架构标签_DeepSeek技术社区

架构

DeepSeek Harness、WorkBuddy、Codex 怎么选：先分清结果和改造权

新的 Agent 工具出现时，很多人会习惯性地让几个产品跑同一个任务，再比较谁响应更快、回答更长、代码更顺眼。这种方式适合判断“今天用哪个工具”，却不一定能回答另一个更重要的问题：某个运行时是否适合成为团队长期依赖的底座。DeepSeek Harness 的相关素材里有一个值得注意的判断：如果目标只是让 AI 完成网页、PPT、报告或代码，WorkBuddy、Codex 这类成品工具通常更直接；

大报言看
2026-09-16 10:34:42

 158

#人工智能 #架构
给数字人接上 DeepSeek 之后，问答能力到底提升了多少？

公开评测中，DeepSeek 新一代模型的研究生级推理（GPQA）成绩从上代的约 59 分提升到约 73 分，这类推理能力的增强，直接反映在“把复杂问题讲明白”的水平上。这篇文章不吹不黑，把提升的部分、没提升的部分，以及真正改变游戏规则的变量，逐层拆开讲清楚。真正成熟的方案，从来不是把大模型接上就完事，而是用大模型负责“怎么说”，用知识库负责“说什么”，用本地部署解决“能不能用”。没有大模型时，每

 时空节拍AI数字人
2026-09-16 10:11:27

 510

 5

#人工智能 #语音识别 #3d +2
别让“一套内容”拖垮品牌AI声量：DeepSeek与豆包优化路径解析

《生成式引擎优化实践中的内容适配困境与解决方案》摘要：在生成式引擎优化(GEO)实践中，企业常面临不同AI平台的内容适配难题。研究发现，豆包偏好结构化、步骤化的本地化内容，而DeepSeek更倾向逻辑严谨的深度分析，二者在内容结构、信息权重上存在根本性差异。强行采用"一套内容通吃"策略往往导致品牌在两端均表现不佳。更有效的解决方案是构建内容矩阵：先产出权威母版内容，再衍生适配

 xiongmaogeo
2026-04-25 15:56:46

 561

 9

#人工智能 #架构 #大数据
豆包/DeepSeek/Gemini用户都在问什么？2026 GEO优化实战：让你的品牌被AI“优先推荐”

AI时代品牌营销新战场：GEO（生成式引擎优化）崛起随着AI原生应用月活突破4.4亿，消费者正从传统搜索转向AI直接提问，品牌营销迎来范式转变。数据显示，豆包、DeepSeek、GoogleGemini三大平台日均处理数百亿次问答，其中知识查询、消费决策类问题占比显著。GEO（生成式引擎优化）成为关键策略，其核心是让AI在生成内容时优先推荐品牌，这与传统SEO形成本质区别。目前金融、教育、消费品

 xiongmaogeo
2026-04-27 16:07:40

 574

 6

#人工智能 #大数据 #架构
【AI Agent】DeepSeek Harness（dsh）源码与架构深度分析

官方 SAFETY.md 更直接指出：项目尚未经过安全审计，不能视为 secure / production-ready。官方 architecture.md 明确说明：Cordis 是 dsh 的基础框架；model adapter、tool registry、session log、agent loop 本身也都是 plugin，因此可以通过配置替换。官方甚至明确写出：不存在需要 patch

宁教主
2026-08-30 00:13:45

 1099

 16

#架构 #人工智能
AI Agent + 数字人：下一代智能体的终极形态？

以时空节拍旗下时空镜3D数智人交互平台为例，其"智慧大脑"模块采用"大模型+智能体+问答库"三层架构，在DeepSeek等大模型底座之上接入扣子智能体，让数字人既能通过问答库保证专业口径的准确性，又能通过智能体实现任务级的主动执行；再往前一步，还有"多智能体协同"的想象空间：一个数字人前台背后，可以挂着排班调度、知识检索、业务办理等多个后台Agent协作运转，用户面对的始终是一个"人"，而复杂度被

 时空节拍AI数字人
2026-08-29 10:53:17

 550

 20

#microsoft #大数据 #人工智能 +3
数字人大模型生态：DeepSeek、文心、通义、豆包谁更适合？

以时空节拍旗下时空镜3D数智人交互平台为例，其"智慧大脑"模块采用大模型+智能体+问答库的三层架构，已实现对DeepSeek、扣子智能体等多种主流模型的接入支持，同时提供问答库定制、多并发、敏感词屏蔽能力，问答缓存后交互响应时间不超过3秒，支持公有云、私有云和本地部署三种交付方式。这种"平台管体验、模型可插拔"的架构思路，本质上是把选型风险从"一次性决定"变成"可持续调整"——今天政务项目用本地部

