登录社区云，与社区用户共同成长
邀请您加入社区
我们只讲能落地、能验证的 AI 实战。DeepSeek 把 Agent 执行层开源，是 2026 下半年最值得跟的信号之一。关注我，下一篇拆它的插件系统怎么帮你省下 80% 重复劳动。数据来源：DeepSeek 官方公告（2026-08-13）、腾讯新闻/QQ 科技（2026-08-13/14）、NYU RITS 技术分析、agentos.guide 报道。数据随时间变化，以官方仓库为准。
DeepSeek 开源 Harness，最大的意义不是让你白嫖一个工具，是让你看到：一个认真的 Harness 长什么样。它有多复杂、为什么要这么复杂、复杂的代价是什么。Agent 的竞争力不在模型多聪明，在那层壳做得多扎实。至于我，这个系列写完了，但事情没做完。GEO Agent 每天都在遇到新问题，有些我能解决，有些我还在想。下一个系列可能会聊聊 GEO 本身——AI 搜索正在怎么改变内容分发
摘要： 本文探讨手机端Gemini结构化数据导出的技术挑战与解决方案。传统方法（直接复制、WPS集成等）存在公式丢失（LaTeX→OMML转换失败）、排版失真和上下文截断等问题。实测显示，Pandoc虽技术最优（95%保真度），但移动端兼容性差。研究提出轻量级中间件方案（如AI导出鸭），通过云端语法树重构+本地渲染的分离架构，实现LaTeX公式无损转Word原生OMML、表格智能对齐及分段导出功能
《ChatGPT导出Excel的优雅解决方案：AI导出鸭插件》 摘要： 传统复制粘贴方式从ChatGPT导出数据到Excel存在严重缺陷：58%的语义信息会丢失，导致公式失效、日期变形、数字格式错乱等问题。AI导出鸭插件通过四层技术架构实现无损导出：1）实时捕获流式文本；2）语义映射转换；3）多格式编译；4）批量导出队列。该插件支持8种导出格式，能保留99%以上的原始信息，特别擅长处理公式、表格和
本文系统梳理了大语言模型（LLM）微调技术的演进路径，从基础微调（IFT/SFT）到强化学习优化（RLHF/PPO），再到轻量级偏好对齐方法（DPO）。IFT和SFT让模型具备任务执行能力，RLHF通过人类反馈优化输出质量，PPO算法确保训练稳定性，而DPO则简化了对齐流程。这些技术呈现出从功能实现到人类偏好对齐、从复杂到高效的进化逻辑，为不同应用场景提供了多样化选择。文章通过对比分析各技术的特点
DeepSeek-R1凭什么引爆全球AI圈？五大核心突破解析和论文精读
DeepSeek Harness 距离一个完整的 Agent 工作台，又近了一点。8月19日，DeepSeek Harness 发布 v0.1.0-rc.8 预发布版本。具体来看，DeepSeek 模型适配器将开始接收图片，Claude Code 和 Codex 可以作为子代理按需安装，web_search 支持并发查询，Windows 端也加入了持久 PowerShell 会话。单独看，每一项都
为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单，这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张，也让人才供需矛盾愈发突出。
8月13日，DeepSeek 发布首款智能体产品 DeepSeek Harness（dsh），开源 1 小时 GitHub Star 破 2 万，数日突破 15 万，超越 Grok-1 登顶 GitHub 最快增长开源项目榜单。业内给它起了个外号——"Agent 界的 Android"。如果你最近刷技术社区，应该已经被 DeepSeek Harness 刷屏了。这个产品有点特殊：它不是大模型，而是
从许可协议、插件架构、MCP、hooks、子代理委派对比 DeepSeek Harness 与 Claude Code——dsh 是不是一个真正靠谱的、开源的 Claude Code 替代方案？
上下文在工业级代码库的实践代表，提出七概念：System Context：结构化事实集合（非文本）。Context Source：上下文生产者（如插件、工具、用户输入）。Context Epoch：共享同一组上下文的会话区间。Safe Boundary：外部内容注入的隔离边界。Context Snapshot：上下文快照（可 diff）。Context Compression：压缩与摘要机制。Co
