AI

DeepSeek Harness 插件开发进阶：从 Host 工具到 Client UI 一、先理解 DSH 的插件模型 DSH 的插件运行时基于 Cordis。一个插件本质上是一个模块，它导出几样东西： export const name = 'my-plugin' // 插件名 export const inject = ['tools'] // 依赖哪些服务 export const Config = Schema.object({})// 配置 schema（可选） export function apply(ctx, config) {} // 插件主体 inject 声明依赖的服务；Cordis 会在这些服务可用时调用 apply，并在插件卸载或依赖消失时释放它注册的资源。Config 用于校验 profile 配置行里的 config。 1.1 Profile、Bundle 与 Patch DSH 的运行时组合是分层的： DSH 进程 └─ profile（desktop / web / headless / ...） ├─ package.json │ └─ dsh.profile.bundles: [bundle A, bundle B, ...] ├─ cordis.patch.yml # 用户自己的覆盖层 └─ node_modules/ ├─ @deepseek-ai/dsh-base # 基础 bundle ├─ @deepseek-ai/dsh-web-app # Web 形态 bundle └─ my-plugin # 你的插件 ├─ cordis.patch.yml # 插件要插入的配置行 ├─ lib/index.js # Host 侧入口 └─ lib/client.js # Client 侧入口（可选） Bundle：一组配置行的集合，通常是一个 npm 包，通过 dsh.bundle.patch 指向自己的 cordis.patch.yml。 Patch：按 id 定位配置行，可以覆盖、禁用或插入。注意，patch 会替换目标行的整个 config，不是深合并；想保留的字段要重写。 Profile：把若干 bundle 按顺序叠加，再叠加用户自己的 cordis.patch.yml 和 --patch 覆盖层。 加载顺序大致是：bundle 的 patch → profile 的 cordis.patch.yml → home 级 patch → --patch。后写的层覆盖先写的层。 ...

DeepSeek Harness（DSH）使用指南：功能、自定义模型与插件 一、DSH 是什么 DeepSeek Harness（简称 DSH）是一个运行在本地的 Agent Harness。它不直接训练模型，也不把工作流锁死在某个云端产品里，而是把下面几件事组合成一个可扩展的工作台： DSH = 模型路由 + 工具运行时 + 持久会话 + 权限与沙箱 + 插件系统 和普通聊天客户端相比，DSH 的关键差别是「能动手」： 它可以读取和修改工作区文件，执行 PowerShell / Bash 命令。 它可以调用网页搜索、网页抓取、后台任务、子 Agent、工作流、定时任务等工具。 它会持久化会话，支持恢复、压缩、标题和会话列表。 它把不同模型统一成「提供方 + 模型」的路由，可以在设置里接入官方 API、兼容网关或本地模型。 它的一切能力几乎都由插件组合而成，插件可以增加工具、命令、页面、设置卡片，甚至新的模型提供方。 DSH 目前主要有三种使用形态： 形态 启动方式 适合场景 桌面应用 安装 DeepSeek Harness 桌面端 日常交互、文件预览、插件管理 Web GUI dsh web 或 dsh --profile web 浏览器访问、局域网使用、与桌面端共用同一套能力 无头 / 程序化 dsh --profile headless "任务"、dsh --profile sdk、dsh --profile acp 脚本、CI、SDK 集成、自动化客户端 官方入口：https://www.deepseek.com/harness/ 二、安装与第一次启动 2.1 桌面端 从官方入口下载并安装 DeepSeek Harness。首次打开时选择一个项目目录作为工作区，然后就可以在对话框里描述任务。 ...

