DeepSeek-TUI: Terminal Coding Agent

Geçen hafta DeepSeek-TUI'yi GitHub Trending'de gördüm ve neredeyse geçiyordum.

Bir DeepSeek wrapper daha, diye düşündüm. Sonra README'yi daha dikkatli okudum — çift binary Rust mimarisi, native thinking-mode streaming, tasarımın ilk gününden beri inşa edilmiş 1M token context ve tek çağrıda 16 ucuz V4-Flash child'a dağıtan RLM adlı paralel subagent primitifi.

Şunu söyleyeyim: Bu wrapper değil. DeepSeek V4'ün API ekonomisiyle ciddi zaman geçirmiş birinin inşa ettiği model-spesifik bir harness. Gerçekte ne olduğu, nasıl yapılandırıldığı ve kimin umursaması gerektiği aşağıda.

Tek Paragrafta DeepSeek-TUI

DeepSeek-TUI, DeepSeek V4 etrafında inşa edilmiş açık kaynak bir terminal coding agent — GitHub handle'ı Hmbown olan bağımsız ABD'li geliştirici Hunter Bown tarafından oluşturuldu. Resmi bir DeepSeek ürünü değil. Proje 19 Ocak 2026'da başladı, 37 release'de v0.8.8'e ulaştı ve Mayıs 2026 başında GitHub Trending'e girdikten sonra yaklaşık 2.300 GitHub yıldızına ulaştı. Terminalinde klavye güdümlü bir TUI olarak çalışıyor, DeepSeek'in frontier modellerine workspace'ine doğrudan erişim veriyor — dosya okuma/yazma, shell komutları, web arama, git yönetimi, subagent orkestrasyonu — ve MIT lisanslı. Kurulum tek komut: npm install -g deepseek-tui (npm paketi yalnızca bir indirici; runtime'da Node gerekmiyor).

Çift Binary Mimarisi

deepseek dispatcher + deepseek-tui runtime

DeepSeek-TUI iki zorunlu binary ile geliyor. deepseek binary'si dispatcher CLI — kimlik doğrulama, yapılandırma, model seçimi ve seans yönetimini üstleniyor, ardından gerçek agent yürütmesini deepseek-tui'ye devrediyor. Her iki binary'yi PATH'te ayrı ayrı çalıştırmak MISSING_COMPANION_BINARY hatası üretiyor; her ikisi de gerekli.

Ayrım bilinçli. Dispatcher kullanıcıya dönük kararlı arayüzü (komutlar, config, auth) sağlarken runtime canlı agent döngüsünü ve TUI render'ını üstleniyor. Birine yapılan güncellemeler diğerinin arayüzünü bozmak zorunda değil.

# İki binary de gerekli — npm aracılığıyla kur (önceden derlenmiş binary'leri indirir):
npm install -g deepseek-tui

# Veya Cargo aracılığıyla (kaynaktan derler, Rust 1.85+ gerektirir):
cargo install deepseek-tui-cli --locked   # `deepseek` sağlar
cargo install deepseek-tui --locked       # `deepseek-tui` sağlar

# Veya Homebrew (macOS):
brew tap Hmbown/deepseek-tui && brew install deepseek-tui

Rust + ratatui, tek binary çifti, Node/Python yok

Her iki binary de native Rust'a derleniyor. Runtime ayak izi minimal — araç boşta yaklaşık 12MB RAM bildiriyor. ratatui kütüphanesi terminal UI katmanını sağlıyor: chat, code preview ve komut geçmişi için bölünmüş paneller, her yerde klavye güdümlü navigasyon. Electron yok, Python runtime yok, arka planda çalışan Node daemon yok. npm kurulum yolu yalnızca bir kolaylık indirici; gerçek binary'ler önceden derlenmiş Rust.

Önceden derlenmiş binary'ler Linux x64/ARM64, macOS x64/ARM64 (Apple Silicon) ve Windows x64'ü kapsıyor. Platform desteği gerçek: v0.8.8 özellikle önceki sürümlerde eksik olan bir Windows yol ayırıcı bug'ını ve ARM64 Linux önceden derlenmiş mevcudiyetini düzeltti.

Engine döngüsü ve araç registry'si

Dahili mimari: deepseek (dispatcher) → deepseek-tui (companion binary) → ratatui arayüzü ↔ async engine ↔ OpenAI uyumlu streaming client.

Araç çağrıları yedi kategorili tiplenmiş bir registry üzerinden yönleniyor:

Sonuçlar gerçek zamanlı olarak transcript'e geri akıyor.

Neden Wrapper Değil, Model-Spesifik Harness?

