/tag/上限

充值成功后显示：兑换的促销优惠数量已达到上限。有佬友知道，这个上限是永久的吗 1 个帖子 - 1 位参与者 阅读完整话题

接入Claudecode中开启Ultra code模式高强度使用，并未发现与Gpt5.5差异明显的短板 16 个帖子 - 12 位参与者 阅读完整话题

两句话到上限了 你在干什么A畜 19 个帖子 - 12 位参与者 阅读完整话题

ACL学习总结（AscendCL） 分享一份自己学习ACL的笔记，由于内容超出了最大的字符上限（共69168），所以选择直接分享一份语雀链接，链接在图片下方，大致内容如下，欢迎各位大佬前来互相交流学习： 简单来说，ACL的作用就是用来在昇腾（Ascend）设备上做小模型推理加速，例如yolo、ResNet等等各类模型，应用场景比如视频监控实时判定等等 https://www.yuque.com/u48066541/db8sl3/evem2liq09npe599?singleDoc# 《AscendCL》 上面给出的链接里代码案例使用的是C++，这里在给一份包含详细注释的Python版本 Resnet50 import os import acl import numpy as np from PIL import Image #定义常量 ACL_MEM_MALLOC_HUGE_FIRST = 0 ACL_MEMCPY_HOST_TO_DEVICE = 1 ACL_MEMCPY_DEVICE_TO_HOST = 2 #定义模型对象 class Net: def __init__(self,model_path): #构造函数 #acl初始化，device指定 self.device_id = 0 ret = acl.init() ret = acl.rt.set_device(self.device_id) #模型加载,返回模型的ID self.model_id, ret = acl.mdl.load_from_file(model_path) #创建空白的模型描述信息，获取模型描述信息的指针地址 self.model_desc = acl.mdl.create_desc() #通过模型ID，获取模型的描述信息,填充到model_desc ret = acl.mdl.get_desc(self.model_desc,self.model_id) #创建输入输出数据集 #创建输入数据集 self.input_dataset, self.input_data = self.prepare_dataset("input") #创建输出数据集 self.output_dataset, self.output_data = self.prepare_dataset("output") #实现输入输出数据集类型的创建 def prepare_dataset(self,io_type): #准备数据集 if io_type == "input": #获取模型的输入个数 io_num = acl.mdl.get_num_inputs(self.model_desc) #变量引用函数对象 acl_mdl_get_size_by_index = acl.mdl.get_input_size_by_index else: #获取模型的输出个数 io_num = acl.mdl.get_num_outputs(self.model_desc) acl_mdl_get_size_by_index = acl.mdl.get_output_size_by_index #创建aclmdlDataset类型的数据，描述模型的输入或输出 dataset = acl.mdl.create_dataset() datas = [] #循环创建输入或输出数据类型,把每个输入或输出（buffer）装入对应的dataset中 for i in range(io_num): #从模型描述信息中通过索引获取所需的buffer内存大小 buffer_size = acl_mdl_get_size_by_index(self.model_desc,i) #申请buffer_size大小的buff内存，并把申请的内存地址指针给buffer buffer, ret = acl.rt.malloc(buffer_size,ACL_MEM_MALLOC_HUGE_FIRST) #从内存创建大小为buffer_size的buffer对象,存储到buffer指针中 data_buffer = acl.create_data_buffer(buffer,buffer_size) #将buffer数据添加到数据集中 _, ret = acl.mdl.add_dataset_buffer(dataset,data_buffer) datas.append({"buffer": buffer, "data": data_buffer, "size": buffer_size}) return dataset,datas def forward(self,inputs): #模型推理函数 #遍历所有输入，拷贝到对应的buffer内存中 input_num = len(inputs) for i in range(input_num): #将输入数据转换为字节码，方便使用 bytes_data = inputs[i].tobytes() #创建指向字节码对象的指针地址 bytes_ptr = acl.util.bytes_to_ptr(bytes_data) #先将图片数据从host侧传到device侧，用于推理（申请device?） ret = acl.rt.memcpy(self.input_data[i]["buffer"], #目标地址 device self.input_data[i]["size"], #目标地址大小 bytes_ptr, #源地址 host len(bytes_data), #源地址大小 ACL_MEMCPY_HOST_TO_DEVICE #cp模式：host to device ) #模型推理，传入需要推理的模型id，输入输出数据集合 ret = acl.mdl.execute(self.model_id,self.input_dataset,self.output_dataset) #对推理的输出数据进行数据后处理，输出top5置信度的类别编号 