与「DIY」相关的搜索结果

CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp 课程定位：从"模型"到"系统"的工程学 覆盖：简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补： @Diyi_Yang（斯坦福 NLP 教授，人机交互与社会计算方向） @michaelryan207（DSPy 核心贡献者，自动评估 AutoMetrics 作者） @jyangballin（SWE-agent / SWE-bench / SWE-smith 作者，软件工程 Agent 领域最重要的研究者之一） # 课程主线：三大工程挑战 贯穿全课的三个核心问题——分解（decomposition）、数据（data）、评估（evaluation）。11 周的内容基本围绕这三条线展开，可以分为五个模块： 模块 1：构建基元（Week 2–3） · LLM 作为构建材料：API/SDK（litellm）、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG：embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用：函数调用 API、MCP（Model Context Protocol）、工具设计、代码沙箱、错误处理与重试 模块 2：框架与设计模式（Week 3–5） · 框架层：DSPy（signature / module / optimizer）、LangChain/LangGraph、LlamaIndex，重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式：workflow vs. agent 的分类学，五种可组合 workflow 模式，ReAct / plan-and-execute / reflection，"scaffold（脚手架）本身就是设计决策" · 记忆架构：短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆（MemGPT、Mem0、Generative Agents） · 多 Agent 系统：编排模式、handoff 与状态传递，以及一个很有态度的对照阅读——既读 AutoGen，也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3：优化（Week 5） · 从提示词到微调的全景：GEPA、MIPROv2、OPRO、TextGrad（提示优化）；LoRA/QLoRA、蒸馏、RLHF/DPO（权重优化）；test-time scaling（推理算力） · 核心问题是决策框架：什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4：数据与评估（Week 6–8）——最有分量的部分 · 数据：trace、demonstration、feedback 三类数据；训练数据 vs. 评估数据；数据飞轮；合成数据；从 Agent 轨迹构建数据集（SWE-smith） · 评估基础：为什么 eval 难；4 元组框架（request / environment / stopping criteria / scorer）；好 benchmark 的性质；tinyBenchmarks · 评估基础设施：三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5：安全与前沿（Week 8–11） · 安全：工具访问的隐私风险、prompt injection（含间接注入）、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent：SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent：从 reactive 到 proactive，General User Models（GUM）、Next Action Prediction，以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题：多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性（tracing、monitoring、成本管理） # 作业设计：一手建、一手评 HW1：从零构建 Agent 系统（10%） 给定论文库，构建能检索并推理回答科学问题的 Agent。 · Part A：只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B：用 DSPy 重建关键组件，并反思框架抽象了什么 HW2：评估一个 Agent（10%） 给定一个预构建 Agent，设计完整评估套件：代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

Pastacıdan Kylie Jenner pastası istedim, yaptığı pastanın bana attığı görsel bu. Benzemediği için reddettim ama 'iade yok teslim almak zorundasın' diye zorluyor. Benziyor mu gerçekten, ben mi haksızım sizce?

目前根据已有的 DeepSeek Harness 的内容，我觉得 Claude Code/Codex 就像苹果一样，什么都做，追求体验极致；而 DeepSeek Harness 可能是一种安卓的理念，就是走开源，社区自己 DIY 玩，OEM（比如一些企业定制、政府定制等等）可以私有化魔改等等。而这个基础上，最核心的就是插件生态。

