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

本課程介紹如何結合 DeepSeek V4 正式版模型 與 Codex，利用全面兼容 OpenAI 的 Responses API 開發工業級 AI 數據分析 Agent。課程涵蓋從 API 架構演進、環境搭建、多 Agent 設計到視覺能力整合（GPT-4o + MCP）的完整實戰流程，最終實現處理 300 萬數據規模的自動化數據分析、可視化、機器學習建模及報告生成。

核心重點

1. API 架構演進與優勢：

• DeepSeek V4 正式版全面兼容 OpenAI 的 Responses API。
• 相比舊版 Chat Completions API，Responses API 能自動搭建 Agent Loop，並自動進行多步或並發工具調用。
• 僅從 Chat Completions API 遷移至 Responses API，即可在 SWE Bench 上使 Agent 性能提升 3%。
• DeepSeek 是目前國內唯一全面接入 Responses API 的大模型（對比 Kimi K3 僅支持舊版 API）。

1. 開發環境與技能體系：

• 涵蓋基礎環境搭建、三層技藝管理系統、多 Agent 與 Profile 設計。
• 涉及工具鏈、斜杠命令、Skills 與 MCP 工具調用。
• 提供 DeepSeek V4 接入 Codex 的具體方法：腳本接入與 CC Switch 接入。

1. 視覺能力與自我審核機制：

• 引入視覺能力讓 Agent 能「看到」自己的開發成果，實現視覺自我審核與審美對齊。
• 技術實現採用 GPT-4o 作為視覺工具，並借助 MCP 提供觸發接口。

1. 工業級 Agent 實戰項目（DS4 AI 數據分析系統）：

• 目標：搭建一套工業級可用的 AI 數據分析系統，處理 300 萬數據規模。
• 功能：支持百萬級以上數據集管理、數據可視化、特徵工程、模型融合、機器學習建模。
• 報告生成：一鍵創建滿足業務格式和指標要求的圖文並茂數據分析報告。
• 擴展性：支持 Skills 功能系統，可上傳導入自定義 Skill；支持多版本迭代、修改和一鍵回溯。
• 系統狀態：支持實時查詢系統狀態、完整架構及各關鍵環節底層代碼。
• 設計：融合 WebDesign 設計理念，支持主題搭配樣式一鍵切換。

詳細大綱

I. 技術背景與核心優勢

• 模型與工具結合：DeepSeek V4 正式版模型全面官宣兼容 Codex，旨在開發高性能 Agent。
• API 對比：
• Chat Completions API：適合透過編排訊息佇列搭建 ChatBot 聊天機器人。
• Responses API：類似 OpenAI 版的 LongChain，核心功能為靈活編排訊息佇列。
• Responses API 核心能力：將模型系統提示詞與當前任務結合，自動搭建 Agent Loop，自動多步或並發調用工具執行任務。
• 性能數據：僅從 Chat Completions API 遷移至 Responses API，Agent 在 SWE Bench 性能提升 3%。
• 市場對比：DeepSeek 是目前唯一國內全面接入 Responses API 的大模型；Kimi K3 僅支持舊版 API。

II. 基礎開發環境與技能

• Responses API 教學：深入介紹基本語法規則、使用方法及底層執行與調用邏輯。
• Codex 接入實操：
• 介紹 DeepSeek V4 接入 Codex 的具體方法：腳本接入與 CC Switch 接入。
• 新人入門必備基礎技能：

1. 基礎環境搭建。
2. 三層技藝管理系統方法。
3. 多 Agent 與 Profile 設計。
4. 工具鏈與斜杠命令。
5. Skills 與 MCP 工具調用。

III. 視覺能力整合與自我審核

• 視覺能力必要性：讓 Agent 看到自己的開發成果，實現視覺自我審核與審美配合對齊，提升開發效果。
• 技術實現：
• 採用 GPT-4o 作為視覺工具。
• 借助 MCP 提供觸發接口。
• 架構示意：DeepSeek V4 接入視覺能力後，可實現驚豔的開發效果。

IV. 工業級 Agent 開發實戰：AI 數據分析系統

• 項目目標：搭建一整套工業級可用的 AI 數據分析系統。
• 系統功能需求：
• 接入各種數據源，支持百萬級以上數據集管理與讀取。
• 支持數據信息可視化分析、數據洞察、特徵工程、模型融合、機器學習建模分析。
• 一鍵創建滿足具體業務格式和指標要求的數據分析報告。
• 支持 Skills 功能系統，上傳導入與使用自定義 Skill 以拓展功能。
• 實戰演示內容：
• 以 300 萬數據規模為例，搭建完整數據分析流程。
• 實現全鏈路圖文並茂的可視化數據分析。
• 機器學習建模預測分析。
• 分析過程與關鍵結論一鍵整合，創建圖文並茂的數據分析報告。
• 支持多版本迭代、修改和一鍵回溯。
• 支持海量數據庫和本地數據的讀取和導入。
• Agent 內置大量數據分析 Skills（數據探索、可視化分析、機器學習建模、數據洞察、報告編寫）。
• 支持 Skills 定製化開發和載入。
• 實時查詢系統狀態、完整架構及各關鍵環節的底層代碼。
• 融合頂尖的 WebDesign 設計理念，主題搭配樣式一鍵切換。

