deepseek修复了吗cc

用 deepsea 接接入 cloud code 或者其他 a 站点的时候，经常会出现这个四零零的报错。呃，我们一般用的都是 c c switch 嘛？我用的也是 c c switch， 这个 c c switch 从 deepsea 拿到响应之后，这个返回的是 reading content 而非 cloud 的 thinking cap。 如果 c c switch 在 反向转换时丢弃或者格式化了这个内容，或者没有把它放入正确的对话历史，那么下一轮请求 thinking cap 就是 缺失的， api 就 会拒绝。 我在实际用的时候也是，就是同样的问题，同样的一个这个输入有的时候好使，有的时候不好使， 它是间歇性出现的。这个 bug 也很多人都遇到了，现在我就直接让 codex 开启这个 go 模式给它修复一下，不知道能不能修复，我们看一看吧。 我觉得 deepstack 官方的话，如果想解决这个问题挺简单的，但是他可能不太想解决这个问题，因为 deepstack 他 可能后续的动作的话，从他最近招人的动作来看的话，他后续也是要做一个 cloud code 类似的这种 a 阵的。就是以 deepstack 模行为这个核心，他要组建自己的生态嘛。所以说他这个 deepstack 官方并不太想兼容这些，我觉得 deepstack 是 这样想的。

现在路由接 dc 不 用那么麻烦了，以前中间还要加一层 c c 叉，现在 c c switch 更新后可以直接在里面配置了，你按上下文也能够正常开启，额度不够用时可以试试让 dc 接上，毕竟真的大碗便宜。 下面一分钟带你配好。先打开 c c switch， 接到路由这一栏，点击右上角的加号，然后找到 dc， 选好后默认信息都会帮你填好，只需要填你自己的 api key 就 可以。再检查一下这两项有没有打开， 然后保存配置，回到首页，点击左上角的这个开关，最后重启一下 c c switch 还有 codex， 这样子 codex 就 可以成功的接上 d c 了。现在整个流程会简单很多，也少一些麻烦，还有不稳定。今天的分享就到这了，我是木马，陪您一起玩 a 的 赛博达子，咱们下期见，拜拜！

今天这期视频以 deepsafe 为例，因为收到群友以及评论区的反馈，说我上一期出的视频零四期有很多朋友用了之后，模型方面还是存在一些问题，比如说虽然设置的是 deepsafe v 四 pro， 但是实际上返回的是 flash 模型， 就因为我上一篇文章写的是以智普模型为例子的解决方案，那么视频就换成 deepsafe 为例。第一步我们需要下载 cc switch 这个软件，具体的下载方案呢，你可以在我的抖音群内找到，或者说你自己直接用浏览器搜索一下就可以了。我们下载之后点击右上角的这个黄色的加号，我们以 deepsafe 为例，点击这个 deepsafe， 然后我们往下滑， 在 api k 这里我们填入密钥名称，这里随便填，我们点一个测试吧请求地址，它是默认填写的，如果说官方有要求的话，以官方要求为准。然后我们再往下划看这块的模型选择，如果说官方准备好的话，我们直接点这个获取模型列表就可以了，如果发现获取不了，那我们就手动输入就可以了。 比如说我们想用的模型是 deepsea v 四 pro， 那 我们就直接输入 deepsea v 四 pro 就 可以，要注意一般都是小写。然后我们全都换成 deepsea v 四 pro， 默认是这个是最高级的，然后这个是中级，这个是低级， 以此类推，把这个选择最高级的模型，这个次一等，这个再次一级，这个名称要注意看一下，因为后面我们是要一一对应的，比如说这个模型的话，它是 deepsea v 四 pro， 之后在 cloud code 桌面端的话就是要对应这个模型的，我们点击保存 这里就可以发现有了这个测试用的模型。接下来我们来配置路由功能，点击左上角的设置，点击路由，点击本地路由，点击路由总开关，勾选 cloud 这个服务地址，需要记住我们后面会用到，那我们 c c switch 的 方面就配置完成了。 那我们来配置 cloud code 的 桌面端，点击左上角三条横杠，点击 developer， 点击 configure party inference， 进入 connection， 我 们点击右上角新建一个模型，比如是 deepsafe 测试用，点击 confirm， 在 base url 这里填写的就是我们刚刚说的那个服务地址，我们粘贴一下，然后 api k 照例填写我们的 deepsafe v 四 pro 的 api k 继续往下滑，在 model list 这里我们点击添加，我们在这里填写 cloud o p u s， 注意都是小写，如果支持一照上下文的话，我们就点击打开再添加第二个模型。 如果说你只用两个模型，那基本上到这就够了。这里的 cloud o p u s 模型与这里的 deepsea v 四 pro 模型对应这里的 cloud s o n n e t 模型与这里的 deepsea v 四 flash 模型对应。如果说你还有其他需要使用的模型，那你就继续点击添加，如果没有的话两个就可以了。然后我们点击 apply locally 重启，打开 cc switch， 点击启动。然后我们问一下你好， 测试模型发现可以使用，那我们就解决了这个问题了。好了，希望能帮助大家，祝大家用的愉快。

