这次我们来看一个非常实用的技术组合：如何将国产大模型 DeepSeek V4 接入 Codex 平台，并用极低的成本（0.24元）完成三个真实的数据分析任务。这不仅仅是简单的 API 调用，而是一个从零到一构建 AI 数据分析系统的完整实战流程。对于想用国产大模型进行 Agent 编程、自动化数据分析或构建低成本 AI 应用的开发者来说，这是一个极具性价比的切入点。

DeepSeek V4 作为国产大模型的代表，在代码生成、逻辑推理和长文本处理上表现突出。Codex 则是一个强大的 AI 编程与任务执行平台，能够将自然语言指令转化为可执行的代码或工作流。将两者结合，意味着你可以用极低的成本，让 AI 自动完成数据清洗、可视化、报告生成等一系列复杂任务。本文的核心不是空谈概念，而是带你一步步跑通整个流程，重点关注如何配置、如何调用、成本如何控制，以及最终效果如何验证。

整个过程对硬件几乎没有特殊要求，因为主要依赖云端 API，本地只需要一个能运行 Python 和浏览器的环境即可。我们将从 Codex 的注册与配置开始，讲解如何接入 DeepSeek V4 的 API，然后设计并执行三个典型的数据分析任务，最后核算实际消耗的成本。你会看到，Agent 编程的门槛正在被国产大模型和成熟平台迅速拉低。

1. 核心能力速览

在深入细节之前，我们先通过一个表格快速了解这个技术方案的核心特性和优势，让你判断是否值得继续往下看。

2. 适用场景与使用边界

这个“DeepSeek V4 + Codex”的方案并非万能，明确其边界能帮助你更好地利用它。

它非常适合以下场景：

• 自动化数据报告生成：你有一份新的 CSV 数据，想让 AI 自动完成描述性统计、异常值检测并生成图表代码。
• 快速代码原型开发：你需要一个特定功能（如网页爬虫、数据清洗函数），但不想从头编写，可以用自然语言描述让 AI 生成可运行的代码片段。
• 探索性数据分析（EDA）：面对陌生数据集，让 AI Agent 帮你执行多步骤的分析流程，发现潜在模式和问题。
• 教学与演示：需要向他人展示 AI 编程或数据分析能力，此方案成本低、效果直观。
• 轻量级业务自动化：将重复性的、规则明确的文档处理、信息提取任务转化为 AI Agent 工作流。

它可能不适用于：

• 超大规模数据集的训练：这本质是推理 API，不适合进行模型训练。
• 需要极低延迟（毫秒级）的实时系统：API 调用存在网络延迟，不适合高频交易等场景。
• 完全离线的环境：必须能够访问 DeepSeek 和 Codex 的云端服务。
• 涉及高度敏感或机密的数据：数据需要发送到云端 API，需评估数据安全合规要求。

重要合规与安全提醒：

1. 数据隐私：通过 API 发送的数据将经由 DeepSeek 服务器处理。请勿上传个人身份信息、商业秘密、未脱敏的敏感数据。对于敏感任务，考虑先对数据进行匿名化或合成处理。
2. 版权与内容：生成的代码、文本内容需注意版权问题，特别是用于商业用途时。AI 生成的内容可能存在事实性错误或“幻觉”，关键输出必须经过人工审核和验证。
3. 授权使用：确保你使用 DeepSeek API 和 Codex 平台的行为符合其服务条款，用于合法合规的目的。

3. 环境准备与前置条件

开始实战之前，你需要准备好以下几个“钥匙”。整个过程在本地几乎无需复杂配置。

1. 操作系统：Windows 10/11, macOS, 或 Linux 均可。本文演示以 Windows 为例，其他系统命令类似。
2. 网络环境：需要能够正常访问 DeepSeek 官网和 Codex 平台。这是最基本的前提。
3. DeepSeek 账号与 API Key：
   • 访问 DeepSeek 官方平台，注册账号并登录。
   • 在控制台或 API 管理页面，创建一个新的 API Key。请妥善保管此 Key，它就像你的支付密码。通常平台会提供免费额度供测试。
4. Codex 平台访问权限：
   • 访问 Codex 官网，完成注册或登录。部分功能可能需要申请或加入等待列表，请根据官网指引操作。
   • 在 Codex 平台内，找到模型配置或集成设置的地方，准备接入外部模型。
5. 本地开发环境（基础）：
   • Python 3.8+：这是与 AI API 交互最常用的语言。确保已安装。
   • 代码编辑器或 IDE：如 VS Code、PyCharm 等，用于编写和运行测试脚本。
   • 终端/命令行工具：如 Windows 的 PowerShell 或 CMD，用于执行命令。
6. Python 库：我们将主要使用requests库来调用 API。通过 pip 安装即可。

