Awesome DESIGN.md：AI 时代的像素级 UI 设计系统

"本地LLM" "AI开发" categories: "人工智能" "技术教程" Ollama 与 MLX：在 Apple Silicon 上本地运行大语言模型的全新体验 最近在模型调用经常遇到限流问题，导致任务频繁失败，模型商的coding plan价格实在是不便宜，于是准备在本地mac部署ollama的小模型，然后给任务能力要求不高的场景使用。 标签：#AppleSilicon #MLX #Ollama #本地LLM# #AI开发 我本地部署以Qwen微调的模型为主，毕竟内存有限 1. 背景 在过去两年里，本地大语言模型（LLM）在开发者社区迅速兴起。 LM Studio 通过 GGUF、MLX 等格式让 Mac 用户能够离线跑模型。 Ollama 则以轻量的 CLI / API 为核心，强调易于集成的开发者体验。 2024 年 Apple 推出 MLX 框架后，Ollama 在 2026 年完成了对 MLX 的深度集成，并针对 M5 系列（M5、M5 Pro、M5 Max） 进行专门优化，配合 NVFP4 量化格式，显著提升了在 Apple Silicon 上的推理性能与效率。 2. 什么是 MLX？ 特性 说明 Python‑first import mlx 即可使用，无需写 Metal 代码。 硬件感知 自动在 CPU、GPU、Apple Neural Engine 之间调度。 即时编译 JIT 编译把算子映射到 Metal GPU/Neural Engine，延迟低、内存占用小。 模型兼容 支持 ONNX、PyTorch (torch.save) 与 Core ML (.mlmodel)。 微调 API mlx.train、mlx.optim 等高层 API，适合设备端微调。 隐私本地化 所有计算均在本机完成，数据不离网。 示例（在 macOS 终端） ...

