https://github.com/XiaomiMiMo/MiMo-Code 一键安装 curl -fsSL https://mimo.xiaomi.com/install | bash # 或通过 npm 安装 npm install -g @ mimo-ai /cli 首次启动自动引导配置。支持： MiMo Auto （限时免费） — 匿名通道，零配置 小米 MiMo 平台 — OAuth 登录 从 Claude Code 导入 — 一键迁移已有认证 自定义 Provider — TUI 内添加任意 OpenAI 兼容 API MiMoCode 基于 OpenCode fork 构建，保留其全部核心能力（多 Provider 、TUI 、LSP 、MCP 、插件），并在此基础上构建了持久化记忆、智能上下文管理、子智能体编排、目标驱动的自主循环、Compose 工作流，以及通过 dream/distill 实现的自我进化。
https://github.com/XiaomiMiMo/MiMo-Code 一键安装 curl -fsSL https://mimo.xiaomi.com/install | bash # 或通过 npm 安装 npm install -g @ mimo-ai /cli 首次启动自动引导配置。支持： MiMo Auto （限时免费） — 匿名通道，零配置 小米 MiMo 平台 — OAuth 登录 从 Claude Code 导入 — 一键迁移已有认证 自定义 Provider — TUI 内添加任意 OpenAI 兼容 API MiMoCode 基于 OpenCode fork 构建，保留其全部核心能力（多 Provider 、TUI 、LSP 、MCP 、插件），并在此基础上构建了持久化记忆、智能上下文管理、子智能体编排、目标驱动的自主循环、Compose 工作流，以及通过 dream/distill 实现的自我进化。
惯例我在openclaw让它执行openclaw update，然后deepseek直接把gateway杀了。把龙虾先停止掉，然后再去更新是吧，真的人工智障 5 个帖子 - 4 位参与者 阅读完整话题
最近我给自己搭了一套自动化流程：每天追踪 AI / CS 方向的新论文和 GitHub Trending 热门项目，然后自动筛选、整理、生成中文摘要，最后沉淀成日报。 这套系统的目标很简单： 不再靠手动刷 arXiv 、GitHub Trending 、Twitter/X 和各种群消息来追前沿，而是让 AI Agent 每天帮我完成第一轮信息筛选。 我用的是 OpenClaw ，主要让它承担三件事： 定时抓取 arXiv 最新论文和 GitHub 热门项目； 按主题、质量和工程价值做过滤； 自动生成中文摘要、深度解读和每日归档。 这篇文章简单分享一下系统是怎么搭的，以及目前踩到的一些坑。 1. 为什么要做这套东西？ 如果你关注 AI 工程化，信息源会非常碎： arXiv 每天都有大量新论文； GitHub Trending 每天都有新项目冒出来； Hugging Face 、OpenAI 、Anthropic 、Google 、Meta 、微软等团队会不定期发布模型、框架或技术报告； 很多有价值的项目不是一开始就爆火，而是在小范围技术圈里先出现。 手动追踪的问题是： 很容易漏掉重要论文； GitHub Trending 噪声很大，很多项目只是短期热闹； 标题和 README 经常看起来很强，但实际工程价值一般； 每天都刷一遍非常耗时间。 所以我想做一个自动化系统，先让 Agent 帮我做“第一轮粗筛”，把候选论文和项目整理出来，再对其中高价值内容做中文精读。 2. 整体架构 目前流程大概是这样： 定时任务 / Cron ↓ 数据源抓取 ├── arXiv API ├── GitHub Trending / GitHub API └── 其他公开信息源 ↓ 候选池入库 ↓ 规则过滤 + 去重 ↓ Agent 精读 / 摘要生成 ↓ Markdown / JSON / SQLite 归档 ↓ 公众号草稿 / GitHub 日报 / 后续分发 核心不是“抓取”，抓取其实不难。真正麻烦的是： 怎么过滤垃圾信息； 怎么避免每天重复写同一个方向； 怎么判断一个项目是不是真的值得看； 怎么让生成内容尽量可验证，而不是 AI 胡编。 3. 