可涵不会debug-CSDN博客

原创 PandaWiki AI知识库：飞牛NAS部署、Markdown问答与双入口远程访问

整套流程可以拆成四层：飞牛 NAS 承载 PandaWiki，模型 Provider 提供 AI 能力，Markdown 导入与版本发布构成知识内容层，公网隧道负责把管理后台和 Wiki 首页分别带到外部网络。本地阶段已经验证了管理员配置、DeepSeek 接入、文档导入、发布、AI 检索问答和引用来源；公网阶段则继续完成了与两个独立入口。两个入口分别配置固定地址以后，Wiki 首页又增加 HttpAuth，这比只给整套服务一个公开地址更容易区分后台管理和普通访问。

2026-10-12 12:12:08 11066 25

原创实测ToDesk新终端：跨端会话恢复+多终端并行，远程Vibe Coding的完整体验报告

顺便下了个 Clawd on Desk，不仅很 Q，还有不少能提升体验的功能，就不多介绍了。从免密连接到分屏显示，从实体键盘适配到多终端并行，从快捷指令到跨端会话恢复——能看出来是在认真做产品的，不是随便糊弄一个功能出来就完事。当然，如果要使用远控，快捷键是少不了的。试想一下：多个终端 AI 同时执行不同任务，随时切换查看进度，需要调整时切过去发个新指令，再切回来继续等——这个工作流比单终端串行跑任务高效太多了。正好，ToDesk的远控以高画质、低延迟、高性价比著称，而且最重要的是，它的终端功能是免费的。

2026-10-10 16:40:19 16929 2

原创 LangGraph Graph API 完整实战教程：以快递配送系统为例

搭建图应用的第一步是定义全局 State，State 作为整张图所有节点、边共享的数据载体。TypedDict、Pydantic 模型；工程中优先选用TypedDict，轻量化、运行性能更优。# 1. 定义包裹全局状态模板# 包裹基础固定信息package_id: str # 包裹唯一编号origin: str # 包裹始发站点destination: str # 包裹目标城市# 配送流转状态信息status: str # 配送总状态：待揽收/已揽收/运输中/派送中/已签收。

2026-10-02 22:32:28 207 2

原创 C++ std::bind 实战教程：线程池、回调场景全覆盖

用法写法固定参数调整顺序绑定成员函数绑定成员变量按引用嵌套核心要点std::bind把可调用对象和部分参数绑定,返回新函数对象。决定实参映射位置,可调整参数顺序。绑定成员函数必须提供对象(this或具体实例)。默认按值拷贝,要传引用用std::refstd::cref。现代 C++ 中,lambda 通常是更清晰的选择std::bind适合调整参数顺序和兼容旧代码。它是线程池、回调、事件处理等场景的常用工具,比如把成员函数绑定成线程入口。std::bind。

2026-09-29 22:10:32 198 2

原创程序员远程调试工作流：从连客户电脑到访问内网服务

有一次客户项目跑不起来，我上去看了一眼，发现是本地端口被占了，两分钟改完。它的远程文件功能，可以直接像翻文件夹一样从对方电脑取文件，也能把本地的配置文件直接放过去。这篇聊聊我现在的远程工作流——从连客户电脑排环境，到连自己内网的 Docker 和数据库，整个链路是怎么串起来的。有些问题不在客户的个人电脑上，而在他公司内网的服务器上——比如一个只在内网暴露的 API、一个内网 Docker 容器、一个内网数据库。反过来，有时候你本地开发了一个 Webhook 回调，需要让外部服务能访问到你本地的端口。

2026-09-28 16:05:37 13015 3

原创第一次学 LangGraph：用一个快递案例搞懂 State、Node、Edge 和 compile

LangGraph 中的State整个工作流所有节点共享的一份数据。后续不管包裹经过揽收站、分拣中心还是派送站，大家看到的都是同一个 State 中的数据。State 中不同字段的更新方式并不完全一样。默认采用覆盖更新。"待揽收""已揽收""已揽收"则代表使用作为 reducer。["北京揽收"]["进入上海分拣中心"]"北京揽收","进入上海分拣中心"不同字段，可以定义不同的状态合并规则。LangGraph 中的 Node，本质上就是一个 Python 函数。return {

