登录社区云,与社区用户共同成长
邀请您加入社区
端侧 AI WebGPU 实战第二篇,剖析 React 合成事件底层原理,封装 Progress 进度条组件,讲解 Props 传参、map 列表渲染、组件树,理解交互驱动状态变更的流程。
【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
摘要:DeepSeek Harness 的中文检索功能存在缺陷,使用 SQLite FTS5 的 unicode61 tokenizer 时,连续汉字会被视为单个 token,导致子串查询(如「Token消耗」「索引优化」)无法命中。解决方案采用 trigram tokenizer 双表 + 1-2 字 LIKE 回退 策略: 问题根源:unicode61 将连续中文视为单个 token,短语查询
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
刷到Anthropic的公告时是周五晚上。翻译成人话就是——后天开始,Claude Code不再逐条问你"可以执行这个命令吗?",而是。修改文件、运行脚本、执行git操作,全部自动。我当时第一反应是打开终端检查了自己的settings.json。不是因为我觉得Auto模式一定会炸,而是因为。
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
做完 v0.2.1 后,我对“AI 应用接入多个模型”这件事的感受更明确了。Ollama 调一次DeepSeek 调一次Qwen 调一次前端只能传 modelIdModel Catalog 是服务端事实源模型列表接口只暴露公开模型信息路由入口先校验 modelIdProvider Runtime 统一创建模型普通聊天和 /tasklist Agent 共用模型入口密钥只在服务端读取Provider
本文探讨了从底层异步并发到上层大模型 Agent 架构的演进链路。前半部分聚焦于 JS 异步控制,剖析了 Promise 状态特性,并通过代码片拆解了 Promise.all 的并发流收集机制。后半部分完成认知重构,对比了传统线性对话与 Agent 自主闭环的区别,阐述了 ReAct 标准框架与 LangChain 多消息模型。最后,结合基于 Node.js 与 DeepSeek 搭建的代码助手代
翻开 Hermes Agent 的源码,run\_agent.py。9200 行。看完之后,我意识到一件事。
前几篇文章我们讲了LangGraph的三大核心概念State、Node、Edge,还亲手写了第一个可运行的Graph。但如果你想做一个真正的对话Agent,会发现缺了点什么——**记忆**。
用 AI 48 小时做出一个完整移动 App,而且没写一行 Swift 或 Kotlin。这个标题听起来像魔法。但真正有价值的部分,从来不是那个数字,而是。这不是“按一个按钮,AI 就把 App 做完了”。。这个区分,决定了你最终拿到的是一个能用的产品,还是一个看起来能用、实则脆弱的幻觉。
这里用 ReAct 来写一个最简单的 Agent,调用 DeepSeek 的 API ,外加 CLI 进行多轮对话的 Agent。ReAct 拆开来 ,就是 Re + Act,Reasoning + Acting。先思考(我要做什么)→ 再行动(调用工具 / 回答)→观察结果→ 继续思考→ 再行动→观察结果,... ...,直到完成任务。
如果你经常使用 Cursor、Claude Code 或 Codex,大概率经历过这样的时刻:你让 Agent 修一个棘手的 Bug。它修改代码,运行测试,测试失败,再改,再测,再失败,再修复。十几分钟过去,日志刷了几百行,Token 烧掉几十美元,最后提交的 PR 里,仍然有一处边界条件没处理对。
越是结构清晰、链接完备的知识库,越容易让人产生“既然都写成这样了,应该已经很可靠”的错觉。它不是让模型再生成一篇漂亮总结,而是让模型像维护代码库那样,对整个 Wiki 做健康检查:看有没有互相矛盾的页面,有没有被新材料推翻的旧判断,有没有没人链接到的孤儿页,有没有已经频繁出现却还没有独立页面的重要概念,还有哪些知识缺口值得继续补齐。它最适合的用户,也往往不是只想“快速看个总结”的人,而是那些需要持
2024 年底,Anthropic 发布了 Model Context Protocol(MCP);2025 年底,Agent Skills 作为开放标准正式推出;到 2026 年初,Claude Code 已跃居开发者最喜爱的 AI 编程工具榜首。
cursor接入antd AI操作步骤
摘要: Claude Code在生成React代码时表现优异(82%一次通过率),但在Vue 3项目中质量明显下降(67%通过率)。这种差异主要源于:1)训练数据中React代码更多;2)React的函数式范式更易被AI理解;3)React生态有更多典型案例。不过,Vue的模板语法反而能约束AI生成更规整的代码,且通过自定义指令可提升生成质量(接受率提升至75%)。技术选型标准正在从"开
最近我测了比较火的AI生成UI工具,包括海外的Stitch、Claude Design,也有国内的Paico。这些工具不只做界面设计,还能联动代码层面的实现框架,设计和开发之间那条路慢慢开始打通了。
Boris Cherny*(Claude Code 创始人)和 *Pet*er Steinberger(OpenClaw 创始人)在同一周说出几乎相同的话:"别再手动提示 AI 了,应该设计让 AI 自己运行的 Loop。" 引起热议,但大多数人说不清 Loop 到底是什么。
这是根据deepseek总结的新手react八股文,用来应对一些简单的八股复习
默认开启,按需关闭:对于位移、缩放、旋转,必须开启,否则在鸿蒙低端设备上会出现明显掉帧。透明度单独处理:涉及opacity的动画,请直接设置。组合动画注意:如果你在一个或中同时使用了位移和透明度,只要其中包含不支持原生驱动的属性,整个动画配置通常建议设为false,或者将动画拆分为两组分别执行。
文章摘要 本文是对Claude Code复现项目的技术复盘,通过5个维度对比了自研Mini版与真实Claude Code的差距。作者用约300行Python代码实现了核心骨架,包括LLM调用、ReAct循环和基础工具集(文件操作、命令执行等),能够完成简单Bug修复、代码搜索等基础任务。但与真实系统相比,在工具数量(4 vs 20+)、上下文管理、错误处理、代码理解能力和性能优化等方面存在显著差距