A Survey of LLM-Assisted Social Science Research Methods |LLM辅助社会科学研究方法综述 |arxivreview

简介: 大语言模型(LLM)介入社会科学研究,旨在突破传统定性编码的人力瓶颈与定量文本分析的语义局限,其核心价值在于以概率生成能力换取大规模数据处理效率。早期研究将模型视为稳定的自动标注器,追求在政治文本分类等任务上替代众包工人,但很快暴露出输出随机性与配置敏感性等根本缺陷。当“LLM Hacking”现象揭示微小提示词变动即可导致统计结论翻转后,研究重心从追求准确率转向量化不确定性、构建可审计工作流及确立人机协作边界。各路线在自动化程度、统计严谨性与过程透明度之间做出了不同取舍,由此形成当前定性、定量与模拟并存的多元方法格局。

综述原文见 ArxivReview

导读

大语言模型(LLM)介入社会科学研究,旨在突破传统定性编码的人力瓶颈与定量文本分析的语义局限,其核心价值在于以概率生成能力换取大规模数据处理效率。早期研究将模型视为稳定的自动标注器,追求在政治文本分类等任务上替代众包工人,但很快暴露出输出随机性与配置敏感性等根本缺陷。当“LLM Hacking”现象揭示微小提示词变动即可导致统计结论翻转后,研究重心从追求准确率转向量化不确定性、构建可审计工作流及确立人机协作边界。各路线在自动化程度、统计严谨性与过程透明度之间做出了不同取舍,由此形成当前定性、定量与模拟并存的多元方法格局。本综述梳理这条从效率替代到方法论重构的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。

1. 研究背景、问题结构与演进脉络

LLM辅助社会科学研究并非单纯的技术引入,而是对传统定性编码和定量测量范式的深层挑战。传统定性研究如主题分析(Thematic Analysis, TA)依赖研究者与数据的反复互动以识别意义模式,其灵活性适用于多种背景,但人工执行耗时且难以规模化。定量研究中的文本作为数据(Text-as-Data)框架强调测量效度,要求明确文本特征与目标变量的关系,但传统方法难以捕捉深层语义。LLM的介入初衷是解决数据规模与人力成本的张力,将模型作为高效的标签生成器,这一假设在早期政治文本分类任务中看似成立,却埋下了后续方法论危机的种子。

问题的形式化可概括为:在给定原始文本集合 $D$ 和研究目标 $G$ 的条件下,利用LLM生成编码结果 $C$,使得 $C$ 在统计信度(如评分者间信度, IRR)和效度上满足社会科学规范。然而,LLM的概率生成机制导致同一输入多次运行产生不同结果,使得 $C$ 缺乏鲁棒性。子问题呈现严格的依赖关系:首先必须解决输出稳定性与不确定性量化(UQ),否则编码一致性和统计推断有效性无法保证;可审计性(Auditability)是贯穿所有子问题的元约束,决定了研究是否符合同行评审规范;合成数据偏差与定量测量效度则是特定场景下的衍生问题,依赖于基础层的可靠性验证。

2020至2022年间,领域处于“效率替代”阶段,核心约束是算力成本与标注效率。Gilardi等(2023)系统评估了GPT-3.5在政治文本分类上的表现,发现LLM在特定任务上可达到或超过众包工人水平,但性能高度依赖提示工程。这一工作确立了可行性边界,但也揭示了模型间和任务间的不稳定性,促使研究者关注可靠性量化。此时,问题定义仍停留在“LLM能否替代人类”,尚未触及科学有效性的核心。

2023至2024年,随着GPT-4等模型能力提升,问题演变为“人机协作与可靠性验证”。Baumann等(2025)通过复现37项计算社会科学标注任务,量化了LLM Hacking风险,证明即使使用高性能模型,配置微小变化也可能导致统计结论从显著变为不显著。这一发现迫使研究重心从“能否替代”转向“如何量化不确定性”及“如何防止结论翻转”。同期,标量构念测量领域发现LLM直接评分存在校准偏差,推动了从简单提示向Bradley-Terry模型等统计推断方法的演进。

2025至2026年,问题深化为“方法论规范化与可审计性”。HICode(Zhong et al., 2025)提出层级归纳编码流水线,解决了传统人工编码无法扩展至大数据集的问题,但依赖LLM对长文本的理解能力。CentaurTA(2026)引入Actor-Critic设计,将人类反馈作为迭代优化信号,实现了接近专家水平的编码对齐。QualAnalyzer(Lu et al., 2026)设计原子化分析工具,强调分析过程的审计追踪,解决了LLM输出不透明问题。当前形态是构建可审计、可校准、人机协同的方法论框架,核心矛盾在于LLM的概率生成特性与社会科学研究对确定性、可重复性的刚性要求之间的张力。

