⚡️Making DeepSeek v4 outperform Opus 4.7 with Taste — @AhmadAwais , CommandCode.ai

本期揭示了当前AI编程工具的一个关键瓶颈：开源模型在工具调用（Tool Calling）上存在系统性缺陷，而通过“确定性修复”而非“模型调优”，可以大幅提升其实际可用性，甚至让DeepSeek等模型在体验上媲美闭源模型。

这期内容适合所有使用或开发AI编程助手的工程师、产品经理和技术决策者。值得花时间看的原因是，它直接点破了很多人用开源模型（如DeepSeek）时感觉“慢”或“笨”的根源——不是模型能力不行，而是工具调用层的“沟通协议”出了问题。最值得注意的冲突在于：主流闭源模型（如Claude）对工具调用错误有很强的自我修复能力，而开源模型则像“固执的alpha male”，会重复犯同样的错误。作者提出的“修复逻辑”思路，相当于给开源模型装了一个“驾驶教练”，在它犯错时先救场再教学，效果立竿见影。

本期访谈围绕AI编程工具Command Code的创始人Amadou Wace展开，重点讨论了他近期在开源模型工具调用问题上的一项关键发现和解决方案。他从一个具体的痛点切入：为什么很多人觉得DeepSeek等开源模型“时好时坏”？经过对数十亿token的日志分析，他发现问题出在模型在调用工具（如读取文件、执行shell命令）时，会持续输出错误的参数格式（如把数组写成JSON字符串），并且对返回的错误提示“充耳不闻”，导致反复失败。他的团队没有去微调模型，而是开发了一套“确定性修复”机制——在工具调用层拦截错误，自动修正参数，同时给模型返回一个“修复提示”。这套方法不仅让DeepSeek的可用性大幅提升，还被推广到了设计领域，用于解决AI生成UI时常见的“设计同质化”（Design Slop）问题。此外，他还介绍了Command Code的另一个核心差异化功能“Taste”——一个自动学习开发者偏好的元神经符号系统，能持续优化代码生成的质量。

1. 开源模型的“工具调用”问题是性能瓶颈，而非模型能力问题：很多人觉得DeepSeek等模型“慢”或“笨”，根源在于它们在工具调用时频繁出错（如参数格式错误、不遵循schema），且无法从错误中学习。这导致大量token被浪费在重复失败上，而非实际任务。
2. “确定性修复”比“模型调优”更高效：与其花大力气去微调模型，不如在工具调用层做一个“修复层”。当模型输出错误参数时，系统自动修正（如把JSON字符串转成数组），并附带一条“修复提示”。实验表明，模型在收到修正后的结果和提示后，后续调用会立即改善。
3. “设计同质化”也是同样的“协议问题”：AI生成UI时总是出现“紫蓝渐变”等固定模式，并非模型没有设计能力，而是缺乏正确的“设计框架”。通过给模型提供一套由优秀设计师总结的“设计规则”（如使用OKLCH色彩空间、先思考意图再布局），可以显著减少设计同质化。
4. “Taste”系统是自动化的“开发者偏好学习器”：Command Code的Taste功能会持续观察开发者的操作（如偏好pnpm还是npm、测试框架用Vitest还是Jest），自动生成并维护一个“技能文件”。这个文件是透明的、可编辑的，并且会随着项目迭代自动更新，避免了手动维护规则文件（如agent.md）的滞后和僵化问题。
5. 开源模型的“固执”可能源于训练数据特性：作者推测，开源模型在训练时可能被教导“你被告知的就是正确的”，导致它们在工具调用出错时倾向于坚持自己的输出，而不是接受错误反馈。这与闭源模型（如Claude）的“灵活纠错”形成鲜明对比。

“开源模型不是能力差，而是‘沟通协议’差——你不需要让它更聪明，只需要在它犯错时先帮它修正，再告诉它为什么错。”

这对AI从业者，尤其是做AI产品（如编程助手、Agent框架）的团队，有几点非常实际的启发：

1. “修复层”比“训练层”更贴近工程现实：很多团队遇到模型表现不佳时，第一反应是“换模型”或“微调”。但Amadou的做法提示我们，在应用层做“确定性修复”往往成本更低、效果更可控。这就像做硬件时，与其重新设计芯片，不如在驱动层做优化。对于做AI产品的团队，应该把“模型输出后处理”作为一个核心模块来设计，而不是事后补丁。

1. “设计同质化”的解决方案是“框架化”而非“提示词工程”：AI生成UI的“紫蓝渐变”问题，本质是模型缺乏对设计意图的理解。Amadou的做法是给模型一套“设计框架”（如7种布局模式、OKLCH色彩规则），而不是靠一句“设计得好看点”的提示词。这对所有涉及AI生成内容的场景（文案、UI、代码）都有参考价值：与其让模型自由发挥，不如给它一个结构化的“创作脚手架”。

1. “Taste”系统揭示了“个性化”的新路径：当前很多AI工具依赖用户手动写规则（如agent.md），但Amadou的“自动学习+透明管理”模式更符合工程实践。它不要求用户一开始就定义所有偏好，而是通过持续观察自动积累，同时让用户随时审查和修改。这种“渐进式个性化”的思路，对任何需要长期使用AI工具的场景（如代码生成、文档写作）都值得借鉴。

1. “开源模型优先”的产品策略可能成为差异化优势：Command Code选择深耕开源模型市场，并解决了其工具调用问题，从而在“开源模型体验”上形成了壁垒。这提示我们，当大家都在追逐最强闭源模型时，解决“次优模型”的可用性问题，反而可能是一个被低估的切入点。