所以，有种很好的使用方法是，我们将代码传到自己的 GitHub，或者要分析其他项目的 GitHub 仓库的公有链接，直接用 Pro 模式分析代码，让他给出方案，然后再交由 Codex 客户端去执行。用法为：我们打开某个项目，在 Codex 某个项目的执行过程中，如果需要更强大的分析能力，就可以添加新对话，然后直接将问题抛给新对话的 Pro 模型。但与直接在网页端对话不同的是，Codex 里的对话具

接着只做「共享平台」这一行，看看八个模块摆进去以后，字号够不够大，图标和文字有没有挤在一起。告诉它「保留现有关系，把同层方框统一尺寸，拉开间距，改成白底和浅色分组」就有了具体方向。这个例子里，销售组有客户开发和客户维护两个岗位，交付组有项目实施和客户培训，运营组有内容运营和活动运营，财务有收付款和费用管理。把内容继续展开，就能做成下面这种方案里的大图：六层结构，每层八个模块，每个模块里有图标、名称

具体做法是：先生成一张最终商业商品图/直接提供一张产品图，然后 Python 读取这一张图，商品像素从头到尾完全复用，只在上面叠加一个很宽、透明度很低、边缘高斯羽化的竖向光带，让光带从画面左侧缓慢扫到右侧。这次我从个人玩法一路整理到电商应用，挑一些有意思、能派上用场，也能检验新版能力的场景，看看那些以前容易翻车的细节，现在能做到什么程度。当然，这只是演示，可以做更多有趣的动作，直接可以做表情包！上

我之前在英语培训机构做过助教，教的就是 chunks 这一套体系，完整的课程一套下来得花费上万，现在用 ChatGPT 语音模式，搭配我的这一套提示词，立省百分百。对话结束后，从我反复使用的简单词、中式表达和卡住的位置中，提炼3个我最需要的语块，然后重新演练刚才的场景，让我用新语块再说一次。而 ChatGPT Live 最适合做的，是把这些已经见过、听过的表达，通过提问、角色扮演、纠错和盲测，推到

我最近给娃买了一本书，叫《给宝宝的机器人学》。书里从做一个圆形开始：最早拿笔画，再用剪刀剪；后来换成圆形工具，压一下就能得到一个圆；再往后有了机器、程序、传感器、摄像头、传送带和机械臂，最后做成了一台可以自动生产圆形的机器人。Agent 的发展也是这条路。大模型会回答以后，人们很快发现，光会回答还不够。它得拿到最新数据，要能打开文件，得知道刚才那一步有没有做成，还得在出错以后继续处理。今天看到的

我最近给娃买了一本书，叫《给宝宝的机器人学》。书里从做一个圆形开始：最早拿笔画，再用剪刀剪；后来换成圆形工具，压一下就能得到一个圆；再往后有了机器、程序、传感器、摄像头、传送带和机械臂，最后做成了一台可以自动生产圆形的机器人。Agent 的发展也是这条路。大模型会回答以后，人们很快发现，光会回答还不够。它得拿到最新数据，要能打开文件，得知道刚才那一步有没有做成，还得在出错以后继续处理。今天看到的

【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

DeepSeek涨价是既定事实——V4 Pro最高涨了11倍。但与其骂"梁圣变梁子"，不如动手把多花的钱省回来。通过中文检索修复、工具结果去重、混合记忆检索、近无损压缩四个维度，系统性地减少Token消耗——而且它是生态唯一修复了中文召回地基问题的项目。趁涨价刚落地，赶紧装上试试。省下来的Token，都是真金白银。

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

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