本 SDK 提供对 Pi 智能体能力的程序化访问。可用于将 Pi 嵌入其他应用、构建自定义界面，或集成到自动化工作流中。
典型使用场景：
参见 examples/sdk/，获取从极简到全量控制的可运行示例。
SDK 已包含在主包中，无需单独安装。
createAgentSession() 使用 ResourceLoader 提供扩展、技能、提示模板、主题和上下文文件。若未提供，则使用带标准自动发现能力的 DefaultResourceLoader。
通过两种方式，在 TypeScript 中使用 @earendil-works 的 Pi Agent 框架连接本地运行的 Ollama 模型（以 qwen3.5:9b 为例）。
首先，初始化项目并配置为 ES Modules (ESM) 模式，以支持顶层 await 语法。
npm init -y
在生成的 package.json 中，手动添加 "type": "module"：
AI 的未来不在于将人类现有的经验硬塞给机器，而在于设计出能够利用无限算力进行搜索与学习的“元方法”。
回顾70年人工智能研究历程，最深刻的一条教训是：依托算力的通用方法，最终效果远超其他路径，且优势极其显著。究其根本，源于摩尔定律——或者更广义地说，单位计算成本持续呈指数级下降。绝大多数人工智能研究开展时，都默认智能体可使用的算力是恒定的（这种情况下，借助人类知识就成了提升性能为数不多的手段之一）。但只要研究周期稍长于普通科研项目，海量算力必然会成为现实。
研究者为追求短期见效的性能提升，往往试图融入自身对领域的人类认知；但从长远来看，真正起决定性作用的，只有对算力的充分利用。这两条路径本不必相互对立，现实中却常常冲突：投入在一方的时间，就无法用于另一方。研究者会在心理上执着于某一种研究思路；而依赖人类知识的方法，往往会让模型变得复杂，反而难以适配依托算力的通用优化路径。
人工智能研究者们屡屡迟来地领悟到这一惨痛教训，回顾其中几个典型案例，颇具启发意义。
在国际象棋领域，1997年击败世界冠军卡斯帕罗夫的算法，依靠的是大规模深度搜索。彼时，多数国际象棋计算机研究者对此倍感沮丧——他们此前一直钻研的，是融入人类对国际象棋特有棋局结构理解的方法。
git clone https://github.com/wang-junjian/reachy_mini_conversation_app
cd reachy_mini_conversation_app
uv venv --python 3.12
source .venv/bin/activate
uv sync
⚠️ 注意：要完全复现此仓库 uv.lock 文件中的依赖关系，请运行 uv sync --frozen 命令。这将确保 uv 直接从 lock 文件安装依赖项，而无需重新解析或更新任何版本。
uv sync --extra local_vision # Local PyTorch/Transformers vision
uv sync --extra yolo_vision # YOLO face-detection backend for head tracking
uv sync --extra mediapipe_vision # MediaPipe-based head-tracking
uv sync --extra all_vision # All vision features
合并额外功能或包含开发依赖项：
uv sync --extra all_vision --group dev
Kilo Code 是一个功能强大的开源 AI 编码助手，基于 OpenCode 框架开发。项目采用 Monorepo 架构，使用 Turborepo 和 Bun Workspaces 管理多个包。
| 指标 | 数值 |
|---|---|
| Monorepo 包数量 | 23 |
| TypeScript 文件数 | 5800+ |
| 支持的 AI 模型 | 500+ |
| 内置工具数量 | 50+ |
| UI 组件数（kilo-ui） | 65+ |
| 国际化语言 | 19 种 |
| 开源协议 | MIT |
Kilo Code 采用 Turborepo + Bun Workspaces 分层架构，23 个包协同工作。
Pi 是一个模块化的 AI 编码智能体 Monorepo，使用 TypeScript 构建。它提供统一的 LLM 抽象层、通用的智能体运行时、丰富的终端 UI 框架，以及完全可扩展的编码智能体命令行工具。
Pi（@earendil-works/pi-mono）是由 Mario Zechner 开发的 AI 编码智能体 Monorepo，设计理念是模块化、可扩展、供应商无关。它将多个 LLM 供应商的复杂性抽象为统一 API，提供强大的智能体运行时和工具执行能力，并附带生产就绪的终端 UI。
| 能力 | 说明 |
|---|---|
| 统一 LLM API | 9 种 API 协议和 30+ 供应商品牌的单一接口。只需修改一个字符串即可切换供应商。 |
