作者基于阿里巴巴开源的进程内向量数据库 zvec 及面向代码仓库的语义检索工具 zvec-grep，开发了一个 DeepSeek Harness（DSH）插件 dsh-zvec-grep。文章是开发笔记，先通过真实仓库实验确认语义搜索的价值：在不知道代码命名时提供更好的“第一跳”，与 rg 精确搜索形成互补。插件没有简单包装 CLI，而是直接使用 createZvecGrep() 引擎 API，以 workspace 为运行时边界共享索引与 watcher，实现自动索引、增量更新与每小时校准，并通过状态胶囊向用户暴露索引进度与错误，退出时用 AbortController 清理资源。作者总结插件设计理念：替用户承担复杂度，暴露不确定性，让语义搜索负责模糊发现、精确搜索负责已知匹配。
文章系统讲解了 Transformer 中各类注意力机制的演进：从自注意力、因果注意力、交叉注意力的基础概念，到 Multi-Head Attention（MHA）的表达力与显存代价，再到 MQA 通过共享 KV 头缩减缓存、GQA 在质量与内存间取得平衡成为主流、DeepSeek 提出的 MLA 通过低秩潜空间压缩 KV 缓存，以及 FlashAttention 通过改变内存访问方式优化计算效率。核心驱动力是 KV cache 的显存约束：长上下文大模型的注意力状态存储可与模型权重相当。每种机制都是为了解决前一设计的缺陷而诞生。
文章以 DeepSeek 开源的 V4-Flash-Vision-Exp 为例，深入浅出地讲解大模型的本质：一个做矩阵运算的超大函数。作者介绍了模型文件结构（权重分片、config.json、tokenizer.json），并详细解析输入输出处理流程，包括文本分词、BPE 算法、Embedding、MoE 混合专家架构、概率性输出与自回归生成机制。此外还逐项解读了核心参数，如词表大小、网络层数、注意力头数、YaRN 长上下文伸缩、视觉模块和 FP8/FP4 低精度量化等，帮助读者建立对大模型原理的整体认知。
作者基于开源的 DeepSeek Harness 桌面版，融合内容创作插件与自研运营工作台，打造了一套覆盖选题、脚本、录制、字幕、封面、发布到复盘的完整短视频创作工作台。灵感通过绿芽快捷入口随时记录，进度由本地文件自动判断；AI 写脚本前会读取预设的人设、结构与禁忌词规则，并可勾选历史复盘经验辅助创作。字幕分转录校对和人工确认烧录两步，封面一次生成三种画幅，图文可转写至公众号。发布支持四大平台并自动回收数据，运营看板汇总今日推进、档期规划、内容管线等模块。复盘沉淀为规则反哺后续创作，所有内容均以本地文件保存，保障数据主权，项目已开源。
作者通过同一 Hermes Agent、同一数据目录和任务，对 DeepSeek V4 Flash、GLM-5.3-Flash、Gemini 3.7 Flash 和 GPT-5.6 Sol 四个模型进行单页计算与画图任务的基准测试。结果显示，Flash 模型已能胜任此类任务，其中 DeepSeek V4 Flash 用时最短且成本最低，GPT-5.6 Sol 虽稳定但价格高一个数量级。作者建议默认使用 Flash，将 Sol 作为备选，并强调测试的局限性与诚实声明。
作者实测智谱新发布的 GLM-5.3-Flash 模型，对比 DeepSeek V4 Flash 的价格与性能。该模型每百万 Token 输入 0.8 元、输出 2.8 元，在 Artificial Analysis 榜单上以 $0.045 成本获得 57 智力分，14 项 benchmark 中赢 DeepSeek 11 项，视觉端六项全胜，与 Opus 4.8 对比 13 项赢 9 项。实际测试中，模型可通过一句话从截图、视频、链接复刻网站（如 GitHub、3D 游戏 Krunker），前端与视觉能力极强。作者计划将日常 coding 和 agent 任务分流给它以节省成本。
本文详细记录了作者在广州某高校图书馆 AI 工作坊上，带领学员使用腾讯 WorkBuddy 将手头资料（如数据表、规章文件）制作为交互式智能问答网站的完整过程。文章涵盖：让 WorkBuddy 生成可视化网站、接入 DeepSeek API 实现自由问答、通过中转函数保护 API key 安全、用 Codex 操控 Chrome 自动完成腾讯云部署等环节。作者还分享了 API key 三道安全防线、部署踩坑经验（教程过时、云函数超时、日期偏差排查）以及成本控制（全班提问仅花两毛二），并强调数据授权与隐私边界的重要性。
