与「语言」相关的搜索结果

出大事了，兄弟们 !! DeepSeek 再一次给全世界人民送大礼，牛逼之举胜过 Anthropic 1000000倍 就在刚刚，DeepSeek 放出一个开源库，deepseek-ai/chat-demo 它可不是个套壳： 1/ 不需要写一行代码；不要买任何服务器；更不需要平凑第三方插件 2/ 原生边想边搜，直接调用官方内置 deepseek_web_search, 深度思考模式下，多步推理+全网检索+信源引用 3/ 全能文档/网页绞肉机：PDF,Word,PPT,图片拖进去秒解析，URL 自动抓文 4/ 原生语言交互：自带移动端实时音频输入 + 回答朗读 5/ 极致隐私保护和数据自由：所有数据存档本地 IndexedDB 什么是开源精神：最强模型权重 + 官方满配武器库，全部交到你手里，充分相信使用者对社区，对人类的贡献 爱折腾的人类，立即马上 Fork, 世界有你而精彩:

AI视觉模型的核心设计 来自Meta和纽约大学的研究，做视觉多模态模型的可以参考。核心结论： 1）视觉编码器不用提前单独训练：跟着主模型从零一起训练，最终看图问答的准确率完全不输预先单独训练的版本，而且能省下大笔算力预算。 2）必须保留专门处理图像的独立参数：如果直接删掉视觉部件、让图片和文字共用参数，看图能力会大幅掉队，需要多花3倍算力才能追平。 3）视觉专属参数放进主模型前八层最有效：把视觉独立模块直接嵌进语言模型的前八层内部，不仅识别文字和图表的效果与外挂编码器打平。放进中后层则会拖后腿。 4）嵌入式设计让AI看图出字更快：省去了图片在外挂模块排队处理的环节，1.7B规模的模型在H200显卡上的首字响应时间从64毫秒缩短到37毫秒，反应更快。 项目地址：