论文部分：从 arXiv 候选到中文精读 论文侧主要关注这些方向： RAG / Retrieval-Augmented Generation Search / Information Retrieval Agent / Tool Use / Function Calling Long Context Evaluation / Benchmark LLM Application Engineering Knowledge Base / Re-ranking / Query Understanding 数据源主要是 arXiv API ，例如： cs.AI cs.CL cs.IR cs.LG cs.CV 中和多模态检索、文档理解相关的部分 每篇论文进入候选池后，会先做基础解析： 标题 作者 arXiv ID 摘要 分类 发布时间 PDF 链接 关键词 然后做几层过滤： 主题相关性 ：是否和 AI 工程化、RAG 、搜索、Agent 等方向有关； 新鲜度 ：优先最近 1 个月，越新越优先； 机构/作者可信度 ：顶级实验室、大厂、知名高校会加权，但不绝对迷信； 工程价值 ：有没有方法、框架、评测或实践启发； 重复度 ：是否和之前已经写过的主题过于接近。 通过过滤后，Agent 会读取论文摘要、PDF 或 HTML 版本，生成结构化产物： paper_slot/ deep_read_article.md deep_read_meta.json sources.md evidence-notes.md seo-title.json 我比较看重 sources.md 和 evidence-notes.md ，因为 AI 写论文解读很容易“看标题发挥”。所以每篇文章都需要保留来源、证据和不确定点。 4. GitHub 部分：不只看 Star ，更看工程价值 GitHub Trending 的噪声非常大。 有些项目一天几千 Star ，但可能只是： 一个简单 UI 壳子； 复刻已有项目； README 写得很夸张； Demo 很漂亮，但代码不可复用； Star 暴涨，但最近维护质量一般。 所以我没有只按 Star 排序，而是做了几个维度： Star 总数； 最近增长速度； 最近 commit 活跃度； README 是否清晰； 是否有真实代码结构； 是否有 license ； 是否有 release / examples / docs ； 是否和 RAG 、Agent 、搜索、LLM 应用工程相关； 是否解决真实工程痛点。 一个项目进入精读流程前，至少要检查： repo_slot/ repo-evidence.json readme.md key-files.md sources.md deep_read_article.md seo-title.json 我希望最后生成的不是“这个项目很厉害，大家快去看”的营销文，而是能回答几个问题： 它解决了什么问题？ 它和已有方案相比有什么不同？ 它的架构或实现有什么可复用点？ 它现在成熟吗？适不适合生产使用？ 如果我要试用，第一步应该看哪里？ 5. 为什么用 OpenClaw ？ 我需要的不是单次 ChatGPT 问答，而是一个能长期运行的个人自动化 Agent 。 OpenClaw 对我比较有用的点： 可以读写本地工作区文件； 可以跑脚本、定时任务； 可以维护长期记忆和每日日志； 可以把流程拆给多个子 Agent ； 可以把产物写成 Markdown / JSON / SQLite ； 可以接入公众号草稿、Discord 、QQ 等通知渠道。 换句话说，它更像一个“能干活的个人自动化工作台”，而不是只会聊天的模型。 当然，最重要的是：所有自动生成内容都要有检查门禁。比如： 没有来源链接不能进正式稿； 没读 primary source 不能写深度解读； 不能出现“待补充”“TODO”“正式发布前请检查”这类占位词； 标题不能为了吸引点击而歪曲论文或项目本意； GitHub 项目不能把 README 里的宣传语直接当事实。 6. 目前的每日输出 现在我的目标是每天产出两类内容： 论文精读 ：偏研究方法、技术路线、评测和启发； GitHub 项目精读 ：偏架构、代码、工程价值和可落地性。 每日内容会先进入本地归档，再进入公众号草稿箱，最后人工检查后发布。 我也准备把其中一部分公开成 GitHub 仓库，作为每日 AI 论文和 GitHub Trending 的中文索引： 每日论文列表； 每日热门项目列表； 中文简介； 原始链接； 主题标签； 后续可能补充脚本。 完整版的深度解读会继续放在公众号里。 7. 踩过的一些坑 7.1 不要只追热点 GitHub Trending 很容易让人被短期 Star 牵着走。后来我加了“工程价值”和“主题相关性”的过滤，否则日报会变成项目搬运。 