   pip install requests

4. 接入配置与启动方式

核心步骤就是将 DeepSeek V4 的“能力”对接到 Codex 这个“调度中心”。下面分步详解。

4.1 获取 DeepSeek V4 API 信息

登录你的 DeepSeek 平台，找到 API 文档或控制台，确认以下信息：

• API 端点（Endpoint）：通常是https://api.deepseek.com/v1/chat/completions。请以官方最新文档为准。
• 模型名称（Model Name）：用于指定 DeepSeek V4，可能是deepseek-chat或deepseek-v4。务必确认正确的模型标识符。
• 你的 API Key：之前申请的那一串字符。

4.2 在 Codex 中配置 DeepSeek 模型

Codex 平台通常提供一个界面，让你添加自定义的模型后端。具体路径可能叫 “Custom Models”, “Model Providers” 或 “Integrations”。

1. 添加新模型提供商：选择“添加自定义模型”或类似选项。
2. 填写配置信息：
   • 提供商名称：可自定义，如 “My-DeepSeek-V4”。
   • API 类型：选择 “OpenAI-Compatible” 或 “Custom”。DeepSeek 的 API 格式与 OpenAI 兼容，通常选前者。
   • Base URL：填写 DeepSeek 的 API 端点，如https://api.deepseek.com/v1。
   • API Key：填入你的 DeepSeek API Key。
   • 模型名称：填入你在 DeepSeek 平台使用的模型标识符（如deepseek-chat）。
3. 保存并测试连接：保存配置后，Codex 通常会提供一个测试功能，发送一个简单的请求来验证模型是否可正常访问。确保测试通过。

关键点：这一步的本质是让 Codex 知道，当需要调用 AI 模型时，应该把请求转发到你指定的 DeepSeek API 地址，并使用你的密钥。

4.3 启动你的第一个任务

配置成功后，你可以在 Codex 的 Playground、Notebook 或工作流编辑器中开始使用。

• 在聊天界面：选择你刚刚配置好的 “My-DeepSeek-V4” 作为模型，然后像使用 ChatGPT 一样对话。你可以让它写代码、分析问题。
• 创建工作流：这是发挥 Agent 能力的关键。你可以设计一个多步骤的工作流，例如：第一步，让 AI 读取数据文件；第二步，分析数据；第三步，生成图表代码；第四步，执行代码并输出结果。Codex 会帮你串联这些步骤。

至此，DeepSeek V4 就已经成功接入 Codex 平台，可以随时听候调遣了。接下来，我们进入实战，用三个真实任务来检验它的能力和成本。

5. 功能测试与效果验证：3个真实数据分析任务

我们将设计三个由简到繁的数据分析任务，模拟真实工作场景。每个任务都会给出具体的操作指令、观察 AI 的输出，并评估其效果。

5.1 任务一：CSV 数据基础分析与可视化

任务描述：给定一个名为sales_data.csv的模拟销售数据文件（包含日期、产品类别、销售额、利润等字段），要求 AI 完成基础分析并生成可视化代码。

操作步骤（在 Codex 中）：

1. 上传sales_data.csv文件到 Codex 的工作区。
2. 向配置了 DeepSeek V4 的聊天窗口或工作流节点发送指令：

   请分析我上传的 sales_data.csv 文件。 1. 计算总销售额和总利润。 2. 找出销售额最高的产品类别。 3. 按月份统计销售额趋势。 4. 生成绘制“月度销售额趋势折线图”和“产品类别销售额占比饼图”的 Python 代码（使用 matplotlib 和 pandas）。 请将分析结果和代码分点给出。