inference_result = [] #遍历 输出集合output_data 里的所有元素，获取集合元素与其索引 for i,item in enumerate(self.output_data): #申请host侧内存 self.buffer_host, ret = acl.rt.malloc_host(self.output_data[i]["size"]) #将数据从device侧返回host侧 ret = acl.rt.memcpy(self.buffer_host, #目标地址 host self.output_data[i]["size"], #目标地址大小 self.output_data[i]["buffer"], #源地址 device self.output_data[i]["size"], #源地址大小 ACL_MEMCPY_DEVICE_TO_HOST #cp模式：device to host ) #从host侧内存地址获取（转换）bytes对象 参数1：需要转换的对象(内存地址) 参数2：数据的大小(要读取的字节数) bytes_out = acl.util.ptr_to_bytes(self.buffer_host,self.output_data[i]["size"]) #按照float32格式将数据转为numpy数组，即将这些字节数据视为32位浮点数来解释 data = np.frombuffer(bytes_out, dtype=np.float32) inference_result.append(data) #将得到的data转换为numpy数组，一维 vals = np.array(inference_result).flatten() #对结果进行softmax转换，使其变为概率分布 vals = np.exp(vals) vals = vals / np.sum(vals) return vals def transfer_pic(input_path): #数据预处理，每个模型的不同，预处理的操作也会有所不同 #将路径转换为绝对路径 input_path = os.path.abspath(input_path) #使用 PIL的 Image.open() 方法打开图像文件，返回一个Image对象，用于图像裁剪等后续处理 with Image.open(input_path) as image_file: #resnet50模型，图片裁剪为224*224，当然也不是一定要按照模型规定的大小来 img = image_file.resize((224,224)) #转换为float32类型的ndarray img = np.array(img).astype(np.float32) #根据ImageNet图像的均值和方差,进行图像归一化操作 img -= [123.675, 116.28, 103.53] img /=[58.395, 57.12, 57.375] #色域通道转换，RGB→BGR img = img[:, :, ::-1] #resnet50模型为彩色通道在前，即HWC→CHW img = img.transpose(2,0,1) #返回并添加batch通道 return np.array([img]) def print_top_5(data): #数据后处理，展示top5概率 #argsort函数：升序排序，[::-1]代表反转索引数组，即升序改为降序，[:5]代表截取前五个元素 top_5 = data.argsort()[::-1][:5] print("======== top5 inference results: =============") for i in top_5: print("[%d]: %f" % (i,data[i])) def __del__(self): #析构函数，按照资源申请的相反顺序进行销毁，回收内存 #释放host内存 ret = acl.rt.free_host(self.buffer_host) #销毁输入输出数据集 #先销毁dataset内的buffer for dataset in[self.input_data,self.output_data]: #确保dataset不为空 while dataset: #从列表末尾移除一个元素 item = dataset.pop() #销毁buffer数据 ret = acl.destroy_data_buffer(item["data"]) #释放buffer内存 ret = acl.rt.free(item["buffer"]) #销毁输入输出数据集 ret = acl.mdl.destroy_dataset(self.input_dataset) ret = acl.mdl.destroy_dataset(self.output_dataset) #销毁模型描述文件 ret = acl.mdl.destroy_desc(self.model_desc) #卸载模型 ret = acl.mdl.unload(self.model_id) #释放device ret = acl.rt.reset_device(self.device_id) #acl去初始化 ret = acl.finalize() #主调函数入口 if __name__ == "__main__": #类对象 resnet50 = Net("/home/work/zxy/pyACL/om/cls/resnet50_310P3.om") #数据 image_paths = ["/home/work/zxy/pyACL/data/cls/dog1_1024_683.jpg"] #遍历数组集合 for path in image_paths: #调用数据预处理函数，对每个数据进行预处理 image = transfer_pic(path) #将数据按照每个输入的顺序构造list传入，调用推理函数进行推理 result = resnet50.forward([image]) #数据后处理 print_top_5(result) del resnet50 1 个帖子 - 1 位参与者 阅读完整话题

