真正好用的全天候 Agent,99% 的时间都在睡觉:把 Anthropic 的五大原语搬进你自己的电脑
Anthropic 刚刚发了一篇干货拆解怎么搭全天候在线的 Agent。如果我们不折腾云端数据库,怎么用一个零依赖本地开源工具(agy-hq)把这五件事跑通——并且在 15.1 亿真实 Token 中把后台巡检压到仅占 0.41% 配额?
共找到 11 篇相关文章
Anthropic 刚刚发了一篇干货拆解怎么搭全天候在线的 Agent。如果我们不折腾云端数据库,怎么用一个零依赖本地开源工具(agy-hq)把这五件事跑通——并且在 15.1 亿真实 Token 中把后台巡检压到仅占 0.41% 配额?
向社区分享我每天自用的 Google Antigravity 个人助理工作区 agy-hq:配合零外部依赖的 Go 小助手,在手机与电脑上并行打理多仓编码、笔记研究、收件箱分拣与日常事务,并自动按任务轻重分流 Flash 与 Gemini 4 Carbon 等模型。
Google Antigravity 本来是用来写代码的,但我希望在手机和电脑上用同一个入口同时推进多个代码仓库、研究笔记和日常事务。本文分享为什么单靠提示词管不住多任务并发,以及如何用一个 Go 小助手让各路任务互不打架。
在一张家用显卡上给 AI 补课,我遇到了一个反直觉的结果:一项能力从约 64% 提高到 96%,另一套题却原地踏步。用三张图,讲清模型训练、过拟合和能力迁移。
受 Jev/System 1 启发,在一张 RTX 3090 上,以 Qwen3.5 Base 为骨干,结合 LoRA 和决策头后训练 decision model。分享模型架构、标签问题、评估结果与模型下载。
补充 b11429 probabilistic MTP 实测:对照筛查解码快 24–30%,八次编码合并 68.4 token/s,严格交付通过 7/8。
同一批八道开发题,先将单次输出上限从 8K 提高到 32K,再比较 medium 与 xhigh。更多修复完成了,等待也更长;独立留出集确认仍未运行。
同一份 Qwen3.8-27B Q4_K_M、同一张 RTX 3090,控制变量比较 MTP 开关:生成吞吐量提升约 56%,成功任务省时 20%–40%,但编码质量能否保持?分享 OpenCode 配对实验与失败案例。
在 RTX 3090 24GB 上部署 Qwen3.8-27B Q4_K_M,通过 llama.cpp 接入 OpenCode。分享 128K 上下文验证、20.9–36.4 token/s 吞吐量,以及四个代码任务的成功、超时和审查发现。
部署 OpenCode Web IDE,配置认证与 HTTP/WebSocket 反向代理,从手机和电脑访问同一个编码 Agent 工作区。附模型接入示例与局域网、VPS 部署步骤。
建站初衷:沉淀自己在 AI、Crypto 与科技投资领域的学习轨迹与工作实践,把能公开的部分分享给同行者。
允许访问统计吗?
同意后,我们会使用 Google Analytics 和 Cookie 了解访问来源、页面阅读情况及下载链接点击。拒绝不会影响阅读。 隐私说明