7.2 AI 很容易把摘要写成鸡汤 如果 prompt 不约束，论文解读很容易变成： 本文提出了一种创新方法，显著提升了性能，具有重要意义。 这种话基本没信息量。 所以我现在要求每篇都必须回答： 方法具体是什么； 输入输出是什么； 对比基线是什么； 适用边界是什么； 工程上能学到什么。 7.3 需要保留证据文件 自动化写作最怕“看起来很完整，但来源不可查”。 所以每个 slot 都会保留来源文件，例如： arXiv 链接； PDF 链接； GitHub repo 链接； README 摘要； 关键文件路径； 生成时的判断理由。 这样后面出了问题可以回溯。 7.4 公众号不是终点，归档和分发更重要 如果内容只存在公众号里，后续搜索和复用都不方便。 所以我会同时保留： Markdown 版本； JSON 元数据； SQLite 主账本； GitHub 公开索引； 后续可能加网页展示。 8. 后续计划 接下来我想继续做几件事： 开源每日论文和 GitHub Trending 中文索引仓库； 加入更细的主题分类，比如 RAG 、Agent 、Search 、Evaluation ； 对高价值论文做系列化追踪； 对 GitHub 项目增加“可运行性”和“维护质量”评分； 把日报沉淀成一个可搜索的 AI 工程知识库。 如果你也在做类似的论文追踪、GitHub Trending 筛选、AI 技术日报，欢迎交流。 我会把完整的中文精读和每日筛选结果放在公众号「 AltenAI 观察」。 最后放一句软广：如果你关心 RAG 、搜索、Agent 、API 接入和大模型工程化落地，可以关注一下「 AltenAI 观察」。我会持续把每天筛出来的论文和项目做成中文摘要和工程解读。 也把文章放在了 github： https://github.com/AltenLi/daily-paper-github-trends
最近我给自己搭了一套自动化流程：每天追踪 AI / CS 方向的新论文和 GitHub Trending 热门项目，然后自动筛选、整理、生成中文摘要，最后沉淀成日报。 这套系统的目标很简单： 不再靠手动刷 arXiv 、GitHub Trending 、Twitter/X 和各种群消息来追前沿，而是让 AI Agent 每天帮我完成第一轮信息筛选。 我用的是 OpenClaw ，主要让它承担三件事： 定时抓取 arXiv 最新论文和 GitHub 热门项目； 按主题、质量和工程价值做过滤； 自动生成中文摘要、深度解读和每日归档。 这篇文章简单分享一下系统是怎么搭的，以及目前踩到的一些坑。 1. 为什么要做这套东西？ 如果你关注 AI 工程化，信息源会非常碎： arXiv 每天都有大量新论文； GitHub Trending 每天都有新项目冒出来； Hugging Face 、OpenAI 、Anthropic 、Google 、Meta 、微软等团队会不定期发布模型、框架或技术报告； 很多有价值的项目不是一开始就爆火，而是在小范围技术圈里先出现。 手动追踪的问题是： 很容易漏掉重要论文； GitHub Trending 噪声很大，很多项目只是短期热闹； 标题和 README 经常看起来很强，但实际工程价值一般； 每天都刷一遍非常耗时间。 所以我想做一个自动化系统，先让 Agent 帮我做“第一轮粗筛”，把候选论文和项目整理出来，再对其中高价值内容做中文精读。 2. 整体架构 目前流程大概是这样： 定时任务 / Cron ↓ 数据源抓取 ├── arXiv API ├── GitHub Trending / GitHub API └── 其他公开信息源 ↓ 候选池入库 ↓ 规则过滤 + 去重 ↓ Agent 精读 / 摘要生成 ↓ Markdown / JSON / SQLite 归档 ↓ 公众号草稿 / GitHub 日报 / 后续分发 核心不是“抓取”，抓取其实不难。真正麻烦的是： 怎么过滤垃圾信息； 怎么避免每天重复写同一个方向； 怎么判断一个项目是不是真的值得看； 怎么让生成内容尽量可验证，而不是 AI 胡编。 3. 