上万个bug team url： free.ssoo.uk key:sk-482a2cf5f9aa87a6416118728ae21262099bea031c45927deb60b5beade2117d 使劲蹬，无上限，服务器9950x，加油加油！ 2 个帖子 - 2 位参与者 阅读完整话题

无成本无限刀，站里基本都开fast goal 站着撸的，奇怪的是都这样了，OAI还很少弹模型占用上限的提示 1 个帖子 - 1 位参与者 阅读完整话题

方法是刷飞机看到的，若重复，请删帖~~ ChatGPT 无上限 Team 开通方法（两种） 适合通过绑定域名通过 SSO 来开通的场景。 方法一：普通 Team 绑定域名 自己拥有一个普通 ChatGPT Team 绑定自己的域名 重要： 不要自己拉人加入 去 admin.openai.com 绑定域名。 然后使用域名邮箱配置 SSO 方式让用户加入 方法二：通过 Codex 空间 开通 Codex 新空间（最低需要 13 个 Codex 积分就可以开通成本0.5$左右） 拥有空间后，绑定自己的域名 使用域名邮箱通过 SSO 方式让用户加入会转换为ChatGPT类型而非Codex 两种方法都可以实现无上限 Team 访问，选择适合自己的方式！ 1 个帖子 - 1 位参与者 阅读完整话题

兄弟们不用注册，url： https://api.lancegpt.top/ key：sk-2753f0b5cf46194010ff1774a93724007de76c3022fa62934e922144673b6933 3 个帖子 - 2 位参与者 阅读完整话题

https://api.aisz.mom/sign-up?aff=2JWL

https://api.aisz.mom/sign-up?aff=2JWL

https://api.aisz.mom/sign-up?aff=2JWL

昨晚一个本地部署的开源项目一直报错，我也不懂这些那些的，就抱着试试看的心态丢给AI看看，AI直接指出打开那个文件夹里的那个文件，第XXX行的代码，修改一下，然后给我新的代码让我复制掉原来那行，保存后，其实我内心也就是将信将疑不抱希望的试试看，结果直接跑通运行也没问题，也没有报错了，能做到这个程度以后再也不需要求问别人啦！而且细致耐心的跟你解释是为什么会出这个问题！！！ 13 个帖子 - 10 位参与者 阅读完整话题

