登录社区云,与社区用户共同成长
邀请您加入社区
本文是一篇详细指导如何在LangChain中调用不同大模型的教程,主要面向新手开发者。文章首先区分了LangChain中的两类模型:LLM文本模型和ChatModel对话模型,并指出其关键区别在于是否需要使用.content获取输出。 文中提供了多种主流模型的原生调用方法,包括DeepSeek、通义千问、OpenAI、Ollama本地模型和vLLM本地推理服务,对每个模型的关键参数进行了详细解释。
文章摘要 本文是端侧AI WebGPU实战系列的第三篇,重点讲解如何实现动态进度条并深入解析React的state与props概念。主要内容包括: 进度条实现:将静态进度显示改造为可视化进度条,使用双层div结构(外层轨道+内层动态填充条),通过内联样式style={{width: ${percentage}%}}实现宽度随进度变化。 数据格式化:通过formatBytes函数将字节数转换为易读单
【摘要】DeepSeek Harness(DSH)记忆插件生态半年内涌现20+项目,形成功能重叠但未饱和的市场。本文通过GitHub API数据梳理生态全景(含License自查),指出当前插件多基于存在中文缺陷的官方sessionQuery构建,导致中文召回普遍受限。重点分析三个百星项目(dsh-memory-evolve/dsh-mnemon/dsh-noema)的差异化特性,提出"修地基而非
本文介绍了如何在DeepSeek Harness(DSH)平台上实现Agent技能的自我进化机制。DSH原生技能系统采用Markdown文件+YAML格式存储技能,通过技能管理器工具(skill_write、skill_delete、skill_list)实现技能的增删查操作,并保证原子写特性。核心创新是"后台反思蒸馏"循环:定时扫描会话事件,通过严格JSON契约的LLM调用进行技能提炼,将有效技
AI医疗行业正加速渗透医疗产业各环节,从影像诊断、药物研发到健康管理,展现出巨大潜力。本文系统梳理了AI医疗行业概况、发展现状及细分领域(医学影像、药物研发、医学检验、医疗信息化、健康管理),并分析产业链、竞争格局及未来市场空间。2025年DeepSeek-R1大模型的推出显著降低开发门槛,推动AI医疗普及。政策端,《卫生健康行业人工智能应用场景参考指引》等文件为行业提供明确方向。AI医疗有望解决
文章摘要: DeepSeek Harness(DSH)通过「事故复盘」文化系统性解决工程问题,核心在于分析为何流程未拦截bug,而非仅修复代码。复盘需满足隐蔽性、系统性、高复发代价三个条件,聚焦四问:问题现象、根因、防护缺口、新增防护措施。以四个实际案例(如插件加载顺序错误、配置误判等)为例,强调测试需覆盖真实入口路径,避免「单元全绿但产品故障」。文档维护遵循「一个事实一个家」原则,确保一致性。最
下一个测试,我让 DeepSeek-V4-Pro 复刻一个苹果网站,想要看一下 DeepSeek-V4-Pro 和 DeepSeek Harness 的浏览器观察、视觉拆解、前端实现、滚动动画、响应式和自我验证能力。因为我没开过这些服务。这个鹈鹕除了瘦一点之外,别的没什么问题,而且主要我很喜欢他的腿部能够跟着脚蹬子做圆周运动,这是我觉得做的最协调的一个测试了,直接给大家看看 gif 版本。这次可以
【摘要】DSH-EasyRewrite插件针对DeepSeekHarnessWeb用户高频需求设计,主要解决消息编辑与撤回的体验断层问题。作为后发产品,其以"惰性、无痕、零丢失"为核心特性,集成内联编辑、撤回、版本翻页等创新功能,通过原生级UI融合和细节优化实现断层式增速。插件支持撤回确认前内容零修改、气泡原位编辑、多会话草稿持久化及自动备份,并兼容三语界面与全功能开关。其成功
最近我尝试把 DeepSeek Harness 做成一个类似 Codex 的 Windows 桌面程序。最终实现的功能包括:一键启动 DeepSeek Harness独立的 Electron 桌面窗口开机自动启动桌面快捷方式插件管理界面Wallpaper Engine 动态壁纸程序、插件、缓存和会话尽量存放在 D 盘不再需要每次手动打开浏览器地址本文记录完整的实现思路、目录结构、打包方法,以及过程
