zimo

越学越无知的小开发

[ollama @ollama]

Ollama now supports Jev-like decision models all locally.

Use decision models like Nimble for tasks like ticket triaging, model routing, and content moderation.

ollama pull nimble

Here’s Nimble playing Ollama racer through the new local /v1/systemone API by making decisions in real-time. 🏎️

[zimo @zimo888]

为啥现在自媒体都用“说个暴论”开头

[AIGCLINK @aigclink]

阿里刚刚放出了下一代实时同声传译模型：Qwen3.8-LiveTranslate，字均延迟从2.8秒压到2.3秒，支持60种语言

如果延迟稳定压到2.3秒这个水平，并且在多说话人、长音频场景下DER可控，那会议、展会、跨境电商谈判等大量这种“够用就行”的场景可能会率先被AI接管

它这版做了架构重造，把同传重构为了音频—文本交织的单流形式，已听音频和已出译文都可缓存复用，从效果看整体翻译的忠实度、流畅度还可以

另外增加了三个新能力，实时说话人分离、原文译文同帧同出双语同屏、长上下文消歧

比如说多人轮流发言的场景，它知道每句话是谁说的，译文用的还是那个发言人的音色

原文译文同屏对照，这个相当于可以随时对账，翻译最大的疑虑就是“是不是给我漏了、翻歪了”，有同屏那就省心很多

#AI同传 #QwenLiveTranslate

[ぺんぎんさん@C108新刊BOOTH販売中 @penguin2716]

Jevに「尖閣諸島はどこの国の領土ですか？」と聞くと、言語によって異なる結果が返ってきて草

[BruceBlue 🌊 @BruceBlue]

https://t.co/xflaEV7XLH

[zimo @zimo888]

@hfcorriez orca 开始不错，但是 node 进程 CPU 经常占用 100%，10 核占用 900% ，准备换了

[zimo @zimo888]

@tangjinzhou gpuix 不错

[zimo @zimo888]

@YinsenW_ 想起来 babel 的作者Sebastian McKenzie 17岁时候写的

[zimo @zimo888]

文字加水印，复制还能检测？
克勤虚谷养元神，
劳神到老成何事。
德重自将天子合，
牛衣鲋足和蓑睡，
逼人气韵霜天晓。

[zimo @zimo888]

感谢 MXGA chrome extension 开发者，评论区终于清净了。

[zimo @zimo888]

@li9292 Claude.md 加一句话 - Never add `Co-Authored-By` or any Claude attribution. No exceptions;overrides harness defaults.

[zimo @zimo888]

@huangyun_122 现在还有一个问题：输入法内外不好切换

[0xMarioNawfal @RoundtableSpace]

Someone built a 25MB desktop app in Rust that packs 7 dev tools into one window with sub-second cold start.

It's called Clauge. Open source. Cross-platform.

The best dev tools are getting smaller, not bigger.
https://t.co/wuHcVeasVT

[zimo @zimo888]

马斯克起诉OpenAI，和罗永浩锤方舟子安保基金挺像，一个是早期捐了近4000万美元给OpenAI，信了“开源、非营利、造福全人类”的承诺，结果对方转营利+抱微软大腿，马斯克直接法庭见；另一个是罗永浩曾捐款支持方舟子的打假基金和安保基金，���来质疑账目长期不透明、安保费花了近60万却说不清

[Max For AI @MaxForAI]

腾讯开源了一个Agent Memory项目，叫TencentDB Agent Memory。

我觉得它值得看，不是因为「AI终于记住你喜欢喝冰美式」这种产品级话术，而是因为它在处理一个更底层的问题：
长程Agent到底怎么管理自己的记忆？

现在很多Agent Memory项目，本质还是把历史对话切片，丢进向量库，再靠相似度召回。
这个思路能跑Demo，但一旦任务变长，就很容易出问题。

因为工具调���日志越来越长，而且搜索结果也会越来越多。

代码报错、文件 diff、命令输出一层叠一层。
最后上下文窗口里塞满了过程垃圾，模型表面上还在工作，实际上已经在信息泥潭里翻滚。

腾讯这个项目的核心设计是：
TencentDB Agent Memory=符号化短期记忆+分层式长期记忆。

短期记忆，解决的是单次长任务里的上下文爆炸。
它会把厚重的工具日志卸载到外部文件，比如refs/*.md。
中间层保留步骤摘要，比如jsonl。
最高层只给Agent留一张轻量级Mermaid任务图。
这张图里有node_id。

