37K star 的 CodeWhale：把 Codex 改造成 DeepSeek 终端 agent，缓存经济学砍到 1/10 成本

GitHub: https://github.com/Hmbown/DeepSeek-TUI

说明：本文对一款开源项目做客观技术与渊源分析。涉及「派生自 OpenAI Codex CLI」的判断基于代码内硬证据，如实陈述派生与适配关系、不作侵权指控；许可证合规问题按事实呈现，供读者自行判断。

一句话总结

CodeWhale（仓库名 DeepSeek-TUI）是一个 Rust 原生的终端编程 agent，面向 DeepSeek V4 + 小米 MiMo，5 个月冲到 37K star。它的核心卖点是「缓存经济学」——靠 DeepSeek 的 prefix 缓存把每轮成本压到约 Claude Code 的 1/10，配合「auto 模式」每轮自动选模型与思考等级。但深读代码会发现一个关键事实：它高度参照/重写自 OpenAI 的 Codex CLI（codex-rs），再适配 DeepSeek 生态——这既解释了「单人 5 个月做出 27 万行成熟 Rust agent」的惊人产出，也带出一个面向用户未充分披露的署名问题。

值得关注的理由

一个「站在巨人肩上 + 重度 AI 辅助」的极端 velocity 样本：单人主导（Hunter Bown 占 88% 提交），4.5 个月 2182 commit、近 30 天 1326 commit（5 月单月 1616）、发了 100 个 release（约每 1.3 天一发）、27 万行 Rust。这种产出对纯原创单人项目极不寻常——真相是它以成熟的 Codex CLI 架构为蓝本（底层 crate 已稳定，火力 30 倍压倒性集中在 crates/tui），再用「agent 造 agent」自举。这是 AI 编码时代「如何快速做出一个成熟产品」的标志性案例。
一套真有价值的 DeepSeek 成本工程：① prefix 缓存经济学——把很长的「Constitution（宪法式九级权威层级提示）」缓存后每轮成本约降 100×，TUI 实时显示 cache hit/miss 与成本；② Auto 模式——每轮先发一个 deepseek-v4-flash、thinking off 的小路由调用，按任务复杂度选「具体模型 + thinking 等级」，简单留 Flash、复杂升 Pro。这套「用便宜模型做路由 + 缓存友好的长 harness」是把开源/廉价模型做成可用 coding agent 的实在工程。
一个值得讲清的开源伦理案例：硬证据（同构 crate 布局、数十处 Port of codex-rs/... 注释、内部分支命名 codex/v0.8.53）表明它派生自 Apache-2.0 的 Codex CLI，但面向用户的 README/LICENSE 只致谢 DeepSeek/社区、未署名 OpenAI/Codex。「开源软件的衍生与署名义务」是 AI 时代高频出现、值得读者了解的议题——客观呈现事实，比追捧或指控都更有价值。

项目展示

CodeWhale 截图

终端编程 agent：codewhale（dispatcher）+ codewhale-tui（运行时）双二进制，流式 reasoning、approval gates 三模式（Plan 只读 / Agent 审批 / YOLO 自动）、实时缓存/成本显示。

⚠️ 认准官方仓库 Hmbown/DeepSeek-TUI 与官网 codewhale.net；外部分析警告存在仿冒仓库/恶意分发的同名站点。

项目画像

维度	数据
GitHub	https://github.com/Hmbown/DeepSeek-TUI（产品名 CodeWhale）
Star / Fork	37,441 / 3,217
代码行数	269,840 行（Rust 88.5% Cargo workspace 多 crate；少量 JS/TS 配套 web）
项目年龄	4.5 个月（2026-01-20「Initial release v0.1.0」）
开发阶段	密集开发 / 狂飙（近 30 天 1326 commit、5 月单月 1616，疑似基底改造 + AI 辅助）
贡献模式	单人绝对主导（171 人，Hunter Bown ≈ 88%，社区零星）
热度定位	现象级爆款（5 个月 0→37K star，DeepSeek V4 发布 + 中文社区带动）
质量评级	工程执行「强」 fix 占 52%（高速适配）测试「良」渊源披露「不足」

