JeecgBoot AI专题研究 | 把 Claude Code 接入 DeepSeek V4-Pro，跑完 Skills —— OA 审批、大屏、报表、部署 5 大实战场景后的真实体验
一句话结论
花了一整天，拿 JeecgBoot 的 Skills 生态做了一轮完整实战——OA 审批流程自动搭建、积木 BI 大屏生成、钻取报表、自动化部署、文档修改——全部跑通。唯一的毛病：贵。但考虑到能力摆在那里，这笔钱花得值。
背景：为什么要替换掉原生 Claude？
最近 Claude 账号批量封禁的消息越来越密集。身边不少人的号说没就没，申诉基本石沉大海，重新注册还要担心下一次什么时候轮到自己——这是目前最让人焦虑的事。对一个每天重度依赖 Claude Code 的开发者来说，账号一旦挂掉，整个工作流直接瘫痪，手头项目的进度全盘打乱。
费用倒是其次。Opus 4.6 输入价格高达 $15 / 百万 tokens 确实不便宜，但相比"哪天早上打开电脑发现账号没了"的不确定感，这笔账还能算。
DeepSeek 刚好发布了 V4 系列预览版，包含 V4-Pro（1.6T 参数 / 49B 激活）和 V4-Flash（284B 参数 / 13B 激活），并且提供了兼容 Anthropic 协议的 API 端点——只需改一行配置，就能用 DeepSeek 驱动 Claude Code。账号稳定、计费透明，不用再为封号担惊受怕。
我花了三分钟配好，然后拿 JeecgBoot 的全套 Skills 做了一轮实战测试。
配置过程：1 分钟完成接入
核心配置非常简单，DeepSeek 提供了完整的 Anthropic API 兼容层：
{
"env": {
"ANTHROPIC_BASE_URL": "https://api.deepseek.com/anthropic",
"ANTHROPIC_AUTH_TOKEN": "${DEEPSEEK_API_KEY}",
"API_TIMEOUT_MS": "3000000",
"ANTHROPIC_MODEL": "deepseek-v4-pro",
"ANTHROPIC_SMALL_FAST_MODEL": "deepseek-v4-flash",
"ANTHROPIC_DEFAULT_SONNET_MODEL": "deepseek-v4-pro",
"ANTHROPIC_DEFAULT_OPUS_MODEL": "deepseek-v4-pro",
"ANTHROPIC_DEFAULT_HAIKU_MODEL": "deepseek-v4-flash",
"CLAUDE_CODE_SUBAGENT_MODEL": "deepseek-v4-pro",
"CLAUDE_CODE_EFFORT_LEVEL": "max"
},
"model": "deepseek-v4-pro"
}
逻辑清晰：重量级任务走 V4-Pro，轻量任务走 V4-Flash。配置完启动，Claude Code 界面上直接显示 deepseek-v4-pro，问它"你是什么模型"，回答干脆利落。
测试一：OA 审批流程自动搭建
测试目标：用 JeecgBoot 的 BPM Skills，让 AI 自动搭建一套 OA 审批流程。
指令下达后，模型快速调用了 JeecgBoot 的 BPM 流程设计 Skills，自动生成了审批流程图和对应的配置。
第一版流程图出来之后，我发现流程走向有点问题，直接告诉它哪里不对、要怎么改。几秒钟之后修正版出来了，改得很到位。
这类 BPM 流程配置任务，传统做法要手动拖画布、逐个配置节点，少说十几分钟。AI 直接出图 + 反馈修正，两轮搞定，效率提升非常明显。
测试二：积木 BI 大屏生成
测试目标：用积木 BI 的 Skills，自动生成一张数据可视化大屏。
生成的大屏效果出乎意料地好：
大屏出来后我发现有两个小问题需要修复。把截图发过去，描述了一下问题：
修复之后：
这里要特别说一句：虽然 DeepSeek V4-Pro 不识别图片（后面详细说这个坑），但它修大屏问题的时候完全没乱打一气——通过读取配置文件 + 领域知识推断，照样精准定位问题。服不服？反正我服了。
测试三：积木报表——钻取报表生成 + 秒改样式
测试目标：用积木报表的 Skills 生成钻取报表，并要求去掉表格颜色。
报表生成得很快，结构也正确。
接着让它去掉表格的颜色。秒改——这个响应速度比原生 Claude Code 还快。
改之前：
改之后：
对表格颜色这种纯配置项修改，V4-Pro 的反应极快，不需要深层推理，直接定位到配置字段然后修改，体验丝滑。
测试四：自动化部署
测试目标：用自动化部署 Skills 实现完整的前后端部署流程。这个任务比较复杂——前端是本地 SVN 更新、编译打包、上传服务器；后端走 Jenkins；还需要清 CDN 缓存、自动发部署日志邮件。
