刚刚，一款名为 DeepSeek Reasonix 的开源项目冲上 Hacker News 热榜！
小编就去扒了一下 Reasonix 的来龙去脉：Reasonix 在4月21号出现在 Github，随后被 DeepSeek 收录官方文档。
前两天 Deepseek 宣布 V4-Pro 模型API价格永久降价，围绕“低成本长上下文 Agent”的讨论被点燃。
借着这股东风，Reasonix 的热度直接暴涨。截至今天，DeepSeek‑Reasonix 在 Github 上已经获得 7 千 star。
一个专为 DeepSeek 设计的 Agent 项目，有什么亮点？
凭什么能突然爆火？
Reasonix:为 DeepSeek量身定制的省钱 Agent
Reasonix 是什么？
官方博客里的描述：“
一款基于 DeepSeek 的原生 AI 编码代理，围绕前缀缓存稳定性进行设计。”
简单来说 Reasonix 是一款“DeepSeek 原生”的省钱终端 Agent。
为什么不用 Claude Code，Reasonix 却火了 ？
如果只是模型便宜，大家直接用 OpenCode 或 Claude Code 连 DeepSeek API 就行了，为什么偏偏是 Reasonix 火了？
正如 Hacker News 网友热议的那样，Reasonix 戳中了一个痛点：Prefix Cache（前缀缓存）的命中率。
DeepSeek 提供了极其夸张的缓存折扣（命中缓存的输入 Token 价格低至 $0.003625/百万）。这意味着如果你的上下文在多轮对话中保持不变，几乎是在白嫖算力。
然而，像 OpenCode 或其他通用 Agent 的架构，为了通用性，往往会在每一轮对话的系统提示词里动态注入一些新信息（比如：当前时间戳、当前 Git 分支名、最新文件列表等）。
只要前缀里变了一个 Token，整个模型的 KV 缓存就会失效，下一轮又得全量重新计算。
Reasonix 是“缓存优先”的设计。它在工程上严格保证了 Prompt 前缀的绝对稳定，绝不乱塞动态信息。
加上它内置了 Flash 与 Pro 模型的双模智能切换（平时用极其廉价的 Flash 跑日常迭代，遇到难关输入 /pro 一键武装 Pro 模型），在终端里简直是省钱利器。
4.35 亿 Token 仅花 12 刀！揭秘 Reasonix 三大支柱
根据博客，DeepSeek‑Reasonix 有三大支柱：
第一支柱：缓存优先循环
DeepSeek 将缓存输入计入未命中率的约 10%。自动前缀缓存仅在与前一个请求的字节前缀完全匹配时才会激活。大多数代理循环会在每次迭代中重新排序、重写或注入新的时间戳——实际缓存命中率：3% 到 20%。
解决方案：将上下文划分为三个区域。
┌─────────────────────────────────────────┐
│ IMMUTABLE PREFIX │ ← fixed for session
│ system + tool_specs + few_shots │ cache hit candidate
├─────────────────────────────────────────┤
│ APPEND-ONLY LOG │ ← grows monotonically
│ [assistant₁][tool₁][assistant₂]... │ preserves prefix of prior turns
├─────────────────────────────────────────┤
│ VOLATILE SCRATCH │ ← reset each turn
│ R1 thought, transient plan state │ never sent upstream
└─────────────────────────────────────────┘
不可变前缀：会话期间固定不变（包含系统提示词、工具声明、Few-shots 示例），是缓存命中的核心。
仅追加日志：保存历史对话轮次，严格保留先前轮次的前缀。
易失性草稿：每轮重置（如 R1 的思考过程、临时的计划状态），绝不发送给上游模型，从而避免污染后续的缓存。