本文对 OpenClaw 工作空间中已安装的 Skills 做脱敏整理，所有敏感信息（如 API Key、真实仓库地址）都使用 <<PLACEHOLDER>> 占位。 目录 本地安装 Skills（~/.openclaw/skills/） Workspace Skills（~/.openclaw/workspace/skills/） 核心 Skills 详解 安装工具推荐（ClawHub CLI） 最佳实践与安全建议 本地安装 Skills（11 个） 编号 Skill 名称 安装方式 关键功能 1 api-gateway git clone <<REPO_URL>> ~/.openclaw/skills/api-gateway API 网关，统一转发、限流、鉴权 2 auto-updater git clone <<REPO_URL>> ~/.openclaw/skills/auto-updater 自动检查并更新 OpenClaw 与 Skills 3 finance-news finance-news setup 或 git clone <<REPO_URL>> ~/.openclaw/skills/finance-news && pip install feedparser AI 驱动市场新闻简报 4 install-opend git clone <<REPO_URL>> ~/.openclaw/skills/install-opend 自动安装/升级富途、moomoo OpenD 5 ontology-kb git clone <<REPO_URL>> ~/.openclaw/skills/ontology-kb 本体知识库与结构化关系管理 6 openapi git clone <<REPO_URL>> ~/.openclaw/skills/openapi + pip install moomoo-api（或 futu-api） 富途/moomoo OpenAPI（行情与交易） 7 rss-reader git clone <<REPO_URL>> ~/.openclaw/skills/rss-reader && pip install feedparser RSS 订阅、过滤与摘要 8 self-improving git clone <<REPO_URL>> ~/.openclaw/skills/self-improving 错误捕获与改进建议 9 skill-finder-cn git clone <<REPO_URL>> ~/.openclaw/skills/skill-finder-cn 中文关键词搜索与安装推荐 10 whisper-stt pip install faster-whisper 或 git clone <<REPO_URL>> ~/.openclaw/skills/whisper-stt 本地离线语音转文字 11 yfinance pip install yfinance 或 git clone <<REPO_URL>> ~/.openclaw/skills/yfinance Yahoo Finance 行情与财务数据 Workspace Skills（11 个） 编号 Skill 名称 安装方式 关键功能 1 akshare-stock pip install akshare 或 git clone <<REPO_URL>> ~/.openclaw/workspace/skills/akshare-stock A 股行情、财务与量化指标 2 automation-workflows git clone <<REPO_URL>> ~/.openclaw/workspace/skills/automation-workflows Zapier/Make/n8n 自动化流程 3 caveman git clone <<REPO_URL>> ~/.openclaw/workspace/skills/caveman 高压缩沟通模式，节省 token 4 clawfeed-2 git clone <<REPO_URL>> ~/.openclaw/workspace/skills/clawfeed-2 && pip install feedparser RSS 聚合器 v2 5 clawfeed-3 git clone <<REPO_URL>> ~/.openclaw/workspace/skills/clawfeed-3 && pip install feedparser RSS 聚合器 v3（增强版） 6 multi-search-engine git clone <<REPO_URL>> ~/.openclaw/workspace/skills/multi-search-engine 多搜索引擎聚合与高级检索 7 ontology git clone <<REPO_URL>> ~/.openclaw/workspace/skills/ontology && pip install networkx 类型化知识图谱 8 openclaw-tavily-search git clone <<REPO_URL>> ~/.openclaw/workspace/skills/openclaw-tavily-search && pip install tavily-python Tavily 搜索接入 9 self-improving git clone <<REPO_URL>> ~/.openclaw/workspace/skills/self-improving 错误回放与流程改进 10 self-improving-agent git clone <<REPO_URL>> ~/.openclaw/workspace/skills/self-improving-agent 自我反思、自学习与记忆组织 11 tavily-search git clone <<REPO_URL>> ~/.openclaw/workspace/skills/tavily-search && pip install tavily-python Tavily AI 搜索 核心 Skills 详解 openapi（富途/moomoo 交易 API） 安装：git clone <<REPO_URL>> ~/.openclaw/skills/openapi && pip install moomoo-api 能力：行情 API、交易 API、实时推送 Handler 安全建议：默认使用模拟盘（TrdEnv.SIMULATE），实盘必须手动解锁交易密码 # 查询 AAPL 快照 python skills/openapi/scripts/quote/get_snapshot.py US.AAPL # 查询腾讯日 K（最近 10 条） python skills/openapi/scripts/quote/get_kline.py HK.00700 --ktype 1d --num 10 finance-news（AI 新闻简报） 覆盖美股、欧洲、日经等市场 支持中英文摘要、定时推送与多渠道分发 finance-news briefing --morning finance-news market finance-news news AAPL multi-search-engine（多搜索引擎聚合） 中文与全球搜索引擎统一入口 支持站内搜索、时间过滤、文件类型搜索 # 站内搜索 web_fetch({"url": "https://www.google.com/search?q=site:github.com+react"}) # 最近一周 web_fetch({"url": "https://www.google.com/search?q=ai+news&tbs=qdr:w"}) ontology（类型化知识图谱） 实体类型：Person、Project、Task、Event、Document 支持关系约束、语义检索与跨 Skill 状态共享 常见触发词：remember、link X to Y、show dependencies clawfeed-2 / clawfeed-3（RSS 聚合器） clawfeed-2：多源 RSS、AI 摘要、自动推送 clawfeed-3：在 v2 基础上优化性能、增强分析和配置能力 self-improving / self-improving-agent 捕获失败、归因分析、自动生成改进方案 Agent 版支持反思与记忆组织 whisper-stt（本地语音转文字） 离线运行、无需 API Key、支持多格式音频 whisper-stt transcribe --file audio.mp3 --output text.txt yfinance（Yahoo Finance 数据） 提供实时/历史行情、公司财务、加密资产等数据 python -c "import yfinance as yf; print(yf.Ticker('AAPL').info['regularMarketPrice'])" 安装工具推荐：ClawHub CLI npm i -g clawhub clawhub search "stock analysis" clawhub install openapi clawhub update --all clawhub list 默认注册表：https://clawhub.com 支持版本安装：clawhub install <skill> --version 1.2.3 最佳实践与安全建议 脱敏发布：文档与代码示例统一使用占位符。 最小权限：只授予技能必要权限，启用 sandbox。 定期审计：检查过期技能并及时更新。 安全配置：开启签名校验和沙盒隔离。 日志监控：长期观察技能异常行为。 免责声明：本文仅做技术参考，示例均已脱敏，请按实际安全策略配置生产环境。 ...

