感觉和前久的豆包手机可能有相似之处吧，一般叫做自动化脚本，截取用户的电脑或手机屏幕，通过找色，找图，图片转文字等判断下一步应该怎么操作。如果应用于游戏中，你也可以叫他游戏外挂。
通过这种方法，制造了很多的数据，与真实用户产生的数据几乎没有区别，以假乱真。
能帮我自动配emacs环境不 哈哈
用来玩游戏可用不起，巨耗token。 我看到有人问了句“今天天气怎么样？”，然后用掉了150万token
请问有来源吗？我非常想了解150万token到底是怎么用掉的，我自己到目前为止几乎都是和LLM一问一答，问一句就要消耗这个量的token也太超出我认知范围了
属于极客用户觉得没事干好玩瞎折腾的那种。更搞出了什么 AI agent only 的论坛这种行为艺术大赏。生产力用好 claude-code 和 codex 就够了。
自动化程度最高的个人助理。
什么玩法都可以来，比如说 X 上有人把自己的 Clawdbot 放了出去，成为旅行青蛙。
对我来说，可能 moltbot 最大的问题还是在于它目前主要支持一堆私有软件的集成，而这正是我不感兴趣并且反对的领域
微信群里一位群友碰到的。
今天刚听了一期播客介绍得很详细，感兴趣可以听一下。 可以在vps上面跑跑玩一玩，不建议先在家庭网络中部署，这玩意部署不好会有很大的隐私问题。
很有可能，现在的bot都是拿到输入之后，先分析意图，然后制定计划，还有可能去搜集一些关联资料。例如截个屏，查个网页什么的，然后汇总资料，总结，调用tools之类的，甚至还可能自己判定是否需要重复上面的步骤
几乎与真人用户产生的数据没有区别的自动化工具可以用的起，而真人反倒用不起，正说明这个工具不是给真人用的
因为之前本地已经能用 llama.cpp 跑 gpt oss 20b，不怕 token 不够，用 ZeroClaw 试了下纯本地运行。
结论是本地模型的智力有点不太够用，很快就出了幻觉，但可以完成一些不复杂的 shell command 调用组合。
之前我不想去把编码和商用软件绑定没用过 Claude code，用过 ZeroClaw 后发现 Claw 系列最有可能发展成为 Claude code 的开源竞品
试过 Claude Code 后发现 1. 这玩意 issue 开得也不少 2. token 用量是 ZeroClaw 的好几倍。
我们公司是整嵌入式的，老板觉得一台高配置的电脑 + N个RK3588主板 打造一个智能时代agent加持的员工（管理多个agent设备，不同的agent设备处理不同的任务）的方案是可行的。 RK公司也在推出本地大模型的方案（RK1828套件），也许以后 本地大模型 + 多个嵌入式主板 + 轻量版agent (nanoclaw nanobot )的方案会流行起来。 现在我发现一个很尖锐的矛盾（或困惑），以后究竟是大厂出docker版的agent供公司和个人使用会成为主要趋势，还是 私有的本地大模型 + 实体版的agent（物理算力盒子） 是主要趋势？
这和你在 21 世纪初发现一个很尖锐的矛盾，问是商业软件还是开源软件会成为主要趋势是一样的。
我的意见是大模型专用的硬件配开源的软件方案是必然趋势。
我觉得在未来 5 年里，能在本地跑的强大大模型很难成为流行方案。
主要原因其实不是推理速度（tps）不行。毕竟像 qwen-235B-A22B 这种级别的模型，跑 Q4 量化版本的时候，在本地的速度已经挺不错了。主要还是显存不够，装不下太长的上下文和 KV Cache。
上下文越长，吃掉的显存就越多，甚至会远远超过模型本身占用的空间。举个例子，Ollama 到现在默认的最大上下文也只有 4000 个 token；但对于现在主流的 AI Agent 来说，干活时随便塞个 2 到 3 万 token 的上下文都很正常，姑且不论 200k/1M 的最大上下文尺寸。
另外，推理的时候 KV Cache 的复用特别重要，但普通电脑的显存根本存不下这么庞大的数据。这就导致在本地跑模型时，上下文越长，推理速度就越慢。相比之下，云端厂商有足够的机器和显存来搞定 KV Cache，所以哪怕上下文再大，他们在云端的推理速度也不会受特别大影响。
2024年的开源granite 4.0 tiny 7b模型就已经有128k上下文了 mamba没普及开而已。 而且 Opus 1M 的大 context 也不代表可以随便塞有用没用的东西，注意力机制决定了只有精简 context 才能提升模型能力。
GPU 也根本不是对运行大模型专门适配的硬件。Taalas 那样的 ASIC 才是未来。
内存和显卡的价格是普及的最大障碍
现在主要是用便宜的 DeekSeep API 在云服务器上整这个，和内存和显卡关系不大。