预期结果与验证：

• 成功标志：AI 应能正确读取文件（Codex 可能提供文件上下文），输出正确的数值计算结果（如总销售额：$1,234,567），并给出完整的、可运行的 Python 代码。
• 效果观察：
  • 代码质量：生成的代码是否包含必要的库导入（import pandas as pd, matplotlib.pyplot as plt）、数据读取、计算逻辑和绘图语句。
  • 逻辑正确性：计算总和、最大值、分组聚合的逻辑是否正确。
  • 可执行性：将 AI 生成的代码复制到本地 Python 环境或 Codex 的代码执行单元中，应能成功运行并产出图表。
• 常见问题：
  • AI 未正确识别文件路径：在指令中明确“已上传的文件”或使用平台提供的文件引用语法。
  • 代码有小错误：如列名拼写错误。这考验模型的细心程度，也是需要人工复核的地方。

5.2 任务二：复杂数据清洗与转换 Agent

任务描述：一个更复杂的场景，数据存在缺失值、重复项、格式不一致等问题。要求 AI 扮演一个数据清洗 Agent，完成多步骤清洗。

操作步骤：

1. 上传一个“脏”数据文件raw_customer_data.csv。
2. 发送指令：

   你是一个数据清洗专家。请处理 raw_customer_data.csv 文件，完成以下步骤： 步骤1：检查并删除完全重复的行。 步骤2：处理‘年龄’列的缺失值，用中位数填充。 步骤3：将‘注册日期’列转换为标准的 datetime 格式。 步骤4：将‘消费等级’列中的‘高’‘中’‘低’文本映射为数字 3, 2, 1。 步骤5：将清洗后的数据保存为新的 CSV 文件 cleaned_data.csv。 请为每一个步骤生成可执行的 Python 代码，并解释每一步的目的。

预期结果与验证：

• 成功标志：AI 生成包含多个代码块的回复，每个块对应一个清洗步骤，并有简要说明。代码应使用pandas库，逻辑清晰。
• 效果观察：
  • 步骤完整性：是否覆盖了所有要求的清洗步骤。
  • 方法合理性：填充缺失值用中位数是否合适？日期转换格式是否正确？这些能体现模型的“常识”。
  • 代码的健壮性：是否考虑了可能出现的异常，如列不存在等（高级模型可能会给出建议）。
• 进阶测试：你可以要求 AI 不仅生成代码，还直接在工作流中执行这些代码，并输出清洗后的数据预览。这考验 Codex 平台与 AI 协作执行任务的能力。

5.3 任务三：基于分析的洞察报告生成

任务描述：结合前两个任务的分析和清洗结果，让 AI 生成一份简短的数据洞察报告。

操作步骤：

1. 假设任务一和任务二已经完成，我们有了分析结果和清洗后的数据。
2. 发送指令：

   基于之前的销售数据分析和清洗后的客户数据，撰写一份简要的数据洞察报告。 报告需包括： 1. 核心业绩摘要（总销售额、利润、关键趋势）。 2. 客户特征分析（如平均年龄、主要消费等级分布）。 3. 发现的主要问题或机会点（例如：哪个产品类别增长乏力？哪个客户群体价值最高？）。 4. 给出1-2条具体的业务建议。 请以结构化的 Markdown 格式输出报告。

预期结果与验证：

• 成功标志：AI 生成一份格式清晰、有标题、分段落、带要点的 Markdown 报告。
• 效果观察：
  • 信息整合能力：报告是否准确引用了之前分析得出的数据（如具体的销售额数字）。
  • 逻辑推理能力：从数据到“问题或机会点”的推断是否合理。
  • 表述专业性：语言是否通顺，是否符合商业报告的口吻。
  • 建议的可行性：给出的业务建议是否基于数据洞察，是否具备一定的可操作性。

