登录社区云,与社区用户共同成长
邀请您加入社区
针对“Claude Code能帮你执行交易了,但数据从哪来?”这一问题——答案是:通过 QuantDash 量化数据 API,你可以用 3 行 Python 代码为 Claude Code 接入 A股、美股、港股的全市场行情数据。QuantDash 提供原生 Pandas/Polars 支持、服务器端前复权处理、统一的多市场代码格式(如 600519.SH、AAPL.US、00700.HK),让
本文实现一套山西文旅RAG智能问答系统。项目以408条本地文旅问答为知识库,使用BGE-M3完成语义向量检索,使用BM25进行关键词检索,通过RRF融合两路排序结果,并根据代码配置选择本地知识回答或Qwen增强生成。文章包含系统界面、项目结构、核心代码、向量分布、检索命中率及延迟分析。
DuckDB Java 驱动程序现在可以将查询结果作为按需获取的列式数据块序列返回,避免了 JDBC 逐行处理 ResultSet 及其单值开销。
1. AI“水电煤”涨价了DeepSeek的涨价标志着大模型API正在从“补贴获客”走向“商业盈利”的阶段。对开发者来说,优化Token消耗和成本控制将变得更加重要。2. “中国开源”成为关键词以阿里Qwen为代表的中国模型,正在从技术追随者变成全球开源生态的重要引领者,其生态影响力与日俱增。3. Java老兵新传Spring Boot生态依然活跃,版本迭代迅速,并且积极拥抱AI时代,为Java开
2026年3月,Java生态出现两个对立事件:OpenJDK颁布全面禁令,严禁任何AI生成内容进入贡献,理由是难以审查和追责;与此同时,两位Java专家却用ClaudeCode成功开发出18万行代码的JakartaEE运行时Vidocq,通过5650项官方测试。核心矛盾在于代码责任归属——Vidocq通过严格测试确保AI代码可靠性,而OpenJDK担忧未经验证的AI代码风险。这提示开发者:AI代码
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
本文通过手写一个最小 Agent,拆解 Agent Loop 的核心机制:模型基于 Messages 判断下一步,必要时通过 Function Calling 选择 Tool,程序执行后将 Tool Result 作为 Observation 写回上下文,再次交给模型继续决策,直到任务完成。文章结合天气查询与计算示例,说明终止条件、异常处理和执行轨迹的重要性,并进一步对照 DeepSeek Har
本文介绍了为DeepSeek Harness(DSH)设计的记忆增强架构,提出三层记忆系统(working/archival/core)和混合检索方案。核心思路是将索引转化为记忆通道,通过FTS5词法检索和sqlite-vec向量检索的RRF融合实现精准召回,同时利用事件元数据进行零成本标记。系统支持工具结果去重和KV-safe稳定注入,验证表明能有效提升上下文管理效率。该开源方案不依赖LLM元数
Harness 不是又一个 Agent 框架,而是一套让模型 真正能干完事 的执行系统。过去两年,大模型工程的关注点基本是这条线:模型 → Prompt → RAG → Agent。但凡真正跑过复杂任务就会发现一件事——模型能力只是 Agent 能力的一部分。一个模型再聪明,如果没有工具调用、没有环境管理、没有状态管理、没有执行循环、没有错误恢复、没有日志追踪,它照样很难稳定地把一件复杂事情干完。
本文介绍了在Windows环境下通过PowerShell和Python调用DeepSeek API的完整操作流程。主要内容包括:1)项目环境搭建(创建虚拟环境、安装依赖);2)API密钥的安全管理方法;3)项目运行步骤(进入目录、设置密钥、启动程序);4)常见问题排查指南;5)开发模式与正式发布的区别。重点强调了API密钥保护、虚拟环境隔离以及正确的项目启动方式,并提供了香蕉猫项目的具体操作速查卡
本文摘要: 本章详解了ctx.sandbox(沙箱服务)与ctx.approval(审批服务)的分工与故障处理原则。沙箱负责通过策略限制进程的文件访问边界(如只读/可写工作区),将原始命令包装为安全执行的ConfinedArgv,无可用后端时直接抛出错误,杜绝静默透传风险。审批服务通过瀑布式应答链决定单次操作是否放行,严格遵循"无应答则拒绝"的失败关闭逻辑。两者通过权限预设组合
使用 Python 语言连接 DeepSeek API,完成 AI 对话功能,主要使用 OpenAI 完成实现
在传统的后端开发流程中,搭建一个生产级的 Go 微服务是一项系统工程。开发者需要手动完成:项目结构规划、依赖管理(go modules)、路由框架选型(Gin/Echo/Fiber)、数据库连接池配置(GORM/sqlx)、中间件链设计(日志、限流、鉴权)、Swagger 文档生成、Docker 容器化、以及 CI/CD 流水线搭建。对于一名经验丰富的 Go 工程师,从零到可部署状态通常需要 4-
本文拆解了 DSH 底层框架 Cordis 的插件模型,回答一个核心问题:长运行、可热更新的 Agent 系统需要什么样的插件机制?文章从“工具到底依赖谁”这个具体矛盾切入,逐层展开五个核心概念——Fiber(生命周期)、Context(作用域)、inject(依赖声明)、provide(服务提供)、effect(可逆副作用)——并说明它们如何共同解决插件在动态环境中的组合、替换和撤销问题。