如果用一个核心问题概括该领域,那便是:如何在保留LLM处理大规模文本效率优势的同时,通过严格的不确定性量化、可审计工作流和人机协同机制,消除其输出随机性与偏差对社会科学研究结论科学有效性的威胁。

2. 方法体系

  • 2006:主题分析(Thematic Analysis)——奠定定性研究方法论基准

  • 2008:归纳内容分析(Inductive Content Analysis)——提供自动化编码任务定义基础

  • 2023:合成社会代理(Synthetic Social Agents)——探索LLM模拟人类行为可行性

  • 2024:标量构念测量(Scalar Construct Measurement)——解决连续变量测量校准偏差

  • 2025:HICode 层级归纳编码——实现大规模文本自动化定性分析

  • 2025:LLM Hacking 风险量化——揭示配置敏感性对统计结论的威胁

  • 2026:CentaurTA 自改进人机协作框架——实现人类反馈迭代优化

  • 2026:QualAnalyzer 原子化 LLM 分析工具——确保分析过程可审计性

这条时间线勾勒了该领域方法演进的代表性节点:从 2006 年的 主题分析(Thematic Analysis) 奠定该领域方法基线,经 2008 年 归纳内容分析(Inductive Content Analysis) 的推进,到 2026 年的 老龄化定性研究中的计算与 AI 整合 代表当前前沿。各节点对应的技术路线、取舍与关联,详见后续小节。

2.1 定性数据分析

定性数据分析路线的起源可追溯至Braun和Clarke(2006)提出的主题分析框架,该方法强调研究者的解释性视角,但人工执行难以规模化。2025年,HICode(Zhong et al., 2025, P2)针对大规模文本语料无法进行人工深度分析的问题,设计了两阶段自动化流水线:第一阶段通过包含背景信息和研究目标的提示词引导LLM生成细粒度标签,第二阶段进行层级聚类以抽象主题。该方法刻意不模仿人类增量迭代标注过程,而是构建适合可扩展自动分析的管道,其核心创新在于将用户提供的研究问题嵌入提示工程,确保标签生成具有针对性。代价是依赖LLM对长文本片段的理解能力,且聚类过程可能丢失细微语境差异。HICode解决了传统人工编码无法扩展至大数据集的问题,成为后续LLM辅助定性编码的重要基线。

针对LLM输出随机性导致的可靠性量化缺失,Jain等(2025, P9)提出结合Cohen's Kappa和语义相似度的验证框架。该方法采用语义蒙特卡洛模拟策略,执行六次独立分析运行,计算主题间的成对余弦相似度并构建等价类,区分高置信度和中等置信度主题。其核心改进在于引入语义等价性概念,克服了传统Kappa系数要求精确类别匹配的局限,代价是增加了计算开销,且阈值设置需要研究者根据具体语境调整。这一方法与HICode形成互补:HICode负责生成,P9负责验证,共同构成了定性分析的基础闭环。

CentaurTA(2026, P25)则进一步将人类反馈整合为迭代优化信号。针对现有LLM系统缺乏系统性学习人类反馈机制的问题,该系统基于Actor-Critic设计,通过迭代的人机协作循环,将人类判断作为可重复的监督信号而非一次性修正。引入基于量规的评估协议,生成细粒度的可操作信号,使系统能够从交互轨迹中持续学习。其核心创新在于实现了系统性能的单调提升,代价是依赖高质量的人类专家反馈,且迭代过程需要一定的时间成本。CentaurTA代表了人机协作定性分析的前沿,与QualAnalyzer(Lu et al., 2026, P13)形成竞争与互补关系:QualAnalyzer侧重过程审计,将定性分析分解为片段级判断,记录每个结论所依据的证据,确保分析过程的可追溯性;而CentaurTA侧重性能优化,通过迭代提升编码准确性。两者共同指向定性研究对过程透明度和解释深度的双重需求。

