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��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��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���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���昨天 codex 崩了导致停摆的 hackathon 吗？