有幸一个月前就被 @tianyi 拉进了仓库。当时 DSH 还是一个只实现了 core framework 的毛坯房。过去一个月，基本上每次 pull 代码，都是上千个 commits 的速度在涨。 说一下我对 DSH 的一些理解，不一定对： 1. 首先是怎么理解 DeepSeek Harness 这个东西。我觉得 DSH 既是一个可以直接运行的 Coding Agent，目前官方提供了 Web 和 headless 两种形式；同时它也是一套 Agent 开发框架。TUI 之类的其他交互方式，也可以通过外部 profile 和插件接进来。 2. 如果拿 Coding Agent 的标准来说，当前 DSH 的体验确实不如 Claude Code / Codex 那么完善。整个项目还很早期，接口一直在变化，插件生态也才刚刚开始，质量肯定是层次不齐的。 3. 但如果从开发框架的角度来看，可以把 DSH 想象成一个乐高汽车玩具。DeepSeek 官方提供的这个 Coding Agent，只是他们自己拼出来的一套官方预置。你完全可以把里面的零件换成自己喜欢的：换引擎、换轮胎、换挡风玻璃，或者加装其他模组。甚至最后拼出来的东西，也不一定还是一辆汽车。 4. DSH 的核心是「一切皆插件」。模型、工具、文件系统、Shell、沙箱、会话存储、Subagent、UI，甚至 Agent Loop 本身，都是插件。正因为这样，你可以把 DSH DIY 成任何自己想要的样子，这也给后面的社区生态留下了很大的空间。 5. 再往前想一步，这其实有一点「自进化软件」的雏形了。DSH 现在已经可以让 Agent 检查自己的 runtime，现场写一个插件并挂载上去，然后在后续的任务里直接使用这个刚刚获得的能力。 当然，现在这部分还比较实验性：动态生成的插件只存在于内存里，重启就没了，也还不能自动沉淀成一个永久插件。 但可以想象一下：假设某个功能现在没有，你和 Agent 随便聊两句，这个功能就被做好了，而且可以直接开始使用。甚至 Agent 在执行任务的时候，可以自己发现缺少某种能力，然后自己完成开发、安装和调用。 6. 接下来就需要等待一批真正优秀的插件了。DSH 现在还很早，但我相信它的潜力非常大。 --- 另外从代码上来看，DSH 有非常多函数式编程的影子，不熟悉 Ocaml/Haskell 可能一上来会比较难理解，可以多让 Agent ELI5 一下。

有一个不花钱就能白用tradingview的工具，能同时添加很多指标，还能自由组合自己的交易策略。 指标搜索栏输入，DIY Custom指标搜索栏输入 DIY Custom Strategy Builder，点击收藏并添加到图表，后面简称 DIY 指标。 DIY 指标布局比较复杂，分为总指标设定、领先指标组、确认指标组、开关版，还有 30 多个内置指标的参数设定。我们用到哪个指标直接勾选就可以，非常方便，这些指标都可以任意组合，使用规则比较简单。 Strategy Builder。 第一步，是选择领先指标。

其实大环境越差，越要反其道而行之 1、有人在国内闲鱼和拼多多低价收二手iPhone、华为旧机，简单刷机+换壳后，挂到东南亚Shopee和Lazada卖。 单机赚30-80美金，一个月出货900多台，纯利轻松过几万刀。 2、有人刷海外设计师平台（Behance、Dribbble），把欧美最新潮流配色+穿搭手稿下载下来，用AI翻译成中文+排版优化。 然后打包成《2026春夏欧美风尚素材库》，在小红书和视频号卖149元，月5000+份，复购率高达65%。 3、有人在闲鱼卖Codex换肤，零成本月入过万。别人都在烧Token写代码，有人专门在闲鱼卖Codex桌面端皮肤定制——从二次元到财神爷，从王者荣耀到日本女优，统统能改。 售价66到99元不等，销量破千单的商家不在少数。不写一行代码，靠信息差和审美赚AI工具的第一波红利。 4、有人把奶茶DIY做成一门副业。喜茶、霸王茶姬上线手绘杯贴功能后，闲鱼上催生出“代画杯贴”产业链。标价1元打包全套主题杯贴的商家已售超2000单； 还有人只提供“代上传服务”，收费5块，卖了1700多单，光这一项赚了十几万。 5、还有人天天盯Kickstarter和Indiegogo上还没量产的极简厨房小工具，确认爆款后立刻去义乌和1688找代工厂开模， 海外原品售价$199，还没发货。国内首发¥699，月销5000单，单月流水¥350万。货还在集装箱里，钱已经到账了。溢价4倍，差价就是纯利润。 6、有人在小红书卖AI Skill，0成本爆卖40多万。有教育博主做了AI英语外教Skill，定价68.8元，售出2000+份，创收14万+。 这个世界，96%的财富都藏在信息差里。 中国14亿人，9亿人没坐过飞机，信息差大到离谱。 欧美、日本、东南亚每天都在产生海量新趋势、新产品、新内容，而国内大部分人根本看不到，也不会用。 这就是普通人最应该抓住的机会。 AI时代最值钱的能力，不是写代码，也不是做视频。是你先看到，然后告诉别人。 9亿人没坐过飞机，意味着至少有9亿人还活在信息孤岛里。你要做的，就是成为那道桥。 大环境越差，越要反其道而行之——
别人收缩，你就去放大信息差；
别人抱怨，你就去吃信息差的红利。

Mısır’da geceliği 100 pound olan ve ilanında sadece içi gösterilen Airbnb evini kiralayan turist, dışarıyı görüntülemeye başlayınca dışardakiler peş peşe “No, no, no!” diyerek kamerayı kapatmasını istedi; çevrenin özellikle gizlenmeye çalışılması dikkat çekti.