DeepSeek Harness作为国产AI执行层框架，以"Model + Harness = Agent"为核心定位，通过插件化架构实现模型推理到环境操作的无缝转化。其MIT开源协议与可扩展设计，为开发者提供可控的自动化编排能力，在代码生成、文件操作等场景表现突出，但在需求分析与部署运维环节仍有待完善。Harness的推出标志着国产AI软件工程从"大脑"向"手脚"的范式转移，推动程序员角色从代码
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
本文实测DeepSeek-V4-Pro与Harness配套后的Agent能力加成，从代码理解、长任务上下文保持及插件化架构适配三个维度对比GLM5.2。结果显示V4-Pro在项目级多文件修改、88页论文翻译术语一致性及PTC工具调用方面表现更优，虽Token消耗略高但任务完成率与效率更佳，体现了大语言模型与Agent框架深度适配的价值。
本文实测对比DeepSeek Harness五种部署方式，从安装门槛、网络依赖、后续维护三维度分析一键安装包、桌面启动器、npx、源码安装及Docker部署的适用场景。一键安装包开箱即用但体积庞大，桌面启动器轻量直观，npx适合快速尝鲜但需Node v22.19+，源码安装满足二次开发需求，Docker则是服务器部署的标准方案。帮助开发者根据实际需求选择最优部署路径。
本文通过Harness框架的Trajectory机制，实测对比DeepSeek-V4-Pro与前代模型在Agent场景下的表现差异。实验覆盖Bug修复、项目生成、长文档理解三类任务，结果显示V4-Pro在工具调用准确率、长上下文理解和多步推理稳定性上均有显著提升，工具调用失败重试率仅6%，首次完成即成功比例达80%，与Harness框架协同实现1+1>2的效果。
本文深入解析DeepSeek Harness多智能体编排实战，展示如何通过主Agent调度子Agent构建自动化代码审查流水线。基于Cordis元框架，实现任务拆解、上下文隔离、事件驱动通信与结果汇聚，并探讨Trajectory日志解读与Token优化策略，为AI Agent工程化提供可观测、可复现的编排范式。
本文详细记录基于Tauri 2封装DeepSeek Harness桌面端的完整流程，涵盖环境准备、项目配置、服务自动启停实现及跨平台打包等核心环节。通过Tauri 2替代Electron方案，实现轻量级窗口管理、Harness服务智能编排与极小构建体积，为Web UI桌面化提供高效实践参考。
本文实测DeepSeek-V4-Pro搭配Harness框架的Agent能力增强效果。通过标准、PTC、极简、创造四种模式对比测试，V4-Pro在端到端成功率、代码编排能力及轨迹调试效率上显著优于V3，PTC模式成功率从48%跃升至81%。横向对比GPT-4o与Claude 3.5，V4-Pro在代码生成与性价比方面表现突出，API成本仅为GPT-4o的43%，为开发者Agent选型提供参考。
摘要： 本文介绍如何利用AI安全重构老旧代码。核心步骤：1）先通过AI生成行为测试作为"安全带"；2）让AI按单一职责拆分大函数为多个小函数，保持接口和逻辑不变；3）通过测试验证重构正确性；4）强调风险控制——单模块重构、禁止"顺手"优化。重构价值在于"行为不变、结构变好"，测试全过是唯一标准。文末提供实践作业：选取复杂代码完成全流程重构并记录对比。下篇将转向Web开发实战。
本文摘要： 本文针对DeepSeek Harness（dsh）框架提出了一套系统性的长期记忆设计与实现方案。研究指出当前dsh生态存在59个记忆插件各自为政的碎片化问题，缺乏统一抽象。为此，作者提出三大创新： 1）N1统一Memory Provider抽象seam，通过ctx.memory接口收敛碎片化； 2）N2基于事件溯源的引用式无损记忆，通过sessionId+eventRange+cont
