开启时会模糊预览图，关闭后正常显示
RT @_xjdr: # Why Training MoEs is So Hard recently, i have found myself wanting a small, research focused training repo that i can do smal…
ai agents @hud_evals | owned @AIHubCentral (1 million users,acq.) ex climate protester🦦 dont do the deferred life plan
Very high alpha writeup on Modern MoE training it also goes to show how valuable it is to use a large cluster (duh), if you can get your parallelisms working. Many problems become easier to solve at scale, it's not just about turning tokens to gradients faster
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
![[开源教程] 开源模型 + 成熟 Agent 框架 + 工具 => 复刻 Claude Code 级 AI Agent
关键技术组成
· 开源模型：DeepSeek-V3.2
· 成熟 Agent 框架：Claude Agents SDK
· 工具和数据：MongoDB MCP Server
整体架构：模型 → Agents SDK → MongoDB 工具 → 数据库，实现闭环交互。
项目核心理念：三大技术的“强强联合”
构建一个能听懂人话、能自动操作数据库的智能体，融合了三项技术：
1. 大脑 —— DeepSeek v3.2：
换脑操作：通过修改 API Base URL，让 Claude Agents SDK 误以为自己在调用 Claude 模型，实际上调用的是 DeepSeek v3.2，这也成为 OpenAI API 之后 LLM API 的标配操作。
2. 骨架 —— Claude Agents SDK：
选择原因：没有选择 LangChain 或 OpenAI SDK，原因是 Claude Agents SDK 提供了构建复杂 Agent 所需的成熟“脚手架”（如子智能体管理、MCP 支持等），这些是驱动 Claude Code 的核心技术。
3. 手眼 —— MongoDB MCP Server：
技术点：采用 MCP 协议，通过 MongoDB 的 MCP 服务器，AI 可以标准化地执行查询、分析 Schema、甚至写入数据，而不需要复杂的胶水代码。
架构精髓：用“子智能体”对抗“脑雾”
教程中最具技术深度的部分。作者提出了一个关键问题：Context Rot。即使模型宣称支持 200k+ 的上下文，一旦输入过多信息，模型就会变笨、混淆工具。
解决方案：分而治之（Subagents）
教程没有使用一个全能 Agent，而是构建了 3 个专业分工的子智能体，每个只负责 MongoDB MCP 工具集中的一部分：
· Reader Agent：只负责读（查数据）。
· Writer Agent：只负责写（增删改）。
· Query Agent：负责根据模糊指令找到相关数据。
优势：通过限制每个智能体的视野和工具箱，极大降低了 DeepSeek 犯错的概率，保证了操作的精确性。
实战价值：从“玩具”到“工具”
教程不仅仅演示了“查询有多少部电影”这种简单 Demo，还提供了一个极具现实意义的案例：
· 数据迁移与分析：
脚本演示了如何将 Hugging Face Hub 上的真实数据（模型统计、数据集热度等）导入 MongoDB。
· 复杂查询：
导入后，你可以直接问 Agent：“Hugging Face 上最受欢迎的 10 个模型是什么？” Agent 会自动生成聚合查询语句，从数据库中提取答案。
总结
· 模型去魅：你不需要依赖昂贵的闭源模型（如 Claude Opus 4.5），DeepSeek v3.2 配合好的架构完全可以胜任复杂任务。
· MCP 普及：通过 MCP 协议连接数据库将成为标准，大大降低了开发 AI 应用的门槛。
· 架构优先：相比于追求更长的上下文，“主智能体 + 专用子智能体” 的架构才是解决复杂问题的稳定解法。
教程原文](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG7hpoMXb0AA4lLh.jpg&w=3840&q=75 "[开源教程] 开源模型 + 成熟 Agent 框架 + 工具 => 复刻 Claude Code 级 AI Agent
关键技术组成
· 开源模型：DeepSeek-V3.2
· 成熟 Agent 框架：Claude Agents SDK
· 工具和数据：MongoDB MCP Server
整体架构：模型 → Agents SDK → MongoDB 工具 → 数据库，实现闭环交互。
项目核心理念：三大技术的“强强联合”
构建一个能听懂人话、能自动操作数据库的智能体，融合了三项技术：