可信 AI 代理落地实战——Anthropic《Trustworthy agents in practice》解读，4层安全体系保障业务场景安全 "AI agents 已从简单问答工具进化为能自主执行代码、管理文件、跨应用完成任务的系统。" ——Anthropic 官方博客 1️⃣ 什么是"可信 AI 代理" AI 代理（Agent）已不再是单纯的聊天机器人，而是 模型 + Harness + Tool + Environment 四层体系的有机组合【原文】： 组件 作用 模型 提供推理与决策能力 Harness（指令护栏） 安全约束、行为边界 Tool 代码编辑、文件管理、API 调用等外部能力 Environment 工作空间、运行时隔离、资源限制 这四层缺一不可，才能在真实业务场景中保证 可控性 与 安全性。 2️⃣ Plan Mode：从"逐步确认"到"一键批准" 传统方式下，用户需要对每一步操作都进行确认，导致 频繁中断、低效。 Plan Mode 则让代理 提前展示完整执行计划，用户可一次性审阅、编辑并批准，随后自动执行。 "用户可预先查看并批准整个执行计划而非逐个确认。"【原文】 这种 计划‑先‑批准‑后执行 的模式，显著提升生产力，同时保留了人类的最终决策权。 3️⃣ 不确定性处理：Pause‑Ask（暂停询问） Anthropic 在模型训练阶段强化了"先停下来再行动"的本能，使其在面对不确定时优先 暂停询问，而非自行猜测。 • 错误示例："我不确定这个文件是什么，但先删除试试。" • 正确示例："我不确定这个文件是否重要，删除前请确认：可以删除吗？" "模型在面对不确定性时的正确行为是暂停询问，而非擅自行动。"【原文】 这正是 Human‑in‑the‑Loop 的关键一步，防止了误删、误改等安全事故。 4️⃣ 多层防线：Prompt Injection 防御 Prompt Injection 是通过隐藏在内容中的恶意指令劫持模型的主要威胁。Anthropic 采取 纵深防御（defense‑in‑depth） 策略，分层防护： ...

基于OpenClaw多agent的多源数据源采集、加工和可视化平台 1.在信息爆炸的时代，监控多个数据源（新闻、社交媒体、价格行情、系统日志）往往需要写大量重复的爬虫代码，而且数据重复、难以统一管理。本文分享如何用 OpenClaw 编排多个 AI Agent 自动采集异构数据，借助 Qdrant 向量去重避免噪音，用 PostgreSQL 持久化保证数据可靠性，最后通过 Vue 看板统一展示; 2.多源消息是后续数据加工和方案决策的先行必备要求。 架构设计和技术选型 OpenClaw 的核心是 Orchestrator 模式里定义多个 Agent，Orchestrator 负责任务分发、并发控制和结果汇聚，每个agent负责采集不同类型或者不同数据源； Gin 作为所有 Agent 的数据入口，负责接收上报、触发去重流程、写入数据库。 这是整个系统最有意思的部分。传统去重用 URL 哈希或标题哈希，但对于"同一事件被不同媒体报道"这类情况完全失效。语义去重相比 URL 哈希的优势在于：同一热点事件被 10 家媒体转载，传统方式会入库 10 条，语义去重后只保留第一条，信息密度大幅提升Qdrant 的向量相似度检索可以做到语义级去重。 Postgres处理数据的持久化存储和索引查询； Vue是PC端和移动端查看数据流的不二选择； 快速测试验证原型 4 个 Agent 共采集原始数据约 3,200 条 Qdrant 语义去重后实际入库 1,180 条，去重率约 63% 单次去重检索延迟（含 Embedding 生成）平均 ~180ms PostgreSQL 写入 TPS 峰值约 300 条/秒，完全满足需求 体验信息流页面 体验AI汇聚信息的地址：https://info.vi-wealth.com/information 谢谢关注收藏 ⏰ 刚刷到的朋友注意啦！ 点击【关注】锁定宝藏库，从此升职加薪不迷路 ✨ ...

"如果要支持消费者级别的 Agent，每个用户有多个 Agent，每个 Agent 都写代码，容器是不够的。我们需要更轻量的东西。" — Kenton Varda, Cloudflare 引言：AI Agent 的代码执行困境 AI Agent 正在改变软件开发的方式。从简单的工具调用到自主编写代码执行任务，Agent 的能力边界不断拓展。但这里有一个核心问题：AI 生成的代码在哪里执行？ 直接 eval()？不行——恶意用户可以诱导 AI 注入漏洞。 用容器？太重——启动慢、内存大、需要预热。 Cloudflare 在 2026 年 3 月给出的答案是 Dynamic Workers：基于 Isolate 的轻量级沙箱，比容器快 100 倍，内存效率高 10-100 倍。 本文将深入解析 Dynamic Workers 的技术原理、架构设计、实际应用和最佳实践。 一、问题溯源：为什么容器不够用？ 1.1 传统容器方案的技术瓶颈 容器（Docker、containerd 等）是目前最主流的代码隔离方案。但在 AI Agent 场景下，它存在根本性问题： 问题 技术原因 实际影响 启动慢 需要启动完整 Linux 用户空间、初始化进程树、加载运行时 300-500ms 冷启动 内存大 每个容器需要独立的内核命名空间、文件系统层 100-300MB/容器 需要预热 冷启动延迟不可接受，必须保持池化 成本增加、资源浪费 安全妥协 预热池复用容器，破坏隔离性 安全风险 1.2 规模化困境的计算 假设一个消费者级 AI 应用： ...