论文部分：从 arXiv 候选到中文精读 论文侧主要关注这些方向： RAG / Retrieval-Augmented Generation Search / Information Retrieval Agent / Tool Use / Function Calling Long Context Evaluation / Benchmark LLM Application Engineering Knowledge Base / Re-ranking / Query Understanding 数据源主要是 arXiv API ，例如： cs.AI cs.CL cs.IR cs.LG cs.CV 中和多模态检索、文档理解相关的部分 每篇论文进入候选池后，会先做基础解析： 标题 作者 arXiv ID 摘要 分类 发布时间 PDF 链接 关键词 然后做几层过滤： 主题相关性 ：是否和 AI 工程化、RAG 、搜索、Agent 等方向有关； 新鲜度 ：优先最近 1 个月，越新越优先； 机构/作者可信度 ：顶级实验室、大厂、知名高校会加权，但不绝对迷信； 工程价值 ：有没有方法、框架、评测或实践启发； 重复度 ：是否和之前已经写过的主题过于接近。 通过过滤后，Agent 会读取论文摘要、PDF 或 HTML 版本，生成结构化产物： paper_slot/ deep_read_article.md deep_read_meta.json sources.md evidence-notes.md seo-title.json 我比较看重 sources.md 和 evidence-notes.md ，因为 AI 写论文解读很容易“看标题发挥”。所以每篇文章都需要保留来源、证据和不确定点。 4. GitHub 部分：不只看 Star ，更看工程价值 GitHub Trending 的噪声非常大。 有些项目一天几千 Star ，但可能只是： 一个简单 UI 壳子； 复刻已有项目； README 写得很夸张； Demo 很漂亮，但代码不可复用； Star 暴涨，但最近维护质量一般。 所以我没有只按 Star 排序，而是做了几个维度： Star 总数； 最近增长速度； 最近 commit 活跃度； README 是否清晰； 是否有真实代码结构； 是否有 license ； 是否有 release / examples / docs ； 是否和 RAG 、Agent 、搜索、LLM 应用工程相关； 是否解决真实工程痛点。 一个项目进入精读流程前，至少要检查： repo_slot/ repo-evidence.json readme.md key-files.md sources.md deep_read_article.md seo-title.json 我希望最后生成的不是“这个项目很厉害，大家快去看”的营销文，而是能回答几个问题： 它解决了什么问题？ 它和已有方案相比有什么不同？ 它的架构或实现有什么可复用点？ 它现在成熟吗？适不适合生产使用？ 如果我要试用，第一步应该看哪里？ 5. 为什么用 OpenClaw ？ 我需要的不是单次 ChatGPT 问答，而是一个能长期运行的个人自动化 Agent 。 OpenClaw 对我比较有用的点： 可以读写本地工作区文件； 可以跑脚本、定时任务； 可以维护长期记忆和每日日志； 可以把流程拆给多个子 Agent ； 可以把产物写成 Markdown / JSON / SQLite ； 可以接入公众号草稿、Discord 、QQ 等通知渠道。 换句话说，它更像一个“能干活的个人自动化工作台”，而不是只会聊天的模型。 当然，最重要的是：所有自动生成内容都要有检查门禁。比如： 没有来源链接不能进正式稿； 没读 primary source 不能写深度解读； 不能出现“待补充”“TODO”“正式发布前请检查”这类占位词； 标题不能为了吸引点击而歪曲论文或项目本意； GitHub 项目不能把 README 里的宣传语直接当事实。 6. 目前的每日输出 现在我的目标是每天产出两类内容： 论文精读 ：偏研究方法、技术路线、评测和启发； GitHub 项目精读 ：偏架构、代码、工程价值和可落地性。 每日内容会先进入本地归档，再进入公众号草稿箱，最后人工检查后发布。 我也准备把其中一部分公开成 GitHub 仓库，作为每日 AI 论文和 GitHub Trending 的中文索引： 每日论文列表； 每日热门项目列表； 中文简介； 原始链接； 主题标签； 后续可能补充脚本。 完整版的深度解读会继续放在公众号里。 7. 踩过的一些坑 7.1 不要只追热点 GitHub Trending 很容易让人被短期 Star 牵着走。后来我加了“工程价值”和“主题相关性”的过滤，否则日报会变成项目搬运。 7.2 AI 很容易把摘要写成鸡汤 如果 prompt 不约束，论文解读很容易变成： 本文提出了一种创新方法，显著提升了性能，具有重要意义。 这种话基本没信息量。 所以我现在要求每篇都必须回答： 方法具体是什么； 输入输出是什么； 对比基线是什么； 适用边界是什么； 工程上能学到什么。 