前 DeepSeek V1 作者创业项目 Linger 曝光:开源本地个人 Agent
前 DeepSeek-VL 项目负责人 Tony Zhang 公布创业项目 Linger,一个开源、专为本地部署设计的个人 Agent。其核心是名为 Another Me 的 Agent 系统,每晚自动整理收件箱、日历和聊天记录为个人知识库,在 LoCoMo 长期记忆基准上准确率达 95%。
推荐理由:原文给出了Linger的本地部署路线和MoE分层存储方案,读者可了解消费级硬件运行百亿模型的实现思路。
前 DeepSeek-VL 项目负责人 Tony Zhang 公布创业项目 Linger,一个开源、专为本地部署设计的个人 Agent。其核心是名为 Another Me 的 Agent 系统,每晚自动整理收件箱、日历和聊天记录为个人知识库,在 LoCoMo 长期记忆基准上准确率达 95%。
推荐理由:原文给出了Linger的本地部署路线和MoE分层存储方案,读者可了解消费级硬件运行百亿模型的实现思路。
开源项目 Mika 是一个跑在安卓手机上的端侧 PhoneAgent,10 月 29 日开源后不到三周 GitHub Star 突破 8600,登上 trendshift Kotlin 仓库日榜和周榜第一。
推荐理由:原文讲清了免 Root 手机自动化的权限解法,无线调试配对加看屏幕的免适配思路可迁移到同类工具。
Simon Willison 发布了 Datasette Lite 的完整重写版本,改用 service worker 拦截页面请求,在浏览器中运行完整的服务端 Datasette,几乎与真实服务端应用无异。
推荐理由:作者用 service worker 加 Pyodide 证明了完整服务端 Python 应用可以纯浏览器运行,这套做法可迁移到其他 Python 应用的预览与调试。
llama.cpp 正式发布库 v1.0.0,同时 ggml 也发布 v1.0.0,标志着这一跨平台本地推理项目进入 API 稳定阶段。今后 llama.cpp 和 ggml 将通过主版本号反映公共 C API 和 ABI 的不兼容变更,并遵循语义化版本规则。
推荐理由:v1.0.0 明确了 API 和 ABI 稳定性承诺,依赖 llama.cpp 的下游应用可以据此规划升级与集成。
AWS 开源 UAEF,一个框架无关的 AI 智能体闭环评估系统。它通过适配器把 LangGraph、LangChain、Strands Agents、Amazon Bedrock AgentCore 等框架的执行轨迹归一为统一格式,再用 7 个维度共 36 项内置指标打分,结果存入 Amazon DynamoDB 与 Amazon S3 以支持跨版本比较和回归检测。
推荐理由:原文把框架无关的闭环评估拆成适配器、指标和实验对比三层,读者可照此思路搭建自己的智能体评测流水线。
阿里官宣发布 Qwen Code 1.0,将 Qoder 中打磨的 Harness 能力融入 Qwen Code,随 Qwen Code 1.0 Preview 一起开源,为开发者提供可嵌入自身产品的 Agent 运行基础。
推荐理由:原文把 Qwen Code 1.0 的架构演进和开放方式讲得较具体,开发者可据此判断是否将其 Agent 内核嵌入自身工作流。
NVIDIA 在 KubeCon 上宣布把开源智能体安全运行时 OpenShell 捐给 CNCF 成为 Sandbox 项目,并参与 Google 主导的 Agent Substrate 项目。
推荐理由:原文给出 OpenShell 交由社区治理的机制,以及 Snapshot 把推理就绪时间从约 8 分钟缩到 31 秒的实测数据,可用来对比现有 Kubernetes 方案。
美团发布 LongCat-2.5 的模型权重,这是一个总参数 1.6 万亿、每 token 激活约 480 亿的 MoE 智能体模型,完全在中国芯片上训练。
推荐理由:原文给出它与 Claude Opus 5、GPT-5.6 Sol 的多项基准对比,以及 194 颗华为芯片的自托管部署细节,读者可据此评估其工程可行性。
mattt 在 Hugging Face 博客发布两个开源 Swift 包 AnySpeechRecognizer 与 AnyDecisionModel,均可从 Hugging Face Hub 下载开源模型并在设备本地运行。
推荐理由:原文把两个 Swift 包的 API 设计、可选模型与基准数据列得较细,读者可据此评估能否在 Apple 端替换现有语音与决策方案。
百度发布并开源文心 Unlimited OCR 2,可连续解析 3600+ 页《哈利·波特》全集等超长文档。技术报告显示,其峰值 KV 缓存从 47GB 降至 1.77GB,减少约 96%;16 路并发下端到端吞吐量提升至标准解码的 3.65 倍。模型引入 SR-SWA 注意力机制与无限解码机制,已在 Hugging Face 和 GitHub 开源。
