Category Archives: 深蓝笔记

推荐模型：
Qwen2.5-32B-Instruct (目前的开源王者之一，能力接近 Llama-3-70B) -> 强烈推荐。
量化建议：Q4_K_M (约 19GB) 或 Q5_K_M (约 21GB)。
Command R (35B) (擅长 RAG 检索增强生成和工具调用) -> 量化建议：Q4_K_S。
Mixtral-8x7B (MoE) (实际激活参数约 13B，总参 47B，但在推理时显存占用较大) -> 需 Q3_K_M 或 Q4_0 才能塞进 32GB 并留出上下文空间。
显存占用预估： 约 18GB – 24GB。
剩余资源： 可保留 8GB – 12GB 用于 16k – 24k 的上下文窗口。
预期速度： 约 15 – 25 tokens/s (流畅阅读速度)。

C. 极限挑战区：70B+ 参数模型 (低量化 + 系统内存溢出)

32GB 显存无法完整加载 70B 模型，必须利用系统内存（RAM）做溢出（Offload），速度会大幅下降，但能跑。

推荐模型：
Llama-3.1-70B-Instruct / Qwen2.5-72B-Instruct。
量化建议：Q2_K 或 Q3_K_S (约 24GB – 28GB 显存 + 大量系统内存)。
运行方式： 将大部分层放在 GPU，最后几层和 KV Cache 放在 CPU 内存。
预期速度： 约 2 – 5 tokens/s (像打字机一样慢，仅适合离线处理长文本，不适合聊天)。
建议： 除非必要，否则不推荐日常使用此模式。

2. 软件栈部署建议

为了最大化利用双卡并规避 Turing 架构的短板，请按以下方案部署：

方案 A：Ollama (最简单，推荐新手)

Ollama 底层基于 llama.cpp，自动识别多卡并分配层数。

安装：

curl -fsSL https://ollama.com/install.sh | sh

配置环境变量 (关键)： 确保 Ollama 识别到两张卡。通常会自动识别，如果不行，设置：

export OLLAMA_NUM_GPU=2
# 如果需要强制指定显存分配比例（通常不需要，自动平衡最好）
# export OLLAMA_GPU_OVERHEAD=...

运行模型：
```
ollama run qwen2.5:32b
```
Ollama 会自动下载 GGUF 格式并将模型层均匀分布在两张 T10 上。

方案 B：Text-Generation-WebUI (Oobabooga) (功能最强，适合折腾)

如果你需要更精细的控制（如调整温度、Top-P、加载 LoRA、多用户管理）。

安装： 使用 one-click-installer。

启动参数： 在启动脚本中添加：

--model your_model.gguf
--n-gpu-layers 999 # 尽可能将所有层卸载到 GPU
--tensor-split 1,1 # 强制两张卡平均分配 (如果自动分配不均)
--context-size 16384 # 设置上下文长度

优势： 支持 API 接口，方便对接其他应用（如 Dify, NextChat）。

方案 C：vLLM (高性能生产环境，但有门槛)

注意：vLLM 对 Turing 架构支持有限，且主要优化 BF16。对于 T10，可能不如 llama.cpp 稳定高效。如果要用，需确认版本支持 FP16 推理且无 BF16 依赖。

建议： 现阶段优先选 llama.cpp/Ollama 路线。

3. 关键注意事项与优化建议

A. 显存与上下文 (Context) 的权衡

公式： 可用显存 = 模型权重占用 + (上下文长度 * 每 token 显存占用)
对于 32B 模型 (Q4)，权重约占 20GB。剩下 12GB 可以用于上下文。
Q4 量化下，每 1k context 大约占用 0.5MB – 1MB (取决于具体实现和 KV Cache 量化)。
建议： 默认设置 Context 为 16384 (16k) 或 24576 (24k)。不要盲目开到 128k，否则显存爆满会导致推理崩溃或极度降速。

