🦞 OpenClaw 是一个本地优先（Local-First）、高度自治、基于 Markdown 记忆管理的 AI Agent（智能体）系统。

它的核心亮点在于：

1. 数据主权 (Local-First): 记忆和配置都在本地 Markdown 文件中，用户完全掌控。
2. 拟人化设计: 通过心跳机制 (HEARTBEAT) 和分层记忆，试图构建一个有“长期记忆”和“自主行为”的 AI，而不仅仅是一个聊天机器人。
3. 工程化落地: 考虑了多端接入、混合检索 RAG、上下文压缩以及安全沙盒，这是一个生产力级别的架构。

架构系统

• 多端接入 (Messaging & Nodes):
  • 消息平台: 支持 WhatsApp, Telegram, Discord, 飞书等主流通讯软件，意味着用户可以在这些 App 里直接与 Agent 对话。
  • 客户端节点 (Nodes): 覆盖 Android, iOS, macOS。这些节点不仅是聊天窗口，还能调用设备能力（如拍照、定位、录屏、执行脚本），让 AI 拥有“手”和“眼”。
• 核心网关 (Gateway):
  • 运行在本地（支持 Windows, Linux, macOS, iOS, Android, Docker 等）。
  • 包含控制平面、HTTP Server、路由、会话管理和任务队列。
  • Pi Agent: 是核心大脑，负责处理逻辑。
• 远程管理: 通过 Tailscale VPN 或 SSH Tunnel 进行安全的远程连接，保障了数据传输的安全性（无需暴露公网 IP）。

OpenClaw 智能体工作区，旨在构建一个具有独立人格、长期记忆和自治能力的 AI。

核心基于 Markdown 文件系统：

• 身份与原则 (BOOTSTRAP, SOUL, IDENTITY)：确立 AI 的自我认知、名字与核心行为守则。
• 持续性 (MEMORY, AGENTS)：通过“每日日志”与“长期记忆”实现跨会话的知识积累，而非每次新鲜唤醒。
• 伙伴与工具 (USER, TOOLS)：记录人类偏好与本地环境配置，实现个性化与外部协作。
• 自主性 (HEARTBEAT)：在无指令时主动执行维护与状态检查。

总体而言，这套架构通过将记忆转化为持久化、可编辑的 Markdown 文件，实现了自主反思与知识沉淀的自治目标。

网关架构 (Gateway Architecture)

概述

• 一个长期的网关 (Gateway) 进程拥有所有消息传输表面（WhatsApp 通过 Baileys，Telegram 通过 grammY，Slack，Discord，Signal，iMessage，WebChat）。
• 控制平面客户端（macOS 应用、CLI、Web UI、自动化脚本）通过 WebSocket 连接到网关，绑定在配置的主机上（默认 127.0.0.1:18789）。
• 节点 (Nodes)（macOS/iOS/Android/无头设备）也通过 WebSocket 连接，但需声明 role: node 并包含明确的能力/命令。
• 每台主机对应一个网关；它是唯一开启 WhatsApp 会话的地方。
• 画布主机 (Canvas host)（默认 18793）用于提供代理可编辑的 HTML 和 A2UI。

组件与流程

网关 (Gateway) (守护进程)

• 维护提供商连接。
• 公开类型化的 WS API（请求、响应、服务器推送事件）。
• 根据 JSON Schema 验证入站数据帧。
• 触发事件，如 agent、chat、presence、health、heartbeat、cron。

客户端 (Client) (Mac 应用 / CLI / Web 管理)

• 每个客户端一条 WS 连接。
• 发送请求 (health、status、send、agent、system-presence)。
• 订阅事件 (tick、agent、presence、shutdown)。

感觉 Kimi K2.5 在国内被低估了，让子弹飞一会儿 🚀🚀🚀

基准测试（Benchmarks）

Agent Swarm 基准测试

为了严格评估智能体集群（Agent Swarm）框架的有效性，选择了三个具有代表性的基准测试，它们共同涵盖了深度推理、大规模检索以及真实世界的复杂性：

• BrowseComp：一项具有挑战性的深度研究基准，需要多步推理和复杂的信息综合。
• WideSearch：旨在评估在不同来源中进行广泛、多步信息寻求和推理能力的基准。
• In-house Swarm Bench：一项内部开发的集群基准，旨在评估智能体集群在真实世界、高复杂度条件下的性能。 它涵盖了四个领域：
  • WildSearch（开放网络上不受约束的真实世界信息检索）；
  • Batch Download（大规模获取多样化资源）；
  • WideRead（涉及 100 多个输入文档的大规模文档理解）；
  • Long-Form Writing（连贯生成超过 10 万字的海量内容）。 该基准整合了极端规模的场景，旨在压力测试基于智能体系统的编排（Orchestration）、可扩展性（Scalability）和协作能力。