7.3 需要保留证据文件 自动化写作最怕“看起来很完整，但来源不可查”。 所以每个 slot 都会保留来源文件，例如： arXiv 链接； PDF 链接； GitHub repo 链接； README 摘要； 关键文件路径； 生成时的判断理由。 这样后面出了问题可以回溯。 7.4 公众号不是终点，归档和分发更重要 如果内容只存在公众号里，后续搜索和复用都不方便。 所以我会同时保留： Markdown 版本； JSON 元数据； SQLite 主账本； GitHub 公开索引； 后续可能加网页展示。 8. 后续计划 接下来我想继续做几件事： 开源每日论文和 GitHub Trending 中文索引仓库； 加入更细的主题分类，比如 RAG 、Agent 、Search 、Evaluation ； 对高价值论文做系列化追踪； 对 GitHub 项目增加“可运行性”和“维护质量”评分； 把日报沉淀成一个可搜索的 AI 工程知识库。 如果你也在做类似的论文追踪、GitHub Trending 筛选、AI 技术日报，欢迎交流。 我会把完整的中文精读和每日筛选结果放在公众号「 AltenAI 观察」。 最后放一句软广：如果你关心 RAG 、搜索、Agent 、API 接入和大模型工程化落地，可以关注一下「 AltenAI 观察」。我会持续把每天筛出来的论文和项目做成中文摘要和工程解读。 也把文章放在了 github： https://github.com/AltenLi/daily-paper-github-trends
最近我给自己搭了一套自动化流程：每天追踪 AI / CS 方向的新论文和 GitHub Trending 热门项目，然后自动筛选、整理、生成中文摘要，最后沉淀成日报。 这套系统的目标很简单： 不再靠手动刷 arXiv 、GitHub Trending 、Twitter/X 和各种群消息来追前沿，而是让 AI Agent 每天帮我完成第一轮信息筛选。 我用的是 OpenClaw ，主要让它承担三件事： 定时抓取 arXiv 最新论文和 GitHub 热门项目； 按主题、质量和工程价值做过滤； 自动生成中文摘要、深度解读和每日归档。 这篇文章简单分享一下系统是怎么搭的，以及目前踩到的一些坑。 1. 为什么要做这套东西？ 如果你关注 AI 工程化，信息源会非常碎： arXiv 每天都有大量新论文； GitHub Trending 每天都有新项目冒出来； Hugging Face 、OpenAI 、Anthropic 、Google 、Meta 、微软等团队会不定期发布模型、框架或技术报告； 很多有价值的项目不是一开始就爆火，而是在小范围技术圈里先出现。 手动追踪的问题是： 很容易漏掉重要论文； GitHub Trending 噪声很大，很多项目只是短期热闹； 标题和 README 经常看起来很强，但实际工程价值一般； 每天都刷一遍非常耗时间。 所以我想做一个自动化系统，先让 Agent 帮我做“第一轮粗筛”，把候选论文和项目整理出来，再对其中高价值内容做中文精读。 2. 整体架构 目前流程大概是这样： 定时任务 / Cron ↓ 数据源抓取 ├── arXiv API ├── GitHub Trending / GitHub API └── 其他公开信息源 ↓ 候选池入库 ↓ 规则过滤 + 去重 ↓ Agent 精读 / 摘要生成 ↓ Markdown / JSON / SQLite 归档 ↓ 公众号草稿 / GitHub 日报 / 后续分发 核心不是“抓取”，抓取其实不难。真正麻烦的是： 怎么过滤垃圾信息； 怎么避免每天重复写同一个方向； 怎么判断一个项目是不是真的值得看； 怎么让生成内容尽量可验证，而不是 AI 胡编。 3. 论文部分：从 arXiv 候选到中文精读 论文侧主要关注这些方向： RAG / Retrieval-Augmented Generation Search / Information Retrieval Agent / Tool Use / Function Calling Long Context Evaluation / Benchmark LLM Application Engineering Knowledge Base / Re-ranking / Query Understanding 数据源主要是 arXiv API ，例如： cs.AI cs.CL cs.IR cs.LG cs.CV 中和多模态检索、文档理解相关的部分 每篇论文进入候选池后，会先做基础解析： 标题 作者 arXiv ID 摘要 分类 发布时间 PDF 链接 关键词 然后做几层过滤： 主题相关性 ：是否和 AI 工程化、RAG 、搜索、Agent 等方向有关； 新鲜度 ：优先最近 1 个月，越新越优先； 机构/作者可信度 ：顶级实验室、大厂、知名高校会加权，但不绝对迷信； 工程价值 ：有没有方法、框架、评测或实践启发； 重复度 ：是否和之前已经写过的主题过于接近。 