LLM Space 开源！任意组装 loop、tools、skills，顺手无痛“蒸馏” Kimi-K3

KIMI-K3 刚发布，我做的第一件事不是打开 kimi，而是打开了一个开源桌面 App ------ LLM Space 因为在这里，我不仅能用 KIMI-K3，还能让它给自己写继任者。

先立个 Flag：这是 Agent 开发者最应该使用的工具

这两天 AI 圈只有一个话题：Kimi-K3

推理更快、上下文更长、Agent 能力强力反超......朋友圈刷屏，甚至已经停止 C 端订阅，那我们上哪玩、怎么玩。

接下来带你直接领一个自己的 KIMI DeepResearch 、再顺便把 Kimi-K3"蒸馏"。

全过程只用了两样东西：

LLM Space ：deer-flow/llm-space------ DeerFlow 团队最新开源 Agent 开发工作台
Agent Plan ：火山引擎 Agent Plan ------ 内置 KIMI-K3 + 豆包 Seed Evolving

下面把整条链路拆给你看（点击这里→ Agent Plan 首购 9.9 元）

LLM Space 是什么

一款专门为 Agent 开发者、产品经理、测试同学设计的桌面 App。用它来试想法、看过程、找问题、比效果。

先介绍主角，一句话概括：

LLM Space 是一个装在电脑里的"Agent 试验台" ------它让你像做菜一样，把模型、提示词、工具、对话一勺一勺放进去，然后一步一步看它是怎么"炒"出来的。

它是 DeerFlow 团队的姊妹项目，曾获得 77k+ Star，这次是一次做成原生桌面端 （不是网页），据内部消息，DeerFlow-3.0 发布后也将作为 LLM Space 的内芯。

官网 👉deer-flow.github.io/llm-space/

先记住一个词：Thread

在 LLM Space 里，你干的每件事都装在一个叫 Thread 的容器里。可以这样理解：

一个 Thread = 一个完整的对话现场 = 模型 + 参数 + 工具 + 系统提示词 + 消息列表。

对比一下就很直观：

在 ChatGPT / Kimi 里，你能改的只有"发一句话"，模型和工具是黑盒
在 LLM Space 里，Thread 里的每一项都能改：换Models、加 Tools、改 System prompt、设置 Max tokens、设置 Temperature 等等，甚至可以"篡改"过去某一条模型回复，然后从那一步重新跑

到底能做啥

你可以用它实验你的 Agent 新想法，观测、调试和评测 Agent。

项目作者还直接打包赠送一堆工具 +Agent 模板：

工具：Web Search、Web Fetch、天气、文件读写、Todo 管理、User Ask 等
模板：DeepResearch、Super Agent 等
加分项：兼容 Claude Code 格式的 Skill、原生支持 MCP 协议

选用火山引擎 Agent Plan

LLM Space 本身不带模型，需要接一个「模型供应商」，这里选用火山引擎 Agent Plan，理由很直接：

有最新最热的 SOTA 模型： KIMI-K3、GLM-5.2、MiniMax-M3 等
有字节自研 Doubao 模型：Seed、Seedance-2.0、Seedream-5.0、Doubao-Seed-Evolving 等
有限时优惠：首月 9.9 元！最低价用到最 SOTA 的模型

Agent Plan 全模态模型

接入 Agent Plan

简单"复刻"DeepResearch

DeepResearch 听起来是个大工程，Kimi 、豆包等都各自出了商业化版本，但如果你有 LLM Space 这样的 Agent 工作台，其实原理很直白：

一个能规划子问题 + 会调工具（Search/Browse/Read）+ 会写长报告的 Agent Loop。

刚才提到过 LLM Space 送了 Agent 模板，那咱就别费脑筋重新搭建了，直接用作者甄选的 DeepResearch，在依据需求进行调整。

创建时选择 DeepResearch

System prompt 选择 DeepResearch

就绪后选择模型 Kimi-K3、开启 ReAct Loop。

然后直接下命令"深度研究一下Loop Engineering"。

你能看到 KIMI-K3 的每一步执行路径，每一次 web_search / web_fetch 的完整入参、返回和耗时。

几分钟后，他就产出一份带脚注、有小标题、有 Open Questions 的完整报告。

DeepResearch 从来不是一个 "新模型"，它是「一个强模型 + 一套研究 Prompt + 多轮迭代 Loop + 基础工具 + 可视化调试容器」，LLM Space 只是把这些都提供给你了，你可以任意组装实现。

开始骚操作："蒸馏" Kimi-K3

到这一步，咱来一个从未见过的玩法。

你可能有过这样的想法：这模型这么强，我能不能把它的推理轨迹变成"训练数据"，喂给另一个模型去调教。 这就是 Agent Plan 里 Doubao-Seed-Evolving 的用武之地。

Doubao-Seed-Evolving 是面向 Coding 和 Agent 场景持续迭代自我进化的模型，可以依据过往任务自主迭代学习、也可以直接把一段强模型的高质量对话/推理轨迹作为「种子」喂进去。

简单来说就是：

Kimi-K3 帮你打样，Doubao-Seed-Evolving 帮你把这套"打样能力"内化成一个属于你自己的、越用越聪明的模型。

那我们就继续上文的深度研究报告继续。

直接将当前的对话页面的 Models 由 Kimi-K3 切换为Doubao-Seed-Evolving。

再直接将 system-reminder 提示词扔进去。

sql 复制代码

<system-reminder>
Summarize reusable, long-lasting operational knowledge accumulated from the current execution session. Cover the following core categories without limitation:
Standard repeatable execution workflows & interaction logic: identity verification, page/resource access routing, content query, data screening, page flipping, form data submission, detail content retrieval and other recurring operation sequences.
Environment & target object fixed features that can boost subsequent execution efficiency: stable object positioning rules, accessible identity labels, fixed address/resource path rules, overall layout structure, resource loading rules, popup/embedded sub-container processing logic, stable waiting &trigger conditions.
Known risk points, invalid execution attempts, dynamic state changes of targets, and other key observations that can reduce redundant operations and improve the stability of subsequent task execution.
Maintain concise, practical output; only retain permanent reusable experience, exclude one-time task-specific temporary information andsensitive private data.
The content you generate will be saved as  <long-term-memory>  and injected into the context ofall subsequent tasks.
If historical  <long-term-memory>  already existsin the context above: fully combine valid existing memory +new summary knowledge, output the complete updated full memory content;
If nonew effective experience needs to be added or modified: reply onlywith the fixed text  LGTM . 
</system-reminder>

Doubao-Seed-Evolving 就会依据上下文进行学习，将学习经验沉淀在 long-term-memory。

这也不是严格意义上的"蒸馏"，只是通过此方式可以不断让你的模型进行演进学习，可以集百家之长，析取 Kimi-K3、GLM-5.2、MiniMax-M3 等这些模型的精华，将你的模型"调教"的更好用。

最新能力：一键导出 Agent 代码

上文秀了很多能力，那这么秀的 Agent 怎么进入到实际生产环境，其他平台只能在线跑 Agent、不能导出不能私有化，而 LLM Space 不仅可以在平台上一站式搭建、调试、评估，同时可以一键导出代码（包含全部的提示词、工具、变量、交互消息、PLAN.md），将其融入到你的业务链里。

写在最后

KIMI-K3 是一个非常好的模型，而工具可以将模型作用发挥最大化。

想要真正把一个强模型变成生产力：

需要LLM Space 这样能把 Agent Loop 完整可视化、可调试、可评估的工作台
需要AgentPlan 这样能让你在同一个池子里同时用最强的 SOTA 模型的基础设施