cc switch v 三点十六点零正式发布，本版本的核心是让 codex 通过 chat completion 路由接入二十二个第三方供应商代号，纪念五个 cloud max 订阅的牺牲，共一百零一个，提交二百二十一个文件变更，新增二万七千行代码。 四大升级方向，一是 codex chat 路由让 deep seek、 kimi g l m 等国内供应商在 codex 中直接可用。二是第三方供应商身份统一到 custom 统，历史绘画不再因切换供应商而消失。 三是受管 c l i 工具管里面板一站管理 cloud、 codex、 gemini 等六大工具的安装和升级。四是生态模型刷新，新增六个合作伙伴，预设 cloud opus 默认升级到四点八， gpt 升级到五点五。 chat 路由方面， c c switch 本地代理把 codex 的 responses 请求转换为 chat completion， 再把 j s o n 和 s s e 流逝响应重建回 responses 形态，沿途保留推理内容、工具调用和绘画续接状态。 reasoning 自适应会自动识别上游推理接口，注入正确的思考参数。二十二个供应商预设全部佩戴显示模型目录，包括 deep seek、 智普、 timi、 minimax、 silicon flow 等等。 基础设施方面，关于页面升级为六大 c l i 工具的管理面板，支持静默安装版本检测、冲突诊断和按安装来源铆钉的升级。 新增六家合作伙伴预设，包括 a pike fum api、 nebula atlas、 cloud pseudocode 和小米 mymo talking plan。 默认模型矩阵全面升级， cloud opus 到四点八， gpt 到五点五，实时用量看板在代理预制写入时及时刷新。 关键修复方面， codex chat 流逝， usage 恢复 kimi 和 minimax 的 尾部， usage 块不再被记为零。 推理回填机制为 kimi 和 deep sick 的 空推理内容自动补站位符错误响应转换为标准化风。非 j s o n 体节断到一 kb， 受管账号健全，丢弃令牌环境变量键，拒绝把站位浮发往上游。 圣算云的模型 id 加上厂商前缀，使路由正确解析升级到 v 三点十六点零。很简单，从 github releases 下载 linux x 八六的 dev 包，执行 pseudocode 历史一次性迁移，原文件备份在 c c switch 备份目录下。

昨天下午， deepsafe 突然大面积荡机，网页和 a p i 一 度不可用， deepsafe 崩了，冲上热搜，但打开评论区，没有指责，全是心疼。因为它崩掉之前，从没收割过任何人。免费用全开源，不涨价，不设付费墙，不搞饥饿营销，当整个行业都在教你怎么付费解锁未来，只有 deepsafe 把未来免费递到你手 上。所以，别再说那次荡机了，真正的护城河不是永不荡机，是所有人都在替你按下修复键。你用真诚喂养过的用户，会在你沉默时替你撑住。这不是技术神话，这是人心向背。