今年 3 月 10 日，华硕旗下破晓系列发售了一款全新超轻薄 AI 笔记本，华硕破晓 Ultra。其最大特色就是在 1.1kg 超薄机身内塞入了英特尔第 3 代酷睿 Ultra X7 处理器 358H，2.8K 120Hz OLED 触控屏和 70Wh 电池，致力于打造一款标杆级别的商务轻薄本。 当然，它的价格也非常的旗舰，32GB+1TB 存储组合版本当前价格 14999 元。IT之家最近体验了这款产品，它的表现究竟能否对得起商务旗舰之名，一起来看看吧。 一、外观设计 华硕破晓 Ultra 这次在命名上做了更新，可以看作是对高端旗舰轻薄本领域发起的一次进攻，设计相比自家其它高端轻薄本要更加极致。 首先就是它的轻薄机身，整机薄至 10.9mm，机身重量仅 1.1kg，放在大一点的公文包里随时带出去都毫无负担。 质感方面华硕破晓 Ultra 也做得相当到位，机身表面采用华硕独家打造的纳米陶瓷铝工艺，不仅抗刮防污渍，触感也是相当细腻。浅灰配色机身搭配独具特色的粗颗粒工艺处理，质感高级，在自然光下机身更显冷白。 机身外壳采用了圆润的弧面切削，无论以何种姿势握持都足够舒适。A 面只有一个居中的亮面 ASUS Logo，足够简约。 华硕破晓 Ultra 支持单手开合，最大开合角度达到了 135°。B 面采用超窄边框设计，屏占比高达 90%，表面带有抗反射涂层工艺以及 Gorilla 玻璃钢材质，支持触控操作，流畅无拖影。 B 面顶部中间位置安排了 FHD + IR 红外双摄像头以及物理防窥实体拨片，能够有效保护用户个人隐私，并支持 Expertmeeting AI 功能。 屏幕规格上，这块 14 英寸的 16:10 比例的 OLED 华硕好屏拥有 2.8K 分辨率、120Hz 刷新率，100% DCI-P3 广色域，支持 HDR 和 1400nit 峰值亮度、SDR 下拥有 600nit 手动最高亮度，还支持双层串联技术。 IT之家对这块屏幕的色彩表现进行了实测，华硕破晓 Ultra 并没有内置多种专业色域模式，我们在标准色彩模式下通过校色仪测得其拥有 145% 的 sRGB 色域容积，AdobeRGB 和 DCI P3 色域容积也超过了 100%。色域覆盖上 sRGB 和 DCI P3 色域非常接近 100%，确实是一块广色域的 OLED 屏幕。 色准方面，在标准色彩模式下屏幕的平均 Delta E 为 0.75，最大 Delta E 为 2.03，色准表现出色，虽然官方在宣传页没有提及，但看样子是做了出厂校色的。 亮度方面，校色仪测出的 SDR 实际最大亮度 642nit，屏幕色温为 6500K，这样的屏幕色彩和色准表现，无论是内容浏览还是专业色彩显示都能轻松胜任。 当然，华硕也准备了一系列 OLED 屏幕量身定制的配套防烧屏保护和色彩自定义选项，能够有效提升屏幕使用寿命，并让用户找到属于自己的最佳观感。 机身 C 面同样采用纳米陶瓷铝材质，上方是标志性的全尺寸方形键帽人体工学背光键盘，拥有 1.5mm 长键程和 19.05mm 宽键距。键盘区域左右两侧配备 2 条扬声器开孔，电源键集成在键盘右上方，支持 Windows 指纹识别功能和独立状态指示灯。 键盘下方为超大面积的上下无边框玻璃触控板，内有 6 个力传感器，支持全域按压技术，触控体验精准丝滑，按压手感紧实有力，还可调节灵敏度。 除此之外，华硕破晓 Ultra 还内置了 6 维空间立体扬声器，包括 2 个高音单元和 4 个低音单元，共同组成 6 声道环绕立体声，并通过了杜比认证音效。网络方面也支持到了最新的 Wi-Fi7 和蓝牙 6.0 技术，网络连接更快更稳定。 接口方面，华硕破晓 Ultra 为标准左右布局，左右两侧各有一个雷电 4 协议的 USB-C 接口，2 个 USB3.2 Gen2 Type-A 接口，1 个 HDMI2.1TMDS 视频输出接口以及 1 个 3.5mm 音频接口。接口数量和规格都给得比较足，出门无需额外搭配扩展坞使用。 华硕破晓 Ultra 这次给到了一个体积小巧的黑色方形适配器，采用分体设计，支持 90W PD 快充，很适合差旅通勤携带。 二、散热续航 在内部存储容量和扩展性方面，华硕破晓 Ultra 出厂就给到了 32/64GB 板载 LPDDR5x 8533MT/s 内存，标配 2TB PCIe4.0 固态硬盘，直接一步到位。 内存跑分表现如图所示： 内存读取速度达到了 107GB/s； 内存写入速度达到了 117GB/s； 内存拷贝速度达到了 118GB/s； 内存延迟为 90.8ns。 毫无疑问，内存读写性能上华硕破晓 Ultra 的表现属于第一梯度。 