DeepLossless 是一个推理感知的编码运行时，用于减少 AI 长时间编码会话中的重复工作。 它作为 OpenAI 兼容的代理服务器，位于你的客户端和 DeepSeek API 之间。
cargo install deeplossless
deeplossless --api-key sk-...
# 将任意 OpenAI 兼容客户端指向 http://127.0.0.1:8080/v1大多数编码 token 都花费在重建已知状态上——重读未修改的文件、重新规划相同的任务、重试已知会失败的方案。 DeepLossless 重用失败经验、工具结果、执行状态和计划，而不是每轮都重新计算。
长上下文窗口不是记忆。重复推理就是浪费。
DeepSeek 让长时间编码会话在经济上可行——DeepSeek V4 Pro 和 V4 Flash 均提供 1M token 上下文窗口，成本仅为同类模型的一小部分。
然而，仅靠低 token 成本无法解决：
- 重复推理——Agent 重复推导相同的结论
- 重复文件读取——同一文件在多轮中被反复读取而不重用
- 执行不稳定——相同的失败模式不断重试而不学习
- 上下文退化——随着会话增长，重要细节丢失
DeepLossless 专为长时间 DeepSeek 编码工作流设计——在 DeepSeek 经济高效的推理之上增加执行记忆、工具缓存和回放能力。
长时间编码会话（3 个任务，86 轮）
普通 Agent DeepLossless 运行时
────────────────────────────────────── ──────────────────────────────────────
21,070 tokens 13,500 tokens
14 次重复规划 5 次规划
8 次重复失败 3 次失败
11 次仓库重读 9 次重读被避免
↓36% 总 token 数
↓64% 重新规划
↓62% 重复失败
亲自尝试——无需 API key，无需代理设置：
git clone https://github.com/gordonlu/deeplossless.git && cd deeplossless
cargo test --test long_session_benchmark -- --nocapture想看运行时实际做了什么？cargo test --test simulated_session -- --nocapture
DeepLossless 重用：
- 重复的工具调用——流级别的拦截，内联替换缓存中的工具调用
- 文件读取——结构化摘要（AST 符号、行数）而非原始内容
- 失败的修复尝试——失败记忆存储 why_failed + 被推翻的假设
- 执行计划——计划状态跨轮次持久化，避免重新规划
- 执行事件——仅追加的事件溯源支持确定性回放
- 摘要化的推理轨迹——执行压缩提炼关键结论
而非每轮重新计算。
# 无需 API key 先试试——运行本地演示
deeplossless demo
# 代理模式：设置一次，无需重复输入
export DEEPSEEK_API_KEY=sk-...
deeplossless
# 或在首次运行时传入（后续运行从首个请求的
# Authorization header 中提取——无需重新输入）OpenAI 兼容客户端：将 base_url 指向 http://127.0.0.1:8080/v1。
- 推理是昂贵的。 不要重复做。
- 长上下文窗口不是记忆。 执行状态才是。
- 稳定的执行状态优于反复重新规划。
- 运行时策略应该优化，而非控制。 建议性的、可配置的、可覆盖的。
- 仅压缩是不够的。 需要重用、避免和提炼。
- 增量推理比不断增长的上下文更具可扩展性。
- 更多受增量编译启发，而非传统聊天记忆。
| 参数 | 默认值 | 说明 |
|---|---|---|
--host |
127.0.0.1 |
监听地址 |
--port |
8080 |
监听端口 |
--upstream |
https://api.deepseek.com |
上游 API 基础 URL |
--db-path |
~/.deeplossless/lcm.db |
SQLite 数据库路径 |
--api-key |
DEEPSEEK_API_KEY |
API key。通过环境变量设置一次，无需每次运行时重复输入 |
--admin-key |
ADMIN_KEY |
LCM 端点的管理员密钥（回退到 API key） |
--rate-limit |
100 |
每秒最大请求数（0 禁用） |
--summarizer-model |
deepseek-v4-pro |
后台 LLM 摘要模型 |
--dry-run |
禁用 | 跳过上游调用，保存翻译后的请求体以供离线调试 |
--log-dir |
禁用 | 启用每请求 JSON 日志记录到指定目录 |
deeplossless 可以将 OpenAI 的 Responses API 翻译为 Chat Completions，使 Codex 能够使用 DeepSeek。模型名称自动映射：gpt-5* → deepseek-v4-pro，gpt-*-mini → deepseek-v4-flash。
# 1. 启动 deeplossless
deeplossless --api-key sk-...
# 2. Codex 配置 (~/.codex/config.toml)
[model_providers.localproxy]
name = "deeplossless"
base_url = "http://127.0.0.1:8080/v1"
wire_api = "responses"
env_key = "DEEPSEEK_API_KEY"
# 3. 运行
codexCodex 使用客户端执行模型——工具调用、重试和计划状态在 Codex 进程内部管理。deeplossless 在 canonical IR 层运行，因此部分功能透明生效，部分需要 Agent 端 LCM API 集成：
| 功能 | Codex 可用？ | 方式 |
|---|---|---|
| 协议翻译（Responses → Chat） | 是 | Canonical IR 双向翻译 |
| 工具缓存拦截 | 是 | 流级别：检测工具调用，内联返回缓存结果 |
| DAG 上下文注入 | 是 | <lcm_context> 附加到系统消息 |
| 管道自动缓存 | 是 | 从对话历史中自动提取工具结果 |
| 失败自动检测 | 是 | 管道从工具结果中检测错误模式 |
| 工具缓存（手动） | 否 | Codex 不调用 GET /v1/lcm/cache |
| 失败记忆（手动） | 否 | Codex 不调用失败端点 |
| 计划持久化 | 否 | Codex 维护自己的计划状态 |
更多详情参见 agent_integration.md。
MIT