五一假期，一個美國獨立開發者做的DeepSeek版Claude Code火了！

2026 年五一，GitHub 上一個項目突然火了。4 天漲了 3000 多 star，中文技術社區到處在討論。

項目叫 DeepSeek-TUI。一個終端里的 AI 編程 Agent。和 Claude Code 做的事一樣，但底下的模型是 DeepSeek V4，價格是前者的幾十分之一。

點進去看作者主頁。Hunter Bown。美國人。66 個倉庫，225 個 follower，沒有 bio，沒有公司，沒有 location。個人簡介一片空白。

一個典型的個人開發者。

往下翻到他的個人網站，信息才浮出來：本科音樂教育，碩士音樂教育，MBA，法學院專利法。沒有 CS 學位，沒有科技公司經歷，沒有工程師 title。

他做了 3 年樂隊指揮。

現在他寫了一個工具，讓幾千個開發者放棄了 Cursor 和 Claude Code。

三代人，從貝爾實驗室到 GitHub

Hunter Bown 的曾祖父叫 Ralph Bown Sr.。

這個名字在科技史上有一席之地。Ralph Bown 是貝爾實驗室的研究副總裁，無線電通信的先驅。他參與建立了早期的跨大西洋無線電通信系統。二戰期間負責軍用雷達研發。

但他有一個跟身份不太搭的業余愛好：自制蠟筒錄音機，跑進卡內基音樂廳偷錄現場演出。那個年代，現場錄音是極少數人能做的高端操作。一個頂尖科學家，周末溜進音樂廳，用自己造的設備捕捉聲音。

三代之后，Hunter Bown 站在了對稱的另一端。

音樂教育專業，碩士畢業后做了 3 年樂隊指揮——站在臺前揮棒子的那種。后來轉了法律和商業，寫代碼全靠自學。

他描述這段對稱關系時說過一句話："他是科學家，愛音樂；我是音樂家，愛科學。"

有一件事把他的音樂背景和編程連在了一起。學聲樂時他接觸到一個概念叫"缺失基音"——人耳能從一系列泛音中，在大腦里重建出一個物理上并不存在的基音頻率。聽到的和弦里，有一個音沒人演奏，但你"聽"見了。

他后來發現，這和信息論是同一件事：系統會自動補全沒有被顯式給出的信息。聽音樂是這樣，理解語言是這樣，AI 推理也是這樣。

這個來自音樂的直覺，成了他理解 AI 系統運作方式的鑰匙。

翻他的 GitHub 主頁會看到一個特別之處：65 個公開倉庫。AI 編程 Agent、辯證推理引擎、MCP 服務器、太空聲學轉化器、MLX kernel 工具包、三套軟件架構方案、一個硬件設計——項目跨度大到不像同一個人的產出。他把自己的工作室叫 Shannon Labs，目標定位是"AGI 時代的下一個貝爾實驗室"。

不是隨口說的名號。他理解了曾祖父的貝爾實驗室意味著什么——把不同領域的最聰明的人放在一起，讓他們互相啟發。現在他在 GitHub 上做同樣的事，只是合作的對象里多了 AI。

2026 年 1 月 19 日，他建了一個新倉庫，取名 DeepSeek-TUI。目標直接：做一個給 DeepSeek 模型用的終端編程 Agent，體驗對齊 Claude Code。

一個人。一臺電腦。沒有 deadline，沒有投資人，沒有團隊。

他的團隊是一群 AI

Claude Code 背后是 Anthropic 的工程團隊。DeepSeek-TUI 背后只有 Hunter Bown。

但他有一個不同的做法：他用 AI 寫這個 AI 編程工具。

翻一下項目的 commit 記錄會看到一些不尋常的東西。452 次 commit 里，Hunter Bown 自己的大約 300 次。Claude 模型貢獻了約 150 次。還有 Gemini、Qwen、Cursor、Copilot、Devin——加起來至少六七個不同的 AI 模型，在不同階段參與了這個項目。