2026-09-26 20:23:12 198 4

原创群晖部署 Trilium Notes：自建中文知识库、持久化笔记，再配置固定公网访问

笔记真正变多以后，我最怕的不是“没地方写”，而是内容开始失去结构：临时想法在一个软件，读书记录在另一个软件，代码片段、流程图、日记和资料附件又散在不同文件夹里，时间一长，搜索得到却很难形成自己的知识脉络。Trilium Notes 吸引我的地方，正是它把树状层级、富文本、代码、高级笔记类型、全文搜索和自托管放在一起，更适合长期搭一套属于自己的知识库，而不只是临时记几句话。对我来说，真正重要的不是一开始塞进多少内容，而是以后还能不能找到、理解、继续补充，并且在换设备或重建容器时把这些积累稳稳留下来。

2026-09-24 20:36:55 13106 30

原创从写接口到负责交付Java工程师怎样证明自己的全栈能力

介绍一个 Java 项目时，我可以列出接口、页面和技术栈。但如果接着问一句：“数据库出了问题，备份能不能恢复？换个人来操作，他该怎么确认结果？”光靠页面截图就回答不了了。这次我拿“回航”这个本地恢复演练台做了一次检查。它的功能不多：登录、登记计划、记录结果，再配上一套离线 H2 备份恢复流程。我想借这个小项目看看，自己讲的“全栈能力”，究竟落实到了哪些可以检查的地方。

2026-09-23 12:21:32 7869 1

原创 LangChain 进阶之路：LangGraph 图工作流、有状态智能体完整入门教程

很多同学学完 LangChain 后，已经可以快速搭建简单的 AI 问答、RAG 检索应用。上下文记忆有限、只能单次问答、无法执行复杂多步骤任务、不支持人工干预。就比如之前我们搭建的基于langchain最简单的RAG，只能定制性的回答问题（只能根据我们上传的私有文件去回答问题）如果想要搭建长记忆、可迭代、可干预、长时间运行的生产级 AI 智能体（Agent Server），单纯依靠 LangChain 线性链路已经不够用了。

2026-09-21 21:32:43 198 4

原创时序数据库怎么选：从大数据架构到 Apache IoTDB 实战，一套不只看跑分的方法

本文面向正在搭建工业互联网、物联网或设备数据平台的架构师与开发者。所有产品判断都应以自己的业务数据完成 PoC；文中不使用无法复现的“百万级”“十倍提升”等营销数字。很多团队做时序数据库选型，第一步就是收集厂商参数：每秒写入多少点、压缩比多少、单次查询几毫秒。表格很快就能填满，结论却未必可靠。原因并不复杂：设备数量、测点密度、采样周期、乱序比例、查询跨度、副本数以及硬件配置只要变一个，结果就可能完全不同。

2026-09-18 21:39:26 12294 2

原创公司外怎么连接管家婆？从 SQL Server 安装到 cpolar 固定 TCP 远程登录

SQL Server 2022 → 混合模式 →127.0.0.1启用 →14330→ 管家婆辉煌Ⅱ TOP+15.0 → 新增账套 → cpolar →→ 随机 TCP→ 修改→ 远程登录 → 固定 TCP。SQL Server 当前设置的14330，和 cpolar 后面映射的是两处不同配置；随机公网地址测试成功以后，远程分机的SOCKETPORT使用14606；换成固定 TCP 地址以后，SOCKETPORT再改为12256；前面创建的隧道名是wdd，固定 TCP 小节却出现VsCode。

2026-09-17 12:22:09 13114 28

原创 LangChain向量检索指南：Retriever 使用、自定义与 RAG 项目落地

属于 LangChainRunnable可运行对象；输入为字符串 query，输出为文档列表。@chain装饰器可将普通函数自动转为 Runnable，快速实现自定义检索逻辑，灵活性更高（可自由增加元数据过滤、多库混合检索等逻辑）。# 自定义检索器，底层复用向量库similarity_search@chain# 可自由增加过滤、多数据源拼接逻辑# 统一invoke调用，和内置retriever用法完全一致docs = retriever.invoke("数据库表怎么设计的？")

2026-09-16 22:42:28 226 1

原创嵌入模型与向量技术详解｜从原理、相似度计算到 LangChain 实战

计算机只能处理数字，无法直接理解文字、图片语义；嵌入（Embedding）就是把人类语言 / 符号（句子、图片、用户、商品）翻译成计算机能读懂的数字向量，且转换后保留原始语义、词语间逻辑关系。通俗类比：把自然语言翻译成计算机专用的数学语言。嵌入输出结果就是向量。

