我们在 PaperBench 基准测试上评估了 DeepCode（由 OpenAI 发布），这是一个严格的测试平台，要求 AI 代理从零开始独立复现 20 篇 ICML 2024 论文。该基准包含 8,316 个可评分组件，使用 SimpleJudge 并结合层次化权重进行评估。

我们的实验将 DeepCode 与四个基线类别进行了对比：(1) 人类专家、(2) 最先进的商用代码代理、(3) 科学代码代理 和 (4) 基于大语言模型的代理。

① 🧠 人类专家表现（顶尖机器学习博士）

DeepCode: 75.9% vs. 顶尖机器学习博士: 72.4% (+3.5%)

在针对 3 篇论文的人工评估子集中，DeepCode 达到了 75.9%，比三名人类专家中的最佳表现（72.4%）高出 3.5 个百分点。这表明我们的框架不仅达到了专家级别的代码复现能力，还超越了这一水平，标志着自主科学软件工程领域的一个重要里程碑。

② 💼 最先进的商用代码代理

DeepCode: 84.8% vs. 最佳商用代理: 58.7% (+26.1%)

在 5 篇论文的子集上，DeepCode 显著优于领先的商用编码工具：

• Cursor: 58.4%
• Claude Code: 58.7%
• Codex: 40.0%
• DeepCode: 84.8%

这相比领先的商用代码代理提高了 26.1%。所有商用代理均使用 Claude Sonnet 4.5 或 GPT-5 Codex-high 模型，这凸显出驱动这一性能差距的是 DeepCode 的优越架构，而非基础模型的能力。

③ 🔬 科学代码代理

DeepCode: 73.5% vs. PaperCoder: 51.1% (+22.4%)

与最先进的科学代码复现框架 PaperCoder（51.1%）相比，DeepCode 达到了 73.5%，展示了 22.4% 的相对提升。这一显著优势验证了我们采用规划、层次化任务分解、代码生成和迭代调试相结合的多模块架构，相较于简单的流水线式方法更具优势。

④ 🤖 基于大语言模型的代理

DeepCode: 73.5% vs. 最佳 LLM 代理: 43.3% (+30.2%)

DeepCode 明显优于所有测试过的 LLM 代理：

• Claude 3.5 Sonnet + IterativeAgent: 27.5%
• o1 + IterativeAgent（36 小时）: 42.4%
• o1 BasicAgent: 43.3%
• DeepCode: 73.5%

相比表现最好的 LLM 代理，30.2% 的提升表明，对于复杂的代码复现任务，关键在于精巧的代理架构设计，而非延长推理时间或使用更大规模的模型。

🎯 自主自协调的多智能体架构

面临的挑战：

• 📄 实现复杂性：将学术论文和复杂算法转化为可运行的代码需要大量的技术投入和领域专业知识。

• 🔬 研究瓶颈：研究人员不得不花费宝贵的时间来实现算法，而不是专注于核心研究和发现工作。

• ⏱️ 开发延迟：产品团队在概念阶段与可测试原型之间往往经历漫长的等待，从而拖慢创新周期。

• 🔄 重复性编码：开发者反复实现相似的模式和功能，而无法基于现有解决方案进行构建。

DeepCode 通过为常见开发任务提供可靠的自动化支持，解决了这些工作流低效问题，从而简化您的开发流程，从概念到代码一气呵成。

flowchart LR
    A["📄 研究论文<br/>💬 文本提示<br/>🌐 URLs & 文档<br/>📎 文件：PDF、DOC、PPTX、TXT、HTML"] --> B["🧠 DeepCode<br/>多智能体引擎"]
    B --> C["🚀 算法实现 <br/>🎨 前端开发 <br/>⚙️ 后端开发"]

    style A fill:#ff6b6b,stroke:#c0392b,stroke-width:2px,color:#000
    style B fill:#00d4ff,stroke:#0984e3,stroke-width:3px,color:#000
    style C fill:#00b894,stroke:#00a085,stroke-width:2px,color:#000

🏗️ 架构

📊 系统概述

DeepCode 是一个由 AI 驱动的开发平台，能够自动完成代码生成和实现任务。我们的多智能体系统可以处理将需求转化为功能完善、结构良好的代码这一复杂过程，使您能够专注于创新，而非实现细节。

