A configuração de REA mais barata até agora! (DeepSeek V4.1 + Lean REA)

Autoria: AICodeKing · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Cheapest REA Setup YET! (Deepseek V4.1+LeanREA) · Canal: AICodeKing · 07:50 · Assistir no YouTube

Tópicos: Agentes de IA, Cibersegurança e segurança de software, Ferramentas de desenvolvimento com IA, Mercados e economia, Modelos de IA

Resumo

O vídeo apresenta uma configuração para tarefas de engenharia reversa com Lean REA, DeepSeek V4.1 Flash e Panda Code, como alternativa mais barata a REA com Claude Code ou Codex. Lean REA orienta o agent a usar ferramentas locais por meio do shell, economizando contexto e reduzindo o número de etapas. O apresentador compara preços, demonstra a configuração e mostra uma tarefa de análise de busca em um app. Ele também ressalta que DeepSeek V4.1 Flash pode ficar atrás de Opus 5.5 nas tarefas mais difíceis e que o código é enviado aos servidores da DeepSeek.

Pontos-chave

O apresentador afirma que Claude Code e Codex passaram a recusar alguns prompts no estilo REA.
Lean REA é descrito como um arquivo skill de 18 KB que indica comandos adequados para diferentes alvos.
No benchmark mencionado, Lean REA foi 38% mais rápido, 35% mais barato e usou 56% menos turnos que REA, com a mesma precisão.
O apresentador diz que DeepSeek V4.1 Flash obteve 81,25% no KingBench 3 com thinking no máximo.
Panda Code integra DeepSeek por meio do harness DSH e oferece interface, painel Git, terminal e quadro de tarefas.
Segundo os preços apresentados, DeepSeek V4.1 Flash custa bem menos que Sonnet 5.5 e Opus 5.5, sobretudo em cached input.
A configuração demonstrada instala Panda Code, o harness DSH, adiciona uma chave de API e instala Lean REA.
O apresentador recomenda thinking no máximo e alerta sobre o envio de código aos servidores da DeepSeek e os preços de pico.

Capítulos

Início	Capítulo	Resumo
00:03	REA, bloqueios e a proposta de Lean REA	O apresentador explica o contexto de REA, os bloqueios de certos prompts e a proposta de usar Lean REA com DeepSeek V4.1 Flash.
02:06	DeepSeek V4.1 Flash, Panda Code e custos	O vídeo descreve o modelo e o aplicativo, compara preços e estima quanto poderia custar uma execução de benchmark.
04:43	Instalação e configuração	O apresentador mostra como instalar Panda Code, configurar o harness DSH e a chave de API, e adicionar Lean REA.
06:16	Demonstração, ressalvas e conclusão	Uma tarefa de análise de busca demonstra o uso da configuração, seguido de ressalvas sobre capacidade, privacidade e preços.

Citações

REA significa reverse engineer anything. — 00:03

Lean REA remove toda essa camada. — 01:35

Um agent envia o mesmo contexto de novo a cada turno. — 04:12

DeepSeek V4.1 Flash não é o modelo mais inteligente que existe. — 06:48

Conceitos e entidades

REA (conceito): Abreviação de reverse engineer anything, apresentada como um conjunto de ferramentas para analisar aplicações e binários.
Lean REA (ferramenta): Arquivo skill compacto que orienta um agent a executar comandos locais adequados para tarefas de engenharia reversa.
DeepSeek V4.1 Flash (modelo): Modelo apresentado para tarefas de programação e engenharia reversa, com preços descritos como baixos no vídeo.
Panda Code (ferramenta): Aplicativo de desktop para usar agentes de programação, incluindo DeepSeek por meio de seu harness DSH.
DSH (ferramenta): Harness próprio da DeepSeek, usado pelo Panda Code para executar o modelo.
Claude Code (ferramenta): Ferramenta de programação citada como uma das que começaram a bloquear prompts no estilo REA.
Codex (ferramenta): Ferramenta de programação citada junto com Claude Code como capaz de recusar alguns prompts no estilo REA.
Opus 5.5 (modelo): Modelo que, segundo o apresentador, supera DeepSeek V4.1 Flash nas tarefas mais difíceis.