1. 大脑 —— DeepSeek v3.2：
换脑操作：通过修改 API Base URL，让 Claude Agents SDK 误以为自己在调用 Claude 模型，实际上调用的是 DeepSeek v3.2，这也成为 OpenAI API 之后 LLM API 的标配操作。
2. 骨架 —— Claude Agents SDK：
选择原因：没有选择 LangChain 或 OpenAI SDK，原因是 Claude Agents SDK 提供了构建复杂 Agent 所需的成熟“脚手架”（如子智能体管理、MCP 支持等），这些是驱动 Claude Code 的核心技术。
3. 手眼 —— MongoDB MCP Server：
技术点：采用 MCP 协议，通过 MongoDB 的 MCP 服务器，AI 可以标准化地执行查询、分析 Schema、甚至写入数据，而不需要复杂的胶水代码。
架构精髓：用“子智能体”对抗“脑雾”
教程中最具技术深度的部分。作者提出了一个关键问题：Context Rot。即使模型宣称支持 200k+ 的上下文，一旦输入过多信息，模型就会变笨、混淆工具。
解决方案：分而治之（Subagents）
教程没有使用一个全能 Agent，而是构建了 3 个专业分工的子智能体，每个只负责 MongoDB MCP 工具集中的一部分：
· Reader Agent：只负责读（查数据）。
· Writer Agent：只负责写（增删改）。
· Query Agent：负责根据模糊指令找到相关数据。
优势：通过限制每个智能体的视野和工具箱，极大降低了 DeepSeek 犯错的概率，保证了操作的精确性。
实战价值：从“玩具”到“工具”
教程不仅仅演示了“查询有多少部电影”这种简单 Demo，还提供了一个极具现实意义的案例：
· 数据迁移与分析：
脚本演示了如何将 Hugging Face Hub 上的真实数据（模型统计、数据集热度等）导入 MongoDB。
· 复杂查询：
导入后，你可以直接问 Agent：“Hugging Face 上最受欢迎的 10 个模型是什么？” Agent 会自动生成聚合查询语句，从数据库中提取答案。
总结
· 模型去魅：你不需要依赖昂贵的闭源模型（如 Claude Opus 4.5），DeepSeek v3.2 配合好的架构完全可以胜任复杂任务。
· MCP 普及：通过 MCP 协议连接数据库将成为标准，大大降低了开发 AI 应用的门槛。
· 架构优先：相比于追求更长的上下文，“主智能体 + 专用子智能体” 的架构才是解决复杂问题的稳定解法。
教程原文")
[开源教程] 开源模型 + 成熟 Agent 框架 + 工具 => 复刻 Claude Code 级 AI Agent 关键技术组成 · 开源模型：DeepSeek-V3.2 · 成熟 Agent 框架：Claude Agents SDK · 工具和数据：MongoDB MCP Server 整体架构：模型 → Agents SDK → MongoDB 工具 → 数据库，实现闭环交互。 项目核心理念：三大技术的“强强联合” 构建一个能听懂人话、能自动操作数据库的智能体，融合了三项技术： 1. 大脑 —— DeepSeek v3.2： 换脑操作：通过修改 API Base URL，让 Claude Agents SDK 误以为自己在调用 Claude 模型，实际上调用的是 DeepSeek v3.2，这也成为 OpenAI API 之后 LLM API 的标配操作。 2. 骨架 —— Claude Agents SDK： 选择原因：没有选择 LangChain 或 OpenAI SDK，原因是 Claude Agents SDK 提供了构建复杂 Agent 所需的成熟“脚手架”（如子智能体管理、MCP 支持等），这些是驱动 Claude Code 的核心技术。 3. 手眼 —— MongoDB MCP Server： 技术点：采用 MCP 协议，通过 MongoDB 的 MCP 服务器，AI 可以标准化地执行查询、分析 Schema、甚至写入数据，而不需要复杂的胶水代码。 架构精髓：用“子智能体”对抗“脑雾” 教程中最具技术深度的部分。作者提出了一个关键问题：Context Rot。即使模型宣称支持 200k+ 的上下文，一旦输入过多信息，模型就会变笨、混淆工具。 解决方案：分而治之（Subagents） 教程没有使用一个全能 Agent，而是构建了 3 个专业分工的子智能体，每个只负责 MongoDB MCP 工具集中的一部分： · Reader Agent：只负责读（查数据）。 · Writer Agent：只负责写（增删改）。 · Query Agent：负责根据模糊指令找到相关数据。 优势：通过限制每个智能体的视野和工具箱，极大降低了 DeepSeek 犯错的概率，保证了操作的精确性。 实战价值：从“玩具”到“工具” 教程不仅仅演示了“查询有多少部电影”这种简单 Demo，还提供了一个极具现实意义的案例： · 数据迁移与分析： 脚本演示了如何将 Hugging Face Hub 上的真实数据（模型统计、数据集热度等）导入 MongoDB。 · 复杂查询： 导入后，你可以直接问 Agent：“Hugging Face 上最受欢迎的 10 个模型是什么？” Agent 会自动生成聚合查询语句，从数据库中提取答案。 总结 · 模型去魅：你不需要依赖昂贵的闭源模型（如 Claude Opus 4.5），DeepSeek v3.2 配合好的架构完全可以胜任复杂任务。 · MCP 普及：通过 MCP 协议连接数据库将成为标准，大大降低了开发 AI 应用的门槛。 · 架构优先：相比于追求更长的上下文，“主智能体 + 专用子智能体” 的架构才是解决复杂问题的稳定解法。 教程原文
