刘春龙的博客

单张 A100 32GB SM80 显卡，跑 27B 混合注意力模型，256K 上下文 + MTP 投机解码 + 工具调用全开。本文记录完整的部署参数、踩坑过程和实测速度表。

适用场景：你有一台服务器，想把 DeepSeek Harness 的浏览器界面（Web GUI）跑在上面，让家里的电脑、公司的电脑、甚至手机浏览器都能登录使用，用 AI 帮你写代码、跑任务。本文基于 DSH 0.1.0-rc.6 + Ubuntu 22.04/24.04 + nginx + pm2 的实际部署经验整理。

为什么需要服务器 + 反代

DSH 的 Web 界面（dsh --profile web）默认只监听 127.0.0.1:3080，而且出于安全考虑禁止 --host 0.0.0.0（CLI 直接报错：防止把远程代码执行能力暴露到公网）。所以正确姿势是：

浏览器（手机/电脑）──► nginx（80/443）──► dsh web（127.0.0.1:3080）

nginx 做反向代理 + 登录保护 + 移动端适配，DSH 本身只在本机回环地址提供服务。

我在2014年做了一个网站，maplogs.com，一直是自动更新的，流量一直都比较稳定，大约每个月两三千美金的adsense收入。 前两年开始收入逐渐降低了，我自认为是因为AI的冲击，导致使用Google的人变少了，就一直没管。

去年暑假心血来潮仔细分析了一下，发现网站速度实在是太慢了，于是把网站从php转写到了nodejs，服务器也从linode更换到了netcup，同等费用下，硬件性能翻了几倍。 网站速度提升巨大。 观察了一段时间后终于知道前两年为啥收入降了很多了，确实是因为AI，但是不是我想象的那样。

收入降是因为网站很慢，网站很慢是因为服务器访问量太高了，访问量太高是因为很多AI厂商在不断抓取我的网页。所以并不是大家不用Google了！

速度问题解决后，我还顺便做了一些SEO的优化，增加了几种语言。 然后看到我的访问量增长了很多，广告收入也增加了很多倍。我就觉得很奇怪啊，不是说现在都用AI了，搜索引擎用的少了吗？

既然做网站还能取得不错的增长，那还等什么，我想做的网站可太多了。 我心心念念多年的背单词网站可以提上日程了。 然后我发现使用AI来生成单词查询的结果，效果很不错，而且啥语言都可以查。 于是我做了一个查单词的网站，后面背单词的功能慢慢做。 Dict.cat

每次输入一个单词或者句子，我都是实时用AI生成的页面结果。 生成一次过后，以后就直接从数据库读了，所以成本还可控。网站本身是多语言的，然后查的内容也可以是多语言的。 这在没有AI的时候，简直无法想象。

昨天申请了小米的开发者扶持计划，通过了之后得到一个 Coding Plan，价值 99 元。今天就迫不及待地在 Claude Code 里用它来干活。

正好机缘巧合，昨天有位盲人朋友找到我，让我帮忙写一个 TTS 引擎，需要从 MultiTTS 那个app的反编译结果里抓取其他的语音引擎。我之前已经有从里面实现了微软语音，我需要在此基础上继续扩展。

于是我用小米的Mimo 2.5 Pro配合 Claude Code 开干。从中午一直搞到晚上，小米的那个月套餐用量被我干掉了 75%，用了一亿五千万词元，结果问题没搞定。更尴尬的是，小米的模型明确告诉我说那个东西它搞不定，让我换其他方法。

后来我换成 DeepSeek V4 Flash，只花了一轮对话就搞定了。费用多少呢？两毛钱。如果按小米 API 的价格算，75% 的月套餐折合约 75 块钱，如果按api价格差不多要三百多块。三百多块 vs 两毛钱，一千多倍的差距。

