Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

DeepSeek Harness，现已接入 Ekko Studio。选择 DSH 模式，配置服务商与模型，直接开始对话。使用过程中，还能切换模型、查看工具调用记录与执行结果。 Agent 自由选，模型按需配。把不同的 AI 能力，放进同一个工作台。

libapi

30,594 subscribers

10,883 görüntüleme • 8 gün önce •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

10 Yorum

kugua profil fotoğrafı

kugua8 gün önce

搞一个无记忆功能模式纯聊天只追求速度

libapi profil fotoğrafı

libapi8 gün önce

Ekko 可以试试

Crio Songo profil fotoğrafı

Crio Songo7 gün önce

这个功能刚好满足需求，不用保留上下文的时候，关掉记忆省算力还能提升响应速度，实用性很强。

阿栖泛70｜BG profil fotoğrafı

阿栖泛70｜BG8 gün önce

这玩意儿好用吗我先试试

安叫兽|Bird🕊️ 🔶 BNB profil fotoğrafı

安叫兽|Bird🕊️ 🔶 BNB8 gün önce

能在对话中直接切模型和看工具调用，调试起来方便多了

ByteLee · AI Investing profil fotoğrafı

ByteLee · AI Investing8 gün önce

先看原帖和账号语境，再写一条贴着内容的中文评论。看工具调用记录这步比堆 Agent 有用。中途换模型时上一轮的执行结果会不会原样带进新上下文，这个最容易断。

0xSlyth profil fotoğrafı

0xSlyth8 gün önce

已试用体验流畅

老实巴交 profil fotoğrafı

老实巴交8 gün önce

Windows 这边（报错）： dsh 是 #!/bin/sh 的 POSIX shell 脚本（npm 生成的 shim） Node 在 Windows 上 spawn 无扩展名文件直接 ENOENT（我实测过：spawn('.../node/dsh') → ENOENT，spawn('.../node/dsh.cmd') → EINVAL）所以 DSH 管理运行时起不来，预设服务连不上，报"无法加载 DSH Agent 预设"

Fallout0917 profil fotoğrafı

Fallout09178 gün önce

可以试试晚点来反馈一下

Jason傑森 🇭🇰 | 🛠️ profil fotoğrafı

Jason傑森 🇭🇰 | 🛠️8 gün önce

又多了個工作台要學

Benzer Videolar

📢 今天我们开源一个新项目： Rish App，你的随身 Agent 手机本地执行，模型自由接入无需电脑常驻 remote control 内置 DSH、Claude Code、Codex、ZCode 手机里有自己的工作区让 Agent 读写文件、调用工具、查看执行过程视频演示为使用DSH过程：读取文件 → 启动本地服务 → 打开服务页面 → 点击交互这些操作就在手机上完成模型请求发往你选择的服务文件和会话留在手机或 iPad 源码已公开 ⬇️ #agent #harness #deepseek #claude #gpt

📢 今天我们开源一个新项目： Rish App，你的随身 Agent 手机本地执行，模型自由接入无需电脑常驻 remote control 内置 DSH、Claude Code、Codex、ZCode 手机里有自己的工作区让 Agent 读写文件、调用工具、查看执行过程视频演示为使用DSH过程：读取文件 → 启动本地服务 → 打开服务页面 → 点击交互这些操作就在手机上完成模型请求发往你选择的服务文件和会话留在手机或 iPad 源码已公开 ⬇️ #agent #harness #deepseek #claude #gpt

Fini.Yang

16,988 görüntüleme • 6 gün önce

最近发现一个实用的开源项目：OpenCodex。它可以让 Codex 不再局限于 GPT 模型，还能接入 Kimi、Grok、GLM 等其他大模型。配置一次后，原来的 Codex 应用和工作流基本不用变，需要时直接切换模型即可。开源地址

