Claude Code接入DeepSeek完整教程：本地配置+VS Code集成

为什么要给Claude Code换个「大脑」？

Claude Code 是 Anthropic 于2025年推出的命令行 AI 编程工具。与 GitHub Copilot 等编辑器插件不同，它以「代理式」（agentic）工作流为核心——可以主动读取项目文件、执行终端命令、理解多文件上下文，完成更复杂的多步骤编程任务，因此凭借出色的代码理解和生成能力受到开发者青睐。

这里的「代理式」工作流代表了 AI 编程工具的一次范式转变。传统的代码补全工具本质上是「单轮响应型」——每次交互相互独立，工具不保留项目上下文，也不主动采取行动。而代理式工具则具备「感知-规划-行动」的闭环能力：它可以读取整个代码仓库的目录结构，理解多个文件之间的依赖关系，自主决定需要查看哪些文件，执行测试命令并根据输出结果调整策略，最终完成跨越多个文件的复杂重构任务。

这种能力的底层支撑是两项关键技术的成熟。其一是大语言模型日益扩大的上下文窗口（Context Window）——即模型一次性能够「看到」的最大文本量。早期模型如 GPT-3 的上下文窗口仅有 4K Token，而 Claude 3.5 Sonnet 已扩展至 200K Token，相当于一次性处理约15万字的中文文本或数千行代码。只有当模型能够同时「记住」整个代码仓库的关键结构，才能真正理解跨文件的依赖关系和调用链路。其二是**工具调用（Tool Use / Function Calling）**能力——该能力由 OpenAI 于2023年率先规范化，允许模型在生成回复时声明「我需要调用某个工具」，由外部系统执行后将结果回传给模型，形成闭环。这两项能力的结合，使 AI 从「文字生成器」真正进化为能够操作软件环境的「数字助手」，模型不再只是「生成文本」，而是真正能够「操作环境」。

但 Claude Code 默认绑定 Claude 官方模型，对国内用户而言存在访问门槛与费用问题。

本文根据一位 B 站 UP 主的实操演示整理，介绍如何在本地安装 Claude Code，并将其接入 VS Code，同时把底层模型替换为国产的 DeepSeek。这样一来，你既能享受 Claude Code 优秀的工程化交互体验，又能用上性价比更高、访问更稳定的 DeepSeek 模型来写代码。

方案说明： 这是一套「曲线救国」的组合方案——Claude Code 负责提供界面与工作流，DeepSeek 负责实际的推理能力。虽然代码生成水平不及 Codex 等顶级方案，但 UP 主实测表示「正常的写代码功能完全够用」。

第一步：安装 Node.js 运行环境

Claude Code 基于 Node.js 生态分发。Node.js 是基于 Chrome V8 引擎的 JavaScript 运行时环境，允许 JavaScript 在浏览器之外执行；随附的 npm（Node Package Manager）是全球最大的开源包管理器，Claude Code 正是通过 npm 以全局包的形式安装到本地系统的。因此第一步必须先装好 Node.js。

下载与安装

前往 Node.js 官方网站（nodejs.org），点击 Download 选择 Windows 版本下载。建议直接从官网获取安装包，避免使用来路不明的第三方渠道。

安装过程基本一路「下一步」即可。C 盘空间不足时，可在向导中切换安装路径到其他磁盘；中间的可选组件保持默认即可。

验证安装是否成功

安装完成后，打开**终端（Terminal）**验证环境。

小提示： Windows 有时搜不到终端，可先在微软商店安装「Windows Terminal」——它是功能更完整的 CMD 升级版，对后续 AI 工具操作更友好。建议以管理员身份运行，权限更完整。

