与「DeepSeek」相关的搜索结果

各位用大模型的，有商业机密和小秘密的，一定记得关闭下面这些配置项： 1，ChatGPT——设置——数据管理——为所有用户改进模型：关！ 2，Claude——设置——Privacy——Help improve Claude：关！ 3，DeepSeek——设置——数据管理——数据用于优化体验：关！

怎么低成本搭建自己的AI助手？ deepseek R1模型发布以来，各种AI应有又有了一波大的爆发，但是数据保密成了一个不容忽视的问题。如果想较低成本地搭建一个私人应用的AI助手，可以自己调试生成限制，调试输出文本内容，数据不外传，成本尽可能低，不知道是不是可行。 本文详细介绍如何通过Dify和Chrome MCP的结合，在3分钟内搭建一个能操作网页的AI助手。文章提供了从环境准备、Dify部署、Chrome MCP安装到配置的完整步骤，展示了AI助手在自动网页搜索、表单填写、数据抓取等场景的应用，并解释了工作原理、问题排查及进阶技巧，让读者能够零代码实现网页自动化任务。 你是否想过让AI不仅能回答问题，还能直接操作浏览器帮你做事？比如自动填写网页表单、抓取特定数据、或者点击按钮？现在，通过Dify和Chrome MCP的结合，你可以在3分钟内搭建一个能真正"动手"操作网页的AI助手。 本文将手把手教你如何在本地部署Dify并配置Chrome MCP服务器，打造你的私人网页自动化助手。 准备工作：确保你的环境就绪 在开始前，请确保你的系统已安装： •Docker 和 Docker Compose（用于快速部署Dify） •**Node.js 18+**（用于运行Chrome MCP服务器） •Git（用于克隆项目仓库） 第一步：快速部署Dify（仅需1分钟） Dify是一个强大的LLM应用开发平台，我们通过Docker快速部署： # 创建项目目录 mkdir dify-chrome-mcp && cd dify-chrome-mcp # 下载Docker部署配置 curl -o docker-compose.yml # 启动Dify服务 docker-compose up -d 等待1分钟左右，访问 http://localhost:80 就能看到Dify管理界面。首次使用需要创建账号并完成初始化设置。 第二步：安装Chrome MCP服务器（1分钟） 打开新的终端窗口，安装并启动Chrome MCP服务器： # 安装Chrome MCP服务器 npm install -g @modelcontextprotocol/server-chrome # 启动Chrome MCP服务（会自动打开Chrome浏览器） server-chrome 服务启动后，你会看到类似下面的输出，表示MCP服务器正在9999端口监听： Server running on http://localhost:9999 Chrome browser launched and connected successfully 第三步：在Dify中配置Chrome MCP（1分钟） 现在回到Dify管理界面，进行关键配置： 1.进入设置 > 模型供应商 > MCP服务器 2. 点击添加MCP服务器 3. 填写配置信息： •服务器名称: Chrome-Automation •服务器URL: http://localhost:9999 4. 点击验证并保存，看到绿色成功提示 效果验证：让AI帮你操作网页 配置完成后，你就可以在Dify的Playground中测试你的网页自动化AI助手了。 试试这些实用场景： 场景1：自动网页搜索 请打开百度首页，在搜索框中输入"最新AI技术发展"，点击搜索按钮，然后告诉我第一页的搜索结果标题。 场景2：自动填写表单 请打开"张三"，邮箱栏填写"zhangsan@email.com"，在留言区填写"咨询产品信息"，然后点击提交按钮。 场景3：数据抓取与分析 请打开 工作原理：为什么这很厉害？ 这个组合的厉害之处在于分工明确： •Dify：负责与LLM对话，理解你的自然语言指令，并将其分解成具体的浏览器操作步骤 •Chrome MCP服务器：负责实际控制Chrome浏览器，执行具体的网页操作命令 •LLM（大语言模型）：作为大脑，理解你的意图并规划操作流程 常见问题排查 server-chrome 2.连接失败：检查Dify和Chrome MCP服务器是否在同一个网络环境下，防火墙是否允许9999端口通信 3.操作超时：复杂网页加载需要时间，可以增加超时设置：server-chrome --timeout=60000 4.权限问题：在MacOS/Linux上可能需要权限：sudo npm install -g @modelcontextprotocol/server-chrome 进阶使用技巧 掌握了基础用法后，你还可以尝试这些高级功能： •多页面管理：同时控制多个浏览器标签页，完成更复杂的任务 •用户身份保存：让AI记住登录状态，下次直接操作无需重新登录 •定时任务：结合Dify的工作流功能，设置定时自动化任务 •异常处理：教会AI识别操作失败的情况并自动尝试替代方案 如何学习大模型 AI ？ 由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。 但是具体到个人，只能说是： 最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。 这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。 #AI# #AIAgent# @grok @xai

