源笔记是使用Obsidian，基础部分都将内容移入了Notion，后面进阶阶段直接上传PDF格式给了大家（因为 @Ya Potato 本人也是很多笔记直接截的图，移动到Notion里面需要改太多格式，就是太懒了），如果你觉得在Notion里面看格式太乱，或者PDF查看的效果不好，那么可以在方面链接当中获取笔记源文件（使用的是MarkDown编写，建议使用Obsidian作为仓库打开）和课程源代码。

在部署成功后，起服务调参数等待启动最耗费时间。节点、模型最大Token限制、多卡GPU资源分配、服务资源分配、模型下载/切换命令等等如此。主要还是经验补足，知识不够五、六个小时，算力租赁消耗近18块。算上使用朋友的号，差不多10个小时，消耗近29元。经由这一次的实践，要说大模型部署有没有难点？现在来看，是没有的，只需要三步就能完成：下载模型起服务测试熟练的情况下，我10分钟就搞定了这一套，只需要经

问题根因解决1helm install proto 错误helm 和 k3s OpenAPI 不兼容2NodePort 全部不通kube-router REJECT 规则3默认端口 4466 不是 80Service targetPort 改 44664Traefik 自定义端口不生效chart 版本不支持 ports 配置+ patch5推理模型 400 错误多 system 消息 + maxT

任务匹配，再选 Agent Loop。写这篇文章不是想教你“怎么用 Loop”，而是想说一个更朴素的事情——在决定“怎么让 AI 做”之前，先想清楚“这个任务到底需要什么”。有时候需要闭环迭代，有时候需要人机协作，有时候简单的回合制反而最高效。选择 Loop 不是炫技，是匹配。做技术的人很容易被工作环境消磨——日复一日的重复需求、紧迫的上线节奏、随时插入的会议……这些东西会慢慢吃掉你对新东西的好奇

可直接转发的 Codex 双模型接入指南：DeepSeek 作默认模型，阿里云百炼 qwen3.7-flash 作子任务模型，支持图片识别，附一键脚本与避坑清单。

可直接转发的 Codex 双模型接入指南：DeepSeek 作默认模型，阿里云百炼 qwen3.7-flash 作子任务模型，支持图片识别，附一键脚本与避坑清单。

可直接转发的 Codex 双模型接入指南：DeepSeek 作默认模型，阿里云百炼 qwen3.7-flash 作子任务模型，支持图片识别，附一键脚本与避坑清单。

表上线后，一个反直觉的现象：版面感知 OCR 用的明明是推理模型（qwen3.7-plus，开了），可记录里却是 0。我一开始怀疑是解析 bug，但很快排除了——不是没推理，是这个接口的 usage 里压根不单独上报推理 token。DashScope 的 OpenAI 兼容接口返回的 usage 只有标准三项，推理 token 已经被算进里了，只是不拆给你。部分Token 数content795

为AI设计工具，不是技术问题，而是认知问题。我们不再是在“写代码”，而是在设计AI智能体的认知延伸。好的工具扩展了AI能够有效解决问题的范围，差的工具则成为AI的枷锁。这套方法论的核心是评估驱动——不靠直觉和猜测，而是用真实数据和系统化评估来迭代改进。在这个循环中，AI不仅是工具的使用者，更是工具设计的协作者。未来，无论MCP协议如何演进，LLM本身如何升级，系统化的、评估驱动的方法论将持续有效。

问题根因解决1helm install proto 错误helm 和 k3s OpenAPI 不兼容2NodePort 全部不通kube-router REJECT 规则3默认端口 4466 不是 80Service targetPort 改 44664Traefik 自定义端口不生效chart 版本不支持 ports 配置+ patch5推理模型 400 错误多 system 消息 + maxT