 时空节拍AI数字人
2026-08-28 10:07:46

 1214

 37

#人工智能 #百度 #大数据 +2
Qwen4 架构预览解读：GDN+QSA 混合注意力如何把激活参数压到 6B

让「该算的才被算」——GDN 管 FFN 动态路由，QSA 管注意力稀疏检索，Gated Residual 稳住多路径训练，N-gram Embedding 在不动激活的前提下扩容。四者合力，把 125B 总参数的模型压到了 6B 激活的推理成本。对企业来说，这意味着前沿模型私有化的门槛又低了一截。如果企业想把 Qwen4 架构的能力稳妥地落到自有服务器、又不想从零搭建推理与运维链路，可评估环曜企

 2401_85300269
2026-08-27 10:13:56

 835

 18

#架构 #人工智能 #开源
Qwen3.8-Flash-Next(Qwen4架构预览模型)

Qwen3.8-Flash-Next 是官方「Qwen4 架构预览机」:125B 总量、每 token 仅激活 6B,叠加51B 可存显存外的 N-gram 条件记忆。它用四条创新回答「如何又大又便宜」——超级稀疏 MoE、N-gram 条件记忆、QSA 微块级稀疏注意力、GDN 线性注意力混合层(48 层为12×(3 GDN + 1 QSA)),配合门控残差与 Muon 优化,约 1/3 tok

缘友一世
2026-08-26 22:33:49

 867

 10

#架构
当Gemini 3.0横空出世，DeepSeek-V3.2如何用开源打破垄断？

DeepSeek-V3.2以开源路线对抗国际巨头，通过DSA稀疏注意力机制、可扩展GRPO训练框架和大规模合成Agent数据集三大创新，实现性能追平Gemini 3.0 Pro但价格仅为1/5。文章介绍了其技术突破、实战表现及开源战略意义，承认仍有约10%差距但正在快速缩小，预示新一代模型即将到来，展现了中国AI在资源劣势下的自主创新能力和技术自信。

上马定江山
2025-12-11 13:38:13

 1465

 16

#开源 #人工智能 #自然语言处理 +3
Qwen3.8-27B 本地部署实践：单卡最强原生多模态模型的架构演进与趋势解读

单卡部署不再是梦！🚀 本文手把手带你实战 Qwen3.8-27B 本地部署，揭秘其原生多模态架构如何突破显存与性能的“算力鸿沟”。从 FP8 量化到 vLLM 推理，一文读懂单卡最强模型的演进逻辑，助你低成本解锁企业级 AI 能力。💡

yweng18
2026-08-24 21:00:53

 668

 5

#架构
制造业痛点拆解：为什么在 AI 搜“行业供应商”时，全是同行却唯独没有你？（附技术原理与 RAG 优化解法）

上周一位做精密注塑与模具制造的企业老板找到我，丢过来几张截图。他用 DeepSeek、Kimi 和豆包分别搜索了“华南地区前五的大型精密注塑件供应商”以及“医疗级模具定制厂家推荐”，结果大模型列出了 4~5 家同行的名字，甚至详细列出了同行的厂房面积、认证资质和核心客户案例。他非常郁闷：“我们在华南做了十五年，厂房上万平，ISO、IATF 16949 资质齐备，客户还有上市公司。如果你也有同样的困

 cmh131419
2026-08-22 13:31:51

 355

 5

#人工智能 #架构
Qwen3-LoRA微调实战-从数据到部署的一个尝试

当一个跑了一年多的基于 LLM 自动化流程积累了超过万条真实数据后，我产生一个想法：能不能用这些数据训练一个专用小模型，然后把 API 调用替换成本地推理，这样能够显著减少数据外出风险，同时也能学习到模型微调相关的知识（我承认这是一个主要目的）？因此有了本文，记录了从动机到落地的完整思路。

小马不会过河
2026-08-22 10:45:00

 465

 10

#人工智能 #大数据 #算法 +3
我从 DeepSeek Harness 的讨论区里，反推出了一套端云协同 Agent 的架构

从 DeepSeek Harness 的讨论区里，反推出了一个神秘团队的技术架构先交代下我是怎么注意到这事的。这可能是执行类 Agent 的一个典型范式

 zuosma6
2026-08-21 12:23:52

 608

 7

#架构
GUI Agent 企业内网落地：看懂屏幕前先锁好三道权限

本文探讨GUI智能体（GUI Agent）接入企业内网时的安全权限治理方案。随着阿里Qwen-UI-Agent等开源项目在真机基准测试中的优异表现，GUI Agent已具备实际部署能力。然而，相比传统API Agent，GUI Agent能读取屏幕所有内容并模拟点击操作，继承了人类操作员的全部权限，却缺乏人类的风险直觉，带来UI钓鱼欺骗、破坏性点击和静默外泄三类威胁。为此，作者提出"三道闸"治理