2026-09-15 18:47:11 85

原创 LangChain 文本分割器详解：字符分割、Token 分割、硬约束递归分割实战

在 RAG 检索增强生成完整流程中，文档加载器负责读取 PDF、Markdown、TXT 等各类文件，并统一转换为 LangChain 的Document文档对象。大模型存在固定上下文窗口上限，超长文本会直接超出限制；整块大文本检索粒度粗糙，用户查询很难精准匹配到关键信息；完整长文本嵌入向量时算力消耗更高，检索准确率偏低。因此，文本分割（Text Splitters）是 RAG 不可或缺的核心环节，作用就是将长篇文档拆分为短小、语义连贯、便于检索与模型读取的文本块。

2026-09-13 21:16:26 160

原创 LangChain RAG 核心入门：原理、完整流程与文档加载实战

本文我们从零梳理了 RAG 的核心思想与完整工作流程，并通过 LangChain 实战演示了 PDF、Markdown 文档的加载与解析。总结一下关键要点：RAG = 大模型 + 私有知识库，解决模型“有智商无知识”的痛点知识库构建分为两步：文档加载 → 文本分割 → 向量存储LangChain 的 Document 是所有 RAG 操作的最小数据单元按页加载 PDF，支持按元素结构化拆分 MD当然，这只是 RAG 的入门第一步。后续我们还将深入：文本分割策略（如何切分才能不丢失语义？

2026-09-05 21:21:09 262 1

原创用 Qwen3.8-Max 搭了个「截图转日报」工具：运营日报从 2 小时压到 3 分钟

优点：原生多模态是真的能打——后台截图不用任何预处理，数字、表格、涨跌箭头都能准确读懂；超长上下文让多平台汇总毫无压力；归因和建议的质量超出预期，不是套话而是可落地的动作。缺点/注意：多模态单次调用比纯文本慢，批量截图要留点时间（4 张约 3 分钟）；模型偶尔会重复单位这类小瑕疵，需要在拼接层做兜底。整体上，它把运营同学从最枯燥的"数据搬运"里解放了出来。

2026-08-31 16:04:55 13578 43

原创 LangChain 输出解析器指南：从 StrOutputParser 到 PydanticOutputParser

二者核心区别不在「能不能写链」，而在解析器是否独立可拆分三段式：解析器是独立 Runnable，灵活可替换；with_structured_output：解析逻辑内置在模型内部，无法单独提取使用。输出解析器是为了模板准备的，输出解析器调用get_format_instructions方法能够获得Joke这个pydantic类返回一段自然语言格式约束提示词。这样把模板传递给大模型，大模型就知道如何返回了。partial_variables就是存放固定不变的内容，正好就存储这个内容，而。

2026-08-26 22:39:29 314 35

原创 LangChain 示例选择器（Example selectors）完整基础概念解读

少样本提示的矛盾点给模型提供越多示例，任务规则、输出格式越清晰，模型效果越好；但示例全部塞进提示词会带来三大问题：Token 变多，调用成本上升、响应延迟更高；超出模型上下文窗口，直接报错截断；过量无关示例会干扰模型判断，反而降低准确率。业务场景痛点当你的示例库规模很大（几十、上百条），不可能一次性全部放入提示词。此时不能固定写死少量，需要一套动态筛选机制：针对用户当下输入，自动挑最合适的一小批示例送入提示词。示例选择器的定位。

2026-08-20 21:42:31 455 41

原创告别数据沉睡！时序大模型 TimechoAI，解锁海量时序数据的智能分析新能力

在工业物联网、电力能源、轨道交通、金融期货、气象监测等行业，每时每刻都有海量时序数据源源不断产生。传感器采集的设备振动、温度压力，电网的负荷波动，车辆的运行车况，期货市场的 Tick 行情，气象站点的观测指标，这些带时间戳的时序数据，记录着设备运行状态、业务变化规律，蕴藏着巨大的业务价值。很多企业已经完成时序数据底座建设，借助 TimechoDB 工业时序数据库，实现亿万级测点数据的采集、存储、查询。。

2026-08-20 15:45:38 12063 11

原创飞算JavaAI能处理医疗样本全流程吗？

很多AI编程工具在生成实体类、Controller和增删改查接口时表现不错，但一旦遇到状态流转、数据权限、动态规则和异常补偿，生成结果就容易变成“代码看起来很多，业务实际上没串起来”。飞算JavaAI升级到3.9.8后，我决定换一种测试方法：不考察它能写多少代码，而是看它能否读懂真实业务。这次选择的是医疗检验样本管理系统。一个样本从采集到报告发布，要经历待采集、已采集、运输中、已签收、检测中、已出报告和已作废七种状态。同时还涉及跨科室数据权限、交接双方核验、重复扫码、并发操作、设备结果回调和失败补偿。