Tradução completa (pt-BR)

00:03 Oi. Bem-vindos a mais um vídeo. Então, se você acompanha meu canal, já conhece a história do REA. O REA, que significa fazer engenharia reversa de qualquer coisa, explodiu no GitHub, com mais de 270 mil estrelas. Depois, fiz um vídeo dizendo que ele não é tão útil assim. E, depois disso, criei o Lean REA, que é um único arquivo de skill pequeno que faz o mesmo trabalho com mais rapidez e por menos dinheiro. Mas agora aconteceu outra coisa. Claude Code e Codex começaram a bloquear prompts no estilo REA. Você pede ao agent para analisar um app por dentro

00:34 e rastrear como um recurso funciona. E, em vez de fazer o trabalho, ele para e se recusa. E, sinceramente, você sabe o que as pessoas estavam fazendo com isso, então até entendo o motivo. A coisa cresceu muito, muito rápido, e era inevitável que, em algum momento, os provedores dos modelos reagissem. O problema é que boa parte desse trabalho é completamente normal. Você quer entender como um app Electron se comunica com o complemento nativo. Quer conferir qual versão de uma biblioteca está dentro de um binário que você distribui. Quer depurar algo para o qual não tem o código-fonte. E agora esse tipo de solicitação pode acabar sendo

01:05 barrado pela mesma rede. Então, neste vídeo, quero mostrar uma configuração que ainda funciona para isso e também é bem mais barata. É o Lean REA com o DeepSeek V4.1 flash rodando dentro do Panda Code. Então, vamos direto ao assunto. Essa configuração tem três partes. A primeira é o Lean REA. Se você não viu aquele vídeo, aqui vai a versão resumida. O REA é um servidor MCP com 207 ferramentas. Por baixo dos panos, ele basicamente chama ferramentas que já estão na sua máquina, como asar para apps Electron, otool e nm para binários de Mac, go version -m para binários Go e jad para Android.

01:35 O Lean REA elimina toda essa camada. É um arquivo de skill de 1,8 quilobyte. Ele informa ao agent qual comando é mais rápido para cada tipo de alvo. Fornece comandos prontos para copiar e executar, além de listar as pequenas armadilhas que podem passar despercebidas pelo modelo. Então, o agent simplesmente executa as ferramentas de verdade no shell normal. No meu benchmark com Sonnet 5.5, o Lean REA foi 38% mais rápido que o REA, custou 35% menos e usou 56% menos turnos

02:06 com a mesma precisão. E, como não tem ferramentas, quase não ocupa sua context window. Com todas as ferramentas do REA carregadas, uma simples resposta “ok” usava cerca de 400 mil tokens. Com o Lean REA, eram cerca de 34 mil. Essa última parte importa muito para este vídeo. Porque, ao mudar para um modelo mais barato, você não quer desperdiçar 400 mil tokens com definições de ferramentas antes mesmo de começar. A segunda parte é o DeepSeek V4.1 flash. Já o testei bastante neste canal. Ele obteve 81,25%

02:36 no KingBench 3 com o modo de raciocínio no máximo, ficando acima do resultado que obtive antes com o V4 Pro e empatando com o Gemini 3.8 flash. Também é rápido. E é muito bom em tarefas com agents porque a DeepSeek o treinou com vários harnesses de programação, inclusive o próprio. E ele não se assusta com trabalhos normais de engenharia reversa. Você pode pedir para extrair um app, pesquisar o código, ler a desmontagem e explicar o que encontrou, e ele simplesmente faz o trabalho. A terceira parte é o Panda Code. Esse é meu app de desktop para agents de programação. Ele executa Claude Code, Codex, Kimmy, Open Code e muitos outros em uma única janela. E

03:08 também oferece suporte direto ao DeepSeek por meio do próprio harness da DeepSeek, chamado DSH. Assim, você tem uma interface agradável, o painel do Git, o terminal, o quadro de tarefas e tudo mais. Mas quem faz o trabalho é o DeepSeek V4.1 flash. Agora, vamos falar da diferença de preço, porque é aqui que a coisa fica meio absurda. O Sonnet 5.5 custa US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída. A entrada em cache custa 20 centavos por milhão. O Opus 5.5 custa o dobro: US$ 4 para entrada e US$ 20 para saída. O DeepSeek V4.1 flash