作者基于一份冻结 rubric 的自建评测（10 维 × 5 细项），通过 Round 1 超长整包和 Round 2 拆题稳定两轮测试对比八个大模型。Round 1 整包交付第一是 hy4 preview（96.4 分），Round 2 拆题稳定第一是 GLM-5.3（93.6 分）；综合等权评分 GLM-5.3 以 93.4 分居国产第一，Kimi-K3 以 91.5 分列第二，hy4 因拆题时违反约束跌至 83.8 排第三。DeepSeek V4 Pro 与 Qwen3.8 Max 表现偏科，榜单前三均为国产模型。评测题面与方法已开源，结论是决定「第一」的不是最高一次成绩，而是每一次的稳定表现。
文章系统介绍了 DeepSeek Harness，强调它不是单纯的模型聊天界面，而是把模型、工具、会话、沙箱、工作流、调度和 UI 都插件化的 Agent 运行框架。内容涵盖安装启动、Web UI 与远程访问的安全风险、4 种 Agent 模式的权限取舍、Trajectory 执行轨迹带来的可调试性、多模型接入降低供应商锁定、'一切皆插件'的架构理念、会话分支用于并行验证假设，以及 Dynamic Workflow 和 Agent Teams 实现多 Agent 协作的任务拆分与汇总。作者认为其价值在于让 Agent 成为可配置、可观察、可复用的执行系统，但仍处 developer preview 阶段，需谨慎对待权限与数据安全。
作者逐行阅读 OpenAI 开源的 Codex harness（rust-v0.150.1）与 DeepSeek Harness（dsh v0.1.1-rc.2）的源码，从工具调度、多智能体、上下文管理、沙箱、可观测性、模型互操作等十个维度对比两者，并设计了五个机制场景、六个组合共 150 次真实 agent 运行测试。文章揭示多个反直觉发现：Codex 多智能体更成熟但没有独立的读文件工具；Codex 只支持 Responses 协议而 dsh 兼容 chat completions；两者在上下文压缩上防的是不同故障。结果 149/150 通过，压缩场景 Codex 快约五倍。文章最后给出按使用目的的选型建议。
匿名爆火的「牛来」模型 Ox-Alpha 揭晓身份，是智谱的首个原生多模态模型 GLM-5.3-Flash。仅 320B 参数（激活 18B），能力对标 Claude Opus 4.8，价格仅其 1/40，MIT 协议开源，跑在 10 万张国产芯片上。作者使用智谱官方 Harness 工具 ZCode 进行三个项目实测：复刻 Apple Vision 产品页、开发全栈 AI 绘图工具、制作 3D 联机对战游戏《牛来格斗》。测评显示其视觉理解与截图自主验证能力对 AI 编程体验提升巨大，长程任务稳定，但实时网络同步等后端难点仍有不足。
文章系统盘点了 2026 年值得关注的开源 AI 模型，涵盖语言、图片、视频三大类别，包括 Qwen、DeepSeek、Kimi、GLM、MiniMax、混元等国产阵营及海外模型。作者拆解了模型命名规则（参数量、MoE、量化、许可证等），提出五步选型筛选法，并比较各硬件平台（Mac 统一内存、NPU AI PC、大内存 APU 等）的适配能力。文章还讲解了本地部署的适用场景与许可注意事项，最后通过 Mac 和 Windows 双机实测检验模型在文字、看图、分镜和视频任务上的真实表现，帮助读者判断自己需要哪类模型以及电脑能否带动。
文章揭秘了海外爆火的匿名模型OX Alpha的真实身份——智谱发布的GLM-5.3-Flash。该模型是总参数320B、激活18B的MoE架构，GLM-5系列首个原生多模态模型，支持图像、视频和文本输入，上下文达100万。其能力逼近Opus 4.8，而价格极低（每百万Token输入0.8元、输出2.8元），比DeepSeek V4还便宜一半。作者通过自建1000条新闻评测集实测发现其在精选率和品味上优于MiMo 2.5 Pro和DeepSeek V4 Pro，前端代码能力也直逼顶级模型。此外，智谱用10万张国产卡扛下了匿名测试期的全部推理流量。作者决定将AIHOT网站模型全面切换至GLM-5.3-Flash。
匿名模型 Ox Alpha 揭晓为智谱 GLM-5.3 Flash，320B 参数、MIT 开源、原生多模态、1M 上下文，限时价格仅为 Opus 4.8 的 1/40。作者通过三个前端场景实测：仅凭一张图用 Three.js 复刻玻璃折射海报、看录屏视频还原 60 片玻璃螺旋彩带交互网站、将静态体素海报改造为滚动揭示的 3D 网页，均表现出顶级多模态理解与代码能力，远超同价位的 DeepSeek V4 Flash，接近 Fable 5 但便宜约百倍。作者认为其把'便宜又够用'的行业斩杀线大幅推进，让预算有限的创作者也能用上前沿智能。
