文章探讨了DeepSeek新开源的Agent框架DeepSeekHarness背后的技术演进逻辑。核心观点是：随着大模型能力提升，单纯依靠模型已无法满足复杂任务需求，需要构建完整的"Harness"执行环境来保障可靠性。文章通过分析DeepSeek、Claude和OpenAI的方案，揭示了Agent架构正在形成的标准形态：围绕AgentLoop构建的Context管理、工具调用

文章探讨了DeepSeek新开源的Agent框架DeepSeekHarness背后的技术演进逻辑。核心观点是：随着大模型能力提升，单纯依靠模型已无法满足复杂任务需求，需要构建完整的"Harness"执行环境来保障可靠性。文章通过分析DeepSeek、Claude和OpenAI的方案，揭示了Agent架构正在形成的标准形态：围绕AgentLoop构建的Context管理、工具调用

本文以 Python 和 OpenAI Responses API 为例，摒弃复杂框架，手把手构建了一个最小智能体内核。文章通过 5 个递进代码示例，清晰演示了从一次 API 调用到连续对话、工具调用、智能体执行循环及长期记忆持久化的演进过程。作者强调：模型仅提供决策能力，智能体本质上是围绕模型建立的运行系统，还需配合状态、工具、记忆、权限与终止条件等工程要素，这也是 Claude Code 等成

本文以 Python 和 OpenAI Responses API 为例，摒弃复杂框架，手把手构建了一个最小智能体内核。文章通过 5 个递进代码示例，清晰演示了从一次 API 调用到连续对话、工具调用、智能体执行循环及长期记忆持久化的演进过程。作者强调：模型仅提供决策能力，智能体本质上是围绕模型建立的运行系统，还需配合状态、工具、记忆、权限与终止条件等工程要素，这也是 Claude Code 等成

本文记录了采用Ollama项目快速本地部署运行qwen1.5模型。

这段时间在自己的Win11系统上部署了chatGLM以及Qwen模型，进行对话、推理以及工具调用都没有问题，但是在尝试进行微调的时候发现好像并不能成功，因此花费了很大的力气，又分别在ubuntu桌面版、windows子系统WSL2 Ubuntu上部署了Qwen模型，并尝试进行LoRA的微调实践。由于过程比较多，步骤较为繁琐，我可能会分几个部分进行叙述。首先介绍一下我的两个环境（平民玩家，勿喷）：一

本文简单的记录了在本地部署阿里通义千问1.8B以及7B模型

本文进一步记录了千问模型的函数调用功能使用方法，大家可以一起学习交流~

本文记录了采用api的方式访问本地chatGLM2-6B的方法

服务器登录harbor失败