作者视角：为什么存在这个项目

创始人/作者背景

个人开发者 Hunter Bown（Hmbown），非组织，1226 followers，无 bio，blog 即 codewhale.net。单人绝对主导（1752+165 commit ≈ 88%），其余 171 贡献者多为小额 PR（以中文社区开发者为主）。投入极高（近 30 天 1326 commit，深夜提交 39.4%、周末 33.1%），是典型「单人激情 + 全身心投入」节奏。能在 5 个月独立产出 27 万行成熟 Rust agent，结合下方渊源查证，更可能是「以成熟的 Codex CLI 架构为蓝本移植/重写 + AI 辅助加速」的组合（README 自述「V4 helped write the harness」），而非纯白手起步。

问题判断

要解决的是「让便宜的 DeepSeek V4 长上下文变成一个可用、可控的终端编程 agent」。便宜模型直接用做 agent 的痛点是：上下文管理、工具调用、审批安全、成本控制都缺。CodeWhale 的判断是「harness（线束/约束系统）而非 model 才是护城河，DeepSeek 可替换」——以 prompts/base.md 的「Constitution（九级权威层级）」仲裁 user intent / 项目规则 / 工具输出 / 陈旧记忆之间的冲突，让模型每一轮都有明确的「谁说了算」。

解法哲学

站在成熟基底上做差异化适配。不重造 agent 内核（工具调用、执行策略、审批沙箱等底层 crate 直接复用 Codex 架构），把精力压倒性投入到 ① DeepSeek 成本工程（缓存 + auto 路由）；② TUI 体验（crates/tui 改动 1414 次 vs 其余 crate 个位/几十次）；③ 多 provider 适配（DeepSeek/MiMo + 20+ OpenAI 兼容 provider）。这是「快速试错、贴近社区反馈滚动迭代」的产品打法（fix 占 52%）。

战略意图

成本叙事 + 开源 + 中文社区。对标 Claude Code 主打「约 1/10 成本」，对标 Codex CLI 把目标模型从 GPT 换成 DeepSeek/MiMo/开放权重。homepage codewhale.net + Homebrew tap + npm codewhale + Docker + Zed ACP 适配，是产品级分发。渊源披露是其战略上的争议点（见下）。

核心价值提炼

⚠️ 渊源查证（客观，不指控）：多项硬证据表明 CodeWhale 是 OpenAI Codex CLI（codex-rs，Apache-2.0）的移植/重写改造版——① crate 布局同构（execpolicy/app-server 等是 codex-rs 特征 crate）；② 源码数十处直引「Port of codex-rs/…」「mirrors」「pattern from openai/codex」；③ 内部分支策略写「PRs target codex/v0.8.53」；④ LICENSE 为 MIT 署名「DeepSeek CLI Contributors」、年份 2024–2025 早于建库。Codex CLI 是 Apache-2.0（拷贝代码时要求保留许可与 NOTICE 署名），而 CodeWhale 的 README/LICENSE 未致谢 OpenAI/Codex、无 NOTICE 文件——代码注释以「reimplemented/参照重写」措辞框定（与 isFork=false、独立提交历史一致，倾向 clean-room 式重写）。结论：若属参照/重写，MIT 合法自洽；但工程渊源在面向用户层披露不足，仅在代码注释可见。本节据此区分「派生的基底」与「原创的增量」。