每個 commit 旁邊標了作者。有的是Hunter Bown，有的是Claude。

這是 2026 年才能出現的開發模式：一個非科班出身的人，負責架構判斷和代碼審查，一群 AI 負責執行。

他設計整體結構、判斷方案好壞、決定哪些代碼能合并。AI 寫具體實現、修 bug、補測試、寫文檔。他像一個樂隊指揮——不是每件樂器都自己演奏，但知道每種樂器該在什么時候出聲，知道整體效果應該往哪個方向走。

Claude 寫了哪些部分？從 commit 記錄看，主要是工具調用框架、MCP 協議實現，和一些模板化的 UI 組件。Hunter 自己寫的集中在核心引擎、session 管理、并行調度邏輯——那些需要"知道整體在哪"的部分。

這種分工不來自任何方法論或最佳實踐。是他自己試出來的。他知道自己擅長架構判斷，AI 擅長重復實現。一個負責"做什么"和"為什么"，另一個負責"怎么做"。就像樂隊指揮和樂手的關系——指揮不用每件樂器都會，但需要知道整個樂章的方向。

成果也很清楚。1 月 20 日 v0.1.0 首發。10 天之后，1 月 30 日，v0.3.5 已經集成了 MCP 全協議支持、RLM 并行模式、智能上下文卸載——一個 AI 編程 Agent 的全部核心骨架到位。

3 月 2 日，npm 包上線。npm install -g deepseek-tui加一個 DeepSeek API key 就能用。零運行時依賴，因為它是 Rust 編譯出的單 binary。

4 月 28 日，v0.7.0。一個版本塞進了 OS keyring 認證、side-git 快照、LSP 內聯診斷、Skills 系統、引擎模塊化拆分——這些功能通常需要一個季度才能做完。

節奏沒有停過。平均每天 4.3 次 commit，持續了 105 天。

然后到了五一。

4 天，10 個版本

2026 年 5 月 1 日，中國開始放五一假期。

Hunter Bown 在 X 上發了一條推文。用的是中文。大致內容是：我是 DeepSeek 的粉絲，一個人做了這個終端編程工具，專門適配 DeepSeek V4。幫我擴散一下。

他管中國開發者叫"鯨魚兄弟"——DeepSeek 的 logo 是鯨魚。

中文社區的反應超出了所有人的預期。

5 月 1 日到 5 月 4 日，項目星級從幾百飆升到 3800 多。中文 README 被大量轉發。知乎上的討論帖、CSDN 的深度評測、網易那篇"我裝了 DeepSeek-TUI，放棄了 Cursor"被廣泛傳播。cnBeta、什么值得買、投資界、香港的 Techritual——都在報。

傳播速度驚人，但更讓人印象深刻的，是這 4 天里他發了 10 個版本。

v0.8.1 到 v0.8.10。每天兩到三個版本。社區報了一個 Windows 粘貼的 bug——下一個版本修了。有人發現 glibc 兼容性問題——再下一個版本修了。Markdown 表格在終端里渲染異常、需要語言選擇器、需要 CORS origins 支持——一個接一個，當天報當天修。

翻一下版本發布時間：有的在下午，有的在凌晨。他從早上修到半夜。

大公司的發布節奏不長這樣。一個人被社區熱情推著跑，節奏才會長這樣。

這 10 個版本里有 6 位新的代碼貢獻者，全部來自中國社區。他的推廣策略奏效了——不只帶來了用戶，還帶來了貢獻者。

更值得說的是本地化。

他專門讓 DeepSeek 翻譯了一份完整的中文 README（README.zh-CN.md），把整個 TUI 界面做成了中文。Release 包托管在阿里云 OSS 和騰訊云 COS 上——他知道中國開發者從 GitHub 下載慢。提供了清華 TUNA 鏡像的 Cargo 配置指南。甚至在 X 上用中文跟用戶互動，回復 bug 報告、收集功能需求。

這超出了"加了中文語言包"級別的本地化。一個美國獨立開發者花時間理解了另一個國家的開發者生態——下載慢在哪里、鏡像怎么配、為什么 Cargo 比 npm 更受中國 Rust 用戶歡迎。