我要找到这个终端

在终端中依次运行版本查询命令，确认 Node.js 和 npm 均正常返回版本号，说明环境就绪。

我们NodeJS已经安装成功了

第二步：安装 Claude Code

使用国内镜像源加速下载

npm 默认从境外服务器（registry.npmjs.org）拉取包，国内访问速度较慢甚至超时。配置国内镜像源（如淘宝镜像 npmmirror.com）本质上是将下载请求重定向到国内 CDN 节点，可大幅提升下载速度。先运行一行配置国内镜像源的命令，再执行 Claude Code 的安装命令。值得关注的是，整个安装过程无需科学上网——通过 Node.js 镜像源，国内网络可以正常拉取安装包。

提示： 如果直接安装失败，再考虑配合代理工具。具体命令可参考 UP 主在视频评论区发布的说明。

验证 Claude Code 安装

安装完成后，在终端输入 claude --version 查看版本号，再直接运行 claude 命令。出现 Welcome 欢迎界面，说明 Claude Code 已在本地成功运行。

此时可以在终端直接与 Claude Code 交互，但纯命令行体验不够直观——下一步就是将它集成到 VS Code。

第三步：在 VS Code 中配置 DeepSeek 接入

安装 Claude Code 插件

打开 VS Code 扩展商店，搜索 「Claude Code」，找到官方发布的「Claude Code for VS Code」插件并安装，耐心等待安装完成即可。

核心步骤：修改配置文件接入 DeepSeek API

这是整套流程的关键环节，其技术原理在于「协议兼容」：Claude Code 底层遵循 OpenAI 兼容的 REST API 协议格式，而 DeepSeek 同样实现了相同的接口规范。

这一设计背后有深远的行业背景。2023年前后，OpenAI 的 Chat Completions API 格式（以 /v1/chat/completions 端点为核心，使用 messages 数组传递对话历史）逐渐成为大语言模型服务的事实标准协议。这一标准扩散过程在技术史上并不罕见——HTTP 协议统一了 Web 通信层，POSIX 规范统一了 Unix 类系统接口，而 OpenAI API 格式则正在统一 LLM 服务的调用层。DeepSeek、Mistral、Together AI、Groq 等数十家模型提供商和推理平台纷纷实现相同的接口规范，形成了庞大的兼容生态。这种「协议层兼容」的价值在于：上层应用只需开发一套请求逻辑，即可无缝切换到任何实现了相同接口的模型服务。因此，只需在配置文件中将 API Endpoint（接入点）从 Anthropic 官方地址替换为 DeepSeek 的 API 地址，Claude Code 的所有请求就会被透明地转发给 DeepSeek 模型处理，无需修改任何工作流逻辑。

值得一提的是 DeepSeek 的技术背景。DeepSeek 是深度求索公司推出的大语言模型系列，其旗舰模型 DeepSeek-V3 在多项编程基准测试上达到与 GPT-4 级别相当的表现，同时以远低于同级竞品的定价开放 API 访问。DeepSeek 采用 MoE（Mixture of Experts，混合专家）架构——模型内部有大量「专家子网络」，每次推理只激活其中一小部分，在保持高质量输出的同时大幅降低计算成本，这是其得以实现低价商业化的关键技术原因。

默认情况下，Claude Code 调用官方模型；我们需要通过修改配置文件，将请求转发到 DeepSeek。

在C盘里面找到我们那个

操作步骤：

进入 C 盘中 Claude Code 的配置目录；
新建一个 settings.json 文件（注意文件名不要拼错）；
将预设的 JSON 配置内容粘贴进去，其中包含 DeepSeek 的 API 地址和密钥字段；
保存文件。

获取 DeepSeek API Key

API Key（应用程序接口密钥）是服务提供商用于身份验证和访问控制的字符串凭证。每次调用 API 时，请求中都会附带这串密钥，平台据此统计使用量并计费。获取步骤如下：

登录 DeepSeek 开放平台（platform.deepseek.com）；
进入 API Keys 页面，点击「创建 API Key」；
复制生成的密钥，粘贴到 settings.json 对应字段；
保存文件。