2.2 定量内容测量

定量内容测量路线关注LLM在量化内容分析、标量构念测量及假设生成中的应用。2024年,标量构念测量(conf_800f898fa799, P26)针对社会科学研究中连续变量测量需求,探索LLM在标量构念(如情感强度、意识形态)测量中的应用。研究发现LLM直接点对点评分存在校准偏差,不同模型对同一文本评分分布不一致。方法包括比较点对点评分与成对比较(Bradley-Terry模型)的效果,指出成对比较能更可靠地测量目标维度。核心创新在于揭示了LLM评分的分布特性,并提出了基于成对判断的统计推断方法,代价是成对比较计算复杂度较高。该方法解决了直接评分不可靠的问题,提升了标量构念测量的效度,为定量路线奠定了统计严谨性的基础。

2026年,Xu等(2026, P19)提出条件假设生成方法,针对全局判别力可能反映混淆变量而非实质差异的问题,提出在研究者指定协变量分层内生成自然语言假设。该方法利用稀疏自编码器(SAE)在文本嵌入上训练,提取固定集的可解释特征,并通过LASSO选择最预测目标变量的特征。LLM随后被提示描述这些特征在特定协变量层内的文本模式,确保假设在层内具有判别力。核心改进在于引入协变量控制,解决了Simpson悖论和符号反转等统计挑战,代价是依赖特征提取的质量,且协变量选择需要领域知识。该方法提升了LLM生成假设的因果解释力,与P26的标量测量形成继承关系:P26解决“如何准确测量”,P19解决“如何基于测量生成可靠假设”。

Kravets-Meinke等(2025, P5)则提供了生成式LLM内容分析实践指南,针对传播研究中缺乏gLLM应用标准的问题,提供了一份实用指南,旨在缓解“学术狂野西部”现象。指南解释了gLLM如何解决量化内容分析中的常见挑战,如多语言处理、跨国家比较和纵向研究,并提供了提示工程建议、模型部署策略和效度验证步骤。核心创新在于整合了最新研究证据,规范了gLLM在内容分析中的使用流程,代价是指南基于现有研究,可能未涵盖所有边缘情况。该指南为传播研究者提供了标准化的操作框架,与P19和P26的技术方法形成互补,从规范层面保障了定量测量的可重复性。

2.3 模拟与合成数据

模拟与合成数据路线探讨LLM作为合成社会代理或模拟参与者生成调查数据及行为模拟的可行性。2023年,Horton等学者探索LLM作为“硅基人类”模拟经济和社会行为,旨在低成本获取大规模行为数据,但早期研究缺乏对模型偏差和统计推断有效性的严格验证。2025年,Madden(2025, P4)评估LLM在模拟人类群体、行为和社会互动中的适用性,指出将LLM输出解释为稳定真实世界分布的理论危险。方法提出将LLM重构为高容量模式匹配器,在明确范围条件下进行准预测性插值,而非概率推断替代。核心改进在于引入独立抽样、预注册人类基线和可靠性感知验证等实用护栏,以避免类别错误,代价是限制了LLM在因果推断中的应用。该工作为LLM在社会科学模拟中的使用提供了方法论指南,明确了其作为原型设计和预测工具的角色。

Ye和Yoganarasimhan(2026, P14)提出结合预测驱动推断(PPI)的样本分配框架,针对LLM生成调查响应存在偏差且准确性随问题类型变化的问题。方法包括训练预测模型,利用LLM生成的文本嵌入将问题特征映射到校正难度,从而预测新调查中的LLM可靠性。核心创新在于利用历史调查数据学习LLM的系统性偏差模式,实现零样本分配,即无需试点数据即可确定新调查的人类样本量,代价是依赖历史数据的代表性。该方法为LLM辅助调查提供了统计上稳健的数据增强策略,与P4的护栏机制形成互补:P4强调“何时不用”,P14强调“如何校正”。

Miklian等(2026, P12)测试五个领先LLM生成合成调查数据以复现人类调查的能力,特别是在复杂社会语境下的合理性。实验设计包括比较合成数据与真实人类数据在分析有用性和偏差方面的表现,评估LLM响应是否仅反映常规智慧。核心方法涉及独立抽样和预注册人类基线,以防范类别错误和虚假结论,代价是合成数据可能缺乏真实人类数据的细微变化和噪声。该研究明确了LLM作为合成代理在调查研究中的应用边界,强调了统计推断有效性的验证,为LLM在社会科学模拟中的使用提供了实证依据。

