ai agent 实战

打工仔折腾 AI

FaceFusion本地换脸实战：Windows整合包、模型选择与遮罩调参记录最近在做一个需要批量处理人脸的素材整理工作，需求很简单：把一批视频里指定人物的脸换掉，用于内部素材演示，不涉及对外发布。云端换脸工具有隐私和额度上的顾虑，所以想在本机跑。试了几个方案后落到 FaceFusion 上，它算是 Rope 那一系工作流的延续，命令行和 Web UI 都有，Windows 下也有现成的整合包。这篇就把我这段时间实际用下来的配置、模型选择和参数调整过程写出来。

打工仔折腾 AI

System Prompt 替代 Few-shot：用规则约束大模型输出的省钱实践我手上有个后台工具，主要工作是把用户提交的一段自然语言需求，转成结构化的任务配置。输出格式固定，大概长这样：

打工仔折腾 AI

从零写一个CAD 05：以鼠标为中心的滚轮缩放，招法能复用但顺序不能反做简易 CAD 视图器到第五篇，前四篇把画布、图元、世界坐标与屏幕坐标的映射、以及基础的平移（pan）都搭起来了。这一篇专门处理滚轮缩放。

打工仔折腾 AI

从零写一个CAD 05：以鼠标为中心的滚轮缩放矩阵顺序不能反做 CAD 类工具，滚轮缩放看着是最没技术含量的功能，但真正写起来，它往往是第一个把视图坐标系搞乱的地方。前面几篇里我已经把画布、世界坐标、变换栈搭起来了，这一篇专门处理缩放。目标很明确：滚轮滚动时，鼠标指着的那个点在屏幕上不动，视图围绕它放大或缩小。听起来一句话，实际写的时候我改了三次才稳定下来，问题全都出在矩阵乘法的顺序上。

打工仔折腾 AI

把AI Agent托管在家用电脑：UU远程终端与端口映射实测记录我手上的 AI Agent 大多跑在自己家里的一台小主机上。原因很实际：这些 Agent 经常要调用本地文件、访问局域网里的 NAS、跑一些需要长时间占用的任务，放到云服务器上反而麻烦。但问题也随之而来——我在外面用笔记本或者手机时，想看一下 Agent 跑到哪了、想给它发个新任务，就没办法直接连回去。

打工仔折腾 AI

把 AI Agent 托管到家里电脑：UU远程端口映射与CLI实测记录我手上这套 Agent 不复杂，就是一个用 LangGraph 串起来的小流程：接收任务 → 调用本地 Ollama 做推理 → 需要检索时走一次向量库 → 返回结构化结果。模型是本地跑的，数据不出机器，这也是我一开始选择把它放在家里那台旧主机上的原因。

打工仔折腾 AI

用UU远程把家里电脑变成AI Agent常驻服务器：CLI、端口映射与代理实测我手上的Agent项目大多不重，但有几个特点让云主机不太合适。一是依赖本地资源。有些任务要读我本地的文档目录、调用本地跑的嵌入模型，甚至只是想让Agent帮我整理下载文件夹。这些东西搬到云上就要重新做一遍同步，成本比省下的电费高。

打工仔折腾 AI

从 Demo 到生产级 Agent：8 个关键设计机制与 Python 实现拆解大部分 Agent 教程停在"能跑通"这一步：定义一个工具，写个 while 循环，调用大模型，解析输出，结束。本地跑几次没问题，就以为可以上线了。

打工仔折腾 AI

从零写一个CAD 04：中键拖动平移，抓住一个点让它一直待在鼠标底下平移看起来是 CAD 里最简单的一个交互，比画线、比捕捉、比布尔运算都简单。但我第一次写完中键拖动之后，遇到的实际问题是：拖动过程中图会"漂"，鼠标停下时视图跟着抖一下，快速拖动还会跳。后来把逻辑重写成"抓住一个点"的思路，问题基本消失了。

打工仔折腾 AI

从BPE到SentencePiece：Transformer分词原理与Python实战对比很多人调模型时把注意力都放在网络结构、学习率、数据量上，分词往往被当成一个"跑通就行"的预处理步骤。但实际做下来会发现，分词方案选错了，后面很多问题都会跟着来：中文被切成单字导致序列过长、英文专有名词被拆得七零八落、词表膨胀到几万维、推理时遇到没见过的词直接变成 [UNK]。