推荐理由:原文给出峰值KV缓存从47GB降至1.77GB的对比数据,可据此判断长文档OCR的部署成本变化。
小米内部创新团队孵化的开源AI硬件HachimoDock(哈基米机)硬件自制成本约150元,已在GitHub公开软件源码,并在嘉立创平台提供硬件物料清单、结构件模型及装配教程。它能以语音聊天形式把任务交给电脑端Agent执行,并通过xiaomi Miloco联动控制家中智能设备,还支持自定义桌宠外观与分钟级个性化组件创作。受这波热度影响,它所使用的开发板和屏幕等元器件至今仍面临涨价和缺货。
推荐理由:原文把这款开源AI硬件的能力和复刻方式讲得较清楚,读者可据此判断低成本AI硬件的玩法与门槛。
Hugging Face 推出 SimReady Central,汇集超过 2,000 个仿真就绪的 OpenUSD 资产,为机器人仿真和 AI 工厂数字孪生提供免费开放起点。
推荐理由:原文说明了 SimReady 资产如何补齐碰撞几何、质量与摩擦等物理属性,读者可据此把现成 3D 模型直接用于仿真工作流。
Google 宣布将 TorchTPU 作为开源项目发布,使现有 PyTorch 应用通过简单配置变更即可运行在 TPU 和 Google Cloud 上,无需改写代码。
推荐理由:原文并排对比了 Google 与 Amazon 两套 PyTorch 迁移方案,读者可据此判断云厂商如何松动 Nvidia 的硬件默认依赖。
DeepSeek 以 Apache License 2.0 开源内部推理框架 DeepInfer,它是支撑 V4.1-Flash 模型快速响应的推理服务软件。该框架基于 vLLM,提供优化计算内核、多芯片分布式处理和更快的文本生成技术;DeepSeek 同时发布 deepseek-recipe,用于复现官方 API 的 token 处理方式,使自托管环境表现一致。
推荐理由:DeepInfer 基于 vLLM 做内核与分布式优化,配合 deepseek-recipe 让自托管行为对齐官方 API,为降低推理成本提供了可直接复用的方案。
God's Eye View 是前 Google AR/3D 地图产品经理 Bilawal Sidhu 开源的浏览器级 OSINT 3D 地球控制台,MIT 协议,聚合 15 路公开实时信号,纯前端目标 60 帧渲染。
推荐理由:原文拆解了多源实时数据聚合的工程取舍,其去框架化架构与密钥代理治理思路可平移到其他地理可视化应用。
Anthropic 在 9 月初开源了 commerce-agents(Apache 2.0),包含面向顾客的导购 Agent 和面向商家员工的运营 Agent;作者读源码并在本地调用校验函数验证,结论是这套代码的重点不在 prompt 写法,而在把不能出错的事从模型手里拿走。
推荐理由:文章把仓库里可迁移的 Agent 安全设计整理成具体规则,读者可对照检查哪些事该写进代码而不是交给模型。
作者开源 AHP-ACP Gateway,让 VS Code Agent Window 成为通用入口,在同一界面里切换 GitHub Copilot、Claude Code、Codex CLI 等任何兼容 ACP 的 Agent。
推荐理由:原文讲清了用 AHP 与 ACP 两层协议把编辑器和 Agent 解耦的思路,读者可把这套协议设计迁移到自己的 Agent 集成工作。
清华大学 THUNLP 实验室联合面壁智能、OpenBMB 等团队开源智能体操作系统 PilotDeck 2.0,以 WorkSpace 工作舱隔离多项目文件、记忆与任务,记忆全链路白盒化,支持查看、修改、删除与一键回滚。
推荐理由:原文列出智能路由开启前后的费用与得分对比,读者可据此评估自己在复杂长任务中的模型编排策略。
10月17日 DeepSeek-V4.1-Flash-1017 上线,网页和 App 同步更新,API 价格保持不变,重点加强编程和工具任务能力。官方演示展示了从头开发赛车游戏、故宫3D场景和 Godot 游戏原型,DeepSWE v1.1 通过率从 74.2% 升到 77.0%,Terminal-Bench 4.0 从 31.2 升到 42.3。
推荐理由:原文把通过率提升、token 计费方式和接口价格放在一起,读者可以据此估算用新版完成编程任务的实际成本。
Impeccable 是 Paul Bakaus 创建的开源设计语言工具(Apache-2.0,81.3k Stars),用 59 条不依赖 LLM 的确定性检测规则加 Skill 命令驱动的 LLM 评审双轨机制,解决 AI 生成前端千篇一律的问题。
推荐理由:文章拆解了 Impeccable 把确定性规则与 LLM 评审分轨的架构,读者可把这套分工思路迁移到自己的 AI 工作流中。