OpenCode × DeepSeek 配置优化实战：一次「费用 和 Token 效率优先」的深度重构

最近对我的 OpenCode × DeepSeek 配置仓库做了一轮深度重构，核心目标只有一个：用最小的上下文成本维持最好的开发效率。这篇文章记录这次重构的思路、决策和落地细节。

背景：为什么需要重构

这套配置把 OpenCode Agent 框架与 DeepSeek V4 双模型（Pro + Flash）结合，核心理念是 Token 效率优先——用最小的上下文成本达到最好的开发效率。

触发这次重构的直接原因是 DeepSeek API 调用价格实际上涨了 3 到 5 倍。Pro 模型（深度推理）的成本显著上升，如果继续沿用「默认走 Pro」的旧策略，日常开发成本会成倍膨胀，必须对配置体系进行系统性优化才能控制开销。于是我把整个配置重新审视了一遍，做了三件事：模型降级重分配、审查流程瘦身、思考机制下沉。

一、Flash-First：模型重分配对冲涨价

最直接的动作是把一批原本跑在 Pro 上的角色降级到 Flash（成本约为 Pro 的一半）：

关键设计是 「Flash 优先，Pro 兜底」：Flash 负责路由、搜索、规划、常规实现；Pro 只保留给深度推理、根因分析、代码审查、重型多文件实现。边界情况一律先试 Flash，不确定就升级。

配套的纪律是 「Flash 代理自我升级」——Flash 代理必须能自我识别歧义或失败，主动升级到指定的 Pro 目标，绝不输出降级答案。这样降级模型不会牺牲质量，只是把「该用重模型」的判断交给代理自己。

二、审查流程瘦身：单遍证据门控

代码审查是成本大户。这次把 code-review 技能大幅压缩，核心变化：

• 从「双轴并行审查」改为「单遍覆盖所有维度」——不再为标准和规范各开一路并行，一次遍历覆盖正确性、安全、兼容性、可维护性。
• 按「有效规模」而非原始行数定深度——≤8 个逻辑文件且 ≤300 有效行走精简路径，更大才走完整路径；高风险的 auth/migration/schema 等文件强制走完整路径。
• 证据门控——审查结论必须自证，严重级别不得超过证据所能支撑的级别。

同时把 「审查」从默认验证步骤降级为升级手段：只有审查能实质降低风险时才路由到 reviewer。预算一次初始审查 + 最多两次复审，预算耗尽就把剩余风险记录下来交给用户决策，绝不无限循环。

三、思考机制下沉：从 Agent 层到 Provider 层

这是最核心的架构调整。之前思考强度（thinking effort）是通过每个 Agent 的 variant 字段（low/medium/high/max）逐代理配置的，这次把它下沉到 Provider 层：

"provider": {
    "deepseek": {
        "models": {
            "deepseek-v4-flash": {
                "options": {
                    "temperature": 0,
                    "thinking": { "type": "disabled" }
                }
            }
        }
    }
}

Flash 在 Provider 层关闭思考（官方成本节省开关），Pro 保持默认开启。思考变成了「模型级开关」而非「代理级旋钮」，所有 Agent 的 variant 和 temperature 字段全部移除。这带来两个好处：

1. 配置大幅简化——不再需要为每个代理单独调思考强度。
2. Prompt 缓存前缀更稳定——一次性请求（title/summary/compaction）全部跑 Flash，它们的易变内容永远不会进入 Pro 的 prompt-cache 前缀，缓存命中率更高。

四、技能瘦身：砍掉冗余，保留精华

两个大技能被大幅压缩：

• gh-cli：649 → 300 行。删掉了大量重复的安全公告展开、CI 环境变量表格、issue 类型/子 issue 的详细 JSON 字段说明，只保留代理真正需要的核心规则。
• spec-workflow：233 → 119 行。把「探索/提案/设计/任务」的完整仪式压缩为「Enablers not gates」的精简哲学，删掉重复的目录约定说明。

同时删除了 verification-planning 技能，其「最窄验证路径」原则并入 AGENTS.md 的自我验证章节。

五、新增两个技能：Wayfinder 与 Prototype

• wayfinder：面向大型/遗留/多仓库代码库的导航技能。核心是「决策票据地图」——把未知拆成 research/prototype/grilling/task 四类票据，每次会话只解决一张最高价值的票据，把「迷雾」记录为第一等公民。适合「代码库太大装不进上下文」的场景。
• prototype：用一次性原型回答设计问题，而不是写长篇 spec 或反复讨论。逻辑问题做一个自包含 HTML 演示，UI 问题做 2-3 个风格变体并排对比。铁律：一天一次、一条命令运行、不持久化、不打磨。

六、DCP 调优与文档精简

• DCP（上下文压缩插件）：移除空配置项，showCompression 改为 false（压缩过程不再刷屏），并移除了对旧配置文件的保护（因为配置已统一到单一文件）。
• README 精简：删除了 8 个其他语言的 README，只保留简体中文和英文双语，减少维护负担。

数据说话

这次迭代净效果：31 个文件变更，+551 行 / -3932 行，净减约 3400 行。配置更薄、模型更省、审查更聚焦、思考机制更清晰。

核心收获

1. 成本优化不是简单降级模型，而是建立「Flash 优先 + 自我升级」的完整纪律，让质量由代理自己兜底。
2. 配置下沉到正确层级——思考是模型级属性，就该放在 Provider 层，而不是每个代理重复配置。
3. 瘦身是持续过程——技能文档会随时间膨胀，定期用「有效规模」审视并砍掉冗余，是保持配置可维护的关键。

项目地址：https://github.com/znlgis/my-opencode-deepseek-config