DeepSeek V4'ün 1M context'i ve prefix cache'i etrafında inşa edilmiş

Generic OpenAI uyumlu wrapper'lar context'i modelin limitleri etrafında yönetilecek bir şey olarak değerlendiriyor. DeepSeek-TUI, V4'ün 1M context penceresini bir tasarım primitifi olarak değerlendiriyor. Maliyet tahmincisi cache hit'leri cache miss'lerden ayrı takip ediyor — V4'ün önbelleğe alınmış giriş token'ları önbelleğe alınmamışın 1/10'una mal oluyor — ve CHANGELOG, DeepSeek'in fiyatlandırma güncellemelerine doğrudan yanıtlar gösteriyor (v0.8.8 cache-hit fiyat güncellemesi 1M token başına 0,003625/0,0028/0,0145, TUI'nin maliyet tahmincisine doğrudan uygulanan DeepSeek'in canlı fiyatlandırma değişikliklerini yansıtıyor).

Auto-compact özelliği aktif model limitine yakın replacement-style özetleme ile context büyümesini yönetiyor. Bu opt-in (auto_compact = false varsayılan); manuel alternatif, özetlemenin ne zaman gerçekleşeceğini kontrol etmek istediğinde açık /compact.

Native thinking-mode streaming

DeepSeek V4-Pro, akıl yürütme izlerini API yanıtlarında reasoning_content olarak yüzeye çıkarıyor. DeepSeek-TUI bunları terminalde doğrudan render ediyor — modelin düşünce zincirinin çalışırken satır satır açıldığını izliyorsun. Bu çıktıdan yeniden oluşturulmuş değil; adanmış bir panelde gösterilen ham thinking stream.

CHANGELOG'daki thinking-mode girişi ne işlendiği konusunda spesifik: "thinking-mode araç turları şimdi engine'in yetkili API transcript'ini checkpoint'liyor, görünür assistant metni olmadan reasoning-to-tool-call turlarında assistant reasoning_content dahil." Implementasyon gerçek bir API edge case'ini ele alıyor — modelin düşündüğü ama araç çağırmadan önce görünür metin üretmediği turlar — generic wrapper'ların tipik olarak yanlış veya hiç ele almadığı şey.

OpenAI-şekilli wrapper'lardan farkı

"DeepSeek desteğini" duyuran çoğu araç bunu DeepSeek'in OpenAI uyumlu endpoint'ini işaret eden bir base_url parametresi kabul ederek ekledi. Çalışıyorlar, ama farklı bir modelin davranışı etrafında tasarlandılar. DeepSeek-TUI'nin sistem prompt'ları, maliyet takibi, context compaction stratejisi ve RLM mimarisi — bunların hepsi V4'ün API ekonomisi ve yetenekleri etrafında özel olarak tasarlanmış. CHANGELOG'un notu şunu yansıtıyor: "sistem prompt'ları decomposition-first felsefesiyle yeniden tasarlandı... modele eylemden önce todo_write, strateji için update_plan ve paralel çalışma için subagent kullanmayı öğretiyor." Bu generic bir prompt şablonu değil — V4'ün spesifik davranışı için ayarlama.

Üç Mod: Plan, Agent, YOLO

Plan: salt okunur keşif

Plan modu agent'ı okuma işlemleriyle kısıtlıyor. Dosyaları okuyabilir, codebase'i arayabilir, yapıyı analiz edebilir ve bir plan üretebilir — ama shell komutları yürütemez, dosya yazamaz veya git commit yapalamaz. Agent'ın ne yapacağını yapmadan önce anlamak istediğinde ya da tanımadığın bir codebase'i yan etkiler olmadan keşfetmek istediğinde kullan.

Agent: varsayılan, araç çağrısı onaylarıyla

Agent modu varsayılan. Durumu değiştiren her araç çağrısı — dosya yazma, shell komutu çalıştırma, git'e commit — yürütmeden önce açık onayını gerektiriyor. Önerilen eylemi görüyor, onaylıyor veya reddediyorsun ve agent devam ediyor. Çoğu gerçek kodlama çalışması için doğru mod: repository'ine gerçekte ne olduğunun kontrolü sende kalıyor.

YOLO: güvenilir workspace'lerde otomatik onay

YOLO modu onay prompt'larını devre dışı bırakıyor. Agent araç çağrılarını ortaya çıktıkça otomatik yürütüyor. CHANGELOG özellikle v0.8.8'in workspace güven kontrolü olmadan YOLO modunda git -C ...'nin otomatik onaylandığı bir bug'ı düzelttiğini not ediyor — production'da önem taşıyan türden bir bug. YOLO modu, görevi incelediğin ve agent'ın kesintisiz tamamlamasını istediğin güvenilir workspace'ler için uygun.