| 智能体运行时 | 完整的智能体循环，支持并行工具执行、消息注入队列和上下文压缩。 |
| 丰富的终端 UI | 独立的终端 UI 框架，支持差异化渲染、文本编辑器、图片显示和浮层系统。 |
| 扩展系统 | 80+ 扩展示例、20+ 生命周期钩子。可注册工具、命令、快捷键和供应商。 |
| Web 组件 | 基于 Lit 的聊天 UI，支持沙箱化 Artifact 渲染（HTML、SVG、PDF、DOCX 等）。 |
| 多运行模式 | 交互式终端、管道友好的打印模式，以及用于 IDE 集成的 JSONL RPC 模式。 |
在 MacBook 上运行 Reachy Mini Control，单击 Start 按钮。
在 Applications 页面，单击 Discover apps 后，搜索 reachy_mini_conversation_app。
单击 Install 按钮安装 reachy_mini_conversation_app。
uv venv --python 3.12
source .venv/bin/activate
uv pip install speech-to-speech
uv pip install "speech-to-speech[faster-whisper]"
VAD
STT
LLM
TTS
从 PyPI 安装默认包：
pip install speech-to-speech
默认安装限定为标准实时语音智能体路径： Parakeet TDT 用于 STT 兼容 OpenAI 的 API 用于语言模型 Qwen3-TTS 用于语音输出 本地音
Thariq: Using Claude Code: The Unreasonable Effectiveness of HTML
Markdown 已成为智能体（agent）与我们沟通时占主导地位的文件格式。它简单、可移植，具备一定的富文本能力，且易于编辑。Claude 甚至已经相当擅长在 Markdown 文件中使用 ASCII 绘制图表。
但随着智能体变得越来越强大，我感到 Markdown 已成为一种受限的格式。我发现自己很难阅读超过一百行的 Markdown 文件。我想要更丰富的可视化效果、色彩和图表，并且希望能轻松分享它们。
我也越来越不亲自编辑这些文件，而是将它们用作规格说明、参考文件、头脑风暴输出等。当我确实需要编辑时，我通常会让 Claude 来编辑，这就削弱了 Markdown 最大的一个优势。
我开始更偏爱 HTML 作为输出格式，而不是 Markdown，并且越来越多地看到 Claude Code 团队中的其他人也在使用它。以下就是原因。
（如果你想先看一些示例，可以在这里看到一大堆：https://thariqs.github.io/html-effectiveness ，不过记得回来看更多关于"为什么"的内容。）
与 Markdown 相比，HTML 能够传达更丰富得多的信息。
Notebook 0 — First Connection & Movement
🎯 目标：连接 Reachy Mini 并执行你的第一条运动指令。
Reachy Mini 采用客户端-服务器架构：
graph LR
subgraph Client
A[Your Python Script]
end
subgraph Server
B[Reachy Daemon]
end
subgraph Reachy Mini
C[Robot Hardware or Simulation]
end
A <--> B
B --> C
reachy_mini 软件包。在运行代码之前，请先确认机器人已启动并正常运行。
你应该使用 Reachy Mini Control 来检查机器人是否已连接并准备就绪。
使用大语言模型（LLM）构建个人知识库的模式。
这是一份概念文件，设计用于复制粘贴到你自己的 LLM 智能体中（例如 OpenAI Codex、Claude Code、OpenCode / Pi 等）。它的目标是传达高层级的理念，而具体细节将由你的智能体与你协作构建。
大多数人与 LLM 和文档打交道的体验看起来像是 RAG：你上传一批文件，LLM 在查询时检索相关片段，然后生成答案。这确实有效，但 LLM 每次都要从零开始重新发现知识，没有任何积累。当你问一个需要综合五份文档的微妙问题时，LLM 必须每次都找到并拼凑相关片段，没有任何东西被沉淀下来。NotebookLM、ChatGPT 文件上传以及大多数 RAG 系统都是这样工作的。
这里的理念不同。与其仅在查询时从原始文档中检索，LLM 增量式地构建并维护一个持久的维基 —— 一个结构化的、相互关联的 Markdown 文件集合，位于你和原始来源之间。当你添加新来源时，LLM 不只是将其索引以备后用。它会阅读来源，提取关键信息，并将其整合到现有维基中 —— 更新实体页面、修订主题摘要、标注新数据与旧主张的矛盾之处、强化或挑战不断演进的综合结论。知识被编译一次，然后保持最新，而不是每次查询都重新推导。