2.4 研究复现与审计

研究复现与审计路线利用LLM自动化社会科学研究的统计复现、可重复性评估及代码生成。2025年,Kubo等开发了基于代理工作流的自动化复现系统,模拟研究者规划、编码、检查和修正的过程。Kubota等(2026, P11)进一步开发了LLM辅助定量社会科学自动化复现系统,方法包括从论文PDF和数据书中提取结构化规范,生成并执行分析代码,并通过数值对齐分数迭代优化结果。核心创新在于将复现过程分解为三个步骤:生成摘要和目标结果、生成执行代码、评估输出并迭代修正,代价是依赖LLM对论文方法描述的准确理解。该系统旨在解决计算可重复性问题,验证给定数据和程序下结果的一致性,为应对复现危机提供了自动化审计工具。

Kohler等(2026, P16)构建代理系统,仅基于论文方法描述和数据(无原始代码)重新实现研究结果,验证方法描述的充分性。方法包括利用多个前沿LLM和代理脚手架,从方法文本中提取模板并生成Python脚本,评估复现完成率和准确性。核心创新在于测试了“论文即真理”的假设,揭示了代理系统在科学复现中的能力边界,代价是代理系统可能无法处理复杂或模糊的方法描述。该工作为自动化审计和复现危机应对提供了新路径,强调了方法描述详细性的重要性。

Holtdirk等(2026, P20)利用LLM自动化评估社会和行为科学研究的统计复现和可重复性。方法包括将口头声明操作化为具体分析,选择子样本、因变量、模型和控制变量,并执行分析。核心改进在于利用LLM的方法论知识,自动处理多种合理的分析选择,并评估结果的一致性,代价是操作化选择可能引入偏差。该方法为研究透明度提供了自动化审计工具,解决了人工复现成本高和效率低的问题,与P11和P16形成互补:P11侧重代码生成,P16侧重方法描述验证,P20侧重结果一致性评估。

2.5 跨任务与多领域应用

LLM在社会科学研究中的应用已扩展至多个具体领域,展现出跨任务的通用性与局限性。在社交媒体分析中,Davoudi等(2026, P15)评估LLM在作者归属、帖子生成真实性等多任务中的能力,结合用户研究评估感知真实性。方法包括使用多个LLM生成帖子,并由用户评估其逼真度,同时计算自动指标如BLEU和ROUGE。核心改进在于结合定量指标和定性用户研究,全面评估LLM在社交媒体分析中的表现,代价是用户研究样本量有限。该工作揭示了LLM在捕捉细微写作风格和生成逼真内容方面的优势与局限,为LLM在社会媒体分析中的应用提供了基准测试。

在教育研究中,Gonzalez等(2026, P18)在计算和定性混合方法教育研究中应用LLM进行情感分析以支持人类主题分析。方法包括使用Llama3模型作为额外编码者,对人工提取的学生引语进行情感标签分配,并通过Python脚本自动化模型推理。核心创新在于将LLM分歧视为反思性讨论的触发器,促使研究者澄清编码标准和深入检查模糊摘录,代价是LLM可能将描述性陈述误判为评价性情感。该方法展示了LLM在加速早期编码和生成分析洞察方面的价值,强调了人机协作中解释性差异的建设性作用。

在老龄化研究中,Abramson(2025, P8)综述将计算方法和AI整合到老龄化和晚年生活定性研究中的路径,强调历史方法和媒体内容分析。方法包括分析政策文件、档案记录和媒体报道,揭示老龄化的社会结构和制度影响。核心创新在于探讨AI如何辅助处理大规模文本和档案数据,同时保持定性深度,代价是AI辅助可能削弱研究者与数据的直接互动。该工作为老龄研究提供了方法论整合框架,促进了定性深度与计算规模的结合,为LLM在特定社会领域的应用提供了案例参考。

3. 关键共识、分歧与开放问题

3.1 领域共识

LLM在演绎编码任务中的表现优于归纳编码,且能达到接近人类专家的一致性水平,这一共识在多个基准上被反复验证:HICode在arXiv Categories上的0.72 ARI与CentaurTA在Reddit Posts上的0.75 Cohen's Kappa均大幅超越传统基线(支撑证据:P2、P25)。与此相关的另一个共识是LLM输出必须经过严格的不确定性量化和信度评估才能用于科学结论,Jain等(2025, P9)提出的双可靠性指标框架和Baumann等(2025, P1)的LLM Hacking风险量化均强调了这一必要性。该共识的边界在于,当前UQ方法多基于多次运行方差,计算成本较高,且缺乏与社会科学方法论传统的深度结合。

