# 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）。

2.  **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。

3.  **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。

4.  **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）。

2.  **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。

3.  **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。

4.  **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？