Rocky开源编程智能体：极简架构原生集成DeepSeek的Coding Agent

从零打造一个透明的Coding Agent

在Claude Code、Codex几乎统治编程智能体赛道的今天，两位偏算法背景的开发者（B站UP主CC和嘟嘟学姐）花了大约两个月的业余时间，做出了一个名为 Rocky 的开源编程智能体。它的定位很有意思——不是要打败Claude Code，而是要做一个足够简单、足够透明、可量化的coding agent实验框架。

Rocky这个名字来源于科幻小说《挽救计划》里那只热情又没有边界感的外星大蜘蛛工程师。这个人物设定也被带进了产品：Rocky在工作时会显示会"唱歌"的小音符，偶尔还会过分热情地帮你把测试全跑一遍——尽管你只是让它"看一下"代码。

作者最直观的感受是：第一版仅仅一两千行代码的东西居然能work。打开代码仓库看到"这么简单一个loop居然能跑通"，恰恰说明了当下模型本身已经足够强大。这也是Rocky最核心的价值主张之一。

极简架构：几百行的Loop能做什么

Rocky最吸引人的地方在于它的代码量极小。整个项目用Python编写，代码量大约是其他Coding Agent的"零头"：核心Loop只有几百行，系统提示词只有30到50行（约300–500 token），总计不到1000 token。

作为对比，Kimi的系统提示词大约是它的五六倍，OpenCode、Claude Code这类工具动辄几十万行代码（Claude Code约50万行），阅读起来极易"被绕晕"。而Rocky保持了整个Loop的透明性——无论是想直接使用，还是想学习"如何做一个Coding Agent"，门槛都极低。

说个细节，Rocky最终交付版本采用的是最朴素的while true循环，而非ReAct或Reflection等更复杂的机制。ReAct（Reasoning + Acting）是一种将语言模型的推理链与工具调用交织执行的框架，由Google Research于2022年提出，理论上能提升决策质量；Reflection机制则让Agent在每步行动后自我评估并动态调整策略。然而作者实测后发现，在SWE-verified基准上的小规模测试（20/50/100条）中，这些改动带来的差异"不在统计显著范围内"，因此选择了"保持尽可能简单"的原则——这些机制在增加Token消耗和延迟的同时，并不总能带来可量化的工程收益。

这其实回到了一个本质问题：为什么这么小的一个loop居然就能工作？ Rocky用可复现的代码和本地轨迹，给出了一个可供拆解学习的答案。

原生集成DeepSeek搜索与Deep Research模式

Rocky的一大特色是深度整合了DeepSeek的原生搜索能力。这解决了一个实际痛点：如果你用Codex或Claude Code接第三方模型，自带的搜索功能往往会失效；而使用OpenCode等开源工具，搜索通常需要额外注册会员或自行接入MCP、搜索API。

Rocky直接调用DeepSeek原生搜索，用户只需花DeepSeek的API费用即可自带搜索，且搜索请求做了并行化处理，速度快、成本极低（搜索环节使用Flash模型）。

基于此，嘟嘟学姐主导开发了研究模式（Research Mode），包含Deep Research和Learn学习两种子模式。据作者实测，让Rocky调研"RSI（递归自我改进）"这类前沿概念，一轮即可返回约80篇参考文献并生成分层文档，成本约1元人民币。

作者还做了一个有意思的交叉验证：把Rocky返回的70多个链接交给GPT进行逐一核对，结果63个完全正确、10个部分正确、6个错误、2个缺失，链接准确率相当高。嘟嘟学姐补充了一个关键视角——对于真正的深度调研，召回率（能返回足够多有价值文献）往往比单纯准确率更重要。这一判断来自信息检索领域的经典权衡：精确率衡量返回结果中有多少是相关的，而召回率衡量所有相关结果有多少被成功找到。在学术调研场景中，漏掉一篇关键论文的代价远大于多返回几篇噪声文献，因为研究者有能力人工过滤冗余，却无法发现从未见过的重要文献。第一轮80条覆盖经典文献已经相当出色，而Codex这类工具通常不会一次帮你查这么多。

严格沙箱与本地轨迹落盘

安全是Rocky设计中被反复强调的重点。作者亲历过Claude Code、Codex"在你没反应过来的情况下删本地分支"的噩梦，Rocky自己也干过类似的事。因此Rocky做了一层较重的沙箱机制：

• 基于Docker的sandbox，未安装Docker则该功能不可用；
• 支持通过SSH方式由其他AI调用Rocky，但同样将其限制在沙箱内；
• 所有可能"闯祸"的功能（如memory、dream、主动催办）默认关闭（off）。