最近发现一个实用的开源项目：OpenCodex。它可以让 Codex 不再局限于 GPT 模型，还能接入 Kimi、Grok、GLM 等其他大模型。配置一次后，原来的 Codex 应用和工作流基本不用变，需要时直接切换模型即可。开源地址

雪踏乌云

338,797 görüntüleme • 2 ay önce

🚢 Dockyard-DSH ！ 🧩为 DeepSeek Harness 打造的插件把 Claude、Cursor、Codex、Grok 等订阅模型接入 DeepSeek Harness 支持多个账号和 API Key 的选择、轮询与故障转移，面板实时查看额度、模型和账号状态。 🔗 #DeepSeek #DeepSeekHarness #Dockyard-dsh

🚢 Dockyard-DSH ！ 🧩为 DeepSeek Harness 打造的插件把 Claude、Cursor、Codex、Grok 等订阅模型接入 DeepSeek Harness 支持多个账号和 API Key 的选择、轮询与故障转移，面板实时查看额度、模型和账号状态。 🔗 #DeepSeek #DeepSeekHarness #Dockyard-dsh

Ryanxlll2

13,239 görüntüleme • 1 ay önce

OpenCodex v0.4.5 🚀 现在，无论使用官方 GPT、第三方模型还是订阅模型，无论处于原生模式、网关代理模式，还是切换不同会话，包括导入的本机会话、网关代理过的会话，以及中途切换模型后的历史记录。都能无缝继承完整上下文。在 Codex 中，不管你怎么使用，会话都不会丢，随时都能无缝衔接。✨ 目前已完成 macOS 版本适配，macOS 版本现已独立，与 Windows 版本分开维护。 #codex #chatgpt #opencodex

OpenCodex v0.4.5 🚀 现在，无论使用官方 GPT、第三方模型还是订阅模型，无论处于原生模式、网关代理模式，还是切换不同会话，包括导入的本机会话、网关代理过的会话，以及中途切换模型后的历史记录。都能无缝继承完整上下文。在 Codex 中，不管你怎么使用，会话都不会丢，随时都能无缝衔接。✨ 目前已完成 macOS 版本适配，macOS 版本现已独立，与 Windows 版本分开维护。 #codex #chatgpt #opencodex

Ryanxlll2

32,137 görüntüleme • 2 ay önce

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,931 görüntüleme • 2 yıl önce

Pi 用久了，接模型这件事越来越麻烦。每家模型平台都有自己的账号和 Key，余额散在几个地方。想把同一个任务换个模型再跑一遍，又要重新配置、充值和查账。模型接得越多，配置也越乱。这次我把 ZenMux 接进 Pi，只维护一个 provider 和一把 Key。 GPT-6 Astra 上线后，我直接在 Pi 里选择 openai/gpt-6-astra，然后做了几个测试测试模型的真实性。 1、模型名称，看看是不是真的GPT-6 2、模型的写作能力，看看最新模型在写作上的提升 3、修改一个代码里面的Bug，测试真实的能力以后想用同一个任务对比其他模型，直接在 Pi 里切换模型即可。实际 token 和花费也能放在同一处看，省掉了到处找 Key、查余额的麻烦。 GPT-6 Astra 面向复杂 agent 工作流。这次我主要看它能不能把跨文件任务做完整，以及输出里有多少内容可以直接使用。官推提到它通常会减少输出 token，录屏里的实际数字会更有参考价值。 ZenMux 本场还有 7 天限时充值活动。充 $50 得 $70 充 $100 得 $150 每个账号限兑一次原本就准备跑 API 的，可以趁这次多留一点测试额度。 GPT-6 Astra

