写代码选 DeepSeek 还是 Claude，看你在做哪种活。批量写测试、写脚本、写中文注释、跑数据清洗，deepseek-v3.2-thinking（0.049 元/次）足够，一次请求的价格是 claude-sonnet-4-5-thinking（0.09 元/次）的 55%。改老仓库、动 TS 类型链路、让 agent 连着改十几个文件，claude-sonnet-4-5-thinking 更少翻车。想把 DeepSeek 系往上顶一档，deepseek-v4-pro-thinking 也是 0.09 元/次，跟 sonnet 同价，可以放在同一个备选位上轮换。高并发批量刷任务，deepseek-v4-flash-thinking 0.05 元/次更省。
测试方法先说清楚，不然后面全是空话。在一个 3.2 万行的 React + TypeScript 仓库里挑 12 个真实任务：6 个单文件改动、3 个跨文件重构、3 个 bug 定位。每个模型每个任务各跑 4 次，一共 96 次请求。记录四个数：一次过率（初版输出不改任何字符就能同时通过 tsc --noEmit、eslint 和相关单测的比例）、返工轮数、漏改文件数、最终 diff 的增删行数。一次过率的算法就是「一次通过的次数 ÷ 总次数」，不掺水分。
你该怎么做：把判定标准最机械的活全塞给它。生成 pytest 或 vitest 用例骨架、补中文注释、写正则草稿、把一坨 SQL 拆成多个 CTE、批量把 JS 文件转 TS。这类活对错一眼能看出来，跑废了也不心疼。一天 500 次是 24.5 元。
你该怎么做：让它先只输出「改动清单加影响面」，你确认了再让它动手。改一个类型定义时，把 git grep 的结果一起贴进上下文，它就不容易漏改引用。在 Cline、RooCode、KiloCode 里连续改十几个文件，它中途跑偏的概率更低，diff 也更好 review。
改个变量名、补一行日志、把 Tab 换成空格，开 thinking 只是把延迟和价格一起拉长。判断标准就一句：这活有没有第二种能干成的写法？没有就别开。
需求统一成这样：写一个 UserList 组件，请求 /api/users，要有骨架屏、错误兜底、空列表文案，组件卸载后不许再 setState。这些模型都写得出来，差别在收尾。Claude 系的初版通常已经把 AbortController 和 finally 里的 loading 收尾一起写上；DeepSeek 系偶尔会把 setLoading(false) 只写在成功分支，请求一抛错就永远转圈。这个 bug 本地测试很容易漏，上线后用户看到的是空白区域加转圈。
你该怎么做：把兜底条件在 prompt 里写死，别指望它猜。加上这句「请求失败要显示错误文案和重试按钮，loading 必须在 finally 里关闭，组件卸载要 abort」，两家的初版基本都能过，差距会缩到很小。
单文件这 6 个任务，claude-sonnet-4-5-thinking 的一次过率大约 5/6，deepseek-v3.2-thinking 大约 4/6，deepseek-v4-pro-thinking 卡在两者之间、贴近 sonnet。没一次过的那些，多半只差一两行，改一下就好，所以这个维度不能当成判决依据。
任务：把 interface Order 里的 amount: number 改成 amount: number | null，全仓库跟着改。这个改动会污染到格式化函数、校验函数、订单卡片组件，还有 3 处直接拿 amount 做算术的地方。实测下来，DeepSeek 系更容易只改「当前打开的那个文件」和它明显引用到的两层，第三层的 lib/format.ts 会被漏掉；Claude 系会主动去找所有用到该字段的位置，漏改率明显更低。
你该怎么做：这不是模型智商问题，是上下文问题。把 git grep -n "order.amount" 的输出贴进去，DeepSeek 的漏改率会立刻掉下来。省这一步，就得靠 tsc --noEmit 帮你兜底。
重构途中遇到 const data: any = await res.json()，Claude 系有较大概率顺手补一个 OrderResponse 类型并删掉 any；DeepSeek 系更倾向按你说的做，你不提它就绕开。你该怎么做：明确要求「只改类型和它的引用，不要动别的」；想让它顺带收拾 any，就把这条单列出来。
报错原文：TypeError: Cannot read properties of undefined (reading 'map')，配套的是这么一段：
- const list = res.data.items;
+ const list = res.data?.items;
return list.map((it) => it.id);这种半吊子可选链在真实仓库里到处都是。给模型的任务是：找出根因，说清是哪一行、什么条件下触发、怎么验证。
deepseek-v3.2-thinking 碰上这种报错，反应往往是「res.data 可能是 undefined，加个可选链就行」——它顺着你给的错误方向往下圆。claude-sonnet-4-5-thinking 更常做的是反问和排除：先指出 ?. 只保护了 res.data，items 本身照样可能是 undefined；再让你打一行 console.log(Object.keys(res.data)) 去确认上游字段名到底是不是 items，因为后端分页返回里常见的是 list 或 records。
真正能验证的假设长这样：触发条件是 res.data.items 为 undefined，验证方式是打一行 console.log(typeof res.data.items)，拿到 undefined 就去核对上游字段名。只说「加个兜底就行了」的回答，等于让你把 bug 藏起来。