你在这买这个API

费用说明： DeepSeek API 按 Token 计费。Token 是模型分词器将文本切分后的最小处理单元，并非简单等于「字符数」——英文中一个 Token 大致对应4个字符，而中文每个汉字通常对应1.5至2个 Token。在实际编程场景中，每次交互不仅包含你的提问，还包含模型读取的代码文件内容（输入 Token）和生成的回复（输出 Token），大型项目文件可能一次消耗数万 Token。即便如此，DeepSeek 的定价相较 GPT-4o 或 Claude 3.5 Sonnet 低一个数量级，输入价格约为同级海外模型的5%-10%，需提前充值，但整体成本相当亲民，日常使用费用远低于海外模型。

第四步：验证接入效果

配置保存后，重新打开 VS Code 的 Claude Code 插件，它会自动读取新配置。可以直接问它「你是什么模型」来验证——UP 主实测中插件回复自己运行的是 DeepSeek 模型，说明接入成功。

之后的用法与普通 Claude Code 完全一致：用它打开项目文件夹，即可在 VS Code 中借助 DeepSeek 的能力进行代码编写、修改和问答。

方案总结：这套组合适合哪些人？

这套方案的核心价值在于「解耦」——将优秀的工具界面与灵活的模型后端分离。这种「前端界面 + 可替换后端」的架构模式在 AI 工具生态中日益普遍，其本质是软件工程中「依赖倒置原则」在 AI 时代的实践——上层应用不应直接依赖具体的模型实现，而应依赖抽象的接口规范，具体模型作为可替换的「插件」注入。

随着高质量开源模型的涌现和各类闭源模型价格的分化，「绑定单一模型提供商」的成本和风险越来越高，而「工具层与模型层解耦」则给了开发者按需选择的灵活性。这一趋势催生了以下模型代理中间件的繁荣：

LiteLLM：以 Python 库形式提供统一 SDK，支持超过100个模型提供商，内置重试、负载均衡和成本追踪能力，满足「多云灵活性」诉求；
OpenRouter：以 SaaS 中间层形式出现，用户通过单一 API Key 即可访问其聚合的数十个模型，系统自动处理路由和计费，满足「零部署便捷性」诉求；
Ollama：通过容器化封装将 Llama、Mistral 等开源模型的部署难度降至「一行命令」级别，让开发者在完全离线、数据不出本机的条件下使用 AI 能力，满足「数据主权」诉求。

未来，支持多模型后端将可能成为专业 AI 编程工具的标配功能，而非高级设置。

对国内开发者而言，这套组合方案带来三点实际优势：

成本更低：DeepSeek API 价格远低于海外主流模型；
访问更稳：安装与调用均无需科学上网；
体验保留：依然能享受 Claude Code 完整的工程化交互流程。

当然，UP 主也坦诚指出，DeepSeek 的代码生成能力「没有 Codex 厉害」，属于「够用但非顶尖」的水平。这里的「Codex」泛指当前顶级编程模型（如 OpenAI o3、Claude 3.7 Sonnet 等），它们在复杂算法和大规模代码库重构场景下仍具明显优势。但 DeepSeek-V3 等旗舰模型在日常 CRUD 编写、脚本生成、Bug 定位等常见任务上已相当实用。如果追求极致的代码生成质量，仍需权衡；但对于日常开发、学习和中小型项目，这套组合的性价比非常突出。

⚠️ 安全提醒： API Key 属于个人凭证，一旦泄露他人即可用你的账户消费。GitHub 官方数据显示，每天有数以万计的含有密钥的代码提交被扫描到，攻击者使用自动化工具在密钥公开后数秒内即可发起调用，账单损失可能在几小时内达到数千美元。切勿将其硬编码后提交到公开代码仓库（如 GitHub）。在本地开发时，建议通过 .env 文件存储密钥并在 .gitignore 中排除该文件；在团队协作场景下，为不同成员分配独立密钥并设置用量上限，便于精确追溯和及时吊销。