Plandex + DeepSeek-Coder-V2：使用一个提示创建应用程序（基于Agents 和 Ollama）

编程辅助工具这几年进化得很快。之前我们聊过 Aider 和 Maestro，它们都能做到“一句提示就生成应用”，几乎不需要手动写代码。今天要说的 Plandex 是另一个值得关注的选手，它在思路上和 Aider 有些相似，但又有自己的独特之处。

如果你熟悉 Aider 或者 Maestro，应该已经习惯了那种“给个提示，代码自动生成，不满意随时改”的工作流。Plandex 的定位也差不多——它不只能处理单个代码文件，还能管理整个代码库，重构、新建文件、完成程序员日常能做的各种事。而且它的使用范围不限于某一种模型：GPT-4O、DeepSeek Coder、Claude、甚至本地安装的开源模型都在支持之列。

具体到实际操作，我们可以把它跟 GPT-4O 和 DeepSeek Coder 搭配使用，也能通过 Ollama 在本地运行。Plandex 支持的开源模型阵容相当齐全，包括 CodeQwen、Mixtral 8x22b、Mixtral 8x7b、Grok-1.5、Gemini，以及各种 OpenAI 和 Claude 系列的模型。

和 Aider、Maestro 一样，Plandex 也集成了 Git 版本控制。这意味着任何不满意的改动都可以撤销，还能通过创建多个分支来尝试不同方案。不过 Plandex 有一个非常特别的机制——它在执行任务之前，会先生成一个计划。换句话说，它不是上来就改代码，而是先规划好路径，再逐步执行。

另外，Plandex 的提交策略也比较谨慎。它不会在每次修改后直接提交，而是把所有改动都保留在暂存区，只有当你确认任务完成时，才统一提交。在这个过程中，它会清晰地显示代码差异、记录每次更改以及使用的提示信息——这一点对于调试和复盘来说非常方便。

值得留意的是，Plandex 默认使用 OpenAI，但你也可以换成 Claude、Gemini 甚至是本地模型。在添加文件时，你可以选择加载整个代码库，或者只挑选相关文件，这样能有效节省 API 调用成本。

接下来我们走一遍安装和使用的流程。第一步，前往 Plandex 的 GitHub 页面，复制快速安装命令并粘贴到终端中执行。安装完成后，还需要启动 Plandex 服务器，运行以下三个命令即可：

git clone https://github.com/plandex-ai/plandex.git
cd plandex/app
./start_local.sh

然后设置 OpenAI 模型的 API 密钥，运行对应命令将密钥添加到终端环境变量中。

这里我们创建一个名为 addtwonumbe.py 的文件，并要求 Plandex 编写一个简单的加法程序。进入该目录后运行 plandex plandex new，选择使用自己的服务器，并输入 localhost 和端口 8080。接着输入邮箱地址以及 Docker 日志中的验证码。

这些前置步骤完成后，就可以正式使用了。先用 planex load 命令加载文件，然后使用 plxtel 指令让它创建一个实现两数相加的 Python 程序。任务执行完毕后，我们可以查看改动、检查代码差异、应用或拒绝更改、甚至查看日志或撤销更改。需要注意，在确认提交之前，所有变化都不会被提交到 Git 分支。确认无误后，应用改动并提交即可。

如果想与本地模型配合使用，需要先安装 Ollama。到 Ollama 的官网下载对应的操作系统版本，然后选择 Deep Seek Coder V2 模型，复制安装命令并在终端中执行。安装后会进入聊天界面，发送一条消息以确认它正常工作。

接着将模型添加到 Plandex：选择自定义提供商，输入提供商名称（例如 Ollama）和模型名称（Deep Seek Coder V2），可以选填一段描述。随后填入 Ollama 提供的 URL 和 API 密钥的环境变量，以及上下文限制（比如 128k）。设置默认模型为 Ollama，就可以开始调用了。

让它添加一个乘法函数试试——它会自动完成任务，你同样可以应用、还原或者检查效果。

总体来看，Plandex 是一款非常强大的工具，与 Maestro 和 Aider 属于同一梯队。当然，个人体验上 Aider 的安装和使用更简便，而且拥有不错的交互式聊天界面，但 Plandex 的“先规划再执行”的设计思路，也确实有它独特的应用场景和优势。