这就是关键区别：维基是一个持久的、复合增长的产物。
默认情况下，GitHub 仓库没有开启讨论（Discussions）功能。
为了让 Giscus 有权限向你的仓库写入评论，你需要：
wang-junjian.github.io 仓库上。
在你的 Discussions 页面中，建议创建一个专门的类别（例如命名为 Announcements 或 Comments），并确保该类别的 Discussion format 设置为 Announcement，这样普通用户就不能直接在 GitHub 页面随意发起讨论，只能通过你的博客留言板生成。
访问 giscus.app，在“仓库”栏输入 wang-junjian/wang-junjian.github.io，它会自动检测并生成一段配置代码。
Hermes vs. OpenClaw - When to Reach for Which Agent
发布时间：2026-05-07 作者：Brendan O'Leary
上周，有人在 Kilo Discord 里问："我该从 OpenClaw 切换到 Hermes 吗？" 自 Hermes 今年二月发布以来，这个问题我已经见过不下十几次。问得好 —— 两者都是开源的，都能连接你的聊天应用，都能运行工具、记住上下文。单看功能列表，它们几乎一模一样。
但过去两个月同时运行两者之后，我认为功能清单反而让人分心 —— 真正让它们分道扬镳的是设计哲学。
Hermes 是在一个学习型智能体外包裹了一个网关。
OpenClaw 是在一个消息网关内包裹了一个智能体。
这个区别听起来很抽象，但它对你配置和与每个工具交互的方式有着切实的影响。
Hermes Agent 来自 Nous Research，于 2026 年 2 月发布。截至本文撰写时，GitHub 星标数约为 13.5 万。其 headline 功能是所谓的"学习循环" —— 智能体会基于自身行为创建并进化自己的技能。
根据其功能文档：
自我改进的技能：智能体从经验中生成程序性知识。同一类任务跑上一百次，Hermes 真的会越做越好。
2026年2月 v1.0；Andrew Storms 独立安全评估
KiloClaw 是一个托管式计算平台，在每个专用虚拟机中运行每个用户的 AI 智能体实例。每位客户都会获得一个隔离的环境，其 AI 智能体可以在其中执行代码、访问文件系统、浏览网页以及连接到聊天频道（如 Telegram、Discord 和 Slack）。
对于代表客户执行任意代码的 AI 智能体托管式计算这类产品，其安全风险本身就很高。租户隔离的失误可能会将一个客户的秘密、对话和已连接账户暴露给另一个客户。机密管理的失误可能会危及客户托付给该平台的 API 密钥。
本白皮书介绍了 KiloClaw 的安全架构、保护客户数据的控制措施，以及 2026 年 2 月进行的独立安全评估的结果。它面向评估 KiloClaw 是否适合其组织的安全团队、合规官和技术决策者。
一项为期10天的独立安全评估通过威胁建模（采用 PASTA 框架，涵盖13项资产中的30个威胁）、代码审查、60多项对抗性测试以及实时基础设施测试，验证了 KiloClaw 的架构。总体结论是：KiloClaw 的安全架构是健全的，并在多个独立层实施了租户隔离。
理解安全模型需要先理解其架构。当客户配置一个 KiloClaw 实例时，该平台会通过多层基础设施创建一个专用的计算环境。
客户的浏览器连接到一个 Cloudflare Worker，该 Worker 通过签
聊天软件要集成 OpenClaw，主要有这几类方式（可以组合）：
openclaw channels add 里直接选通道、按向导配置即可。 /tools/invoke，可以调用单个工具（例如创建会话、发消息、拉取历史等），支持 Bearer 认证和 OpenAI 兼容的 /v1/* 风格接口。 1. 用 OpenClaw 自带 Channel 插件直连（最常用）
原理：
OpenClaw 是“自托管网关+多通道 Agent 平台”，已经把常见聊天软件的接入做成了内置通道或插件，你只要按向导配置 Bot Token / Webhook / QR 码即可。
典型流程：
openclaw configure / openclaw channels add 里选择要接入的通道，例如： openclaw gateway restart）并验证。
适合：2. 通用 HTTP 接口集成（任意聊天软件）
原理：
Gateway 提供了一个始终启用的 HTTP 端点 POST /tools/invoke，用于直接调用单个工具，支持 Gateway 级别的认证与权限控制。
关键信息：
http://<host>:<port>/tools/invoke（与 Gateway WS 共用端口） gateway.auth.token / OPENCLAW_GATEWAY_TOKEN） gateway.auth.password） x-openclaw-message-channel: slack / telegram 等 x-openclaw-account-id（多账号时）{
