最新

大约一年前，我正在笔记本电脑上安装 Arch Linux 尝试一下，但我的 EFI 分区遇到了空间问题。当我查看时，我发现了一个名为 "RiotCache.dat" 的文件。 后来我发了这篇帖子 [1]，但一直没有得到关于该文件作用的答案。 [1] https://old.reddit.com/r/linux_gaming/comments/1il3hxp

Claw-Coder 是一款 AI 代理，在您的笔记本电脑上本地运行，并可以使用强大的工具，无需配置 Claude 或 Codex 来使用本地模型，只需使用 Claw-Coder 即可。 创建 Claw-Coder 的原因是什么？ 答案：为了解决隐私和安全问题。 当您使用配置了云模型（如 Codex、Cursor、Claude 等）的代理时，您不仅仅获得了代理，还交出了代码库来训练 LLM，这有点令人担忧，并降低了对 AI 技术的信任。 但现在又出现了一个问题：性能。 当您切换到并非为此工作流程设计的本地模型时，您会失去性能和速度，这确实是一种权衡。 这就是 Claw-Coder 的用武之地，它不仅在您的机器上运行，而且所有代码、RAG、知识图谱等信息都保存在本地，从而解决了隐私问题。 但现在性能又如何呢？ 性能：本地 LLM 并非为执行云模型所做的那些很酷的事情而构建，因为模型大小甚至无法构建真正的应用程序，例如 8b 模型、13b 甚至 1b。 因此，我提出的解决方案是让这些小型模型访问工具和功能，使它们在编码性能方面真正发挥作用。 那么 Claw-Coder 可以访问什么呢？ 知识图谱：知识图谱是现实世界实体（例如人、地点、概念或事件）及其相互关系的互连网络。 它将信息组织成可读的意义网络，而不是静态列表，从而使人类和 AI 都能理解上下文。 那么这如何帮助 AI 呢？ 它使 AI 能够讲述代码库中代码之间的关系、克隆的未知存储库等等，这大大提高了本地 LLM 在编码任务和推理能力方面的性能。 RAG：我们都曾接触过 RAG，但有一个问题，本地 LLM 的上下文窗口无法容纳大型代码库和存储库，因此 RAG 并非可选。 通过将向量存储在向量存储中，您可以使 AI 真正了解代码的含义以及每个部分对其他部分的作用，从而允许您将数百万行代码加载到向量存储中，而不会使上下文窗口崩溃。 工具：我们已经讨论了改进本地 LLM 性能的微小但强大的方法，但要成为一个代理，它需要采取行动，这就是向本地 LLM 暴露工具的地方。 那么，哪些工具已集成到 Claw-Coder 中呢？ 1. search_tool 这使 AI 代理能够实际搜索最新信息，这样它就不会对它不知道的信息产生幻觉，这在本地 LLM 中很常见。 2. Docker 执行 此代理有一个名为 workspace 的特殊文件夹，它可以在其中工作，而不会破坏您的桌面，但这不足以保护您的桌面免受廉价代码的破坏，这就是 Docker 的用武之地。 我已经实现了各种语言的 Docker 容器，代理可以在其中验证自己的代码，这非常强大，因为所有 LLM（不仅仅是本地 LLM）都会生成代码，它们甚至无法确认代码是否有效，因为它们只是强大的预测器，因此使它们能够运行其代码可以令人惊讶地提高生成代码的实用性，因为它现在知道它是否有效，即使对于 html 和 css，AI 代理也被赋予了一个有用的视觉 LLM，以实际解释浏览器中呈现的内容。 这就是为 LLM 提供 Docker 执行工具的惊人力量。 我们已经研究了 Claw-Coder 的许多不同之处，使本地 LLM 能够真正完成实际工作。 但是，您如何亲自尝试呢？ Claw-Coder 是闭源的，因为它正在进行大量测试，但这并没有扼杀透明度，并且由于我们正在测试它，这并不能阻止人们在真实的代码库上尝试它并提供反馈，要开始使用： brew tap gabriel-c70/claw 然后 brew install claw-coder