本文介绍了Cordis框架中的插件生命周期管理机制。核心是通过Fiber状态机(包含PENDING、LOADING、ACTIVE、FAILED、UNLOADING、DISPOSED六个状态)来管理插件从加载到卸载的全过程。插件采用依赖驱动加载模式,通过inject声明所需服务,所有依赖就绪后才会执行apply。框架提供自动清理机制,通过ctx进行的注册(如事件监听、工具注册等)会在卸载时自动撤销,
插件之间怎么松耦合通信?事件就是 Cordis 的通信核心机制。Harness 大量使用事件来实现可扩展的扩展点,这一篇把五种分发模式讲清楚。
文章摘要: 服务是插件公开的命名能力,Harness中通过ctx.tools、ctx.llm等挂载。插件通过inject声明必需依赖,框架确保服务就绪后加载插件,否则插件保持PENDING状态;可选依赖需用ctx.get()动态查询。若必需服务消失,依赖插件会自动释放并随服务恢复重新加载。自测答案: 必需服务;2. PENDING;3. 不写inject,用ctx.get()查询。(约150字)
这个项目展示了浏览器端运行大模型的巨大潜力。通过 WebGPU + Transformers.js,我们可以在完全离线的环境下运行一个 1.5B 参数的推理模型,而且用户体验相当流畅(在中高端设备上 tps 可达 20+)。技术栈的核心思想WebGPU 让浏览器拥有了接近原生的 GPU 计算能力Transformers.js 将 HuggingFace 生态带到了前端Web Worker 保证了
DSH Desktop 是将开源 DeepSeek Harness(DSH)Agent 工作台封装成的 Windows 桌面应用。内置完整 Node.js 运行时与 DSH 服务端,无需安装开发环境,双击即用。支持一键启停服务、系统托盘常驻、应用内目录浏览器(可跨盘选工作区)及控制台面板。Electron 框架,离线自包含,安装包约 154MB,首次安装约 3—7 分钟。不含个人凭据,可安全分发。
用于故障转移,当主模型无法访问时,启用备用模型。{'messages': [HumanMessage(content='你是啥模型', additional_kwargs={}, response_metadata={}, id='a5bef311-6a1e-4ec0-a5d5-8510e0024226'), AIMessage(content='我是 DeepSeek 最新版模型,由深度求索公司
源自 Palantir 前沿驻场工程师理念,不再单纯交付模型 / 代码,而是。核心痛点:解决行业三大断层,是业务执行主体。;周红伟体系中将其定义为。模型 = 大脑;Harness = 神经系统 + 运行环境,负责工具调用、权限沙箱、插件管理、链路可观测、任务循环、外部系统互通。。模型、工具、Agent 循环、沙箱、子智能体全部支持热插拔替换,不再绑定单一运行内核。
Google 又给 Gemini 换了一台更快的发动机。8 月 15 日,,Gemini 3.7 Flash 已开始向 Gemini 聊天中的 Google AI Pro 和 Ultra 用户开放。与此同时,Google 的个人 AI 智能体 Gemini Spark 也已转用 3.7 Flash。这次更新没有把宣传重点放在知识问答、写诗或图片识别上。Google 反复强调的是多步骤任务、指令遵循
UCloud 接入 DeepSeek Harness 的关键做法不是重新封装一套云 API 客户端,而是把随 ucloud-cli 发布的 bundled skill 注册到 DSH,让 Agent 按规则调用官方 CLI。这样可以把凭据留在官方 CLI,把执行边界写进 skill/references,把错误诊断、自动修复和停止条件固化到规则文件中。