打工仔折腾 AI

DiPlay 实测：iPhone 绕过硬件盒子直连 BYD 车机的思路拆解原厂不支持 CarPlay 的车型，想用 iPhone 投屏，市面上最常见的方案是买一个第三方盒子：盒子插在车机 USB 上，伪装成一个 CarPlay 接收端，iPhone 再通过蓝牙或 Wi-Fi 连到盒子上。这套方案成熟、即插即用，代价是多一个设备、多一层转接，偶尔还有延迟和断连。

打工仔折腾 AI

工业场景下时序库与实时计算一体化架构选型实践对比工业现场的数据链路，很多时候比互联网后端要"拧巴"。一个中型产线，可能有几百个 PLC、传感器、仪表在持续上报数据，采样频率从几百毫秒到几秒不等。这些数据先落到采集网关，再进消息队列，然后一部分要存下来做历史查询，另一部分要立刻算——比如判断某个温度是不是连续超限、某个振动值是不是在恶化。

打工仔折腾 AI

飞牛OS上用Docker Compose部署ExerciseDiary运动记录并配置远程访问我用飞牛OS有一段时间了，它本质上是基于Debian的NAS系统，自带Docker和Docker Compose，管理界面做得比群晖顺手一些。日常我拿它存文件、跑一些轻量容器。之前运动数据一直散在手机App里，各家App导出格式不统一，想做个长期统计很麻烦，所以打算自建一套运动记录服务，数据放自己硬盘上。

打工仔折腾 AI

把模型切换交给平台：用蓝耘智能路由搭建商品评论分析工具做商品评论分析的工具，最烦的其实不是模型效果，而是模型名字。我手头这个需求很典型：给一批电商评论做三件事——判断情感倾向、抽取商品属性标签、对差评生成一句简短摘要。一开始我图省事，三个任务全写死同一个模型：

打工仔折腾 AI

Prometheus接入Pushgateway实战：二进制与Docker部署、指标推送与远程写入Prometheus 的核心采集模型是 pull：它按 scrape_interval 周期性地去各个 target 的 /metrics 拉数据。这个模型对长期运行的服务很合适，但对另一类任务就不太友好——那些跑几秒、几十秒就结束的进程。

打工仔折腾 AI

蓝耘元生代实测：用WorkBuddy与TextIn xParse拆解43页建模论文手头有一份43页的数学建模竞赛论文，PDF格式，里面混着大段正文、十几个表格、一堆公式，还有几张贴在页面里的流程图和数据图。我想把它拆成结构化的东西：表格转成可读的文本或结构化数据，公式单独拎出来，图片按位置存下来。

打工仔折腾 AI

网易UU远程实测：手机控电脑做Python开发和Agent调试的真实体验我平时有一台放在家里的开发机，主要跑两类东西：一是几个 Python 服务的本地调试环境，二是 LangChain 相关的 Agent 任务。Agent 这种活儿有个特点——它不一定马上出结果，可能跑十几分钟甚至更久，中间还得看日志判断是不是卡在某个工具调用上。

打工仔折腾 AI

数据库上 K8s 之后谁来管？拆解金仓 KES-Operator 的声明式运维方案很多团队把数据库迁到 Kubernetes 之后，会经历一个相似的阶段：一开始只是想让数据库跑在容器里，图个环境统一、资源隔离。跑通之后发现，真正难受的地方在后面——主库挂了要手动切、磁盘满了要手动扩、备份策略散落在各种脚本里、扩容一个从库要改一堆 YAML 再手动执行初始化。

打工仔折腾 AI

用 Shell 脚本自动部署 mysqld_exporter 并接入 Prometheus 远程抓取MySQL 实例一多，mysqld_exporter 的部署就成了体力活。下载二进制、建监控专用账号、写 .my.cnf、配 systemd、改 prometheus.yml、reload——一套流程走下来十几分钟，还容易在某一台上漏掉一步，结果就是 Grafana 上某个实例的曲线突然断了，回头再补。

打工仔折腾 AI

普通摄像头接入AI识别：绿联NAS部署Frigate监控实战家里的摄像头大多是普通 IP 摄像头，能出 RTSP 流，但自带的人形检测基本靠 PIR 或者简单的画面变化判断，风一吹树叶、车灯扫过、猫走过去都会触发录像，手机一天能收到几十条推送。