标签: LLM

DS V4 Pro效果没有完全达到预期,不过DeepSeek Harness(dsh)却十分惊艳,草草的列几个印象深刻的点: 1. 快,非常之快 2. dsh没有选择GUI、也没有选择TUI,或者CLI,而是走了一条其他Harness几乎没走过的路——Web UI,采用BS架构,这个设计非常的巧妙,把客户端繁重的工作省下来做优先级更高的事情,后期如果要做客户端,直接Electron包一下就是客户端了 3. 插件系统非常nice,万物皆…

DS V4 Pro效果没有完全达到预期,不过DeepSeek Harness(dsh)却十分惊艳,草草的列几个印象深刻的点: 1. 快,非常之快 2. dsh没有选择GUI、也没有选择TUI,或者CLI,而是走了一条其他Harness几乎没走过的路——Web UI,采用BS架构,这个设计非常的巧妙,把客户端繁重的工作省下来做优先级更高的事情,后期如果要做客户端,直接Electron包一下就是客户端了 3. 插件系统非常nice,万物皆…

DeepSeek V4 Pro 的模型表现未达部分用户预期,但同步亮相的 DeepSeek Harness(dsh)工具链凭借 Web UI 架构、插件系统和细粒度可观测性受到开发者关注,GitHub 星标数被认为有望快速突破 10 万。

用AI做开发,最烦的就是上下文一长模型就开始胡言乱语,工具调用动不动翻车,同一个Agent在不同人手里表现天差地别。 《深入理解AI Agent》这本书就是冲着这些坑来的——它不从理论到理论,而是从工程落地的角度把原理给你掰扯清楚。 总共10章,每章配了能直接跑的实验代码,加起来90多个。 核心公式就是Agent = LLM + 上下文 + 工具,书里围绕这个从上下文工程、记忆系统、工具调用,一路讲到评估、后训练、多智能体协作。把Gi…

用AI做开发,最烦的就是上下文一长模型就开始胡言乱语,工具调用动不动翻车,同一个Agent在不同人手里表现天差地别。 《深入理解AI Agent》这本书就是冲着这些坑来的——它不从理论到理论,而是从工程落地的角度把原理给你掰扯清楚。 总共10章,每章配了能直接跑的实验代码,加起来90多个。 核心公式就是Agent = LLM + 上下文 + 工具,书里围绕这个从上下文工程、记忆系统、工具调用,一路讲到评估、后训练、多智能体协作。把Gi…

一本名为《深入理解AI Agent》的技术书籍正在 AI 开发社区受到关注,它以工程落地为主线,用“

Eval bug: Muse Glimmer “The model produced output that does not match the expected peg-native format” when running tool calls

Eval bug: Muse Glimmer "The model produced output that does not match the expected peg-native format" when running tool calls

该报错是 llama-server 在使用 Muse Glimmer 模型进行工具调用(tool calls)时,模型偶尔生成不符合 peg-native 格式的输出导致的解析失败,约每 5 次工具调用出现 1 次,属于间歇性错误而非必然崩溃。优先排查工具名称的命名方式,因为 Issue 中用户通过