这篇文章我们完整拆解了一个"浏览器本地大模型"应用。浏览器跑大模型是可行的,靠的是 WebGPU 提供 GPU 算力 + 量化压缩模型体积;架构上采用主线程 + Web Worker分离:Worker 负责吃力的推理,主线程只做渲染,两者靠消息协议通信;流式输出是体验的关键,靠逐个 token 解码回调,主线程增量拼接实现"打字机"效果;思考/回答的区分利用了<think></think>特殊 t
推出了一款名为"桃濑日和"的虚拟伴侣插件,为AI工作台增添温暖陪伴感。该插件提供暖色皮肤、樱花飘落特效,以及原创角色"桃濑日和"常驻右下角,能跟随用户鼠标移动并作出自然互动反应(眨眼、点头等)。特色包括:基于本地规则的状态感知(任务完成/报错时自动反馈)、严格的隐私保护(不读取对话内容)、完全离线运行。用户可通过GitHub安装,支持皮肤与角色功能独立开关。该项目旨在为工具类产品注入情感化设计,所
安装一个第三方插件,本质上是一次授权——授权它读你的文件、连它的服务器、动你的凭证。问题是:你真的知道它要什么权限吗?
使用CC,根据REAME.md也就是我mujoco-learning仓库的说明来生成一个介绍网页,完成度还可以,速度目前只有15tps,目前先玩到者,obs一开好卡。后面又试了下其他的任务,看起来表现还可以,plan和调用子agent和tool都比3.6合理且有效。11点过后开始下载如下的模型,先下载nvfp4的试试。DGX Spark 一如既往的慢。
最近看到几个团队反馈,Codex 和 Claude Code 在个人手上跑得挺顺,一接到协作项目就出问题。有人吐槽工具调用经常失败,有人抱怨记忆管理混乱,还有人发现规划能力在复杂任务面前根本扛不住。我仔细复盘了几个项目,发现这背后其实是 Agent 核心原理没吃透。今天不聊虚的,直接拆解工具调用、记忆和任务规划这三个核心模块,以及它们在团队协作中为什么会翻车。Agent 的核心原理不难理解,工具调
摘要:DeepSeek Harness(dsh)支持通过配置文件接入自定义模型提供商,无需修改代码。主要配置文件包括热重载的settings.yaml(主配置)和存储凭据的.credentials.yaml。llm-pi-ai插件是多协议通用提供商,默认休眠,激活后支持OpenAI兼容、Anthropic等协议,需注意协议和推理级别是路由级设置。llm-deepseek是官方DeepSeek AP
谁说前端只能写页面?当浏览器遇上 GPU 加速,1.5B 参数的大模型也能在你电脑上流畅推理,而且全程数据不出设备。这篇实战笔记带你从零搭建一个纯浏览器端的 DeepSeek-R1 对话应用。
摘要 本文是《DeepSeek 辅助编程实战》系列的完结篇,介绍如何使用 DeepSeek 实现航次计划系统的前端开发。文章详细讲解了项目搭建、核心页面开发和前后端联调过程。 技术栈 Vue 3(Composition API) Element Plus(UI 组件库,适用于企业级中后台系统) Axios(HTTP 请求封装) Vite(构建工具) 项目搭建 使用 Vite 初始化 Vue 3 +
deepseek8月17号零点正式生效,采用峰谷定价——高峰时段贵,空闲时段是高峰的一半。高峰时段定义为北京时间9:00-12:00和14:00-18:00,其余时间算空闲。
VSCode隐藏功能可显著提升编码效率:1)自定义代码片段一键生成重复代码(如React状态、调试语句);2)多重光标编辑批量修改相似内容;3)命令面板快速重构(F2重命名、F12跳转定义);4)Emmet扩展支持JSX快速生成。这些技巧能减少50%重复操作时间,特别适合React开发、调试
本文继续完善 WebGPU DeepSeek 的模型加载流程,讲解 `AutoModelForCausalLM`、`q4f16`、WebGPU 推理配置与模型预热,并使用 `progressItems` 展示多文件下载进度。文章重点分析 React 函数式状态更新如何避免闭包旧值和并发更新丢失,最后从整体结构到输入框、条件渲染和操作图标,逐层拆解 `App.tsx` 返回的聊天页面。