03:41 em horários de menor movimento custa 15 centavos por milhão de tokens de entrada e 60 centavos por milhão de tokens de saída. E a entrada em cache custa 3/10 de centavo por milhão. Nos horários de pico, esses preços dobram. Ou seja, 30 centavos para entrada e US$ 1,20 para saída. Então, fora do horário de pico, o DeepSeek é cerca de 13 vezes mais barato que o Sonnet na entrada e quase 17 vezes mais barato na saída. Na entrada em cache, é cerca de 67 vezes mais barato. E, se comparar com o Opus, multiplique todos esses números por dois; a entrada em cache

04:12 é o que mais importa para agents. Um agent envia o mesmo contexto repetidamente a cada turno. Então, a maioria dos seus tokens acaba sendo leituras em cache. É exatamente aí que o DeepSeek tem a maior diferença de preço. Vou mostrar isso com números reais. Toda a execução do meu benchmark do Lean REA no Sonnet custou US$ 2,17. Ainda não executei o mesmo benchmark no DeepSeek, e modelos diferentes usam quantidades diferentes de tokens, então considere isso apenas uma estimativa. Mas, mesmo usando a proporção mais conservadora, de 13 vezes, o mesmo trabalho custaria cerca de 16 ou 17 centavos.

04:43 E, como a maior parte são leituras em cache, o valor real provavelmente seria ainda menor. Então, você passa de uma configuração que se recusa a fazer a tarefa para uma que a faz por centavos, o que é simplesmente incrível. Agora, vamos configurá-la. Primeiro, instale o Panda Code. Acesse a página do Panda Code no GitHub, abra as releases e baixe o arquivo para seu sistema. Tenho um vídeo completo sobre isso, que estará no link abaixo. Em seguida, instale o harness do DeepSeek. Abra o terminal e execute npm install -g @deepseek-ai/dsh. O Panda Code o encontra e o executa em segundo plano para você. Depois, adicione sua

05:14 chave de API do DeepSeek. No Panda Code, vá para as configurações, depois para os provedores e cole sua chave lá. Você também pode defini-la como a variável de ambiente DEEPSEEK_API_KEY. Sua chave fica no chaveiro do computador, e o Panda Code só a envia para o DeepSeek. Agora, instale o Lean REA. Na pasta do seu projeto, execute npx skills add ai-cocking/lean-rye. Ele pergunta quais agents você usa. Se quiser instalá-lo em todos os projetos, adicione a opção -g. Agora, abra seu projeto no Panda Code, inicie uma nova tarefa e, no

05:46 seletor de modelos, escolha DeepSeek e selecione v4.1 flash. Defina o nível de raciocínio como máximo. Isso importa muito. Quando testei esse modelo com o raciocínio desativado, a pontuação caiu quase 30 pontos. Depois, digite uma barra, e o Lean REA deve aparecer na lista. Se ele não aparecer na sua configuração, tudo bem também. Basta pedir ao agent que leia primeiro o arquivo de skill do Lean REA. Ele tem apenas 8 quilobytes, então custa quase nada. Agora, vamos dar uma tarefa para ele. Vou digitar /linear. Como funciona o recurso de busca deste app? Mostre as evidências. Agora, veja só. Ele verifica primeiro o tipo de arquivo, depois

06:16 extrai o arquivo app.asar. Pesquisa o código com o Ripgrep usando a opção -UU, então também procura em pastas ocultas. Depois, encontra a função nativa, a classe que a controla e os canais IPC. E marca cada afirmação como observada, inferida ou desconhecida. Também executa vários comandos de uma vez, porque a skill orienta a agrupar verificações pequenas em uma única chamada de shell. É por isso que termina em tão poucos turnos. E, no Panda Code, você pode ver cada comando executado, cada arquivo acessado e quantos tokens foram usados. Você pode até ver uma estimativa de quanto a execução custaria aos

06:48 preços da API. Assim, você não fica no escuro. Agora, quero ser justo. O DeepSeek V4.1 Flash não é o modelo mais inteligente que existe. Nas tarefas mais difíceis, o Opus 5.5 ainda se sai melhor. Então, se você tiver um problema de desmontagem realmente complexo, talvez precise de mais turnos ou de orientá-lo um pouco mais. Além disso, seu código vai para os servidores da DeepSeek. Se estiver trabalhando em algo privado para uma empresa, confira primeiro se isso é permitido. Também há preços de pico e fora do pico. Se executar trabalhos grandes, tente fazê-los fora do horário de pico, porque o preço cai pela metade. Então, o que eu acho? Acho que esta é a melhor maneira de