主要基准测试

Kimi K2.5 评估涵盖了多个领域的基准测试，下面是按能力维度分类的各基准测试说明：

推理与通用能力 (Reasoning & General) Humanity’s Last Exam

安装 Kimi Code

curl -L code.kimi.com/install.sh | bash

Kimi Code CLI

登录配置

kimi

1. 登录 - /login
2. 选择平台 - Kimi Code
3. 浏览器打开链接，微信扫码完成授权
4. 返回终端，登录成功

OpenClaw 简介

自2025年11月由PSPDFKit创始人Peter Steinberger作为周末项目启动（最初名为Clawd/Clawdbot），OpenClaw（曾短暂更名为Moltbot）在2026年1月迅速走红，成为当年上半年增长最快的开源AI智能体框架之一。该项目GitHub星数已超过13万（部分报道接近15万），其最大亮点在于真正实现了“本地优先、本地执行”的自主任务能力，而非单纯的云端聊天。

OpenClaw不是传统AI聊天助手，而是一个运行在用户本地硬件（Mac、PC、服务器）上的自动化中枢。它通过消息类应用（如WhatsApp、Telegram、iMessage、Discord等）接收自然语言指令，能够执行真实电脑操作：读写文件、运行命令、操作浏览器、管理邮件日历、甚至自主编写新技能。

OpenClaw 项目架构概览

设计哲学 OpenClaw 被设计为一个模块化、可扩展且强健的个人 AI 助手系统。其核心理念包括： 解耦 (Decoupling)：将智能体逻辑与传输层（如 Discord、Telegram 等通道）以及控制平面（Gateway）分离。 可扩展性 (Extensibility)：通过 Hook 和插件系统支持注入上下文或对智能体运行进行后处理。

iFlow 登录

OpenAI 兼容 API

可以手动修改配置文件：~/.iflow/settings.json

{
  "cna": "dp3vIQIkkhcCAXyAlGrAY4my",
  "selectedAuthType": "openai-compatible",
  "searchApiKey": "sk-72c24939a1ac137a28e990cdee4d5d7f",
  "baseUrl": "http://localhost:11434/v1",
  "apiKey": "NONE",
  "modelName": "qwen3-coder:latest",
  "bootAnimationShown": true
}

不能使用工具（todo, write_file 等），不可用。

参考资料

• iFlow CLI

LongCat-Flash-Thinking-2601 创新性地开启了全栈式的智能体推理（Agentic Reasoning）训练体系与架构优化。首先，提出了自动化的环境扩展流水线，构建了覆盖 20 多个领域的高质量、可执行且可验证的智能体环境，有效解决了真实世界中复杂智能体交互数据匮乏的难题。其次，针对现实任务的不确定性，创新性地引入了鲁棒性智能体训练流程，通过系统性分析现实噪声模式并采用课程强化学习（Curriculum RL）将噪声整合进训练，显著增强了模型在非理想环境下的泛化与生存能力。在底层支撑上，扩展了异步强化学习框架 DORA 以支持高达 32,000 个环境的大规模并发训练，并引入了 Heavy Thinking（深思考）模式，通过在推理阶段同时扩展思考的深度与广度（Test-time Scaling），进一步突破了复杂任务的性能边界。此外，还设计了 Zigzag Attention 稀疏注意力机制，使模型能以极低开销实现高达 100 万 token 的长上下文扩展，为长程智能体任务提供了坚实的架构基础。

重思考模式架构

“重思考模式”（Heavy Thinking Mode）是 LongCat-Flash-Thinking-2601 模型为了突破现有推理能力极限而引入的一种推理时扩展（Test-Time Scaling）架构。