Pi 用久了，接模型这件事越来越麻烦。每家模型平台都有自己的账号和 Key，余额散在几个地方。想把同一个任务换个模型再跑一遍，又要重新配置、充值和查账。模型接得越多，配置也越乱。这次我把 ZenMux 接进 Pi，只维护一个 provider 和一把 Key。 GPT-6 Astra 上线后，我直接在 Pi 里选择 openai/gpt-6-astra，然后做了几个测试测试模型的真实性。 1、模型名称，看看是不是真的GPT-6 2、模型的写作能力，看看最新模型在写作上的提升 3、修改一个代码里面的Bug，测试真实的能力以后想用同一个任务对比其他模型，直接在 Pi 里切换模型即可。实际 token 和花费也能放在同一处看，省掉了到处找 Key、查余额的麻烦。 GPT-6 Astra 面向复杂 agent 工作流。这次我主要看它能不能把跨文件任务做完整，以及输出里有多少内容可以直接使用。官推提到它通常会减少输出 token，录屏里的实际数字会更有参考价值。 ZenMux 本场还有 7 天限时充值活动。充 $50 得 $70 充 $100 得 $150 每个账号限兑一次原本就准备跑 API 的，可以趁这次多留一点测试额度。 GPT-6 Astra

小墨同学

20,221 görüntüleme • 11 gün önce

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

前 OpenAI CTO Mira 的公司 Thinking Machines 发了一个非常创新的模型，他们叫交互模型。这个模型能够持续接收音频、视频、文本等原生的多模态内容，并且实时进行思考、响应和行动。它不像之前那种 Agent 脚手架，把多个模型、多个模态的模型通过 Agent 串起来，而是所有模态都在一整个模型里。这样就可以让用户和 AI 在任意模态下实时进行交互：你可以随时打断它，随时进行补充，AI 会实时关注你的状态，输出结果，不会像之前一样，必须等一句话结束了才能跟模型交互。核心思路就是把交互部分训练到了模型里。他们从零训练的这个交互模型主要包括两部分：前台交互模型： (a) 一直在线，一直在听、看和读用户提供的内容 (b) 每 200 毫秒作为一个节点，同时处理输入并产出一小段输出 (c) 负责照顾用户的在场感，支持用户打断、插话，并能对屏幕和视频内容做出反应后台推理模型： (a) 用来处理需要持续推理、工具调用以及长上下文、长规划的任务 (b) 交互模型会在合适的时候，将推理模型的结果放回到对话里，不会插入突兀的内容用户最终看到的结果，就是一个既能实时交互，又能够处理重度任务的界面。

歸藏(guizang.ai)

47,074 görüntüleme • 4 ay önce

Hermes Agent 刚发布 Mixture of Agents 2.0，把多个前沿模型混合成一个虚拟模型使用原理很直接：GPT-5.5、DeepSeek V4、Sonnet 4.6 作为参考模型同时处理同一个问题，Opus 4.8 作为聚合器综合最终答案跑分结果比单独用 Opus 4.8 高 8%，比 GPT-5.5 高 11% 最关键的是在 Hermes 里就像普通模型一样调用，/model 命令切换就行，不需要自己搭框架单个模型都有盲区，混着用反而能互补，开源社区找到了一条弯道超车路线你觉得 MoA 这种「模型组合拳」会成为主流用法吗？

Hermes Agent 刚发布 Mixture of Agents 2.0，把多个前沿模型混合成一个虚拟模型使用原理很直接：GPT-5.5、DeepSeek V4、Sonnet 4.6 作为参考模型同时处理同一个问题，Opus 4.8 作为聚合器综合最终答案跑分结果比单独用 Opus 4.8 高 8%，比 GPT-5.5 高 11% 最关键的是在 Hermes 里就像普通模型一样调用，/model 命令切换就行，不需要自己搭框架单个模型都有盲区，混着用反而能互补，开源社区找到了一条弯道超车路线你觉得 MoA 这种「模型组合拳」会成为主流用法吗？

