跳到主要内容

Journal

6 篇笔记 · 6 个实验

工程日志

记录经过实践后仍然成立的判断,也公开正在测试、构建与运行中的工程实验。

三条持续写作的主线。

  1. 01

    Local-first Systems

    让数据边界成为主动选择

    讨论本地模型、分层路由、隐私边界,以及什么时候不应该使用本地方案。

  2. 02

    Operating Intelligence

    先统一经营语言,再建设系统

    从指标口径、数据治理到经营 Dashboard,记录数字化项目中长期有效的推进顺序。

  3. 03

    AI Engineering

    把模型与 Agent 放进真实工作流

    关注可复现评测、状态管理、失败恢复和人工边界,而不是一次性的演示效果。

记录过程,
也公开判断。

不做信息搬运,只记录经过真实任务、工具选择与长期使用后仍然成立的结论。

AI 工程 1 分钟阅读

AI Agent 不是聊天框,而是一条可恢复的工作流

把 Agent 从演示带进真实工作,需要设计状态、检查点、失败恢复和人工接管,而不只是换一个更强模型。

  • #AI Agent
  • #工作流
  • #可靠性
数字化转型 1 分钟阅读

为什么指标体系必须先于 Dashboard

好的经营看板不是从图表开始,而是从指标定义、责任人和追溯路径开始。

  • #指标体系
  • #Dashboard
  • #数据治理
本地 AI 1 分钟阅读

什么时候不该使用本地模型

本地优先是一种数据边界策略,不是部署执念。知道什么时候不用本地模型,和知道怎样部署它同样重要。

  • #本地AI
  • #模型路由
  • #工程边界
本地 AI 1 分钟阅读

为什么我坚持本地优先的 AI 工作流

云端模型很强,但把所有数据都默认上传并不总是合适。本地优先的核心,是把选择权拿回自己手里。

  • #本地AI
  • #隐私
  • #工作流
工具与工作流 1 分钟阅读

AI 工具评测:如何不被演示带节奏

AI 工具更新快、宣传夸张。与其被演示带节奏,不如用一致的用例与维度,给工具一把公平的尺子。

  • #评测
  • #工具
  • #选型
数字化转型 1 分钟阅读

数字化转型的第一步,是统一口径

再漂亮的看板,如果口径不统一,也只是把混乱可视化了。转型的第一步,是一次经营语言的统一。

  • #数字化转型
  • #数据治理
  • #经营分析

把模型与工具,
放进真实任务里验证。

每个状态都代表当前事实:稳定运行、测试中或构建中,不把概念验证包装成生产能力。

01

Local AI

Mac Local AI Stack

在 Apple Silicon 上构建的本地 AI 技术栈,用统一内存跑本地大模型,覆盖日常推理、代码与写作,数据默认不出域。

稳定运行
  • Ollama
  • LM Studio
  • macOS
  • Apple Silicon
02

Agent Tooling

OpenClaw Gateway

本地网关与工具编排层,统一管理模型路由与工具调用,让 Agent 在本地与云端能力之间按需调度。

测试中
  • OpenClaw
  • Python
  • 本地网关
03

AI Agent

Hermes Long-running Agent

面向长时运行任务的 Agent 实验,探索任务持久化、状态恢复与可靠执行,让 Agent 能稳定处理跨越较长时间的工作。

构建中
  • Hermes Agent
  • Python
  • 任务编排
04

AI Engineering

Claude Code with Alternative Models

在 Claude Code 工作流中接入不同模型的实验,评估替代模型在真实工程任务中的表现、边界与性价比。

测试中
  • Claude Code
  • 本地模型
  • 评测方法
05

AI Engineering

Codex Engineering Workflow

基于 OpenAI Codex 的工程化工作流,把代码生成、脚本编排与重复工程任务串联为可复用的自动化流程。

稳定运行
  • OpenAI Codex
  • Python
  • Git
06

Local AI

Local Model Benchmark

面向本地模型的评测实验,用一致的用例与维度横向对比不同开源模型在真实任务中的表现与资源占用。

测试中
  • Ollama
  • Python
  • 评测方法

Contact · Shanghai / Remote

有一个值得
认真做的问题?

适合讨论经营分析、数据治理与 Local-first AI。先确认真实问题、约束和判断边界,再决定是否需要系统建设。

  • 经营分析与指标体系
  • 数据治理与数字化架构
  • Local-first AI 与 Agent 工作流
讨论具体问题