再看固态硬盘，出厂预装的 2TB 固态硬盘是来自西部数据的 SN5100S，采用了 BiCS8 QLC NAND 闪存颗粒，支持 NVMe 2.0d 规范，理论顺序读取速度可达 7300MB/s，顺序写入速度 6700MB/s，实测结果如图所示。 华硕破晓 Ultra 还搭载了 70Wh 电池，理论办公续航可达 20 小时，经过实测在固定 150nit 屏幕亮度下，PC Mark 10 现代办公续航测试成绩达到 15 小时 44 分，应付一天的高强度办公需求绰绰有余。 接下来我们就看一下它的散热表现，在华硕管家中将风扇模式改为“性能”档位后，使用 AIDA64 进行 10 分钟 FPU 单烤测试，初期 CPU 功耗可以达到 PL1 和 PL2 预设最大值 65W，温度也是来到了 98℃，随后 CPU 功耗逐渐下降并稳定在 45W，CPU 封装温度最终保持在 85℃，CPU 核心温度则是 82℃。 在 CPU 核心频率上，4 个性能核心保持在 3.5GHz，其它 8 个能效核心为 2.7GHz，还有 4 个低功耗核心反而拥有更高的 3.3GHz 频率。这样来看，华硕破晓 Ultra 的性能释放在相同厚度的轻薄本中属于中等偏上水平，这样做的好处自然是带来了更低的机身表面温度和更小的噪音，烤机时的人位噪音不超过 45 分贝。 三、理论性能 华硕破晓 Ultra 这次搭载了第三代英特尔酷睿 Ultra X7 处理器 358H，也是今年 Panther Lake 中最值得选择的型号，它基于英特尔 18A 制程打造，拥有 4 个性能核心、8 个能效核心和 4 个低功耗能效核心，最高睿频 4.8GHz，三级缓存大小为 18MB。 GPU 部分改动也非常大，Intel Arc B390 的核显，12 个 Xe3 架构 GPU 核心，支持光线追踪和 XeSS 3 图形技术，最高可开启 4 倍帧生成，让游戏性能大幅提升。 在 CineBench R23 基准测试中，CPU 单线程分数为 2074 分，多线程分数为 19805 分。 在 CineBench 2024 基准测试中，CPU 单线程分数为 125 分，多线程分数为 1184 分。 在 3D Mark Time Spy 基准测试中： 酷睿 Ultra X7 处理器 358H 的 CPU 分数为 14176 分，相比 85W 的同处理器低了 400 多分，性能差距在 3.3%。 显卡部分，Time Spy 图形分为 6908 分，相比首发机型涨了 300 分左右，大幅领先上一代的 intel Arc 140T 核显。 在 Solar Bay 光追项目测试中，酷睿 Ultra X7 处理器 358H 的综合分数为 27775 分，显卡综合帧为 105 FPS。 四、游戏与生产力 这次的酷睿 Ultra X 300 系列移动端处理器所搭载的 Intel Arc B390 核显图形性能提升非常大，尤其是支持了 XeSS 3 图形技术和最高 4 倍帧生成。因此虽然华硕破晓 Ultra 是轻薄本定位，但对于它在游戏和生产力方面的表现，我们也可以期待一下。 不过，考虑到它的轻薄本定位和处理器功耗水平，游戏部分我们统一使用 1080P 分辨率 + 低画质设置进行。 1、《CS2》 首先是在线竞技游戏的表现，在《CS2》中以 1200P 分辨率 + 低画质预设运行创意工坊测试地图，华硕破晓 Ultra 的游戏平均帧数为 306 帧，1% Low 帧为 168 帧。 2、《三角洲行动》 《三角洲行动》在近期游戏更新中，终于加入了对 16:10 屏幕比例的支持，我们选择 1200P 分辨率 + 低画质预设 + XeSS 性能优先设置下，进行一局全面战场模式对战，游戏平均帧数来到了 132 帧，1% Low 则达到了 70 帧。 3、《古墓丽影：暗影》 作为一款发布时间较久的老 3A 游戏，《古墓丽影：暗影》相对于次时代单机游戏的性能需求小了不少，并且游戏的优化表现也较为出色，不过由于其对英特尔核显的 Xe 支持选项还停留在早期阶段，这里我们就不打开了。 即便如此，进入游戏后使用 1080P 分辨率 + 低画质预设，运行游戏自带基准测试，游戏平均帧数也能超过三位数，达到 114 帧，1% Low 也有 78 帧，运行起来还是相当流畅的。 即使我们将画质预设切换到最高，仍然可以达到 75 帧的游戏平均帧数，不过此时游戏的 1% Low 帧无法保证能够稳定在 60 帧以上，建议大家可以调到高画质预设游玩，这样游戏平均帧数在接近 90 帧的同时，也能确保 1% Low 帧稳定在 60 帧以上。 