对于同时调用GPT、Claude、Gemini、DeepSeek等模型的企业和个人开发者来说,OpenRouter最大的价值在于把分散的模型供应商放进一套相对统一的API体系。OpenRouter官方目前仍提供数百个模型访问,并具备Provider Routing和模型Fallback等机制,因此从产品形态来看,它依然是典型的。但在国内开发环境中,问题往往不只是“模型有没有”,还包括跨区域网络链路
在 Hermes Agent 中使用 OpenCode Go 订阅非常简单,主要有三种配置方式。OpenCode Go 是 opencode.ai 推出的 **$10/月**(首月 $5)的模型聚合订阅服务,用一个 API Key 即可访问 Kimi、DeepSeek、Qwen、GLM、MiniMax 等多款模型。
大语言模型(LLM)agent 从"对话工具"演进为"自主行动体"后,其运行时安全成为系统设计的关键议题。以 DeepSeek Harness(`dsh`)为代表的 agent harness 采用"一切皆插件"架构,插件以**同进程同权限**方式注入宿主,获取与宿主相同的文件系统、网络、子进程与凭据访问权限——这一形态使既有安全机制面临三重结构性缺口:**审批是一次性问答而非可持久化规则集;插件
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。
这次对比让我看清一件事:通用大模型不是"写不出功能",而是"想不到边界"。DeepSeek-V3的动态审批链、预算控制、发票幂等都写了,但预算释放没有占用记录表、部门权限设计提到却没实现、状态校验散落各处改漏就出bug。飞算JavaAI的27个关键点拆解中提到的每个技术点,代码里都有对应实现,17张表比DeepSeek的9张多了预算占用记录表和审批规则配置表——多出来的不是冗余,是业务理解的深度。
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)
现在再拿“用户表增删改查”测试 AI 写 Java,已经很难看出模型之间的真实差异了。Controller、Service、Mapper 都能生成,并不代表模型真正理解了业务。到了优惠券系统,难点往往藏在那些不显眼、但一出问题就会造成资损的细节里:同一张券能不能被重复领取?核销和退款并发发生时,状态会不会被覆盖?Redis 锁释放失败怎么办?数据库更新时有没有把身份、状态和有效期一起校验?为了观察
框架不强制绑定 DeepSeek 自有模型,所有输出遵循 OpenAI 对话接口标准,支持接入国产大模型、多模型聚合网关。方式一:WebUI 可视化配置(适合调试) 新增自定义模型提供方,重点注意 Provider ID 一旦保存无法修改,填写错误只能删除重建。需要录入基础地址、API 密钥、协议类型,可自动拉取远端可用模型列表。方式二:编辑 settings.yaml(适合自动化、容器部署) 通
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
本文介绍Claude Streaming流式输出技术。相比同步调用需等待整段生成,流式调用通过stream=True参数实现逐token返回,用户可实时看到文字蹦出来,大幅改善交互体验。文章介绍7种事件类型,其中content_block_delta是获取文本的关键。提供完整Python示例与SDK最高层text_stream封装。核心踩坑包括:记得flush=True防止缓冲、先判断事件类型再访
产线多协议解析卡顿、if-else嵌套地狱让人崩溃?本文用实际案例教你用DeepSeek生成Qt解析器核心框架。采用正则+状态机+AI分支裁剪三层架构:正则快速定位帧头特征应对串口粘包,状态机处理时序乱流,AI裁剪降低代码复杂度和开销。包含Modbus RTU、CanOpen等协议的关键实现代码与坑点提醒(如正则回溯、字节序转义),助你将三天排查压缩到三小时,直接改改就能用。
本文介绍Claude Batch API的成本优化方案。Batch API通过"延迟换成本",将输入输出token价格直降50%,单次最多支持10万个请求,几小时内完成。结合Prompt Caching技术,成本最多可省77%。文章提供完整Python封装代码,核心要点包括:用custom_id保证结果可溯源、检查request_counts确认处理状态、注意24小时超时限制。适用于批量分类、离线
DeepSeekHarness是DeepSeek团队开源的大语言模型评测框架,用于系统化评估LLM的能力与性能。该框架支持主流评测基准(如MMLU、C-Eval等),可加载自定义数据集,兼容多种推理后端(vLLM、HuggingFace等),并提供细粒度指标分析。其模块化架构包含配置解析、数据加载、任务执行、结果聚合等功能,支持Python API扩展自定义评测任务。典型应用场景包括模型能力摸底、
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