nuwa-terminal 新版本发布说明

简单介绍

nuwa-terminal 是一个在终端中与大语言模型(LLM)聊天的程序,该工具基于LLM,旨在使终端更加智能。这个终端可以帮助用户使用自然语言
执行命令或任务,同时它还可以作为终端智能助手,你可以询问任何关于软件开发的任何问题。

帮助文档请参考README。

目前该版本只支持安装到Linux环境上，对于windows 用户，可以安装到WSL上使用。

更改内容

新特性

聊天模式流式输出：新增对聊天模式流式输出的支持。
安装脚本：发布了 install.sh 并更新了安装指南。
自然语言脚本支持：
- 新增了自然语言脚本系统提示。
- 新增对脚本模式的处理支持。
- 新增了系统服务检查的示例脚本。
- 新增了用于收集 pod 信息的自然语言脚本。
后端配置：新增了对 Google 和 Deepseek 的后端配置支持。
文件路径建议：启动时支持 ./ 或 / 开头的文件路径建议。
未来特性：新增对 Git 的未来特性支持。

改进

代码重构：
- 重构了 setCurrentWorkMode。
- 在主进程中使用了 NuwaCmd 对象。
- 在主进程中使用了 NuwaModeManager。
- 更新了 CheckDirChanged，使用了 getwd。
- 将 GenerateContent 移至 llms 包。
- 重构了命令解析代码。
文档更新：
- 更新了支持特性的功能列表。
- 更新了自然语言脚本相关文档。
- 删除了 README.md 中的 bash 模式内容。
错误处理：修复了错误格式，并新增了命令帮助。

Bug 修复

键盘快捷键：修复了帮助信息和注释中的错误快捷键。

内部更改

Nuwa 包集成：
- 新增了 NuwaModeManager 接口及其实现。
- 使用了来自 nuwa 包的 NuwaAgent、NuwaTask 和 NuwaChat。
- 新增了以下实现：
- 脚本模式。
- Nuwa 代理模式。
- Nuwa 任务模式。
- Nuwa 命令模式。
- Nuwa 聊天模式。
- 删除了 main.go 中的 ParseScript。

详细更改

特性

新增了 install.sh 脚本，简化了安装过程。
新增了聊天模式流式输出支持。
新增了 Google 和 Deepseek 的后端配置支持。
新增了自然语言脚本示例和系统提示。
为了更好的用户体验，新增了文件路径建议功能。

重构

重构代码以使用 NuwaCmd、NuwaModeManager 和来自 nuwa 包的其他组件。
改进了命令解析逻辑和错误处理。

文档

更新了 README.md 以反映更改并删除过时信息。
增加了自然语言脚本和未来特性的文档。

Bug 修复

修复了帮助信息和注释中的错误快捷键。

本版本包含了代码结构的重大改进，新增了自然语言脚本功能，以及更好的用户体验，包括文件路径建议和流式输出。有关详细说明，请参阅更新后的文档。

如何安装

使用安装脚本（推荐）


# 下载并运行安装脚本
wget https://github.com/darmenliu/nuwa-terminal-chat/releases/latest/download/install.sh
chmod +x install.sh
sudo ./install.sh

# 配置你的 API 密钥
vim ~/.nuwa-terminal/envs.sh
source ~/.nuwa-terminal/envs.sh

# 启动 nuwa-terminal
nuwa-terminal

如何使用DeepSeek的API开发大模型应用

DeepSeek-v3 和 DeepSeek-r1

最近Deepseek因为连续发布了Deepseek-v3和Deepseek-r1两个模型而迅速出圈，在全球科技领域引起了很大的轰动。

Deepseek2024年12月底发布并开源了DeepSeek-V3模型,性能可比肩顶级闭源模型。

Deepseek2025年1月发布了推理模型DeepSeek-R1,在多项测试中超越了OpenAI的o1模型。

以下是它们的基本介绍：

DeepSeek-V3

DeepSeek-V3 是一种混合专家（MoE）模型，具有 6710 亿参数，同时激活 370 亿参数。它在知识基础任务、长文本处理、代码生成和数学推理方面表现出色。它在中文语言能力方面也颇具特色。DeepSeek-V3 结合了多头潜在注意力（MLA）、DeepSeekMoE 和多标记预测（MTP）等创新。

