老板禁止實習生用 AI 編程，我不聽，用 GPT-5.5 + DeepSeek V4 + Codex 搓了個項目。他偷偷找我：今天轉正！

　　大家好，我是程序員魚皮。

　　最近 AI 圈兒也太鬧騰了，4 月 23 號 OpenAI 發布了 GPT-5.5，緊接著第二天 DeepSeek 就放出了 V4，兩個重磅模型前后腳上線。

　　光看跑分沒什么意思，模型好不好用，還得拿真實項目來檢驗。

　　正好 OpenAI 的 Codex 桌面端這段時間更新很猛，已經從一個純 AI 編程工具進化成了支持 Computer Use、插件市場、內置瀏覽器的「超級 App」。

　　所以這篇文章，我全程用 Codex + GPT-5.5 來開發一個完整的全棧項目，后端對接 DeepSeek V4 的 API 實現 AI 能力。

　　看完這期，你能學會 Codex 的使用方法、感受新模型的實際能力、掌握 AI 編程的實用技巧，可謂一舉三得。

　　點個收藏，咱們開始~

　　需求分析

　　這次要做的項目叫「項目學習助手」（project-helper），核心需求很簡單：

　　用戶輸入一個 GitHub 倉庫地址，系統自動克隆項目并分析源碼，生成一份通俗易懂的完整分析報告。報告涵蓋項目概述、技術棧、目錄結構、核心模塊、數據流、設計模式、閱讀建議等，真正做到「傻子也能懂」。分析過程實時推送進度，已經分析過的項目自動緩存，不用重復分析。

　　另外，用戶還可以針對源碼進行交互式問答，AI 會自主搜索代碼、讀取文件來回答問題，支持流式輸出。

　　這樣一來，你可以快速學會任何開源項目，哪怕面對幾萬行代碼的倉庫，也完全不虛。

　　方案設計

　　如果你完全沒有任何技術基礎，可以讓 AI 幫你完成方案設計。

　　但這里為了節省時間和 tokens，我直接告訴 AI 怎么做。

　　項目采用前后端分離架構：

　　后端用 Python FastAPI + LangChain + SQLite

　　前端用 Vue 框架

　　AI 能力對接 DeepSeek V4 的 API

　　AI 分析和 AI 問答能力的實現還是有點小技巧的，如果一個代碼倉庫有幾萬行，難道要全部扔給 AI 自己去分析么？

　　我的思路是， 采用 AI 工具調用（Tool Use）的方式，給 AI 提供讀取文件、搜索代碼、獲取倉庫結構等工具，剩下的交給 AI 自己判斷該看哪些文件、該怎么組織答案。這也是 DeepSeek V4 專門優化過的 Agentic 場景。

　　
環境準備 Codex 配置

　　打開 Codex，首先確認模型列表里有 GPT-5.5。如果看不到，大概率是賬號的問題，可能需要開通更高級的會員，我這里用的是 Plus 會員。

　　可以看到界面上已經有了 GPT-5.5 模型選項，還支持調節智能程度（低 / 中 / 高 / 超高），我選擇「高」。

　　左下角進入設置，把工作模式切換為「用于編程」，這樣 AI 的回復會更專業、更適合開發場景：

　　
安裝 AI 擴展

　　Codex 的 AI 擴展主要包括三類：

　　MCP 服務，用于連接外部工具連接

　　Agent Skills 技能包，讓 AI 學會特定的專業技能

　　Plugins 插件，給 AI 增加更多能力

　　官方自帶了一些內置的插件和技能，比如 Computer Use、Browser Use、PDF 處理、演示文稿編輯等：

　　不過這次項目需要的幾個擴展，Codex 默認沒有，得自己安裝。

　　我們需要下面 3 個擴展：

　　Firecrawl：聯網搜索和網頁抓取，讓 AI 能獲取最新的技術信息

　　Context7：查詢最新的技術文檔和 API 用法，減少 AI 瞎編的情況

　　UI UX Pro Max：前端美化技能，讓生成的頁面更有設計感

　　你可以在 Codex 設置里手動添加 MCP 服務：

　　但是，要手動填寫一堆參數，真特么麻煩啊！

　　雖然也可以直接編輯~/.codex/config.toml配置文件來添加 MCP 服務，但還是很麻煩。

　　這點上 Codex 的體驗不如 Copilot 和 Cursor 的可視化安裝，Copilot 甚至直接把 MCP 集成到了 VSCode 擴展市場里，一鍵搜索安裝就行。

