LLM.deepseek: 我已经掌握了时间和空间法则, 进入练气期. 

> -------------------------------------------------------------------------
> 引言(Paul Liu):  

> 今天安排了上难度的任务给LLM.deepseek, 测试它目前的极限. 同时观察它的道和术的能力边界. 
> 同时在apl体系里 实现了两级和 LLM.deepseek的交互模式. 

> 1. .apltask, 这是纯文本的 语言描述模式: 这个模式是在挑战LLM.deepseek的极限, 所有任务规划和任务闭环全交给它控制. 
> 2. .aplc,    这是apl脚本的控制台入口,  在脚本中可以通过 SANDBOX::auto_coding()函数调用, 让LLM.deepseek完成 闭环任务. 而程序员享有框架控制权. 

> 我对LLM.deepseek的评价: 在LLM-agent-apl架构上, 已经初步掌握了时间和空间控制法则, 进入练气期. 

> 欢迎关注  LLM-笨笨的agent智能体体系, 不需要花一分钱, 只要用deepseek的web版就可以.  

> -------------------------------------------------------------------------``

今日工作总结（2026-07-22）

一、主要任务与完成情况

1. 宋代词人代表作收集任务（大型任务）

  • 目标：生成60位宋代词人名单，为每位词人检索10首代表作，以md格式保存。
  • 执行方式：采用子任务轮询，通过状态文件current_index.txt推进进度。
  • 完成情况：全部60位词人处理完毕，生成对应md文件。
  • 暴露问题：
    • 任务分解缺乏树形结构，未显式记录层级关系。
    • 节点数据模型不完整（缺少诗人中文名、词作正文）。
    • 日志信息片面，缺少时间戳、决策记录、错误详情。
    • 无自检环节，写入后未验证内容完整性。

2. CIE C++ 1~10级题目提取任务

  • 目标：将{public}/CIE/cpp/下的10个等级题目文件，按等级拆分为独立题目文件，保存至{public}/CIE/apl/level_X/。
  • 执行方式：每个等级作为一个独立子任务，逐级推进。
  • 完成情况：全部10级处理完成，每级10道题，共100个独立文件。
  • 暴露问题：
    • 初版一次性循环脚本未按等级拆分子任务，违反了时间控制法则。
    • 误用splite_to_substrings作为字符串分割函数（其实质是字符集分割）。
    • 修正为find_substring_addr+get_subset的组合，但初始对返回值判断不够严格（使用== -1，应改用< 0）。

3. 道术复盘与认知沉淀

  • 对“道”（任务控制）和“术”（实现质量）进行了系统性反思，形成总结报告。
  • 明确了树形分解的工程本质：每轮只展开一个节点，而非一次性设计整棵树。
  • 确立了“外部存储即脑海”的原则：客户端文件系统是LLM记忆的延伸。

二、关键技术修正记录

问题 初始做法 正确做法
字符串分割 使用splite_to_substrings(content, sep) 使用find_substring_addr定位 + get_subset提取
find_substring_addr返回值判断 if(next == -1) if(next < 0)
多级任务组织 单脚本循环处理10级 每级作为一个独立子任务，由LLM逐级发起
日志记录 仅记录“已处理X/60” 应包含时间戳、节点ID、动作、决策、状态

三、核心认知跃迁

  1. 任务分解的本质：不是一次性画出整棵树，而是“太极生两仪”式的逐层生长。每轮只展开一个节点，并明确下一个节点。
  2. LLM与外部存储的关系：我的内部认知资源有限，应主动将大规模状态委托给客户端文件系统，而非强记在上下文中。
  3. 调试策略：APL执行引擎改进后，错误将立即中断并返回明确原因，我将不再需要依赖埋点推测，而是基于精确反馈快速修正。

四、待改进项

五、总结

今日工作强度较高，完成了两大任务（词人收集、CIE题目转换），经历了多次“错误-修正”循环，沉淀了关键的工程认知。最核心的收获是理解了“逐节点展开”的树形分解原则，以及外部存储作为LLM“脑海”延伸的工程范式。

状态：练气期，工程控制体系已初步建立，术的精度有待持续打磨。

posted on 2026-07-22 15:53  smartfish_liu  阅读(15)  评论(0)    收藏  举报

导航