主要特性和亮点：

性能：DeepSeek V3 在一些领域超越了其他开源模型，并在某些方面与顶尖闭源模型如 GPT-4o 和 Claude 竞争。它在 MMLU（EM）上达到了 88.5% 的准确率，在 MMLU-Redux（EM）上达到了 89.1% 的准确率。
速度：其生成速度提高了三倍，从每秒 20 个标记增加到 60 个标记（TPS）。
架构：DeepSeek-V3 采用了一种新的负载平衡策略，不依赖于辅助损失。它使用细粒度专家系统，动态调整专家路由，以确保负载平衡而不牺牲模型性能。
训练：DeepSeek-V3 使用 FP8 混合精度训练框架，完成了对 14.8 万亿标记的预训练，使用了 2.664M H800 GPU 小时。它从 DeepSeek R1 等模型中提炼推理能力，以提高其推理性能。

DeepSeek R1

DeepSeek R1 是一个基于开源和强化学习（RL）的模型，以其推理能力而闻名。它几乎完全依赖于 RL 进行微调，最小化了对标记数据集的需求。

主要特性和亮点：

推理：DeepSeek R1 在数学、代码和自然语言任务中表现出强大的推理能力。在 AIME 2024 数学竞赛中，它达到了 79.8% 的 pass@1 得分。在 Codeforces 上获得了 2029 Elo 评分，超过了 96.3% 的人类参与者。
训练：DeepSeek R1 使用多阶段训练过程，在强化学习之前集成冷启动数据。它采用基于规则的方法，确保可扩展的强化学习，并将强大的推理能力推广到其他领域。
性价比：与 OpenAI 的 o1 模型相比，DeepSeek R1 的训练成本更低。每百万个标记的输入成本便宜 90%，输出价格约低 27 倍。
开源：DeepSeek R1 在 MIT 许可下开源，允许用户自由使用、修改、分发和商业化该模型。

申请DeepSeek的API Key

进入DeepSeek官网, 点击右上角的“API开放平台”按钮，进入API开放平台页面。
选择“API Key”，点击“创建API Key”按钮，创建一个API Key。将你的API Key保存到安全的地方，后续会用到。

使用API Key调用DeepSeek的API

使用curl调用DeepSeek的API


curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer " \
  -d '{
        "model": "deepseek-chat",
        "messages": [
          {"role": "system", "content": "You are a helpful assistant."},
          {"role": "user", "content": "Hello!"}
        ],
        "stream": false
      }'

使用Python调用DeepSeek的API

DeepSeek的API与OpenAI的API兼容，因此完全可以使用OpenAI的SDK直接调用DeepSeek的API。
这也是官方文档推荐的方法。


# Please install OpenAI SDK first: pip3 install openai

from openai import OpenAI

client = OpenAI(api_key="", base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False
)

print(response.choices[0].message.content)

使用Langchain封装的接口调用DeepSeek的API

使用OpenAI的库是相对简单和直接的方法，但是OpenAI的库功能相对单一，如果需要更复杂
的功能，比如链式调用、内存管理、工具调用等，还是需要使用LangChain。

LangChain介绍

LangChain 是一个用于开发由大型语言模型（LLMs）驱动的应用程序的框架。简化了 LLM
应用程序生命周期的每个阶段，提供了一套工具、组件和接口，帮助开发者更高效地构建智
能应用。 LangChain 的主要功能包括：