3.2 观点分歧

关于LLM合成数据的本体论地位,存在“有偏样本”与“新社会现象”两种观点。现有证据强烈偏向“有偏样本”,Miklian等(2026, P12)和Wang等(2026, P17)的实验均显示LLM响应存在系统性偏差,且分布过于平滑。分歧根源在于缺乏捕捉LLM输出中“真实人类噪声”的敏感指标,且偏差模式随问题类型和人群特征变化,难以建立统一校正模型。这一分歧的背后,是另一个更根本的争论:可审计性应通过“黑盒输出解释”还是“白盒过程记录”实现。现有证据偏向“白盒过程记录”,QualAnalyzer(Lu et al., 2026, P13)和Jeldtoft等(2026, P24)的研究表明,原子化记录能显著提升定性研究的严谨性。未决原因在于计算成本与实用性的权衡,以及缺乏标准化格式。

3.3 其他开放问题

最紧迫的工程问题是开发更鲁棒的不确定性量化框架,当前LLM输出缺乏对不确定性的明确评估,导致结果难以解释和验证。关键困难在于如何将UQ与社会科学方法论传统结合,潜在技术路径包括开发基于贝叶斯推理或集成学习的UQ方法。最根本的研究问题是LLM能否进行真正的理论构建,当前LLM在生成高层次主题和理论抽象时,与人类一致性较低。关键困难在于如何引导LLM进行更高层次的抽象和理论整合,潜在技术路径包括开发基于理论框架的提示工程,结合人类专家反馈。已知—争议—未知认知图谱显示,领域在“LLM不能单独替代人类”和“必须量化不确定性”上达成高度共识,但在“LLM输出的本体论地位”和“人机协作的最优边界”上存在深层分歧。未来趋势将是从“效率替代”向“方法论重构”深化,构建可审计、可校准、人机协同的分析伙伴。

4. 总结与展望

LLM辅助社会科学研究的核心矛盾在于LLM的概率生成特性与社会科学研究对确定性、可重复性和因果解释性的刚性要求之间的张力。从早期的“效率替代”到当前的“方法论重构”,研究路线经历了从黑盒标注到可审计协同的转变,核心瓶颈在于如何量化LLM输出的不确定性并建立可审计的工作流。这一瓶颈直接回应了第1章提出的核心问题:如何在保留LLM效率优势的同时,消除其输出随机性与偏差对科学有效性的威胁。

未来可能突破的方向包括:开发基于理论框架的提示工程以提升LLM的理论构建能力(P2、P25共同指向);建立LLM辅助定量社会科学的自动化复现标准,结合代码库和元数据自动提取和验证方法细节(P11、P16、P20共同指向);优化LLM在调查研究中的最优样本分配策略,结合文本嵌入和人类反馈预测校正难度(P14、P17共同指向)。对进入者最值得做的一件事是,在统一骨干与统一预训练条件下,针对特定社会科学任务构建包含不确定性量化和可审计追踪的端到端工作流,并公开基准测试代码,以推动领域的方法论规范化。

以上为节选,完整内容见ArxivReview

相关文章
|
7天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
8757 22
|
7天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2656 12
|
2天前
|
人工智能 安全 应用服务中间件
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
NGINX曝出两个高危漏洞(CVE-2026-123633和CVE-2026-123007),CVSS 9.2分,均属HTTP/2内存安全缺陷,无需认证即可远程执行代码。影响自2015年起的多个版本,静态站点亦受威胁。修复版本为开源版1.30.7/1.31.9。(239字)
1274 0
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
|
5天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
10天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
10天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
23天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
11011 59
|
3天前
|
人工智能 弹性计算 IDE
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
适合团队落地代码规范,每次提交自动生成评审报告,降低人工CR工作量。同时支持自定义技能脚本,接入团队内部SDK说明文档,让Codex生成符合团队编码规范的代码。Codex三大客户端覆盖本地开发、服务器远程编码、自动化流水线场景,搭配阿里云百炼的Token Plan、Coding Plan,能够低成本搭建稳定可控的AI编码助手。新手建议先从IDE插件入手,熟悉交互逻辑,再尝试CLI版本部署在阿里云ECS,实现云上项目远程编码、批量脚本处理。只要按照步骤完成环境准备、版本选型、密钥对接、项目初始化,就可以把Codex融入日常开发流程,大幅提升代码编写、问题排查、项目重构的效率。
930 0
|
6天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1270 1
|
8天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。