4、《赛博朋克：2077》 接下来是一款图形性能要求非常高的游戏《赛博朋克：2077》，在 1200P 分辨率 + 低画质预设 + DX12 模式下，运行游戏自带基准测试，游戏平均帧数来到了 75 帧，1% Low 刚好能为 60 帧，只能说刚达到流畅及格线。 不过，当我们开启 XeSS 质量档选项后，游戏平均帧数暴涨至 100 帧，此时流畅游玩已不是问题。 通过 4 款游戏的简单实测可以看到，即使是在 45W 功耗释放的华硕破晓 Ultra 上，以 1080P + 低画质运行主流游戏，都可以达到较为理想的帧数表现，充分证明 Intel Arc B390 这颗核显的性能非常强大，出差时偶尔打打游戏进行消遣完全没有问题。 接下来我们接着聊聊生产力，在 V-Ray BenchMark 6 基准测试中，酷睿 Ultra X7 处理器 358H 的 CPU 跑分达到了 19433 分，相比 85W 释放的同型号处理器差距约 5.2%，相比 50W 释放的同型号处理器差距约 2.3%。 在 blender 4.5.0 基准测试中： monster 场景得分 124 分； junkshop 场景得分 85 分； classroom 场景得分 57 分。 以上 3 组成绩和 85W 释放的同型号处理器性能表现基本一致。 在 UL Procyon 照片编辑基准测试中，酷睿 Ultra X7 处理器 358H 得分为 7105 分，相比之下，65W 功耗的酷睿 Ultra 9 处理器 285H 得分为 5944 分，前者性能提升了 19.5%。 在 UL Procyon 的视频编辑基准测试中，酷睿 Ultra X7 处理器 358H 得分为 15067 分，相比之下，65W 功耗的酷睿 Ultra 9 处理器 285H 得分为 10941 分，前者性能提升了 37%。 可以看到，生产力表现上酷睿 Ultra X7 处理器相比第二代酷睿 Ultra 9 处理器，也能做到性能上的绝对优势，出色的核显性能和能耗比优势不容小觑。 我们还通过 UL Procyon，测试了一下它的 AI 表现。UL 现在更新了 2.0 版本的 AI Computer Vision 基准测试，对最新的英特尔和 AMD 核显、NPU 调用更加积极，基础分相比 1.0 基准高了不少。 其 NPU 项目会调用 Inter AI Boost 对 OpenVINO 引擎进行 int8 精度测试，最终得分为 1628 分；如果是调用 NPU 对 WinML 引擎进行 int8 精度测试，最终得分为 1453 分。 然后我们再将调用硬件换成 GPU，也就是 Intel Arc B390 核显，此时针对 OpenVINO 引擎进行的 fp16 精度测试，最终得分为 1563 分；针对 WinML 引擎进行的 fp16 精度测试，最终得分为 1480 分。 在另外一项 AI 文本生成基准测试中： PHI 3.5 模型分 1832 分； MISTRAL 7B 模型分 1842 分； LLAMA 3.1 模型分 1776 分； LLAMA 2 模型 1730 分； 这 4 个子项目成绩相比酷睿 Ultra X7 处理器 358H 首批上市机型上的表现均有 100-200 分左右的提升。 五、总结 华硕破晓 Ultra 打破了商务轻薄本“性能妥协”的固有认知，针对性能、屏幕、便携、续航四大维度全面发力。第三代英特尔酷睿 Ultra X7 358H 处理器拥有出色的性能和能耗优势，双层 OLED 触控屏搭配 6 扬声器可提供沉浸的视听体验。1.1kg + 10.9mm 轻薄机身 + 25 小时超长续航，为移动办公和出差重度用户带来满满的安全感。物理防窥摄像头、Expertmeeting AI 等功能，则进一步提升了其商务和实用属性。 如果你是对轻薄本性能有高要求的商务人士、创意工作者（设计师、视频剪辑师），并且想要一台极致轻薄便携、性能释放出色、商务属性拉满的高端商务本，华硕破晓 Ultra 绝对是值得优先考虑的诚意之作。 京东 华硕破晓 Ultra 2.8K 双层串联 OLED 1400nits 触控屏 1.1kg AI 商务办公超轻薄笔记本电脑 (X7 358H 32G 1TB) 14999 元 直达链接 京东 华硕破晓 Ultra 2.8K 双层 OLED 1400nits 触控屏 1.1kg AI 商务办公超轻薄笔记本电脑 (X7 358H 64G 2TB) 19999 元 直达链接 京东 618 无门槛红包 面额至高 26618 元，每天抽 3 次： 点此抽红包 淘宝 618 无门槛红包 面额至高 26888 元，每天抽 1 次： 点此抽红包