另一个核心设计是轨迹（trajectory）本地落盘。在大语言模型的强化学习训练中，轨迹指Agent从接收任务到完成任务全过程中的状态-动作-奖励序列，是训练奖励模型和进行策略优化的核心数据来源。Rocky没有服务端，纯粹是一个TUI客户端，所有搜索和模型请求发往模型服务端，其余数据全部保存在本地的 .rocky-code 文件夹。这带来了极高的透明度：用户可以随时调出使用历史、让Rocky写个Python脚本分析自己的高频用法，甚至对照本地轨迹研究"某次运行为什么没有返回期望结果"的因果关系。

作者对比指出，Codex导出全量聊天记录时工具调用与对话是分开存储且极其复杂，而Rocky"像一只透明的蜘蛛"，整个运行过程一目了然。需要注意的是：轨迹存储可能在不知不觉中占用大量磁盘空间。

内置Benchmark与协同进化设想

Rocky区别于普通编程工具的关键，在于它内置了可一键运行的benchmark harness。作者的初衷是想知道：纯模型 vs. 模型+harness，在基准上到底表现如何？

• SWE-verified：这一基准由普林斯顿大学于2023年提出，从GitHub真实软件工程Issue中构建测试集，要求AI系统自动修复bug并通过对应单元测试，经人工审核过滤歧义问题后形成精选集，被认为是当前最接近真实工程场景的Coding Agent评估基准之一。作者测了100道题，两轮平均约80分，接近DeepSeek-V4-Pro官方的80+分。作者谨慎表示，这只能说明"harness没有破坏模型能力"，而非harness本身多厉害。
• Deep-SWE：更严格的新基准，DeepSeek-V4官方分约8%，目前所有模型都"没及格"。作者接入后测了20题，目前得分仍为0——部分因为自己写的bug、部分因为限制了步数（超步即终止）。

对于其他工具（如Codex），要参与这类需要Docker的评测，得额外写脚本、经过多层调用；而Rocky"稍微改改代码就能一键运行"，因此它更像一个附赠的Agent实验环境与教学样本。

更长远的方向在于模型与harness的协同进化。作者认为harness无法单独成长，必须依靠中间的trajectory数据做长程强化学习训练。Rocky预留的轨迹落盘机制本质上是一个微型离线RL数据管道——与DeepMind、OpenAI等机构在Agent训练中采用的trajectory replay思路一脉相承，只是规模和复杂度大幅简化。Rocky本质上是一个小型RL训练环境的雏形，并已预留了自进化（自反思、routine沉淀、memory、"做梦机制"筛选记忆重要性）等实验性组件。不过作者用了一个贴切的比喻：这就像拿到一个引擎去自造飞船，目前飞船能超光速飞行，但飞的过程中可能会掉一两个零件——RL部分尚未搭建，个人用户也很难攒够训练所需数据。

谁适合用Rocky

从两位作者的真实使用体验来看，Rocky目前更适合以下场景：

• 偏研究与轻量任务：文献调研、写可视化脚本等代码量较少的工作，成本低（按DeepSeek API付费，无需订阅昂贵会员）、速度快；
• 学习与教学：想理解"一个最小化的Coding Agent如何运行"的最佳实验教材；
• 可复现的Agent基准实验：一键跑榜、可查轨迹、易于二次改装。

已知局限同样明确：Rocky对大型复杂代码库的支持较弱，LSP功能默认关闭（需手动开启），单纯依赖grep/glob搜索大型代码库容易出错。此外，中英文提示词切换、模式切换会刷新缓存，但由于整体成本已经很低，作者认为这点缓存miss成本可以接受，"任务完成是第一位"。

值得一提的是，团队还开发了VS Code插件和基于Lean4的形式化证明（Lean Prover）实验功能。Lean4是由微软研究院Leonardo de Moura主导开发的新一代定理证明助手，被数学界和计算机科学界用于构建机器可验证的数学证明；DeepSeek Prover系列模型正是在Lean4环境下训练，在IMO级别题目上展现出接近专业数学家的推导能力。将Lean Prover集成进Coding Agent框架，代表了一个前沿方向：让AI不仅能写代码，还能对代码正确性给出形式化保证，在安全关键系统（航空、金融、密码学）中具有重要价值。这些前沿而实验性的功能，让Rocky不仅是一个工具，更成了一个观察AI能力边界的开放试验场。

对个人开发者而言，Rocky最大的增量或许不是"能训模型"，而是那份彻底的透明——你能看清一个Agent究竟是怎么工作、怎么打榜、怎么翻车的。而这，正是当下众多闭源或臃肿的商业工具无法提供的价值。

核心要点