这篇文章探讨了DeepSeek Harness中Agent处理用户Prompt的完整生命周期，将其分解为Turn、Step、工具执行等关键阶段。核心观点包括： 消息处理流程分为多层级：Inbox接收输入→Turn建立执行边界→Step处理模型请求→工具批次执行→Session记录可重放事实 Turn代表执行边界，可能包含多个Step（模型往返）或没有Step（如被拒绝时） Step对应单次模型请求
本文介绍了AI领域的分层架构及主流大模型，并详细说明了如何在本机部署Ollama运行DeepSeek模型。主要内容包括： AI领域分层架构： 基础层：AI/ML/DL基本概念 生成式AI层：GenAI/AIGC/基础模型 模型形态层：LLM/SLM/多模态模型 技术架构层：Transformer/RLHF/RAG/Agent 终极目标：AGI 主流大模型概览： 国际：OpenAI(GPT)、Goo
摘要： AI导出鸭是一款高效解决DeepSeek对话中表格导出难题的工具，支持一键将Markdown或纯文本表格转换为标准Word格式，避免复制粘贴导致的格式错乱。其核心技术包括表格语义识别、自适应渲染和批量处理，还原率高达96.3%，耗时较传统方式减少80%。支持多表分拆导出、离线操作及批注保留，适配财会、科研等高频用表场景。工具覆盖六大终端，显著提升办公效率，实测用户反馈单份表格处理时间从30
在LLM从“玩具”走向“工具”的进程中，结构化输出的稳定性一直是工程落地的“阿喀琉斯之踵”。无论是Grok、ChatGPT还是DeepSeek，其生成的HTML、Markdown及LaTeX公式在跨平台流转时，乱码、排版错乱、数据血缘断裂成为高频痛点。本文以“AI导出鸭”为核心解剖样本，结合PydanticAI验证框架与FAIR数据原则，通过横向对比与实证数据，深度探讨AI原生内容如何实现无损的工
摘要： AI生成内容的高效导出成为用户刚需，但主流AI平台（如Grok、ChatGPT等）缺乏原生Word导出功能，手动操作效率低且格式易失真。AI导出鸭通过“后处理清洗+语法树校验”技术，直接抓取DOM节点并重构为标准化文档（支持Docx、PDF等），解决公式、代码等特殊内容的格式兼容问题。实测显示其排版保真度达92%，操作时间低于10秒，显著优于传统复制粘贴或Pandoc等复杂方案。目标用户覆
摘要： AI生成内容导出Word常面临格式丢失、效率低下、跨端错乱等痛点。本文深度解析“AI导出鸭”解决方案，其通过格式解析、样式映射、跨端校验三层技术，实现一键无损导出，格式还原率达99.2%。对比五种主流方案（如复制粘贴、WPS转换、Pandoc等），AI导出鸭在格式保留、批量处理、跨端兼容性上表现最优，支持全终端使用，显著提升文档处理效率。实证数据显示，企业用户使用后文档工时减少67%，协作
AI 导出鸭电脑版是一款专为处理AI对话导出痛点设计的工具，其核心技术架构分为数据采集、语义解析和格式编译三层。它能突破虚拟滚动限制完整抓取对话，将Markdown元素（表格/公式/代码/流程图）精准映射为Word原生对象，实现格式无损导出。核心优势在于批量导出功能：通过动态优先级调度、智能并发控制和断点续传机制，可将上百条对话的导出时间从42分钟压缩至20秒，并支持合并文档或ZIP打包。该工具尤
这篇文章介绍了一款名为「AI导出鸭插件」的浏览器扩展工具，它能一键将Gemini等AI对话中的表格内容精准导出为Excel/Word等格式。传统手动复制粘贴存在格式错位、数据丢失等问题，而该插件通过三层技术架构（DOM解析、格式重构、自动校验）实现99.2%的公式还原率和仅3.2%的错误率。其批量导出功能支持多会话编排、异步处理，实测87条对话90秒完成。案例显示，该工具将用户从繁琐的格式调整中解
DeepSeek
——DeepSeek
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI Agent技术社区
DeepSeek技术社区
AtomGit AI 社区
天工造物局
葡萄城开发者空间
亚马逊云科技技术品牌专区
智能体开发者社区
AI编程社区
openEuler 社区
EazyDevelop社区