请问一个giffgaff账号可以同时申请并激活多张esim或实体卡？如果可以上限是几张？ 2 个帖子 - 2 位参与者 阅读完整话题

之前我对Agent挺不屑一顾的，觉得上限还是要看基座模型。但是前一段时间，我也是终于用上了Claude Code。刚开始用的时候，自然是刹不住车，额度一会儿就用完了。那没办法，用CC Switch换成DeepSeek的api试试，没想到性能居然差了那么多！完全是一个天上一个地下，怪不得DeepSeek也要开发自己的Agent。我也是萌生了自己开发Agent的想法。 说干就干。api上我选择了好评如潮的DeepSeek官方api（主要是便宜）。第一步的目标很简单，我从GitHub上下了一个仓库叫MisterQueen（一个国际象棋项目），我需要让Agent可以帮我总结这个项目。我用的是Windows，那就加一个PowerShell的tool_call吧！ 代码如下： import json import subprocess import requests client = requests.Session() client.headers.update({ "Accept": "application/json", "Authorization": "Bearer YOUR_DEEPSEEK_API_KEY", }) def run_powershell_cmd(cmd): full_cmd = ( "[Console]::OutputEncoding=[Text.Encoding]::UTF8; " "$PSStyle.OutputRendering='PlainText'; " f"{cmd}" ) result = subprocess.run( ["pwsh", "-Command", full_cmd], capture_output=True, text=True, encoding="utf-8", ) return f"stdout:\n{result.stdout}\nstderr:\n{result.stderr}" def post_deepseek( messages, model="deepseek-v4-pro", thinking=True, reasoning_effort="high", max_tokens=None, response_format_type="text", stop=None, stream=False, stream_options=None, temperature=1, top_p=1, tools=None, tool_choice=None, logprobs=False, top_logprobs=None, ): url = "https://api.deepseek.com/beta/chat/completions" json_data = { "messages": messages, "model": model, "thinking": {"type": "enabled" if thinking else "disabled"}, "reasoning_effort": reasoning_effort if thinking else None, "response_format": {"type": response_format_type}, "stream": stream, "temperature": temperature, "top_p": top_p, "logprobs": logprobs, } if max_tokens is not None: json_data["max_tokens"] = max_tokens if stop is not None: json_data["stop"] = stop if stream and stream_options is not None: json_data["stream_options"] = stream_options if tools is not None: json_data["tools"] = tools if tool_choice is not None: json_data["tool_choice"] = tool_choice if logprobs and top_logprobs is not None: json_data["top_logprobs"] = top_logprobs return client.post(url, json=json_data, stream=stream) def post_deepseek_handle_tools(**kwargs): kwargs["messages"] while True: resp = post_deepseek(**kwargs) resp_json = resp.json() choice = resp_json["choices"][0] finish_reason = choice["finish_reason"] message = choice["message"] kwargs["messages"].append(message) if finish_reason == "stop": return kwargs["messages"] elif finish_reason == "tool_calls": tool_calls = message["tool_calls"] for tool_call in tool_calls: function = tool_call["function"] assert function["name"] == "run_powershell_cmd" arguments = json.loads(function["arguments"]) cmd = arguments["cmd"] user_conformation = input( f"AI wants to run powershell command:\n{cmd}\nDo you allow it? (y/n): " ) if user_conformation.lower() != "y": tool_result = f"Tool call rejected by user. Command was:\n{cmd}" else: tool_result = run_powershell_cmd(cmd) kwargs["messages"].append({ "role": "tool", "tool_call_id": tool_call["id"], "content": tool_result, }) else: raise ValueError(f"Unexpected finish_reason: {finish_reason}") messages = post_deepseek_handle_tools( messages=[ { "role": "system", "content": "你是一个人工智能助手", }, { "role": "user", "content": "总结MisterQueen文件夹内的项目", }, ], tools=[ { "type": "function", "function": { "name": "run_powershell_cmd", "strict": True, "description": "运行powershell命令", "parameters": { "type": "object", "properties": { "cmd": { "description": "要运行的powershell命令", "type": "string", } }, "required": ["cmd"], "additionalProperties": False, }, }, } ], ) print(messages[-1]["content"]) 运行结果： AI wants to run powershell command: Get-ChildItem -Path “MisterQueen” -Recurse -Depth 3 | Select-Object Mode, Name, Extension, FullName | Format-Table -AutoSize Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\README.md” Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\Makefile” Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\LICENSE.md” Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\src\main.c” -Head 30 Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\src\search.c” -Head 40 Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\src\uci.c” -Head 30 Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen.gitignore” Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\scripts\parser.py” -Head 30 Do you allow it? (y/n): y AI wants to run powershell command: Get-Content “MisterQueen\scripts\group.py” -Head 30 Do you allow it? (y/n): y 4 个帖子 - 2 位参与者 阅读完整话题