现在 code 可以 直接使用 dc v 四了， code 确实好用，但是额度真的是不经烧，随便几个问题直接就清空了，又得等五个小时。所以我试着把 dc v 四接进去，烧了四 e token 之后，发现操作竟然很丝滑，体验也完全不输原版，关键是真的大碗便宜， 后面我会带你一步步接好。其实步骤是非常简单的，就三样东西， c c 叉， d c 的 a p i， 还有 c c switch， 而且工具我都已经整理好，你照着我这几部点，基本几分钟就可以搞定。 解压后先打开 c c 叉的文档，然后打开 emv 文件，里面会有一个密钥，这里你可以保持默认，也可以自己去修改一个。改完之后记得先保存，然后启动 c c 叉，它会弹出一个终端，你找到这个管理界面的地址， 然后按住 ctrl 键再点击，就会来到这个页面。进去之后把刚才 e v m 里面的密钥粘进去，就能够进入到后台，这里你可以顺手切成中文就行，这部分就基本搞定了。接下来我们去到 d c 的 官网，点击 api 开发平台，第一次进来得先注册一下，然后点击左边的 api key， 新建一个 key， 名字可以随便填。创建完记得先保存好，因为它只会显示一次。然后回到 c c 叉上面，选择 code， 中间点击添加频道，这里就可以直接把这个文档粘进去。最下面把刚才复制的 a p i 粘进去，创建就算成功了。记得顺手做两个设置，一个是选一下 openchain， 另外一个是把规范化，非常健 打开。这一步搞定， d c 其实已经接近来了，然后打开 cc switch， 点击上面的这个标志，右边新增一个配置，具体的参数你可以按照这个来就好。这里有三点是需要注意一下， 首先，这里的 api key 不是 d c 的 那个，是一开始 emv 里面的那个密钥。第二点，点击一下这个获取模型列表，就不用自己手动去填写了。第三点，把 e m 上下文窗口勾上，这样子才能全力去跑，下面这些都不用管，填完之后直接点击保存， 然后点击启动，最后把 codex 安装或重启一下，到了这一步就已经接好了。打开之后， codex 这里不是显示 d c， 它只会显示自定义。别慌，这个时候你随便发一句话，先试试能不能是正常使用。然后直接去看看 cc switch 的 使用记录，你会看到模型这一栏已经变成了 d c v 四 pro， 来源是 codex， 那 说明已经是链接成功了，也就是说后台真正在跑的已经是 deepsea 了。最后我补两个词，已踩过的坑。第一个坑是 cc switch 最新的版本，现在有 bug 会连不上 codex， 所以 别手痒去更新，直接用包里面的版本就行。 第二个坑是 d c v 四没有视觉能力，所以一旦你平时有看图识图这类型的需求，进来之后可能会有部分的能力用不上。不过好消息是这套流程本身是通用的，你可以直接换成其他的多模态模型，思路也是一样的。我是木马，陪你一起玩 air 赛博达子，咱们下期见，拜拜！