通过过滤后，Agent 会读取论文摘要、PDF 或 HTML 版本，生成结构化产物： paper_slot/ deep_read_article.md deep_read_meta.json sources.md evidence-notes.md seo-title.json 我比较看重 sources.md 和 evidence-notes.md ，因为 AI 写论文解读很容易“看标题发挥”。所以每篇文章都需要保留来源、证据和不确定点。 4. GitHub 部分：不只看 Star ，更看工程价值 GitHub Trending 的噪声非常大。 有些项目一天几千 Star ，但可能只是： 一个简单 UI 壳子； 复刻已有项目； README 写得很夸张； Demo 很漂亮，但代码不可复用； Star 暴涨，但最近维护质量一般。 所以我没有只按 Star 排序，而是做了几个维度： Star 总数； 最近增长速度； 最近 commit 活跃度； README 是否清晰； 是否有真实代码结构； 是否有 license ； 是否有 release / examples / docs ； 是否和 RAG 、Agent 、搜索、LLM 应用工程相关； 是否解决真实工程痛点。 一个项目进入精读流程前，至少要检查： repo_slot/ repo-evidence.json readme.md key-files.md sources.md deep_read_article.md seo-title.json 我希望最后生成的不是“这个项目很厉害，大家快去看”的营销文，而是能回答几个问题： 它解决了什么问题？ 它和已有方案相比有什么不同？ 它的架构或实现有什么可复用点？ 它现在成熟吗？适不适合生产使用？ 如果我要试用，第一步应该看哪里？ 5. 为什么用 OpenClaw ？ 我需要的不是单次 ChatGPT 问答，而是一个能长期运行的个人自动化 Agent 。 OpenClaw 对我比较有用的点： 可以读写本地工作区文件； 可以跑脚本、定时任务； 可以维护长期记忆和每日日志； 可以把流程拆给多个子 Agent ； 可以把产物写成 Markdown / JSON / SQLite ； 可以接入公众号草稿、Discord 、QQ 等通知渠道。 换句话说，它更像一个“能干活的个人自动化工作台”，而不是只会聊天的模型。 当然，最重要的是：所有自动生成内容都要有检查门禁。比如： 没有来源链接不能进正式稿； 没读 primary source 不能写深度解读； 不能出现“待补充”“TODO”“正式发布前请检查”这类占位词； 标题不能为了吸引点击而歪曲论文或项目本意； GitHub 项目不能把 README 里的宣传语直接当事实。 6. 目前的每日输出 现在我的目标是每天产出两类内容： 论文精读 ：偏研究方法、技术路线、评测和启发； GitHub 项目精读 ：偏架构、代码、工程价值和可落地性。 每日内容会先进入本地归档，再进入公众号草稿箱，最后人工检查后发布。 我也准备把其中一部分公开成 GitHub 仓库，作为每日 AI 论文和 GitHub Trending 的中文索引： 每日论文列表； 每日热门项目列表； 中文简介； 原始链接； 主题标签； 后续可能补充脚本。 完整版的深度解读会继续放在公众号里。 7. 踩过的一些坑 7.1 不要只追热点 GitHub Trending 很容易让人被短期 Star 牵着走。后来我加了“工程价值”和“主题相关性”的过滤，否则日报会变成项目搬运。 7.2 AI 很容易把摘要写成鸡汤 如果 prompt 不约束，论文解读很容易变成： 本文提出了一种创新方法，显著提升了性能，具有重要意义。 这种话基本没信息量。 所以我现在要求每篇都必须回答： 方法具体是什么； 输入输出是什么； 对比基线是什么； 适用边界是什么； 工程上能学到什么。 7.3 需要保留证据文件 自动化写作最怕“看起来很完整，但来源不可查”。 所以每个 slot 都会保留来源文件，例如： arXiv 链接； PDF 链接； GitHub repo 链接； README 摘要； 关键文件路径； 生成时的判断理由。 