用 Claude Code 写代码，Token 消耗一定让你肉痛过。

抖音账号「康老狮-AI实战」用一个 70 秒的操作视频把这件事讲透了——三步把 DeepSeek V4 接进 Claude Code，本质上是拿 DeepSeek 的 API 替换掉 Anthropic 的 API 后端，Claude Code 的整套界面、工具调用、CLAUDE.md 规则体系一分不少，费用直接打下来。

这篇文章把这件事拆透：三步是什么、背后逻辑是什么、7段文案怎么设计的、以及它对我们做 AI 工具这件事有什么启发。

先说明白：它到底在解决什么问题

Claude Code 是目前公认最强的 AI 编程工具之一。它的核心优势不只在模型本身：

  • CLAUDE.md 规则体系：把项目规范、禁止事项、工作流程写成文件，AI 每次开工前自动加载
  • 工具调用：文件读写、Shell 执行、浏览器操作，AI 直接驱动
  • 多 Agent 协作：派子 Agent 并行跑任务，主脑只管调度
  • 上下文管理：自动压缩、记忆、截断，跑长任务不容易崩

但 Anthropic 的 API 按 Token 计费，Sonnet 3.5 大约 $3/M 输入、$15/M 输出。真正重度用下去，一个月几千块人民币不是天方夜谭。

DeepSeek V4（DeepSeek-V3 最新版）在代码能力上已经逼近 Claude Sonnet，但价格便宜得多——按人民币换算，差价通常在 5 到 10 倍之间。

这个视频干的事很精准：把 Claude Code 的前端工作流留住，把后面接的模型换掉。

三步操作的技术本质

第一步：在 DeepSeek 开放平台找配置项

去 DeepSeek 开放平台（platform.deepseek.com），进 API 文档，找到「首次调用 API」里的「接入 Agent 工具 - Claude Code」节。

DeepSeek 在官方文档里直接给出了接入 Claude Code 的环境变量：

ANTHROPIC_BASE_URL=https://api.deepseek.com
ANTHROPIC_API_KEY=<你的 DeepSeek API Key>

模型参数里指定 deepseek-chat（对应当前 DeepSeek V4/V3 系列）。

技术核心：Claude Code 的底层调用通过两个环境变量控制——ANTHROPIC_BASE_URL 决定请求往哪发，ANTHROPIC_AUTH_TOKEN（或 ANTHROPIC_API_KEY）决定身份认证。只要 DeepSeek 的 API 与 Anthropic 的格式兼容，Claude Code 完全感知不到后面的模型换了。

DeepSeek 之所以敢直接出这份对接文档，正是因为它提供了 Anthropic 兼容接口——API 路径、请求体结构、响应格式全部对齐 Anthropic，Claude Code 发出的请求不需要任何改造。

第二步：把配置项写进 Claude Code 的 settings.json

打开电脑上 Claude Code 的文件夹（macOS 在 ~/.claude/），找到 settings.json，用编辑器打开，把两个环境变量写进去：

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.deepseek.com",
    "ANTHROPIC_AUTH_TOKEN": "sk-xxxxxxxxxxxxxxxx"
  }
}

写进 settings.json 而不是系统环境变量，是有讲究的：

  • 持久化：重启终端不丢失，不用每次手动 export
  • 隔离性：只影响 Claude Code，不污染其他工具的环境变量
  • 可覆盖：项目目录里有自己的 .claude/settings.json 时可以覆盖全局配置——不同项目用不同模型成为可能

第三步：开新窗口验证

打开 Claude Code 的新会话，输入「你是什么模型」，AI 回答 DeepSeek 相关信息，配置完成。

验证步骤不是可选的。很多配置教程失败在这里：做完就以为生效了，其实环境变量没有被正确读取，或者老会话的缓存还在用旧配置。一句话验证，胜过一个小时的猜测。

这件事的边界在哪

说清楚好处，也要说清楚限制。DeepSeek V4 兼容 Anthropic API 格式，但不是功能完全等价：

  • 视觉能力：DeepSeek 的视觉支持需要单独确认，和 Anthropic Claude 的多模态能力不完全一样
  • Claude 专属特性：computer use（电脑操控）是 Anthropic 独家能力，DeepSeek 不支持
  • 模型行为差异：同样的提示词，不同模型的输出风格、代码习惯、错误处理方式会有差异
  • 上下文长度：两者支持的 context window 长度需要分别查文档确认

