BX

Creator / Investor

[郭宇 guoyu.eth @turingou]

我花了很多时间意识到享受创造对许多人来说是一件挺难的事儿，很多人享受的是创造带来的后果（通常是好的后果）也就是成就感，一旦创造无法带来好的后果，这种反馈很快会变为负面的，从而愈发让他们无法产生看起来像「坚韧」的表现，这样来说，与我们的直觉相反，上瘾本身是一种值得重视的品质。

[BX @BeMarkovian]

@oops073111 当然了，也许是无偿布道，那就是另一回事了

[BX @BeMarkovian]

@oops073111 这种人属于没想明白，请他去讲课、肯定是期望“有所得”，上来就让人卸载东西，无论对不对，都会触发人的本能性损失厌恶

[BX @BeMarkovian]

@Wei30528549 您怎么评价这个禁令？

[BX @BeMarkovian]

@SeanchenZ 说的太好了。上学时没看过凡人修仙传，最近别人推荐，一下子看得停不下来。不去谈那些爽文的情节，主题之一就是主角不断突破向前，进步是永恒的追求。方向，能力，尊严，选择权，缺一不可。

[BX @BeMarkovian]

@zhufengme @i5ting 这里有一个tension：人们对于工具的定义和理解不同。不了解边界的人可能高估AI，太了解边界反而可能低估。

[Wey Gu 古思为 @wey_gu]

cua driver 支持 Linux desktop 了，这个意义挺大的，Linux desktop sandbox 是成本最低的 desktop sandbox

[Wey Gu 古思为 @wey_gu]

@app_sail 聊得很开心！
这里是 Nowledge Mem 哈

https://t.co/UDYhrd5ppU

[0x7kill @lemondooe]

众所周知，GPT5.5和GPT5.5 Pro是两个模型，我今天用了下Pro，规划和战略能力远超5.5，没有一丝废话，非常有创造力，但可惜Codex不能用。于是我用古老师@wey_gu的nmem连接上了ChatGPT，没想到成功了！这一下就打开格局了，用nmem做项目规划和承做的转接，很完美

[BX @BeMarkovian]

@Ansel_Flipradio 哈哈哈沉迷AI了

[须影吟者🕊️ @Phoenix_AlphaX]

在你的职场中，

你的直属领导说过哪句高水平的话，让你一直受用?

1.如果工作上这个事情只有你在着急，那它就是不急；

2.如果工作上这个事所有人都在着急，那它就不用你着急。

这句话一直影响我至今👍

[Nod @NodYoung]

一个人的价值观，是藏不住的，它暴露在生活的每一个选择里。

[BX @BeMarkovian]

@turingou 同意，或者可以说看起来像人的agent ，满足的需求是一种：让人安心，容易理解并接受agent替代人的需求。我还在试图找到更精准的描述方法

[郭宇 guoyu.eth @turingou]

可能因为看起来像人，所以有种代替了人的价值的感觉？其实我觉得有效率的 agents matrix 很难看起来像人，也没那个必要。

[小互 @xiaohu]

Midjourney 预热了几天的硬件设备

竟然特么是个医疗硬件设备

他们发布了一台全身超声波计算断层扫描仪

设备使用 8,960 个独立传感器环绕人体排列，运动分辨精度达到皮米级别

初代原型机比 MRI 便宜 10 倍、快 60 倍

而他们还要开个Spa店，进去泡个澡就检查完毕了 无辐射，走进去走出来就行😅

[yibie @yibie]

本地模型做主力编码工具：2026 年中的实战报告

Hacker News 上有一个帖子，标题很直接："有人用本地模型做主力编码工具吗？"

197 条评论，信息密度极高。十几个真实用户在讨论他们每天用的配置、踩过的坑、以及为什么明明知道本地模型不如 Claude，还是选择用它。

我结合了 Vicki Boykis 的本地模型实测文章、llama.cpp 作者 Georgi Gerganov 的 HN 评论，以及这场讨论里最高质量的几条回复，整理成一份 2026 年年中的本地 Agent 编码实战报告。

一、共识配置

如果你现在想搭一套本地 agentic coding 环境，HN 讨论里的压倒性共识是这样的：

模型：Qwen 3.6 35B-A3B。35B 总参数，但 MoE 架构只激活 3B。所有人的评价出奇一致——它是"甜蜜点"（sweet spot）。速度够快（55 tok/s），编码能力够用。

推理引擎：llama.cpp。没有争议。

Agent 框架：Pi（https://t.co/QzkE3FnDf5）。同样没有争议。Gerganov 自己用 pi -nc --offline 的极简配置；其他人在 Docker 容器里跑 Pi，限制文件系统权限。缺点是 Pi 不支持 plan mode、subagent、MCP client——但似乎没人抱怨。

量化：Q8。有人试过更激进的量化（Q4），反馈是"loop 和编辑错误显著增加"。KV cache 的建议是 F16 K + Q8 V。

硬件：Mac Studio 128GB 或 Strix Halo 128GB 统一内存笔记本。或者 RTX 5090。核心约束是显存/统一内存——需要装下模型 + KV cache。

Boykis 的完整配置：Pi + LM Studio（推理服务器）+ Docker 容器 + Gemma-4-26b-a4b 或 gemma-4-12b-qat。她在博客里贴了完整的 models.json、Dockerfile 和 docker-compose.yml。

二、效果到底怎么样？

所有人都是诚实的。没有人说本地模型比 Claude 好。

最清晰的对比如下：

"把 Qwen 3.6 35B 比作一个什么都知道一点的初级工程师，你需要引导他。Claude Opus 是一个能跟你一起想架构的资深工程师。如果 Opus 给你 15 倍加速，本地 Qwen 给你 5 倍加速。考虑到它完全免费，这仍然让我觉得不可思议。"