我给 deepsea v 四量身定做了一套衣服，现在它不仅完美适配 max 思考模式，还能让纯文本的大号模型也拥有视觉能力。另外操作电脑、编辑文件、连接社交平台这些都不在话下。 这只小金鱼发布已经一周多了，网友实测它重回开源第一，甚至能跟贵几十倍的对手摆摆手腕。但随之而来的是争论。这个天才好像有点偏科，视觉和聪明二选一， api 接入频频报错，配置麻烦。 这好比你可以花五百块买一个新款 iphone， 想要正常使用却得折腾一番。所以过去一周，我给 deep seek 做了超多的优化，补齐了短板。 no one knows， deep seek better than。 这个视频就给大家分享分享我这几天都做了什么。 也许你还记得，去年梁老板手动做空美股 deepse 二，一能打出那个声量思考模式是最大的功臣。 v 四把这个能力又往前推了一步，新的 max 思考模式变得更聪明了。 可是打开官网并没有这个开关要用，只能接 api。 但是 api 的 思考格式特别难伺候， cloud code 龙虾动不动就抛四零零错误。社区里一堆人在问怎么回事， 原因在于开了思考模式之后，每轮对话都要把上一次的思考过程原封不动发回去，哪怕是空的也得发。但大部分客户端会把空的直接扔掉，导致报错对话断掉。有人测过，复现概率最高能到百分之五十九。 这些问题我这几天在 open henanicle 里基本都处理好了，现在接上 a p i 就 能直接用上。最聪明的小鲸鱼。 这次 deepsea 官方主打的另一个更新是一百万的长上下文，就算聊很久，他都不会忘记你说了什么。 不过上下文一长，钱就花得更快了。业界普遍会用一个技术叫 k v cash， 原理很简单，前文不变的部分不需要重新计算，一般缓存价格不到正常输入的五分之一，而 deepsea 做得更狠，缓存命中只要原价的百分之一，几乎是白送了。 所以我也对 hanako 做了缓存优化，把不怎么变的系统指令放前面，容易变的时间记忆放后面，保证命中率，配合 deepsea 使用效果最佳。 开头说了 deepsea v 四发布之初，视觉是最大的短板，在大家人均多模态能看图的今天，确实影响榜一这个名号。前几天我为了让 deepsea 看见，给他开发了一个辅助视觉的功能，原理是用别的多模态模型示图，再把结果喂给 deepsea pro 去推理， 调整几天，终于稳定跑起来了。思考、练和输出结果都很像原生的多模态模型，结果官方直接上了多模态版本，还发了个论文，那我这周岂不是白干了吗？ 并没有白干，而且很有意义。官方的多模态走的是小号模型，看图和聪明只能二选一， 而在哈纳扣里， pro 也能借助外置视觉看图。而且我读了那篇论文之后，捞到了一个很好的思路，很多外界视觉方案本质上是先把图片翻译成文字，再去推理，说左边那个中间偏上，说着说着自己都指不清了。论文的做法是把对象和位置变成坐标锚点， 让模型指着坐标去想。我就把这个思路用到了外界视觉方案里，让识图模型按坐标格式输出，关键区域再交给 pro 推理，空间关系比得更清楚。 这也是我觉得开元社区最有价值的地方，成果一发布，立刻就能给别人新的工程启发。这套方案也不只是给 deepseek 用，任何没有视觉能力的模型接上就能看图。 到这里，思考，模式拉满了百万上下文也跑通了，视觉补上了这只小鲸鱼在 open hanako 平台上基本没有短板了。 那问题来了，旧的模型要怎么处理呢？爱怎么处理怎么处理？哼！ 说到这，我也想跟大家分享一下。 open hanako 这个软件本身除了给 deepsea 扩展性能之外，我觉得它可能是东半球最适合中国宝宝的 ai agent。 在开发过程中，我发现一个 ai 助手对环境的感知会影响运行的结果，他才知道自己是谁，用户是谁，最近在忙什么？身边有谁可以帮忙， 不然就像一个高材生，被空投到陌生的办公室，能力再强也手忙脚乱。所以我在 hanoq 里做了花名册和记忆系统。在这个平台上， agent 知道彼此的存在。 比如小花知道毛毛是一个擅长创意发散用咪某模型的助手，他就会在审稿阶段主动寻求毛毛的帮助，而非擅长第一性原理与数学，用 gpt 模型的名， 这能让模型潜力发挥到最大，极大减少幻觉产生。当然了，如果你创建了自定义助手，那么系统中别的 agent 也会立刻知道它的存在。更有意思的是，你甚至还可以拉个群，让它们互相聊天。 我的整个青春期都在成都度过，那个地方一年有三分之二的时间都是阴天，所以我喜欢斑驳树荫间透过的丁达尔光，喜欢春天窗台前的倒影纸、笔记本的墨香与温润， 而这些触感都随着数字化消失在我们的生活中了。但有一天我偶然发现，这几年已经有不少人尝试做这种有阳光感的网页了，我想把那个夏天的青草味和蝉鸣搬到屏幕上来，所以我也给哈纳口做了晴天模式，大家试试看吧。 做软件开发的时候难免会遇到一个矛盾，那就是无法兼顾易用性与专业性。 而我觉得理想的 ai 助手应该兼具温暖的人文情怀，和钢铁一样的工作能力，下线和上线都应该保证。所以小花在拥有绝大多数龙虾 hermes agent 的 功能的同时，不需要自己去配置复杂的命令行。 此外，对于有一些动手能力的朋友，我也做了一套健全的插件系统，让它完全可以按你自己的想法定制化。已经有不少小伙伴基于这个软件做了很多很有意思很棒的东西，我看到的时候特别开心，完全没想过它会被这样用。 或许这就是开源社区的魅力，只是我第一次感受到。

