喺 AI 時代，代碼生成唔再係簡單嘅「翻譯」文本，而係複雜嘅工程：由學術論文中提取算法邏輯、到建立前端介面同後端服務、以及測試與部署，每一步都需要專家級協作。傳統工具例如 GitHub Copilot 或 Cursor 雖然高效，但通常停留喺「補全代碼」層面，難以處理跨模態輸入（例如 PDF 論文）或實現全棧方案。2025年10月，香港大學數據智能實驗室（HKUDS）正式開源推出DeepCode——一個開源嘅多代理編碼系統，專注於「代理式編碼」（Agentic Coding），支援Paper2Code（論文到代碼）、Text2Web（文本到 Web 前端）同Text2Backend（文本到後端服務）。該項目以自主自協調嘅多代理架構為核心，喺 OpenAI 嘅 PaperBench 基準上創下 SOTA（State‑of‑the‑Art）成績，超越人類專家 3.5%，領先商業代碼代理 26.1%。作為 MIT 許可嘅開源項目，DeepCode 唔單止降低咗 AI 代碼生成嘅門檻，仲為科研同產品團隊提供從想法到原型嘅端到端解決方案。本文基於 GitHub 倉庫、HKUDS 官方文檔同 GTC 2025 會議報告，深入剖析其功能、架構、性能、使用方法同未來潛力，揭示呢位「AI 全棧工程師」點樣重塑軟件開發生態。
項目背景與使命：填補「論文到代碼」嘅鴻溝
DeepCode 源於 HKUDS 對 AI for Science 嘅長期探索。喺傳統科研流程入面，論文發表後要實現對應代碼通常需要幾個月，研究者往往耗費大量時間喺重複編碼而非創新。項目口號「AI Agents Transform Ideas into Production‑Ready Code」直指痛點：將自然語言、論文 PDF 或 URL 轉成可部署代碼，涵蓋算法實現、前端 UI 同後端邏輯。佢唔係單一 LLM 工具，而係一個多代理系統，模擬專家團隊協作：規劃、分析、生成、驗證。
因此項目肩負三大使命：一係加速科研復現（例如 ICML 2024 論文基準）；二係簡化產品原型（例如 Web 應用快速迭代）；三係開源賦能社群，支援 Python 等語言，兼容 Claude 3.5 Sonnet 同 GPT‑5 等模型。GTC 2025 演示片段顯示，DeepCode 從論文輸入到完整 Web 應用只需 10 分鐘，遠快過人工編碼所需幾週。截止 2025年11月，倉庫 Star 超過 8000、Fork 1200，社群活躍。
核心功能：三劍客「Paper2Code、Text2Web、Text2Backend」
DeepCode 嘅功能矩陣覆蓋編碼全鏈路，輸入多樣（論文、文本、URL、文件），輸出生產就緒嘅文檔（代碼＋測試＋文檔）。
1. Paper2Code：論文到代碼嘅「智能復現器」
核心場景：由 ArXiv 論文生成可運行代碼。用戶上傳 PDF 或 URL，系統解析算法、數學公式同偽代碼，輸出優化實現。
- 流程：文檔解析代理提取邏輯；規劃代理分解任務；代碼生成代理合成模組；測試代理驗證。
- 亮點：支援多語言框架（如 PyTorch、TensorFlow），保留計算複雜度。示例：由 ICML 2024 論文生成 Transformer 變體，包含數據結構同超參數。
- 性能：PaperBench 上 73.5%，超越 PaperCoder 22.4%。
2. Text2Web：文本到 Web 前端嘅「UI 魔術師」
由描述生成互動 Web 應用。輸入「建立電商首頁，含購物車同搜尋欄」，輸出 React/Vue 代碼＋CSS。
- 流程：意圖代理解析需求；參考代理挖掘範本；生成代理構建元件樹；調試代理優化響應式。
- 亮點：整合 Tailwind CSS 同 Next.js，支援動態渲染。示例：由「響應式博客」描述生成完整站點，包含 SEO 同 PWA。
- 優勢：兼容 Figma 匯入，減少設計師與開發者之間摩擦。
3. Text2Backend：文本到後端嘅「服務織網者」
構建 API、資料庫同微服務。輸入「設計用戶認證後端，支援 JWT 同 PostgreSQL」，輸出 Node.js/Flask 代碼＋部署腳本。
- 流程：架構代理設計 ER 圖；索引代理匹配相容庫（如 Express、SQLAlchemy）；實施代理生成路由/模型；安全代理整合 OAuth。
- 亮點：支援 Docker 容器化，自動生成 Swagger 文檔。示例：由「庫存管理系統」描述生成 RESTful API，含快取與錯誤處理。