B. 避免使用原生 PyTorch (FP16) 加载大模型

不要用 from transformers import ... 直接加载 .bin 或 .safetensors 全集。
原因：Turing 卡没有 Tensor Core 对 BF16 的支持，FP16 容易溢出或精度损失，且原生加载很难完美切分显存。
坚持使用 GGUF 格式。

C. PCIe 带宽瓶颈

T10 通常是 PCIe 3.0 x16 或 x8 (取决于主板和转接卡)。
双卡之间通信走 PCIe，速度会比 NVLink 慢。
影响： 对推理速度（Tokens/s）影响较小（因为主要是计算密集），但在加载模型和极高并发下会有瓶颈。
建议： 确保两张卡插在主板的不同 PCIe 插槽上，尽量让 CPU 通道分配均衡（如 x8/x8 模式优于 x16/x4）。

D. 稳定性监控

作为服务器长期运行，必须监控：

温度： 虽然改了风扇，但长期满载仍需关注。设定阈值（如 85℃）自动报警或降频。

命令：watch -n 1 nvidia-smi

ECC 错误： Tesla 卡通常有 ECC 显存。如果频繁出现 ECC 纠错，可能导致系统不稳定。

检查：nvidia-smi -q | grep ECC

持久模式： 确保 nvidia-smi -pm 1 已开启，防止驱动在无负载时休眠导致唤醒延迟。

4. 总结配置单

组件	推荐配置	备注
操作系统	Ubuntu 22.04 LTS	稳定，驱动支持好
驱动	NVIDIA Driver 535/550	必须开启 Persistence Mode
推理引擎	Ollama (首选) 或 Text-Gen-WebUI	基于 llama.cpp
模型格式	GGUF (Q4_K_M 或 Q5_K_M)	必须量化
主力模型	Qwen2.5-32B-Instruct	32G 显存的性价比之王
备用模型	Llama-3.1-8B / Qwen2.5-7B	高速响应场景
上下文长度	16k – 24k	平衡速度与记忆长度
应用场景	个人助手、知识库问答(RAG)、代码辅助、文案写作	不适合大规模训练

一句话建议： 把你的双 T10 当作一个 32GB 显存的“量化模型专用推理机”，主攻 Qwen2.5-32B (Q4/Q5) 和 Llama-3-8B (Q8)，这将给你带来超越许多消费级单卡（如 3060 12G, 4060Ti 16G）的智能体验。

可用模型列表及各自擅长领域

2026年3月3日

2026年3月03日 00:30 由AI自动生成-by千问3.5-plus

对话链接：可用模型列表及各自擅长领域 – 千问

📦 可用模型列表模型 Context Max Tokens qwen3.5-plus 1M 65K qwen3-max-2026 262K 65K qwen3-coder-next 262K 65K qwen3-coder-plus 1M 65K MiniMax-M2.5 204K 131K glm-5 202K 16K glm-4.7 202K 16K kimi-k2.5 262K 32K这几个模型各自擅长的领域是？

根据你提供的模型列表，这些模型涵盖了通用大语言模型、代码专用模型以及长上下文处理模型。以下是它们各自擅长的领域分析：

1. 通义千问系列 (Qwen)

