言服务器。

如果有报错，诊断结果会作为合成用户消息注入下一轮对话。AI 自己就能看到”哎呀我刚才改出 bug 了”，然后自我修正。这设计的妙处在于：不是人在给 AI 擦屁股，是 AI 自己发现自己的错误自己修。

5. 持久化任务队列：后台跑任务，崩溃不丢

通过 /task add ... 或 HTTP API POST /v1/tasks 提交的任务，会被持久化到 ~/.deepseek/tasks/ 的本地存储里。程序崩溃、电脑重启，任务队列不会丢。

Worker 池按优先级消费任务，支持 checklist、gate 验证、后台 shell、PR 自动尝试等高级工作流。简单说：你可以丢一个长任务给 DeepSeek-TUI，然后关掉终端去干别的，回来再看结果。这对于代码审查、批量重构、长时间分析非常实用。

6. HTTP/SSE Runtime API：不只是 TUI，是本地 Agent 服务器

deepseek serve --http 启动后，暴露完整的 REST API：

Threads 和 Turns 管理（POST /v1/threads, POST /v1/threads/{id}/turns）事件流回放（GET /v1/threads/{id}/events?since_seq=）任务生命周期查询

这意味着你可以把 DeepSeek-TUI 当作本地 Agent 基础设施，用 curl、Python 脚本、甚至自己的前端来调用。它不止是一个终端工具，它是一个可以嵌入到你工作流里的运行时。

为什么偏偏是 DeepSeek？

1M token 上下文，够你把整个项目的核心代码 文档 多轮对话历史一次性塞进去。不用切文件、不用分批次、不用让 AI”先看一下 src/main.rs 再看一下 src/lib.rs”。

Prefix cache，重复出现的上下文只算一次钱。长会话越聊越便宜，而不是越聊越贵。对于终端 Agent 这种动辄十几轮对话的场景，这是真金白银的成本优势。

Thinking mode streaming，思维链实时展示。终端本身就是流式输出的最佳载体，一行一行往上滚，看着 AI 在”想”，体验很对味。

便宜。deepseek-v4-flash 的价格支撑得起 RLM 并行开 16 个模型。同样的预算，用 DeepSeek 能跑出别家做不到的效果。

还有一些藏在细节里的设计

Session 保存/恢复。--resume / --continue 或 TUI 里按 Ctrl R，可以恢复之前的会话。checkpoint 存在 ~/.deepseek/sessions/checkpoints/latest.json，崩溃后能自动恢复。

Context 智能压缩。上下文快满时自动精简历史，保留关键信息，不是简单截断。

成本追踪。每轮和 session 级别的 token 使用和成本估算，cache hit/miss 明细。用得起的前提是知道花了多少。

User memory。可选的持久化 note 文件，注入系统 prompt，跨会话记住你的偏好。

Hooks 系统。配置前后置钩子，比如每次工具调用前跑个自定义脚本。

Skills 插件。从 GitHub 安装可组合指令包，放到 ~/.deepseek/skills/ 就能用，无后端服务。

MCP 协议。连接外部 Model Context Protocol 工具服务器，扩展工具集。

Side-git 隔离。快照用的是独立的 git 仓库，跟你的项目 .git 完全隔离，回滚不会污染原仓库历史。

这项目现在啥情况

Hunter Bown 是主要维护者，但已经有不少社区贡献者参与。一个个人项目能做到这个地步，不容易。

更让我感兴趣的是他的”下一步”。他想建微信群——一个美国开发者，想拉个中文微信群，跟大家一起聊 DeepSeek、聊开源、聊怎么把 Agent 做得更好。

这事本身就很说明问题。DeepSeek 来自中国，中国开发者对 DeepSeek 的理解深度和使用密度可能是全球最高的。Hunter 想 direct connect 这个群体，说明他清楚地知道 DeepSeek 的核心用户在哪里。

而且他用了一种特别”不美国”的方式来做这件事——不是发英文推特@DeepSeek 官方求转发，不是写英文博客等 Hacker News 上榜，而是直接学中文、混中文社区、用 DeepSeek 给自己当翻译。这种”躬身入局”的姿态，比任何 PR 话术都管用。

最后

我装了 DeepSeek-TUI 试了一下。npm install -g deepseek-tui，配个 API key，deepseek 回车，一个漂亮的终端界面就弹出来了。确实很顺，没有乱七八糟的依赖问题。

用了一会儿，最大的感受是：这不像一个大厂产品，它像一个有性格的人做的工具。选 Rust 而不是 TypeScript，选单二进制而不是 Electron，选 DeepSeek 而不是”兼容所有模型”——每一个选择都有取舍，但取舍背后是清晰的价值观：快、轻、专注、不折腾。

还有那些藏在代码里的小细节。README 有完整的中文版，Hunter 在 X 上说”感谢鲸鱼赐我流利中文”。这些都不是功能，但它们让这个项目有了温度。

如果你也是鲸鱼兄弟，可以去 GitHub 给 Hunter 点个 star。或者更实在一点，试试 cargo install deepseek-tui-cli --locked，然后在终端里跟 DeepSeek 聊两句。

毕竟，一个发誓”不让兄弟受 npm 苦”的作者，值得你花五分钟了解一下。

项目地址：https://github.com/Hmbown/DeepSeek-TUI

安装：

# 最快路径npm install -g deepseek-tui# Rust 开发者推荐cargo install deepseek-tui-cli --locked