🎯 技术能力：

🧬 从研究到生产的工作流
多模态文档分析引擎，可以从学术论文中提取算法逻辑和数学模型。在保持计算复杂度特性的同时，生成具有适当数据结构的优化实现。

🪄 自然语言代码合成
基于微调语言模型的上下文感知代码生成，训练数据来自精选的代码仓库。能够在跨模块间保持架构一致性，并支持多种编程语言和框架。

⚡ 自动化原型引擎
智能脚手架系统，能够生成包括数据库模式、API 端点和前端组件在内的完整应用结构。利用依赖关系分析确保从初始生成起就具备可扩展的架构。

💎 质量保证自动化
集成静态分析、自动化单元测试生成和文档合成功能。采用 AST 分析确保代码正确性，并通过基于属性的测试实现全面覆盖。

🔮 CodeRAG 集成系统
先进的检索增强生成技术，结合语义向量嵌入与基于图的依赖关系分析。能够从大规模代码库中自动发现最优的库和实现模式。

🔧 核心技术

• 🧠 智能编排代理：中央决策系统，负责协调工作流各阶段并分析需求。采用动态规划算法，根据项目复杂度的变化实时调整执行策略。为每个实现步骤动态选择最优处理方案。
  

• 💾 高效内存机制：先进的上下文工程系统，能够高效管理大规模代码上下文。实施分层内存结构，并结合智能压缩技术以应对复杂代码库。该组件可实现对实现模式的即时检索，并在长时间的开发会话中保持语义连贯性。
  

• 🔍 高级 CodeRAG 系统：全局代码理解引擎，能够分析跨代码库的复杂依赖关系。通过跨代码库的关系映射，从整体视角理解架构模式。该模块利用依赖图和语义分析，在实现过程中提供全局视角下的代码建议。
  

🤖 DeepCode 的多智能体架构：

• 🎯 中央协调智能体：协调整个工作流的执行并做出战略决策。根据输入复杂度分析，协调各专业智能体的工作。实施动态任务规划和资源分配算法。
  

• 📝 意图理解智能体：对用户需求进行深度语义分析，以解析复杂的意图。通过先进的自然语言处理技术提取功能规范和技术约束。将模糊的人类描述转化为精确、可执行的开发规范，并进行结构化的任务分解。
  

• 📄 文档解析智能体：利用先进的解析能力处理复杂的技术文档和研究论文。使用文档理解模型提取算法和方法论。通过智能内容分析，将学术概念转化为实际的实现规范。
  

• 🏗️ 代码规划智能体：进行架构设计和技术栈优化。动态规划适应性开发路线图。通过自动选择设计模式来执行编码标准并生成模块化结构。
  

• 🔍 代码参考挖掘智能体：通过智能搜索算法发现相关的代码库和框架。分析代码库的兼容性和集成潜力。基于相似度指标和自动化依赖分析提供推荐。
  

• 📚 代码索引智能体：构建已发现代码库的综合知识图谱。维护代码组件之间的语义关系。实现智能检索和交叉引用功能。
  

• 🧬 代码生成智能体：将收集到的信息综合成可执行的代码实现。创建功能接口并集成已发现的组件。生成全面的测试套件和文档，以确保可重复性。

🛠️ 实施工具矩阵

🔧 基于 MCP（模型上下文协议）

DeepCode 利用 模型上下文协议 (MCP) 标准，与各种工具和服务无缝集成。这种标准化的方法确保了 AI 智能体与外部系统之间的可靠通信，从而实现强大的自动化能力。

📡 MCP 服务器及工具

🔧 遗留工具功能 (供参考)

🎛️ 多接口框架
提供 RESTful API、命令行界面以及带有实时代码流、交互式调试功能的 Web 前端，并具备可扩展的插件架构，便于与 CI/CD 集成。

🚀 多智能体智能流水线：

🚀 快速入门

📋 先决条件

在安装 DeepCode 之前，请确保您已具备以下条件：

# 检查您的版本
python --version   # 应为 3.9+
node --version     # 应为 18+
npm --version      # 应为 8+

# macOS（使用 Homebrew）
brew install node

# Ubuntu/Debian
curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash -
sudo apt-get install -y nodejs

# Windows
# 从 https://nodejs.org/ 下载

📦 步骤 1：安装

请选择以下任一安装方式：

⚡ 直接安装（推荐）

# 🚀 直接安装 DeepCode 包
pip install deepcode-hku

# 🔑 下载配置文件
curl -O https://raw.githubusercontent.com/HKUDS/DeepCode/main/mcp_agent.config.yaml
curl -O https://raw.githubusercontent.com/HKUDS/DeepCode/main/mcp_agent.secrets.yaml

🔧 开发安装（从源码）

git clone https://github.com/HKUDS/DeepCode.git
cd DeepCode/

curl -LsSf https://astral.sh/uv/install.sh | sh
uv venv --python=3.13
source .venv/bin/activate  # 在 Windows 上：.venv\Scripts\activate
uv pip install -r requirements.txt