07:18 façam esse tipo de trabalho agora. Linear fornece ao modelo os comandos certos sem desperdiçar contexto. DeepSeek V4.1 Flash é inteligente o bastante para usá-los. Ele não se recusa a fazer trabalhos normais e custa uma fração minúscula do preço do Sonnet ou do Opus. E PandaCode coloca tudo em uma única janela, com o acompanhamento de custos e as alterações nos arquivos bem ali. Claude Code e Codex continuam sendo ótimos, e ainda os uso para muitas coisas. Mas, para esse tipo de trabalho, esta configuração simplesmente faz mais sentido. No geral, é bem legal. Enfim, me contem o que acham nos comentários. Se gostaram deste vídeo,

07:50 considerem fazer uma doação pela opção Super Thanks ou tornar-se membro clicando no botão de participar [música]. Além disso, deixem um gostei neste vídeo e inscrevam-se no meu canal. Vejo vocês no próximo. Até lá, tchau. >> Uhum.

Transcrição original

[00:03] Hi. Welcome to another video. So, if you have been following my channel, you know the REA story by now. REA, which means reverse engineer anything, blew up on GitHub with more than 270,000 stars. Then I made a video saying that it is not that useful. And after that, I built Lean REA, which is one small skill file that does the same job faster and cheaper. But now something else has happened. Claude code and Codex have started blocking REA style prompts. You ask the agent to pull apart an app

[00:34] and trace how a feature works. And instead of doing the work, it stops and refuses. And honestly, you know what people were doing with it, so I kind of get why. It got really big, really fast, and the model providers were always going to react at some point. The problem is that a lot of this work is completely normal. You want to understand how an electron app talks to its native add-on. You want to check what version of a library is inside a binary that you ship. You want to debug something that you do not have the source for. And now that kind of request can get

[01:05] caught in the same net. So, in this video, I want to show you a setup that still works for this, and it is also way cheaper. That is Lean REA with DeepSeek V4.1 flash running inside Panda code. So, let’s get right into it. There are three pieces to this setup. The first piece is Lean REA. If you did not see that video, here is the short version. REA is an MCP server with 207 tools. Under the hood, it mostly calls tools that are already on your machine, like asar for electron apps, o tool and nm

[01:35] for Mac binaries, go version -m for go binaries, and jad jad for Android. Lean REA removes that whole layer. It is 1 8 kilobyte skill file. It tells the agent which command is fastest for each kind of target. It gives it ready commands to paste and run, and it lists the small traps that the model can miss. The agent then just runs the real tools in its normal shell. In my benchmark with Sonnet 5.5, Lean REA was 38% faster than REA, 35% cheaper, and it used 56% fewer turns

[02:06] with the same accuracy. And because it has no tools, it barely touches your context. With all of REA’s tools loaded, one simple reply okay message used about 400,000 tokens. With LeanRaya, it was about 34,000. That last part matters a lot for this video. Because when you move to a cheaper model, you do not want to waste it on 400,000 tokens of tool definitions before it even starts. The second piece is DeepSeek V4.1 flash. I have tested it a lot on this channel. It got 81.25%

[02:36] on KingBench 3 with thinking at max, which put it above my older V4 Pro result and tied with Gemini 3.8 flash. It is also fast. And it is really good at agent work because DeepSeek trained it across many coding harnesses, including their own. And it does not get scared by normal reverse engineering work. You can ask it to extract an app, search the code, read disassembly, and explain what it finds, and it just does the job. The third piece is Panda Code. That is my desktop app for coding agents. It runs Claude Code, CodeX, Kimmy, Open Code, and a lot more in one window. And

[03:08] it also supports DeepSeek directly through DeepSeek’s own harness, which is called DSH. So, you get the nice interface, the Git panel, the terminal, the task board, all of that. But the model doing the work is DeepSeek V4.1 flash. Now, let’s talk about the price difference because this is where it gets kind of crazy. Sonnet 5.5 costs $2 per million input tokens and $10 per million output tokens. Cached input is 20 cents per million. Opus 5.5 is double that, $4 for input and $20 for output. DeepSeek V4.1 flash