V. 課程資源與結語

• 教學項目：DS4 AI 數據分析系統。
• 提供資源：
• 完整的 DeepSeek V4 技術體系 LLM Wiki 知識庫。
• 10 項 DeepSeek V4 開發專屬 Skills。
• 公開課課件、腳本、項目提示詞。
• 獲取方式：上傳至「賦范 AI 社區」，掃描置頂評論二維碼免費領取。

工具 / 模型 / 名詞整理

• 模型/產品：
• DeepSeek V4 正式版模型
• Codex
• Kimi K3
• GPT-4o
• OpenAI
• API/技術接口：
• Responses API
• Chat Completions API
• MCP (Model Context Protocol)
• LongChain (文中比喻用法，指類似 OpenAI 版的 LongChain)
• 平台/社區：
• 賦范 AI 社區
• 其他專有名詞：
• SWE Bench
• WebDesign
• Agent Loop
• Skills
• CC Switch
• DS4 (可能指代 DeepSeek V4 的縮寫或特定項目代號)

操作流程整理

1. 環境與基礎準備：

• 搭建基礎開發環境。
• 學習 Responses API 基本語法規則、使用方法及底層執行與調用邏輯。
• 掌握 DeepSeek V4 接入 Codex 的方法（腳本接入與 CC Switch 接入）。

1. 技能體系構建：

• 建立三層技藝管理系統。
• 設計多 Agent 與 Profile。
• 配置工具鏈與斜杠命令。
• 調用 Skills 與 MCP 工具。

1. 視覺能力整合：

• 接入 GPT-4o 作為視覺工具。
• 利用 MCP 提供觸發接口，實現 Agent 對開發成果的視覺自我審核與審美對齊。

1. 工業級數據分析系統實戰 (DS4)：

• 數據接入：導入海量數據庫和本地數據，支持百萬級以上數據集管理。
• 分析流程：
• 數據探索與可視化分析。
• 特徵工程與數據洞察。
• 模型融合與機器學習建模預測。
• 報告生成：將分析過程與關鍵結論整合，一鍵創建圖文並茂的數據分析報告。
• 系統管理：
• 實時查詢系統狀態、完整架構及各關鍵環節底層代碼。
• 支持多版本迭代、修改和一鍵回溯。
• 定製化開發和載入 Skills。
• 界面設計：融合 WebDesign 理念，實現主題搭配樣式一鍵切換。

值得注意的限制或風險

• API 兼容性差異：目前僅 DeepSeek 全面接入 Responses API，Kimi K3 等模型僅支持舊版 Chat Completions API，可能影響跨平台開發的兼容性。
• 性能提升幅度：從 Chat Completions API 遷移至 Responses API 僅帶來 SWE Bench 性能提升 3%，需評估實際業務場景中的投入產出比。
• 視覺能力依賴：視覺自我審核依賴 GPT-4o 和 MCP，需確保這些外部工具的穩定性和成本效益。

逐字稿辨識疑點

• 雙劍合併：原文為「雙劍合併」，疑點：通常詞彙為「雙劍合璧」或「雙劍合併」，此處可能為口誤或特定隱喻，需查證。
• 科快課：原文多次出現「本期科快課」，疑點：可能為課程名稱「科快課」，或為「科普課」/「科技課」的聽寫錯誤，需查證。
• 三层技艺管理系统：原文為「三层技藝管理系統」，疑點：「技藝」在此語境下可能為「技術」的聽寫錯誤，需查證。
• 斜杠命令：原文為「斜杠命令」，疑點：通常技術術語為「斜線命令」或「Slash Command」，需查證。
• DS4：原文為「DS4 AI 數據分析系統」，疑點：可能指代 DeepSeek V4 的縮寫，需查證是否為特定項目代號。
• 2.8T 參數：原文提及「2.8T 參數的 Kimi K3」，疑點：參數單位「T」通常指 Trillion（兆），需查證具體數值是否準確。

可延伸追問

1. Responses API 與 Chat Completions API 在底層執行邏輯上的具體差異是什麼？
2. 如何具體實現「三層技藝管理系統」？其架構設計原則為何？
3. 在工業級數據分析中，如何平衡機器學習建模的準確性與報告生成的時效性？
4. MCP 工具在視覺自我審核機制中的具體觸發流程是什麼？
5. 自定義 Skills 的開發規範與載入機制為何？