# 安装前端依赖
npm install --prefix new_ui/frontend

git clone https://github.com/HKUDS/DeepCode.git
cd DeepCode/

pip install -r requirements.txt

# 安装前端依赖
npm install --prefix new_ui/frontend

🔧 步骤 2：配置

以下配置适用于 所有安装方法（pip、UV、源码和 Docker）。

🔑 API 密钥 （必需）

编辑 mcp_agent.secrets.yaml，填入您的 API 密钥：

# 至少需要一个提供商的 API 密钥
openai:
  api_key: "your_openai_api_key"
  base_url: "https://openrouter.ai/api/v1"  # 可选：用于 OpenRouter 或自定义端点

anthropic:
  api_key: "your_anthropic_api_key"  # 用于 Claude 模型

google:
  api_key: "your_google_api_key"     # 用于 Gemini 模型

🤖 LLM 提供商 （可选）

编辑 mcp_agent.config.yaml，选择您偏好的 LLM 提供商（约第 106 行）：

# 选项： "google", "anthropic", "openai"
# 如果未设置或不可用，则会自动回退到首个可用的提供商
llm_provider: "google"

🔍 搜索 API 密钥 （可选）

在 mcp_agent.config.yaml 中配置网页搜索：

# 对于 Brave Search（默认）—— 在 brave.env 部分设置（第 28 行左右）
brave:
  env:
    BRAVE_API_KEY: "your_brave_api_key_here"

# 对于 Bocha-MCP（替代方案）—— 在 bocha-mcp.env 部分设置（第 74 行左右）
bocha-mcp:
  env:
    BOCHA_API_KEY: "your_bocha_api_key_here"

📄 文档分割 (可选)

在 mcp_agent.config.yaml 中控制文档处理：

document_segmentation:
  enabled: true          # true/false — 是否启用智能文档分割
  size_threshold_chars: 50000  # 触发分割的文档大小阈值

# 1. 全局安装 MCP 服务器
npm i -g @modelcontextprotocol/server-brave-search
npm i -g @modelcontextprotocol/server-filesystem

# 2. 查找您的全局 node_modules 路径
npm -g root

mcp:
  servers:
    brave:
      command: "node"
      args: ["C:/Program Files/nodejs/node_modules/@modelcontextprotocol/server-brave-search/dist/index.js"]
    filesystem:
      command: "node"
      args: ["C:/Program Files/nodejs/node_modules/@modelcontextprotocol/server-filesystem/dist/index.js", "."]

# 默认搜索服务器配置
# 选项：“brave” 或 “bocha-mcp”
default_search_server: "brave"

# 对于 Brave Search（默认）—— 大约第 28 行
brave:
  command: "npx"
  args: ["-y", "@modelcontextprotocol/server-brave-search"]
  env:
    BRAVE_API_KEY: "your_brave_api_key_here"

# 对于 Bocha-MCP（替代方案）—— 大约第 74 行
bocha-mcp:
  command: "python"
  args: ["tools/bocha_search_server.py"]
  env:
    PYTHONPATH: "."
    BOCHA_API_KEY: "your_bocha_api_key_here"

⚡ 步骤 3：启动应用

选择您 preferred 的启动方式：

git clone https://github.com/HKUDS/DeepCode.git
cd DeepCode/
cp mcp_agent.secrets.yaml.example \
   mcp_agent.secrets.yaml
# 使用您的 API 密钥编辑密钥文件

./deepcode_docker/run_docker.sh
# 访问 → http://localhost:8000

deepcode
# 前端 → http://localhost:5173
# 后端 → http://localhost:8000
# 按 Ctrl+C 停止

# macOS / Linux
./run.sh
# 或：python deepcode.py

# Windows
run.bat
# 或：python deepcode.py

# 经典 Streamlit 界面
deepcode --classic

# CLI 模式
deepcode --cli
# 或：python cli/main_cli.py

./deepcode_docker/run_docker.sh stop      # 停止
./deepcode_docker/run_docker.sh restart   # 重启（配置更改无需重新构建）
./deepcode_docker/run_docker.sh --build   # 强制重新构建
./deepcode_docker/run_docker.sh logs      # 实时日志
./deepcode_docker/run_docker.sh status    # 健康检查
./deepcode_docker/run_docker.sh clean     # 移除容器和镜像

docker compose -f deepcode_docker/docker-compose.yml up --build   # 构建并启动
docker compose -f deepcode_docker/docker-compose.yml down         # 停止
docker compose -f deepcode_docker/docker-compose.yml logs -f      # 日志