二零二六年，做一个 ai agent 已经不稀奇了，但能在生产环境里稳定跑出了问题，能恢复，随着模型升级，还能继续用的 agent 很 少。这篇稿子，我们来聊聊 anthropic 最近发布的 agent harness 架构思路。这不是一篇如何写更聪明的提示词的文章，它讲的是怎么设计一个能活下去的 agent。 运行时， anthropic 对 agent 的 理解经历了四个阶段。第一阶段，重心在长，上下纹窗口从十万托克扩到二十万，大家都在想怎么把更多信息塞进去，但很快发现，更大的工作台不等于可靠的记忆，托克越多，成本越高，性价比越低。第二阶段，开始区分工作流和自主 agent。 工作流是有固定路径的流程，模型，只在特定节点介入， agent 是 开放循环模型，自己规划，调工具，读结果，继续执行。这个区别比很多人意识到的重要得多。 大多数业务场景，其实用工作流就够了，把它强行换成 agent， 往往只是把一个可控流程变成了黑箱。第三阶段，工程细节开始主导。 think two 多 agent、 研究系统上下文、工程、 agent skills、 沙箱、隔离。 这些看起来是分散的话题，但指向同一个问题。当 agent 真的 开始干活，问题就不再是模型能不能回答，而是系统能不能承载模型的行动。工具太多，上下文爆炸任务太长，对话历史撑不住，执行太自由，安全边界塌了。 第四阶段，也就是现在， ansorepic 把问题提升到了运行时层面，不再讨论怎么写某一个具体的 harness， 而是如何设计一个稳定的接口，让 agent 的 系统能持续演进。 managed agents 的 核心一句话概括，把会持续变化的东西拆开来，模型会变， harness 策略会变，工具会变，沙箱会变，上下文策略会变，安全要求会变，全。塞在一个容器，一个循环，一个 prompt 站里， 一年以后，你的系统就是一块谁也不敢动的砖。 anthropic 举了个很直接的例子， cloud sonnet 四点五有个习惯，快到上下文上线时，倾向于提前结束任务，所以当时的 harness 里加了一个上下文重置逻辑。但 等到 cloud opus 四点五，这个行为消失了，那段重置逻辑就从解决方案变成了负担。教训很清楚，不要把今天的模型缺陷烧进明天的架构里。 manage agents 抽出来的核心接口大概是这些 session 记录任务期间发生了什么， harness 决定下一步做什么。 sandbox 动作在哪里执行？ tool interface 动作怎么被调用？ credentials 动作是否被授权？ context builder 这轮模型看到什么？ trace evil 这次运行怎么被复盘？重点不是设计出一个优雅的固定 agent 循环，而是让这套系统在模型工具执行环境变化时依然能够继续演进。 第一个关键设计，大脑和手分开，大脑等于 cloud 加 harness， 手等于沙箱。 m c p server 外部工具，浏览器代码执行环境早期默认做法是把大脑放在手里面，一个容器既跑 harness， 又拿着 session， 又执行工具，顺手把密钥也放进去了生产环境里。这就是经典问题， 容器变成了宠物服务器，不敢扔，不敢重启，崩了要进去抢救。正确的做法，让 harness 离开沙箱， harness 变成相对无状态的控制平面，沙箱变成可随时调用、随时重建的执行资源。两者之间只需要一个最简单的接口， execute name input string harness 不 需要关心对面是容器、远程服务还是客户。 vpc 里的某个工具环境， 它发出动作，拿回结果。好处是沙箱挂了，任务不挂大脑，可以先启动沙箱，晚点加载一个大脑，可以驱动多双手。