使用Deepseek部署更高精度的本地化模型并搭建自己的agent

如何使用Python从Deepseek开放的api接口中搭建属于自己的agent

利用 DeepSeek-R1 的深度推理能力来处理复杂的表关联（JOIN）逻辑，并实现错误自愈和安全防护

通过 SFT，可以不再受限于 DeepSeek 原始的能力，而是可以改造模型，使其成为自己想要的助手。

本文探讨了基于AST分析与AI技术的遗留系统自动化重构方案。通过AST和radon库扫描高复杂度代码（如圈复杂度>10的函数），结合DeepSeek进行精准重构，采用策略模式等设计模式解耦代码。为确保安全重构，提出GoldenMaster测试策略：先记录旧代码输入输出快照，重构后验证结果一致性。方案还支持Go语言依赖注入重构和自动生成解释性注释。这套AST扫描+安全测试+AI重构的流水线，实

本文提出了一种基于DeepSeek的智能ETL架构，通过认知驱动替代传统规则驱动，解决非结构化数据处理难题。。这种架构可广泛应用于日志解析、简历处理、合同提取等多种非结构化数据转换场

本文探讨了如何通过优化Prompt（提示词）来充分发挥AI模型（如DeepSeek或GPT）的潜力。

本文探讨了如何通过优化Prompt（提示词）来充分发挥AI模型（如DeepSeek或GPT）的潜力。

最近很多开发者开始从 Claude Code、Cursor、Copilot 等工具转向或尝试使用 OpenAI Codex。相比单纯在网页中提问，Codex 更适合直接进入项目工程，读取代码、分析结构、修改文件、生成文档、排查报错。本文主要基于VSCode 使用场景来整理 Codex 的使用方式。也就是说，我们不是以纯命令行为主，而是以VSCode 插件 + 项目配置 + Agent + Skil

在 AI 编程过程中，很多开发者会遇到一个问题：明明模型能力很强，但生成的代码却经常“不符合项目结构”“改错文件”“遗漏已有逻辑”“重复造轮子”。这类问题很多时候不是 AI 不会写代码，而是因为它没有拿到正确的上下文。而本文要介绍的上下文管理，解决的是另一个更基础的问题：AI 在写代码之前，到底应该先知道哪些信息？