Codex 整合 DeepSeek V4 Flash 教學 | 官方安裝與手動設定

AI
, , , ,
1

學習如何將 Codex 與 DeepSeek V4 Flash 整合，使用官方安裝腳本或手動配置，設定 reasoning level，驗證連線，並了解 MCP 限制與最佳架構。

Codex 現在可以原生使用 DeepSeek V4 Flash 作為模型，不再需要 LiteLLM 或 OpenRouter 等第三方代理。DeepSeek 官方提供了完整的安裝腳本與手動設定方式，讓開發者可以快速將 Codex 底層模型切換為 V4 Flash。本文將詳細說明如何設定、驗證，以及使用上的注意事項。

事前準備

  • 已安裝 Node.js 與 npm
  • 已註冊 DeepSeek 帳號並取得 API Key

首先安裝 Codex CLI：

npm install -g @openai/codex

第一次執行 codex 以建立 ~/.codex/ 目錄：

codex

官方安裝腳本（最推薦）

DeepSeek 官方提供單行安裝腳本，會自動備份現有設定、建立 models.json、加入 provider 設定，並提示輸入 API Key。

macOS / Linux：

bash <(curl -fsSL https://cdn.deepseek.com/api-docs/codex-deepseek-setup-en.sh)

Windows PowerShell：

irm https://cdn.deepseek.com/api-docs/codex-deepseek-setup-en.ps1 | iex

執行後，腳本會完成以下動作：

  • 備份 ~/.codex/config.toml
  • 建立 ~/.codex/models.json
  • 加入 DeepSeek provider
  • 設定 deepseek-v4-flash 模型
  • 要求輸入 DeepSeek API Key
  • 保留原有 MCP server 與 project trust 設定
  • 驗證 TOML / JSON 格式正確性

完成後，在專案目錄中執行：

cd ~/your-project
codex

啟動畫面應顯示 model: deepseek-v4-flash，代表串接成功。

手動設定方式

如果不願執行官方腳本，可以手動編輯 ~/.codex/config.toml。核心設定如下：

model = "deepseek-v4-flash"
model_provider = "deepseek"

preferred_auth_method = "apikey"
forced_login_method = "api"

model_reasoning_effort = "high"

model_catalog_json = "~/.codex/models.json"

[model_providers.deepseek]
name = "deepseek"
base_url = "https://api.deepseek.com/"
wire_api = "responses"
experimental_bearer_token = "sk-YOUR-DEEPSEEK-API-KEY"

關鍵在於 wire_api = "responses"，必須使用 Responses API 而非舊式的 chat。

為什麼需要 models.json

DeepSeek 官方提供了完整的 Codex model catalog，檔案位於 ~/.codex/models.json。它告訴 Codex 模型的能力，包括：

屬性 值
模型名稱 deepseek-v4-flash
上下文長度 1,048,576 tokens
Reasoning 等級 low / high / max
平行工具呼叫 支援
apply_patch 支援
Multi-agent v2

這個 catalog 讓 Codex 知道如何正確使用 DeepSeek 的模型能力，不是單純更改 endpoint 而已。

調整 Reasoning Level

在 config.toml 中設定 model_reasoning_effort：

  • low：輕量推理，適合快速簡單任務
  • high：深度推理，適合日常編碼
  • max：最大推理，適合大型架構重構、除錯、多檔案實作
model_reasoning_effort = "high"

驗證與測試

啟動 Codex 後，確認 banner 顯示 deepseek-v4-flash。接著給予一個端到端任務來測試完整 agent loop：

  • 讀取檔案
  • 執行 shell 指令
  • 推理並產出修補
  • 套用 apply_patch
  • 執行測試
  • 檢查錯誤並再次修補

如果每一步都能正常運作，代表整合成功。

YOLO / 全自動模式

若原本使用 --dangerously-bypass-approvals-and-sandbox 參數，切換 DeepSeek 後指令不變：

codex --dangerously-bypass-approvals-and-sandbox

底層模型從 OpenAI 換成 DeepSeek V4 Flash，但 Codex 的 agent runtime 保持不變。

重要限制：MCP 支援

目前 DeepSeek Responses API 的官方相容性表中，以下功能支援情況：

功能 支援狀態
function 支援
web_search 支援
apply_patch 支援
file_search 忽略
code_interpreter 忽略
computer_use 忽略
MCP 忽略

若你大量依賴 MCP（如 GitHub MCP、Supabase MCP、Browser MCP 等），DeepSeek 的行為可能與 GPT-5.6 不同，需特別測試。

DeepSeek V4 Flash 的定位

DeepSeek 官方將 V4 Flash 定位為輕量高效模型：

  • 284B 總參數，約 13B 活躍參數
  • 1M 上下文
  • 針對 Agentic Coding 最佳化
  • Reasoning 接近 V4 Pro
  • 速度更快、成本更低

適合處理以下任務：

  • 測試與 lint 修正
  • CRUD 實作
  • API 開發
  • 單元測試
  • 簡單重構
  • 文件撰寫
  • 程式碼搜尋
  • 依賴升級
  • 小型錯誤修復
  • 重複性遷移
  • 大型倉庫掃描

推薦架構：雙模型協作

與其把 Codex 完全切換成 DeepSeek，更有效率的作法是分層協作：

  • GPT-5.6：擔任架構師、規劃者、審查者
  • DeepSeek V4 Flash：執行實作、測試、重構等勞動密集型工作

透過多個 Codex worker 分別執行不同任務，最後由 GPT-5.6 審查，可大幅降低高階模型的 token 消耗。

DeepSeek 官方對 Codex 的 Responses API 支援讓這個架構變得可行。

結論

DeepSeek V4 Flash 已獲得官方 Codex 整合，安裝簡單、設定彈性。透過正確的配置與架構設計，開發者可以同時享受 GPT-5.6 的決策能力與 DeepSeek 的高效率執行，在 Agentic Coding 工作流中達到最佳成本效益。