夜雨聆风万恶之源：A/发力，ClaudeCode又又又断流了
我一直以来的工作流是ClaudeCode + DeepSeek V4。通过 CC-Switch 把Haiku槽位映射到deepseek-v4-flash，Opus/Connect槽位映射到deepseek-v4-pro。这套组合拳效果一直很好——v4-pro做规划和复杂推理，v4-flash做快速执行，成本比直接用Anthropic官方模型低一个数量级，体验却不差。
但最近ClaudeCode对第三方模型的支持越来越差。对话到一半经常莫名其妙断掉，回复突然截断，像是被什么invisible token limit卡住了。
我不确定是A/ 又在"下毒"（暗中限制非官方模型），还是CC本身的兼容性出了问题。但不管原因是什么，这都不是长久之计，我需要一个Plan B。
尝试OpenCode：差点意思
OpenCode是目前最活跃的开源AI编程助手之一，架构清晰，插件体系完善，还支持后台子代理。但它的内置agent只有两个：
build —— 全能型，什么都能干，什么权限都有 plan —— 只读分析，不能改文件
这满足不了我。我要的不是一个AI包揽一切，而是ClaudeCode那种自主规划 + 委派执行的体验：
一个只动脑不动手的编排器，负责理解需求、拆分任务、调度资源 一群专业化的执行者，每个只干一类活，权限最小化 对抗性验证——改完代码后不是自我确认"看起来没问题"，而是真的去跑测试、写探针、试图break它
OpenCode内置的build agent做不到这种分离。它是一个全能但有权限的胖代理——上下文里塞满了文件内容和工具输出，越干越慢，越干越贵。
扒源码
既然OpenCode本身不支持，那就自己搓。我做了两件事：
读OpenCode的源码。 把它的运行时机制用AI翻了个底朝天——核心循环、流式工具执行、子代理调度、权限系统、上下文压缩。结论是OpenCode的引擎能力其实很强，它已经有流式工具并行执行、实验性后台子代理、动态权限评估、多层级联压缩。缺的不是能力，是配置。
找ClaudeCode的代码做参考。ClaudeCode的源码通过npm source map泄露过一份（怎么找的别问）。我重点研究了三块：
Coordinator Mode——ClaudeCode的编排器模式，4阶段工作流（Research → Synthesis → Implementation → Verification），prompt撰写指南，continue-vs-spawn决策表 Verification Agent——对抗性验证子代理的完整prompt，包含反合理化模式（"reading code is not verification, run it"）、按改动类型的验证策略、good/bad输出示例 /simplify技能——三分支并行代码审查（复用/质量/效率），维度定义非常具体
这些是工业级的prompt工程，不是随便写的。我把其中最核心的设计理念提取出来，针对OpenCode的运行时做了适配，最终产出了一套7个agent定义文件——就是opencode-solo。
搓出Solo
核心思路：让主Agent只负责思考和决策（不动手），六个子代理负责干活（不深度思考）。
Solo是一个只读的编排器——零文件 / Shell访问权限。它只能调度子代理干活，或者向用户提问。所有实际操作都通过专业化子代理完成：
上下文隔离 = Token省钱
传统单代理模式下，所有东西堆积在一个上下文里：
Solo只看到子代理返回的简洁文本摘要，从不接触原始文件内容或冗长的工具输出。一个100Ktoken的任务，Solo的编排器可能只消耗5-10K token的上下文（我脑测的，一切以实际数据为准）。
别迷信模型能力——规划执行分离才是王道
这里要安利一下DeepSeek V4的组合用法。
很多人觉得"要用就用最强的"，一个Opus/GPT搞所有事。但这其实是最浪费的方案：
正确的做法是分层：
deepseek-v4-pro | |||
deepseek-v4-flash | |||
因为Solo的上下文里只有子代理返回的摘要和决策，用v4-pro做编排的成本极低。而写代码这种机械任务交给v4-flash，又快又便宜（flash的吐词速度更快）。
规划执行分离 + 专家模型规划 + 快速模型执行 = 比全程用强模型更好的体验，同时成本大幅降低。
这不只是我的个人经验。我让AI找了一些论文来论证我的观点这，一架构有活跃的学术研究支撑：
Cai, T., Wang, X., Ma, T., Chen, X., & Zhou, D. (2023). Large Language Models as Tool Makers. arXiv:2305.17126. Google DeepMind. Chen, L., Zaharia, M., & Zou, J. (2023). FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance. arXiv:2305.05176. Stanford University. Ong, I., Almahairi, A., Wu, V., Chiang, W.-L., Wu, T., Gonzalez, J. E., Kadous, M. W., & Stoica, I. (2024). RouteLLM: Learning to Route LLMs with Preference Data. arXiv:2406.18665. UC Berkeley. Hong, S., Zhuge, M., Chen, J., Zheng, X., Cheng, Y., Zhang, C., et al. (2024). MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework. ICLR 2024. Qian, C., Liu, W., Liu, H., Chen, N., Dang, Y., et al. (2024). ChatDev: Communicative Agents for Software Development. ACL 2024.
Solo的工作流程
Solo收到请求后，先调度explore 搜索代码库、读取项目约定（阶段1）。拿到发现后Solo自己综合分析，必要时向用户确认方案（阶段2）。确认后调度editor 执行修改（阶段3），再调度verify 做对抗性测试——跑真实命令、写探针、猎杀边界情况（阶段4）。如果验证失败，Solo让editor 修复后重新验证，最多两轮，通过后才向用户汇报。reviewer 和observer 随时按需调度，长任务还能后台并行。
开箱即用
安装OpenCode后，三步搞定。仓库地址请在GitHub搜索opencode-solo 获取：
# 1. 复制 agent 文件（仓库地址在GitHub搜 opencode-solo）git clone <仓库地址>cp opencode-solo/agent/*.md ~/.config/opencode/agent/# 2. 配置模型（改成你自己的 provider）cp opencode-solo/opencode.jsonc.example ~/.config/opencode/opencode.jsonc# 3. 启用后台子代理（推荐）export OPENCODE_EXPERIMENTAL_BACKGROUND_SUBAGENTS=true
在opencode.jsonc 里填你自己的provider，下面是我自己的配置：
{"agent": {"verify": { "model": "deepseek/deepseek-v4-pro", "variant": "max" },"explore": { "model": "deepseek/deepseek-v4-flash", "variant": "medium" },"editor": { "model": "deepseek/deepseek-v4-flash", "variant": "medium" },"general": { "model": "deepseek/deepseek-v4-pro", "variant": "max" },"reviewer": { "model": "deepseek/deepseek-v4-pro", "variant": "max" },"observer": { "model": "kimi-for-coding/k2p5" }}}
然后启动OpenCode，选solo agent，完事。
总结
从ClaudeCode断流到扒源码到搓出opencode-solo，整个过程大概两天。核心收获是：
OpenCode的引擎能力很强——流式工具执行、后台子代理、动态权限、多层级联压缩都有，缺的是好配置 ClaudeCode的prompt工程是工业级的——反合理化模式、对抗性验证策略、good/bad示例，值得学习 规划执行分离+模型分层是经过学术验证的架构——不是拍脑袋 DeepSeek V4 pro + flash组合很能打——别迷信模型能力，用对架构比用对模型更重要
项目已开源，在GitHub搜索 opencode-solo 即可找到。MIT协议，开箱即用。如果觉得有用，给个 Star ⭐~
