modlens skill 支持 deepseek-v4-flash 外挂视觉能力
modlens skill 现支持为 deepseek-v4-flash 添加视觉能力，可通过配置文件接入 gemini、openai 兼容 API 等。还新增 claude code 的 CLI 模式使用 haiku 等模型。建议申请免费 API key 或直接向 codex app 咨询使用方法。
相关文档
Codex 接入 DeepSeek-V4-Flash 实战教程
本文介绍了如何将 DeepSeek-V4-Flash 接入 Codex 客户端，包括官方的一键接入脚本配置。作者进一步推荐使用 OpenCodex 工具解决多模型切换问题，实现了在 Codex 中原生切换 OpenAI 和 DeepSeek 模型，并详细讲解了安装、配置及使用方法。
Claude 桌面端(Windows) + DeepSeek-V4：新手小白级教程
本文详细介绍如何在Windows版Claude桌面客户端中接入DeepSeek-V4-Pro等第三方模型。教程涵盖获取DeepSeek API Key、安装Claude客户端、开启开发者模式及配置网关的完整步骤，解决了因官方限制无法使用Claude Code的问题，并提供了处理虚拟机平台报错的方案。
同样 10 美元，OpenCode Go 和 Command Code GOAT 选哪个？基于 6 万多条记录的实测对比
作者将 OpenCode Go 和 Command Code GOAT 两个 10 美元/月的套餐接入自己的 Sub2API 网关，基于 64,648 条使用记录和小规模质量测试进行实测对比。两者月额度均为 80 美元，OpenCode 短时额度更大（5 小时 16 美元、周 40 美元），GOAT 为 14/35 美元。在相近规模流式请求中 GOAT 耗时中位数和 P95 更短，400 错误也显著更少。结论：接自己的 Agent 或通用 API 客户端优先 GOAT；用于兼容的 coding agent 且集中跑任务则选 OpenCode Go。文章还讨论了处理费、高峰定价、参数兼容问题和模型是否量化等细节。
DeepSeek-V4.1-Flash-1017 发布
DeepSeek 发布 V4.1-Flash-1017 模型，性能更强、任务完成更快、输出更短，实现性能与成本的帕累托改进，已在官网、App 和 API 上线。模型通过强化学习自反馈优化端到端项目开发能力，覆盖游戏创建到 3D 建模等完整项目构建，并针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 等工具优化。同时 Search & Fetch API 面向所有人开放，基于自研搜索引擎，每端点 $0.75/千次调用，已在 Hugging Face 和 ModelScope 开源。
从零开始学 AI：小白也能看懂的常见 AI 名词讲解（三）
本文是 AI 名词扫盲系列第三期，面向小白讲解如何让 AI 工具变得更强，重点介绍与扩展 AI Agent 能力相关的常见名词。文章逐一解释了工具调用（Tool Calling）、API、MCP、CLI、连接器、插件、API 地址、API Key、模型 ID、Computer Use 等 10 个概念，并配以生活化的例子说明其作用与原理。作者还提醒读者注意保管 API Key、避免将密钥写入前端代码等安全事项，帮助读者理解 AI 如何连接外部工具完成实际任务。
出海独立开发：第一个产品怎么选、怎么做、怎么活下来
作者结合一年多出海独立开发经验，分享第一条产品的三条核心建议：一是优先做 ToC 套壳产品而非 ToB，用最低成本最快验证商业闭环；二是开发采用 Next.js 加 DeepSeek 辅助编程，直接用国内中转站 API 并通过比价网站控制成本，把精力集中在产品和增长上；三是 AI 时代个体价值被放大，创业者应先积累原始资本、尊重产品生命周期、主动结识优质人脉。最后总结为九个字：选得对、做得对、坚持做，三者兼备才能存活。
高强度使用 Pi Agent 开荒企业级工作流的经验分享
作者作为金融业IT，在公司 DeepSeek 一体机上下文受限（128k）的情况下，将 Pi Agent 部署到内网，一周消耗几十亿 token。他通过两大'开荒'工作提升 Agent 效能：一是将内网系统流程封装为 CLI，为全自动工作流做准备；二是结合自身业务理解建立代码索引与知识库。实践半个多月，进度约40%。作者感悟：业务理解能力的重要性大于模型本身能力，在适当指导和知识库辅助下，Pi 能完成真实企业级全流程开发。他通过 10 个拓展和 20+ SKILL 将 Pi 打造成专属业务 Agent，并推荐大家创造属于自己的 Agent。
Parallel Search 推出 Fast 模式：面向 AI 的高性价比网页搜索
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。
Agent Experience Engineering: the skill that'll make 1000's of millionaires in 2027
本文提出“Agent体验工程”（AX）这一新概念，指设计易于智能体使用的产品，使LLM更愿意采用。作者认为智能体正成为软件的主要购买者，传统UI的粘性优势消失，产品需通过API、MCP服务器、CLI等接口优化智能体体验。同时，原先的“上下文工程师”角色被AX工程师吸收，UI从操作层转变为监督层。文章最后给出实践建议，并预测AX工程师将成为未来品牌必备角色。
DeepSeek Harness 必装的 10 个插件
本文介绍了 DeepSeek Harness 生态中必装的 10 个插件，包括 ModLens（图像理解）、dsh-web-ui（Web UI 全家桶）、dsh-better-sidebar（Codex 风格布局）、dsh-TUI（终端界面）、deepseek-harness-desktop（桌面客户端）、dsh-at-file（@文件引用）、dsh-agent-teams（多 Agent 团队）、dsh-plan-execute（规划与执行分离）、dsh-context-doctor（Token 分析）和 dsh-reverse-skill（安全研究技能包）。这些插件覆盖了从图像处理、界面优化到多 Agent 协作、成本控制和安全研究等多个方面，旨在提升 DeepSeek Harness 的功能性和用户体验。
DeepSeek 不能生图/生视频的解决思路
针对文本模型无法直接生成多媒体内容的问题，本文提出了一种分层解决方案：利用 DeepSeek 生成结构化的画面描述，通过接入第三方聚合 API 处理图像和视频生成，最后交由 Agent 工作台串联完整流程。文章详细演示了如何调试接口并将验证成功的流程封装为可复用的 Skill，从而极大提升后续多模态内容生成的效率。
DeepSeek 刚支持了 OpenAI Responses API，但你可能还不知道它是什么
本文梳理了 LLM API 格式的演进史。从早期 Chat Completions 的无状态聊天映射，到各厂商接口分叉，再到 Agent 时代为解决状态管理和缓存问题诞生的 Responses API。新 API 引入了服务端状态、检查点分支及内置云端工具，模糊了模型与 Agent 的边界。随着 DeepSeek 宣布原生兼容该接口，预示着 Responses API 正取代旧标准，成为 AI 行业的新共识。