5 倍加速 vs 15 倍加速。差距真实存在，但 5 倍也不是零。

另一个用户的量化指标：本地模型做 agentic coding 的效果约为前沿模型的 75%。 六个月前这个数字可能不到 30%。

Gerganov 说他过去一个半月几乎每天都在用——处理 llama.cpp 仓库里的小任务，算不上震撼，但"对于一个维护者来说绝对是有用的工具"。他的配置极其克制：pi 剥掉一切 + 一个短 system prompt。

三、关键的坑和修复

1. 你需要比用 Claude 时更精确地写 prompt

"你真的需要知道自己在问什么，并且精准。任何留给它自己决定的假设，它都会选最容易的路走到目标——比如把所有 CSS 塞进 HTML 里。它在架构上不会帮你多想。"

2. Loop 问题——量化级别是关键

"我发现用更好的量化，比如 Q8，即使运行稍慢，总体上也是省时间的——少了大量无效的重试和编辑错误。"

一个用户提到，27B 版本比 35B 更慢但更准确，loop 更少。"wall clock time 才是我关心的指标，不是 tokens/sec。"

3. preserve_thinking：Qwen 3.6 的杀手功能

这是讨论里最有技术深度的一条线索。

本地模型做 agentic coding 时，一个常见的性能问题是每轮对话都要重新处理整个上下文。原因是大多数模型的 Jinja template 在每轮对话结束时丢弃了上一轮的推理过程。Qwen 3.6 是第一个同时训练了"保留推理"和"不保留推理"两种模式的模型——你可以通过设置 preserve_thinking: true 来启用。

chat-template-kwargs = {"preserve_thinking": true}

这个设置的作用是让 KV cache 在跨轮对话时保持有效，避免每次都从头重算整个上下文。对于长 agentic 工作流，这是巨大的加速。

四、为什么要受这个罪？

讨论里出现了两种立场：

隐私/原则派：一位为欧盟组织工作的开发者说，他的组织还没有明确的 AI 使用指南。他看见同事把源代码直接贴进 Claude，但他坚持不用。"我知道运行在我本地、离线的 Pi 容器沙箱里的任何东西都不可能离开这台机器，因此不可能导致数据泄露。我为了心安这么做。"

成本派：有人算了账。"我可以用 Gemini 3 Flash 跑 8 年，花的钱还不到一台 Mac Studio 128GB。"

有人反驳："但你买 Mac Studio 不光是跑 LLM。你本来就要升级电脑。而且 Gemini 订阅就是 Gemini 订阅，电脑能做其他事。"

AI 怀疑论者：一个自称"AI 怀疑论者"的用户说他不是不用 AI——他是在测试各种模型的边界，探测它们的强项和弱点。"我不是拒绝工具。我是拒绝失去理解。"这句话和 Karpathy 引用过的那句"你可以外包思考，但不能外包理解"形成了奇妙的对话。

另一位用户把争论总结为一个比喻：

"有人是电饭煲怀疑论者。有人喜欢用电饭煲，有人不喜欢。这不代表谁对谁错。"

五、可操作的起步配置

如果你现在想试，这是 HN 讨论 + Boykis + Gerganov 综合出的最短路径：

硬件：Mac 64GB+ 统一内存（M2/M3/M4 都可以）

软件栈：装 llama.cpp（或用 LM Studio 替代），下载 Qwen 3.6 35B-A3B Q8 模型，配置 Pi agent。Gerganov 的极简方式是 pi -nc --offline，或参考 Boykis 的 Docker Compose 配置。

关键配置：模型配置里加 chat-template-kwargs = {"preserve_thinking": true}；KV cache 用 F16 K + Q8 V；AMD GPU 用户推理后端选 Vulkan 而不是 ROCm。

预期效果：约前沿模型的 50-75% 编码能力，5x 开发加速，完全免费，完全离线。

一句话

2026 年中的本地模型，终于越过了"能用"的门槛。 它不是 Claude 的替代品——它是 Claude 的互补品。当你不信任云端、当你想完全掌控、当你在做不涉密但也不想传出去的工作——有一台 Mac 和一个 Qwen 就够了。

而六个月前，这还不可能。

来源：
• HN 讨论：https://t.co/45dekh2nGo
• Vicki Boykis：https://t.co/77jnE6Fwrj
• Georgi Gerganov HN 评论

#本地模型 #Qwen #agentic-coding #llamacpp

[鸭哥 @grapeot]

办中国签证，最折腾人的环节之一是证件照。领馆对照片的要求精确到像素：脸宽 191 到 251 像素，头高 327 到 385 像素，头顶距上边沿 35 到 58 像素，眼睛距下边沿超过 256 像素，下巴距下边沿超过 82 像素，JPEG 压缩后文件大小要卡在 40 到 120K 之间。几条规则相互矛盾时，领馆还专门写了冲突处理办法。很多人因为照片不合规反复被退件。

最近给娃办签证，我做了一个一键生成合规照片的 Skill。三个决策决定了最终的产品形态：

第一，判断这件事适合用 AI 做。人脸对齐是成熟技术，从对齐到裁切到压缩，一把梭应该能出结果。

第二，做成 Skill 而不是写代码。直接用自然语言跟 AI 讨论产品需求，不把它当代码项目来看。

第三，着重可验证性。如果 AI 只给一张看起来不错的照片，我不知道它到底验了什么，会不会再被打回来。所以我让它输出一张带箭头标注的验证图，一条条对照领馆要求，写清楚每个参数的规定值和实际值。AI 不光要做对，还得向我证明它做对了。

最终照片提交领馆一次通过。项目已经开源，详细介绍：

https://t.co/RgKtQC8jLx