本文从开发者实际需求出发,对比了GPT-5.6和Gemini 3.x的核心差异。GPT在代码执行、工程工作流和工具调用方面表现突出,适合复杂编程任务;而Gemini在多模态处理(视频/音频/PDF)和Google生态整合上更具优势。两者均支持百万级Token上下文,但需注意超长文本的成本阶梯定价。结构化输出、模型路由和任务拆解是提升效率的关键技巧。选型应基于具体场景:代码开发优先GPT,多模态分析
就是 ReAct 的"工作记忆"。它之所以成为 90% 生产级 Agent 的默认架构,就是因为这个"想→做→看"的循环足够通用——不管你的任务是查天气、做研究、写代码还是排查 bug,都可以用这个模式来处理。比如工具返回了一堆 HTML 或者报错的 stack trace,LLM 不知道该怎么理解这个结果,就决定"再试一次"——然后又得到一样的结果——然后又"再试一次"……:给 Agent 提供
若 nums[i] > nums[i-2]:inc1 = max(inc1, dec0_prev2 + 1)· 若 nums[i] < nums[i-2]:dec1 = max(dec1, inc0_prev2 + 1)// 更新 i-2 状态为旧的 i-1 状态(即本次迭代前的 inc0/dec0)// ---- 删除 i-1(跳过中间元素) ----// ---- 正常延续(不删除 i-1)
学历验证是 Function Calling:模型自己决定调工具、传参,结果回喂后总结,解决"操作外部系统"。RAG是检索增强:知识先向量化存库,提问召回片段喂模型,解决"基于私有知识准确作答"。共同:走百炼地址、用 qwen 系列;都把脏活封装成独立函数、主流程只做编排。
从上一篇文章中,学完之后已经可以通过创建agent来跟大模型对话,并且在创建agent的时候,发现是可以指定tools的。上面案例中是用到了质谱的一个搜索的mcp服务,mcp的链接需要用到一个api调用的apikey ,邀请注册链接:https://www.bigmodel.cn/claude-code?配合UI页面调用的话效果如下:在与AI对话的时候,会自动的帮我们去调用工具进行搜索。更多的mc
本文介绍如何从零搭建一个Vue 3 + Vite的流式输出Demo,通过调用DeepSeek API实现SSE(Server-Sent Events)协议的数据流处理。项目结构包含标准Vue 3单页应用的配置,核心依赖为Vue和Vite。重点解析了App.vue组件,展示如何实现输入问题、调用API、流式接收数据并实时渲染的完整链路。通过v-model实现双向数据绑定,利用Vue 3的响应式特性自
当模型数量从几个增加到 500+,平台面对的核心挑战已经从“能否生成”转向“能否治理”。无论是 DeepSeek + Kling 视频生成,还是 Vidu TTS 语音合成实战,本质上都不是两个接口的简单串联。DeepSeek V3、Gemini 3.6、Midjourney、Vidu TTS、Suno、Kling V3、Wan 2.7 等控制台路由可以覆盖不同任务,但它们不会自动形成稳定生产线。
目前,Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite 正在 Gemini App 中陆续上线,开发者也可以通过 Google AI Studio 和 Android Studio 的 API 使用新模型。至于正在内测的 Gemini 3.5 Pro,以及已经开始训练的 Gemini 4,或许才是 Google 留给下一次能力跃升的真正看点。最后,关于 Google
这是一个系列 Blog,作者将以一个 PHP 全栈工程师的身份,利用 AI 工具(claude code、codex、deepseek、豆包等):从零开始学习 golang 语言,并最终完成 ai-go-mall 项目的制作,全程记录分享。