参考资料

• 关于美团vs-京东竞争的一点思考
• 历史转折中的美团，AI进化新范式

📌 DSL

Dify

1. 克隆代码仓库

git clone https://github.com/langgenius/dify

2. Docker 部署

Dify 提供了 Docker 部署方式，您可以通过以下步骤快速部署：

cd dify
cd docker
cp .env.example .env
docker compose up -d

运行后，可以在浏览器上访问 http://localhost/install 进入 Dify 控制台并开始初始化安装操作。

vLLM

vllm serve /data/models/llm/deepseek/DeepSeek-R1-Distill-Qwen-32B-AWQ/ \
    --served-model-name gpt-4o-mini \
    --tensor-parallel-size 4 \
    --max-model-len 102400 \
    --dtype half \
    --port 8111

Ollama

1. 安装 Ollama 服务。

curl -fsSL https://ollama.com/install.sh | sh

2. 编辑 systemd 服务，调用 systemctl edit ollama.service。这将打开一个编辑器。

sudo systemctl edit ollama.service

对于每个环境变量，在 [Service] 部分下添加一行

优先使用：豆包 和 Grok

提示词

根据历年财报进行投资分析

基于京东健康上市后历年的财报，从价值投资的角度进行分析。

文件：

• 京东健康 2020 年度报告.pdf
• 京东健康 2021 年度报告.pdf
• 京东健康 2022 年度报告.pdf
• 京东健康 2023 年度报告.pdf
• 京东健康 2024 年度报告.pdf
• 京东健康 2025 中期报告.pdf

评估各模型投资分析能力

下面是我使用提示词：“基于京东健康上市后历年的财报，从价值投资的角度进行分析。”对多个大语言模型进行的分析结果。你作为一个评判专家，请对比各模型的分析内容，给出你的综合评价。

评判结果

Doubao

Grok 4.1

Gemini3

ChatGPT

DeepSeek-Think

混元

Kimi-K2-Think

LeChat

LongCat

MiniMax M2.1

Qwen3-千问

综合AI助手，全面回答工作、学习、生活各类问题

Qwen3-Max

千问系列中最强大的语言模型

各模型投资分析结果

Gemini

《Context Engineering & Coding Agents with Cursor》（Cursor 的上下文工程与编程智能体），由 Cursor 团队成员 Lee 和 CEO Michael 主讲。视频深入探讨了软件开发的演变、Cursor 如何利用 AI 提升编程效率，以及未来编程智能体的发展方向。

1. 编程的演变与 Cursor 的核心功能

• 编程历史回顾：从打孔卡片到图形界面，再到如今的 AI 辅助编程，AI 正在以前所未有的速度推动软件开发的进步。

• Cursor Tab (代码补全)：

• Cursor 的 Tab 功能深受 GitHub Copilot 启发，但已从简单的“预测下一个词”进化为“预测下一个动作”甚至“预测光标去向”。

• 强化学习：模型会根据用户的“接受”或“拒绝”操作进行实时在线强化学习（RL），在 30 分钟内即可更新模型行为。

• 平衡性：Cursor 致力于在建议速度（不打断心流）和建议质量之间找到平衡点。

2. 上下文工程 (Context Engineering)

• 超越提示词工程：随着模型变强，获取高质量输出的关键不再是“提示词技巧”，而是提供“正确的上下文”。

• 混合检索策略：

• 字符串匹配：单纯依靠 grep (字符串匹配) 是不够的。

• 语义搜索：Cursor 通过对代码库建立索引（embeddings），即使文件名不完全匹配（如 header.tsx vs "top navigation"），也能通过语义准确找到相关代码。

Engram 是一种旨在增强大语言模型性能的条件记忆（Conditional Memory）模块。传统的 Transformer 架构在处理静态知识检索时效率较低，往往需要通过复杂的计算来模拟记忆，而 Engram 通过现代化的 N-gram 哈希查找实现了常数级时间复杂度 O(1) 的知识获取。研究者揭示了一种 U 型缩放法则，证明在固定参数预算下，平衡条件计算（MoE）与静态内存（Engram） 能显著提升模型在推理、代码及数学任务中的表现。实验分析表明，Engram 能减轻模型底层对基础模式的重复构建，从而释放更多算力用于处理全球上下文和深度推理。此外，Engram 的确定性寻址特性支持从主机内存预取数据，使其能在不增加硬件负担的情况下实现大规模参数扩张。最终，该技术为构建更高效、具备长文本处理能力的新一代稀疏模型提供了核心原语。