"tool": "sessions_list",
"action": "json",
"args": {},
"sessionKey": "main",
"dryRun": false
}
集成方式：
/tools/invoke 触发 OpenClaw 的对话/任务工具； 3. Gateway WS 协议集成（前端/实时集成）
原理：
OpenClaw 的所有客户端（CLI、Web UI、桌面/移动端 App）都使用统一的 Gateway WS 协议 作为控制面+传输。
集成方式：
4. Webhook 入站集成（事件驱动）
原理：
https://your-domain/webhook）。5. 通过自动化 / iPaaS 平台集成（n8n/Zapier/云函数等）
原理：
/tools/invoke 或兼容的 /v1/* 接口； 6. 选型建议（怎么选最适合你的方式）
/tools/invoke + Gateway WS 协议，自己写一层薄后端桥接。基于 Kilo Code 的架构特征和当前编码智能体领域的生产实践 ，以下是系统研究此类项目的 方法论框架：
| 研究维度 | 关键问题 | Kilo Code 的启示 |
|---|---|---|
| Fork 溯源 | 上游是谁？核心差异点？社区分裂原因？ | Kilo 从 Roo Code 分叉，差异集中在 Cloud 集成和商业化功能 |
| 生态位 | 是「IDE 插件」「CLI 工具」还是「平台」？ | Kilo 是「IDE 扩展 + CLI + Cloud」的三位一体 |
| 许可策略 | 是否存在 BSL/SSPL 等限制性条款？ | MIT 许可证，无商业限制 |
| 模型绑定 | 是否硬编码单一提供商？ | 模型中立是核心卖点，避免供应商锁定 |
建议的代码阅读路径（以 Kilo 为例）：
src/extension/activate.ts（VS Code 生命周期）、src/extension/api.ts（IPC 外部 API）Cline/Roo/Kilo 主类，理解 Plan → Act → Verify 的循环McpHub 如何集成外部工具（文件系统、终端、浏览器）// kilocode_change 快速定位增量代码2025年12月买的 Reachy Mini 机器人，近5个月终于到手了。
Reachy Mini 是由法国机器人公司 Pollen Robotics 开发的一款开源的桌面级人形机器人，旨在为教育、研究和创意项目提供一个灵活且易于使用的平台。Reachy Mini 是 Reachy 机器人的小型版本，具有相似的功能和设计，但体积更小，更适合在桌面环境中使用。
| 功能特性 | Wireless (无线版) | Lite (轻量版) |
|---|---|---|
| 价格 | 299 | |
| 电机与机械结构 | 9 个伺服电机 | 9 个伺服电机 |
| 头部运动 | 6 自由度 (pitch, roll, yaw, x, y, z) | 6 自由度 (pitch, roll, yaw, x, y, z) |
| 身体旋转 | ±160° | ±160° |
| 天线 | 2 个动力感应天线 | 2 个动力感应天线 |
| 摄像头 | 广角摄像头 | 广角摄像头 |
| 麦克风 | 4 麦克风阵列 | 4 麦克风阵列 |
| 扬声器 | 5W 扬声器 | 5W 扬声器 |
| 板载算力 | 树莓派 CM 4 (16GB 存储) | - |
| 加速计 | 内置 IMU | - |
| Wi-Fi 连接 | 支持 | - |
| 独立模式 | 支持 | 需通过 USB 连接控制 |
| 供电方式 | 电池供电 + 电源适配器 (7.3V / 5A) | 仅限电源适配器 (7.3V / 5A) |
reachy-mini-apreachy-mini
本工具是一个专为 macOS 设计的自动化脚本，它能帮助您将选择的图片转换为 WebP 格式。
该工具设计为通过 macOS 的“快速操作”或 Automator 工作流程来调用，从而实现便捷的图像转换操作。
# npm
npm install -g @kilocode/cli
# Or run directly with npx
npx @kilocode/cli
基于项目文档和代码结构分析，Kilo是一个开源的AI编码智能体平台，主要用于加速软件开发过程。它是OpenCode项目的fork版本，增强为全面的agentic工程平台。以下是其核心能力的详细分析：
webp 是一个官方工具包，它不是单个软件，而是一整套处理 WebP 格式的命令工具集合。
brew install webp
# 有损（推荐，长截图用）
cwebp -q 80 input.png -o output.webp
# 无损（画质完全不变，体积稍大）
cwebp -lossless input.png -o output.webp
dwebp input.webp -o output.png
没有找到匹配的文章