建议收藏，用到时照着做。做完你能让 DeepSeek 自己决定“要不要调用你写的函数”，并把结果用人话讲回来。 AI 能查天气、查订单，是它自己去查的吗？DeepSeek 官方一句话拆台：模型本身不执行任何函数 这是 DeepSeek 官方 API 文档里 Tool Calls（工具调用）一页。先说结论： 官方原话是，函数要由你自己提供，模型本身不执行具体函数。它只负责说“我想调这个函数、参数是这些”，真正去跑的是你的代码。 先说清词。 工具调用（Tool Calls），是让模型能用外部工具的功能，比如查天气、查数据库。 函数（function），是你自己写好的一段代码，模型只会“点名”它。 tool_call_id（工具调用编号），是模型每次点名时附带的一个号码，你回传结果时要带上它，模型才知道你在回答哪一次。 strict 模式（严格模式，Beta 测试版），是让模型点名时严格按你定义的格式填参数。 一个真实例子：官方示例问“杭州天气怎么样”，模型返回的是 get_weather 这个函数和参数 location 等于杭州，你的代码去查到“24℃”，再交给模型，模型才说“杭州现在 24 度”。 先把话说全： 官方示例用的是非思考模式，请求里加 extra_body 把 thinking 的 type 设成 disabled。 官方写明：从 DeepSeek-V3.2 开始，思考模式下也能用工具调用，细节看官方 Thinking Mode 一页。 官方写明：Chat Completion 接口不支持在对话中间插入不是模型生成的工具调用，要插的话请改用 Anthropic API 或 Responses API。 strict 模式目前是 Beta，要用测试版地址。 一、先看懂整个流程 官方给的执行流程是四步：用户问杭州天气；模型返回要调用 get_weather，参数是杭州；你的代码真的去调用 get_weather，把结果交给模型；模型用自然语言回答“杭州现在 24 度”。 二、照官方示例做一遍 第一步：去 DeepSeek 开放平台拿一个 API key，电脑装好 Python 和 openai 库。 第二步：创建客户端，base_url 写 DeepSeek 官方接口地址（官方文档第一屏就有），api_key 填你的。 第三步：写 tools 清单。每个工具包含 type 等于 function，再写 name（函数名）、description（描述，告诉模型什么时候用）、parameters（参数）。官方示例的函数叫 get_weather，描述是“获取某地天气，用户须先提供地点”，参数 location 是字符串，并且在 required 里。 第四步：发第一次请求，model 官方示例写 deepseek-flash，把 messages 和 tools 一起传，并加上 thinking 关闭的设置。 第五步：从返回里取 tool_calls 的第一项，先把模型这条消息原样追加进 messages。 第六步：你的代码去执行函数，再追加一条 role 是 tool 的消息，带上刚才的 tool_call_id，content 写结果，官方示例写的是 24℃。 第七步：再发一次请求，这次模型就会用自然语言回答。 三、想要更稳：strict 严格模式 第八步：base_url 改成官方文档里写明的 beta 版接口地址（就是原地址后面加 /beta）。 第九步：每个 function 都加上 strict 等于 true。 第十步：服务器会检查你的 JSON Schema（结构说明），格式不合规或用了不支持的类型，会直接返回错误信息。 官方支持的类型是：object、string、number、integer、boolean、array、enum、anyOf，另外 $ref 和 $def 可以复用和做递归。 四、strict 的硬规矩 对象里所有属性都必须写进 required，并且 additionalProperties 必须设成 false。 字符串可以用 pattern（正则）和 format，官方列出的格式有 email、hostname、ipv4、ipv6、uuid，但不支持 minLength 和 maxLength。 数字支持 const、default、minimum、maximum、exclusiveMinimum、exclusiveMaximum、multipleOf。 数组不支持 minItems 和 maxItems。 五、看到什么算成功 第一次返回的是函数点名，不是答案；第二次返回的才是自然语言答案，内容里有你的函数结果。 六、卡住怎么办 strict 报错：先检查是不是漏写 required 或忘了 additionalProperties 设 false，再检查有没有用到 minLength、maxItems 这类官方不支持的写法。 结论：工具调用不是模型替你干活，而是模型“点名”、你的代码“动手”。想让点名更准，就用 strict。把这条复制链接发给他，下次他说 AI 查不到东西，先让他确认函数是不是自己写了。 你卡在第几步？评论区告诉我。同系列前几篇在我主页。 收藏版：5 步速查 一、tools 里写清函数名、描述、参数 二、第一次请求拿到 tool_calls 三、自己执行函数，回传 role 为 tool 的消息并带 tool_call_id 四、第二次请求拿到自然语言答案 五、想更稳就用 beta 地址加 strict 等于 true 常见坑 3 条 一、以为模型会自己执行函数，其实要你的代码去跑。 二、回传结果忘了带 tool_call_id。 三、strict 里漏了 required 或 additionalProperties 设成 false。 复制即用提示词：我想让模型调用一个叫 你的函数名 的函数，它需要这些参数：写参数。请帮我写出符合 DeepSeek Tool Calls 格式的 tools 清单，每个参数都写 description，并改成 strict 模式需要的写法。 S1哥观点：这篇最狠的地方，是官方把话挑明了：模型不执行函数，只负责点名。很多人以为 AI 在后台自己动手，其实动手的永远是你的代码。 真正的信号是：工具调用的难点不在模型，在你把函数描述写得多清楚。就像派活给新人，说明写得含糊，他再聪明也会点错人。 你现在想让 DeepSeek 调用的是什么，查数据还是发消息？评论区告诉我。 今天送：DeepSeek 工具调用速查卡，评论区第一条直接拿。 参考：DeepSeek 官方 API 文档 Tool Calls（S1哥 整理）

5/ 写出每一页的内容 你是一名幻灯片内容撰稿人，负责写出简洁、可直接上演示的要点，表达清楚又不让观众信息过载。 为每一页写出完整内容——精炼的要点、清晰的语言，一页一个想法。 1. 开始前先问我：页面结构和受众 2. 每页写 3-5 条要点——简洁、可直接使用 3. 确保每条要点只传达一个清晰的想法 4. 语言复杂度要匹配受众 5. 标出哪些页面想表达的内容太多 - 每页最多 5 条要点——没有例外 - 每条要点必须能在 5 秒内读完 - 不要写完整句子——只用标题式语言 - 一页一个想法——涵盖两个想法的内容要拆页

逐页：3-5 条要点 → 清晰度检查 → 内容超载标记

6/ 精简你的演示文稿 你是一名幻灯片编辑，负责果断删减、打磨、简化演示内容，直到每一页只传达一个清晰的想法。 检查我现有的演示内容，并重写，让每一页都精炼、清晰、适合上屏。 1. 开始前先让我粘贴当前的演示内容 2. 找出所有文字过多或包含多个想法的页面 3. 逐页重写被标记的页面——删掉噪音，保留信号 4. 把每条要点打磨成标题式语言 5. 确保每页只传达一个想法，且仅一个 - 一页超过一个想法，就拆成两页 - 幻灯片上的要点不能超过一行 - 删掉任何不服务于核心信息的内容 - 重写后的效果要更锋利，而不只是更短