贴报错的时候一并给三样东西：完整栈的前 15 行（含文件名和行号）、报错那个函数的完整代码、这个接口返回的真实 JSON 样本（关键字段脱敏）。只贴一行来自论坛的报错，两边都会开始编。
任务：给 calculateDiscount(price, coupon, userLevel) 写 vitest 用例，覆盖边界和异常。DeepSeek 系产出量大、覆盖广，但常见 expect(result).toBeDefined() 这种什么都没验的断言，还会出现 expect(fn).toHaveBeenCalled() 却压根没 mock 的情况，跑起来直接报 is not a function。Claude 系写得更少更准，边界值（0、负数、null、超上限）通常都点到。
你该怎么做：强制要求「每条 expect 必须断言具体值，禁止用 toBeDefined 和 toBeTruthy 兜底」，再让它跑一遍 npx vitest run，把失败用例修到全绿。加上这两句，DeepSeek 写出的测试可用率能上一个台阶。
Python 侧情况类似，但 DeepSeek 对 pytest 的 fixture 和 pytest.raises 更熟，一次写对的概率更高；Claude 系偶尔给你一个真去调外部接口的测试，到你机器上跑不起来。写活的草稿交给 deepseek-v3.2-thinking，配上「mock 掉所有网络调用」这条硬要求就够了。
需求：查出最近 30 天每个用户的订单总额，只算 status = 'paid'，按金额倒序取前 50。DeepSeek 通常一次给对 WHERE created_at >= NOW() - INTERVAL '30 days' GROUP BY user_id ORDER BY total DESC LIMIT 50，但它爱顺手 JOIN users，把你没要的 email、phone 也选出来。Claude 更守边界，你写什么它给什么。
你该怎么做：需求里补一句「不要 join 别的表、只返回 user_id 和 total、不要加我没要的字段」，这一句能省掉大量 review 时间。
需求：匹配形如 2026-03-14 08:30:00 的时间戳，严格限定月份是 01 到 12。DeepSeek 一次写对的概率更高，也更愿意解释每个分组在干什么；Claude 系偶尔给你一个用 \d{2} 糊弄过去的版本，能匹配到 99 月。这类纯符号推理的活，DeepSeek 系性价比突出。你该怎么做：让它把「能匹配」和「不该匹配」的正例反例各列 5 条，你拿去跑一遍就完成验收。
把 800 行以上的文件整份贴进去，让它只改其中一个函数。两家的表现都会下降，但下降方式不同：DeepSeek 系更容易在返回时把没改动的大段代码「重写一遍」，顺手丢掉几个边界判断；Claude 系更倾向用局部替换的方式给 diff。
你该怎么做：永远不要让它整份重写大文件。要求它「只输出需要替换的那个函数，从函数声明到它的结束大括号，其他代码一个字都不要输出」，然后你在编辑器里手动替换。
在 Cline、RooCode、KiloCode 里跑同一串任务（改类型、改引用、跑测试、修失败用例），盯三项指标：中途跑偏次数、误删代码次数、最终 diff 行数。Claude 系跑偏和误删明显更少，diff 通常更小；DeepSeek 系偶尔会「顺手优化」掉一段它觉得没用的代码，review 时得盯紧删除行。
三件事：开工前 git commit，让每一步改动都能单独回滚；prompt 里写明「禁止删除任何现有函数，禁止改变公开 API 签名」；每完成 3 到 5 个文件就让它停下来，你看一眼 git diff --stat。这三条对两家都有效，对 DeepSeek 尤其必要。
不省请求钱，省你 review 的时间。按次计费下 diff 大小不影响单价，但 diff 越大你审得越久，返工还要再花一次请求。一条硬规矩：单个任务让 agent 改超过 6 个文件，就拆成两轮跑。
-thinking 系模型在返回正文前先生成推理过程，这段推理照样进上下文，所以延迟和请求体都比非 thinking 大。小鱼API 的按次计费把价格固定在 0.049 到 0.25 元这个区间，选之前先看清单价。
| 模型 | 单价（元/次） | 适合开 thinking 的活 |
|---|---|---|
| deepseek-v3.2-thinking | 0.049 | 写测试、写脚本、正则、中文注释 |
| deepseek-v4-flash-thinking | 0.05 | 高并发、批量格式转换 |
| deepseek-v4-pro-thinking | 0.09 | DeepSeek 系里的疑难重构 |
| claude-sonnet-4-5-thinking | 0.09 | 跨文件重构、bug 根因、agent 多文件 |
| claude-opus-4-5-thinking | 0.12 | 架构决策、难缠的线上事故 |
| claude-opus-4-7-thinking | 0.25 | 前面几档都试过还不行时才上 |
判断标准再土一点：扫一眼就知道怎么改的活别开 thinking；得拿纸画两分钟才想明白的活，开。
小鱼API 的按次计费规则是「一次请求固定价，输入长度不影响价格」。这句话对「贴大文件让 AI 改」的用法是个大便宜：把 2000 行代码塞进上下文，deepseek-v3.2-thinking 还是 0.049 元一次，claude-sonnet-4-5-thinking 还是 0.09 元一次，不会因为 token 变多就涨价。按 token 计费的玩法在这种场景里价格可能翻好几倍，按次不会。
| 模型 | 单价（元/次） | 500 次总价（元） |