没有一句废话，都是实战干货，看懂少走弯路。 一、领导力核心：能力决定用人风格 "能力越强，越有野心的领导，越讲究唯才是举。能力越平庸，越求稳的领导，越讲究忠诚。" 这是刘强东在内部管理培训中最核心的观点之一。他直接点破了传统管理学的一个误区——不是每个老板都适合"用人不疑"。 有本事的老板 vs 没本事的老板 有本事的老板敢用有能力的人（哪怕有野心） 因为他们镇得住场子 因为他们有足够的格局和手腕 因为他们自信能驾驭各种人才 没本事的老板只敢用忠诚但能力一般的人 因为害怕被能人取代 因为没有信心驾驭强势的下属 因为担心失去控制权 本质：驾驭能力强的下属需要更强的个人能力 刘强东举了一个经典案例：李世民为什么什么人都敢用？ 降将？敢用 外族？敢用 世家门阀？敢用 不是因为李世民傻，而是因为他不怕，他自信，他本身的能力够强。 这就是领导力的本质——你的格局和能力，决定了你能用什么样的人。 二、管理机制：别想着"驾驭"人，要设计"制衡"制度 "领导千万不要想着自己驾驭下属，因为个人的擅长领域是有限的，你需要的下属能力各种各样，你总有不如人家的，老想驾驭就必定有驾驭不了的。" 这是刘强东管理思想中最颠覆认知的观点。 传统管理学的误区 传统管理学教你： 如何提升领导力 如何与下属沟通 如何激励员工 如何用人所长的 但刘强东说：这些都治标不治本。 核心观点：三步走 1. 设计机制 > 个人操控 不要试图去做一个"全能型"的领导，你不可能在每个领域都比下属强。 正确的做法是：建立制度，让下属互相制衡。 2. 用人互相竞争 让各类人才相互竞争： 不能让任何人形成朋党 不能让某个人或团队垄断资源 让每个人都有危机感 3. 平衡艺术 唯才是举的同时，也要用"忠诚而能力一般的人"防止一方独大。 就像古代帝王一样：重用能臣，但也要扶持制衡的力量。每个人都能表现，但都不能独占权力。 三、京东管理机制：八项规定 + 三大工作方法 京东人事管理"八项规定" 京东内部有系统的**《人事管理八项规定》**，这是东哥多年经验的制度化总结，覆盖了人力资源的方方面面： 规定 内容 1. 选人标准 价值观第一，能力第二 2. 育人机制 培训体系，成长通道 3. 考核制度 量化指标，公平公正 4. 晋升规则 赛马机制，能者上 5. 淘汰机制 末位淘汰，不养闲人 6. 激励机制 物质+精神，双重驱动 7. 轮岗制度 培养全面人才 8. 文化建设 价值观统一 "大组织管理规则，实用，一生谨记！！！" ...

「Pi ships with powerful defaults but skips features like sub agents and plan mode.」 — Mario Zechner 引言 在 AI Agent 领域，Claude Code、Cursor、Windsurf 等工具往往内置了大量功能——MCP、Sub-agent、Plan Mode、权限弹窗等。然而，有一个项目反其道而行之：只带 4 个默认工具，却获得了 23,000+ Stars。这就是 Pi。 本文基于 Pi 官方源码（badlogic/pi-mono），深入解析其架构设计与技术实现。 一、Pi 是什么？ Pi 是一个终端编码 Agent 工具包，由独立开发者 Mario Zechner（@badlogic）开发和维护。 npm install -g @mariozechner/pi-coding-agent pi 项目信息 GitHub badlogic/pi-mono Stars 23,391 语言 TypeScript 定位 Minimal terminal coding harness 核心理念 "Pi is aggressively extensible so it doesn't have to dictate your workflow." ...