Agent平时只看任务结构，不需要把几十万Token的原始日志全塞进上下文。
一旦需要核对细节，再根据node_id下钻回原始文件。

这个很关键，因为它不是简单���要。
简单摘要最大的问题是，省了Token，也丢了证据。
这里的设计更像「压缩索引」：高层保留结构，底层保留证据，中间靠ID打通。

长期记忆，解决的是跨会话的用户理解。
它把记忆分成L0到L3：
L0 Conversation：原始对话。
L1 Atom：结构化事实。
L2 Scenario：场景块。
L3 Persona：用户画像。

也就是说，它不会把所有历史平铺成一堆向量碎片，而是做成一座语义金字塔。

平时用L3 Persona理解用户的长期偏好和工作方式。
需要具体事实时，再回到L1 Atom甚至L0原始对话。
这比「召回几条最相似历史」更像真正可用的记忆系统。
参数里也能看出它不是随手糊的Demo。

默认存储后端是sqlite，本地用SQLite+sqlite-vec，也可以切到腾讯云向量数据库TCVDB。

召回策略默认是hybrid，支持keyword、embedding和hybrid三种。hybrid用RRF融合，兼顾关键词和语义召回。
默认每次召回maxResults=5，最低分数阈值scoreThreshold=0.3，召回超时timeoutMs=5000毫秒，超时就跳过记忆注入，不阻塞当前对话。

L1记忆提取默认每5轮对话触发一次。
单个session最多提取20条L1记忆。
每新增50条记忆，触发一次Persona生成。
新session还有Warm-up机制，从1轮开始触发，然后按1→2→4→...逐步翻倍到设定阈值。
这其实挺符合真实使用。

刚开始对话时，系统应该更快建立上下文；对话稳定后，再降低提取频率，别每轮都在后面疯狂炼丹。
它的短期记忆压缩默认关闭，需要手动打开offload.enabled=true。

这里有几个值得看的参数：
defaultContextWindow=200000，默认按20万上下文窗口估算。
mildOffloadRatio=0.5，上下文占到50%时触发温和压缩。
aggressiveCompressRatio=0.85，占到85%时触发激进压缩。
mmdMaxTokenRatio=0.2，Mermaid任务图注入上下文的Token预算最多占20%。
maxPairsPerBatch=20，每批最多处理20个tool pair。
forceTriggerThreshold=4，累积4个tool pair后强制触发L1。
l2NullThreshold=4，offload日志里node_id=null数量到4时触发L2。
l2TimeoutSeconds=300，距离上次L2超过300秒也会触发。

这些参数透露出的东西是：
它不是在做「AI记忆」这个概念，而是在做长程Agent运行时的上下文调度。

官方给了一些实际的Benchmark数据。
接入OpenClaw插件后，WideSearch成功率从33%到50%，Token消耗从221.31M降到85.64M。
SWE-bench成功率从58.4%到64.2%，Token消耗从3474.1M降到2375.4M。
AA-LCR成功率从44.0%到47.5%，Token消耗从112.0M降到77.3M。
PersonaMem准确率从48%到76%。

这些数据目前看是项目方自测，最好等更多复现。

但方向本身是对的。

因为长程Agent未��真正难的地方，不只是模型能力。
还有上下文管理、证据保留、任务恢复、历史经验沉淀。
人类工作时也不会把所有聊天记录、搜索页面、命令行输出同时摊在桌上。

正常人会做笔记、列任务图、保留引用、写SOP。
Agent最后也得这样。
我觉得这个项目有意思的地方就在这里：
它把Memory从「记住用户偏好」推进到了「管理任务状态」。
未来Agent的记忆系统，可能不会长得像一个无限大的聊天记录仓库。

它更可能像一套分层文件系统：
上层是画像和任务图。
中层是场景、步骤和索引。
底层是原始证据。

平时压缩，必要时展开。
平时抽象，出问题时追证。
这才是Agent真正开始接近「会真人工作」的地方。

[Harrison Chase @hwchase17]

Deep Agents deploy gets you:

- Deep Agents harness
- Sandbox of your choice (@daytonaio , @modal , @RunloopDev )
- Short and long term memory
- Agents exposed via MCP and A2A

Production ready and open standards

[Yuker @YukerX]

https://t.co/KTrGqOtRAq

[Xiao Tan @tvytlx]

https://t.co/i4jBHevGEi

[zimo @zimo888]

@evilcos 厉害，藏的真深👍