Blum45
用戶暫無簡介
Blum45
10 大本地大型語言模型（LLMs）推薦
lbh，大家都厭倦為 AI 訂閱付出高額費用
本地模型是我們的救星
完全數據隱私 + 永不收取訂閱費
以下是頂尖選擇：
> GLM-5
目前最熱門的開源權重模型
精英級代碼 + 長上下文，但需要強大的 GPU
> MiniMax M2.5
為實際應用而打造
快速、穩健的工具使用，總是深思熟慮地回答
> Qwen3.5-27B
最佳單GPU模型
快速、誠實、出色的指令遵循
> Qwen3.5-397B-A17B
阿里巴巴旗艦
強大的推理 + 數學能力，與封閉模型相似
> DeepSeek V3.2
代碼高手
最先進的基準測試，廣泛用於代理配置
> Llama 4 Scout
超大上下文（10M）
最適合處理大型程式碼庫和文件
> Kimi-K2.5
1T MoE 巨型模型。精英推理能力，支援多種“高級”工具
> GPT-OSS 120B
OpenAI 開源權重模型
彈性推理，能在單個 80GB GPU 上運行
> GLM-4.7-Flash
最佳 24GB 代理模型
能從單一提示組合出複雜專案
> Qwen3-Coder-Next
專為開發流程設計
適合多檔案編輯 + 代理程式碼撰寫
查看原文lbh，大家都厭倦為 AI 訂閱付出高額費用
本地模型是我們的救星
完全數據隱私 + 永不收取訂閱費
以下是頂尖選擇：
> GLM-5
目前最熱門的開源權重模型
精英級代碼 + 長上下文，但需要強大的 GPU
> MiniMax M2.5
為實際應用而打造
快速、穩健的工具使用，總是深思熟慮地回答
> Qwen3.5-27B
最佳單GPU模型
快速、誠實、出色的指令遵循
> Qwen3.5-397B-A17B
阿里巴巴旗艦
強大的推理 + 數學能力，與封閉模型相似
> DeepSeek V3.2
代碼高手
最先進的基準測試，廣泛用於代理配置
> Llama 4 Scout
超大上下文（10M）
最適合處理大型程式碼庫和文件
> Kimi-K2.5
1T MoE 巨型模型。精英推理能力，支援多種“高級”工具
> GPT-OSS 120B
OpenAI 開源權重模型
彈性推理，能在單個 80GB GPU 上運行
> GLM-4.7-Flash
最佳 24GB 代理模型
能從單一提示組合出複雜專案
> Qwen3-Coder-Next
專為開發流程設計
適合多檔案編輯 + 代理程式碼撰寫
- 打賞
- 3
- 留言
- 轉發
- 分享
如何打造真正有效的 AI 提示
你請一個大型語言模型（LLM）產出高品質報告
結果卻得到充滿專家信心的文字
但內容卻完全是胡扯
熟悉嗎？
因此，為了避免這種情況，你需要理解
以下這些基本點：
> “聰明但不可靠” 的助手問題
LLM 的輸出20%來自模型，80%來自你如何構建提示
提示工程——就是純粹的自然語言計算控制
所以，為了獲得高質量的輸出，你需要停止與模型閒聊，開始編程它
> AI 幻覺——不充分指令的指標
為了確保有根據，請使用以下技巧：
- 設定明確的預期
- 限制輸出 (設定嚴格界限)
- 要它自己驗證/檢查自己 (自我事實核查)
> 框架——“藍圖”用於 AI
前三名：
- RACE (角色、行動、背景、預期)
快速、簡單，適合日常使用
- STOKE (情境、任務、目標、知識、範例)
適用於深度工作和專門領域
- CRISPE (能力、洞察、陳述、個性、實驗)
創意、假設測試與風格控制
LLMs 更擅長這些結構
因此，輸出結果會更接近你真正想要的
不要用無意義的重複提示來複雜化你的 AI 使用
掌握基本技巧，從 LLMs 獲得高品質、理想的輸出
查看原文你請一個大型語言模型（LLM）產出高品質報告
結果卻得到充滿專家信心的文字
但內容卻完全是胡扯
熟悉嗎？
因此，為了避免這種情況，你需要理解
以下這些基本點：
> “聰明但不可靠” 的助手問題
LLM 的輸出20%來自模型，80%來自你如何構建提示
提示工程——就是純粹的自然語言計算控制
所以，為了獲得高質量的輸出，你需要停止與模型閒聊，開始編程它
> AI 幻覺——不充分指令的指標
為了確保有根據，請使用以下技巧：
- 設定明確的預期
- 限制輸出 (設定嚴格界限)
- 要它自己驗證/檢查自己 (自我事實核查)
> 框架——“藍圖”用於 AI
前三名：
- RACE (角色、行動、背景、預期)
快速、簡單，適合日常使用
- STOKE (情境、任務、目標、知識、範例)
適用於深度工作和專門領域
- CRISPE (能力、洞察、陳述、個性、實驗)