🎯 步骤 4：生成代码

1. 📄 输入 — 上传研究论文、输入需求或粘贴 URL
2. 🤖 处理 — 多智能体系统进行分析、规划和生成
3. ⚡ 输出 — 获得带有测试和文档的生产就绪代码

🔧 故障排除

🤖 nanobot 集成（飞书聊天机器人）

通过 Feishu 与 DeepCode 聊天 —— 由 nanobot 提供支持。

flowchart LR
    subgraph Clients["💬 聊天平台"]
        direction TB
        F["<b>Feishu</b><br/>WebSocket"]
        T["<b>Telegram</b><br/>Polling"]
        D["<b>Discord</b><br/>Gateway"]
    end

    subgraph Gateway["🐈 nanobot 网关"]
        direction TB
        A["代理循环<br/><i>LLM + 工具调用</i>"]
    end

    subgraph Engine["🧠 DeepCode 引擎"]
        direction TB
        P2C["论文 → 代码"]
        C2C["聊天 → 代码"]
        TRK["任务跟踪"]
    end

    F & T & D <-->|"消息"| A
    A -->|"HTTP API"| P2C & C2C & TRK
    A -.->|"LLM API"| LLM["☁️ OpenRouter"]

    style Clients fill:#1a1a2e,stroke:#00d9ff,color:#fff
    style Gateway fill:#1a1a2e,stroke:#4ecdc4,color:#fff
    style Engine fill:#1a1a2e,stroke:#ff6b6b,color:#fff
    style LLM fill:#1a1a2e,stroke:#9b59b6,color:#fff

✦

这两个服务运行在同一套 Docker Compose 网络中。先决条件：Docker Desktop + OpenRouter API 密钥（获取密钥）+ Feishu 应用程序。

步骤 1 · 创建 Feishu 机器人

步骤 2 · 配置

cp nanobot_config.json.example nanobot_config.json

编辑 nanobot_config.json 文件，填写以下 3 个必填字段：

{
  "channels": {
    "feishu": {
      "enabled": true,
      "appId": "cli_xxx",              // ← Feishu App ID
      "appSecret": "xxx",              // ← Feishu App Secret
      "allowFrom": []                  // [] = 允许所有用户
    }
  },
  "providers": {
    "openrouter": {
      "apiKey": "sk-or-v1-xxx"         // ← OpenRouter API 密钥
    }
  },
  "agents": {
    "defaults": {
      "model": "anthropic/claude-sonnet-4-20250514"
    }
  }
}

模型选择：可在 openrouter.ai/models 上选择任意模型。英语使用 anthropic/claude-sonnet-4-20250514，中文则使用 minimax/minimax-m2.1。

步骤 3 · 启动

确保 mcp_agent.secrets.yaml 中已填写你的 DeepCode API 密钥（参见【步骤 2 · 配置】），然后执行以下命令：

./nanobot/run_nanobot.sh -d          # 在后台同时启动 DeepCode 和 nanobot

该脚本会检查 Docker 环境、验证配置文件、构建镜像（仅首次运行时），并启动两个容器。

✓ DeepCode API:  http://localhost:8000
✓ Nanobot:       http://localhost:18790

现在打开 Feishu → 找到你的机器人 → 发送一条消息吧！

./nanobot/run_nanobot.sh              # 前台启动
./nanobot/run_nanobot.sh -d           # 后台启动
./nanobot/run_nanobot.sh stop         # 停止所有服务
./nanobot/run_nanobot.sh restart      # 重启（配置更改立即生效）
./nanobot/run_nanobot.sh --build      # 强制重建 Docker 镜像
./nanobot/run_nanobot.sh logs         # 查看实时日志
./nanobot/run_nanobot.sh status       # 健康检查
./nanobot/run_nanobot.sh clean        # 移除容器和镜像

💡 示例

🎬 现场演示

📄 Paper2Code 演示 从研究到实现 ▶️ 观看演示 自动将学术论文转化为可投入生产的代码

🖼️ 图像处理演示 AI 驱动的图像工具 ▶️ 观看演示 智能图像处理，包括背景移除和增强

🌐 前端实现 完整的 Web 应用 ▶️ 观看演示 从概念设计到部署的全栈 Web 开发

🆕 近期更新

📄 智能文档分割（v1.2.0）

• 智能处理：自动处理超出 LLM 令牌限制的大篇幅科研论文和技术文档
• 可配置控制：通过配置大小阈值来切换分割功能
• 语义分析：先进的内容理解技术，能够保留算法、概念和公式
• 向后兼容性：对于较小的文档，可无缝回退到传统处理方式