并行工具调度：支持声明 parallelSafe?: boolean 的工具并发执行，在保证效率的同时，通过串行屏障（Serial Barrier）确保数据的读写顺序和模型看到的历史一致。
第二支柱——工具呼叫维修
问题：DeepSeek 在实际使用中存在一些特定的失效模式：工具调用的 JSON 错误地遗留在标签内部，未输出到最终消息中；当参数架构包含超过 10 个参数或存在深度嵌套时，参数容易丢失；连续多轮用完全相同的参数调用同一个工具；由于达到 max_tokens 导致 JSON 在中间被截断。
解决方案：通过四个阶段的管道进行自动修复。
Flatten：自动检测复杂 Schema，将其转换为“点号标记法”（dot-notation）展示给模型，在调用前再重新组装。
Scavenge：利用正则表达式和 JSON 解析器，强行从 reasoning_content（思考内容）中捞出模型忘记正常发射的工具调用。
Truncation：检测未闭合的 JSON，通过补全右括号或请求续写来修复。
Storm：在滑动窗口内如果出现完全相同的（工具, 参数）元组，则直接抑制该调用，并注入一轮反思。
第三支柱——成本控制
问题：如果 Agent 默认一直调用最强的前沿模型（如 v4-pro，成本约为 flash 的 12 倍），且在上下文中堆积大量的全量工具结果，活跃用户每月成本可能高达 $150–$250。但实际上，大多数对话轮次不需要顶尖的推理能力，且许多工具结果往往只在当下有用。
解决方案：通过以下四个机制协同控费（无需人工微调）
分层默认（Flash 优先）：默认采用 auto 预设，即“平时用 v4-flash，遇到困难轮次才自动升级到 v4-pro”；所有辅助调用（如截断修复、摘要生成）硬编码强制使用成本极低的 v4-flash。
轮次结束自动压缩：当一轮对话结束时，任何超过 3000 tokens 的工具结果都会被就地压缩。后续轮次只能看到紧凑的摘要，如果需要全量数据可以重新读取（重新读取一次的成本远低于让几万 token 滚雪球般拖累后续的每一次对话）。
/pro 单轮手动解锁：用户预测任务艰难时可输入 /pro，仅让下一轮对话强制运行在 v4-pro 上，随后自动降级，避免忘记切回而产生不必要的开销。
失败信号自动升级：实时统计当前轮次中“Flash 正在挣扎”的信号（如文件修改报错、找不到文件、触发工具修复等）。一旦信号达到阈值（如 3 次），当前轮次的剩余部分将自动升级到 v4-pro 运行，确保任务不卡死。
官方博客里给出了真实案例：4.35 亿个输入token， 缓存命中率 99.82% ，成本约为 12 美元，而使用 v4-flash 且不使用缓存时，相同工作负载的成本约为 61 美元。
网友：前沿模型成本飙升，它来得恰逢其时
对 Reasonix，网友的评论大多集中于功能讨论。
“我不确定是否需要 Reasonix 才能利用 DeepSeek 的缓存”
“鉴于其他前沿模型的成本飙升，此时推出这款产品可谓恰逢其时。”
还有吐槽网站页面效果的：“动画文字效果导致示例页面不断调整大小，使得下方的内容上下移动。用户体验太差了。”
小编也觉得这个页面有点潦草。
写在最后
有网友在评论区下面玩起了梗：“计算机科学里只有两个难题，命名和缓存失效。”
而 Reasonix 的整个设计，本质上就是在解决缓存问题。
各位大佬体验过了吗？欢迎在评论区分享~
参考链接：
https://esengine.github.io/DeepSeek-Reasonix/
https://github.com/esengine/DeepSeek-Reasonix/tree/main
——好文推荐
——
“构建你的第一个AI Agent团队”指南！5步快速打造个人Agent，全自动内容Agent团队实例：30分钟内自动出稿，Agent团队高效运转的技巧
面壁智能正式开源中国首个基于国产算力平台训练的 1.58-bit 端侧高效大模型 BitCPM-CANN
Claude比你更懂你的需求？Anthropic工程师公开内部用法：用HTML作为AI规范，反而比Markdown更省Token；让“验证”成为Agent的原生特性
