LLM

时至今日，你司要是不养龙虾，那真的是 —— （这里征集一句歇后语） 回到本文，3 月 18 日，来看看，国内龙虾，到底谁强？ 底层仍然是 OpenClaw 这类执行型 Agent 框架，中间层是 Sk

书接前文，很多人把这三个当成“工具对比”。其实更有意思的是：👉 它们代表三种完全不同的力量来源，一边是纯工程黑客，一边是开发者平台，一边是产品化团队。 ​ 一、llama.cpp：个人工程师，把大模型

本篇分享、介绍的是： 👉 把模型转成 GGUF → 丢进 LM Studio → 直接聊天 or 当 API 用 一、先搞清楚：为什么一定是 GGUF 如果你用过 llama.cpp 或本地推理工具，

最近在折腾一套本地 AI 工作流（数字员工 / MCP / Agent 自动化），从一开始盲目追大模型，到最后收敛到合理方案，中间踩了不少坑，本篇记录分享，各位注意规避。 一、第一坑：以为有 32B，

本瓜手上的是一台 M4 32G 内存的 mac，我看了一篇关于：4090 跑 Qwen 35b 模型（MoE）-0限制版本 的实战文章，所以，便想着记录一下，相关的对比情况： 项目 Apple M4

这段时间很多人在研究 Claude Code、OpenClaw、各种 Agent 工具，讨论最多的是模型、插件、自动化流程。 真正决定效率上限的，却往往是一个被忽略的概念：Skills。 一句话解释：

没办法，不是我们不想用 cc，谁让 dario 这个波对华有成见，罢也，看看国内大模型现状，也不错呢？ 如果只看一个指标，很容易对行业格局产生误判。有些模型 用户很多，但开发者调用不多；有些模型 用户

其实吧，没必要传的那么神乎其神，本质吧 node 框架打通了和各个聊天 channel 的网关层以及大模型调用....... 但是吧，也确实牛逼，开源建设势不可挡，这个确实是未来的趋势，本篇记录常用的

2026 年 1 月，Cursor 团队公布了一项颇具野心的实验： 让编码 Agent 连续运行数周，自主推进复杂项目。 目标很直接——验证一个问题： 如果向同一个代码库持续投入更多 Agent，自主

背景 我也不明所以，糖糖，先记下来！ 原 prompt 以下内容为一次性生成（7w字） 下面按“真实可交付项目”的标准，直接给你一套 可复制运行的完整工程骨架 + 关键代码文件（Tauri + Vue

这一年变化很多，但更多是一种视角的变化。若说 AI 过去还不够主流，那么过去一年它已完全主导了讨论。以至于几乎没人再谈新的 JavaScript 框架或框架特性。但这并不代表事情没有进展。

开源 AI 助手项目 Clawd 完成第三次更名，现正式定名为 OpenClaw，GitHub 星标数已突破 10 万。 新名称强调完全开源与社区驱动，并保留标志性的龙虾吉祥物。OpenClaw 支持

普通人，能不能用极低成本，把一个能用的 ClawdBot（moltbot） 跑起来。 花费 50 元、官方平台、尽量少折腾，最好 5 分钟内能看到效果。 阿里云的轻量应用服务器 + clawdbot

过去几年，生成式 AI 带来了惊人的内容生产能力——它能写代码、能回答问题、能生成图片，但它依然是“被动的”。 无论是 ChatGPT...

发布日期：2025 年 12 月 10 日 VS Code 1.107 引入了多智能体编排（multi-agent orchestration） ——你可以将 GitHub Copilot 与自定义

过去几年，前端开发的节奏一直在悄悄发生变化：从「组件开发 → 低代码 → 设计稿转代码工具」一路往前推进，但始终有一道过不去的坎——模型看不懂设计稿，只能看懂语言。这意味着我们依然要靠开发者手工理解

过去一年，大模型的推理方式正在变得前所未有地多样化。开发者不再满足于“把请求丢给云端 API，然后等待结果”这种单向流程，而是真实地感受到：不同场景，对延迟、隐私、成本、可控性都有完全不同的要求。尤其

过去两年，大模型领域，我们见到无数号称“多模态”的模型，但绝大多数都停留在“能力堆叠”，而不是真正的“感知一致”。 通常的处理方式就是图像模型输出 embed

前段时间，OpenAI 为展示开源诚意，公开了 GPT-oss 的全部模型参数。结果没想到，这件事反倒像一次“体检报告公开”。一些开发者顺着权重数据深挖，反向分析出了模型训练阶段“吃进去”的各种素材，

AI 生成代码工具正在经历一场显著的流行与普及浪潮。几乎每周业界都会有新的工具发布或宣布上线......