模型输入/输出（Model I/O）：理大型语言模型的输入（Prompts）和输出格式化
（Output Parsers）。
数据连接（Data Connection）：理向量数据存储（Vector Stores）、内容数据获取
（Document Loaders）和转换（Transformers），以及向量数据查询（Retrievers）。
记忆（Memory）：于存储和获取对话历史记录的功能模块。
链（Chains）： Memory、Model I/O 和 Data Connection 串联起来，实现连续对话
和推理流程。
代理（Agents）：于 Chains 进一步集成工具（Tools），将大语言模型的能力与本
地或云服务结合。
回调（Callbacks）：供回调系统，可连接到 LLM 应用的各个阶段，便于日志记录和
追踪。过这些功能，开发者可以创建各种应用程序，包括聊天机器人、智能问答工具、文档
摘要生成等。

LangChain 还支持与外部数据源的连接，使语言模型能够与其环境进行交互，增强应用程序
的功能和灵活性。2022 年 10 月推出以来，LangChain 迅速获得了开发者的关注和支持，
成为构建 LLM 驱动应用程序的强大工具。

使用LangChain Python调用DeepSeek的API


# 安装必要库（如果未安装）
# pip install langchain-core langchain-openai

import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 设置环境变量（替换为您的API Key）
os.environ["DEEPSEEK_API_KEY"] = "sk-your-api-key-here"

# 创建 DeepSeek 模型实例
# 假设 DeepSeek API 兼容 OpenAI 格式
model = ChatOpenAI(
    model="deepseek-chat",  # 指定模型名称
    base_url="https://api.deepseek.com/v1",  # DeepSeek API 地址
    api_key=os.environ["DEEPSEEK_API_KEY"],
    temperature=0.7,  # 控制生成随机性（0-1）
    max_tokens=512  # 最大输出长度
)

# 创建对话提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的AI助手"),
    ("user", "{input}")
])

# 创建简单对话链
chain = prompt | model

# 执行对话
response = chain.invoke({
    "input": "请用Python写一个快速排序算法，并解释其原理"
})

print("AI回复：\n", response.content)

另外一种选择是，最新的langchain库已经提供了deepseek的扩展库 langchain-deepseek
因此直接使用该库，也可以很方便的调用DeepSeek的API。


# 安装必要库（如果未安装）
# pip install -U langchain-deepseek
export DEEPSEEK_API_KEY="your-api-key"

from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
    # api_key="...",
    # other params...
)

messages = [
    ("system", "You are a helpful translator. Translate the user sentence to French."),
    ("human", "I love programming."),
]
response = llm.invoke(messages)
print(response)

# Stream response
response = llm.stream(messages)
for chunk in response:
    print(chunk)

使用LangChain Go调用DeepSeek的API

Golang 非常适合开发云原生后端应用，同时相比Python，Golang的性能更高，更适合开发高性能的应用。
LangchainGo is the Go Programming Language port/fork of LangChain.
以下提供一个使用LangchainGo调用DeepSeek的API的示例。


package main

import (
    "context"
    "fmt"
    "log"

    "github.com/tmc/langchaingo/llms"
    "github.com/tmc/langchaingo/llms/openai"
)

func main() {
    // Initialize the OpenAI client with Deepseek model
    llm, err := openai.New(
        openai.WithModel("deepseek-reasoner"),
    )
    if err != nil {
        log.Fatal(err)
    }

    ctx := context.Background()

    // Create messages for the chat
    content := []llms.MessageContent{
        llms.TextParts(llms.ChatMessageTypeSystem, "You are a helpful assistant that explains complex topics step by step"),
        llms.TextParts(llms.ChatMessageTypeHuman, "Explain how quantum entanglement works and why it's important for quantum computing"),
    }

    // Generate content with streaming to see both reasoning and final answer in real-time
    completion, err := llm.GenerateContent(
        ctx,
        content,
        llms.WithMaxTokens(2000),
        llms.WithTemperature(0.7),
        llms.WithStreamingFunc(func(ctx context.Context, chunk []byte) error {
            fmt.Print(string(chunk))
            return nil
        }),
    )
    if err != nil {
        log.Fatal(err)
    }