最近大模型更新的隐式缓存为什么可以把缓存价格降低，命中率大大提高。 传统推理里，你每调一次API，GPU都得把整个输入prompt重新算一遍。固定System Prompt、历史对话、RAG知识库，这些重复内容每次都重新预填充，按全价收费。 隐式缓存做了什么？ 它自动检测本次输入和之前请求的公共前缀。命中了，就把之前算好的KV Cache从SSD硬盘直接加载出来，只对新增部分重新计算。重复劳动，直接砍掉。 效果立竿见影。多轮对话、Agent、代码补全这类场景，重复前缀往往占输入Token的70%-90%。命中后，input价格直接打到一折。对长文本多次对话的推理的成本和内存的压力都大大降低。 但这里有个关键问题：之前为什么不行？ KV Cache太大了。传统Multi-Head Attention架构下，百万Token的KV可能要上百GB显存。存盘？I/O延迟完全没法接受。GPU必须全程Hold住所有KV，成本根本降不下来。 DeepSeek的MLA架构把KV Cache压缩了10-28倍。百万Token从80-200GB变成4-10GB。这才让硬盘级缓存成为可能，压缩后的KV可以经济地落盘到分布式SSD，需要时再快速加载。 本质上，是把最贵的GPU显存从按最大上下文全量占用变成了按实际新增Token动态使用，类似动态更新的模式。 这里有个反直觉的点：虽然对高速内存需求大幅下降，但并不是完全转向硬盘。更像是分层存储，GPU只保留热数据，冷前缀卸载到SSD。类似CPU的分页机制，只是这次发生在大模型推理层。 DeepSeek率先把这套机制默认开启，给出极致低价。其他厂商不得不跟进，竞争驱动技术扩散，技术扩散又进一步压低价格。 要想最大化缓存命中需要做什么？ 想最大化省钱，把重复内容尽量放在prompt开头，保持前缀一致性，命中率会更高。API响应里有prompt_cache_hit_tokens字段，直接看命中率。 这轮降价潮是真实的架构创新，算法效率优化带来的成本下降。MLA压缩KV、分布式SSD存储、Radix-Tree前缀索引，这些工程突破把原来需要重复劳动浪费的算力，优化到极致 尤其是 DeepSeek，降价这么多还能赚钱，还是永久降价，这是真本事，那之前的原价是耍我们玩得吗，第一天用原价 API 的人是有点冤大头了。

兄弟们，Claude Code 省钱神器来了。 Claude Code Router，GitHub 3.4万星，干的事很简单：把 Claude Code 的请求转到不同模型上。 不是每个任务都需要最贵的模型。 改文档、跑小修复、整理代码，可以走便宜模型； 长上下文、复杂推理，再切回强模型； 甚至能接 OpenRouter、DeepSeek、Ollama、Gemini 等多个提供商。 这东西适合重度用 Claude Code 的人。 以前是模型牵着你走，现在是你自己给任务分档位。 用得好，一个月 AI 编程成本真能省不少。 链接：

【怎么让AI更聪明的完成任务？】 这是一个在AI快速发展的现在，最常遇见的问题。 因为现在AI发展的很快，每个模型都在不停的迭代版本，并且不同的模型都有自己的特性，如何去挑选适合自己需求的模型，如何去调教不同模型的prompt，这会直接决定产品最终呈现效果的优劣。 之前做过好几个AI交易的辅助工具，模型尝试用过GPT、Deepseek、Claude，AI工具用过n8n、小龙虾、骡子，但是最后呈现的效果和自己预期的总是差很多，虽然最后做出来的不错的版本，但是消耗了太多的时间精力和Token，我也在寻求更好的解决方案，直到用了dappos！ dappos简单来说，就是：AI 替用户使用 AI，AI学习AI 你不需要再纠结选哪个模型、怎么写 prompt、要不要写 skill，你只需要说一句 简短请求，剩下的交给 xBubble。 其中的核心是Bubble Pilot帮用户去完成任务，取用户的简短请求，识别任务类型，检索匹配的 SOP 并分发到最优路径 Bubble Engine帮你去学习AI，针对特定任务，使用 AI 编程 Agent 生成解决方案变体，构建测试框架，组合候选模型与工具，将最优路径固化为可复用 SOP。 就比如说我想做一个Defi赛道的投资机会速览，同一套提示词，xBubble和豆包生成的图片可以说是天差地别，豆包连文字都是马赛克，而xBubble不仅逻辑清晰还有数据作为支撑，信息的详细程度和豆包不是一个层级上的！只有两个字，好用！ 总的来说，你有了dappos，就相当于有了一个AI秘书，直接跟秘书去提需求，秘书会帮你把剩下的流程全部走完，你等着接收汇报就行了！ 用dappos，当AI的老板，有事就让秘书干！