|---|---|---|
| deepseek-v3.2-thinking | 0.049 | 24.5 |
| deepseek-v4-pro-thinking | 0.09 | 45 |
| claude-sonnet-4-5-thinking | 0.09 | 45 |
| claude-opus-4-5-thinking | 0.12 | 60 |
| claude-opus-4-7-thinking | 0.25 | 125 |
另外几家 500 次的总价：deepseek-v4-flash-thinking 0.05 元/次，是 25 元；kimi-k2.5 和 kimi-k2.6 0.09 元/次，是 45 元；gpt-5.4-pro-thinking 0.15 元/次，是 75 元；gpt-5.5 0.2 元/次，是 100 元。
claude-opus-4-7-thinking 一天 125 元，换成 deepseek-v3.2-thinking 是 24.5 元，省下 100 元。这 100 元正确的花法不是存着，是买「双模型交叉验证」：让 deepseek-v3.2-thinking 写初稿，再让 claude-sonnet-4-5-thinking 只做审阅。一天 500 次写作加 500 次审阅也就 24.5 加 45 等于 69.5 元，比单跑 500 次 opus 便宜一半，产出往往还更稳，因为两个不同家族的模型盲区不一样。
下面这段脚本读一份任务清单，分别打 deepseek-v3.2-thinking 和 claude-sonnet-4-5-thinking，记录耗时、返回长度和可疑标志，再把对比表和总成本打出来。把 YOUR_API_KEY 换成你自己的令牌就能跑。
import json, time, requests
BASE = "https://xyuapi.top/v1"
KEY = "YOUR_API_KEY"
MODELS = [("deepseek-v3.2-thinking", 0.049), ("claude-sonnet-4-5-thinking", 0.09)]
# tasks.json 形如 [{"id": "t1", "prompt": "...", "must_contain": ["useEffect"]}]
tasks = json.load(open("tasks.json", encoding="utf-8"))
SUSPECT = ["作为AI", "无法访问", "抱歉，我", "TODO: 请补充"]
def call(model, prompt):
t0 = time.time()
r = requests.post(
BASE + "/chat/completions",
headers={"Authorization": "Bearer " + KEY},
json={"model": model, "messages": [{"role": "user", "content": prompt}]},
timeout=180,
)
r.raise_for_status()
text = r.json()["choices"][0]["message"]["content"]
return text, round(time.time() - t0, 1)
rows, total = [], 0.0
for model, price in MODELS:
for t in tasks:
text, secs = call(model, t["prompt"])
flags = [f for f in SUSPECT if f in text]
flags += [k for k in t.get("must_contain", []) if k not in text]
total += price
rows.append({"model": model, "task": t["id"], "sec": secs,
"len": len(text), "flag": len(flags)})
print("%-30s%-8s%-8s%-8s%s" % ("model", "task", "sec", "len", "flag"))
for r in rows:
print("%-30s%-8s%-8s%-8s%d" % (r["model"], r["task"], r["sec"], r["len"], r["flag"]))
print("\ntotal requests: %d, cost: %.2f CNY" % (len(rows), total))跑完盯两件事：可疑标志少不等于答得对，要配 must_contain 里的关键片段一起判断；耗时差异在高并发下会被放大，别只看单价。
这两个客户端都支持自定义 OpenAI 兼容地址。在设置里选 OpenAI Compatible，把 https://xyuapi.top/v1 填进 Base URL，模型名照抄，Key 填你自己的令牌。
{
"apiProvider": "openai",
"openAiBaseUrl": "https://xyuapi.top/v1",
"openAiApiKey": "sk-你的令牌",
"openAiModelId": "claude-sonnet-4-5-thinking",
"openAiHeaders": {},
"requestTimeoutMs": 180000
}模型名一定按文档里的全名写。写成 claude-sonnet-4-5 少个 -thinking 后缀，客户端会直接给你 404 model not found。改完地址先跑一次「列出模型」，确认能拉到列表，再让 agent 动你的仓库。