Lellansin

let it = undefined;

[Lellansin @Lellansin]

@thsottiaux

[Lellansin @Lellansin]

@duolingo absolute cinema

[Lellansin @Lellansin]

前排

[DeepSeek @deepseek_ai]

🚀 Introducing DeepSeek-V4.1-Flash: smarter, faster, more efficient.

🔹 Introducing the smallest model in our new architecture family, with native visual understanding.
🔹 Designed for greater capability, faster inference, higher throughput, and scaling to larger models.

1/6

[Lellansin @Lellansin]

今日最佳

[Lellansin @Lellansin]

@MurderofBirds_ OMG

[Lellansin @Lellansin]

啊哦，我一个美区 App Store 账号直接使用充值余额买不了 GPT 订阅，绑了一张真美卡（虚拟卡试了不行）才给我用余额。看来 App Store 作为一个充值卡的订阅渠道逐渐不稳定了🤔

[Lellansin @Lellansin]

“就”这个字可以用 towards 来理解：
towards a target → 朝向一个确定的目标，并趋于落实到这个目标。
基于这个理解现代汉语里各种看起来毫不相关的“就”，其实可以串起来：
→ 时间先后：吃完饭就走
towards the next action → then
→ 立即：我马上就来
直接 towards the action → immediately
→ 条件结果：你去我就去
你的行动发生 → towards the same outcome → then
→ “一……就……”：他一来我就走
一个事件发生 → 立即 towards the next action → as soon as
→ 仅仅：我就要这个
选择 towards this and only this → just / only
→ 判断：这就是问题
“这”直接 towards / 落到“问题”这个身份 → this is
→ 限定：就他一个人
范围收缩 towards him alone → only
→ 顺势：就这么办吧
行动 towards this plan → then / let's
→ 接近：就近购买
towards nearby → close to
→ 从事：就业 / 就职
人 towards a job / position → take up / take a job
所以“就”原本是一个“趋向、接近”的空间概念，后来不断语法化，变成了时间、条件、限定、强调、判断等各种抽象用法。

[Lellansin @Lellansin]

他们甚至开了一家酒店叫原神大酒店。。

[Lellansin @Lellansin]

Woc, 建国之前我老家的村子居然叫原神里/原神乡，并且建国初还有原神人民公社🤯

[Lellansin @Lellansin]

我感觉 DeepSeek Harness 有点把这件事玩明白了。

培养和调教一个真正好用的 AI Agent，本来就是有门槛的。

普通用户不是不会聊天，而是很难自己完成工具接入、提示词设计、权限划分、工作流编排、UI 定制、会话持久化和失败恢复这一整套工程。

龙虾和爱马仕其实已经证明了：产品看起来面向个人，最后真正长期投入调教、把它玩出生产力的，往往还是少数高级玩家、开发者和企业团队。

既然最终形态通常是“少数人负责调教，多数人直接使用”，那不如从一开始就按照这种分工来设计。

DeepSeek Harness 的答案是：everything is a plugin。

懂的人可以从模型、工具、Agent Preset、工作流、权限、沙箱、会话存储，一直定义到 Web UI 的组件和交互，完整搭出一种 Agent 产品形态。

不想折腾的人则不需要理解这些东西。

他只需要安装别人做好的插件或 Bundle，选择一个 Agent Preset，配置模型和凭证，然后直接使用别人调教好的成品。

这才是 DSH 真正有意思的地方：

它不是单纯在做一个“功能特别多的聊天机器人”，而是在尝试建立 Agent 产品的组装和分发体系。

而且这里的“可定制”并不只是换提示词、换头像、加几个 MCP。

它的模型适配器、工具系统、权限审批、子 Agent、Code Mode、会话存储和 Web UI 本身都是可组合的。

甚至同一个 DSH 进程里，不同会话都可以运行不同的 Agent Preset：一个是普通编码模式，一个是 Code Mode，一个可以专门用来创建和试运行插件。