比大多數中國團隊還細致。

他不只是碰巧在中國火了。他主動選擇了從中國開始。

幾個關鍵設計選擇

DeepSeek-TUI 的架構有一份正式的 ARCHITECTURE.md。但比架構重要的是幾個設計判斷。每一個都反映了一個獨立開發者的思維方式——沒有人告訴他"應該怎么做"，他自己在用工具的過程中發現了痛點，然后自己修。

Plan / Agent / YOLO：三種模式，三種自主程度。

Plan 模式只能讀，不能改。AI 看代碼、搜文件、分析結構，但絕不動你一行代碼。適合接手新項目或新模塊時快速理解代碼全景。

Agent 模式逐步確認。AI 每改一個文件，停下來等你審批。適合改核心邏輯、重構關鍵路徑。

YOLO 模式全自動。AI 自己拆任務、寫代碼、跑測試、提交 git，中間不停不確認。適合批量修 bug、格式化代碼。

三種模式對應一個開發者的真實一天：上午接手新模塊用 Plan 看代碼全景，下午改核心邏輯用 Agent 逐步確認，晚上批量修 bug 用 YOLO 全自動。

Claude Code 的權限控制是全局 permission 設置——要么允許這類操作，要么不允許。一刀切。DeepSeek-TUI 把"AI 能自主到什么程度"從一次性配置變成了動態選擇。

修一個 typo 不需要審批，重構入口函數需要。這更接近實際開發的真實需求。

Side-git：AI 的快照不污染你的 git。

AI 自動改代碼，最大的恐懼是改壞了回不去。

Git 本身有版本控制，但你不會想每步 AI 操作都手動 commit 一次。DeepSeek-TUI 的方案是維護一套獨立于用戶倉庫的.git快照。每輪 AI 操作前后自動打快照，出問題一鍵/restore回到上一輪。

AI 的快照在旁路，你的 git history 不受影響。你的 commit 還是你的。AI 的試錯全部隔離。

RLM 并行：一個調度員，16 個工人。

V4-Pro 主模型負責拆解任務，最多同時調度 16 個 V4-Flash 子模型并行執行。

給一個 5 萬行的項目做大重構。主模型把任務拆成 5 塊——改 API 層、改數據庫層、改前端組件、更新測試、更新文檔——5 個子模型各領一塊同時推進。V4-Flash 每百萬 token 輸出只要 $0.28，16 個并行跑，總費用一杯咖啡的錢。

Claude Code 是單模型串行，一次只有一條執行線。對于需要同時動多個模塊的大型重構，并行的加速效果是數量級的。

這個能力不只靠工具設計，也靠 DeepSeek V4 本身——Flash 模型就是為高并發低成本設計的。換個模型未必能這樣用。

LSP 內聯診斷：讓模型長一雙"編譯器眼睛"。

每次代碼修改后，自動調用語言服務器做增量檢查——rust-analyzer、pyright、gopls、clangd、typescript-language-server。診斷結果直接喂給模型，而不是等用戶跑測試。

模型改完代碼的瞬間就知道有沒有類型錯誤、有沒有未使用變量、有沒有 borrow checker 警告。不用跑到測試失敗再回頭修。

這 4 個設計沒有一個是"創新"——單獨拆開看，每個都有前例。但它們組合在一起的方式，透露出一個獨立開發者的判斷力。他知道自己用 AI 寫代碼時最大的痛點是什么，然后一個一個解決。

產品經理列不出這種需求清單。自己用出來的。

三條邊界

了解工具的能力之后，了解它不能做什么同樣要緊。

純文本模型，不能看圖。

DeepSeek V4 是純文本模型。報錯截圖拖進去讓 AI 分析？不行。設計師給了 UI 稿想一鍵生成前端代碼？不行。終端輸出亂碼截個圖診斷？也不行。

這個限制對后端邏輯和算法 bug 影響有限。對前端開發和 UI 調試影響非常具體。

DeepSeek 在 4 月 29 日開始灰度推送識圖能力，API 側預計很快跟上。灰度不是全量，眼下這仍是一個真實短板。重度依賴截圖驅動開發的場景，繼續用 Claude 更實際。