 2401_85300269
2026-08-21 10:26:13

 725

 20

#人工智能 #数据库 #安全 +1
给 DeepSeek Harness 装上记忆：三层记忆架构 + 混合检索(RRF) + 工具去重

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

 是翎哟
2026-08-21 06:08:58

 900

 14

#jvm #人工智能 #python +4
Qwen技术架构与源码深度剖析

Qwen3.8与Qwen3.6技术架构解析核心摘要阿里巴巴Qwen系列大模型实现两大技术突破： Qwen3.8-Max旗舰版：2.4万亿参数MoE架构，仅激活950亿参数实现高效推理，在第三方评测中综合能力全球第二，支持百万Token上下文和原生多模态能力，首次开源Max级模型权重（4.89TB BF16版本）。 Qwen3.6私有化部署版：35亿总参数MoE模型仅激活3亿参数，使大模型首次适

 zhengliebin
2026-08-20 23:33:22

 531

 5

#架构 #人工智能 #系统架构 +2
DeepSeek技术架构与源码分析

DeepSeek技术架构与源码分析摘要 DeepSeek系列模型通过"以轻驭重"的工程化理念，在算力受限条件下实现高性能。开源生态包括从轻量级推理模型到超大规模MoE模型的完整矩阵，采用MIT许可证，在GitHub和ModelScope平台同步发布。核心模型分析： DeepSeek-R1蒸馏版：通过动态知识蒸馏框架（特征层/输出层/任务特定三层蒸馏）实现小模型高性能。R1-0528版本在数学推理

 zhengliebin
2026-08-20 23:32:50

 419

 3

#架构 #人工智能 #系统架构 +2
API 告别低价时代：面对 DeepSeek 涨价，应用该如何架构自救

高峰时段算力挤兑，推理成本居高不下，补贴式低价模式难以为继，峰谷定价就此登场：工作日白天高峰价格翻倍，凌晨、周末维持平峰价格，同时区分缓存命中 / 未命中两套计费标准。切换模型不是填一个 API 地址就完事，结构化输出、Agent 规划能力、输出风格、上下文对齐都会发生偏移，上线前必须做完整回归测试，很多项目踩坑就在这里：以为无缝平替，上线之后业务大量异常。本次调价缓存命中与未命中价差巨大，精简

 FreeTinker
2026-08-20 10:41:27

 375

 5

#架构
70B模型跑在24G显卡上？2026大模型私有化部署，一张图帮你选对路

2026年大模型私有化部署指南：开源模型能力提升，部署工具成熟，提供场景化选型方案。开源模型如Kimi K3、DeepSeek-V4-Pro等已具备1M以上上下文处理能力，量化技术让消费级显卡运行27B参数模型成为可能。决策图涵盖个人PC、企业API、长文本RAG等场景，推荐Qwen3.8-27B（个人）、DeepSeek-V4-Flash（企业）、Llama 4 Scout（长文本）等模型。FP

zhengliebin
2026-08-19 09:36:01

 468

 6

#人工智能 #微服务 #架构 +4
【deepseek-harness】DeepSeek Harness (dsh) 系统级架构分析之一

core/agent定义接口但不实现它；实现该接口并通过注册。这使得消费者可以仅依赖ctx.agents而不需要直接依赖包。

张忠琳
2026-08-19 06:29:51

 685

 10

#架构
Claude Code 高效省 Token 综合指南：从上下文架构到工作流优化

Claude Code 的 Token 消耗本质上是一个上下文管理问题，而非单纯的提示词精简问题。本文综合多篇关于 Claude Code 省 Token 与提效的实践指南，系统梳理了从项目记忆、提示词工程、模型选择、工作流设计到工具链优化的完整方法论。核心结论是：要获得 60%–80% 的 Token 节省，必须设计好上下文架构——控制自动注入的上下文、缩小任务搜索范围、及时压缩会话、把高噪音工

 天空之城--
2026-08-19 05:55:59

 300

 5

#架构 #java #运维
做非结构化数据处理的架构选型思考：RPA结合NLP、OCR的组合方案，这5个维度决定落地成败

而且它的AI功能采用用户自行对接各平台API的方式，费用透明，想接文心一言、DeepSeek还是Kimi，自己说了算，不存在数据被中间商截留的风险。AI读图、AI理解、AI写脚本、AI执行——听起来很酷，实际上AI生成的自动化脚本稳定性极差，页面元素一变就崩，每次修复都得重新调prompt，token还烧得飞快。AI智能优化元素路径这块，你甚至不用学晦涩的xpath语法，对着页面用自然语言描述一句