創意、假設測試與風格控制
LLMs 更擅長這些結構
因此，輸出結果會更接近你真正想要的
不要用無意義的重複提示來複雜化你的 AI 使用
掌握基本技巧，從 LLMs 獲得高品質、理想的輸出
- 打賞
- 2
- 留言
- 轉發
- 分享
Claude - 最快速的領導權爭奪者
並非所有人都理解 Anthropic 在 AI 競賽中有多麼優勢
這些瘋狂的傢伙在短短 52 天內完成了 72 個版本發布
而且，其中許多都是絕對傑作
主要的幾個：
> 模型和核心平台
- Opus 4.6：升級的旗艦版本，擁有 1M 上下文
- Sonnet 4.6：能力強的中階模型升級
- Fast Opus 4.6：實驗性超快旗艦版本，速度快 2.5 倍
- 1M 上下文：付費計劃的海量上下文
> 開發者工具
- 代理團隊：用於複雜任務的並行代理
- 自動模式：具有安全防護的自主權限決策
- 代碼審查：多代理並行漏洞檢測
- 語音模式：按鍵通話語音命令
- 安全性：自動代碼庫漏洞掃描
> 桌面自動化
- 電腦使用：直接鼠標和鍵盤控制
- Cowork 分發：持久的全天候後台代理
- Windows 版 Cowork：完整的桌面應用程式功能
- 排程任務：重複自動化任務執行
> 集成和企業
- 互動圖表：可編輯的視覺數據圖表
- Figma MCP：直接原型導出到 Figma
- PowerPoint 中的 Claude：AI 投影片建立工具
- 企業市場：精選的內部 AI 插件目錄
你認為 OpenAI 現在有多緊張？
查看原文並非所有人都理解 Anthropic 在 AI 競賽中有多麼優勢
這些瘋狂的傢伙在短短 52 天內完成了 72 個版本發布
而且，其中許多都是絕對傑作
主要的幾個：
> 模型和核心平台
- Opus 4.6：升級的旗艦版本，擁有 1M 上下文
- Sonnet 4.6：能力強的中階模型升級
- Fast Opus 4.6：實驗性超快旗艦版本，速度快 2.5 倍
- 1M 上下文：付費計劃的海量上下文
> 開發者工具
- 代理團隊：用於複雜任務的並行代理
- 自動模式：具有安全防護的自主權限決策
- 代碼審查：多代理並行漏洞檢測
- 語音模式：按鍵通話語音命令
- 安全性：自動代碼庫漏洞掃描
> 桌面自動化
- 電腦使用：直接鼠標和鍵盤控制
- Cowork 分發：持久的全天候後台代理
- Windows 版 Cowork：完整的桌面應用程式功能
- 排程任務：重複自動化任務執行
> 集成和企業
- 互動圖表：可編輯的視覺數據圖表
- Figma MCP：直接原型導出到 Figma
- PowerPoint 中的 Claude：AI 投影片建立工具
- 企業市場：精選的內部 AI 插件目錄
你認為 OpenAI 現在有多緊張？
- 打賞
- 3
- 3
- 1
- 分享
Netcafe:
走吧:查看更多
Good Stake -> 生產力代理
許多人認為AI代理只是一個寫得很好的提示
但除此之外，選擇適當的代理組件非常重要：
> LLM
> 工具
> 記憶
> 觸發器
> 反饋循環
不是單一點 - 代理只是一個空洞的談話者
1. LLM：推理引擎
這部分定義了目標、行動方向和執行設計。
但LLM本身不會自動訪問你的系統、保持穩定的背景或在現實世界中採取行動
這就是為什麼「只是使用GPT」與建構代理不同
2. 工具：執行層
它是代理的雙手，這一層將思想轉化為行動
你的代理可以使用工具檢查數據、發送消息等
但沒有工具，AI代理只是一個文本生成系統
3. 記憶：背景層
它使你的代理隨時間保持一致
這可能包括用戶偏好、文本輸出的方案和風格等
但記住：不要將你的記憶用作筆記本紙
這個策略只會讓你付出性能代價，使你的輸出令人困惑
4. 觸發器：喚醒的決定
一個好的代理不需要一直運行
它應該通過發生的事件讓自己甦醒
這個策略比輪詢系統效果好得多
5. 反饋循環：改進過程
生產力代理不只是反應 – 它隨著時間的推移而改進
即它的輸出被檢查、錯誤被突出顯示並糾正為提示、工具、記憶或評估
查看原文許多人認為AI代理只是一個寫得很好的提示
但除此之外，選擇適當的代理組件非常重要：
> LLM
> 工具
> 記憶
> 觸發器
> 反饋循環
不是單一點 - 代理只是一個空洞的談話者
1. LLM：推理引擎
這部分定義了目標、行動方向和執行設計。
但LLM本身不會自動訪問你的系統、保持穩定的背景或在現實世界中採取行動
這就是為什麼「只是使用GPT」與建構代理不同
2. 工具：執行層
它是代理的雙手，這一層將思想轉化為行動
你的代理可以使用工具檢查數據、發送消息等