🚀 即将推出

我们正不断为 DeepCode 增加令人兴奋的新功能：

🔧 增强的代码可靠性和验证

• 自动化测试：全面的功能测试，包含执行验证和错误检测。
• 代码质量保证：通过静态分析、动态测试和性能基准测试进行多层级验证。
• 智能调试：基于 AI 的错误检测，并提供自动修复建议。

📊 PaperBench 性能展示

• 基准测试仪表板：涵盖 PaperBench 评估套件的全面性能指标。
• 准确率指标：与最先进论文复现系统的详细对比。
• 成功分析：按论文类别和复杂度水平进行统计分析。

⚡ 系统级优化

• 性能提升：多线程处理和优化的代理协调机制，实现更快的生成速度。
• 推理能力增强：具备更强大的上下文理解能力，推理水平进一步提升。
• 扩展支持：增加对更多编程语言和框架的支持。

⭐ 星标历史

社区增长轨迹

🚀 准备好变革开发了吗？

---

📖 引用

如果您在研究或应用中使用了 DeepCode，请引用以下内容：

@misc{li2025deepcodeopenagenticcoding,
      title={DeepCode: 开放式智能体编码},
      author={Zongwei Li 和 Zhonghang Li 和 Zirui Guo 和 Xubin Ren 和 Chao Huang},
      year={2025},
      eprint={2512.07921},
      archivePrefix={arXiv},
      primaryClass={cs.SE},
      url={https://arxiv.org/abs/2512.07921},
}

---

📄 许可证

MIT 许可证 - 版权所有 © 2025 香港大学数据智能实验室

---

DeepCode 快速上手指南

DeepCode 是一个基于多智能体系统（Multi-Agent Systems）的开源代码生成工具，能够将研究论文或自然语言描述转化为生产级代码。它支持命令行（CLI）和现代化的 Web 界面两种交互方式。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows、macOS 或 Linux
• Python 版本：Python 3.13 (必须严格匹配此版本)
• 网络环境：需要能够访问 GitHub 及相关的 AI 模型 API（如 OpenAI、Anthropic 等，具体取决于您配置的模型后端）
• 依赖管理：建议安装 pip 和 git

💡 国内开发者提示：如果遇到 Python 包下载缓慢的问题，建议在安装时使用国内镜像源（如清华源或阿里源）。

2. 安装步骤

第一步：克隆项目

打开终端（Terminal）或命令提示符，运行以下命令克隆仓库：

git clone https://github.com/HKUDS/DeepCode.git
cd DeepCode

第二步：创建虚拟环境并安装依赖

推荐使用 venv 或 conda 创建独立的 Python 3.13 环境。

使用 venv (推荐):

# 创建虚拟环境 (确保系统默认 python 或指定 python3.13)
python3.13 -m venv venv

# 激活环境
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate

# 安装依赖 (使用国内镜像加速)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

第三步：配置 API Key

在项目根目录下，复制环境变量配置文件并根据需要编辑：

cp .env.example .env

编辑 .env 文件，填入您的 LLM API Key（例如 OpenAI Key 或其他兼容模型的 Key）：

OPENAI_API_KEY=sk-your-api-key-here
# 如果使用其他模型提供商，请参考 .env 文件中的注释进行相应配置

3. 基本使用

DeepCode 提供了两种启动方式，您可以根据习惯选择。

方式一：启动 Web 界面（推荐新手）

这是最新的交互式界面，支持“人在回路”（User-in-Loop）功能，AI 会在执行过程中主动向您提问以澄清需求。

启动命令：

deepcode

• 运行后，终端会显示一个本地访问地址（通常是 http://localhost:xxxx）。
• 在浏览器中打开该地址，即可通过可视化的拖拽和对话界面进行代码生成任务。
• 适用场景：复杂任务、需要多次交互确认、可视化进度追踪。

方式二：使用命令行接口 (CLI)

适合高级用户或集成到 CI/CD 流程中。

基本用法示例：

# 假设您有一个包含论文描述或需求的文本文件 input.txt
deepcode run --input input.txt --output ./generated_code

• 实时反馈：CLI 模式下，您可以在终端实时看到多智能体的协作过程和代码生成进度。
• 适用场景：自动化脚本、服务器部署、快速批量处理。

进阶：移动端/聊天机器人集成 (nanobot)

如果您希望通过飞书（Feishu）等聊天工具自然语言控制代码生成：

./nanobot/run_nanobot.sh

按照屏幕提示扫码或配置飞书机器人，即可在手机端发送指令生成代码。

---

现在您已经准备好使用 DeepCode 将想法转化为代码了！更多详细用例请参考项目中的 Examples 目录。