创新之处（原创增量部分）

DeepSeek prefix 缓存经济学（新颖度 4/5，实用性 5/5）：把很长的 Constitution 提示缓存后每轮成本约降 100×，TUI 实时显示 cache hit/miss 与成本——把「长 harness 提示」的成本劣势用 DeepSeek 缓存转成优势。这是 CodeWhale 整个低成本叙事的核心（也是最大软肋，见风险）。
Auto 模式（按 turn 路由模型 + 思考等级）（新颖度 4/5，可迁移性 4/5）：--model auto 默认，每轮先发一个 deepseek-v4-flash、thinking off 的小路由调用判断任务复杂度，再选「具体模型 + thinking 等级」（简单留 Flash、复杂升 Pro）；上游 API 永不收到「auto」。用便宜小模型做路由决策的实用设计。
Constitution harness（九级权威层级提示）（新颖度 3/5）：用一套显式的权威层级仲裁 user intent / 项目规则 / 工具输出 / 陈旧记忆的冲突，让模型每轮有明确「谁说了算」——是「harness > model」哲学的提示工程落点。
MiMo / 多 provider 适配（新颖度 2/5，实用性 4/5）：xiaomi-mimo provider（含 TTS speech）+ 20+ OpenAI 兼容 provider（openrouter/siliconflow/volcengine/ollama/vllm/sglang），把 Codex 的「GPT-only」打开成开放权重生态。

可复用的模式与技巧

用便宜小模型做路由决策：每轮先发一次极廉价调用判断复杂度，再选合适模型/思考等级——任何多模型成本优化系统通用。
缓存友好的长 harness：把稳定的长提示前缀化以命中 prefix 缓存，把「提示越长越贵」转成「缓存后近免费」——依赖 prefix 缓存的 LLM 应用通用。
dispatcher + runtime 双二进制：codewhale 调度 + codewhale-tui 运行时分离（继承自 Codex 架构）——CLI 工具的成熟分发模式。
approval gates 三模式（Plan/Agent/YOLO）+ 沙箱：只读规划 / 逐步审批 / 自动执行的分级授权 + macOS Seatbelt 沙箱——agent 安全执行的范式（源自 Codex）。

关键设计决策

最值得记录的是 「harness 而非 model 是护城河」的产品判断 + 缓存驱动的成本工程。CodeWhale 明确承认底层模型（DeepSeek V4）可替换，真正的价值在那套约束系统（Constitution、工具策略、审批、诊断回灌、git 快照回滚——多数继承自 Codex CLI 架构）。它的原创增量是把这套 harness「缓存友好化 + auto 路由化」以适配 DeepSeek 的成本结构：很长的 Constitution 一旦被 prefix 缓存命中，每轮边际成本骤降，于是「长 harness」从成本负担变成可负担的护城河。这个判断成立的前提是缓存命中率足够高——而这正是它最大的软肋（社区 issue #1177/#1120 实测命中率不达预期，直接动摇核心叙事）。

竞品格局与定位

竞品对比

项目	Stars	定位	与 CodeWhale 关系/差异
OpenAI Codex CLI	~74K	Apache-2.0、Rust、官方终端 agent	架构同源（疑似基底）；CodeWhale 把目标模型换成 DeepSeek/MiMo + 缓存/auto/Constitution 增量
Claude Code	~122K	Anthropic 闭源终端 agent 标杆	CodeWhale 主打约 1/10 成本 + 开源；劣势在复杂推理质量与生态成熟度
OpenCode (sst)	~157K	开源、TS、75+ provider 模型无关	OpenCode 模型无关、跨终端/IDE；CodeWhale DeepSeek-first + Rust 原生 + 深度缓存核算
Aider	~44.6K	Python、AI pair-programming 元老	Aider 偏 git-diff 工作流；CodeWhale 是富 TUI + 审批沙箱 + 子 agent 的 agent 化形态

差异化护城河

在「DeepSeek/开放权重 + 极低成本 + Rust 原生 TUI」这个细分卡位：缓存经济学 + auto 路由带来的成本优势、Constitution harness、MiMo/多 provider 广度、单人极端迭代速度。但需诚实指出——底层 agent 能力（护城河的主体）继承自 Codex CLI，CodeWhale 的真正自有壁垒是「DeepSeek 成本工程 + 中文社区 + 迭代速度」这层适配增量。