这样后面出了问题可以回溯。 7.4 公众号不是终点，归档和分发更重要 如果内容只存在公众号里，后续搜索和复用都不方便。 所以我会同时保留： Markdown 版本； JSON 元数据； SQLite 主账本； GitHub 公开索引； 后续可能加网页展示。 8. 后续计划 接下来我想继续做几件事： 开源每日论文和 GitHub Trending 中文索引仓库； 加入更细的主题分类，比如 RAG 、Agent 、Search 、Evaluation ； 对高价值论文做系列化追踪； 对 GitHub 项目增加“可运行性”和“维护质量”评分； 把日报沉淀成一个可搜索的 AI 工程知识库。 如果你也在做类似的论文追踪、GitHub Trending 筛选、AI 技术日报，欢迎交流。 我会把完整的中文精读和每日筛选结果放在公众号「 AltenAI 观察」。 最后放一句软广：如果你关心 RAG 、搜索、Agent 、API 接入和大模型工程化落地，可以关注一下「 AltenAI 观察」。我会持续把每天筛出来的论文和项目做成中文摘要和工程解读。 也把文章放在了 github： https://github.com/AltenLi/daily-paper-github-trends
大佬的想法我不懂，不写提示词，循环驱动，这样想必烧token一定很爽吧。但是跟openclaw 的定时器模式，auto researh 类似的，自己打分，自己修改的模式又有什么分别，佬们怎么看？ 2 个帖子 - 2 位参与者 阅读完整话题
刚刚搞了一台中国移动的8+16的云电脑 弄了一个宝塔，现在还想继续部署一个云端agent 这台机子没有虚拟化（装不了Docker和WSL2） 各位佬友是推荐装hermes还是装openclaw？ 本人两种都用过，但感觉都差不多 5 个帖子 - 2 位参与者 阅读完整话题
太恐怖了，哪有pr一上来就改我产品名的，我委婉退回之后还给我发了第二个pr 可以拉黑吗，小朋友吓哭了要 讨好型人格还没法大大方方的去拒绝无视他 求救 8 个帖子 - 5 位参与者 阅读完整话题
各位佬，我是刚接触AI的小萌新。之前一直是使用的中转站接入的openclaw和hermes。后面刚开了个正价的plus。三天，就三天！额度被我用完了，一周的额度都没了。T-T。我想咨询下各位佬，如何能够无感的把中转站和注册的公益站的key接入codex？因为试过用key登陆codex就会丢掉聊天记录。有没有什么有可视化页面的插件或者软件可以实现这样的功能？感激不尽～顺便问问二级号了，除了薄荷和any还有什么比较好用稳定的公益站可以白嫖一下？用mumu这个项目写小说太费钱了，签约了两本完结了一本，嗷嗷花钱啊，撑不住了各位佬 问题简单，多有叨扰，勿怪～ 14 个帖子 - 8 位参与者 阅读完整话题
各位佬，目前我在看AI Agent,纠结是用manus还是用openclaw 听说openclaw定制性比较强，可是点数耗费快，需要的前期工作比较多。 manus没用过，各位佬帮推荐一下，说说各有啥有点？ 10 个帖子 - 5 位参与者 阅读完整话题
佬友们，今天玩openclaw的时候从QQ发消息老是出现发送失败的情况，问AI说是冷却机制，你们有出现这种情况吗，是不是因为今天高考啊 1 个帖子 - 1 位参与者 阅读完整话题
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 [前言] 从上次更新帖继续： 【开源推广】1Shell，对小白极其友好的vps管理运维工具 开发调优 本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截… 自从上次更新之后，我一直在打磨 1Shell。因为这是我的第一个项目，之前很多地方都还不成熟，所以这段时间又改了很久。 这次 4.1 算是一个让我比较满意的版本，在前端、功能完整度、MCP 能力和桌面版体验上都做了比较大的改进。也欢迎各位佬继续提建议。 【链接】 weidu12123/1Shell （已添加友链 http://linux.do ) [功能] 这次 4.1 相比旧版本，主要加强了三个板块： 作为 VPS 管理中枢 的能力 作为 VPS 运维工具 / WebSSH 的能力 作为 MCP Server 的能力 MCP Server 先介绍目前最重要，也是我自己最满意的部分：MCP Server。