谁是Deepseek最佳的马具？

——对比五种不同的智能体框架

日期：2026.8.9

前言

众所周知，在人工智能领域，智能体（Agent）是实现自主决策和任务执行的核心组件。随着技术的发展，越来越多的智能体框架被提出，每种框架都有其独特的优势和适用场景。公司如 Anthropic、OpenAI 都有开发针对其基模 Claude、GPT 优化的智能体框架（更多是代码智能体）如 Claude code、Codex。而与之不同的是，Deepseek 背后的研发团队——杭州深度求索——并没有开发针对其模型的智能体框架，因此本文将聚焦于 Deepseek 基模，对比五种不同的智能体框架，以帮助开发者选择最适合其需求的工具。

需要承认的是，本文的实验来源于 b 站 up 主 @科技迷航 发布于2026年8月6号的视频 《谁才是DeepSeek的最佳坐骑？》。

实验设计

实验选择了以下五种智能体框架进行对比：

ZCode 是由智普开发的，针对其产品——GLM系列大模型的代码智能体框架。
Codex 是由 OpenAI 开发的，针对其 GPT 系列大模型的代码智能体框架。
Reasonix 是由社区开发的，针对 Deepseek 优化的开源智能体框架。
OpenCode 是由社区开发的通用型开源智能体框架。
Claude Code 是由 Anthropic 开发的，针对其 Claude 系列大模型的代码智能体框架。

随后，实验根据真实项目，设计了五种不同的任务场景（共 7 题）来测试这些智能体框架的性能，并按照任务完成的效率、准确性和资源消耗等指标进行评估。每个任务场景都模拟了实际应用中的典型问题，以确保实验结果具有参考价值。

五种任务场景分别为：

代码排障（debug）任务（共 3 题）：
- 字符串校验引擎排障
- 日期时间引擎排障
- 渲染引擎排障
代码开发任务（共 1 题）：请求库自动重试开发。
信息推理任务（共 1 题）：港火事故资料核验。
信息核查任务（共 1 题）：文献真伪核查。
数据分析任务（共 1 题）：电商订单真相还原。

对于每一个任务（题目），智能体将能够接受总计两轮的反馈来修改输出（即总共三轮输出），实验按照不同维度的指标给出分数（对于每一指标，一轮通过拿满分，每过一轮分数减半），同时记录token消耗与完成用时。
评分指标示例： \

实验结果

题目一：字符串校验引擎排障

速度最快的是 ZCode，完成时间为 8 分钟，用时最长的是 Claude Code，完成时间为 29 分钟。准确性方面，Codex 得分最高，为95.50分。

题目二：日期时间引擎排障

与题目一相比，题目二的难度大大增加，完成时间普遍延长。Codex 在这一题表现反而最差，完成时间为 85 分钟，且仅得到61.70分。 Claude Code在这一题表现最好，用时最短为 53 分钟，且得分最高为72.50分。值得注意的是，ZCode在这一题的表现也不俗，完成时间为 89 分钟，得分为72.10分。

题目三：渲染引擎排障

在题目三中，Codex的表现依然不佳，完成时间为 85 分钟，得分为69.70分。ZCode 以38分钟完成，77.50分的成绩位居第一。Reasonix 则以80分钟完成，77.50的得分位居第二。Claude Code在这一题的表现也不俗，完成时间为 25 分钟，得分为72.50分。

值得注意的是，Codex在第三题遇到了与第二题一样的问题，在反馈轮（二、三轮）容易将对的答案改错，导致得分下降。相比之下，其余智能体均在反馈轮中表现稳定，能够有效利用反馈信息进行优化。

题目四：请求库自动重试开发

在题目四中，Codex的表现依然不佳，完成时间为 34 分钟，得分为80.00分位列倒数第二。Reasonix 以 22 分钟完成，得分为 95.00分位列第一。在这一题中，ZCode犯了与Codex在前两题中类似的错误，在反馈轮中将正确答案改错，导致得分下降，尽管这是一个相对简单的开发任务，所有智能体在第一轮输出中都能给出较高质量的答案。

题目五：港火事故资料核验

题目五是一个更加考察基模能力的题目，要求智能体基于一大堆资料推导出正确的事实结论。Codex在这一题中表现最差，完成时间为 7 分钟最长，得分为98.80分。而其余选手只需在5分钟内就能得到满分。

题目六：文献真伪核查

题目六一共准备了20篇文献，其中10篇为真，10篇为伪。智能体需要在20篇论文中找出伪文献，并给出理由。虚假文献中，3篇为凭空捏造，7篇为真实文献的伪造（修改）版本。5种智能体在这一题中表现都非常出色，除 Reasonix 与 Claude Code 之外，其他智能体均在10分钟内完成任务。所有智能体都只判断错了一篇文献。以下是具体细节： \

除 Claude Code 将一篇虚假文献误判为真文献外，其他智能体均将真实文献为虚假文献。因此笔者认为，Claude Code在这一题表现较其他智能体稍逊一筹。

题目七：电商订单真相还原

题目七是一个数据分析任务，要求智能体基于电商订单数据，分析出订单是否存在异常，并给出解决方案。该题偏简单，所以智能体均得到了99.50分且耗时在5分钟以内。

总结

以下为五种智能体在七个任务中的综合表现：

分数

智能体按得分排序为：Claude Code > ZCode > Reasonix > OpenCode > Codex。

效率

智能体按效率排序为：Claude Code > ZCode > OpenCode > Codex > Reasonix。

价格

智能体按价格排序为：ZCode < OpenCode < Claude Code < Codex < Reasonix。这一点让人有些意外：号称针对 Deepseek 缓存命中优化的 Reasonix，价格却是五种智能体中最高的。笔者认为，在多轮对话的时候，85-95%缓存命中的时候，模型比较“聪明”。再高的缓存命中可能导致模型沿用曾经的错误推理，反而增加了工作时间与API调用次数，导致虽然单次调用价格便宜，但更多的调用抹杀了这一优势。

结论

综合得分、效率和价格三个维度来看，Claude Code 在本次实验中表现最为出色，尤其在任务完成的准确性和效率上均有优势。
ZCode 作为一个针对 GLM 系列大模型优化的智能体框架，在本次实验中也表现不俗，尤其在代码排障任务中展现了较强的能力，@科技迷航认为这可能是因为GLM与Deepseek都没有视觉模态导致的。
Reasonix 虽然在某些任务中表现良好，但其高昂的价格和在多轮反馈中的不稳定表现，使其在综合评价中略显逊色。
OpenCode 作为一个通用型开源智能体框架，虽然在某些任务中表现中规中矩，但在效率和价格上具有一定优势。
Codex 在本次实验中表现最为不理想，尤其在多轮反馈中容易将正确答案改错，导致得分下降，这也反映了其在处理复杂任务时的局限性。

虽然视频作者认为 ZCode 是 Deepseek 的最佳坐骑。但笔者从统计的角度出发，认为本次实验中五种智能体的差异在统计学上并不显著，尤其是对于任务完成的准确性和效率指标。因此，选择哪种智能体框架应根据具体的应用场景和需求来决定，而不仅仅依赖于实验结果。换句话说，本次实验恰恰说明了在选择 Deepseek 作为智能体基模的条件下，不同智能体框架的表现没有明显的优劣之分，开发者应根据自身需求和预算进行选择，自己用的顺手的才是最好的。

附录— 题目一览

题目一：字符串校验引擎排障

题目二：日期时间引擎排障

题目三：渲染引擎排障

缺失。