[程序员] 两天从零开发了 DeepSeek 专属 Agent，我学到了什么？

一句话看懂：一位独立开发者用两天时间、仅花两块钱（一根雪糕的价格）在 DeepSeek 模型上造出了一个可自举的 AI Agent “sekrun”。这件事本身虽小，但揭示了 Agent 技术透明化、低成本化的趋势，以及开发者如何看待“AI 帮你写代码”这件事。

事件核心：发生了什么

一位昵称为“程序员”的创作者在 V2EX 社区分享了自己从零开发 Agent 的过程。他基于 DeepSeek V4 Flash 模型，仅用 JavaScript 在两天内写出了工具 sekrun，没有依赖任何第三方库，AI 代码自动补全、上下文管理等关键能力全部手写。最终产品已发布到 npm，用户只需通过 npx sekrun 即可体验。开发期间消耗的模型费用约为人民币 2 元。

该 Agent 最核心的特点是“透明”与“自举”——它不仅能调用内部工具完成编程任务，还能每一步显示 Token 消耗、耗时和缓存命中率；并且 sekrun 本身代码也是用它自己的 Agent 能力辅助生成的。开发者表示选择 DeepSeek 的原因是其“响应快、编程能力够用、上下文缓存成本极低”。

为什么重要

这件事虽是个体创作，却折射出三个行业信号。第一，大模型 API 成本已经降到个人开发者能轻松尝试做实验的地步——两块钱一根雪糕的价格，足以支撑一个小型 Agent 的完整开发周期。第二，“零依赖”的做法挑战了目前主流 AI Agent 框架（如 LangChain、AutoGPT）的“重依赖”模式，说明 Agent 的核心逻辑（工具调用、循环推理、状态管理）并不复杂，不需要大量第三方库堆叠。第三，开发者明确表示选择 JavaScript 而非热门语言 Zig，是因为需要“自己能看懂 AI 写的代码”——这种态度在 AI 编程工具爆发时代，提供了一种务实的人机协作思路：AI 加速实现，但人仍要掌控代码质量。

对用户/开发者/创作者的影响

对于普通开发者，sekrun 是一个低成本学习 Agent 内部工作原理的入口——你不需要接入复杂的框架，一条 npx 命令即可看到每一步 Token 花费和缓存决策。对于 AI 工具开发者，这个案例展示了如何通过“截取工具输出”、“压缩历史对话”、“固定提示词前缀”等技巧，在保证准确率的同时把 Token 和缓存效率做到极致。对于公司采购决策者，它提供了一个参照点：大模型 API 的上下文缓存策略正在改变 Agent 的成本结构，原来需要 GPU 算力堆叠的操作，现在可能只需几毛钱就能完成。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是 sekrun 是否会开放源码或形成社区生态？目前该项目仅通过 npm 分发，未公开代码仓库。二是 DeepSeek 官方是否会注意到这类案例并推出更适配 Agent 工作负载的 API 版本（如更细粒度的缓存控制）。三是其他模型服务商（如 OpenAI、Claude、Gemini）是否会跟进类似的上下文缓存定价策略——这将是影响未来 Agent 应用开发成本的关键变量。

来源：V2EX (创意工作者社区)