RLM (rlm_query) — Paralel Subagent'lar

1–16 deepseek-v4-flash child'ına dağıtma

rlm_query, DeepSeek-TUI'nin paralel akıl yürütme primitifi. Ana agent rlm_query'yi çağırdığında varsayılan olarak deepseek-v4-flash üzerinde çalışan 1 ile 16 eşzamanlı subagent çağrısına dağıtıyor. Alt görev daha fazla akıl yürütme derinliği gerektirdiğinde child'lar çağrı bazında V4-Pro'ya terfi ettirilebilir.

CHANGELOG tasarım niyetini belgeliyor: "Alex Zhang'ın RLM çalışması ve Sakana AI'nin yayımlanmış novelty-search araştırmasından ilham alındı, ama bir agent döngüsünün gerçekte ihtiyacı olana kırpıldı." Bu bir araştırma artifaktı değil — toplu analiz görevleri için pratik bir araç.

Kullanım senaryoları: toplu analiz, ayrıştırma, paralel akıl yürütme

RLM, eşzamanlı çalıştırmak isteyeceğin bağımsız alt görevlere ayrışan görevlere uyuyor: ortak bir pattern için birden fazla dosyayı analiz etme, paralel araştırma sorguları çalıştırma, aynı anda birden fazla implementasyon yaklaşımını değerlendirme. İndirimli olmayan oranda bile V4-Flash'ın fiyatlandırmasında (1M token başına $0,14/$0,28), 16 paralel çağrıya dağıtmak tek bir V4-Pro çağrısının çok küçük bir fraksiyonuna mal oluyor.

Skill'ler ve MCP Desteği

Skill keşfi .agents/skills, .claude/skills ve global ~/.deepseek/skills'i geziyor

Skill sistemi, Superpowers ve benzer yapılandırılmış-agent framework'leriyle en doğrudan örtüşme noktası. Skill'ler bir isim, açıklama ve talimatlar içeren SKILL.md dosyası barındıran dizinler. Görev açıklamaları skill açıklamalarıyla eşleştiğinde agent load_skill aracılığıyla ilgili skill'leri otomatik seçebilir.

README'ye göre keşif sırası: .agents/skills → skills → .opencode/skills → .claude/skills → ~/.deepseek/skills. Keşif yoluna .claude/skills'in dahil edilmesi bilinçli — Claude Code'un skill sistemini halihazırda kullanan ekipler bu skill dizinlerini yeniden yapılandırma olmadan yeniden kullanabiliyor.

Community skill'leri doğrudan GitHub'dan /skill install github:<owner>/<repo> ile kuruluyor — backend servisi gerekmez.

stdio aracılığıyla MCP server'ları

MCP entegrasyonu standart stdio transport'unu takip ediyor: config'de server girdilerini tanımla, deepseek-tui mcp init dizin yapısını scaffold'la ve deepseek-tui setup MCP ve skill dizinlerini tek adımda bootstrap'la. Implementasyon standart MCP client protokolü; Claude Code veya diğer MCP yetenekli agent'larla çalışan herhangi bir MCP server burada da çalışmalı.

Terminal Coding Agent'lar Arasındaki Yeri

Claude Code, Aider, Cline, OpenCode ile aynı kategori

DeepSeek-TUI bir terminal coding agent — Claude Code (Anthropic, kapalı), Aider (açık kaynak, çok model), Cline (VS Code eklentisi) ve OpenCode (açık kaynak, çok model TUI) ile aynı ürün kategorisi. Bunların hepsi bir LLM'e terminal veya IDE paneli üzerinden yerel workspace'e doğrudan erişim veriyor, gerçek dosyalara karşı araç çağrıları yürütüyor ve çok turlu agent döngülerini yönetiyor.

Takas: model lock-in vs DeepSeek-native verimlilik

Takas açık: DeepSeek-TUI'nin mimari kararları — V4 fiyatlandırmasına ayarlı maliyet tahmincisi, V4'ün limitine kalibre edilmiş context compaction, ucuz paralel worker olarak V4-Flash kullanan RLM — DeepSeek'in modelleri ve API ekonomisiyle sıkıca bağlantılı. Farklı bir sağlayıcıyla kullanmak (NVIDIA NIM, Fireworks, SGLang) yapılandırma katmanında destekleniyor — ama bu sağlayıcıların hepsi DeepSeek modellerini sunuyor; GPT-5.5 veya Claude'u aynı TUI üzerinden çalıştırmak için bir yol değil.