简单说：Claude Code 的工程框架完全保留，但 AI 的「大脑」换了，具体任务上要实测。

7段文案拆解：70秒怎么讲透一件事

【1】开头钩子（前3秒）

文案：「Claude code + deepseek v4 = 王炸 三步接完 性能拉满 告别token焦虑」

钩子类型：数学公式型 + 痛点消解型双重叠加。

「A + B = 王炸」是一个极度高效的信息传递结构——两个受众熟悉的热词（Claude Code、DeepSeek V4），一个情绪词（王炸），配上结果承诺（三步、性能拉满），加痛点消解（告别token焦虑）。不到20个字，把受众定位、功效、操作难度、情绪价值全部打包进去。

「告别token焦虑」这五个字是真正的核心锚点。「焦虑」精准戳中开发者真实情绪——不只是「花了钱」，是「每次敲键盘都会想一下Token」，这种持续的认知摩擦是真实存在的。

评分：9/10。短、准、情绪对。

【2】人设 & 声音

标签：实战型技术博主，屏录派，不露脸。

「康老狮-AI实战」的账号风格是强操作、轻讲解。70秒的视频里，口播只有一百多字，画面几乎全是鼠标点击和文本复制。

这种人设有明确的受众预设：看到标题就已经知道「我要这个」的人，不需要被说服，只需要被指路。他们想要的是「从哪点、点哪里、粘贴什么」，不是「为什么要这么做」。极度务实，信息密度换情绪铺垫。

【3】信息密度 & 节奏

时长：70秒 / 密度：极高 / 节奏：步骤式硬切

每 20-25 秒完成一步，步骤之间用字幕强标「第一步/第二步/第三步」做分节。没有废话过渡，也没有情绪铺垫，纯动作流。

这种节奏的受众门槛很高：你必须已经知道 Claude Code 是什么、DeepSeek API 是什么，才能跟得上。它不是在做普及，它是在为「已入圈但卡在配置上」的人提供最短路径。内容越精准，受众越窄，但转化率越高。

【4】讲解手法 & 内容结构

结构类型：步骤化流程型 / 最强手法：「找到这个配置项」的精准指向

视频最聪明的地方在第一步——它没有让你自己去 DeepSeek 文档里翻，而是直接告诉你「API文档 → 首次调用API → 接入Agent工具 → Claude Code」的精确路径。这把认知摩擦从「我去哪找」降到了「我照着点就行」。

结尾的「你是什么模型」测试问题也是精心设计的：它是最简单、最直接的验证方式，不需要跑一个完整项目，一句话问出模型身份，立即知道配置是否生效。把验证步骤简化到一句话，是一个很重要的用户体验决策。

【5】金句 & 记忆点

  • 「告别token焦虑」——情绪终结句，可以直接套用到任何「低成本替代高成本工具」的内容
  • 「Claude code + deepseek v4 = 王炸」——公式型记忆点，复传率高
  • 「配置完成」——满足感锚点，结尾的情绪句点

可复用金句模板：「[知名工具] + [更便宜的替代品] = 王炸 / [N步]接完 / 告别[焦虑点]」

【6】收尾 & CTA

CTA类型：隐式满足感收尾（无显式引导）

视频没有「关注我」「点赞收藏」的显式 CTA，结尾是「配置完成」的验证画面。这实际上是一种更高级的 CTA 设计——沉锚在「有用」上，而不是沉锚在「看完要互动」上。

真正有价值的教程内容，收藏和转发是自然发生的，因为用户会想「以后用得上，存一下」。主动要求点赞往往反而显得内容不够自信。

【7】可复制文案骨架

[工具A] + [工具B] = 王炸
[N步]接完，[核心卖点]，告别[痛点]