2026-08-18 09:35:55 5495 4

原创为 anywhere-labs/deepseek-harness-desktop 开发插件：从 Cordis Service 到安全安装链路

作为一个经常为可扩展系统设计插件接口的开发者，我认为判断插件生态是否成熟，不能只看“能不能加载第三方包”，更要看宿主是否给出了稳定的能力边界、清晰的生命周期和可验证的失败语义。本文专门研究社区仓库的插件开发方式，而不是泛泛介绍 Electron 插件，也不是介绍官方的全部 API。

2026-08-17 10:13:29 10907 4

原创给AI“喂”例子就像教小朋友看图说话？LangChain这波操作我服了

在大模型开发过程中，很多开发者只会写零样本提示：直接下发任务指令，让模型依靠原生知识作答。但零样本存在明显短板：输出格式混乱、推理逻辑不统一、自定义规则难以对齐、模型容易自由发挥产生幻觉。我们上一篇刚学了样本提示词模板，这就派上用场了！学的提示词模板是作为“加工每个样例的工具”传入少样本模板的。它不直接构成最终答案，但少样本模板最终拼出来的那堵“提示词大墙”，每一块砖（每个样例）都是由你那个小模板烧制出来的。少样本提示（Few-shotting）

2026-08-14 10:47:10 399 44

原创企业异地办公组网体验：星空组网如何让总部、门店和服务器像在同一个办公室

随着企业设备数量增加以及办公地点分散，网络连接正在成为企业数字化过程中的基础能力。传统 VPN 方案虽然成熟，但对于很多中小企业来说，部署和维护成本较高。星空组网通过虚拟局域网方式，将异地设备连接、权限管理以及文件共享结合起来，让企业可以更加简单地构建自己的网络环境。无论是总部与门店互联、远程办公访问内部资源，还是研发团队连接服务器，星空组网都提供了一种更加轻量化的解决方案。对于企业来说，未来的网络不一定依赖固定办公地点，而是需要让设备和资源能够安全、稳定、灵活地连接。

2026-08-11 12:21:27 206 10

原创手撕Prompt？Out了！LangChain模板引擎，让你像‘拼乐高’一样开发AI应用

在大模型应用开发中，提示词（Prompt）是连接开发者与LLM的核心桥梁。很多新手开发时，习惯手动硬编码拼接提示词，不仅代码冗余、复用性极差，还会出现格式不统一、维护成本高、迭代困难等问题。LangChain 提供了PromptTemplate（提示词模板）核心抽象组件，完美解决以上痛点。它支持动态参数填充、结构化消息配置、多场景复用，是所有LangChain应用、AI对话机器人、工具Agent开发的基础核心能力。本文将从零拆解提示词模板核心概念、两类主流模板用法、消息占位符高阶技巧，最后实战演示。

2026-08-09 15:03:01 859 36

原创多分支机构困局：中小企业异地设备组网的新思路

随着企业设备数量增加以及办公地点分散，网络连接正在成为企业数字化过程中的基础能力。传统虚拟专用网络方案虽然成熟，但对于很多中小企业来说，部署和维护成本较高。星空组网通过虚拟局域网方式，将异地设备连接、权限管理以及文件共享结合起来，让企业可以更加简单地构建自己的网络环境。无论是总部与门店互联、远程办公访问内部资源，还是研发团队连接服务器，星空组网都提供了一种更加轻量化的解决方案。对于企业来说，未来的网络不一定依赖固定办公地点，而是需要让设备和资源能够安全、稳定、灵活地连接。

2026-08-07 10:54:44 11610 12

原创彻底吃透 LangChain 流式体系！从底层原理到自定义分句流式（附完整源码）

在 LLM 聊天、问答、对话类应用中，流式处理是决定用户交互体验的核心能力。传统invoke阻塞调用需要等待模型生成全部文本后一次性返回，长文本场景下用户会长时间空白等待，极易造成页面卡顿、体验割裂；而流式传输支持模型边推理、边输出 token，逐字实时展示回复，主流 AI 客户端（DeepSeek、ChatGPT 等）均默认开启流式返回。本文将完整拆解 LangChain 流式体系：从同步阻塞 vs 流式的差异、Python 异步协程底层原理、astream()异步流式实战，再结合 LCEL 链路、

