用 WorkBuddy 接入 DeepSeek V4 Pro，花了 15 小时、5 个开发会话，写完 8660 行代码、搭起一套完整的全栈 Skill 工具市场——答案是：能替代。而且不只是实验室跑通，是真项目跑通的。如果你也在纠结这个组合到底靠不靠谱，这篇可能正好回答你的问题。 为什么要自己造一个 SkillHub
背景是这样的：团队里 Skill 越积越多，但散在每个人的本地机器上，根本管不住。需要一个能私有部署的平台——上传、下载、更新、共享，不连外网，不注册第三方服务，docker-compose up 直接跑起来。
盯上过 ClawHub，它的产品设计很成熟：Skill 发布、浏览、安装、版本管理、排行榜。但架构一看，Convex 后端 + Convex Cloud 部署，对云服务依赖太深，没办法直接私有化。
所以只能自己造，项目命名 SkillHub。
架构分四层：Next.js 前端 → REST API（20个接口）→ Prisma + PostgreSQL（带 pgvector）→ 存储后端（GitLab / GitHub / S3 / OBS）。前端保留 ClawHub 的交互范式，后端全部换掉。
WorkBuddy 在这个项目里扮演什么角色
把 WorkBuddy 当 IDE 用——对话驱动开发，描述需求，它写代码，你验收。模型换成 DeepSeek V4 Pro，后者是 2026 年 4 月刚发布的 MoE 架构大模型，1.6T 总参数、49B 激活参数，支持 100 万 token 上下文，定价比 Claude 便宜一个量级。 实际体验下来，WorkBuddy 的几个能力很扎实：
说"加一个安全扫描模块"，它自己分析现有代码结构，决定放在 lib/security.ts，写出 15 种检测模式，连风险分级都一起带上了；
描述"Skill 包存储要支持 GitLab API"，它主动查阅 GitLab REST API 文档，设计了 SigV4 签名 + 代理下载的完整链路；
加一个数据库字段，它自动同步更新 Prisma schema、API 路由、类型定义、前端组件——10 个字的指令，改了 6 个文件；
prisma db push 报错，它读日志、定位原因、修复代码、重跑——全程不需要你介入。
5 个会话里，没有一次因为模型能力不足需要回退。
真实产出数据
项目总行数 8660 行（TypeScript + TSX + CSS + Prisma + JSON + YAML + Shell + Docker + Nginx），源文件 98 个，15 个数据库模型，20 个 API 路由，14 个前端页面，5 个核心模块：语义搜索、安全扫描、版本管理、多存储后端、ClawHub 导入工具。
安全扫描器检测 15 种恶意模式；搜索层 pgvector 语义向量搜索和关键词回退并存。ClawHub 能实现的功能，SkillHub 做到了对等，甚至依赖更少、成本更低。
这次跟 Claude Code 的体感有什么不同
用 Claude Code 的节奏是：你告诉它怎么做——用什么库、调什么 API、放在哪个文件。你是副驾驶，架构图在脑子里，让 AI 帮你敲键盘。
WorkBuddy 这次不一样。你只描述现象和要求，它自己读文档、自己选方案、自己决定文件结构。没说过"用正则"，没指定"放在 lib 目录"，没提"返回值类型"——它自己决定的。
这种模式下，你的角色变了：从"指挥 AI 干活"变成"提需求、审输出"。以前 80% 时间写代码、20% 时间审代码；现在 20% 时间描述需求、80% 时间审代码。注意力反而集中在更高杠杆的事上——代码逻辑对不对、架构选择是否合理、边界条件有没有兜住。
Claude Code 让你写代码更快，WorkBuddy 让你不写代码也能交付项目。
WorkBuddy + DeepSeek V4 Pro的几个真实的卡点
Debug 跨三个以上模块时，诊断能力会变弱——能看到问题在哪，但跨模块追踪需要手动引导，告诉它"问题在存储层，查 lib/skill-package-storage.ts"这类指令。
前端组件略偏样板化，Radix UI + Tailwind 的组合用得还行，但布局少了点设计感。根源是需求描述太笼统，给出具体布局参考后输出质量会好很多。
DeepSeek V4 Pro 跟 Claude Opus 最大的差距在"读心术"。Claude Opus 你说半句它能猜到你要干什么，DeepSeek 不行——你说"加个搜索功能"，它可能给你全量匹配的 SQL，而你想要的是 pgvector 语义搜索。解决办法就是把需求说细。
长任务链跑久了，DeepSeek 偶尔会"忘记"早期设定的约束，需要偶尔拉一下。
真正重要的结论
代码生成已经商品化了。如果你还在纠结"用哪家模型写代码"，关注点其实已经偏了。
这个项目换 Claude Opus + Claude Code 来做，结果不会有本质差别。
真正决定你能不能把事干成的，是：需求能不能说清楚、能不能持续迭代、AI 写了 8000 行代码之后你还知不知道自己在做什么。
AI 编程的下半场，拼的不是模型，是工程纪律。
WorkBuddy 提供了对话驱动的结构化开发框架，DeepSeek V4 Pro 提供了足够的推理和 Agent 执行能力。两者加在一起，在真项目上跑通了。最终结果：PostgreSQL 和 Redis 跑在 Docker 里，Skill 包存到 GitLab，curl -sS hub/i/slug | sh 一键安装，版本管理、一键分发，完全自主可控。
WorkBuddy 用着还不错，首 Token 响应快，没有异常中断。但每个 Agent 都有自己的脾气，偏好记忆上需要磨合一段时间，这个绕不开。
AI 速览