吴说获悉，Vitalik Buterin 更新其本地化 AI 进展，称 DeepSeek V4 已推出可在约 90 GB 显存内运行的 2-bit 量化版本，在 Apple 硬件上速度约为 35 tok/s，AMD 硬件约为 7 tok/s。他表示，真正的“CROPS AI”应支持多种硬件平台，而不仅是“去中心化 AI”。Vitalik 还提出，“CROPS Ethereum access layer”与“CROPS AI”存在交集，例如通过零知识证明实现付费远程 LLM 调用及 Ethereum 私有 RPC 读取，并表示未来应出现更多针对 Ethereum 场景微调的 AI 模型，以提升智能合约与协议代码安全性。

Updates since then: * Deepseek v4 is out. There *is* a 2-bit quant that can run within 90 GB ( ), and it works, however it's only fast on Apple hardware (I've head ~35 tok/s). On AMD, it's ~7 tok/s. IMO actually taking the effort to properly support more than one hardware manufacturer is a great example of the difference between mere "decentralized AI" and genuine "CROPS AI". I hope we can become better at this. * also has alpha telegram support now. However, the path to adding your account is quite janky * looks promising as a way to run "dense" models (eg. Qwen 27B) more efficiently. It's janky, but on my 5090 laptop it seems to be ~2x more tok/s than llama.cpp * VoxTerm (local AI recording, no third-party servers) continues to be developed And there's a lot more projects coming on the horizon. One other thing that has been on my mind is that there's actually a lot of intersection between "CROPS ethereum access layer" and "CROPS AI". For example, we want a ZK way to make (paid) calls to remote LLMs. But if we have this, then it's just as useful for solving another problem: private RPC reads in Ethereum. Another example: application-specific finetuned LLMs. Leanstral ( ; I get ~38 tok/s on AMD) fits into < 70 GB, but can hold its own against 1T models on writing Lean code. Things like this are a huge boon for writing more secure code ( ). We should have models finetuned for Ethereum-related use cases as well.

想在本地跑 Qwen、Llama、DeepSeek，但不确定电脑能不能带得动？🥲 Can I Run AI ：一个本地大模型硬件检测网页工具 可以通过浏览器识别 CPU、GPU、内存信息，再匹配不同模型的显存需求、量化方案和运行等级 适合在下载 Ollama / LM Studio / GGUF 模型之前，先判断一下： 8G 显存适合跑什么？ Mac 统一内存能不能撑住 14B？ 32B 模型是不是已经超出当前设备范围？ 不能替代真实跑分，但很适合用来排除明显不合适的模型，少走一些下载完才发现跑不动的弯路

当前各AI最新使用评分 GPT 9分，think模式就很好用了，快、准、新。 claude 8.5分，可能是算力不够，偷懒、出错 manus 7.5分 优化不错，但太费钱 kimi 7分 多Agent集群确实不错，但错误很多 豆包 6.5分 能力很弱，但照顾老人小孩情绪… gemini 6分 非常偷懒，可能是在学走豆包路线 GROK 6分 胜在X搜索，但算力多，估计 @elonmusk 后面会发力 千问 6 deepseek 5分 混元 2分 文心一言 1分 如果只能选一个的话，我会推荐gpt，如果claude没有被封的风险，也可以claude作为主力——这两个随时哪边更新一下，就超过另外一个，得分很近。

为什么 deepseek 要出自己的 code agent，估计是看不下去了😂。别的 agent 确实很难发挥出他们模型的威力。 比如 claude code 在 deepseek v4 pro 上效果其实很差劲，感觉都在浪费 token和时间🤣