这对企业内部 Agent 几乎是天降红利。

过去企业要做一个 CRM、ERP、客服、财务或运维 Agent，往往要自己再造一遍：

- Web UI
- 模型接入
- 工具调用
- 权限系统
- 审批流程
- 会话记录
- 沙箱执行
- 多 Agent 编排
- 插件生命周期

最后大量精力都花在重复搭“Agent 外壳”，真正属于业务的部分反而只占一小块。

DSH 的思路是先把这层通用底座搭好。

企业真正需要开发的，是自己的 CRM、ERP、工单、知识库和内部审批插件，再为不同岗位配置相应的工具、权限、提示词和 UI。

调教完成以后，可以把整套组合包装成一个 Profile、Bundle 或 Preset，在内部直接分发。

销售看到的是销售 Agent，客服看到的是售后 Agent，财务看到的是对账 Agent。

他们不需要知道背后装了哪些插件、用了什么工具协议，也不需要自己“养虾”。

如果未来插件生态成熟，甚至可能出现这样的产品：

安装一套 CRM Agent Bundle，连接公司账号，配置模型，选择权限策略，然后直接使用。

真正值得分发的单位，可能不再只是一个 Prompt、一个 MCP Server，甚至也不只是一个 Agent。

而是一整套可部署的 Agent Composition：

工具、模型、工作流、权限、UI 和交互方式被一起封装、一起交付。

所以我现在理解 DSH 的产品押注是：

它并不假设每一个普通用户都愿意、也都有能力亲手调教自己的 Agent。

它选择把最高的自由度交给真正懂 Agent 的开发者、团队和企业，再让更多普通用户消费这些人做好的产品形态。

龙虾和爱马仕证明了，Agent 最终玩的可能并不只是个人助手，而是组织级的数字化工作方式。

既然如此，与其继续为每个场景包装一只新的“虾”，不如直接提供一个制造、调教和分发 Agent 产品的工厂。

当然，DeepSeek Harness 目前仍处于 Developer Preview，插件生态和企业级成品都还没有真正长起来。

所以它今天更像一套提前搭好的基础设施，而不是开箱即用的企业 Agent 商店。

但如果未来 Agent 的竞争从“谁的聊天框更聪明”转向“谁能更快生产和交付垂直数字员工”，那么 DSH 现在这套看起来有些重的架构，可能不是过度设计，而是在提前占位置。

[DeepSeek @deepseek_ai]

🧩 DeepSeek Harness v0.1 is now available in Developer Preview!

🔹 We’re opening it up to developers building agent harnesses worldwide and open-sourcing the codebase in MIT license.
🔹 Powered by the Cordis meta-framework, DeepSeek Harness is an agent harness built around one core idea: Everything is a plugin. Models, tools, skills, sessions, sandboxes, filesystems, loops, orchestration, and UI are ALL implemented as plugins, and can be mixed, matched, replaced, and extended.

Try it now!
https://t.co/2YWSvJHhKA

[Lellansin @Lellansin]

家里3台电脑，公司2台，最近探索下来手机可以直接使用ChatGPT 应用，在电脑上 VSCode+Remote SSH+Codex插件挺适合用来访问远程机器的Codex会话。日常迭代和开发都还不错。需要人工读代码的场景比直接用Codex要方便。

[Lellansin @Lellansin]

@ianneo_ai 因为上下文窗口小，一个 agent 配一定量的 skill 还要给执行消息留空间。能力多到一定程度就需要拆 agent，而不是拆 skill 了

[Lellansin @Lellansin]

@i5ting 是的。目前 AI 发散之后收敛的就比较慢，这个时候就需要人工干预，有的问题让 AI 自然收敛它能写几个小时单测还不一定摸到真实的边界

[Lellansin @Lellansin]

AI Coding 应该要分 2 阶段：
- 第 1 阶段禁止写防御代码和单测，优先实现基本功能，保障 interface 固化。
- 第 2 阶段基于固化下来的功能基础异步去补单测和Review优化。
不要让 AI 刚开始就花费大量的时间过渡设计，不然 AI 写了 2 个小时后发布到测试环节你才发现一些功能的根本问题没搞清楚（这可能意味着 AI 不少代码白写了），这太低效了。
人类应该快速的跟 AI 把原型做出来，剩下的 bugfix 和优化异步交给 AI，让人可以继续做下一个 feature 这才有编程的乐趣。

[Lellansin @Lellansin]

@sino_go_global 有过。但是它这里应该还不知道我是谁

[Lellansin @Lellansin]

@moriyama197071 素晴

[Lellansin @Lellansin]

@higashinokeigo_ RIP

[Lellansin @Lellansin]

围观一下。话说这个就是昨天 codex 崩了导致停摆的 hackathon 吗？