    // Access the reasoning content and final answer separately
    if len(completion.Choices) > 0 {
        choice := completion.Choices[0]
        fmt.Printf("\n\nReasoning Process:\n%s\n", choice.ReasoningContent)
        fmt.Printf("\nFinal Answer:\n%s\n", choice.Content)
    }
}

使用DeepSeek模型开发智能应用的场景

DeepSeek 模型和其他大模型一样，在多个领域具有广泛的应用：

城市治理：AI 可以处理公众请求，协助政府工作人员，并通过 AI 助手和公众关切问题的智能分析来支持决策制定。
客户服务：通过集成 DeepSeek API，企业可以创建 24/7 全天候可用的 AI 助手，用于回答客户问题并提高响应速度。
内容创作：DeepSeek 能够快速生成高质量的文本，例如新闻报道、博客文章和营销内容，提高内容创作效率。
教育：DeepSeek 可用于开发智能教育平台，根据学生的表现个性化学习计划，识别知识盲点，并提供针对性的练习。
医疗：DeepSeek 的智能诊断系统可以快速分析医学影像，提供精准的诊断建议，从而辅助诊断和药物研发。
金融：它可以分析金融数据，提供投资建议、风险评估以及欺诈预防。

DeepSeek 模型还可应用于智能家居，实现语音交互和场景识别；在智能交通领域，用于优化交通流量和辅助驾驶。

此外，DeepSeek 模型适用于需要高推理能力的任务，例如解决数学问题、编写代码以及处理逻辑复杂的场景。
DeepSeek V3 模型兼容 OpenAI API，具有高性价比和优异性能，能够降低获取、部署和使用大模型的成本，
加速其在商业和消费场景中的应用。

我个人的开发案例

目前我正在探索使用AI大模型来提升Linux运维效率，以下是一些探索和实践。

基于DeepSeek 的 nuwa-terminal 智能终端助手

nuwa-terminal 是一个在终端中与大语言模型(LLM)聊天的程序,该工具基于LLM,旨在使终端更加智能。这个终端可以帮助用户使用自然语言执行命令或任务,同时它还可以作为终端智能助手,你可以询问任何关于软件开发的任何问题。

该文章基于原生deepseek开发的智能终端工具nuwa-terminal 会有详细的介绍。

GitHub地址：nuwa-terminal

基于DeepSeek 的 Linux 系统监控程序

AI Agentic Monitor 是一个基于 AI 智能体技术的系统监控工具。它旨在监控Linux及Cloud系统的状态，并提供实时警报和系统优化建议。
它还非常智能，可以帮助您找到问题的根本原因并提供解决方案。目前该项目还在开发中，欢迎感兴趣的朋友一起参与。

GitHub地址：AI Agentic Monitor

标签： nuwa-terminal

nuwa terminal 发布了新版本v0.1.1

nuwa-terminal 新版本发布说明

简单介绍

更改内容

新特性

改进

Bug 修复

内部更改

详细更改

特性

重构

文档

Bug 修复

如何安装

如何使用DeepSeek的API开发大模型应用

如何使用DeepSeek的API开发大模型应用

DeepSeek-v3 和 DeepSeek-r1

DeepSeek-V3

DeepSeek R1

申请DeepSeek的API Key

使用API Key调用DeepSeek的API

使用curl调用DeepSeek的API

使用Python调用DeepSeek的API

使用Langchain封装的接口调用DeepSeek的API

LangChain介绍

使用LangChain Python调用DeepSeek的API

使用LangChain Go调用DeepSeek的API

使用DeepSeek模型开发智能应用的场景

我个人的开发案例

基于DeepSeek 的 nuwa-terminal 智能终端助手

基于DeepSeek 的 Linux 系统监控程序