綁定單一模型。

DeepSeek-TUI 目前主力支持 DeepSeek V4 系列。Hunter Bown 也做了 NVIDIA NIM、Fireworks、SGLang 的 provider 接口，說明架構上可以接別的模型。但實際體驗、性能調優、功能適配，都是圍繞 DeepSeek 來的。

這和 Claude Code 綁定 Anthropic 是對稱的。方向不同，結果一樣：你被鎖在一個模型生態里。

個人項目，零保障。

DeepSeek-TUI 是個人開源項目，MIT 協議，沒有官方背書。你可以隨便用，但作者沒有義務繼續維護。

4 天 10 個版本的背面是：大部分版本在修 hotfix。快速迭代的另一面是質量控制壓力。140 個 open issue，很多來自新用戶遇到的兼容問題和文檔缺失。

但換一個角度——Claude Code 是商業產品，月付賬單是門檻。DeepSeek-TUI 零元起步。風險類型不同，不能橫著比。

門檻塌縮

回頭看 Hunter Bown 這個人。

音樂教育背景，3 年樂隊指揮，自學編程。4 個月，一個人，用 Rust 做了一個 Claude Code 級別的終端編程 Agent。中文社區自發傳播，3800 star。

這個故事的沖擊力不在"又一個開源工具出現了"。在于它回答了一個問題：

構建 AI 編程工具的門檻有多高？

2025 年的答案是：需要一個像 Anthropic 這樣的公司。2026 年的答案是：一個人，知道自己要什么，會用 AI 做執行，就夠了。

Hunter Bown 做對了幾件事。每件都值得細想。

他知道自己缺什么。架構方向、代碼審查、設計判斷——這些他自己做。批量實現、修 bug、寫測試、寫文檔——AI 做。他沒有"全部交給 AI"，而是分清楚了哪些該自己拿主意。

他選了一個清晰的差異化方向。不做"更好的 Claude Code"，做"為 DeepSeek V4 深度優化的 Agent"。100 萬 token 上下文利用、RLM 并行調度、LSP 診斷——這些能力在原生適配 DeepSeek 時才能完全釋放。

他知道用戶在哪。中國開發者對 DeepSeek 接受度最高，對 API 價格最敏感，社區傳播力最強。他做了中文 README、中文 UI、國內鏡像。

但最深的一層是：DeepSeek-TUI 本身是一個循環的產物。一個人用 AI 寫代碼，寫出了讓更多人用 AI 寫代碼的工具。這個工具讓更多人能用更低成本用 AI 寫代碼，然后又會有更多人用 AI 寫出更多工具。

循環一旦開始，就不會停。

Anthropic 有一個團隊、一種模型、一套生態。Hunter Bown 有 AI 模型替他寫代碼。下一個 Hunter Bown 會有 DeepSeek-TUI 替他寫更多代碼。

工具層和構建者之間的邊界在消融。使用工具的人，和制造工具的人，開始用同一套工具。

另一個數字值得注意：Hunter Bown 的 65 個倉庫里，DeepSeek-TUI 是第一個拿到 3000 星以上的。其余 64 個——辯證推理引擎、MCP 服務器、太陽風音頻化工具——星星數都在兩位數甚至個位數。

這些項目里很可能有比 DeepSeek-TUI 更有野心的東西。但 DeepSeek-TUI 戳中了一個具體的、當下的、大量開發者愿意為之付出的需求：用更低價格獲得和 Claude Code 同級別的編程體驗。

獨立開發者不需要做出 10 個成功的項目。一個就夠了。GitHub 給了每個人把項目推給世界的通道，社區傳播負責篩選什么值得傳播。Hunter Bown 做了 65 個倉庫，其中 1 個中了。這個杠桿在 5 年前不存在。

Hunter Bown 不會是最后一個這么做的人。他只是第一個讓這么多人看到的人。

他的 GitHub profile 至今一片空白。沒有炫耀，沒有"building the future"的 tagline，沒有 viral 后的公關式更新。項目漲了 3000 星那天，他在修一個 glibc 兼容性問題。

4 個月，一個人，把 AI 編程工具的價格拉到了原來的幾十分之一，順便證明了這件事不需要一個公司。

DeepSeek-TUI GitHub：

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