但沒有工具，AI代理只是一個文本生成系統
3. 記憶：背景層
它使你的代理隨時間保持一致
這可能包括用戶偏好、文本輸出的方案和風格等
但記住：不要將你的記憶用作筆記本紙
這個策略只會讓你付出性能代價，使你的輸出令人困惑
4. 觸發器：喚醒的決定
一個好的代理不需要一直運行
它應該通過發生的事件讓自己甦醒
這個策略比輪詢系統效果好得多
5. 反饋循環：改進過程
生產力代理不只是反應 – 它隨著時間的推移而改進
即它的輸出被檢查、錯誤被突出顯示並糾正為提示、工具、記憶或評估
- 打賞
- 按讚
- 留言
- 轉發
- 分享
3 個 AI 代理的常見錯誤 + 解決方案
先解決這些問題 -> 否則它們會困擾你
所以，提前修復：
1. 無限工具調用 - 資源耗盡，甚至你還不知道 (Ralph Loop)
agent 呼叫工具，失敗，重複重啟直到崩潰
> 修復：設定限制 + 超時
2. 中途遺忘 - agent 有健忘症
agent 採取一個步驟，忘記前一個，失去重點
> 修復：Redis/JSON 記憶體存儲，具有清晰的架構
3. 沉默的錯誤 - 災難堆積
agent 收到錯誤，忽略，持續累積錯誤，崩潰。
用戶完全不知道去哪裡找到問題
> 修復：審計日誌記錄每一步 + 回滾
狀態 + 限制 + 日誌 = 成功的 agent 結構
查看原文先解決這些問題 -> 否則它們會困擾你
所以，提前修復：
1. 無限工具調用 - 資源耗盡，甚至你還不知道 (Ralph Loop)
agent 呼叫工具，失敗，重複重啟直到崩潰
> 修復：設定限制 + 超時
2. 中途遺忘 - agent 有健忘症
agent 採取一個步驟，忘記前一個，失去重點
> 修復：Redis/JSON 記憶體存儲，具有清晰的架構
3. 沉默的錯誤 - 災難堆積
agent 收到錯誤，忽略，持續累積錯誤，崩潰。
用戶完全不知道去哪裡找到問題
> 修復：審計日誌記錄每一步 + 回滾
狀態 + 限制 + 日誌 = 成功的 agent 結構
- 打賞
- 2
- 留言
- 轉發
- 分享
如何在3分鐘內創建OpenClaw技能
技能是高品質AI代理的關鍵部分
你不能沒有它們，且自定義技能通常是必不可少的
安全第一：在生產使用前務必在本地測試
1. 創建目錄
範例 ( 在終端輸入 )：
| mkdir -p ~/.openclaw/workspace/skills/skill_name
這是存放所有技能相關數據的地方
2. SKILL·md ( LLM指令 )
關鍵在於正確表達所需的LLM行動的本質
此文件使用YAML前置標記來存放元數據，Markdown用於指令
重要：
> 使其可執行、具體且簡潔
> 提及具體工具
- 你可以在前置標記中定義自定義工具 (（可選） )
> 解釋該做什麼以及如何反應
錯誤範例：
向世界打招呼
正確範例：
---
name: hello_world
description: 一個簡單的技能，用來打招呼。
---
當用戶請求打招呼時，使用echo工具說“來自你的自定義技能的你好！”
3. 刷新OpenClaw
請求你的代理“刷新技能”或手動重啟網關
OpenClaw將識別新目錄和技能
查看原文技能是高品質AI代理的關鍵部分
你不能沒有它們，且自定義技能通常是必不可少的
安全第一：在生產使用前務必在本地測試
1. 創建目錄
範例 ( 在終端輸入 )：
| mkdir -p ~/.openclaw/workspace/skills/skill_name
這是存放所有技能相關數據的地方
2. SKILL·md ( LLM指令 )
關鍵在於正確表達所需的LLM行動的本質
此文件使用YAML前置標記來存放元數據，Markdown用於指令
重要：
> 使其可執行、具體且簡潔
> 提及具體工具
- 你可以在前置標記中定義自定義工具 (（可選） )
> 解釋該做什麼以及如何反應
錯誤範例：
向世界打招呼
正確範例：
---
name: hello_world
description: 一個簡單的技能，用來打招呼。
---
當用戶請求打招呼時，使用echo工具說“來自你的自定義技能的你好！”
3. 刷新OpenClaw
請求你的代理“刷新技能”或手動重啟網關
OpenClaw將識別新目錄和技能
- 打賞
- 2
- 留言
- 轉發
- 分享
剛剛賣掉MacBook來買入另一個低點
耳機和書桌是下一個
有沒有更聰明的方法來在這個市場中生存？
查看原文耳機和書桌是下一個
有沒有更聰明的方法來在這個市場中生存？
- 打賞
- 按讚
- 留言
- 轉發
- 分享