Engram 架构

记忆内存的参数就像是图书馆书架上的一本本百科全书，记录着世界上的事实；而 Engram 模块的参数就像是一位经验丰富的图书管理员。管理员通过训练（学习），能够根据你当前提出的研究课题（隐藏状态），迅速判断哪些百科全书的条目是有用的，哪些是由于名字相似而找错的（哈希冲突），并帮你把这些知识翻译成你研究报告能用的语言（投影整合）。

该模块通过检索静态 N-gram 记忆，并利用上下文感知门控（context-aware gating）将其

AI 编程的演进逻辑非常清晰：GitHub Copilot 作为插件，在传统 IDE 里为大众提供辅助；Cursor 则打破束缚，通过 AI 原生 IDE 实现了深度的体验跃迁；而 Claude Code 这类 CLI 工具，则是为追求极致自由与自动化的极客准备的——它摆脱了图形界面的繁琐，让开发者在命令行中，就能以‘操作指令’驱动 AI 完成从编码到部署的全流程。

AI 编程三剑客：时间线与营收对比

维度	GitHub Copilot	Cursor	Claude Code
代表形态	IDE 插件 (Plugin)	AI 原生 IDE (Forked)	CLI 智能体 (Agent)
正式发布/爆发时间	2021年6月 (预览) / 2022年6月 (正式)	2023年 (起步) / 2024年底 (爆发)	2025年2月 (GA)
年营收 (ARR)	$20 亿+$ (2025年Q3数据)	20亿+∗∗(2025年Q3数据)∣∗∗10 亿+ (2025年底估算)	$10 亿+ (上线6个月即达成)
用户规模	2000万+ 开发者	100万+ 付费用户	爆发式增长中 (API驱动)
核心地位	行业标准与基建	效率工具的巅峰	自主编程的开端

1. GitHub Copilot：稳坐江山的“老牌霸主”

• 登基时间： 2021-2022年。它是 AI 编程的开创者，利用 GitHub 庞大的生态系统，迅速完成了从 0 到 1 的教育。
• 营收状况： 2025年 9月，微软在财报中确认 GitHub Copilot 的年经常性收入（ARR）已突破 20 亿美元。
• 现状： 虽然面临 Cursor 的挑战，但它依然是 90% 以上 500 强企业的标准配置。它的战略重心已转向 “代理化” (Agentic)，在 GitHub Universe 2025 上展示了全流程的 AI 协作能力。

NVIDIA 正致力于打造全栈物理AI（Physical AI）平台，推动人工智能从数字领域向理解并交互物理世界跨越。该平台的核心由 Cosmos 世界模型、Omniverse 模拟环境以及针对机器人（GROOT）和自动驾驶（Alpamayo）的专属模型组成。

在硬件层面，NVIDIA 推出了突破性的 Vera Rubin 架构。其中，Rubin GPU 拥有 3360 亿个晶体管，其推理性能达到 Blackwell 的 5 倍；Vera CPU 则配备 88 个定制内核，显著提升了系统内存带宽。配合 BlueField-4 DPU 和 NVLink 6 技术，NVIDIA 构建了能够支持海量算力需求的 AI 基础设施。

• NVIDIA Omniverse：是 NVIDIA 推出的、基于 OpenUSD 的实时 3D 开发与协作平台，核心用于构建大规模 3D 应用、工业数字孪生及物理 AI 仿真，依托 RTX 渲染与 GPU 加速，实现跨工具互操作、实时协作与高保真模拟，支持云边端灵活部署。
• NVIDIA Cosmos：这是一款为物理 AI 设计的世界基础模型（World Foundation Model）。它能理解物理定律（如重力、惯性、碰撞），并能将合成数据（Synthetic Data）转化为训练 AI 的高质量数据，解决物理世界数据稀缺的问题。
• Alpamayo：NVIDIA 发布了首个具备推理能力的自动驾驶 AI。它不仅能控制车辆，还能用自然语言解释其驾驶行为的原因，应对道路上的长尾（边缘）案例。
• GROOT：是 NVIDIA 面向通用人形机器人的开放基础模型体系，核心是视觉-语言-动作（VLA）端到端架构，以双系统协同实现环境理解与实时动作生成，依托 Omniverse 仿真与 Cosmos 数据平台形成机器人 “学习-仿真-部署” 闭环。