V4 senin model tercihinse bu lock-in doğru takas. Model-agnostic bir terminal agent istiyorsan Aider ve OpenCode doğru alternatifler.

Kim Denemeli (Kim Geçmeli)

DeepSeek-TUI'yi dene, eğer:

• API aracılığıyla zaten DeepSeek V4 kullanıyorsan ve kendi agent döngünü inşa etmeden Claude Code eşdeğeri bir terminal iş akışı istiyorsan
• DeepSeek'in maliyet ekonomisi araçlama kararlarında birincil faktörse — dahili maliyet tahmincisi ve cache hit/miss takibi V4'ün fiyatlandırma avantajlarını tur başına görünür kılıyor
• Orkestrasyon altyapısı eklemeden paralel subagent kapasitesi (RLM) istiyorsan
• SGLang aracılığıyla DeepSeek V4'ü self-hosting yapıyorsan ve bunun için cilalı bir frontend istiyorsan

DeepSeek-TUI'yi geç, eğer:

• Birincil modellerin Claude, GPT-5.5 veya Gemini — araç teknik olarak diğer API uyumlu endpoint'leri kabul ediyor ama onlar için tasarlanmamış ve ayarlanmamış
• Production iş akışları için kararlı, GA yayımlanmış bir araca ihtiyacın varsa — v0.8.8 sık release'lerle aktif geliştirme aşamasında; v0.9.x veya v1.0'daki davranış farklı olabilir
• Kontrollü yazılım tedarikiyle enterprise ortamdasın — MIT lisansı permissive, ama hızlı release kadansı ve community proje statüsü güvenlik incelemesi için önemli

Sık Sorulan Sorular

DeepSeek-TUI resmi bir DeepSeek ürünü mü?

Hayır. Hunter Bown (GitHub: Hmbown) tarafından oluşturuldu — bağımsız bir ABD'li geliştirici. DeepSeek (şirket) dahil değil. İsim tanımlayıcı, resmi marka değil.

DeepSeek V4 dışında modeller için kullanabilir miyim?

Yapılandırma NVIDIA NIM, Fireworks AI ve self-hosted SGLang'ı destekliyor — ama bunların hepsi farklı altyapıda DeepSeek modelleri çalıştırmak için yollar, GPT veya Claude kullanmak için değil. Araç spesifik olarak DeepSeek'in V4 API davranışı için tasarlanmış.

azevedoguigo/deepseek-tui-client repo'sundan farkı ne?

Tamamen farklı kapsam. azevedoguigo/deepseek-tui-client DeepSeek için minimal bir terminal chat istemcisi — sohbet UI'ı, coding agent değil. Araç registry'si yok, dosya işlemleri yok, git entegrasyonu yok, subagent sistemi yok. İsim örtüşmesi tesadüfi; ilgili projeler değil.

"Thinking-mode streaming" ekranda gerçekte ne gösteriyor?

DeepSeek V4-Pro, akıl yürütme izlerini API yanıtlarında reasoning_content olarak yüzeye çıkarıyor — nihai cevaptan ayrı bir alan. DeepSeek-TUI bunu model çalışırken gerçek zamanlı olarak adanmış bir panelde render ediyor. Model'in akıl yürütme adımlarını geldikçe görüyorsun, sonra nihai yanıtı. Akıl yürütme yapmayan turlarda veya V4-Flash ile (daha hafif thinking), akıl yürütme paneli minimal veya yok.

Windows / WSL'de çalışıyor mu?

Her ikisinde de evet. Native Windows x64 önceden derlenmiş binary'ler mevcut; resmi kurulum rehberine göre Scoop, belgelenmiş Windows paket yöneticisi yolu. WSL standart Linux binary'si aracılığıyla çalışıyor. v0.8.8 CHANGELOG özellikle bir Windows yol ayırıcı düzeltmesi içeriyor (display_path artık MAIN_SEPARATOR_STR kullanıyor, Windows'da ~\projects/foo yerine ~\projects\foo gösteriyor) — bu teorik destek değil, aktif Windows bakımının sinyali.

Net konuşmak gerekirse: DeepSeek-TUI, V4 API ekonomisini ciddiye alan biri tarafından V4 için gerçekten inşa edilmiş. Wrapper değil, harness. V4 kullanıyorsan ve kendi agent döngünü inşa etmek istemiyorsan — dene. Claude, GPT veya Gemini birincil modelinse — Aider veya OpenCode daha iyi uyum sağlar.

İyi kodlamalar.