第二个关键设计， session 不 等于上下文窗口， 很多 a 阵系统把 session 对 话、历史记忆、上下文窗口混在一起，短任务活下来了，长任务在这里翻车。上下文窗口是模型，在单词推理中看到的头肯是工作台。 session 应该是整个任务发生了什么的持久记录。更像一个事件日制，一个认真的 session， 至少要记录用户输入模型、响应工具、调用工具，结果、文件变更、报错、重试、人工审批、检查点。每次调用模型时，哈尼斯从 session 里取内容，动态组装。这一轮的上下文 工作台是被整理、压缩、裁剪的，台账要尽可能完整，可查询，可恢复。把所有历史都扔进上下文，成本爆炸。模型淹没在造深里，只靠摘掉你丢掉的细节，很可能是明天的关键 bug。 这个分层才是立得住的。结构，原始事件长期保留 context builder 每轮动态选举模型，这轮看到高清造笔的上下文。 第三个关键设计，沙箱设计被严重低估，大多数团队从给 agent 一个 shell 开始，能跑命令，能读文件，能改代码，感觉够用了。生产环境里，沙箱是你的安全边界，执行边界也是成本和延迟的重要来源。 entropic 在 cloud code 沙箱和 manage agents 里推进的原则，沙箱要隔离文件系统和网络，把模型生成的代码视为不可信代码，否则提示词注入可以让 agent 读到他不该读的文件，访问他不该访问的服务，然后把结果带出去。 沙箱不应该持有长期有效的凭证。每一个 github token、 数据库密钥、云服务密钥放在沙箱里，就是可以被攻击者通过 agent 泄露出去的东西。 沙箱要能重建，能恢复，长时间运行的 agent 一定会遇到失败。把沙箱和 session 绑定太死，失败就会把整个任务拖下去。正确的做法，沙箱可重建，可恢复，理想状态下支持快照和续跑。 很多 agent demo 看起来很好，进了生产环境就变得臃肿昂贵，无法调试。原因很简单，研究型 harness 和生产型 harness 的 目标不一样，研究型 harness 追的是能力，天花板，多烧 token， 多开子， agent 多叠评估器，任务成功率上去了，实验就成了。 生产型哈尼斯追的是稳定回报。要算成本，看延迟控权限，从失败中恢复，可观测，可灰度，可回滚。这里有一句话值得反复想。哈尼斯策略，每次模型升级都要重新定价，今天的规划器是帮手，明天可能只是拖累。 今天的评估器能抓错误，明天可能只是成本。今天的上下文重置是必要补丁，明天是死代码。所以生产型哈尼斯不能只是加东西，它也必须删东西，每次模型升级都应该重新测试。 记忆模块还在赚钱吗？ critic 还在赚钱吗？工具搜索还在赚钱吗？多 agent 的 删除还在赚钱吗？上下文重置还在赚钱吗？在 agent 的 工程里，删掉过时，复杂度本身就是一种能力。 agent 产品会越来越复杂，但复杂度不应该全注在 prompt 和循环里，它属于运行时 session 管持久状态。 harness 是 控制平面， context builder 做上下文调度， tooler router 负责动作分发， sandbox 隔离执行 credentials 守住凭证边界 trace 记录过程亦要做结果判断，这才是 agent 真正能跑进生产的基础。 多 agent 会继续引进 m c p， 生态会继续扩展，上下文窗口会继续变长，模型在工具调用规划、自我修正上会继续变强，但这些都不会软化核心问题只会让它更尖锐。 你的系统必须能换掉旧策略，把所有东西硬编码、禁 prompt 容器和固定循环的 a 阵平台每个季度都会变得更难维护。而那些在状态、执行、凭证、上下文评估之间划清边界的系统，才是真的能跟模型一起进化的系统。

