apfel 上手：把 Mac 自带 Apple Intelligence 变成本地 OpenAI 接口
很多本地模型方案都绕不开下载模型、选量化、配显存、调推理服务。Mac 用户还有另一条路：把系统自带的 Apple Intelligence 变成命令行工具和本地 OpenAI 兼容接口。apfel 做的就是这件事。 它把 Apple FoundationModels 暴露成 UNIX CLI、交互式聊天和本地 Open
5 min
比较 VPS 与云服务器的配置、网络线路、参考性能和购买成本，按建站、开发与自托管需求选择主机。
OfficeCLI 上手：让 Agent 读写 Word、Excel、PPT，不再依赖 Office 桌面
Office 自动化一直是 Agent 的尴尬区。企业文件大量存在 Word、Excel、PowerPoint 里，但传统自动化要么依赖桌面 Office，要么用几套库分别处理 docx、xlsx、pptx，结构不统一，预览也麻烦。Agent 想稳定修改这些文件，不能只靠“生成一段 Python 试试”。 Office
5 min
OpenHarness 上手：把 Agent 从聊天框推进到可恢复的长期工作台
Agent 真正进入日常工作以后，瓶颈往往不在模型本身，而在运行时。聊天框能回答问题，但很难长期维护一个项目：它要记住上下文、调用工具、拆任务、写代码、跑测试、处理失败、接消息平台，还要能在长会话里恢复状态。 OpenHarness 把这个问题直接摆到了台面上。它不是另一个“套壳聊天助手”，而是一套轻量 Agent h
5 min
Ubuntu 服务器怎样配置防火墙：保住 SSH，查清 Docker，再验证公网入口
按实际连接路径配置 Ubuntu 防火墙：确认 SSH 与恢复入口、开放网站协议、核对 IPv6 和 Docker 端口，再从外部验证规则。
8 min
Ubuntu 服务器怎样配置防火墙：保住 SSH，查清 Docker，再验证公网入口
按实际连接路径配置 Ubuntu 防火墙：确认 SSH 与恢复入口、开放网站协议、核对 IPv6 和 Docker 端口，再从外部验证规则。
9 min
Warp 上手：把终端升级成 Agent 开发工作台
终端正在被重新定义。过去它主要负责执行命令；现在，随着 Coding Agent 进入日常开发，终端开始承担上下文组织、任务分派、输出审查和远程执行入口的角色。
14 min
Taste Skill 上手：别让 AI 前端只会紫色渐变和三张卡片
AI 写前端，最容易出现一种熟悉的味儿：居中的大标题，蓝紫渐变背景，三张等宽功能卡片，按钮带一点发光，下面再塞几个“Seamless / Next-Gen / Elevate”之类的词。 功能可能是对的，但一眼就知道是模型直接吐出来的。不是不能用，就是不太像一个认真做过视觉判断的产品页面。 Taste Skill 做的
16 min
Agent Zero 上手：别把它当聊天框，它更像一台 Agent 工作台
Agent Zero 这类项目，最容易被写成“又一个自主 Agent 框架”。这话不能算错，但没抓到重点。 它更关键的地方，不是会聊天，也不是会调用几个工具，而是把 Agent 放进一台完整的 Linux 工作台里：有文件系统，有终端，有浏览器，有记忆，有项目隔离，有插件和技能，还能把任务继续拆给子 Agent。
9 min
UncommonRoute 教程：给 LLM 请求加一层自动路由，先把便宜模型用明白
大模型成本控制最常见的错误，是只盯单价。单价当然重要，但真正烧钱的，是简单任务也走最贵模型，失败重试又继续走最贵模型，最后账单一看，像开了水龙头。 UncommonRoute 的思路是加一层自动路由。它作为 OpenAI 兼容代理，帮你判断请求复杂度，把简单任务交给便宜模型，把复杂任务交给更强模型。项目强调最高可以节省
3 min
InkOS 教程：让小说 Agent 会写、会审、会改，还得能被人拽住
AI 写小说最常见的失败，不是写不出字，而是写着写着就散了。人物性格漂，节奏乱，前后设定打架，越到后面越像自动续杯的套路汤。 InkOS 值得看的地方，是它没有把自己包装成一个“输入一句话生成百万字”的玩具，而是把小说创作拆成写、审、改、人工审核几个环节。它是一个自动化小说写作 Agent，也发布成 OpenClaw
4 min
Hive 教程：给多 Agent 任务补上 Harness，而不是再写一条链
