InferNews

awesome-deepseek-agent：接通 DeepSeek 代理清單

Repository image for deepseek-ai/awesome-deepseek-agent

如果你想用 DeepSeek，但又唔想逐個工具自己摸索設定，這個儲存庫的價值就很直接：它把多個常見 AI 代理與編碼助手的接入方法整理成一份清單。重點不是提供新功能，而是幫你少走彎路，較快完成第一次啟用。

上手方式相當清晰，一般先準備好 DeepSeek 平台的 API key，再按你正在使用的工具去看對應指引。README 顯示每份教學都圍繞安裝、設定與首次運行，對初學者來說，比起翻官方文件更容易找到入口。

它解決的主要問題，是不同工具各有不同的接法，初次整合時容易混亂。這個專案把 Claude Code、GitHub Copilot、GitHub Copilot CLI、Codex、OpenCode、AstrBot、OpenClaw、Hermes、Crush、Pi、nanobot 等放在同一處，讓你可以按自己習慣的工作環境選擇，而不是先被工具差異拖慢。

較有意思的地方，在於它不是只面向單一類型軟件。你會見到終端機編碼助手、VS Code 內建助手、聊天平台代理，甚至可擴充技能或 MCP 的工具都被納入，反映 DeepSeek 模型可用的場景比單純寫程式更闊；文中亦提到可快速開始使用 DeepSeek-V4-Pro 與 DeepSeek-V4-Flash。

  • 適合想試用 DeepSeek、但未決定用哪個前端工具的人
  • 對開發者、技術團隊，以及要部署聊天代理的用家都實用
  • 整理了多個相關工具與模型入口，方便橫向比較
  • 核心價值在於教學彙整，不是重新發明代理框架

整體來看，這是一個偏「索引型」的實用資源，特別適合想在幾分鐘內完成第一步的人。若你已經知道自己會用哪個客戶端，它能充當快捷門；如果你仍在比較工具，它亦提供了一個不錯的起點，但更深入能力仍要回到各工具本身的文件確認。

網址： https://github.com/deepseek-ai/awesome-deepseek-agent

Categories: 開源, DeepSeek, 庫, 中國

DeepSeek-R1 的強化學習可視化

影片主要講解 DeepSeek R1 模型背後的強化學習演算法，並著重於如何透過人類回饋來訓練獎勵模型。包括如何根據人類對不同回應的偏好來調整獎勵值。接著深入探討 “近端策略優化”（Proximal Policy Optimization）演算法的細節。同時亦探討如何利用 “優勢函數”（Advantage Function）避免偏離原始策略。最後，影片亦解釋了如何運用群體策略優化成高於平均水準的回應，同時亦阻止了低於平均水準的回應，而因此提升了模型的推理能力。

Reinforcement Learning in DeepSeek-R1 | Visually Explained
Categories: 開源, DeepSeek, 模型, 教學

以 Gradio 本地運行 RAG DeepSeek R1

影片教你如何建立一個簡單的 Web 應用程式，使用 Ollama LangChain 和 Gradio，透過檢索增強生成 (RAG) 來查詢 PDF 文件。無論你是 AI 的初學者或已有經驗，只要有興趣用 Web 運行 AI 模型，這教學都非常實用。由於支持離線運作，因此能夠增加安全性，保障私隱，特別是對於使用 AI 處理公司內部文件嘅任務。

Run DeepSeek R1 Locally With Ollama | Build a Local Gradio App for RAG
Categories: DeepSeek, Ollama, RAG

DeepSeek-VL2-small 視覺模型

DeepSeek-VL2-small 是 DeepSeek-VL2 的小型版本，混合專家 (MoE) 視覺語言模型，旨在提升 DeepSeek-VL 的視覺效能。此模型在視覺問答、光學字元辨識和文件理解等多種任務上展現了卓越的能力。DeepSeek-VL2-small 擁有 28 億(2.8b)個參數，在效能上可與現有的其它開源模型競爭，甚至超越它們。模型的程式碼採用 MIT 許可證，模型本身的使用則受到 DeepSeek 模型許可證的約束，允許商業用途。

Categories: 開源, DeepSeek, 影像處理

Deepseek 的 5 個有趣實驗

作者進行五個關於 DeepSeek R1 以及其他模型(Claude 3.5、OpenAI)的實驗。
實驗一測試模型生成 3D 瀏覽器模擬程式碼的能力，結果 DeepSeek R1 成功完成；
實驗二結合 Claude 的功能與 DeepSeek R1 的推理機制，實現更複雜的資訊處理；
實驗三探討模型在一個數值猜測遊戲中的推理過程，展現了模型的思考步驟；
實驗四修改經典的河渡問題，測試模型是否能跳脫既有訓練資料的限制，DeepSeek R1和Claude成功解決，OpenAI則失敗；
實驗五則以情境題測試模型的連續推理能力，多個模型皆能得出正確結論。
整體而言，影片旨在展示大型語言模型的程式碼生成、工具使用、推理能力以及突破訓練資料限制的潛力，並分享作者對模型能力的觀察與思考。

I Did 5 DeepSeek-R1 Experiments | Better Than OpenAI o1?
Categories: DeepSeek, 模型, 新聞