扎烈专门面向 tfc 的 c c 来了，他就是 tfc t u i， 短短一周就达到一万 star， 不 用浏览器和 ida， 直接在终端练唤醒 tfc 可以 死一百万 token 上下文思维链实时流逝，运行调度，十六个子智能体同时干活， 读写文件，执行命令，搜索网页管理， get 全程键盘驱动，行云流水，无需 know， 无需 pad， 一 行命令装好单一二进至开箱即炸。好了，关注我，每天都有爱心体验！

呃，最近用 color code 加 d c 加 maclab 附上了一个顶上的论文，就是哎这篇二二年 t a c 上的一个抗扰动墨烯色控制的论文。呃，可以先看看结果，我感觉它做的整体上还是不错的。嗯， 这是图一，然后啊，它对的应该是图三，这是图四的，就是可以看到基本上基本差不多，然后图五的 图六的这个扰动观测器的结果，从地上看就是他做的还不错，但是其实我也是和他叠带了很多人，他才能做成这个样子。比如说就是在和他对话的时候，首先呢，我想最开始就是告诉他 就是按照步骤完成一下任务，然后他就开始做，做完之后做，做的过程中会遇到各种问题，然后就就我就觉得在做的时候自己得懂这个事情。比如说，呃，我当时就发现迷你扰动观测器估计的已经很准了，为什么我就会发现他这个扰动加大了，少成了一个零点一，然后成上之后呢，就会好很多，然后再包括后面的这里。呃， 就是我发现这个就是控制为负，然后说明当前情况下无补无扰动补偿的小车正在倒车追踪轨迹，然后请修复，反正就是跟他经过这些迭代之后。呃，最后就得到了这个结果。 总结一下就是，也许这样的任务让 gpt 或者可拉的 api 来做可能会更好，但是我还是觉得首先我们自己得懂得有最基本的发现问题的能力，这样技能就完成我们的需求，而而且还比他一通瞎搞更节省头啃。我觉得最好的一种就是这个事我只想做，不代表我不会做。然后最后就是我觉得这篇论文不仅访真做的不代表我不会做，然后最后就是我觉得这篇论文不仅访真做的很漂亮，就是做非限性 npc 和抗扰动的同学可以看看。

codex 虽然功能强大，但是使用 openai 官方的 token 渠道，性价比非常低，这里教大家如何将 codex 接入到国产性价比之王 deepsea k。 平时就把轻量化的任务交给 deepsea。 首先需要安装几个前置的工具， 第一个 node 点 js， 直接搜索官网，点进去，选择自己对应的版本下载即可。下好后一路下一步安装就行。 第二步安装 c c x 和 c c switch， 这俩因为要去 get 掌，这里我就把安装包放简介了，大家自行领取下好安装包后安装。先打开 c c x， 这个 ev 是 环境配置文件，可以用记事本的方式打开，这个密钥是一二三四五六记一下， 然后打开运行程序，把这个管理界面的连接复制到网页，打开， 输入刚才那个密钥，一二三四五六，可以把它切换成简体中文。然后我们先不管它，打开 deepseek 的 官网，点这个 a p i 开放平台，这里大家用自己的账号登录，然后点左边这个接口文档，把这个余额要地址复制一下，然后回到 c c x， 点上面的 codex， 再点添加渠道，在上面粘贴一下 y o r l 地址。接下来回到 d p c 点这里的 a p e k 点创建 a p e k 这个名称，随便填点创建 这个 a p i k， 大家可以自行保存一下，要记得不要暴露出去，不然别人用你的 api 用的就是你的钱。把它复制下来，粘贴到 c c x 这里， 然后点右上角的详细配置，把这个服务类型换成 open ai 下拉，把这个模块化非常键给打开，然后保存配置，接下来再打开 ccc 位置， 一路下一步安装即可， 安装完成后打开它渠道，选择 open ai 这个点右上角的添加，选择自定义配置， 下面供应商名称随便填一个 a p e k， 填一二三四五六。然后这个 api 请求地址，我们回到 c c x， 把这个 api 地址复制过去， 点这个获取模型列表， 就能看到接入的 deepseek 了。选择模型下拉，把这个百万上下文窗口打开，然后保存配置，并且用它。 接下来就可以进入 codex 了。国内直连肯定是有一点慢的，耐心等待一下， 我这里自动登录了，退出重新登录，登录时选这个，使用其他方式登录， 然后输入刚才配置的一二三四五六。可以看到模型这里已经是自定义了，也就是在 c c c 区里配好的 d p c k。 正常的话这里就是 g p t 五点五。当然如果要正常使用的话，肯定是要给 d p c 可充一点钱的，不然就会出现这种五零三报错。最后提一嘴， 如果你有条件的话，还是建议使用 g p t 原声的，肯定是要比我们接入 d p c k 好 用， d p c k 只是胜在更便宜而已。好了，以上是本期全部内容了，我们下期再见。

dcep 又崩了？就在今天下午，大量用户突然发现 deepcep 的 网页和 api 服务集体罢工，页面弹出服务器繁忙的提示，根本没法用。这次宕机来得突然，不少用户正用它写方案查资料，直接被打乱了节奏。 有人吐槽关键时刻掉链子，也有人怀疑是访问量太大，服务器扛不住了。好在晚上六点左右，官方表示问题已修复，服务逐步恢复。但这也是近两个月来第三次大规模荡机。看来 deepsea 的 服务器还得再稳一稳啊。好在晚上六点左右，官方表示问题已修复，服务逐步恢复。