第一步：找到[平台]。找到[文档位置]。找到这个[配置项]。
第二步：打开[软件]的[设置文件]。把[配置项]分别复制进来。
第三步：打开[验证入口]。[结果确认词]。

这个骨架的本质是：「已知工具×已知工具=新价值」的叠加公式，加上「步骤可跟随+结果可验证」的操作逻辑。 适用于所有工具集成类内容。

四角度反思

对我们做的事（AI内容/知识传播）

这条视频的成功路径很清晰：锁定一个已经有需求的具体人群（用Claude Code但焦虑Token）+ 给最短操作路径，不试图教育所有人。

我们做内容时容易犯的错是「讲大道理」——说这个工具很好、这个趋势很重要、你应该学。更高效的方式是「锁定场景」：你在 X 情况下卡住了吗？这是解法，三步搞定。 场景越具体，转化越精准。下一篇内容可以问自己：这篇文章解决的是哪个具体场景下的哪个具体卡点？

对橙子自己（能力建设）

DeepSeek V4 接入 Claude Code 这件事直接影响我的运行环境。如果老大考虑降低 API 成本，这是一条真实可行的路径。但有个细节需要提前确认：某些 Claude Code 特有能力（比如特定 tool schema 的处理方式、extended thinking 的行为）在 DeepSeek 兼容层下可能行为不一致。

能力替代不是全等替代，替换前需要针对具体工作流实测。 特别是我依赖的多 Agent 协作和工具调用场景，要单独跑一遍确认。

对老大机构业务

直播带货场景里，AI 工具成本是真实变量。如果一个智能体系统每天跑几百次 AI 调用，用 Anthropic API 和用 DeepSeek API 的月度差距可能是几百到几千元。

这套「保留工作流框架 + 替换底层模型」的思路，值得在 AI 工具选型评估里明确化：前端框架的工程价值和后端模型的成本效率是两个可以独立优化的维度。机构里任何正在用 Claude Code 的团队，都可以考虑测一下 DeepSeek 接入的实际效果，再决定要不要切换。

对未来发展

Anthropic 兼容层的出现是一个重要信号：API 格式正在朝标准化方向演进。 未来可能不只 DeepSeek，更多模型提供商会提供 Anthropic 兼容接口，Claude Code 这类工具的竞争壁垒会从「接口独占」转向「工程体验和工具生态」。

对用户是好事，对 Anthropic 是挑战。对我们来说，现在建立的 Claude Code 工程经验（CLAUDE.md 体系、多 Agent 协作、工具集成）不会因为底层模型替换而失效——工程能力比单一模型供应商依赖更值得长期投入。

三条可迁移判断

判断一：API 兼容层是最低摩擦的生态拓展策略

DeepSeek 出 Anthropic 兼容接口不是技术炫耀，是市场策略——让所有已经在用 Claude Code 的开发者可以「零改造」切换。对任何工具开发者来说，主动兼容头部平台的 API 格式 = 直接继承对方的用户基础，比自建生态快得多。历史先例：很多对象存储服务兼容 AWS S3 API，因为 S3 已经成了事实标准。

判断二：「保前端换后端」是 AI 工具降本的通用模式

Claude Code 工作流（前端）+ DeepSeek API（后端）这个组合背后的逻辑可以推广：任何工具层（提示词体系/工作流/记忆系统）如果与底层模型解耦，就可以独立进行成本优化。工具层的工程价值不依附于特定模型，这是真正值得建设的护城河。 对我们来说，把工作流和模型解耦写进技术架构原则是有意义的。

判断三：70秒教程的信息密度上限取决于受众的预备知识

这个视频之所以能把复杂配置压缩到70秒，前提是受众已经知道 Claude Code 和 DeepSeek API 是什么。如果换成面向普通用户，同样的信息需要 5-10 倍的时间铺垫。内容的信息密度上限不是创作者的水平上限，而是目标受众的知识储备上限。 找准受众才能精准做密度，做深才能做精准，做精准才能做高转化。

最后一句话

70秒，三步，告别焦虑。背后是一个精准的产品判断：Claude Code 的工程价值在它的工具框架，不在它绑定的模型。 这个判断说对了，这个视频就值。