目前有一个claude pro 但是完完全全是不够用的 怎么在到达上限的时候切换到第三方api 然后继续工作呢 5 个帖子 - 4 位参与者 阅读完整话题

IT之家 6 月 3 日消息，人工智能使用成本日渐走高，部分企业开始缩减相关用量以控制开支，Uber 就在其中。为削减高昂的人工智能开销，该公司近期出台了内部使用限额制度。 据彭博社消息，Uber 落地新规：员工使用各类智能体编程工具（Anthropic 的 Claude Code 或 Cursor）时，单人单工具每月消费上限为 1500 美元（IT之家注：现汇率约合 10171 元人民币）。公司表示，每位员工均可通过内部数据面板查看用量数据；特殊场景下，经审批能够突破限额。 这一消息并不算出人意料。据《The Information》此前报道，Uber 曾鼓励员工“尽可能多用人工智能”，还在内部榜单比拼全员 AI 使用量。受该举措影响，这家网约车巨头的首席技术官早在今年 4 月就透露，公司全年人工智能预算仅四个月就已耗尽。 Uber 首席运营官安德鲁 · 麦克唐纳近期也对人工智能的实际增效效果提出质疑，他在一档播客节目中坦言，很难厘清 AI 应用和新品功能落地之间的实际关联。 Uber 缩减 AI 投入，折射出整个科技行业共同面临的难题：各大企业持续重金投入人工智能，但投资回报究竟在哪？现阶段，人工智能的投资回报率大多仍停留在理论层面，企业都在期盼收益落地，不少公司在漫长等待中已然失去耐心。

我是在设置里调了 但实际使用发现上下文到达原上限(300k)后直接触发上面codex上下文满的提示,上下文压缩没触发应该是当前还没达到1m的90%(具体多少忘记了).是因为我用的中转站不支持1m导致的? 5 个帖子 - 3 位参与者 阅读完整话题

MuskAI 稳定生产力的源泉 💎超大源头 GPT5.5 💎超低延迟，专线接入 💎稳定持续可用，适合长期使用与业务接入 💎适合需要稳定渠道的客户！ http://muskapi.cc

如何处理cc在compact的时候超出上限。。？ 我给用满了，结果在compact跑了一大半之后compact的上下文窗口也满了导致无法compact。 1 个帖子 - 1 位参与者 阅读完整话题