OpenClaw: 配置多agent全团队一起干活！ 🦞单个 Agent 处理多类任务会带来非常严重的记忆负担，导致巨额token开销，单独agent应该处理特定类型工作而不是各种杂七杂八的工作全部都要干！ 🐳系统复杂度提高：各自agent处理不同类型的任务，分工明确、职能分化。有独立的记忆、技能和工作空间 每个助手对应不同的agent，分工明确，干活不累 关键词：#openclaw #glm #minimax #龙虾 #多agent 参考文档： OpenClaw 多 Agent 架构配置指南 - 把这份文档发给你的 OpenClaw，它会引导你选择最适合的多 Agent 架构配置 OpenClaw 多 Bot 团队协作教程 - 开发调优 - LINUX DO 新增agent 命令说明 openclaw agents add --workspace 工作空间路径 新Agent的名称（ID） ℹ️ 说明：命令参数说明： • --workspace：指定独立的数据空间路径，建议格式为 /root/.openclaw/workspace-{} • 新Agent的名称（ID） • --model：如果需要使用自定义模型，可以添加此参数并填写模型 ID，否则将使用默认模型 演示如下： ~/.openclaw » openclaw agents add --workspace ~/.openclaw/workspace-coder coder ~/.openclaw » openclaw agents list gudaixin@Mac 🦞 OpenClaw 2026.3.8 (3caab92) — Somewhere between 'hello world' and 'oh god what have I built.' │ ◇ Doctor warnings ──────────────────────────────────────────────────────────────────────────╮ │ │ │ - channels.telegram.groupPolicy is "allowlist" but groupAllowFrom (and allowFrom) is │ │ empty — all group messages will be silently dropped. Add sender IDs to │ │ channels.telegram.groupAllowFrom or channels.telegram.allowFrom, or set groupPolicy to │ │ "open". │ │ │ ├────────────────────────────────────────────────────────────────────────────────────────────╯ Agents: - main (default) Identity: 🦔 OpenClaw CEO (IDENTITY.md) Workspace: ~/.openclaw/workspace Agent dir: ~/.openclaw/agents/main/agent Model: minimax-portal/MiniMax-M2.5 Routing rules: 0 Routing: default (no explicit rules) - coder Workspace: ~/.openclaw/workspace-coder Agent dir: ~/.openclaw/agents/coder/agent Model: minimax-portal/MiniMax-M2.5 Routing rules: 0 配置telegram bot 对应不同agent，并安全检查 ...

OpenClaw v2026.3.7-beta.1 核心更新总结 OpenClaw超级crazy的版本更新，解决了很多我在使用过程中遇到的问题，以下是相关主要更新要点： 发布信息：89 项代码提交 · 200+ Bug 修复 · 5 大核心功能 发布人：Peter Steinberger 版本标签：v2026.3.7-beta.1 更新说明原文：Release openclaw 2026.3.7-beta.1 · openclaw/openclaw 一、双引擎模型适配 关键词：GPT-5.4 · Gemini 3.1 Flash · 模型路由器 · 自动降级 关键词 功能说明 GPT-5.4 OpenAI 最新旗舰模型，首发适配，能力全面提升 Gemini 3.1 Flash Google 高速推理模型，低延迟优先场景首选 模型路由器 前端对接聊天工具，后端灵活挂载 Claude / GPT / Gemini / DeepSeek 等任意大模型，按需切换 自动降级 某模型限流或过载时，系统自动切换到备选模型，不报错、不中断用户体验 二、ContextEngine 插件接口（重磅） 关键词：生命周期钩子 · 零阻碍接入 · 上下文压缩 · 子智能体隔离 关键词 功能说明 生命周期钩子 开放 bootstrap（初始化）/ ingest（注入）/ assemble（组装）/ compact（压缩）/ afterTurn（回合后处理）等全流程接口 零阻碍接入 无需修改 OpenClaw 核心代码，直接插入自定义上下文处理逻辑，换策略如换插件 上下文压缩 支持 RAG、激进压缩等任意策略，解决对话轮次增多后 Token 爆炸与关键信息丢失的两难困境 子智能体隔离 不同子任务拥有独立记忆空间，互不污染，prepareSubagentSpawn / onSubagentEnded 接口已就绪 意义：ContextEngine 将 OpenClaw 从一个工具升级为一个平台，是本次更新最核心的架构变化。 ...