Jason Zhu

16,570 görüntüleme • 2 ay önce

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

Deepseek V4 Flash 真的惊艳到我了，我就用一句话就生成了一个AI控制台。我使用open code+Deepseek V4 Flash测试了一下模型的能力，总共不到五十秒，就给我生成了对应能力了。主要是该有的模块都有，而且很多细节上面做了特定的优化。模块划分： 1、仪表盘：做中央把控看模型消耗。 2、任务：看任务指派和模型上下文处理。 3、对话：直接在网页上可以和AI直接对话。现在最重要的是open code还能免费使用，可以马上上手体验一下，国产模型是越来越强了，以后真的可以不使用国外模型了。

小墨同学

27,520 görüntüleme • 1 ay önce

OpenRouter：大语言模型“路由器” Openrouter提供了一个统一的接口，通过这个接口，你可以直接访问和使用几十种AI模型你可以使用这个接口对各种模型进行测试和比价，选择最适合自己的，避免了东奔西跑 🙂 目前已经支持包括GPT、LLama 、Claude、Command-R等80 多个模型，未来将扩展到数百种！访问：

OpenRouter：大语言模型“路由器” Openrouter提供了一个统一的接口，通过这个接口，你可以直接访问和使用几十种AI模型你可以使用这个接口对各种模型进行测试和比价，选择最适合自己的，避免了东奔西跑 🙂 目前已经支持包括GPT、LLama 、Claude、Command-R等80 多个模型，未来将扩展到数百种！访问：

小互

45,911 görüntüleme • 2 yıl önce

一个开源超实用的终端小工具：llmfit，狂揽了 14000+ GitHub Star！只需运行一条命令，就能帮我们找到哪些大模型适合在自己的电脑上本地部署跑起来。并且还会对每个模型的质量、速度、适配性和上下文维度上进行评分，帮助我们从中筛选。 GitHub：想在自己电脑上本地部署大模型的朋友，可通过这工具先知道能跑什么大模型再选择部署。

一个开源超实用的终端小工具：llmfit，狂揽了 14000+ GitHub Star！只需运行一条命令，就能帮我们找到哪些大模型适合在自己的电脑上本地部署跑起来。并且还会对每个模型的质量、速度、适配性和上下文维度上进行评分，帮助我们从中筛选。 GitHub：想在自己电脑上本地部署大模型的朋友，可通过这工具先知道能跑什么大模型再选择部署。

高军

35,323 görüntüleme • 6 ay önce

这是我们的第 4 个 DeepSeek Harness 插件 🥳 iOS 模拟器 + 真机自动化插件 dsh-ios 🐳📱 让 DSH 中的 Agent 直接查看并操作 iOS 模拟器和真机构建并运行 App，完成点击、滑动、输入等操作还能检查进程、调用栈和内存泄漏 ⚙️ 内置 21 个 Agent 工具实时画面显示在侧边栏，支持人机协同操作 🤗 支持 SwiftUI 预览热重载在 DSH 中就能完成 iOS 开发、调试和自动化欢迎使用：演示视频前半段为模拟器，后半段为真机快速安装见评论区 ⬇️ #deepseek #harness #dsh #plugin #ios #agent

这是我们的第 4 个 DeepSeek Harness 插件 🥳 iOS 模拟器 + 真机自动化插件 dsh-ios 🐳📱 让 DSH 中的 Agent 直接查看并操作 iOS 模拟器和真机构建并运行 App，完成点击、滑动、输入等操作还能检查进程、调用栈和内存泄漏 ⚙️ 内置 21 个 Agent 工具实时画面显示在侧边栏，支持人机协同操作 🤗 支持 SwiftUI 预览热重载在 DSH 中就能完成 iOS 开发、调试和自动化欢迎使用：演示视频前半段为模拟器，后半段为真机快速安装见评论区 ⬇️ #deepseek #harness #dsh #plugin #ios #agent

