LLM

五一节后回来，看到马斯克租赁算力，助力 Claude Code 额度增加，大喜！ 既然额度放开了，那第一反应肯定是：不能浪费。 对于之前的多个项目进行梳理总结，形成一个「让 Claude Code 给

May 7, 2026，昨天，我刷到 Hugging Face 上一个很离谱的模型： gpt-oss-20b-tq3 它本质上是 OpenAI 开源的 GPT-OSS-20B，被社区重新做了一层 Tu

过去一年，“Agent”这个词被说得太轻了。 很多系统只要能 调用工具 + 多轮推理，就被称为 Agent。真正做过工程落地的人很快会发现： 👉 绝大多数所谓 Agent Loop，只是“推理循环”，

写这个系列绕不开一个话题：ZeroClaw 到底口碑怎么样？ 老实说，调研一圈下来，第一直觉是"被讨论得过头了"。30K Star 的项目当然是真火，但围绕它的中英文内容生态，泥沙俱下到一个让人警觉的

前面几篇都在讲架构和安全，这篇直接动手——把 ZeroClaw 跑成"一个能在 Telegram 群里用的小助手"。10 分钟够用，但前提是你有 Rust 工具链。 0. 环境准备 需要的东西： Ru

把 LLM 接到 shell、文件系统和网络上，本质上就是给一个会幻觉的实习生发 root。ZeroClaw 在安全上踩了几个比同类框架更保守的默认值，这一篇把它的安全模型分四层讲清楚。 第 0 层：

宣传海报上"内存只有 OpenClaw 的 1/200、启动快 400 倍"看着很爽，但凡是宣传图，都值得一项一项拆。这篇就把官方对比里真有数据支撑的和水分较大的部分分开讲。 一、确实站得住的差异 1

上一篇科普里提过，ZeroClaw 的核心是四个 Rust Trait：Provider / Channel / Memory / Tool。这一篇把它们一个个拆开，看看一个"Rust Trait 驱

一句话先讲清楚 ZeroClaw 是一个用 Rust 写的 AI Agent 运行时，定位是"OpenClaw 的极致轻量替代"。整个项目最终产物就是一个二进制文件：你给它一份配置，它就能把 LLM

林俊旸从阿里离开后首度发声：推理模型的时代快结束了 一、全文翻译 过去两年重塑了我们评估模型的方式和对模型的期望。OpenAI的o1证明了「思考」可以成为一种核心能力——一种你专门训练并向用户开放的能

大模型推理本质就是矩阵计算，谁能提供 GPU 计算能力，谁就能跑。 WebGPU 是什么？ WebGPU = 浏览器里的 GPU 计算接口（类似 CUDA / Metal 的 Web 版） 所以：

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