说实话，这任务一开始我没抱太大期望——环节太多了。但结果有点意外：前后端部署都没问题。
整个流程跑下来，SVN 更新、npm build、scp 上传、Jenkins 触发、CDN 缓存清理、邮件通知——全部自动化串联成功。对日常运维来说，省掉的不只是时间，还有"半夜部署手抖敲错命令"的心理负担。
测试五：改文档——无感切换
中间穿插了一个日常高频操作：用 Claude Code 改项目文档。整个过程完全无感，如果不是终端上写着 deepseek-v4-pro，我甚至以为自己在用 Claude 原生模型。
改文档这类任务对 V4-Pro 来说属于"降维打击"，速度快、理解准、输出干净。
🚨 巨坑预警：1M 上下文 ≠ 支持图片
测到一半，踩了个大坑。
DeepSeek V4-Pro 最亮眼的规格之一是 1,000,000 tokens 超长上下文，乍一看比 Claude 原版还豪横。但当我发截图时，才发现：
V4-Pro 当前版本是纯文本模型，完全不支持图片输入。
Claude Code 发送图片时，V4-Pro 会收到一个占位符 [Image #1]，但对实际图像内容毫无感知。
对日常编程工作流来说，这个限制影响面相当广：
- 截图报错让模型分析 → ❌ 看不见
- 发 UI 设计稿让模型写代码 → ❌ 看不见
- 发报表渲染结果让模型诊断问题 → ❌ 看不见
- 粘贴终端截图 → ❌ 看不见
1M 上下文能塞进去整个代码仓库，却塞不进去一张 PNG。
但话说回来——回头看前面测试二和测试三，大屏问题和报表样式问题都是在"看不见图"的情况下修好的。它通过读配置文件、凭领域知识推断，绕过了图像这个盲区。这恰恰是最能体现能力的地方。
目前的折中办法：需要处理图片时，临时去掉 ANTHROPIC_BASE_URL 配置，让请求回落到 Anthropic 原生 API，用完再切回来。麻烦，但能用。DeepSeek V4 的 Vision 模式已经在规划中，开放后这个问题会从根本上解决。
🐛 另一个坑：上下文太长会炸
当对话内容堆积到一定量时，模型直接炸了。虽然 V4-Pro 标称 1M 上下文，但实际使用中，超长上下文 + 复杂推理 + 多轮工具调用叠加时，还是会出现不稳定的情况。
解决方案也简单：长任务拆成短会话，阶段性重置。别指望一个会话从需求分析干到部署上线。
综合感受
经过这一整天的实战测试，对 Claude Code + DeepSeek V4-Pro 的组合有几点直观感受：
表现亮眼的地方：
- 兼容性几乎无感：配置完成后，Claude Code 的所有功能正常运行，Skills、工具调用、多步骤 Agent 任务全部跑通。
- 领域推理能力极强：即使在看不了图的情况下，模型也能通过读取配置文件 + 领域知识推断定位问题。大屏问题修复、报表样式修改都是这样搞定的。
- 工具调用稳定：BPM 流程生成、大屏搭建、报表生成、部署脚本——每类任务的工具调用都准确，没出现乱调、漏调的情况。
- 响应速度快：纯配置修改（如报表去颜色）比原生 Claude Code 还快，体感明显。
- 改文档无感：Markdown 编辑、代码注释、文档润色这类文本任务，和原生 Claude 几乎没区别。
需要提前知道的：
- 🚨 不支持图片（最重要）：工作流重度依赖截图的场景会很痛，等 Vision 模式开放
- 🐛 上下文太长会炸：长任务拆成短会话，阶段性重置
- 💰 贵：比起其他国产模型，V4-Pro 定价确实偏高——但对标 Claude 原版，性价比依然在线
总结
Claude Code + DeepSeek V4-Pro，一句话评价：除了贵，没别的毛病。
OA 审批流程、BI 大屏、钻取报表、自动化部署、文档修改——五大实战场景全部通关。同期我也对接了智谱 GLM-5.1 和 MiniMax M2.7 跑同一套 Skills，这俩在工具调用上总有些小毛病——要么调用顺序乱，要么参数识别偏差，要么复杂 Skill 直接执行不下去；相比之下，V4-Pro 是目前我测过的国产模型里 Skills 配合最稳的一个，基本可以无人值守跑完全流程。
不支持图片是硬伤，但模型通过"绕路"的方式（读配置、推逻辑）在相当程度上弥补了这个短板。
更重要的是，相比 Claude 原版那种"哪天号就没了"的悬念，这套方案至少把账号稳定性这件事给解决了。如果你日常工作中截图不多、以纯代码和配置任务为主，现在就可以切过来用；如果你重度依赖图片输入，建议等 DeepSeek V4 Vision 模式开放 API 后再全面切换——那之后，这套方案就真的补全了最后一块拼图。
测试环境：Claude Code v2.1.119，DeepSeek V4-Pro（deepseek-v4-pro），2026-04-24
本文为 JeecgBoot AI 专题研究系列文章。