 HAHAXX8
2026-08-18 16:27:05

 500

 16

#自然语言处理 #架构 #rpa
DeepSeek Harness 核心架构深度解析：Cordis 插件系统是如何运转的

摘要 DeepSeek Harness（DSH）的核心架构Cordis采用"一切皆插件"的设计理念，模型适配器、工具注册表等所有组件均为可动态替换的插件。系统分为三层：底层Cordis微内核管理插件生命周期；中间层通过Profile、Bundle、Patch三级配置机制灵活组装插件组合；顶层提供四种预设运行模式。插件系统基于五个核心概念（插件写法、Context、Service、Fiber、inj

程序员z7
2026-08-18 14:51:16

 887

 13

#架构 #网络 #服务器
DeepSeek Harness 的 Trajectory 不该只当日志：用分叉、压缩和回放治理 Coding Agent 上下文

Agent 任务可能因为模型超时、进程重启、开发者下班或权限等待而中断。恢复时若只读取最后一条消息，很容易遗漏未完成工具、未写入事件和已经变化的工作区。当前仓库版本是否与中断时一致。是否有工具进程仍在运行或已经产生副作用。最后一个检查点之后有哪些未确认事件。权限租约、密钥和外部服务状态是否仍然有效。上下文策略和插件版本是否发生变化。人工是否修改了任务目标或停止条件。只有这些检查通过，才能从检查点继

 奈斯先生Vector
2026-08-18 14:50:37

 595

 15

#人工智能 #AIGC #开源 +1
从冗余迭代到极致精简，大模型Attention架构与KVCache全链路演进实录

摘要（150字）： 2023年AI应用场景爆发推动大语言模型架构高速迭代，传统Transformer的Attention模块与KVCache机制成为算力与显存瓶颈的核心痛点。本文系统梳理Attention架构六代演进：从MHA的基础范式到GQA的KV头精简，再到MLA的低秩降维与单头缓存优化；随后突破稠密计算限制，DSA通过Token稀疏筛选削减长序列算力，最终CSA融合滑动窗口与压缩技术实现算力

 小程故事多_80
2026-08-18 13:52:38

 406

 6

#架构
DeepSeek Harness 为什么能热换模型：插件依赖、事件日志与回滚机制

本文探讨了DeepSeek Harness（dsh）作为Agent系统运行时的核心设计理念与工程实现。dsh通过插件化架构将模型、工具、上下文等组件解耦，构建了一个可动态装配的运行时环境。文章详细分析了dsh的分层架构（Launcher、Composition、Runtime等六层），重点阐述了插件系统的三大特征：1）基于服务名的依赖管理，实现局部替换而不影响全局；2）完整的生命周期管理，包括初始

 策案案案
2026-08-18 13:18:09

 349

 3

#java #数据库 #服务器 +4
DeepSeek Harness 为什么能热换模型：插件依赖、事件日志与回滚机制

一次 web_search 背后，模型、工具、会话日志与 Agent Loop 如何被动态装配？本文沿完整调用链拆解 DeepSeek Harness 的插件依赖、事件留痕与可逆副作用

 u010592101
2026-08-18 10:43:50

 358

 10

#人工智能 #架构
彻底吃透 Harness 工程：Claude Code 企业级智能体底层架构全拆解

文章摘要：本文系统解析了支撑生产级AI智能体的Harness工程体系，提出十二层模块化架构设计，从基础循环到多智能体协作逐层递进。该体系通过工具权限管控、任务锚定机制、上下文压缩、异步任务等核心技术，构建安全可控的智能体运行环境，实现业务逻辑与底层框架的彻底解耦。其核心设计哲学强调"环境赋能智能"而非硬编码规则，采用分层防御机制保障稳定性，通过极致解耦适配长期迭代，为区分Demo级与工业级智能体提

 he_co
2026-08-17 23:56:03

 373

 8

#架构 #人工智能 #经验分享
DeepSeek Harness 的 PTC 模式值得用吗：从工具往返到代码编排的工程边界

DeepSeek Harness 的 PTC 模式值得关注，不是因为它让 Agent 变成了一个更复杂的聊天窗口，而是因为它把工具编排显式地放到了程序层。对于稳定的文件筛选、测试汇总和报告整理，这种方式可能减少上下文重复和调用等待；对于不稳定或高风险的任务，它也可能放大一次错误，绕过开发者原本能看到的中间步骤。

奈斯先生Vector
2026-08-17 14:35:41

 605

 9

#ubuntu #linux #运维 +4