影片筆記：DeepSeek V4正式版+Codex工业Agent开发实战！从零手搓AI数据分析Agent，Responses API调用流程与Codex核心功能详解！ p01 01.DeepSee+Codex Agent开发入门

一句話總結

本段影片介紹了 DeepSeek V4 正式版模型全面兼容 OpenAI 最新 Responses API 後的開發成果，展示了一套具備全鏈路可視化、建模預測及報告生成能力的工業級 AI 數據分析系統，並詳細講解了從環境搭建、Codex 接入到視覺能力整合的完整開發流程。

核心重點

• DeepSeek V4 與 Responses API 的結合：
• DeepSeek V4 正式版全面適配 OpenAI 最新的 Responses API。
• Responses API 相比上一代 Chat Completions API，能更靈活地編排消息隊列，自動搭建 Agent Loop，特別適合開發 Agent。
• 僅從 Chat Completions API 遷移至 Responses API，Agent 在 SWE Bench 上的性能提升了 3%。
• 宣稱 DeepSeek 是目前國內唯一全面接入 Responses API 的大模型（對比 Kimi K3 僅支持上一代 API）。
• 工業級 AI 數據分析系統功能展示：
• 全鏈路可視化：支持圖文並茂的數據分析。
• 建模預測：具備積極學習建模預測分析能力。
• 報告生成：一鍵整合關鍵結論並創建數據分析報告，滿足業務格式和指標要求。
• 版本管理：支持多版本迭代、修改及一鍵回溯。
• 數據處理：支持海量數據庫和本地數據讀取導入（以 300 萬數據規模為例），接入各種數據員，支持百萬級以上數據級管理和讀取。
• Skills 系統：內置大量數據分析 Skills，支持上傳、導入和使用自定義 SKILL。
• 其他功能：支持查詢系統狀態、完整架構及底層代碼；融合 Web Design 設計理念，支持主題樣式一鍵切換。
• Codex 接入與開發技能：
• 課程涵蓋 DeepSeek V4 接入 Codex 的具體方法，包括腳本接入和 CC Switch 接入。
• 新人入門 Codex 需掌握 5 個核心功能模塊：基礎環境搭建、三層技術管理系統方法、多 Agent 和 Profile 設計、工具鏈和斜告命令、Skills 與 MCP 工具調用。
• 視覺能力整合：
• 為 DeepSeek 加 Codex 技術體系接入視覺能力，實現開發成果的視覺自我審核及審美配合對齊。
• 使用 1013.8 作為視覺工具，藉助 MCP 提供觸發接口。
• 強調只有接入視覺能力，才能實現驚艷的開發效果。
• 學習資源：
• 提供 DeepSeek V4 技術體系 LM Viki 知識庫。
• 提供 10 項 DeepSeek V4 開發專屬 SKILLS。
• 課件、腳本、項目提示詞、知識庫和 SKILLS 已上傳至富販 AI 社區，可掃描屏幕上的奧義碼免費領取。

詳細大綱

1. 開發成果展示

• DeepSeek V4 正式版模型與 Codex 合併後的實際開發效果。
• 工業級 AI 數據分析系統功能：
• 全鏈路圖文並茂的可視化數據分析。
• 積極學習建模預測分析。
• 一鍵整合關鍵結論並創建數據分析報告。
• 支持多版本迭代、修改及一鍵回溯。
• 支持海量數據庫和本地數據讀取導入（以 300 萬數據規模為例）。
• 內置大量數據分析 Skills，支持定制化開發和載入。
• 支持查詢系統狀態、完整架構及底層代碼。
• 融合 Web Design 設計理念，支持主題樣式一鍵切換。

2. 核心技術基礎：Responses API

• DeepSeek V4 全面適配 OpenAI 最新的 Responses API。
• Responses API 與上一代 Chat Completions API 的區別：
• 前者靈活編排消息對列，自動搭建 Agent Loop，適合開發 Agent。
• 後者適合通過編排消息對列搭建 ChatBot 聊天機器人。
• 性能提升：僅從 Chat Completions API 遷移至 Responses API，Agent 在 SWE Bench 性能提升 3%。
• DeepSeek 是目前唯一國內全面接入 Responses API 的大模型（對比 Kimi K3 僅支持上一代 API）。
• 課程第一部分：深入介紹 Responses API 基本語法、使用方法及底層執行調用邏輯。

3. Codex 接入與開發技能

• 課程第二部分：DeepSeek V4 接入 Codex 的具體方法。
• 腳本接入。
• CC Switch 接入。
• 新人入門 Codex 必備基礎技能（5 個核心功能模塊）：
• 基礎環境搭建。
• 三層技術管理系統方法。
• 多 Agent 和 Profile 設計。
• 工具鏈和斜告命令。
• Skills 與 MCP 工具調用。

4. 視覺能力整合

• 為 DeepSeek 加 Codex 技術體系接入視覺能力，實現開發成果的視覺自我審核及審美配合對齊。
• 使用 1013.8 作為視覺工具，藉助 MCP 提供觸發接口。
• 強調只有接入視覺能力，才能實現驚艷的開發效果。

5. 工業級 Agent 開發實戰：AI 數據分析系統

• 工業場景需求升級：
• 接入各種數據員，支持百萬級以上數據級管理和讀取。
• 支持數據信息、可視化分析、數據洞察、特製工程、模型融合、機器學系建模分析等完整鏈錄。
• 一鍵創建滿足業務格式和指標要求的數據分析報告。
• SKILLS 功能系統，支持上傳、導入和使用自定義 SKILL。
• 教學項目內容：
• 詳細介紹 AI 數據分析基本業務背景、核心、項目架構及技術選擇方案。
• 藉助 Codex 一步步完成項目開發。
• 學習資源：
• DeepSeek V4 技術體系 LM Viki 知識庫。
• 10 項 DeepSeek V4 開發專屬 SKILLS。
• 課件、腳本、項目提示詞、知識庫和 SKILLS 已上傳至富販 AI 社區，掃描屏幕上的奧義碼免費領取。

