DeepSeek V4 模型的 Agent 能力实测
DeepSeek V4 系列发布之后，关于它能不能用、好不好用的讨论很多，但大部分评测还停留在普通对话或编码上。CowAgent 作为一个开源中立的 Agent 框架，则更关心模型在 Agent 链路中的真实表现，包括任务规划、复杂编码、长期记忆、浏览器自动化、知识库构建、长上下文处理等，本文针对这 6 项能力在 CowAgent 中对 DeepSeek V4 模型做了全面测试。
分类 人工智能 下的文章
RAG优化进阶 - 智能体平台的知识库优化实践
RAG（Retrieval-Augmented Generation，检索增强生成）技术经过近两年的快速发展，已经从初期的概念验证阶段进入到了大规模企业级应用的关键时期。在这个过程中，单纯依靠简单的文档切分和基础的向量检索技术已经无法满足企业对于知识库问答质量的要求，需要在RAG技术的各个环节进行更为深入的优化。
AgentMesh -- 开源的多智能体协同平台
AgentMesh 是一个开源的多智能体 (Multi-Agent) 平台，核心目标是解决多个智能体之间的通信和协作问题，真正实现 "1+1>2" 的效果。能够帮助用户快速创造自己的多智能体团队，或是让已有的多个单一智能体获得协同能力，最终解决更为复杂的任务。
DeepSeek-R1-671B 大模型本地部署教程
DeepSeek-R1大模型具备深度思考和推理能力，在数学、代码、自然语言推理等任务上都有着极大的提升。一方面由于官方或第三方的在线服务或多或少存在不稳定的问题，另一方面考虑到数据安全和隐私问题，本地私有化部署DeepSeek开源大模型对个人或企业来说也是一种不错的选择。本文主要介绍完整参数版本 deepseek-r1-671b 模型的部署和测试过程，对 deepseek-v3-671b 以及其他更小参数版本的模型同样适用。
RAG最佳实践 - AI Agent平台的知识库优化之路
RAG（Retrieval-Augmented Generation,检索增强生成）作为当下主流的AI智能体应用技术之一，为解决大语言模型在问答交互场景下存在的不足（知识的局限性、滞后性以及幻觉等问题）提供了解决方案，也让AI大模型在专业领域（尤其是企业应用场景）的落地应用、满足真实的生产需求和业务场景成为可能。本文以LinkAI平台的知识库演进过程为例介绍RAG技术的优化实践。