Hilo de meng shao (@shao__meng)

[Tutorial de código abierto] Modelo de código abierto + Marco de agente maduro + Herramientas => Replicación del agente de IA a nivel de código de Claude Componentes técnicos clave y modelo de código abierto: DeepSeek-V3.2 • Marco de agente maduro: SDK de Claude Agents Herramientas y datos: Servidor MongoDB MCP Arquitectura general: Modelo → Agentes SDK → Herramienta MongoDB → Base de datos, realizando interacción de circuito cerrado. Concepto central del proyecto: Una poderosa combinación de tres tecnologías clave. La construcción de un agente inteligente que pueda comprender el habla humana y manipular bases de datos automáticamente integra tres tecnologías: 1. El cerebro – DeepSeek v3.2: La operación de "intercambio de cerebros" implica modificar la URL base de la API para que el SDK de Claude Agents crea erróneamente que está llamando al modelo de Claude, cuando en realidad está llamando a DeepSeek v3.2. Esta operación se ha convertido en estándar para las API de LLM tras la API de OpenAI. 2. Skeleton – SDK de Claude Agents: Motivo de la selección: No se seleccionaron LangChain ni OpenAI SDK porque el SDK de Claude Agents proporciona un "andamio" maduro (como gestión de subagentes, compatibilidad con MCP, etc.) necesario para crear agentes complejos, que son las tecnologías centrales que impulsan Claude Code. 3. Coordinación mano-ojo – Servidor MongoDB MCP: Aspectos técnicos destacados: Al emplear el protocolo MCP, la IA puede realizar consultas, analizar esquemas e incluso escribir datos de manera estandarizada a través del servidor MCP de MongoDB, sin la necesidad de un código de enlace complejo. Esencia arquitectónica: Combatir la niebla mental con subagentes La parte técnicamente más compleja del tutorial. El autor plantea un problema clave: la degradación del contexto. Incluso si un modelo afirma admitir más de 200 000 contextos, pierde su inteligencia y confunde a las herramientas cuando se le proporciona demasiada información. Solución: Divide y vencerás (subagentes) En lugar de utilizar un único agente todopoderoso, el tutorial construye tres subagentes especializados, cada uno responsable solo de una parte del conjunto de herramientas MongoDB MCP: • Agente de lectura: solo responsable de la lectura (recuperar datos). • Agente de redacción: solo responsable de escribir (agregar, eliminar y modificar). • Agente de consulta: responsable de encontrar datos relevantes basándose en comandos difusos. Ventajas: Al limitar el campo de visión y la caja de herramientas de cada agente, DeepSeek reduce en gran medida la probabilidad de cometer errores, garantizando la precisión de las operaciones. Valor práctico: de «juguete» a «herramienta» El tutorial no solo muestra una demostración sencilla como "¿cuántas películas hay?", sino que también proporciona un ejemplo del mundo real muy relevante: • Migración y análisis de datos: El script demuestra cómo importar datos del mundo real (estadísticas del modelo, popularidad del conjunto de datos, etc.) desde Hugging Face Hub a MongoDB. • Consultas complejas: Después de importar, puedes preguntarle directamente al Agente: "¿Cuáles son las 10 modelos más populares en Hugging Face?". El Agente generará automáticamente una consulta agregada y extraerá la respuesta de la base de datos. Resumen • Desmitificación de modelos: No es necesario depender de costosos modelos de código cerrado (como Claude Opus 4.5). DeepSeek v3.2, con su excelente arquitectura, es perfectamente capaz de gestionar tareas complejas. • Adopción de MCP: la conexión a bases de datos a través del protocolo MCP se convertirá en el estándar, lo que reducirá significativamente la barrera de entrada para el desarrollo de aplicaciones de IA. • Arquitectura primero: en comparación con la búsqueda de contextos más largos, la arquitectura de "agente principal + subagentes especializados" es una solución estable para resolver problemas complejos. Tutorial original