很多多 Agent 项目看起来都挺热闹：一个规划，一个执行，一个检查，再来一个总结。演示的时候顺滑，真塞进业务流程，麻烦就来了。中途失败怎么办？状态丢了怎么办？两个 Agent 写冲突了怎么办？谁来判断它该停手？ Hive 的切口不是再做一个花哨 Agent，而是做 harness。也就是给多 Agent 任务补上状态
4 min
Mission Control 教程：自托管 Agent 控制台，先把任务、技能和花费管起来
多 Agent 工作流一多，聊天窗口就不够用了。哪个 Agent 正在跑，花了多少钱，装了哪些 skills，失败任务在哪里，谁有权限触发高风险动作，都需要一个控制台。 Mission Control 做的是自托管 Agent orchestration dashboard。它强调 SQLite、单命令运行、Skill
4 min
Coze Loop 教程：Agent 上线前，先把评测、Prompt 和监控闭环补上
Agent 项目最常见的事故，是上线前靠感觉调 prompt，上线后靠用户投诉发现问题。模型换了、工具改了、知识库更新了，没人知道效果从哪天开始变差。 Coze Loop 是面向 AI Agent 优化的平台，覆盖开发、调试、评测、Prompt 管理和线上监控。它的价值不是多一个控制台，而是让 Agent 的质量变化能
4 min
Banana Slides 教程：用 AI 做可编辑 PPT，先管模板、素材和复核
AI 做 PPT 最大的问题，不是能不能生成页面，而是生成出来能不能继续改。很多工具输出一堆图片，看着还行，到了客户修改、老板改字、设计调版时就废了。 Banana Slides 押的是另一条路：上传模板图片和素材，让 AI 解析内容，按自然语言生成或修改页面，并导出可编辑 PPTX。它更像一个 AI PPT 工作台，
4 min
Headroom 教程：给 Coding Agent 加一层上下文压缩，少花 token 还要不掉准
Coding Agent 的 token 浪费，很多时候不是模型太贵，而是上下文太脏。终端输出、测试日志、重复文件、RAG 片段、工具结果，全都原样塞回去，模型不但花钱，还更容易被噪音带偏。 Headroom 做的是上下文优化层。它可以包装常见 coding agent，也可以作为代理放在应用和模型之间，对消息、工具输
5 min
MOSS-TTS 教程：自托管语音生成，先把延迟、显存和授权边界讲清楚
语音 AI 的 demo 通常都很好听。真正落地时，问题才冒出来：长文本断句不自然，显存吃紧，首包延迟高，声音克隆授权不清楚，多说几分钟后情绪和音色开始飘。 MOSS-TTS 是开源语音生成模型家族，覆盖长文本语音、多说话人对话、声音设计、环境声和实时流式等方向。它适合想把 TTS 放到本地或自托管环境里的团队。 但语
5 min
Chandra OCR 教程：复杂 PDF 进 RAG 前，先把版面和表格处理干净
做 RAG 时，很多人把注意力放在向量库和模型上，却忽略了最前面的文档解析。PDF 里的表格错位、公式断掉、页眉页脚混进正文，后面检索再强也救不回来。 Chandra OCR 适合处理这类硬文档：复杂表格、表单、手写、多语言、数学公式、版面结构。它能把文档转成 Markdown、HTML 或 JSON，并保留更详细的
5 min
TOON 教程：把 JSON 数据喂给模型前，先把 token 账算明白
很多人做 AI 应用时，第一反应是把业务数据直接塞成 JSON。简单、通用、模型也能读，看起来没毛病。 但一到真实场景，账就不太对了。订单列表、埋点日志、知识库片段、搜索结果、用户画像、商品属性，全都用 JSON 喂给模型，会浪费大量字段名、括号和重复结构。上下文窗口再大，也不能这么霍霍。 TOON 的价值就在这里。它
6 min
IBM Granite 4.1：小模型路线没输，输的是粗糙训练
IBM Granite 4.1 的发布，很适合给开源模型圈泼一点冷静水：小模型路线没有输，输的是粗糙训练和粗糙定位。 Granite 4.1 是 3B、8B、30B 的 dense decoder-only 模型家族，训练管线包含约 15T tokens、多阶段预训练、长上下文扩展、监督微调和多阶段强化学习。更关键的是
2 min
Google 第八代 TPU 分成两条线：Agent 时代的算力不再只拼大
Google 第八代 TPU 分成 8T 和 8I 两条线，这件事比单纯“新芯片更强”有意思。 过去讨论 AI 算力，大家很容易只看峰值、参数、集群规模。到了 Agent 时代，负载变复杂了：有长时间训练，有大规模推理，有低延迟交互，有多轮工具调用，还有大量上下文读写。所有任务都用同一种算力形态硬扛，成本会很难看。 #
2 min