　　好在我們可以換一種方式，用每個 AI 服務提供的命令來快速安裝。

　　1、安裝 Firecrawl

　　Firecrawl 是一個聯網搜索和網頁抓取工具，能讓 AI 在開發前先搜索最新的技術信息和文檔。我們的項目需要它來查詢 DeepSeek V4 的最新 API 用法。

　　打開終端，輸入下列命令：

　　npx -y firecrawl-cli@latest init --all --browser


　　執行后，會自動打開瀏覽器，要在彈出的頁面中點擊授權：

　　安裝完成后，會自動注冊 12 個相關技能：

　　在 Codex 的技能管理中，就能看到新添加的 Firecrawl 相關技能了：

　　
2、安裝 Context7

　　Context7 是一個技術文檔查詢工具，讓 AI 能獲取到各種框架和庫的最新官方文檔，避免用過時的 API 寫代碼。

　　先在終端輸入一行命令來安裝：

　　npx ctx7@latest setup


　　它會問是安裝 MCP 服務還是 CLI + Skills，這里我選擇 CLI + Skills。你會發現，現在越來越多工具已經從 MCP 轉向 CLI + Skills 的方式了：

　　同樣在彈出的網頁中授權，不用自己獲取和輸入 API Key，太方便了！

　　然后選擇要給哪個 AI 編程工具安裝，我選擇為 Codex 安裝：

　　安裝成功：

　　在 Codex 中確認已安裝的技能：

　　當然，你也可以選擇安裝 MCP Server 的方式：

　　安裝后，在 Codex 的 MCP 服務器設置里，就能看到 Context7 MCP 了，這不比自己手動填參數方便多了？

　　
3、安裝 UI UX Pro Max

　　這是一個前端美化技能包，能讓 AI 生成的頁面更有設計感，不會有一大堆的 Emoji。

　　輸入一行命令：

　　uipro init


　　選擇為 Codex 安裝技能：

　　安裝成功：

　　在 Codex 的技能管理中，能看到新技能：

　　至此，環境準備完成！下次開發項目時，就不用再重復準備了~

　　新建一個project-helper項目文件夾，在 Codex 中打開：

　　然后輸入提示詞。這里分享一下我實際用的提示詞，給大家參考：

　　## 角色

你是一個全棧工程師，擅長 Python + FastAPI + LangChain 開發。
## 任務
開發一個叫 project-helper（項目學習助手）的 Web 應用，幫助用戶快速讀懂任意開源項目的源碼，傻子也能懂。
用戶輸入一個 GitHub 倉庫地址，系統自動克隆項目并分析源碼，生成一份通俗易懂的完整分析報告，涵蓋項目概述、技術棧、目錄結構、核心模塊、數據流、設計模式、閱讀建議等。分析過程實時推送進度，已分析過的項目自動緩存，無需重復分析。
用戶還可以針對源碼進行交互式問答，給 Agent 提供讀取文件、搜索代碼等工具，讓 AI 自主查找代碼來回答問題，支持流式輸出。
## 技術棧
-后端：Python FastAPI + LangChain + SQLite + 對接 DeepSeek V4 模型
-前端：Vue，前后端分離
## 要求

1.頁面需要閱讀舒適，具有科技感，代碼塊有語法高亮，使用 UI UX Pro Max 技能美化頁面
2.開發前，先通過 Firecrawl 聯網搜索信息，通過 Context7 查詢最新技術文檔和用法
3.必須生成完整可運行的代碼，每步完成后必須自主測試驗證


