ai agent 实战

打工仔折腾 AI

AI Agent 工程化实战（二）：5 分钟跑通 Deep Agent 并逐层拆解底层链路很多人做 Agent 开发容易卡在两个极端：要么只跑通官方 Demo，完全不知道数据在内存里怎么流转；要么一上来就追求复杂编排，把状态机画得看不懂，调试时连 Prompt 是谁触发的都找不到。

打工仔折腾 AI

深入验证 DeepSeek 新模型开源声明：KV 缓存指标与按次计费的后端落地评估看到这类带具体版本号和技术指标的开源公告，工程师的第一反应不应该是兴奋，而是拆解。技术指标写得再漂亮，落到 GPU 内存、网络延迟、调用链路的损耗上，往往会有完全不同的体感。这篇文章不重复宣传语，只讲三件事：这个“KV 缓存 890B/Token”在推理引擎里到底意味着什么；“检索 API 按次计费”会怎样改变我们写后端路由和重试逻辑的方式；以及拿到模型后，如何用最小可行代码完成真实性能摸底。

打工仔折腾 AI

介入式脑机接口的跨尺度解码与闭环调控：从算法落地到后端工程实践介入式脑机接口在硬件和手术层面已经走过了很多年，但真正卡住临床转化的往往是计算与控制链路。电极阵列采集的是微伏级电信号，跨尺度意味着既要处理单神经元放电，又要整合局部场电位、甚至多区域同步活动。这些数据本身不直接产生“指令”，需要经过特征提取、降维、解码映射，最后才能转化为调控参数。如果这一套流程延迟高、抖动大、或者缺乏状态隔离，闭环刺激就会失控，轻则效果打折，重则引发不良反应。

打工仔折腾 AI

从零开始大模型微调：基于 PyTorch 与 ChatGLM 的 LoRA 实践指南做模型开发最怕的不是算法设计，而是依赖地狱。LLM 生态更新极快，transformers、peft、torch 之间的接口变动经常导致老代码在新环境直接报错。我这次实践固定了以下版本组合，跑通了整个训练和推理流程：

打工仔折腾 AI

用 Dashlet 把极空间 NAS 服务入口整理成统一导航首页的实践我在极空间上陆陆续续跑了不少容器。最开始只有两三个，记 IP 加端口就行。后来变成七八个，再后来连我自己都要翻 Docker 列表才能想起来某个服务到底在哪个端口上。

打工仔折腾 AI

在线PDF工具隐私焦虑？把BentoPDF部署到极空间NAS本地处理最近整理内部技术评审材料时，遇到一个很实际的问题：很多团队习惯用网页版PDF上传工具做文档摘要和问答。交互确实快，但敏感条款、架构图和未公开的数据一旦离开内网，审计合规就成了隐患。我也不是第一次遇到这种需求，过去试过在本地服务器跑 RAG 流水线，或者用 Jupyter Notebook 写脚本批量提取文本。但这类方案对非开发角色不够友好，且维护成本随着文档量增加而线性上升。

打工仔折腾 AI

Spring AI + Qwen 周报生成实战：从原始日志到人工确认卡团队内部一直有个老问题：周五下午大家花大量时间拼凑周报。现有的 OA 系统只提供空白模板，填完还是得自己组织语言，最后交上去的内容往往流水账化，管理层也看不出实际产出。

打工仔折腾 AI

LangChain 工具调用实战：从 Tool 定义到 Agent 执行链路拆解很多人学 LangChain，第一个完整例子往往是 Agent：给几个 Tool，接上模型，一句 agent.invoke() 就出结果。跑通很快，但一旦工具报错、模型不调用工具、或者需要自己控制中间步骤，就会卡住。原因在于 Agent 把工具调用的完整链路包起来了，看不到里面发生了什么。

打工仔折腾 AI

Qt网络编程实战：UDP、TCP到HTTP的落地经验与选型前段时间在做一个桌面端的数据采集工具，需要同时干几件事：接收局域网内设备用 UDP 广播上来的状态、跟一台采集卡保持长连接收数据、还要定期去后端拉配置。这类需求用 Python 写，最直接的想法是 socket + requests + asyncio 拼起来。但工具本身是 Qt 写的界面，一旦把 asyncio 事件循环和 Qt 事件循环混在一起，调试成本就上来了。

打工仔折腾 AI

SQL 编辑器不是高级记事本：KStudio 与 KSQL Developer 的建表与增删改查手法KingbaseES 官方的客户端工具主要是 KStudio，KSQL Developer 是它较早期的一版图形化客户端，两者底层连的都是 KingbaseES(基于 PostgreSQL 内核)。日常做后端开发、写 Agent 里那套数据落库逻辑时，我大量时间都花在这两个工具里。用得久了发现一个现象：同一张表，有人三分钟建好，有人要对着报错改二十分钟；同样一条更新，有人先 SELECT 确认再 UPDATE，有人直接 UPDATE 然后靠事务回滚。

打工仔折腾 AI

鸿蒙端ToDesk远控电脑实测：蓝牙键鼠、双模式鼠标与跨端剪贴板实践手头有一台鸿蒙手机和一台常年开机的Windows主机。偶尔人在外面，需要临时改个配置、重启个服务、或者从电脑上取一份文件。之前用手机直接开远程桌面，最大的问题不是网络，而是操作：手指点一个像素级的按钮很难点准，敲一段命令更是折磨。

打工仔折腾 AI

极空间用 Docker 部署 Photopea：网页版 PS 的私有化实践我家里有一台极空间 Z4Pro，平时主要用来存照片、跑一些 Docker 小服务。修图的场景其实挺尴尬的：手机上拍完照想裁一下、调个色，装个 App 又嫌占空间；电脑上偶尔要处理素材，装个 GIMP 或者 PS 又太重，开机加载半天。

打工仔折腾 AI

鸿蒙版ToDesk远控实测：蓝牙键鼠、双模式鼠标与跨端剪贴板怎么用我平时的主力机器是一台 Windows 台式机，跑代码、开 Docker、挂长任务都在上面。但人不可能一直坐在桌前，有时候在客厅用平板看文档，突然想起来要改一行配置、重启一个服务，或者把手机上收到的一段文本贴到电脑的终端里。这种场景下，远程控制软件就成了刚需。

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。