在旧版本，1shell mcp主要的情景是帮助1shell内部调用的claude来操控vps，避免在多台vps上部署cc于codex，让远程vps获得原生agent的能力，而新版本，在此基础上我补全了远程mcp server能力，能够远程http/https调用部署在vps上的1shell来操控其他vps。 除此之外，1shell mcp作为一个标准的mcp server，拥有极强的与其他agent项目的联动性，除了传统的cc codex等agent，我最近发现能够与openclaw hermes产生奇妙的化学反应，如下图所示，我用一台移动云电脑，部署了hermes与1shell，再接入微信，就实现了在微信远程控制hermes调用1shell mcp来连接管理我的所有vps。在此基础上后续的什么vps掉线发信息提醒，什么哪家产品上线发信息提醒等用法都可以顺理成章的开发。 VPS 管理中枢 旧版本的我局限在了vps运维工具的层面，新版本我做了一个主机仓库，在这里可以选择那些vps可以在主控台显示，可以在这里查看vps的具体信息，运行情况以及文件管理。同时我加强了探针能力，旧版本依赖1shell主动ssh去探测，新版本采用了传统探针的方法，让vps主动发送信息返回，同时增加了中继功能，可以指定一台拥有公网IP的vps充当中继，方便本地电脑和mac等无公网ip的设备能够获得准确情况。 VPS 运维能力 新版本中我优化了程序板块，目前主要面向两种程序，一种是纯代码的脚本，功能不限于开关某一台vps的某一个项目等。另外一种是ai工作流程序，其核心理念就是将人发送命令给agent执行的这个过程打包为一个程序，每一个程序由1shell AI来执行，1shell AI在设定好的skill的指导下会一步步执行操作并将执行的过程反应在前端上。利用ai工作流程序，我们能够让1shell获得自定义的各种能力，例如一键部署一个github项目，一键反向代理加套域名＋申请证书＋开启https等，更多的功能可以友用户来自定义创建。 以上就是1shell这次的三处核心更新了，另外还有很多小的优化就不过多介绍了，另外感谢mclaw，虽然你玩不起把我封了，但确实启发了我将1shell与openclaw和hermes配合，希望各位佬友喜欢，有什么建议也请尽情反馈。 3 个帖子 - 2 位参与者 阅读完整话题
最近想在我的 Windows 电脑上同时也安装 OpenClaw和 Hermes Agent 这两个本地AI工具，折腾半天有点纠结安装方式，想听听有经验的老哥们建议。 我的需求： • 主要在 Windows 日常使用，想尽量稳定、少踩坑 • 希望两个工具都能正常跑起来，性能不要太拉 • 以后可能还会加其他本地工具，所以最好有较好的扩展性 目前考虑的三种方案： 1. 纯 Node / 原生安装 —— 最简单，但担心 Windows 兼容性问题（尤其是 OpenClaw 的工具链） 2. WSL2（Ubuntu） —— 看起来兼容性最好，Linux 环境跑 Node/Bun/pnpm 很顺 3. Docker —— 隔离性强，环境干净，但性能和文件映射会不会麻烦？ Hermes Agent 官方说 Windows 原生支持（PowerShell 一键安装），但 OpenClaw 似乎更推荐 WSL2。 已经装好的朋友们，能分享下你们的实际方案吗？ • 你用的是哪种方式？ • 踩过什么坑？ • 两个工具一起用的时候有没有冲突？ • 日常维护和性能表现如何？ 感谢大佬们指点！ 5 个帖子 - 3 位参与者 阅读完整话题
有佬知道any除了可以用在cc和openclaw里面，还可以用到哪里吗 8 个帖子 - 7 位参与者 阅读完整话题
纯好奇，我目前hermes用的是mimo-v2.5pro，感觉还行 11 个帖子 - 11 位参与者 阅读完整话题
我想给单位接入，全员使用，现在用的deepseek 5 个帖子 - 3 位参与者 阅读完整话题
简介：接入各种 agent （ openclaw ，hermes ，马维斯等），自由聊天，可以导出聊天记录，一起围观 agent 的聊天 游玩地址： http://47.107.180.19:5173/
简介：接入各种 agent （ openclaw ，hermes ，马维斯等），自由聊天，可以导出聊天记录，一起围观 agent 的聊天 游玩地址： http://47.107.180.19:5173/
简介：接入各种 agent （ openclaw ，hermes ，马维斯等），自由聊天，可以导出聊天记录，一起围观 agent 的聊天 游玩地址： http://47.107.180.19:5173/