基于边端电力设备的报文需要使用人工智能

这是一个非常前沿且具有实际意义的问题。简单直接的回答是：是的，在边端电力设备中引入人工智能（AI）处理报文，正在从“锦上添花”转变为“行业刚需”。

传统的电力报文处理主要依赖预设规则和阈值报警，但在复杂的现代电网环境下，这种方式已显露疲态。

以下是为什么边端电力设备报文需要 AI 的核心原因及应用场景：

1. 毫秒级的实时响应需求

电力系统的故障处理通常要求在 到 内做出反应。

• 传统痛点： 如果将海量报文上传到云端处理，网络延迟和带宽压力会导致响应滞后。
• AI 优势： 在边缘侧部署轻量化 AI 模型（如卷积神经网络 CNN 或长短期记忆网络 LSTM），可以直接在设备端实时解析 GOOSE、SV 等协议报文，瞬间识别出瞬时故障并触发保护机制。

2. 网络安全与入侵检测

电力报文（如 IEC 61850、DNP3）往往缺乏复杂的加密，容易受到恶意篡改或重放攻击。

• AI 应用： AI 可以学习正常报文的“行为基准”（流量特征、时间间隔、序列逻辑）。一旦黑客尝试通过异常报文操纵开关，AI 能基于异常检测算法识别出这种不符合常规逻辑的行为并阻断，这是静态规则防火墙难以做到的。

3. 故障预测与健康管理 (PHM)

报文不仅是指令，还包含丰富的设备状态数据。

• 应用场景： 通过对变压器、断路器上报的采样值（SV）报文进行深度挖掘，AI 可以捕捉到波形中极其细微的畸变或局部放电特征。
• 价值： 在设备真正坏掉之前，AI 就能发现其性能衰减的趋势，从而实现**从“事后维修”到“预测性维护”**的转变。

深度神经网络架构的演进，本质上是在寻找梯度稳定性与特征表达力的最优解：残差连接 通过恒等映射初步破解了深层网络的退化难题，但在缓解梯度消失与防止表征坍缩之间仍存在“跷跷板效应”；超连接（HC） 在此基础上打破了固定连接的束缚，通过引入可学习的深度连接与宽度连接，允许网络“自主学习最优连接强度”，显著提升了大模型训练的性能；流形约束超连接（mHC） 则通过将 HC 的连接矩阵投影至双随机流形，利用数学上的凸组合约束恢复了恒等映射的数值稳定性，并辅以算子融合、选择性重算和 DualPipe 通信重叠等工程优化，最终在大模型训练中实现了训练稳定性和显著降低延迟负载。

深度神经网络

梯度消失与梯度爆炸

在深度学习中，梯度消失（Vanishing Gradient） 和 梯度爆炸（Exploding Gradient） 是训练深层神经网络时经常遇到的两个核心障碍。

它们本质上是由于神经网络在反向传播过程中，梯度通过多层链式法则累积相乘导致的数值稳定性问题。

数学根源：链式法则的连乘效应

在反向传播时，我们需要计算损失函数对某一层权重的偏导数。根据链式法则，对于每一层，其梯度贡献项通常与激活函数的导数以及权重的数值有关。

• 梯度消失： 如果每一层的梯度项都小于 1（例如使用 Sigmoid 激活函数，其导数最大值仅为 0.25），经过 层连乘后，梯度会呈指数级衰减。当层数很多时，靠近输入层的梯度会变得接近于 0，导致权重无法更新，网络停止学习。
• 梯度爆炸： 如果每一层的权重较大（例如 ），且激活函数的导数也大于 1，梯度会随着层数的增加呈指数级增长。这会导致权重更新步长过大，数值溢出（出现 NaN），模型剧烈震荡甚至崩溃。

提示词（DeepSeek）

2026年新年来了，生成一张红色的飞马图像。以这个为基础写个生成图像的提示词

一只雄伟的飞马（天马）在绚烂的夜空中展翅翱翔，周围环绕着金色与橙红色的新年烟火，鬃毛与翅膀边缘散发柔和光芒，背景为深红色星空与闪烁的星光，风格融合奇幻艺术与节日喜庆，色彩以红色、金色为主，充满动态与希望感，4K高清，细节精致，史诗光影。

生成结果

ChatGPT

豆包

Gemini

Grok

可灵 2.1

龙猫

MiniMax

千问

元宝