工具 / 模型 / 名詞整理

• 模型/產品名稱：
• DeepSeek V4 正式版模型
• Codex
• OpenAI
• Responses API
• Chat Completions API
• Kimi K3
• 1013.8
• MCP (Model Context Protocol)
• 富販 AI 社區
• 技術/概念名稱：
• Agent Loop
• SWE Bench
• 消息隊列
• 三層技術管理系統
• 多 Agent
• Profile 設計
• 工具鏈
• 斜告命令
• Skills
• 視覺自我審核
• 審美配合對齊
• 數據員
• 特製工程
• 機器學系建模分析
• LM Viki 知識庫
• 奧義碼

操作流程整理

1. 環境與基礎準備：

• 進行基礎環境搭建。
• 學習三層技術管理系統方法。

1. API 接入與配置：

• 將 DeepSeek V4 接入 OpenAI 的 Responses API。
• 配置 Codex 接入方式（腳本接入或 CC Switch 接入）。

1. 開發技能學習：

• 學習多 Agent 和 Profile 設計。
• 掌握工具鏈和斜告命令的使用。
• 學習 Skills 與 MCP 工具調用。

1. 視覺能力整合：

• 接入視覺能力（使用 1013.8 工具）。
• 藉助 MCP 提供觸發接口，實現視覺自我審核及審美配合對齊。

1. 工業級 Agent 開發實戰：

• 了解 AI 數據分析基本業務背景、核心、項目架構及技術選擇方案。
• 藉助 Codex 一步步完成項目開發，包括數據讀取、可視化分析、建模預測及報告生成。
• 利用內置或自定義的 Skills 進行功能擴展。

1. 資源獲取：

• 掃描屏幕上的奧義碼，免費領取課件、腳本、項目提示詞、知識庫和 SKILLS。

值得注意的限制或風險

• API 兼容性宣稱：影片宣稱 DeepSeek 是目前國內唯一全面接入 Responses API 的大模型，並對比 Kimi K3 僅支持上一代 API，此為影片中的觀點，需留意其準確性。
• 性能提升數據：僅從 Chat Completions API 遷移至 Responses API，Agent 在 SWE Bench 性能提升 3%，此數據為影片提供，具體實驗條件未詳述。
• 視覺能力必要性：強調只有接入視覺能力，才能實現驚艷的開發效果，這可能是一種營銷或特定場景下的觀點，並非所有 Agent 開發的絕對必要條件。
• 數據規模與性能：系統支持 300 萬數據規模及百萬級數據管理，具體性能表現和擴展性限制未在影片中詳細說明。

逐字稿辨識疑點

• Deep-Sea：逐字稿中多次出現「Deep-Sea V4」，通常大模型名稱為「DeepSeek」，此處可能為口誤或特定稱呼，需查證。
• 雙鍵合併：語意不明，可能指「雙鍵」或「合併」相關操作，需查證。
• 積極學習建模：機器學習領域通常稱為「機器學習」或「強化學習」，「積極學習」可能為聽寫錯誤，需查證。
• 科外科 / 空海課：逐字稿中出現「本期空海課最終的開發成果」及「本期科外科就為大家」，可能為「空海課」或特定課程名稱，需查證。
• Kogex / Kodex：逐字稿中交替出現「Codex」、「Kogex」、「Kodex」，需確認正確產品名稱。
• Chat Compilations API：OpenAI 官方 API 通常為「Chat Completions API」，「Compilations」可能為聽寫錯誤，需查證。
• 數據員：語意不明，可能指「數據源」或「數據庫」，需查證。
• 特製工程：數據分析流程中通常為「特徵工程」，「特製」可能為聽寫錯誤，需查證。
• 機器學系建模分析：通常為「機器學習建模分析」，「學系」可能為聽寫錯誤，需查證。
• 鏈錄：通常為「鏈路」，「鏈錄」可能為聽寫錯誤，需查證。
• 斜告命令：語意不明，可能指「Shell 命令」或特定工具命令，需查證。
• 1013.8：作為視覺工具名稱，需查證是否為特定版本號或產品名。
• LM Viki 知識庫：需查證是否為特定知識庫產品名稱。
• 富販 AI 社區：需查證是否為特定平台名稱。
• 奧義碼：需查證是否為特定邀請碼或二維碼稱呼。
• 2016 大模型 Agent 的技術發展：年份「2016」與上下文「迅猛發展」及當前 AI 時間線不符，可能為口誤，需查證。

可延伸追問

• Responses API 與 Chat Completions API 在具體的技術實現和代碼結構上有何具體差異？
• DeepSeek V4 在接入 Responses API 後，除了 SWE Bench 性能提升 3% 外，在其他基準測試（如 MMLU、HumanEval 等）上的表現如何？
• 「CC Switch」接入 Codex 的具體技術原理和配置步驟是什麼？
• 視覺自我審核和審美配合對齊在實際開發中如何量化評估？
• 工業級 AI 數據分析系統在處理 300 萬數據規模時，具體的響應時間和資源消耗情況如何？
• 「斜告命令」具體指代哪些命令或工具？其在 Agent 開發中的作用是什麼？
• 如何自定義和開發專屬的 Skills，並將其無縫集成到現有的 Agent 架構中？