AI 实践作品
用 AI 协作构建的产品与工具——每个作品都记录了我怎么用 AI 思考、选型和迭代。
Flowtype Local
GitHub ↗语音转 prompt 的 macOS 应用——把口语化的想法,一键变成结构化编码指令
- 5流水线阶段
- 0Python 依赖
- 300MB本地 4-bit 模型
VSA · Voyager Super Agent
企业级 Information Agent 项目与评测方法建设——从 POC 到方案设计,再到 Agent 评测体系
- 3评测维度
- 30+端到端评测集
- 100%触达率入口
VLM 碰撞检测评测平台
让 VLM 当"专家裁判"的自动驾驶碰撞检测评测闭环——AI 评测 AI,人保留最终决策权
- 55,996评测帧数
- 0.812召回率提升
- 10密集迭代轮
实习 AI 工具链
两个自研的 AI 自动化系统——市场周报 Agent 与内网 AI 资讯精选平台
- 2自研系统
- 20+独立增量迭代
- 0→1从零到上线
dsh-billing-tui
GitHub ↗DeepSeek Harness 峰谷计费 TUI 插件——实时监听 token 用量、计算费用,生成持久化 ASCII 账单小票
- 实时费用监控
- op峰谷分时计价
- 2TUI/Web 双形态
开源贡献
我给开源项目提过并合入的 PR——真实落地、能让人 review 的代码贡献
fix(memory): validate knowledge graph entries when loading from disk #4717
修复 MCP 官方 memory server 从磁盘加载知识图谱条目时缺少校验、可能读入损坏或非法数据的问题——为官方 modelcontextprotocol/servers 仓库提交的 memory 修复,已通过 review 并入 main。
fix(docs): balance code fences in cookbook_template.mdx #7054
修复 mem0 文档模板中未闭合的代码围栏导致渲染错乱的问题——纯 docs 修复,已通过 review 并合并进 main,是我第一个落地的开源贡献。
dsh-billing-tui —— 让每个 DeepSeek Harness 用户心里有数 #413
我做的计费插件 dsh-billing-tui:实时盯 token 用量、按 DeepSeek 官方峰谷价算费用,TUI 状态栏常驻显示累计花费,输入 /billing 还能打一张鲸鱼 ASCII 账单小票。它被社区维护的 DeepSeek Harness 生态工具清单收录进「Dashboards & Session UX」——DSH 用户能直接在工具列表里找到它。
AI 思维 / 方法论
关于 Loop Engineering、Agent Benchmark 与 AI Coding 的实践沉淀。
零基础 AI Coding SOP:从一句话到可验收的交付
不要直接让 AI 写代码——澄清、方案、计划、分阶段执行、测试验收,附 8 阶段闭环与对照实验框架
我实践过的 12 个 AI 工具与用法
从画图、浏览器操作到数据取数——按通用篇 / 司内篇分类,把我亲手用过的 AI 工具和玩法记录下来
怎么洗掉前端的"AI 味"
AI 搭页面已不难,难的是别让人一眼看出是 AI 干的——把"AI 味"量化成一把尺子,再给出三种由轻到重的洗法
AI Coding 工具与开发习惯
我在终端里怎么用 AI 干活——工具清单、套餐取舍与当前的使用范式
我习惯在终端命令行里跑代码。所有 AI coding Agent 都住在同一个终端里,我靠一套自洽的工具链调度它们。
用到的开源工具
herdr
Agent 专属的终端复用器:把多个 coding Agent 放进同一屏,实时显示 blocked / working / done 状态,哪个卡住等确认一眼看到;session 可 detach/reattach,断线不丢进度。我日常就是一个 pane 一个 Agent,靠状态灯而不是轮询来调度注意力。
dsh · DeepSeek Harness / dsh-billing-tui
DeepSeek 官方的 Agent Harness,一切皆插件;我主要是通过它的 TUI 用它跑 DeepSeek 模型。我还给它写了一个 dsh-billing-tui:按峰谷分时计价实时算 token 费用并在状态栏显示,编码时心里有数。
Codex CLI
OpenAI 的终端编码 Agent。我拿它当主 Agent / 决策者:制定计划、分解任务、做验收。纯终端、支持 AGENTS.md 指令、沙箱与审批策略,适合做"先想清楚再动手"的角色。
Claude Code
Anthropic 的终端编码 Agent。Skills、CLAUDE.md、子代理生态成熟,我拿它做探索与"洗 AI 味"这类需要设计判断的活,或者跟 Codex 交叉审查。
体验过的 Coding 套餐
我用过 Claude 20x 和 GPT 20x 的高档套餐——确实强,但 20x 的价格对我是明显负担。财力有限的前提下,稳定用下来的是两个 20 美元档:ChatGPT Plus($20) + Ollama Pro($20) 的 coding plan。
当前的使用范式
当一个套餐配额不够时,我把"强推理 + 便宜执行"拆开用:
- 主力执行:在 herdr 的一个 pane 里,用 dsh-tui 调 Ollama Cloud 的 DeepSeek V4 正式版跑重活(写代码、批量处理),成本低、跑得久不怕烧钱。
- 决策与验收:同一个 herdr session 里再开一个 pane,Codex 作为主 Agent 负责决策、拆计划、做代码评审和最后验收——只在关键节点用贵额度,省着花。
- 子 Agent 执行:把 DeepSeek V4 Flash 正式版当子 Agent,交给我拆好的小块任务执行,然后回传给 Codex 验收。
一句话:终端是主场,herdr 是调度台,代码/贵额度当大脑,DeepSeek 的便宜模型当手脚——预算有限反而逼出了更清晰的"谁负责想、谁负责干"的分工。
关于我
你好,我是赵一恒——厦门大学电子信息类硕士,研究方向 LLM / RAG / Agent。我用 AI 构建 Agent,也构建一切,把「怎么做 Agent」的方法论和作品一起沉淀在这里。
教育背景
- 厦门大学 · 电子信息类 · 硕士(985)—— LLM / RAG / Agent 方向,2024–2027
- 中国地质大学(武汉) · 自动化 · 本科(211),2020–2024
研究方向
学术成果
低空运行安全的大模型技术综述
SESC 2026 录用 · 推荐至《系统工程理论与实践》
录用低空经济洞察平台 · 产业政策智能分析系统 V1.0
《低空经济洞察平台产业政策智能分析系统 V1.0》
登记号 2026SR0424325Constraint-Guided Neuro-Symbolic Causal Evidence Subgraph Retrieval for Safety Knowledge Reasoning
约束引导的神经-符号方法,面向因果证据子图检索
在投下一篇论文的思路
面向安全知识推理,用约束引导的神经-符号方法做因果证据子图检索——在知识图谱上只检索"能支撑结论的因果证据链",相比传统 RAG 的语义召回,强调证据的可解释性与可靠性,与我在 Agent 里坚持的"证据不足即回答=失败"一脉相承。
技术栈
语言 / 平台
Agent / RAG
评测 / Observability
进一步了解我的背景,见简历 PDF。