Pi Coding Agent 使用教程（二）：Skill、插件、MCP 与常用扩展 一、先理解四种扩展方式 能力 主要作用 是否直接增加工具 典型位置 Skill 给模型一套按需加载的知识和流程 通常否 ~/.pi/agent/skills/、.pi/skills/ Extension（插件） 用 TypeScript 改变 Pi 行为 是，可以 ~/.pi/agent/extensions/、.pi/extensions/ Prompt Template 保存可复用提示词 否 ~/.pi/agent/prompts/、.pi/prompts/ Theme 定制终端外观 否 ~/.pi/agent/themes/、.pi/themes/ Pi Package 打包并分发上述资源 视内容而定 npm 或 Git Pi 的“插件”在官方术语中通常指 Extension；npm/Git 上的 Pi Package 则可能同时包含多个 Extension、Skill、Prompt 和 Theme。 二、如何使用 Skill 2.1 创建一个最小 Skill 在项目中创建 .pi/skills/review/SKILL.md： # Review Skill 当用户要求代码审查时使用本 Skill。 ## 步骤 1. 先读取项目上下文和测试配置。 2. 只检查与任务相关的文件。 3. 按严重程度列出问题，并给出文件和行号。 4. 不要擅自修改代码，除非用户明确要求。 Pi 官方支持的 Skill 目录包括： ...

Pi Coding Agent 使用教程（一）：从安装到第一次完成任务 一、Pi Coding Agent 是什么 Pi Coding Agent 是一个运行在终端中的 Coding Agent。它通过模型调用工具读取文件、编辑文件和执行命令，帮助用户完成编程、文档维护、代码审查和自动化任务。 Pi 的定位不是把所有工作流都固化进核心，而是提供一个最小、可扩展的 Agent Harness： 默认提供 read、write、edit、bash 等工具；Windows 环境还可能提供 powershell。 支持交互式终端、Print、JSON、RPC 和 SDK 模式。 通过 Skill、TypeScript Extension、Prompt Template、Theme 和 Pi Package 扩展功能。 不默认内置 MCP、子 Agent、Plan Mode、权限弹窗和待办系统；这些能力可以通过 Extension、第三方 Package 或外部工具自行构建。 二、安装 2.1 使用 npm 安装 需要先安装 Node.js 和 npm，然后执行： npm install -g --ignore-scripts @earendil-works/pi-coding-agent --ignore-scripts 用于跳过依赖生命周期脚本；官方 README 说明，普通 npm 安装不依赖 Pi 的安装脚本。 2.2 使用官方安装脚本 在支持该脚本的环境中，也可以使用： curl -fsSL https://pi.dev/install.sh | sh 执行来源不明的脚本前，应先检查脚本内容和当前网络环境；生产环境或受限环境建议使用包管理器并固定版本。 ...

LLM 说明：此分类涵盖与大语言模型直接相关的框架、工具与应用。 ...

LLM This is top 10, for more click Top 100 Stars in LLM Ranking Project Name Stars Forks Language Open Issues Description Last Commit 1 ollama 158741 14061 Go 1942 Get up and running with OpenAI gpt-oss, DeepSeek-R1, Gemma 3 and other models. 2026-01-03T22:27:46Z 2 transformers 154551 31615 Python 1093 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. 2026-01-01T13:51:31Z 3 dify 124505 19361 Python 445 Production-ready platform for agentic workflow development. 2026-01-04T04:03:37Z 4 langchain 123311 20330 Python 207 🦜🔗 The platform for reliable agents. 2026-01-02T21:36:01Z 5 open-webui 119597 16840 Svelte 168 User-friendly AI Interface (Supports Ollama, OpenAI API, …) 2026-01-03T15:48:39Z 6 llama.cpp 92374 14357 C++ 343 LLM inference in C/C++ 2026-01-03T22:37:08Z 7 awesome-llm-apps 86402 12325 Python 1 Collection of awesome LLM apps with AI Agents and RAG using OpenAI, Anthropic, Gemini and opensource models. 2026-01-04T01:01:22Z 8 LLMs-from-scratch 82260 12349 Jupyter Notebook 0 Implement a ChatGPT-like LLM in PyTorch from scratch, step by step 2026-01-04T00:59:57Z 9 gpt4all 76998 8315 C++ 714 GPT4All: Run Local LLMs on Any Device. Open-source and available for commercial use. 2025-05-27T20:05:19Z 10 browser-use 74570 8908 Python 146 🌐 Make websites accessible for AI agents. Automate tasks online with ease. 2026-01-03T13:28:21Z ChatGPT This is top 10, for more click Top 100 Stars in ChatGPT ...