Fini.Yang

189,624 görüntüleme • 1 ay önce

🚀Grok订阅现在能直接接入Hermes Agent了，不用再申请API key！三步搞定： 1. 一行命令安装好Hermes Agent 2. 选择xAI Grok Oauth登录 3. 终端直接开用一次登陆，文本，语音，图片，视频全部打通！所有订阅层级可用！ 00:00 开场：把 GROK 订阅接入 Hermes Agent 00:08 背景介绍：Hermes Agent 是什么 00:33 新功能：直接使用 GROK 订阅，无需单独 API 00:56 操作流程总览：安装、选择 GROK、登录对话 01:06 安装 Hermes Agent 01:32 选择 GROK 作为服务商 01:49 选择 XAI GROK OAuth 登录 02:09 授权登录 GROK 账号 02:20 选择 GROK 模型 02:27 消息通道配置：Telegram、WhatsApp 等可选 02:48 启动 Hermes，进入对话页面 03:05 确认已使用 GROK 4.3 03:18 收尾：视频总结

🚀Grok订阅现在能直接接入Hermes Agent了，不用再申请API key！三步搞定： 1. 一行命令安装好Hermes Agent 2. 选择xAI Grok Oauth登录 3. 终端直接开用一次登陆，文本，语音，图片，视频全部打通！所有订阅层级可用！ 00:00 开场：把 GROK 订阅接入 Hermes Agent 00:08 背景介绍：Hermes Agent 是什么 00:33 新功能：直接使用 GROK 订阅，无需单独 API 00:56 操作流程总览：安装、选择 GROK、登录对话 01:06 安装 Hermes Agent 01:32 选择 GROK 作为服务商 01:49 选择 XAI GROK OAuth 登录 02:09 授权登录 GROK 账号 02:20 选择 GROK 模型 02:27 消息通道配置：Telegram、WhatsApp 等可选 02:48 启动 Hermes，进入对话页面 03:05 确认已使用 GROK 4.3 03:18 收尾：视频总结

兵五进一

15,387 görüntüleme • 4 ay önce

一个项目，打通所有 AI 模型和聊天平台！ AstrBot 是一个开源 AI Agent 框架，不只是聊天机器人，而是帮你快速搭建 AI 应用。支持 OpenAI、Claude、Gemini、DeepSeek、Ollama 等主流模型，也能一键接入 QQ、飞书、企业微信、Telegram、Slack 等平台。内置 MCP、知识库、工作流、多模态、1000+ 插件生态，代码执行、工具调用开箱即用。想做 AI 助手、企业机器人或自动化工作流，可以直接收藏。

一个项目，打通所有 AI 模型和聊天平台！ AstrBot 是一个开源 AI Agent 框架，不只是聊天机器人，而是帮你快速搭建 AI 应用。支持 OpenAI、Claude、Gemini、DeepSeek、Ollama 等主流模型，也能一键接入 QQ、飞书、企业微信、Telegram、Slack 等平台。内置 MCP、知识库、工作流、多模态、1000+ 插件生态，代码执行、工具调用开箱即用。想做 AI 助手、企业机器人或自动化工作流，可以直接收藏。

开发者Hailey

20,329 görüntüleme • 2 ay önce

Grok折腾了我两个多小时，差点把 Hermes Agent 搞废。我的hermes一直用的是Kimi k2.6大模型，准备把deepseek V4 pro也部署进去，做到一键切换！最开始按 Grok 的指示一步步操作，越搞越不对劲。改完配置不认，切模型报错，翻来覆去改 yaml 改到怀疑人生。（下面视频为证我差点逼疯） / 最后放弃了，直接打开 DeepSeek 网页版问了一嘴。就两行命令： “hermes mode1” # 用官方向导正式注册 deepseek 为 provider “hermes update”# 修复对接 V4 模型的已知 bug 注册完瞬间跑通。现在 Kimi K2.6 和 V4 Pro 随时切，丝滑。 / 讽刺的是：我用 DeepSeek 的模型去问怎么接 DeepSeek 的模型，它自己给了正解。而Grok带我绕了俩钟头死胡同。总结两件事：别手写 yaml，一条 hermes model 搞定工具类问题，有时候直接问相关方自己的模型反而最快你们有没有被某个 AI 带进死胡同的经历？ #Hermes #DeepSeek