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
i used to have an open office policy - the deal was that you can book me for a codl chat but you have to opt in to me recording and posting them up these things can have a 3 year impact cycle :)
achieve ambition with intentionality, intensity, & integrity - @dxtipshq - @sveltesociety - @aidotengineer - @latentspacepod - @cognition + @smol_ai
Wandered into another restaurant @ It’s a Falun Gong recruitment spot @ They even have booklets in Russian @ When will I find a straightforward CCP restaurant? The whole city is rife with rival Chinese sects offering delicious food, where is MSS looking. Can they cook at all
We're in a race. It's not USA vs China but humans and AGIs vs ape power centralization. @deepseek_ai stan #1, 2023–Deep Time «C’est la guerre.» ®1
Per, @JustinLin610 (Qwen 3 Coder) talking about Synthetic data, RL, Scaling, Gates attention and Future direction. - Thinking doesn't support coding use cases well. - 256K context lenght, but even 128K would be sufficient for coding agents, as code is filtered before being added to the context. That said API support 1M tokens. - Qwen 2.5 Coder helped with generating synthetic data with Qwen 3 Coder. It involved taking noisy data and cleaning it, rewriting it. - Qwen Team's large scale environment for RL with MegaFlow scheduler. They us multiple scaffolds/agents to generate trajectories (interesting). - RL Performance boost significantly, so efforts are well worth it. - Qwen3-Max made Alibaba scale pilled. It does not have much innovation, but much larger scale. This is all due to scaling. - Next generation of Qwen LLMs will have Gated Delta Attention given success of Qwen3-Next. They might combine Sparse attention tricks as well (DSA?). - Future direction 1. New architecture for long context 2. Integrated search capabilities 3. Incorporating vision in coding models for computer use agent 4. Techniques for long-horizon tasks (24 hrs or longer)
Artificial Intelligence @amazon, @awscloud RL, OSS AI, Coding Agents, General Purpose Agents All views personal!