本文系统讲解 DeepSeek 开源的 Agent 框架 DeepSeek Harness。作者从 Agent = Model + Harness 的公式入手，解释 Harness 如何将模型的意图转化为受约束、可持续的行动，涵盖插件化架构（Everything is a Plugin）、Profile/Bundle/Patch 配置体系、Cordis 插件管理器及其时空可组合性与 Fiber 生命周期、Agent Loop 中 Turn 与 Step 的执行流程、Inbox 输入机制、事件系统以及每个 Step 重新组装 System Prompt 的设计。文章配有大量名词解释与图片，兼顾零基础读者与技术人员。
作者盘点了 DeepSeek Harness 生态中社区评分最高的 TOP 10 必备插件，包括插件市场入口 dsh-market、视觉扩展 modlens、界面全家桶 dsh-web-ui、VS Code 风格侧边栏、@ 文件引用、原生桌面端、多源搜索、跨会话记忆 OpenViking、费用看板和本地知识库精读等。并给出新手三步走建议：先装市场、视觉和界面插件，再按需补齐搜索与记忆能力。文末附上全部插件的 GitHub 仓库与一键安装命令。
作者介绍了其开源项目 k8e-sandbox 的沙盒服务实现。该沙盒基于 k8s 分布式架构，目标场景是一台笔记本跑 agent harness、一台远程服务器跑沙盒。文中详细演示了在 AWS 2C/2G 低配机器上一键安装 k8e、配置域名与 EIP、创建 API key、通过 k8e-sandbox-cli 与 DeepSeek Harness（DSH）联通，并在沙盒内运行网页并通过 Gateway/HTTPRoute 对外暴露 URL 的完整流程。沙盒内置 gvisor 实现用户态内核隔离，安全性接近 KVM 虚拟机。作者认为 agent infra 仍有大量工作要做，希望个人开发者拥有自己的工具箱。
作者使用 Apodex 1.1（主模型+在线工作台的科研 Agent 产品）对 221 个 MATS 项目进行研究，分析中国模型尤其是开放权重模型在 AI 安全研究中的使用情况。系统区分原始提及与实质性采用，通过异步 Agent Team（10 个 Subagent 并行）处理 4,821 条证据摘录，支持运行中 Chime-in 调整任务范围，并用独立审查 Agent 核验结论。研究发现中国模型实质性采用率从 2023 年的 4.35% 升至 2025 年的 50.55%，80.9% 的使用在开放权重条件下发生，中国开放权重模型正成为安全研究的实验基础设施。
DeepSeek 发布实验性视觉模型 DeepSeek-V4-Flash-Vision-Exp，在 V4 Flash 基础上增加识图能力且价格不变。作者通过 DeepSeek Harness 接入该模型，完成了 OCR 识别、人物识别、iPhone 机型辨别、找不同、图片转 ASCII、报错修复、前端页面复刻、数据报表逻辑分析共 8 项测试。结果显示其 OCR 和找不同表现优秀，但人物识别、机型辨别和页面复刻存在明显失误。整体可用且性价比极高，一张图约 0.12 分钱，八轮测试仅花约 6 元，而同等测试用 Opus 5 需约 8 美元。这是 DeepSeek 迈向原生多模态的重要一步。
本文教程介绍如何用 DeepSeek V4 Pro 配合 Pi Agent、OKX Agent Skills 与 OKX CLI，在模拟盘上跑通加密货币量化交易全流程。内容涵盖环境安装与凭证配置、读取 BTC-USDT K线数据、用均线与 RSI、ATR 构建回测策略、创建 dry-run 脚本验证信号，以及最终由人工确认后执行小额模拟订单。文章强调安全边界：只用模拟盘、不碰真实资金、凭证不进入对话，并详细说明了防未来函数、手续费与滑点处理等回测细节。
本文是面向零基础用户的 Pi 编程 Agent 入门教程上篇。Pi 是 2026 年 GitHub 9.3 万星的极简 AI 编程 Agent，核心理念是做减法：仅 4 个内置工具、约 1000 token 系统提示词，同等成本下代码质量超过 Claude Code 和 Codex，速度快 1.5-2 倍，且能自我进化写插件。教程详细讲解了 Agent、模型、Token 等基础概念，三种安装方式，配置 DeepSeek API Key 或订阅账号的方法，常用操作快捷键，并手把手带领读者用一句话指令让 Pi 从零做出一个家庭记账本 React 网页，完成从安装到作品落地的完整闭环。
作者用10张图系统拆解DeepSeek Harness（DSH）的架构设计。DSH启动经历两次装配：先通过Profile、Bundle和Patch构建公共Host（含Session、模型注册、工具系统、Agent Loop和Web服务），再依据Preset为会话装配具体Agent。底层基于Cordis插件框架，通过provide/inject服务依赖图和事件机制将独立插件组装成完整系统。文章还详解了Agent Loop的Turn/Step运行机制、SessionEvent事件日志的持久化设计，以及如何通过自定义Preset快速构建业务Agent。
