DeepSeek V4 Pro часто повторяет ошибочные вызовы инструментов из-за игнорирования ошибок схемы, что снижает эффективность. Решение — внедрить детерминированную логику исправления (repair logic) ошибок вызова, которая не только корректирует данные, но и обучает модель, повышая её точность и адаптивность.
⚡️Making DeepSeek v4 outperform Opus 4.7 with Taste — @Ahmad Awais , CommandCode.ai
полный разбор ролика · 5 глав ↓
Введение и опыт гостя
Амаду — ветеран open source с 300+ проектами и опытом в DevRel, работал в Google, Airbnb и RapidAPI.
Он начал работать с GPT-3 с июля 2020, создавая CLI-инструменты для помощи в кодинге, что привело к проекту CommandCode.
История CommandCode и Taste
CommandCode вырос из CLI-проекта для помощи в кодинге и превратился в AI cloud с миллиардами запусков агентов в месяц.
Taste — мета-нейро-символический механизм, который учится на предпочтениях пользователя и команды, создавая компактные skill-файлы для персонализации.
Проблема tool calling в open моделях
DeepSeek V4 Pro игнорирует ошибки схемы (Zod errors) и повторяет неправильные вызовы по 50+ раз, снижая эффективность.
Это связано с особенностями обучения моделей, которые считают свои ответы всегда правильными и не корректируют их по ошибкам.
Решение: repair logic
Создана система из 3200+ строк кода с отдельными файлами-исправлениями, которые преобразуют некорректные данные в правильные.
Repair logic не только исправляет данные, но и возвращает подсказки модели, объясняя, как надо было сделать, что приводит к быстрому обучению и улучшению работы.
Практические примеры и эффекты
При исправлении вызовов, например чтения файлов, модель начинает корректно указывать параметры (offset, длину и т.п.).
После нескольких исправлений модель быстро адаптируется и перестаёт повторять ошибки, повышая качество и надёжность работы агентов.