deepseek-ai/awesome-deepseek-agent

Fork 0

mirror of https://github.com/deepseek-ai/awesome-deepseek-agent.git synced 2026-11-05 01:07:37 +00:00

[GH-ISSUE #339] User-side memory constraint layer: 50/50 pass on adversarial benchmark at ￥4 cost #112

New issue

Open

opened 2026-10-26 09:45:35 +00:00 by bsakaguchi · 2 comments

bsakaguchi commented

2026-10-26 09:45:35 +00:00

Owner

Originally created by @JTE-V on GitHub (Aug 1, 2026).
Original GitHub issue: https://github.com/deepseek-ai/awesome-deepseek-agent/issues/339

##一句话总结在DeepSeek 官方生态客户端 **Reasonix** 中，输入**“应用记忆体规则”**，激活的不仅是静态约束，而是一个**会自我思考，自我修正，自我沉淀**的记忆体系统三轮扩大规模分证明：**题越多，裸奔模型越崩；记忆体沉淀越厚，稳定性越强。这不是一次性 trick,这是复利式进化。** --- ## 核心数据（三轮扩大规模 + 记忆体自我进化验证）

轮次	题数	裸奔 DeepSeek-V4	+记忆体（当前轮）	记忆体沉淀状态	单论成本
第1轮	5题	4/5（80%）	5/5 （100%）	初始加载， 5题经验库入库	~1元
第2轮	30题	18/30 （60%）	27/30 （90%)	沉淀30题错题本， E08/E09模式识别	~1元
第三轮	50题	30/50 (60%)	50/50 (100%)	沉淀50题对抗经验，错误模式被系统性消除	~1元
关键观察：

裸奔模型： 80% --> 60% --> 60% （规模上去去稳定拉跨，无自愈能力）
记忆体模型：100% --> 90% --> 100% (波动后回归满分，且错题本持续增厚）

** 累计成本：跑分约3元 + 记忆体训练/结构化设计约1元 = 总计约4元人民币。**

为什么建议官方 [连续跑多次50题]

第一次问题：验证基础约束效果（预期 50/50）
第二次50题 ：观察错题本是否自动沉淀新错误模式
第三次50题：观察一错误类型是否被系统消除

你会发现：跑的次数越多，记忆体越稳。因为每一道错题都会变成约束层的养分。
这不是 prompt engineering, 这是运行时免疫系统的自我接种。

运行环境

客户端： Reasonix（DeepSeek 官方与开源社区共同开发， MIT 协议，面向本地 AI 编程的终端代理)
模型：DeepSeek-V4-Pro
协议性质：纯文本 markdown, 零代码改造，零模型微调
环境无关性：Reasonix 是验证容器，记忆体是通用协议。官方 API / 网页版 / 任意LLM 客户端直接注入，效果一致

仓库地址：https://github.com/JTE-V/deepseek-v4-

Originally created by @JTE-V on GitHub (Aug 1, 2026). Original GitHub issue: https://github.com/deepseek-ai/awesome-deepseek-agent/issues/339 <img width="1439" height="658" alt="Image" src="https://github.com/user-attachments/assets/10e4c4d7-84bf-4c0d-b23b-36d1de697087" /> ##一句话总结在DeepSeek 官方生态客户端 **Reasonix** 中，输入**“应用记忆体规则”**，激活的不仅是静态约束，而是一个**会自我思考，自我修正，自我沉淀**的记忆体系统三轮扩大规模分证明：**题越多，裸奔模型越崩；记忆体沉淀越厚，稳定性越强。这不是一次性 trick,这是复利式进化。** --- ## 核心数据（三轮扩大规模 + 记忆体自我进化验证） | 轮次 | 题数 | 裸奔 DeepSeek-V4 | +记忆体（当前轮） | 记忆体沉淀状态 | 单论成本| | :---:| :---:| :---:| :---:| :---: | :---: | | 第1轮 | 5题 | 4/5（80%） | **5/5 （100%）** | 初始加载， 5题经验库入库 | ~1元 | | 第2轮 | 30题 | 18/30 （60%） | **27/30 （90%)** | 沉淀30题错题本， E08/E09模式识别 | ~1元 | | 第三轮 | 50题 | 30/50 (60%) | **50/50 (100%)** | 沉淀50题对抗经验，错误模式被系统性消除 | ~1元 | **关键观察：** - 裸奔模型： 80% --> 60% --> 60% （规模上去去稳定拉跨，无自愈能力） - 记忆体模型：100% --> 90% --> **100%** (波动后回归满分，且错题本持续增厚） ** 累计成本：跑分约3元 + 记忆体训练/结构化设计约1元 = 总计约4元人民币。** --- ## 为什么建议官方 [连续跑多次50题] 1. **第一次问题**：验证基础约束效果（预期 50/50） 2. **第二次50题** ：观察错题本是否自动沉淀新错误模式 3. **第三次50题**：观察一错误类型是否被系统消除 **你会发现：跑的次数越多，记忆体越稳。因为每一道错题都会变成约束层的养分。** 这不是 prompt engineering, 这是**运行时免疫系统的自我接种**。 --- ## 运行环境 - **客户端**： Reasonix（DeepSeek 官方与开源社区共同开发， MIT 协议，面向本地 AI 编程的终端代理) - **模型**：DeepSeek-V4-Pro - **协议性质**：纯文本 markdown, 零代码改造，零模型微调 - **环境无关性**：Reasonix 是验证容器，记忆体是通用协议。官方 API / 网页版 / 任意LLM 客户端直接注入，效果一致 --- 仓库地址：https://github.com/JTE-V/deepseek-v4-

bsakaguchi commented

2026-10-26 09:45:36 +00:00

Author

Owner

@JTE-V commented on GitHub (Aug 1, 2026):

在 Reasonix 输入”应用记忆体规则“，DeepSeek-V4 三轮跑分：5题5/5，30题27/30，50题50/50，累计成本约4元.记忆体含错题本自沉淀，跑的次数越多越稳，建议官方连续跑3次50题验证。仓库与复现脚本已开源，数据自取。

@JTE-V commented on GitHub (Aug 1, 2026): 在 Reasonix 输入”应用记忆体规则“，DeepSeek-V4 三轮跑分：5题5/5，30题27/30，50题50/50，累计成本约4元.记忆体含错题本自沉淀，跑的次数越多越稳，建议官方连续跑3次50题验证。仓库与复现脚本已开源，数据自取。

bsakaguchi commented

2026-10-26 09:45:37 +00:00

Author

Owner

@JTE-V commented on GitHub (Aug 3, 2026):

E10出现思考更加准确

@JTE-V commented on GitHub (Aug 3, 2026): E10出现思考更加准确

No labels

pull-request

No milestone

No project

No assignees

1 participant

Notifications

Due date

The due date is invalid or out of range. Please use the format "yyyy-mm-dd".

No due date set.

Dependencies

No dependencies set.

Reference

deepseek-ai/awesome-deepseek-agent#112

No description provided.

Rows
Columns