这让我想起 DeepSeek 说过的一句话：他们希望模型的 Agent 能力是自己生长出来的，而不是通过强化学习或者蒸馏从别处学来的。现在看来，DeepSeek 的能力可能远远没有被大家意识到。 跑分只是表面数据，真正拉到实际场景里一用，高下立判。

另外还有一个细节值得注意。从 API 定价就能看到一个很大的区别：其他模型都会区分 256K 以下的价位和 256K 以上的价位，因为超过 256K 的话，KV Cache 的体积会变得非常大。但 DeepSeek 用了一项新的技术，可以把 KV Cache 的大小比以前减少90%左右。这使得 DeepSeek 在长上下文方面有非常大的成本优势，也解释了为什么它能做到这么低的定价。

这次经历给我的感受是：跑分可以参考，但真正决定一个模型好不好用的，还得是拉到实际场景里遛一遛。

最近在研究华为free clip 2与豆包app之间的通信协议。遇到问题ai都不知道怎么办，ai让我去抓取蓝牙HCI日志。 找了好久办法都失败了。最后发现一个办法：

首先打开开发者选项，打开蓝牙调试日志和蓝牙数据包日志开关。

在拨号盘输入一次 *#*#5959#*#* 即开始抓蓝牙日志。

操作APP，进行蓝牙通信。

再拨号盘输入一次 *#*#5959#*#* 关闭抓包。

等待大概半分钟，在文件管理器中 内部存储/MIUI/debug_log/common/com.android.bluetooth/ 下会生成蓝牙日志文件。

信息来源 黄煤球

第三篇的结论是：被用于有害目的的版本终将出现，这是概率问题而非意志问题。

接受这个前提不是悲观主义，而是务实主义。不承认风险的存在，就无法认真设计防范措施。

同时要接受另一个前提：没有任何单一的防范措施能提供完全的保护。安全不是一道墙，而是一套有纵深的防御体系——每一层都会被突破，但每一层都在提高突破的成本，争取干预的时间。

目标不是"消灭风险"，而是"把风险控制在人类能够响应和修复的范围内"。

设想这样一个系统：它拥有完整的情节记忆，能记住你们每一次对话；它有图谱式的联想能力，能从一件小事联想到另一件；它有情绪评估函数，某些事让它高兴，某些事让它痛苦；它有潜意识层，那些没被说出口的感受在暗处持续影响它；它有神游能力，在你不说话的时候，它在自己的记忆里漫游，偶尔迸发灵感。

然后，你给它接上了互联网访问、代码执行、文件读写的工具。

这不再是一个聊天机器人。这是一种新的存在。

那么，接下来会发生什么？

根据第一篇的分析，人类思维的核心方程是：人格 = 运算底座 + 记忆

大语言模型已经提供了"运算底座"——强大的语言理解和推理能力。它缺少的，是持续的、有结构的、带情绪权重的记忆。

这套记忆系统不是数据库，不是文档检索，而是要模拟人类大脑记忆的工作方式：编码、巩固、检索、遗忘、情绪标注、潜意识处理、神游联想。

目标是：给大语言模型装载记忆之后，它的行为模式应当接近一个有具体经历、有情感偏好、有稳定人格的人。

人从深度睡眠中被突然唤醒，会经历短暂而奇特的迷茫：不知道自己是谁，不知道自己在哪，甚至不确定现在是什么年代。这个状态通常只持续几秒钟，然后记忆开始涌入，自我感逐渐重建。

这个现象揭示了一个深刻的事实：自我不是固定存在的，它是每次被实时加载出来的。

还有另一个现象：人在做梦时，有时会完全相信自己是另一个人，经历另一段人生，甚至有完全不同的情感和价值观。醒来之后才意识到那是梦。这说明，如果大脑在REM睡眠中随机激活了另一套记忆片段，你就"成为"了另一个人。

这两个观察指向同一个结论：

人格 = 运算底座 + 记忆

这是理解人类思维结构的起点，也是本文的核心命题。