　　簡單解讀一下這段提示詞的幾個要點：

　　角色定義放在最前面，讓 AI 進入全棧工程師的狀態

　　任務描述用自然語言把需求講清楚

　　技術棧只列關鍵選型，讓 AI 自己決定具體實現方案

　　最后兩條要求是關鍵，讓 AI 先查文檔再寫代碼，避免瞎編寫法；讓 AI 開發完后自主測試，減少翻車

　　模型我選擇 GPT-5.5，智能程度選「高」，權限給完全訪問（主要圖個省事兒）：

　　注意，如果你想讓 AI 測試得更完整，可以先獲取好 DeepSeek 的 API Key 并直接寫在提示詞里。否則沒有 API Key，AI 是沒法完成大模型調用測試的。

　　把上述提示詞發送給 AI，接下來就是漫長的等待了。

　　我這次等了 9 分鐘，這期間一直在做提肛，有了 AI 編程后運動量也拉上來了~

　　AI 生成了完整的前端和后端項目代碼，還自動寫好了項目文檔：

　　點擊右上角可以查看生成的所有代碼文件，總共 19 個文件、1644 行代碼：

　　點擊右上角查看項目概覽，可以看到進度、生成結果、信息來源等。

　　注意看「來源」那欄，我們提供的 3 個技能 AI 都用上了。Firecrawl 用來搜索信息，UI UX Pro Max 用來美化頁面，Context7 用來查文檔：

　　感興趣的同學可以看下 AI 生成的核心代碼。比如問答模塊利用 LangChain 實現了一個能調用read_file（讀取文件）、grep_code（搜索代碼）、repo_map（獲取倉庫結構）這 3 個工具的 Agent，AI 會自主決定調用哪些工具來回答用戶的問題。

　　
測試驗證

　　接下來需要獲取 DeepSeek 的 API Key，進入 DeepSeek 開放平臺，創建 API Key，記得不要泄露哦！

　　大家在使用某個 AI 大模型時，記得要關注一下價格。比如目前 DeepSeek 的 V4-Flash 百萬 tokens 輸入只要 1 元、輸出 2 元；V4-Pro 輸入 3 元、輸出 6 元（限時 2.5 折優惠到 5 月 5 號）。緩存命中的話更便宜，V4-Flash 輸入低至 0.02 元/百萬 tokens。

　　但是 DeepSeek 目前還沒有 Coding Plan，不太建議拿它來 AI 編程，估計消耗的 tokens 會讓很多同學吃不消。但是用它來做 AI 應用的大腦非常合適，性價比很高。