- 性能：兼容 MCP 協議，擴展性高。
呢啲功能透過多模態輸入統一：支援 PDF/DOC/PPTX/HTML/TXT，輸出 Git‑ready 倉庫。
技術架構：多代理「自協調」系統，MCP 協議賦能
DeepCode 嘅核心係自主自協調多代理架構，模擬專家團隊：中央協調代理負責決策，子代理分工合作。
多代理角色：
- 中央協調代理：分析輸入複雜度，動態規劃任務，分配資源。
- 意圖理解代理：NLP 解析需求，提取規格/約束。
- 文檔解析代理：處理論文，提取算法/公式。
- 代碼規劃代理：設計架構，選擇技術棧（如 Django/Flask）。
- 參考挖掘代理：搜尋 GitHub 倉庫，檢查相容性。
- 代碼索引代理：建立知識圖譜，語義檢索。
- 代碼生成代理：合成代碼，整合元件。
- 測試/調試代理：生成單元測試，修復 bug。
核心技術：
- MCP 協議：Model Context Protocol 標準化工具呼叫，支援 Brave 搜尋、檔案系統、GitHub 下載等 15+ 服務器，確保代理間通訊可靠。
- CodeRAG：檢索增強生成，結合向量嵌入同依賴圖，相容性達 98%。
- 記憶機制：分層語義儲存，處理長上下文，壓縮率 70%。
- 質量保障：AST 分析＋屬性測試，覆蓋率 95%。
架構圖顯示：輸入層→協調層→分析層→實施層→輸出層，循環調試。支援 Claude 3.5 Sonnet/gpt 4 o1，配置 API 密鑰即可。
性能與基準：PaperBench SOTA，超越專家 26.1%
DeepCode 喺 OpenAI PaperBench（ICML 2024 20 篇論文復現基準）上創下紀錄：
- 總分：75.9%，超越專家 72.4%（+3.5%）。
- 商業代理：84.8% vs Cursor/Claude 58.7%（+26.1%）。
- 科學代理：73.5% vs PaperCoder 51.1%（+22.4%）。
- LLM 代理：73.5% vs o1 43.3%（+30.2%）。
8,316 個元件評估（SimpleJudge 分層加權），DeepCode 喺規劃/生成/調試上領先。人類專家（ML PhD）需 36 小時，DeepCode 只需 2 小時。
特點與優勢：開源、自主、可靠嘅「三駕馬車」
- 自主自協調：無需人工干預，代理會動態調整策略。
- 開源透明：MIT 許可，GitHub 活躍，支援 PR 貢獻。
- 多模態輸入：論文/文本/URL/文件，輸出完整倉庫。
- 相容性強：MCP 集成 15+ 工具，擴展 CI/CD。
- 效率提升：由概念到原型縮短 90%，測試覆蓋 95%。
與 Copilot 對比：DeepCode 處理複雜論文，Copilot 偏向補全功能。
使用方法：由安裝到「零代碼」生成
安裝（建議 UV）：
git clone https://github.com/HKUDS/DeepCode.git cd DeepCode uv venv --python=3.13 uv pip install -r requirements.txt
配置 API 密鑰（mcp_agent.secrets.yaml）：OpenAI/Anthropic 密鑰。
可選：Brave/Bocha 搜尋 API（mcp_agent.config.yaml）。
啟動：
- Web 介面：streamlit run ui/streamlit_app.py（localhost:8501）。
- CLI：python cli/main_cli.py。
示例：
- 輸入 PDF 論文／文本「建立電商首頁」。
- 系統解析→規劃→生成 React+Node.js 代碼＋測試。
- 輸出：Git‑ready 倉庫，包含 Docker 部署。
視頻示範：由論文到 Web 應用 10 分鐘。
未來計劃：由原型到生態
v1.2.0 新增文檔分割；即將推出：A/B 測試儀表板、CI/CD 外掛、更多語言支援。貢獻方式：Fork 並提交 PR，角色從成員到開發者均可參與。
結語：DeepCode，開源「AI 編碼」新紀元
DeepCode 以多代理自主性重塑代碼生成，從論文到全棧原型，PaperBench SOTA 證明其超越專家嘅潛力。作為 HKUDS 嘅開源力作，佢創造多項 SOTA，顯著降低科研門檻，加速科研創新，助力 AI for Science。如有興趣，請訪問 GitHub：DeepCode: Open Agentic Coding，加入「由想法到代碼」嘅革命。