Free Claude Code实测：零门槛接入DeepSeek全流程

Claude Code 作为终端 Agent 的体验一直被开发者称道，但其模型调用限制和成本让不少人望而却步。一个名为 Free Claude Code 的开源项目试图打破这个限制——它允许你把 Claude Code 背后的模型替换成任意自定义模型，包括国内的 DeepSeek。本文基于 B 站 UP 主的实测视频，完整梳理从克隆项目到跑通对话的全流程，并分析这套方案的实际价值与潜在问题。

核心思路：把模型层解耦出来

Free Claude Code 的定位很明确：保留 Claude Code 的终端交互体验，但把模型请求转发到你自己的 API。它通过一个本地服务（FCC Server）接管模型调用，前端界面仍然显示 Claude 的模型名称，实际请求却被路由到你配置的第三方模型。

这种“覆盖模型”的机制是整套方案的关键。UP 主在视频中演示：在 Model Config 页面里，你可以为每个模型指定一个覆盖目标，比如把 Opus 映射到 DeepSeek^广告 Flash。前台看到的是 Opus，后台跑的却是 DeepSeek——这也解释了为什么响应速度“非常快”。

运行Free Claude Code服务

Claude Code 本身是 Anthropic 官方的终端编程 Agent，默认只调用 Anthropic 自家模型，并通过账号订阅或 API Key 计费。所谓“模型层解耦”，本质是在 Claude Code 与模型服务之间插入一个兼容 Anthropic API 协议的中间层：客户端仍按原有格式发请求，中间层解析后转发给 OpenAI 兼容或自定义接口，再把返回结果转换成客户端能识别的格式。这类代理常见实现方式包括本地 HTTP 服务、环境变量指向自定义 base URL 等。理解这一点，就能明白为什么前台模型名可以随意显示、后台却能调用任意厂商模型。

部署流程：三步跑起来

第一步：克隆与安装依赖

把项目克隆到本地后，执行 UV Sync 安装依赖包。UV 是 Python 生态里较新的包管理器，速度上比传统 pip 有明显优势。安装完成后，项目就具备了运行条件。

UV 是由 Astral 团队（ruff 的作者）用 Rust 编写的 Python 包与项目管理器，兼容 pip 的依赖解析逻辑，但安装速度通常比 pip 快一个数量级。它把虚拟环境管理、依赖锁定和项目运行整合进单一命令行工具，uv sync 会根据项目中的 pyproject.toml 和 uv.lock 创建一致的虚拟环境并安装依赖，uv run 则可在该环境中直接执行命令，无需手动 activate。对于这类需要固定依赖版本的开源工具，UV 能显著降低“装不上、版本冲突”的概率。

第二步：启动本地服务

运行 UV Run FCC Server，Free Claude Code 的服务就会启动，并自动打开一个 Web 配置页面。整个启动过程不需要额外的环境变量配置，对不熟悉 Node/Python 工具链的开发者来说门槛很低。

第三步：配置 Providers 与 Model Config

在 Web 页面中进入 Providers，添加你要使用的模型及其 API Key。UP 主演示时配置了 DeepSeek 和英伟达的模型，并提到阿里巴巴的通义千问^广告同样可以接入——只要填入对应的 API Key 即可。

配置模型API Key

配置完 Providers 后，进入 Model Config 页面。这里有一个容易被忽略的细节：Default Model 要生效，下方所有模型的覆盖项必须全部留为 None。否则系统会优先走覆盖模型，导致你以为在用默认模型，实际请求却被转发到了别处。

UP 主特别提醒了这一点：如果你在 Model 里选了 Opus，又在覆盖模型里把 Opus 指向 DeepSeek Flash，那么发请求时实际转接的就是 DeepSeek Flash。前台显示 Opus，后台跑 DeepSeek——这种“名不副实”是设计使然，不是 bug。

模型覆盖配置界面

实测体验：国内速度是最大亮点

配置完成后，UP 主直接与 Agent 对话。问“你好，有什么可以帮你的”，Agent 能正确识别当前目录并说明项目用途；让它执行任务，回车后指令很快被执行。

UP 主反复强调“国内非常快”。这一点不难理解：DeepSeek 的 API 在国内网络环境下延迟低，相比直连海外模型服务有明显优势。对于日常需要频繁调用 Agent 的开发者来说，响应速度的改善是实打实的体验提升。

实际调用的模型

成本方面，UP 主在 DeepSeek 后台看到消耗了 25 万 tokens，并提到国内 tokens 价格相对便宜。需要说明的是，这个数字来自视频演示中的单次观察，不代表长期使用的平均消耗——Agent 类工具因为要读取文件、执行命令，token 消耗本身就比普通对话高得多。

Agent 类工具的 token 消耗结构与聊天不同：每次任务往往要附带系统提示、目录结构、文件内容、历史工具调用结果等上下文，一轮对话可能触发多次模型请求，因此单次任务的 token 量可达数万甚至更多。25 万 tokens 在演示中看似夸张，但对包含多轮文件读取和命令执行的会话而言属于正常量级。评估成本时应关注输入与输出 token 的单价差异、是否命中缓存计费，以及长会话中上下文重复发送带来的隐性开销。

这套方案适合谁

从实测来看，Free Claude Code 的价值主要体现在三个场景：

想用 Claude Code 交互但受限于模型可用性：通过覆盖模型绕开限制，保留终端 Agent 的操作习惯。
对响应速度敏感：国内模型 API 的低延迟在交互式 Agent 场景下体感明显。
希望控制成本：用价格更低的国内模型替代，token 单价下降。

但它也有需要留意的地方。模型覆盖机制意味着你看到的模型名称和实际调用的模型可能不一致，排查问题时容易混淆；此外，这套方案依赖第三方项目的持续维护，API 接口变动可能导致配置失效。

小结

Free Claude Code 用一层本地代理把 Claude Code 的模型层解耦，让开发者可以自由接入 DeepSeek 等国内模型。部署流程简单，实测速度表现突出，适合想保留终端 Agent 体验又希望降低成本或提升响应速度的开发者。代价是需要理解模型覆盖的逻辑，并对项目的维护状态保持关注。