实测 30 个任务：DeepSeek V4 Flash 配哪个编程 AI 最好用？

有人拿 30 个真实任务测了一圈

这几天 DeepSeek V4 Flash 正式版上线，圈子里都在讨论一个问题：这模型到底配哪个编程智能体框架最好使？光看跑分没啥意思，大家更想知道实际干活谁靠谱。

结果 Composio 先动手了。8 月 6 号他们在 X 上发了一组测试，用 Gmail、GitHub、Slack、Notion 这些真实工具跑了 30 个智能体任务，四个框架统一调用 DeepSeek V4 Flash 正式版，结果还挺有意思。

先看结果：Oh My Pi 拿下 17/30，成功率最高；Claude Code 和 Codex 都是 16/30，咬得很紧；OpenCode 14/30 垫底。

但你要只看成功率就选 Oh My Pi，那大概率会后悔。这家伙是最慢的，每个任务平均要 272 秒，跑完 30 个任务得等两个多小时，急脾气真扛不住。

反过来，Claude Code 是速度王，单任务只要 122 秒，而且它用的工具调用次数最少、生成的 token 也最少，说明路子比较“省”。但代价是贵，每个成功任务摊下来要 0.195 美元，是 OpenCode 的两倍多。

OpenCode 呢，成功率最低，可它是真便宜，一个成功任务只要 0.073 美元，适合预算紧张、任务量大、不赶时间的场景。

说白了，这轮测试没有“全能冠军”，全是取舍：要稳就 Oh My Pi，要快就 Claude Code，要省钱就 OpenCode，Codex 属于各方面都不差的中庸之选。

我个人觉得，日常写代码查问题，速度比那 1 个任务的差距重要得多，Claude Code 这个 122 秒的响应速度用起来确实爽。但要是跑批量自动化任务，过夜跑那种，OpenCode 的成本优势就体现出来了。

当然，测试只是参考，框架版本更新快，模型也在迭代，过两个月可能又是另一番光景。你有空也可以拿自己的项目跑一遍，数据这东西，自己测过才信得过。