2026-08-04 16:40:04 400 34

原创 Oracle 迁金仓实战：从 KDTS 全量搬迁到 KFS 增量兜底的踩坑复盘

接这活之前，我刚把手头一个小项目收尾，正琢磨年假怎么请。信创这阵风我们这行都懂，替换 Oracle 的单子从去年下半年就多了起来，几家国产库来回选，我之前也碰过几回，但都是小库小表，权当练手。这次不一样，甲方是省里实打实跑着审批业务的，库大、停不得、还卡着督查节点，一听就知道是块硬骨头。机房在城西一个老园区里，冬天暖气烧得足，空调又对着吹，人待久了又闷又燥。我后来那两个多月大半时间泡在那儿，桌上常年摆着凉透的茶和半包烟。这些跟技术没关系，但得先交代一下，不然后面那些"凌晨两点趴机房"的话听着像编的。

2026-08-04 16:39:16 11700 23

原创【为什么大模型会忘记你？】LangChain多轮对话进阶：消息管理与Token裁剪实战

我挖掘了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。

2026-07-31 15:28:20 252 10

原创【LangChain系列】零基础入门实战：从环境搭建到 LCEL 链式完整 Demo 详解

之前学习了关于LangChain的基础知识入门，下面我们就开始上手写一些简单的代码！我们做一个LangChain最简单的demo~# 默认从系统环境变量中读取 OPENAI_API_KEY我们之前已经在系统的环境变量中定义过了，所以这里的api_key这个变量我们可以不填，系统会默认读取我们之前定义的。base_url是什么含义，我这里使用的是中转代理# 2. 定义消息# 用户消息 HumanMessage# 系统提示消息 SystemMessage 通常作为第一条消息传入。

2026-07-27 21:45:38 874 18

原创【LangChain系列】 with_structured_output 详解：大模型结构化输出全教程

LangChain 内置了聊天模型的结构化输出能力，该功能能够约束大模型按照规范结构化格式（最常用 JSON 格式）返回内容。在很多业务场景中，我们需要把模型输出存入数据库，或是交由程序自动处理，这就要求返回内容严格匹配预设的数据模板，结构化输出就是为解决这类需求而生，核心思路是完成从纯文本字符串到可直接操作的数据对象的转变。场景示例：自动处理客户邮件。输入（非结构化）“我订的订单 #12345 寄错了地址，要换到北京市朝阳区XX路1号，急！结构化输出（JSON）json。

2026-07-24 13:15:00 726 47

原创 Python 列表、元组、字典、集合完整区别对比

列表：有序可改，通用数组；元组：有序不可改，安全固定数据；字典：键值映射，按键快速查找；集合：无序自动去重，用于数据对比、去重。

2026-07-22 18:02:56 1004 15

原创 LangChain 工具调用从入门到闭环：让大模型真正“动手“干活

Schema 是工具参数规范说明书，底层基于 Pydantic + JSON Schema。规定：工具所需参数、参数类型、是否必填、参数含义。适合复杂参数、参数校验、多工具复用场景。"""两数相减"""a:int = Field(..., description = "第一个整数")b:int = Field(..., description = "第二个整数")return a-b工具调用本质：让封闭 LLM 具备外部交互能力，解决滞后、幻觉、能力不足问题工具名、工具描述、参数Schema。

2026-07-21 17:28:31 871 34

原创工业时序数据分析新利器：TimechoAI 全流程操作指南与核心能力解读

时序数据的智能化分析是当下大数据与人工智能融合发展的重要细分方向，传统分析工具与通用人工智能模型均无法完全适配复杂时序场景的分析需求。TimechoAI依托专用Timer时序模型架构，通过长序列建模、多变量关联分析、自适应智能适配、自动化数据治理等技术优化，构建了一套低门槛、高精度、可落地的时序智能分析体系。其标准化的使用流程——从数据接入、模型自动匹配，到智能计算与结果输出——均可通过TimechoAI - 时序大模型云服务平台直接体验，企业级方案可通过进一步了解。

2026-07-15 18:27:50 8796 9

原创飞算JavaAI炫技赛实战从0到1开发记录一个快递驿站包裹管理系统：从需求到可运行项目的参赛实录

最近看到飞算JavaAI在办「飞算JavaAI炫技赛·盛夏季」，主题是「代码无界，放手去炫」。我给自己定了一个比较贴近日常场景的题目：做一个快递驿站包裹管理系统。这个题目不算花哨，但很适合检验一个Java AI编程工具到底能不能处理完整业务：既要有登录权限，又要有包裹入库、取件码、出库签收、通知管理、异常件处理和后台统计。如果只是生成几个零散类，意义不大；我更想看它能不能把需求拆成一个可以继续迭代的Java工程。