[03:41] at off-peak hours costs 15 cents per million input tokens and 60 cents per million output tokens. And cached input is 3/10 of 1 cent per million. At peak hours, these prices double. So, 30 cents for input and $1.20 for output. So, at off-peak, DeepSeek is about 13 times cheaper than Sonnet on input and almost 17 times cheaper on output. On cached input, it is about 67 times cheaper. And if you compare it to Opus, double all of those numbers, and cached input

[04:12] is the big one for agents. An agent sends the same context again and again on every turn. So, most of your tokens end up being cash reads. That is exactly where DeepSeek has the biggest gap. Let me put that in real numbers. My whole Lean RYE benchmark run on Sonnet cost $2.17. Now, I have not run the same benchmark on DeepSeek yet, and a different model will use a different number of tokens, so take this with a grain of salt. But, even if you use the most careful ratio of 13 times, that same amount of work comes to around 16 or 17 cents.

[04:43] And because most of it is cash reads, the real number would likely be even lower. So, you go from a setup that refuses the task to a setup that does the task for pennies, which is just amazing. Now, let’s set it up. First, install PandaCode. Go to the PandaCode GitHub page, open the releases, and download the file for your system. I have a full video on it, which will be linked below. Next, install the DeepSeek harness. Open your terminal and run npm install -g @deepseek-ai/dsh. PandaCode finds it and runs it for you in the background. Then, add your

[05:14] DeepSeek API key. In PandaCode, go to settings, then providers, and paste your key there. You can also set it as the DEEPSEEK_API_KEY environment variable. Your key stays in your computer’s keychain, and PandaCode only sends it to DeepSeek. Now, install Lean RYE. In your project folder, run npx skills add ai-cocking/lean-rye. It asks which agents you use. If you want it in every project, add the -g flag. Now, open your project in PandaCode, start a new task, and in the

[05:46] model picker choose DeepSeek and pick v4.1 flash. Set the thinking effort to max. This matters a lot. When I tested this model with thinking off, the score dropped by almost 30 points. Then, type a slash, and you should see Lean RYE in the list. If your setup does not show it there, that is fine, too. Just tell the agent to read the Lean RYE skill file first. It only 8 kilobytes, so it costs almost nothing. Now, let’s give it a task. I’ll type /linear. How does the search feature in this app work? Show me the evidence. Now, watch this. It checks the file type first, then it

[06:16] extracts the app.asr file. It searches the code with Ripgrep using the UU flag, so it also looks in hidden folders. Then it finds the native function, the class that controls it, and the IPC channels. And it marks each claim as seen, inferred, or unknown. It also goes ahead and runs a ton of commands in one go because the skill tells it to batch small checks into one shell call. That is why it finishes in so few turns. And in PandaCode, you can see every command it ran, every file it touched, and how many tokens it used. You can even see an estimate of what the run would cost at

[06:48] API prices. So, you’re not guessing. Now, let me be fair here. DeepSeek V4.1 Flash is not the smartest model out there. On the hardest tasks, Opus 5.5 still does better. So, if you have a really deep disassembly problem, you may need more turns, or you may need to guide it a bit more. Also, your code goes to DeepSeek servers. If you’re working on something private for a company, check if that is okay first. There is also peak and off-peak pricing. If you run big jobs, try to run them at off-peak hours because the price is half. So, what do I think? I think this is the best way to

[07:18] do this kind of work right now. Linear gives the model the right commands without wasting context. DeepSeek V4.1 Flash is smart enough to use them. It does not refuse normal work, and it costs a tiny fraction of Sonnet or Opus. And PandaCode puts it all in one window with the cost tracking and the file changes right there. Claude Code and Codex are still great, and I still use them for a lot of things. But for this kind of work, this setup just makes more sense. Overall, it’s pretty cool. Anyway, let me know your thoughts in the comments. If you like this video,

[07:50] consider donating through the Super Thanks option or becoming a member by clicking [music] the join button. Also, give this video a thumbs up and subscribe to my channel. I’ll see you in the next one. Until then, bye. >> Mhm.