Grok折腾了我两个多小时，差点把 Hermes Agent 搞废。我的hermes一直用的是Kimi k2.6大模型，准备把deepseek V4 pro也部署进去，做到一键切换！最开始按 Grok 的指示一步步操作，越搞越不对劲。改完配置不认，切模型报错，翻来覆去改 yaml 改到怀疑人生。（下面视频为证我差点逼疯） / 最后放弃了，直接打开 DeepSeek 网页版问了一嘴。就两行命令： “hermes mode1” # 用官方向导正式注册 deepseek 为 provider “hermes update”# 修复对接 V4 模型的已知 bug 注册完瞬间跑通。现在 Kimi K2.6 和 V4 Pro 随时切，丝滑。 / 讽刺的是：我用 DeepSeek 的模型去问怎么接 DeepSeek 的模型，它自己给了正解。而Grok带我绕了俩钟头死胡同。总结两件事：别手写 yaml，一条 hermes model 搞定工具类问题，有时候直接问相关方自己的模型反而最快你们有没有被某个 AI 带进死胡同的经历？ #Hermes #DeepSeek

DeFi狙击手 | Ai🕊️｜Gate美股0费率

10,081 görüntüleme • 4 ay önce

手把手教你，如何在 codex 中接入 DeepSeek 模型。最近使用 cc-switch，在 codex 中接入 DeepSeek 的时候，遇到了一个问题，就是配置好之后，模型显示成了自定义。这个问题，github 中有人提了，作者也亲自回复了，在通用设置里，codex 增强那里，「切换第三方时保留官方登录」这个选项一定要勾选✅

手把手教你，如何在 codex 中接入 DeepSeek 模型。最近使用 cc-switch，在 codex 中接入 DeepSeek 的时候，遇到了一个问题，就是配置好之后，模型显示成了自定义。这个问题，github 中有人提了，作者也亲自回复了，在通用设置里，codex 增强那里，「切换第三方时保留官方登录」这个选项一定要勾选✅

前端哥Liam

79,287 görüntüleme • 2 ay önce

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

Google的教学视频《Introduction to Large Language Models | 大语言模型介绍》（中英双语字幕）这个视频介绍了大型语言模型（Large Language Models，LLMs）的概念、使用场景、提示调整以及Google的Gen AI开发工具。大型语言模型是深度学习的一个子集，可以预训练并进行特定目的的微调。这些模型经过训练，可以解决诸如文本分类、问题回答、文档摘要、跨行业的文本生成等常见语言问题。然后，可以利用相对较小的领域数据集对这些模型进行定制，以解决零售、金融、娱乐等不同领域的特定问题。大型语言模型的三个主要特征是：大型、通用性和预训练微调。"大型"既指训练数据集的巨大规模，也指参数的数量。"通用性"意味着这些模型足够解决常见问题。"预训练和微调"是指用大型数据集对大型语言模型进行一般性的预训练，然后用较小的数据集对其进行特定目的的微调。使用大型语言模型的好处包括：一种模型可用于不同的任务；微调大型语言模型需要的领域训练数据较少；随着数据和参数的增加，大型语言模型的性能也在持续增长。此外，视频还解释了传统编程、神经网络和生成模型的不同，以及预训练模型的LLM开发与传统的ML开发的区别。在自然语言处理中，提示设计和提示工程是两个密切相关的概念，这两者都涉及创建清晰、简洁、富有信息的提示。视频中还提到了三种类型的大型语言模型：通用语言模型、指令调整模型和对话调整模型。每种模型都需要以不同的方式进行提示。原始视频链接：

宝玉

114,706 görüntüleme • 3 yıl önce