2026-07-15 12:43:00 5955 7

原创从向量嵌入到复杂 Agent：LLM、LangChain、LangGraph 完整科普

我们上一节讲解了大语言模型LLM，这节课我们来讲解嵌入模型~嵌入模型是把文字、图片、音频等非结构化数据，转换成固定长度稠密数字向量（Embedding 向量）的轻量神经网络模型。把语义变成一串数字，语义相近的文本，向量距离更近。LLM 是自回归生成式大模型，核心能力是理解 + 连贯生成完整文本，基于 Transformer 解码器架构，参数量巨大（十亿 / 千亿级）。嵌入模型负责 “找资料”：快速从海量文档挑相关内容大语言模型负责 “讲道理、写答案”：基于找到的资料组织语言回答。

2026-07-12 09:52:22 1409 25

原创 LLM 全解析：大语言模型原理、三种接入方案与 DeepSeek API 实战

大语言模型（LLM，Large Language Model），简单来说，就是一个用海量文本数据训练出来的、能够理解和生成人类语言的巨型人工智能程序。你可以把它想象成一个读过互联网上大部分公开文字（书籍、网页、论文、代码等）的“超级学霸”。它虽然没有真正的意识，但通过记住数万亿个文字之间的统计规律，学会了如何组合出听起来合理、通顺的句子。

2026-07-03 09:32:31 2076 45

原创零命令行部署异地组网：NAS 低成本远程访问实操指南

针对有更高带宽与隐私需求的用户，支持自建线路功能。技术原理：用户可将自有具备广域网独立寻址标识的云服务器部署为私有中继节点，通过官方一键脚本完成部署，账号下所有设备的流量将优先走私有中继；私有节点离线时，自动无缝切换至官方中继节点，实现容灾备份。该模式下传输带宽完全由用户服务器配置决定，且所有转发数据由用户自有节点处理，隐私性更强。部署仅需一行 Shell 命令即可完成全流程配置，相较于自行搭建 frp 中继，省去了编写配置、调试证书、配置防火墙等大量步骤，技术门槛显著降低。

2026-06-24 09:00:00 2191 2

原创时序大模型的技术特性与时序数据分析应用研究

时序数据的智能化分析是当下大数据与人工智能融合发展的重要细分方向，传统分析工具与通用人工智能模型均无法完全适配复杂时序场景的分析需求。TimechoAI依托专用Timer时序模型架构，通过长序列建模、多变量关联分析、自适应智能适配、自动化数据治理等技术优化，构建了一套低门槛、高精度、可落地的时序智能分析体系。其标准化的使用流程、专业化的时序分析能力、轻量化的服务形态，有效解决了当前时序数据“存储易、分析难、价值低”的行业痛点。

2026-06-17 17:55:41 11112 1

原创当AI学会了“讲故事“：我用魔珐星云做了一个沉浸式互动叙事Agent

做完这个项目后，我对"AI Agent"这个概念有了新的理解。传统的Agent定义是"能自主感知、决策、执行的AI系统"。但在我看来，如果Agent的"执行"只是生成一段文字或调用一个API，那它的能力边界其实很窄。真正的"执行"应该包括表达——不只是输出信息，而是用语音、表情、手势等方式，像一个真实的存在一样与用户交互。魔珐星云给我的体验是：它补上了Agent的"表达层"。LLM提供认知能力，星云提供具身表达能力，两者结合就形成了一个AI具身智能体——能思考、能表达、能感知用户状态、能自然交互。

2026-06-12 17:16:43 6220

原创最近又挖到 MuMu 模拟器的新活，跟 AI 搭上线了

整套流程三步就能搞定：安装最新版MuMu模拟器→用npx命令行安装mumu-control skill→对AI工具说“我刚安装了mumu-control skill，请帮我完成剩余的环境配置”，剩下的它会自动搞定。mumu-control skill（AI技能插件）：需要用户手动安装，让 Claude、Cursor 这类 AI 工具理解如何操作模拟器，相当于给 AI 提供了一份"操作手册"。MuMu CLI（命令行工具）：内置在最新版客户端中，负责开放模拟器的底层控制能力，是 AI 操作模拟器的基础接口。

2026-05-28 23:48:19 2597 6

空空如也

空空如也