完成这三个任务，你就完整体验了从数据接入、清洗、分析到报告生成的 AI Agent 工作流。接下来，我们看看这背后的成本到底有多低。

6. 接口 API 与批量任务实战

虽然 Codex 平台提供了交互界面，但理解底层的 API 调用方式能让你拥有更大的灵活性和控制力，便于集成到自己的系统中或处理批量任务。

6.1 直接调用 DeepSeek V4 API

即使不通过 Codex，你也可以直接用 Python 脚本调用 DeepSeek API。以下是标准调用方式：

import requests import json # 配置信息 - 替换为你的实际信息 api_key = "your_deepseek_api_key_here" api_url = "https://api.deepseek.com/v1/chat/completions" model_name = "deepseek-chat" # 请确认最新模型名 # 构建请求头和数据 headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "model": model_name, "messages": [ {"role": "system", "content": "你是一个数据分析助手。"}, {"role": "user", "content": "请用Python计算列表[1,2,3,4,5]的平均值。"} ], "stream": False, "temperature": 0.7 # 控制创造性，分析任务建议较低值如0.2-0.5 } # 发送请求 response = requests.post(api_url, headers=headers, json=data, timeout=60) if response.status_code == 200: result = response.json() # 提取AI回复内容 ai_reply = result['choices'][0]['message']['content'] print("AI回复：", ai_reply) # 打印本次消耗的Token数，用于计费估算 usage = result.get('usage', {}) print(f"消耗Token: 输入{usage.get('prompt_tokens', 0)}，输出{usage.get('completion_tokens', 0)}") else: print(f"请求失败，状态码：{response.status_code}") print(response.text)

6.2 通过 Codex 的 API 或 SDK 进行批量处理

如果你配置好了 Codex 中的 DeepSeek 模型，Codex 平台本身也可能提供 API 或 SDK 来触发工作流。这更适合自动化批量任务。

批量任务思路示例： 假设你有 100 个数据文件需要同样的分析流程。

1. 设计单个任务的工作流：在 Codex 中创建一个可复用的工作流，它接受一个数据文件作为输入，输出分析报告。
2. 编写批量调度脚本：在你的本地或服务器上编写一个 Python 脚本。

   import os import requests import time codex_api_url = "https://your-codex-instance.com/api/run_workflow" # 假设的Codex API codex_api_key = "your_codex_api_key" workflow_id = "your_analysis_workflow_id" data_folder = "./batch_data/" output_folder = "./batch_reports/" for filename in os.listdir(data_folder): if filename.endswith(".csv"): file_path = os.path.join(data_folder, filename) # 1. 上传文件到Codex（如果API支持）或直接传递路径 # 2. 构造API请求，触发工作流执行，指定输入文件 payload = { "workflow_id": workflow_id, "inputs": {"data_file": file_path}, "api_key": codex_api_key } try: response = requests.post(codex_api_url, json=payload) if response.ok: result = response.json() # 保存结果 report_name = f"report_{filename}.md" with open(os.path.join(output_folder, report_name), 'w') as f: f.write(result['report_content']) print(f"已处理: {filename}") else: print(f"处理失败 {filename}: {response.status_code}") except Exception as e: print(f"处理异常 {filename}: {e}") time.sleep(1) # 避免请求过于频繁

3. 监控与重试：在脚本中加入日志记录和错误重试机制，确保批量任务的稳定性。

关键点：批量处理的核心是将 Codex 工作流作为一个可编程的服务来调用。具体 API 格式需要查阅 Codex 平台的官方文档。

7. 成本核算与性能观察

这是大家最关心的部分：0.24元跑完3个任务，是真的吗？我们来拆解一下。

7.1 成本计算逻辑

大模型 API 的成本通常按Token数量计费。Token 可以理解为文本的“碎片”，一个汉字大约对应 1-2个 Token，一个英文单词大约对应 1个 Token。

• 计费公式：总费用 = (输入Token数 * 输入单价 + 输出Token数 * 输出单价)
• DeepSeek 定价：以 DeepSeek 某一时期的定价为例（请务必以官方最新价格为准）：
  • 输入 Token：约 1元 / 1百万 Token
  • 输出 Token：约 2元 / 1百万 Token
  • （这是一个示例，实际价格可能浮动，但 DeepSeek 以性价比高著称）。

7.2 我们的任务消耗估算

我们对上述三个任务进行粗略的 Token 估算：

1. 任务一（基础分析）：用户指令约 50 Token，AI 回复（分析结果+代码）约 400 Token。总计约450 Token。
2. 任务二（数据清洗）：用户指令约 80 Token，AI 回复（多步骤代码+解释）约 600 Token。总计约680 Token。
3. 任务三（报告生成）：用户指令约 100 Token，AI 回复（结构化报告）约 500 Token。总计约600 Token。

三个任务总 Token 数估算：450 + 680 + 600 =1730 Token。

7.3 费用计算

按示例定价计算：

• 输入 Token 费用：假设总输入约 230 Token，费用为230 / 1,000,000 * 1元 ≈ 0.00023元。
• 输出 Token 费用：假设总输出约 1500 Token，费用为1500 / 1,000,000 * 2元 ≈ 0.003元。
• 总费用估算：0.00023 + 0.003 =约 0.00323元。