竞争风险

缓存命中率是命门：整个低成本叙事押注 prefix 缓存命中，但社区实测命中率不达预期（#1177/#1120），是反复出现、尚未根治的工程难题；
渊源/署名争议：派生自 Apache-2.0 的 Codex CLI 却未在用户层署名，一旦被广泛关注可能引发开源合规与声誉问题；
上游依赖：架构跟随 Codex、模型跟随 DeepSeek，两头都不由自己掌控；
质量天花板：密集推理/混乱遗留代码场景质量逊于 Claude Code/Codex + GPT；
单人 + 极端 velocity 的可持续性：88% 提交集中一人、fix 52%、refactor 0，长期维护与稳定性存疑；
仿冒风险：存在同名恶意分发仓库/站点。

生态定位

DeepSeek/MiMo/开放权重的「成本颠覆型」终端编程 agent——在 Codex CLI 架构之上做廉价模型适配。与 Codex（基底/上游）、Claude Code（高端对标）、OpenCode（模型无关对照）形成清晰错位。

套利机会分析

信息差：题材正当风口（DeepSeek V4 + 国产/开源模型 coding agent），5 个月 37K star 爆发。最高价值的内容钩子是客观渊源叙事——「为何单人 5 个月做出 27 万行成熟 Rust agent」（答案：站在 Codex 肩上 + AI 自举）+「派生与署名」议题，中文圈鲜有人讲清。
技术借鉴：用便宜小模型做路由、缓存友好的长 harness、auto 模型+思考等级、approval gates 分级授权——这些（部分原创、部分源自 Codex）可迁移到任何多模型/成本敏感的 agent。
生态位：填补「DeepSeek/开放权重 + 极低成本 + Rust TUI」的卡位。
趋势判断：踩在「廉价模型 + agent 自举 + 成本颠覆」趋势上；但护城河主体是借来的，长期看「缓存命中率根治 + 原创增量厚度 + 署名合规」决定其能否从「Codex 的 DeepSeek 皮肤」走向独立产品。

风险与不足

渊源披露不足（核心争议）：硬证据指向派生自 Apache-2.0 的 Codex CLI，但 README/LICENSE 未署名 OpenAI/Codex、无 NOTICE——若属参照重写 MIT 合法，但用户层披露不充分，是声誉与合规隐患。
缓存命中率不达预期：低成本叙事的命门，社区反复反馈未根治。
质量天花板：复杂推理/遗留代码场景逊于头部闭源 agent + 顶级模型。
可持续性：单人 88%、极端 velocity、fix 52%/refactor 0，团队冗余与结构性健康存疑。
仿冒/安全：存在恶意同名分发，用户需认准官方仓库。

行动建议

如果你要用它：适合「想用 DeepSeek V4/MiMo/开放权重以极低成本跑终端编程 agent、且能接受 0.x 高速变动」的开发者，尤其中文 DeepSeek 用户；务必认准官方仓库 Hmbown/DeepSeek-TUI / codewhale.net 防仿冒，关注缓存命中率实际表现。要复杂推理质量与成熟生态仍选 Claude Code/Codex + 顶级模型。
如果你要学它：直奔 crates/tui（CodeWhale 的原创主战场——TUI 体验）、prompts/base.md（Constitution harness）、auto 路由与缓存核算逻辑（DeepSeek 成本工程的原创增量）；底层 agent 内核（crates/{agent,execpolicy,app-server,core}）建议对照 OpenAI Codex CLI（codex-rs） 原版学习，因其源出于此。
如果你要 fork / 借鉴它：用便宜小模型做路由、缓存友好长 harness 是可直接迁移的成本工程；但若基于本项目再分发，务必厘清其与 Codex CLI（Apache-2.0）的派生关系与署名义务，避免传递许可瑕疵。

知识入口

资源	链接
官网	https://codewhale.net/（认准官方域名，警惕仿冒）
DeepWiki	https://deepwiki.com/Hmbown/CodeWhale（已收录，覆盖架构/TUI/工具系统/运行时）
架构源头（对照学习）	OpenAI Codex CLI（codex-rs，Apache-2.0，github.com/openai/codex）——CodeWhale 的架构蓝本
外部独立分析	AI Coding Agents Compared 2026: Claude Code vs Codex CLI vs Cursor vs DeepSeek TUI（ofox.ai）（定位为「成本颠覆者」，约 1/10 成本）