这个工具提供了哪些能力
点开任一能力，看清怎么用
每个能力展开后是三件事：它会给你什么、你需要准备什么、哪些必须由你把关。
常见场景：拿到一篇论文需要从头写出可运行的复现代码；论文太长需要先分段提取算法和实验描述再生成实现计划；想在写代码前发现相关的开源参考仓库作为实现参考；需要人工审核实现计划后再自动生成代码
把审过的实现计划交给它，它就会按计划逐个文件写出代码；过程很长时它会自己记录要点、防止忘记前面的进度，最后告诉你哪些完成了、哪些中断或有错误。
它会给你什么
- 一份生成结果报告，标明每个文件是完成、中断还是出错。
你需要准备
- 审核通过后保存的实现计划文件。
- 本次任务的工作目录，以及代码要写进去的目标文件夹。
- 可选：已经建好的参考代码索引，供写代码时查阅。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
它会先从论文的参考文献里找出可能有用的开源仓库并下载下来，给每个仓库建一份目录索引；等你写代码时，就能按文件和关键词快速查到别人是怎么实现类似功能的。
它会给你什么
- 每个参考仓库的目录索引，以及按关键词查到的相关代码和实现建议。
你需要准备
- 论文的参考文献清单，或已整理好的参考文献分析结果。
- 实现计划里列出的目标文件结构。
- 已经下载到工作目录里的一个或多个参考仓库。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
不管你是从网页、命令行还是聊天框发起的需求，它都会建成一个可追踪的任务：运行到哪一步、等你确认什么、有没有出错，进度随时可查，换一种入口也能接着看同一条记录。
它会给你什么
- 一条任务进度记录，随时反映运行状态、等待确认的事项和最终结果。
你需要准备
- 论文转代码任务的设置：输入来源和类型、要不要开参考索引、要不要人工确认、会话编号。
- 文字需求转代码任务的设置：需求内容、要不要开参考索引、要不要人工确认、会话编号。
- 命令行方式下的参数：指定文件、网址、聊天、需求内容和会话信息。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
论文太长时，它会先把文档切成带目录的段落，做计划时只挑与写代码最相关的几段来看，避免大模型被超长全文淹没、漏掉关键内容。
它会给你什么
- 文档的段落结构索引，以及从中挑出的、与代码实现相关的关键片段集合。
你需要准备
- 论文的 Markdown 文件。
- 配置文件里的分段开关和长度阈值，决定多长的文档要切分。
- 切分后生成的段落目录文件。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
不管你给的是论文网址、本地文件还是一段文字需求，它都会先归置成一个规整的工作区，建好各阶段共用的文件夹、访问范围和日志，后面的步骤都在这里面干活。
它会给你什么
- 一个规整的任务工作区，包含统一的材料格式和各阶段共用的目录。
你需要准备
- 你的原始输入，可以是网址或本地文件路径。
- 要不要开启参考仓库分析，一个开关设置。
- 任务类型：论文转代码，还是文字需求转代码。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
把论文内容或你的文字需求变成一份具体的实现计划：要建哪些文件、每个部分怎么写、怎么验证。计划生成后会先检查格式全不全，并等你审核确认后才动手写代码。
它会给你什么
- 一份结构化的实现计划，写明文件结构、组件划分和验证方法。
你需要准备
- 论文全文或从中挑出的关键段落。
- 文字模式下你写的需求描述。
- 需求澄清问答里你的回答，或选择跳过。
由你把关
- 结果是否符合你当前的研究问题和证据边界，由你核对。
第一次这样开始
把仓库地址直接交给 AI
先让 AI 说明环境和风险，再完成最小安装验证。开始前想清楚要用哪个能力、把对应材料备在手边——每张能力卡展开后有具体清单。
第一次直接复制
帮我安装这个库：https://github.com/HKUDS/DeepCode 安装前先告诉我需要什么环境，安装后帮我跑通一个最小示例。
别这样用
这些判断，仍然由你负责
- 跳过人工审核环节，让低质量实现计划直接进入代码生成
- 把生成代码能跑等同于论文结果可复现而不验证数值一致性
- 将参考仓库的代码片段直接当作论文的官方实现使用
技术依据
查看能力拆解、验证范围与来源
技术依据
查看能力拆解、验证范围与来源
处理机制
- 01
科研代码生成对象与状态链
DeepCode 的多张能力卡共享一条对象链：外部材料先进入 task 和 session，再变成受控工作区、分段文档、实现计划、参考仓库索引、生成代码和实现报告。本机制卡说明这些对象如何跨阶段传递，以及哪些状态会阻断或降级。
已核对范围
- 读取 indexed code implementation workflow、CodeImplementationAgent、concise memory agent、tool definitions 和 implementation MCP server
- 静态确认 writefile、searchcodereferences、workspace path validation、memory summary 和 incomplete 状态
- 读取 reference analyzer、GitHub download、codebase index workflow、CodeIndexer 和 code-reference-indexer MCP
- 静态确认 reference analysis、repo download、index JSON、relationship 和 searchcodereferences 路径
- 读取 UI API、WorkflowService、WebSocket、CLI session 命令和本地 JSONL session store
- 静态确认 taskid、sessionid、pendinginteraction、status、progress、result、error 的读写路径
- 读取 documentSegmentation 配置、segmentation agent、MCP server 和 planner 读取分段上下文的逻辑
- 静态确认大文档阈值、segment index、relevance score 和 fallback 分支
仍待核对
- 未运行代码生成循环
- 未调用真实 LLM 或 MCP 工具
- 未验证生成代码可执行性
- 未调用 GitHub 下载 MCP
- 未运行 LLM 文件分析和关系识别
- 未验证 reference index 对代码生成的帮助
- 未启动 FastAPI 和 WebSocket
- 未运行 CLI 交互
读取版本
5fbfa27f206b4d310a57007e0ad62d2f911171fb许可
MIT
最近核对
内容 2026-06-16
Stars 2026-07-11
相关文章
科研之我见
AI 科研全流程怎么搭，我梳理出三个核心入口
每天开工先固定阶段入口、材料入口和验证入口，把庞大的科研全流程收缩成一段可执行、可检查的任务。
查看内容