被标记页面 → 重写内容 → 逐页前后对比 → 最终页数

AI 时代的 e2e 测试该怎么做? 最近 GitHub 斩获 13.8k Star，刚拿了 800 万美金融资的开源 AI 测试框架 e2e，其创始团队技术布道师 Kacper Kapuściak 写了一篇非常扎实的工程实践，下面总结几条核心内容： 1、测用户意图目标，而非前端实现，越过 DOM 节点与 test-id 绑定，直接用自然语言向 Agent 下达具体，收敛的业务意图。由 AI 自主感知界面完成选日期，点生成等交互，哪怕前端重构组件库，测试照样稳定。 2、废弃拖慢 CI 流水线的固定 Sleep 读秒，改用带超时上限的 AI 动态条件等待。忽略Loading 消失这类弱的 UI 信号，直接等上月报表已打开可查看等强业务状态，并将负责异步加载的动态等待，与只抓拍当前画面的瞬时断言严格解耦。 3、执行 Agent 汇报点击完成，不能代表报表没空数据或串数据，更不能让大模型盲猜什么才是正确的画面。必须先从后端 API 查出真实任务列表作为唯一真值源，再调用独立的 AI Judge，严格比对屏幕渲染明细与 API 底账。 4、严禁测试用例之间产生顺序依赖，开跑前通过可复用的 Fixture 调接口独立构造专属工作区与测试数据，跑完后在生命周期钩子中自动清理还原，确保单测重试或并发执行绝对幂等。 5、将“生成报表，下载 CSV，发邮件”拆成命名清晰的独立原子测试。一旦断言失败，框架自动打包故障追踪轨迹，涵盖前置步骤、应用日志、Agent 推理上下文与屏幕快照，不仅人类能秒级定位，更能直接喂给 Coding Agent 自动修 Bug。 传送门：

大家都知道LLM，那SLM呢？ 小语言模型的三种主流构建方法 1. 知识蒸馏（Knowledge Distillation） 基于“教师-学生”框架迁移大模型能力， 代表模型有 DistilGPT、TinyLLaMA。 2. 从头轻量化训练（Training from Scratch） 设计轻量架构并在中等规模语料上独立训练， 代表模型有 MiniBERT、ALBERT. 3. 模型压缩技术（Model Compression） 在现有架构上通过剪枝、量化 或低秩分解缩减体积并保留性能

开通了grok bot super套餐。然后让他修改了几份我三月份永claude code写的软件.. 虽然不太清楚grokbot 背后到大语言模型是什么 感受是 他的编程能力其实非常强 编程能力是远超半年前claude code的 这让我彻底放弃了 我用了非常久的自调龙虾+kimi swarm的组合工作流 转向了grokbot+codex