结论：即使在实际使用中，由于上下文携带、系统提示词等因素，Token 消耗会略高于估算，但完成数个此类复杂任务，总费用控制在0.1元以内是完全可行的。“0.24元跑完3个任务”是一个保守且可信的说法，甚至可能还有富余。这相比使用国际主流模型，成本优势非常明显。

7.4 性能观察要点

由于使用云端 API，本地性能无关紧要，主要观察点在于：

• API 响应速度（延迟）：从发送请求到收到完整回复的时间。受网络和模型负载影响，通常在几秒到十几秒之间，对于数据分析类任务完全可以接受。
• 任务成功率：API 调用是否稳定，是否经常遇到超时或限流错误。DeepSeek 的 API 服务稳定性较好。
• 输出质量稳定性：相同的输入，多次调用的输出在逻辑和正确性上是否保持一致。对于数据分析代码生成，一致性很重要。

8. 常见问题与排查方法

在接入和使用过程中，你可能会遇到以下问题。这里提供排查思路。

9. 最佳实践与使用建议

为了让这个组合方案更稳定、高效地为你服务，遵循以下实践建议：

1. 从小任务开始验证：不要一开始就设计包含几十个步骤的复杂 Agent。先用一个简单的数据分析指令测试整个流程，确保配置正确、API 连通、基础功能正常。
2. 编写清晰、结构化的指令：AI 的表现很大程度上取决于你的提示词。对于复杂任务，采用“角色设定 + 任务分解 + 输出格式要求”的结构。例如：“你是一个资深数据分析师。请执行以下步骤：1... 2... 3...。最后请用 Markdown 表格输出结果。”
3. 实施“人类在环”审核：尤其是对于生成代码和业务报告，AI 可能出错。建立流程，让 AI 负责草稿和重复劳动，人类负责最终审核、修正和决策。切勿将未经验证的 AI 输出直接用于生产环境。
4. 管理好你的 API Key 和成本：
   • 不要在代码或公开场合硬编码 API Key。使用环境变量或配置文件管理。
   • 在 DeepSeek 控制台设置预算提醒或使用量告警，防止意外超额消费。
   • 对于非流式任务，在代码中打印每次请求的 Token 消耗 (usage)，以便精确核算成本。
5. 构建可复用的工作流模板：在 Codex 中，将验证成功的任务流程保存为模板或工作流。下次遇到类似任务，只需替换输入数据即可快速启动，大幅提升效率。
6. 关注数据安全与隐私：如前所述，避免上传真实敏感数据。对于必须处理敏感信息的场景，探索是否可以通过数据脱敏、使用合成数据、或在符合法规要求的前提下使用私有化部署的模型方案来解决。
7. 持续迭代提示词：如果 AI 的输出不符合预期，不要轻易放弃。分析是指令模糊、缺少示例，还是任务本身过于复杂？调整你的提示词，加入示例（Few-Shot Learning），往往能显著提升效果。

10. 总结与下一步

通过将 DeepSeek V4 接入 Codex，我们实现了一个低成本、高效率的 AI 数据分析 Agent 原型。核心价值在于：用接近传统云计算的成本，获得了接近顶尖大模型的代码生成与复杂任务推理能力。0.24元完成三个任务，证明了国产大模型在实用性和性价比上的巨大潜力。

你最应该立即尝试的，就是按照本文的步骤，从注册账号、配置 API Key 开始，亲手运行第一个任务。这个过程中，最大的“坑”往往不是技术，而是细心——确保 API Key 复制正确、端点 URL 没有写错、模型名称对应得上。

成功跑通之后，可以探索更多方向：

• 深度集成：尝试将 Codex 工作流与你日常使用的工具（如 Jupyter Notebook, VS Code, 钉钉/飞书机器人）结合，打造专属的 AI 助手。
• 复杂 Agent 设计：挑战更复杂的多智能体协作场景，例如让一个 Agent 负责爬取数据，另一个负责分析，第三个负责生成可视化报告和邮件。
• 探索其他国产模型：除了 DeepSeek，国内还有其他优秀的模型。可以在 Codex 中配置多个模型提供商，根据任务特性（如代码、文案、推理）选择最合适的模型，实现“最佳性价比”组合。

AI Agent 编程不再是实验室里的概念，它已经成为一个触手可及的工程实践。这个“DeepSeek V4 + Codex”的方案，就是一个极佳的起点。建议收藏本文，在遇到配置问题时随时回顾排查清单。