LLM This is top 10, for more click Top 100 Stars in LLM Ranking Project Name Stars Forks Language Open Issues Description Last Commit 1 ollama 152595 13172 Go 1779 Get up and running with OpenAI gpt-oss, DeepSeek-R1, Gemma 3 and other models. 2025-09-19T02:56:51Z 2 transformers 149964 30452 Python 1071 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. 2025-09-19T05:06:59Z 3 awesome-chatgpt-prompts 134206 17836 JavaScript 0 This repo includes ChatGPT prompt curation to use ChatGPT and other LLM tools better. 2025-09-11T10:31:45Z 4 langchain 115730 19015 Jupyter Notebook 129 🦜🔗 Build context-aware reasoning applications 2025-09-19T01:43:35Z 5 dify 114366 17571 TypeScript 461 Production-ready platform for agentic workflow development. 2025-09-19T03:32:37Z 6 open-webui 110319 15139 JavaScript 219 User-friendly AI Interface (Supports Ollama, OpenAI API, …) 2025-09-19T03:03:15Z 7 llama.cpp 86662 13075 C++ 343 LLM inference in C/C++ 2025-09-19T04:59:29Z 8 gpt4all 76695 8273 C++ 704 GPT4All: Run Local LLMs on Any Device. Open-source and available for commercial use. 2025-05-27T20:05:19Z 9 LLMs-from-scratch 71984 10411 Jupyter Notebook 6 Implement a ChatGPT-like LLM in PyTorch from scratch, step by step 2025-09-17T13:14:21Z 10 browser-use 70114 8189 Python 112 🌐 Make websites accessible for AI agents. Automate tasks online with ease. 2025-09-19T05:01:41Z ChatGPT This is top 10, for more click Top 100 Stars in ChatGPT ...

今天我们聊个实在的。Web UI确实漂亮，但对于我们这些恨不得在Vim里收发邮件的开发者来说，每切一次窗口都是对生产力的一次“打断施法”。 如果能直接在命令行里和代码助手对话，那该多爽？比如，用管道符 | 把一段代码直接传给它重构，或者用一个 alias 把它变成你自己的CLI工具。 这篇博客，就是为你准备的“懒人包”。我们将一步步搞定 Anthropic Claude 和 OpenAI Codex（我们会通过官方的OpenAI CLI来调用它）的命令行配置和使用。 Let’s do this. 第一站：驯服 Claude (通过 Python SDK) Anthropic 官方没有提供一个独立的CLI，但这根本不是问题。我们是开发者，我们自己造！最简单直接的方式就是用它的Python库写一个薄薄的封装。 1. 准备工作 Python 和 pip：确保你电脑里有这俩兄弟。没有的话，官网下一下。 Anthropic API Key：去 Anthropic官网 登录，在后台找到你的API密钥。 2. 安装 打开你的终端，一行命令搞定： Bash pip install anthropic 3. 配置 我们要做一个有素养的开发者，绝不把密钥硬编码在代码里。把它设置成环境变量： Bash # 把 'sk-...' 替换成你自己的API Key export ANTHROPIC_API_KEY='sk-...' # 为了让它永久生效，可以把这行命令加到你的 .bashrc, .zshrc 或其他shell配置文件里 echo "export ANTHROPIC_API_KEY='sk-...'" >> ~/.zshrc 4. 创建我们的 “CLI” 在你的工作目录下，创建一个名为 claude.py 的文件，然后把下面的代码复制进去。 Python import sys import anthropic # 检查是否有命令行参数作为输入 if len(sys.argv) < 2: print("用法: python claude.py \"你的问题\"") sys.exit(1) # 从命令行参数获取完整的prompt prompt = " ".join(sys.argv[1:]) try: # 初始化客户端 (它会自动从环境变量读取API Key) client = anthropic.Anthropic() # 发送请求 message = client.messages.create( model="claude-3-sonnet-20240229", # 你也可以换成 claude-3-opus-20240229 等其他模型 max_tokens=2048, messages=[ {"role": "user", "content": prompt} ] ) # 打印结果 print(message.content[0].text) except Exception as e: print(f"出错了: {e}") 5. 实战使用 现在，你的 claude.py 就是一个功能强大的CLI工具了！ ...