Hugging Face 正接触潜在买家，估值可能超 130 亿美元，比当年微软收购 GitHub 的 75 亿还高。文章分析其价值来自模型分发入口地位：平台模型、数据集超百万，Qwen、DeepSeek 等开源模型均以此为主阵地。公司年化收入已过 1 亿并盈利，出售并非自救，而是趁高位试探最优价格。核心难题在于中立性：任何大买家（Google、英伟达等股东）收购都会动摇其他厂商信任。作者回顾微软收购 GitHub 八年后的变化，提醒关注收购后模型迁移自由与推荐公平性。
文章对比了两款桌面跑大模型的设备：英伟达 DGX Spark（国行3.5万）与搭载 AMD Ryzen AI Max+ 395 的小主机（近2万）。两者均采用统一内存架构、128GB 内存，可装下 70B 级模型。核心结论：出字速度受内存带宽限制，两台几乎一样；读题（预填充）速度 Spark 快五到六倍，资料越长优势越大。文章还分析了各自优缺点、CUDA 生态、双机集群跑 DeepSeek-V4 的玩法及真实翻车案例。
本期早报精选三篇内容：Anthropic 发布 AI 原生软件交付生命周期手册，将 Plan、Design、Build、Test、Deploy、Maintain 六阶段改造成以版本化工件驱动的可循环流程；DeepSeek 上线实验性视觉模型 V4-Flash-Vision 的 API，支持图文混合输入与 Files API 复用；Together AI 的 Hassan El Mghhari 分享 Hallmark Skill，将设计品味拆解为负面约束、视觉参考与偏好记忆。速览还包括 Uber 智能体 SDLC、DeepWiki 代码 Wiki、Blackwell 投机解码优化、淘宝 Skill 实践等。
Parallel 推出面向 AI agent 的 Fast 模式网页搜索，价格仅为主流模型默认搜索的十分之一，每千次查询 1 美元，在质量-成本和质量-延迟上均处于 Pareto 前沿，准确率接近 SOTA 的 Parallel Advanced。独立评测显示其端到端成本比 Brave、Exa、Tavily 便宜 2 倍以上。文章指出随着 GPT-5.6 Luna、DeepSeek V4 等高性价比模型普及，AI 智能成本数月内下降 8-12 倍，廉价模型需要廉价搜索，Parallel Fast 旨在提升 agent 每美元的有效工作量。
DeepSeek Harness（DSH）是 DeepSeek 官方开源的 AI Agent 运行环境，核心理念是「一切皆插件」。文章介绍了如何在 GitHub 和社区清单中发现优质插件，并推荐了多款热门插件：包括让模型理解图片的 ModLens、扩展搜索源的 ModSearch、可操作真实 Chrome 浏览器的 dsh-browser、支持多 Agent 协作的 Agent Teams、插件市场 dsh-market、界面全家桶 dsh-web-ui、侧边栏增强、上下文可视化和生成式 UI 等，帮助用户扩展 DSH 技能并提升使用体验。
因DeepSeek官方API涨价，作者对比了2026年主流AI订阅套餐的性价比。结论：34元人民币的OpenCode Go订阅最划算，可0.33倍率用DeepSeek、0.083倍率用Muse Spark 1.2；30美元档推荐SuperGrok、GPT Plus和GLM Lite；200美元档推荐Claude Max和GPT Pro；300美元档推荐SuperHeavy。文章还详细列出各套餐的坑点，如Claude易封号建议通过苹果商店购买、Grok节点不干净会降智、GLM限购且速度慢等，并附AI模型智力排行榜。
本文分析了特斯拉在中国选择豆包作为车机语音助手的原因。特斯拉将豆包用于响应车主语音指令，DeepSeek用于陪聊，两者均托管在火山引擎。作者从下载量、价格、使用场景和交付能力四方面剖析：豆包下载量高、价格合理、擅长高频日常对话，且火山引擎提供一站式交付，使特斯拉能快速落地。此外，外国厂商在中国需本地AI伙伴，特斯拉此举是顺应趋势。
本文介绍了基于 ChatGPT Codex 搭建的 AI 股票分析系统的技术方案，该系统定位为 AI 投资研究与信息处理系统，非自动交易或涨跌预测。文章详细阐述了系统的整体架构（6层）、技术选型（数据源、AI模型、调度、推送）、核心数据流、评分体系、配置说明、运行部署、安全边界及关键风险。作者强调工程上先单模型跑通更稳，评分不等于涨跌概率，并提供了与主线项目（Codex 式 Agent 桌面应用）的关联建议。