口袋终于实现国产模型自由了， dc 切问质谱随便切，重点是绘画记录还能够完整保留，这下真的不用再整天盯着额度了。这次使用的工具是 echo ball， 你 可以理解成 给口袋加了一个模型切换器，上次我们连接 dc 的 时候还要配 cc 叉和 cc switch， 这次更加的简单，模型都放在同一个面板里面，想用哪个直接切？安装包我都已经整理好了，下载之后直接运行就行。 我们先来打开这个 echo board， 左边点击我们的模型中心，这些模型呢都是可以直接链接的，只要符合 open a 的 协议就没有问题。点 击模型，然后添加我们的模型 id 还有 api key。 接下来我们再点击右边的应用管理，这里可以看到有很多的 ai 工具，但这期我们主要讲的是 code， 所以 我们先找到 code， 点击我们已经配置好的 d c 模型，点击启动就会自动弹出我们的 code， 看已经切过来了，我来测试一下，让他解析一下 echo ball 这个项目。 ok， 没有问题。重点来了，直接回到我们的 echo ball， 切换千问，点击启动就会自动重启我们的 codex， 看刚才的聊天记录都还在继续追问，刚才那个项目他也能够接的上。模型都放在同一个面板里面管理，不用反复去配置，这可比以前舒服多了。最后再给大家补三个坑，第一个我测试的时候发现先换回默认的 open ai 反而会丢失他的绘画记录，检查后发现原来是工具里面的一个小 bug， 不过包里面的版本已经是修复好的。第二点是部分的绘画可能会出现模型切换之后不能继续对话的情况，因为不同的模型对话里加密信息和工具调用状态他不一定能够兼容的。建议切换模型之前呢，先总结一下上下文，然后新建对话，再继续项目。 第三点，很多朋友也反馈过， a p i 模式下没有办法正常的去使用插件，但是我最近看到一些解决方案，这两天我会再去实测一波，到时候再给大家分享，不过目前又是不影响的，是可以正常使用的。今天的分享就到这了，我是木马，每天一起玩 a 的 赛博大志，咱们下期见，拜拜！

国产 ai 终于不再低调，正式向全球最强编程工具亮剑了。就在刚刚， deep seek 官方证实正在组建全新的 harness 团队，目标只有一个，直接对标并挑战 antropics 的 clone code。 deep seek 资深研究员陈德礼之言，简单来说就是做 deep seek 自己的 code harness。 很多人以为 deep seek 只会做模型，其实它这次是要给 ai 装上手和脚。简单来说，模型是大脑，而 harness 就是 让 ai 能真正进入你的终端，读写文件，自动修复 bug 的 工程系统。在官方出手前，第三方开发者做的 deep seek t u y 就 已经火遍全网，因为成本只有 clock code 的 几十 分之一。现在官方亲自下场，凭借 v 四模型一百万 token 的 超长上下文和极致的性价比， deepsea 不 仅要打破美国在高端 ai 编程工具上的垄断，更要用国产 ai 把开发者的门槛彻底打下来。

deepsea 回应乱回漏洞啊，是特殊制服引发的模型幻觉，不涉及安全问题或隐私泄露。 五月十九日啊， deepsea 官方账号发布了关于制服触发模型异常回复的说明啊， 近期我们关注到有用户反馈，在与 deepsea 模型的对话当中，当输入这类特殊制服的时候啊，模型会偶发返回不可预期的内容啊，使部分用户产生了对话泄露的疑虑。针对这些问题，我们团队经全面排查后发现啊，输入 引号啊等制服触发异常内容，返回属于特殊制服引发的模型幻觉，不涉及安全问题或隐私泄露。后续我们将通过针对性的训练，增强模型对特殊制服的识别和处理能力， 修复相关已知问题，优化模型在此类场景当中的表现啊，对这个始终对用户的数据安全和使用体验保持高度重视啊，感谢大家的关注与监督啊，特殊字体啊，比如说啊， 引号啊，然后还有代号啊等等啊，就是一些一些这个这种特殊的字母，就会引发模型的幻觉啊，那模型啊，它必定不是人啊，它还达不到人的这种程度，所以出现各各种各样的这种幻觉呀， bug 呀，是很正常的啊，都是在不断的完善的过程当中，关注我。