AI排名 LLM This is top 10, for more click Top 100 Stars in LLM Ranking Project Name Stars Forks Language Open Issues Description Last Commit 1 transformers 146299 29502 Python 1073 🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. 2025-07-02T02:11:03Z 2 ollama 145266 12262 Go 1601 Get up and running with Llama 3.3, DeepSeek-R1, Phi-4, Gemma 3, Mistral Small 3.1 and other large language models. 2025-07-01T16:46:15Z 3 awesome-chatgpt-prompts 129953 17222 JavaScript 0 This repo includes ChatGPT prompt curation to use ChatGPT and other LLM tools better. 2025-06-18T17:50:37Z 4 dify 105377 15904 TypeScript 696 Production-ready platform for agentic workflow development. 2025-07-02T03:38:45Z 5 open-webui 100908 13416 JavaScript 179 User-friendly AI Interface (Supports Ollama, OpenAI API, …) 2025-07-01T18:42:49Z 6 llama.cpp 82452 12235 C++ 309 LLM inference in C/C++ 2025-07-01T16:02:20Z 7 gpt4all 73723 8057 C++ 689 GPT4All: Run Local LLMs on Any Device. Open-source and available for commercial use. 2025-05-27T20:05:19Z 8 gpt_academic 68867 8358 Python 259 为GPT/GLM等LLM大语言模型提供实用化交互接口，特别优化论文阅读/润色/写作体验，模块化设计，支持自定义快捷按钮&函数插件，支持Python和C++等项目剖析&自译解功能，PDF/LaTex论文翻译&总结功能，支持并行问询多种LLM模型，支持chatglm3等本地模型。接入通义千问, deepseekcoder, 讯飞星火, 文心一言, llama2, rwkv, claude2, moss等。 2025-06-24T17:35:03Z 9 browser-use 64476 7361 Python 458 🌐 Make websites accessible for AI agents. Automate tasks online with ease. 2025-07-01T21:54:09Z 10 OpenHands 59693 6962 Python 296 🙌 OpenHands: Code Less, Make More 2025-07-02T01:07:49Z ChatGPT This is top 10, for more click Top 100 Stars in ChatGPT ...

嘿，大家好！我是你们的老朋友，爱折腾新科技的小白。最近我迷上了 MCP（模型上下文协议），这玩意儿号称能让 AI 跟本地文件、工具啥的直接“握手”。听起来挺炫酷，对吧？于是我决定亲自试试，用 MCP 让 AI 帮我分析一堆 Markdown 格式的知识库文件。过程有点像探险，下面跟你们分享我的“第一次”！ 为啥想试 MCP？ 我电脑里有一堆 Markdown 文件，里面是读书笔记、项目记录、杂七杂八的想法。平时想找点啥，全靠手动翻，累得要死。听说 MCP 能让 AI 直接读这些文件，还能分析总结，我心动了！想象一下，AI 像个超级图书管理员，帮我从乱糟糟的笔记里挖出金子，简直不要太爽。 这次我选了 Grok 的 API 来玩 MCP，主要是因为它简单好上手，而且 xAI 的文档写得还算友好（虽然有时候还是得靠猜）。目标是用 MCP 让 Grok 读我的 Markdown 文件，回答问题，比如“我的读书笔记里都提到过哪些时间管理方法？” 准备工作：把家伙事儿备齐 MCP 不是开箱即用的，得先搭好舞台。以下是我的准备过程，详细到不行，怕你们跟我一样踩坑！ 1. 环境配置 系统：我用的是 macOS Ventura，Windows 或者 Linux 应该也差不多。 工具： Node.js（v18+）：MCP 很多工具基于 JavaScript，装个 Node.js 是基础。 Git：用来拉代码。 一个顺手的编辑器（我用 VS Code）。 知识库：我把 Markdown 文件都扔到一个文件夹，叫 knowledge_base，里面有大概 50 个 .md 文件，内容从《原子习惯》的笔记到项目脑暴记录都有。 跑终端，确认 Node.js 装好： node -v npm -v 如果没问题，往下走！ ...