Deepseek Harness 接glm/minimax等其他模型
原文摘录:com/lo2589/deepseek-harness-provider.git DeepSeek Harness 默认只接 DeepSeek 官方模型。装上这个插件之后,发送键旁边会多一个 +,点开就能可视化添加其他模型厂商——不用改任何配置文件,界面点几下就完事 .
汇聚 V2EX、Hacker News、掘金等 IT 社区的热门讨论与精华内容。
原文摘录:com/lo2589/deepseek-harness-provider.git DeepSeek Harness 默认只接 DeepSeek 官方模型。装上这个插件之后,发送键旁边会多一个 +,点开就能可视化添加其他模型厂商——不用改任何配置文件,界面点几下就完事 .
原文摘录:就在昨天晚上(2026 年 8 月 13 日)DeepSeek 开源了自己的 Harness 框架: deepseek-ai/deepseek-harness,协议 MIT,当前是 developer preview。当晚我就把 DeepSeek Harness (以下都统称 dsh)跑起来了。
原文摘录:9B) 是 SOTA 级文档视觉语言模型 (VLM)。3% 精度刷新 OmniDocBench v1.6,文本、公式、表格识别全面领先,并在古籍、生僻字、印章、图表等多场景能力显著增强,支持以 Markdown 和 JSON 格式输出结构化结 .
原文摘录:真正让 智能体做成事的,是策略、交互、评测和 Harness 形成的运行闭环。> 导语 很多 AI 产品的第一版,都停在“把模型能力接进来”这一步。用户提出一个目标,智能体生成一份计划。Demo 往往很好看,因为模型足够聪明, .
原文摘录:面对层出不穷的AI工具与提示词,开发者常陷“工具焦虑”。GitHub AI专家Burke Holland提出:少即是多——聚焦一个成熟智能体 Harness(如Copilot),通过原型→规划→实现→评审的八步工作流,把AI用深、用透、用稳。
原文摘录:前几天逛技术社区时,看到一条挺有意思的帖子。Claude Pro 20刀,Cursor 20刀,ChatGPT Plus 20刀,再加上Gemini、Perplexity、v0这些乱七八糟的。他配了句话,「上班不但没挣钱,还倒贴」 .
原文摘录:我团队从今年3月开始全员切 Claude Code。md 里塞项目规范,顺手写几个 /deploy、/review 的 Custom Commands,日子过得去。前端同学用 Skill 封了一套「组件库使用规范」,后端同学用 .
原文摘录:本文以面试视角拆解千万级单表深分页痛点,点明传统 LIMIT 大偏移量会大量无效扫描。给出四类优化:游标分页(毫秒稳定性能,首选)、子查询延迟关联、覆盖索引回表、ES / 冷热分离降级;配套 MyBatis-Plus 通用工具类,含参数校验、SQL 超时防护等工程亮点。
原文摘录:事故现场 这次的背景是生产环境 Nacos 集群 3 个节点,其中一个节点因底层硬件问题需要重启。按理说,集群架构天然支持节点故障转移,但重启后大量服务开始报不健康告警,最终引发连锁反应——大面积服务重启。问题的本质是:Nacos 服务端的一次短暂抖动,怎么就传导成了客户端的雪崩?
原文摘录:我年初花了1个多月搭了一套 Harness 工程体系,团队每天都在跑。需求澄清、PRD、架构、feature 规格、接口设计、开发计划、开发执行、测试,每个环节都是一个 skill,串成一条完整的链。说实话,我对这套东西是有感情的,它真金白银地解决了规模化协作里的一致性和可追溯,10 个 specs .
原文摘录:NET 生产环境调试领域,使用 WinDbg 和 PerfView 进行基础的 Dump 分析只是入门。随着应用程序复杂度的增加——尤其是与非托管代码的互操作、async/await 模式和跨平台部署——开发人员需要更高级的技术来诊断和解决最具挑战性的问题。
原文摘录:Andrej Karpathy 这个人你可能听说过。他是 OpenAI 的创始成员之一,后来去了特斯拉当 AI 负责人,在 AI 圈子里算是大神级别的人物。这个文件不是什么复杂的技术文档,简单来说就是一份"跟 AI 助手打交道的使用说明书.
原文摘录:> 上一次它想替你把所有App都点了,结果被所有App合力踢了出去。7月17日晚间,晚点LatePost的一则消息让豆包手机再次回到聚光灯下:新一代豆包手机备货从此前的3万台提升到数十万台,但策略发生了根本性转变——AI不再直接操作头部应用。从3万台到数十万台,从"我来替你点"到" .
原文摘录:曾经,很多人都相信,AI会接手琐碎、重复、低价值的工作,让人类把时间留给思考、判断、创造和布局。但真正进入AI普及的当下,笔者越来越强烈地感受到:现实并没有按这个方向展开,反而出现了一种刺眼的价值倒挂。01 | 我们期待的未来,为什么被现实反转了 理想中的AI时代,是机器干苦力,人类做顶层。
原文摘录:JIT Hook 是一种巧妙的保护手段——在"最后一道门"(JIT 编译)拦截并替换 IL,绕过了所有静态分析工具。对于跨平台需求,建议使用方法体加密(第 06 篇)或代码虚拟化(第 05 篇)。
原文摘录:做了几个很小的随机工具后,我才发现小工具也不好做 我最近在做一个叫 WheelPage 的网站。里面没有什么复杂功能,主要就是几个在线随机工具:转盘、3D 骰子、抛硬币。一上来做这些东西的时候,我其实有点轻敌。转盘就是从几个选项里抽一个,骰子就是随机一个点数,硬币就是正面或者反面。
原文摘录:一套 Skills,搞定需求评审 + 用例生成全流程 读完这篇文章,你将能够在自己的项目里从零搭建一套完整的需求评审 + 用例生成 Skills。整体架构:四个 Skill 如何协作 这套工具由 4 个 Skill 组成,按 3 个阶段 协作完成从需求到用例的全流程: ┌───────────── .
原文摘录:说实话,最开始出现 “Skill” 这个词的时候,我心里其实挺抵触的。那会儿刚把提示词玩明白,结果群里又开始刷 "智能体 Skill"、"Claude Code 技能包"、"SKILL.我当时第一反应是:又来一个被炒作的概念?
原文摘录:在需要"编译期代码生成 + 底层内存控制 + 向量化优化"的面向对象语言中,C# 是目前唯一在语言层面、运行时层面、编译器层面同时提供完整支持的生态。GeneratedRegex 只是这个链条的一个展示窗口——它证明了 C# 可以在保持高级语言开发效率的同时,达到接近手写 C 代码的性能。
原文摘录:你有没有听过这个说法:AI 已经能接手 70% 的后端工作了。说这话的人,大概率没在生产环境里试过一个月。我在过去一个月里,把日常工作里最典型的 8 类后端任务挨个交给 AI 智能体处理,记录了每一类任务的接手率、节省的时间、还有——它在哪里翻车。结论是:有几类任务,AI 真的比你快;