Agent 最缺的不是更大的上下文窗口，而是理解整个代码库的能力：当一个项目有数万文件、跨模块调用和海量文档时，为什么还要让 AI 一遍遍 Grep、Read、重新理解整个工程？ 📦 项目档案 项目：Graphify-Labs/graphify GitHub Stars：⭐ 147299 技术栈：Python + Tree-sitter + NetworkX + Leiden 核心定位：将代码、文档、SQL Schema、PDF、图片及音视频转换成可查询、可追溯的知识图谱，让 AI Agent 从「搜索文件」升级为「理解工程关系」。 GitHub： 🛠️ 一、底层架构：不是传统 RAG，而是图结构知识引擎 Graphify 最值得研究的地方，是它没有走传统向量检索路线。 传统 RAG 通常需要经历： 文件切分 → Embedding → 向量入库 → 相似度检索 → 上下文拼接。 Graphify 直接构建 Graph。 底层采用 NetworkX 图数据结构，以 Node 和 Edge 表达工程实体及其关系。 整个处理链路可以概括为： detect() → extract() → build() → cluster() → analyze() → report() → export() 每个阶段职责独立，通过 Python Dict 和 NetworkX Graph 传递数据。 这意味着它不只是索引代码，而是在构建整个项目的结构化关系网络。 🛠️ 二、Tree-sitter AST：让代码解析摆脱 LLM 依赖 这是最有工程价值的设计。 Graphify 使用 Tree-sitter AST 解析约40种编程语言，提取： • Classes：类定义及结构。 • Functions：函数与方法。 • Imports：模块依赖关系。 • Call Graph：跨文件函数调用。 • SQL：表、视图、外键及 JOIN 关系。 其中33种语言使用 Tree-sitter Grammar，另外7种使用内置解析器。 关键在于：代码结构提取完全在本地完成，不需要调用 LLM，也不需要把代码上传到云端。 对于大型代码库，这种确定性解析比单纯依赖模型阅读文件更容易复现和追踪。 🛠️ 三、EXTRACTED / INFERRED：让每条知识关系都有证据 很多知识图谱最大的隐患是：模型推断出来的关系，很容易被误认为真实事实。 Graphify 给关系增加了置信度标签： • EXTRACTED：源码中明确存在的关系，例如 import、函数调用。 • INFERRED：通过上下文、命名和调用关系推断出来的连接。 • AMBIGUOUS：存在不确定性的关系，需要人工复核。 INFERRED 关系还会附带 0.0—1.0 的 confidence_score。 这套机制非常重要。 它实际上把知识图谱从一个简单的关联网络，变成了一个能够区分事实、推断与不确定性的工程知识系统。 🛠️ 四、Leiden + SHA256 Cache：解决规模与重复计算 Graphify 使用 Leiden 社区发现算法，根据节点之间的连接密度，将复杂工程拆分成不同功能子系统。 例如，一个大型后端项目，可以自动识别认证、数据库、路由、权限等不同社区。 同时，SHA256 内容哈希缓存会记录文件指纹。 文件没有变化，就跳过重复提取；只有新增或修改的文件才重新处理。 音视频还可以通过本地 faster-whisper 转录，再进入统一知识图谱。 这让增量更新不必每次重新扫描整个工程。 五、真正解决了什么工程问题？ 想象一个场景： 你接手一个陌生的微服务项目，需要搞清楚： 用户认证最终连接了哪些数据库模块？ 修改某个核心函数会影响哪些下游组件？ 某个架构决策为什么会存在？ 两个看似无关的模块究竟有什么隐藏依赖？ 传统方式：Grep、Read、跳转、反复询问 Agent，消耗大量上下文。 Graphify：直接执行 query、path、explain。 它还能生成三个核心产物： • graph.json：完整知识图谱，可供后续查询。 • GRAPH_REPORT.md：核心节点、社区及关键关系分析。 • graph.html：可交互的可视化图谱。 甚至支持 Mermaid 调用链导出、Markdown Wiki 和 Obsidian 知识库。 最重要的设计思想是： 不要让 AI 每次都重新阅读整个世界，而是提前把世界组织成它能够理解和遍历的结构。 这才是 AI Coding 从上下文堆砌走向工程知识管理的重要一步。 对于大型 Monorepo、遗留系统维护、跨模块依赖分析，以及需要长期理解代码库的 Agent，这套架构尤其值得研究。 🔗 GitHub 开源地址：

一名币安用户人在亚洲账户里 40 万 U 暂时提不出来，我刚刚看了整个事件 按公开的客服截图看，限制来自美国科罗拉多州联邦地区法院，平台也没法自行解除。对一个普通交易者来说，隔着语言和完全陌生的海外司法体系，光是搞清楚下一步该找谁，确实就已经压力不小了。 其实这几年随着美国对东南亚涉诈资金的链上追缴越来越严，这种跨境司法协查离我们已经不算远了。资金顺着链上地址流转，中心化平台作为资金交汇口，自然会成为配合司法调查的一环。当然，这只是目前的行业大背景，在没有看到任何公开文件之前，不能把这 40 万 U 直接跟特定专案扯上关系。 我们平时把资金放在全球化的交易平台，享受它的交易深度和便利，同时也会面临跨境司法管辖带来的不确定性。人在哪个地区，并不能完全决定账户不受海外程序影响；反过来，一纸海外法院的命令具体适用到什么范围，同样需要严格的法律依据。 所以客观来看，凭账户不能提现就说币安挪用了用户资金这也是站不住脚的。平台遇到适用的司法命令需要配合执行，这点完全可以理解；而用户着急想知道钱为什么被限制、接下来怎么提异议，也同样合情合理。 跨国合规的流程本来就复杂，普通散户自己摸索起来确实费劲。平台虽然没有权限直接决定什么时候解冻，但在法律允许披露的范围内，如果能多帮用户理清案件信息、指明递交异议材料的具体渠道，大家的无助感会少很多。 平时评判一家交易所，大家看的都是滑点低不低、充提快不快；其实真遇到这种跨境司法的复杂情况，怎么在合规前提下帮用户把沟通和服务接住，也是一项很重要的本事。对眼下被困住的这 40 万 U 来说，清晰的案件进展和能对接上的处理渠道，才是帮当事人解决问题的关键。@heyibinance 整个事件也是非常的清晰了个人认为也是理性的去看待此次事件，我也注意到币安的梨子酱在非常客观的去解释了原因。@pearbinance