　　根據 AI 給出的指引，在 Codex 中打開終端，設置環境變量，把 API Key 改為你自己的：

　　exportDEEPSEEK_API_KEY=你的_key
exportDEEPSEEK_MODEL=deepseek-v4-pro


　　不過這種export方式是臨時的，終端一關就沒了。

　　更好的做法是讓 AI 搞一個環境變量配置文件，我們手動填寫就行。

　　AI 很快完成了任務，新增了.env和.env.example環境變量文件：

　　注意，如果你的項目要開源，一定記得在.gitignore中忽略.env文件，防止 API Key 泄露到 GitHub 上。

　　然后直接在編輯器中打開.env文件，把 API Key 填進去：

　　配置完環境變量后，讓 AI 重啟項目：

　　接下來人工測試一下。打開網頁，輸入一個 GitHub 倉庫地址，比如我之前帶大家開發的 AI 零代碼應用生成平臺：

　　雖然頁面的布局和風格中規中矩，但功能是完全正常的。DeepSeek V4 生成的分析結果還挺靠譜的，包含了項目概述、技術棧分析：

　　還有核心模塊詳解、數據流分析、新手閱讀建議等等，內容是準確的，生成速度也比較快：

　　再來測試下源碼問答功能，問它：項目用了哪些設計模式？

　　AI 調用了工具自己去翻代碼，很快就列舉出來了，包括門面模式、策略模式等，每個模式都標注了對應的源碼文件路徑：

　　核心功能測試沒問題。但如果項目要正式上線，還要測試一堆邊界條件，比如倉庫不存在怎么辦？網絡斷了會不會崩？緩存命中的邏輯對不對？

　　一個個手動測太麻煩了，干脆直接讓 AI 幫忙。

　　Codex 內置了 Browser Use 插件，輸入@Browser Use使用插件，讓 AI 自主測試：

　　自主測試所有功能，出了問題自動修復，確保所有功能正常可用


　　可以看到 AI 在 Codex 內部打開了一個瀏覽器，它會自己點擊頁面、輸入倉庫地址、查看分析結果、測試問答功能，全程自主操作。這期間我又做了一會兒提肛，提麻了。

　　等了大概 9 分鐘，AI 完成了端到端的自主測試，還修復了好幾個它自己發現的 Bug：

　　至此項目就開發完了，是不是很簡單？

　　你還可以繼續讓 AI 優化前端布局、給報告中增加 Mermaid 流程圖、支持導出報告文件等等，發揮想象力自由擴展吧~

　　我的感受

　　最后聊聊我用 Codex、GPT-5.5 和 DeepSeek V4 的真實感受。

　　先說 Codex，Codex 的界面主打一個簡潔，第一眼看上去甚至不像 AI 編程工具，更像個 AI 聊天助手。但功能其實比較完整，比如 MCP 和 Skills 擴展、插件市場、自動化、Git 集成、Browser Use、Computer Use，AI 編程所需的工程能力基本都具備了。

　　不過缺點也很明顯。默認可用的模型有限，不像 Cursor 和 Copilot 原生就整合了 Claude、GPT、Gemini 各種模型隨便切。易用性也差了一些，從 MCP 配置那里大家應該已經感受到了。Copilot 可以直接在擴展市場一鍵搜索安裝 MCP，Cursor 也支持可視化編輯 JSON 配置，Codex 這邊還得自己折騰命令行或者手寫 TOML。

　　再說說 GPT-5.5 模型。有一說一，我測了幾個全棧項目，并沒有明顯感受到 GPT-5.5 和 Claude Opus 模型的差距。只要提示詞到位，基本都能一把梭全棧項目的前端和后端，而且核心業務流程大概率一次性跑通。前端表現嘛，中規中矩，雖然實現了響應式，但 UI 沒有特別驚艷的地方。。。

　　再看看 GPT-5.5 的成本。以開發前面這個項目為例，共消耗了 13 萬 tokens，上下文用了 50%。Codex 桌面端目前上下文容量是 258K，開發簡單的全棧項目沒問題，但復雜工程項目可能會有壓力。

　　我目前開的是 GPT Plus 會員，一個月 20 刀（150 元左右），每 5 小時和每周有限額。做完這個項目，5 小時的額度基本就用完了，不算擴展功能的話，1 周差不多能做 5 個完整項目。

　　最后說說 DeepSeek V4。

　　我們團隊之前的業務有接入 DeepSeek V3，也在帶大家做的項目中用過 V3。這次把 V4 接到業務里，生成速度還是挺快的，效果比 V3 提升明顯，尤其是對代碼的理解和分析能力。而且有了 100 萬 tokens 的超長上下文支持，讓我們可以做更重的 AI 應用，比如深度研究、復雜項目源碼的全局分析等等。

　　看一下實際的 API 消耗，測試過程中用了 27 次請求，消耗了 5 萬多 tokens，花費 0.15 元。按正常用戶使用量算，一天 1000 次請求大約消耗 5.5 元，性價比很高。

　　總的來說，后續我不太會繼續用 Codex 來做日常 AI 編程，做復雜項目時會選擇 GPT-5.5 或 Claude Opus 模型，但開發 AI 應用時會優先對接 DeepSeek V4 的 API，便宜好用。

　　OK 就分享到這里，本文會收錄到我免費開源的，上千張圖、幾十萬字，帶你從 0 開始快速學會 AI 編程，做出自己的產品、跑通變現全流程，一次拿捏。

開源指路：https://github.com/liyupi/ai-guide