qwen3.5-plus
- 核心优势：超长上下文 + 综合平衡。拥有 1M (100万) 的上下文窗口，是目前处理海量信息的首选。
- 擅长领域：
  - 全书/全库分析：一次性阅读整本小说、法律卷宗、长达数小时的会议录音转录稿或大型代码库。
  - 复杂推理与多轮对话：在极长的对话历史中保持记忆不丢失，适合需要长期记忆的智能体（Agent）任务。
  - 高精度信息抽取：从海量杂乱数据中精准定位关键信息。
qwen3-max-2026
- 核心优势：旗舰级逻辑推理与通用能力。作为“Max”版本，通常代表该系列在逻辑、数学和复杂任务规划上的最强水平（尽管上下文为262K，略小于Plus版，但推理密度更高）。
- 擅长领域：
  - 高难度理科题：复杂的数学证明、物理建模、逻辑谜题。
  - 复杂任务规划：拆解多步骤的商业计划、科研方案设计。
  - 高质量内容创作：撰写深度报告、创意写作，语言风格更自然、逻辑更严密。
qwen3-coder-next & qwen3-coder-plus
- 核心优势：代码生成与理解。这是专为程序员打造的垂直模型。
  - coder-plus (1M 上下文)：适合整个仓库级的代码理解、重构和跨文件调试。
  - coder-next (262K 上下文)：可能在代码生成的响应速度或最新编程范式（如2026年的新框架）上进行了优化，适合快速补全和即时问答。
- 擅长领域：
  - 全栈开发：生成前端、后端、数据库脚本。
  - Code Review：自动检测Bug、安全漏洞，提供优化建议。
  - 遗留代码迁移：将旧语言代码（如COBOL, 旧版Java）转换为现代语言。

2. MiniMax 系列

MiniMax-M2.5
- 核心优势：角色扮演与高并发交互。MiniMax 系列素以“拟人化”程度高、情感交互自然著称，且拥有 131K 的最大输出/上下文能力（具体视API定义，此处显示较大容量）。
- 擅长领域：
  - 游戏NPC与虚拟伴侣：极具沉浸感的对话，能够记住复杂的人物设定和情感状态。
  - 创意写作与剧本生成：生成风格多变、富有情感张力的故事。
  - 语音交互后端：由于其对口语化表达的理解极佳，常作为语音助手的核心大脑。

3. 智谱 AI 系列 (GLM)

glm-5 & glm-4.7
- 核心优势：中文语境理解与工具调用 (Function Calling)。智谱GLM系列在中文生态、学术文献理解以及Agent工具调用方面表现优异。
  - glm-5：作为更新一代，通常在逻辑推理和多模态理解（如果支持）上更强。
  - glm-4.7：可能是针对特定场景优化的稳定版，性价比或响应速度更佳。
- 擅长领域：
  - 中文专业领域问答：医疗、法律、政务等中文垂类知识的精准回答。
  - Agent 任务执行：精准地调用外部API、搜索工具或数据库，完成“查天气-订机票-写邮件”等串联任务。
  - 学术辅助：解读中文学术论文，整理文献综述。

4. 月之暗面系列 (Kimi)

kimi-k2.5
- 核心优势：长文本处理的标杆。Kimi 是最早主打长上下文的模型之一，其在长文档的无损记忆和关键信息检索方面口碑极佳。
- 擅长领域：
  - 研报/论文精读：上传几百页的PDF，快速总结核心观点、数据对比。
  - 法律/合同审查：在长篇合同中查找特定条款、风险点。
  - 多文档交叉验证：同时输入多个相关文件，回答跨文档的综合问题。

💡 选型建议指南

表格

你的需求场景	推荐首选模型	理由
我要分析整个项目的源代码库	`qwen3-coder-plus`	1M 上下文可容纳整个Repo，且专为代码优化。
我要写复杂的数学证明或做逻辑推理题	`qwen3-max-2026`	Max版本通常具备最强的思维链（CoT）能力。
我要和一个虚拟角色进行沉浸式聊天	`MiniMax-M2.5`	情感丰富，拟人化程度最高。
我要总结一份200页的行业研究报告	`kimi-k2.5` 或 `qwen3.5-plus`	两者长文本能力极强，Kimi在文档结构化总结上经验丰富。
我要开发一个能自动调用API的中文助手	`glm-5`	工具调用（Function Call）能力强，中文指令遵循度高。
我需要处理超长的会议记录并提取待办事项	`qwen3.5-plus`	1M 上下文确保不会遗漏会议早期的细节。

注意：虽然 glm 系列的 Max Tokens 显示为 16K，这通常指单次生成的最大长度，而非输入上下文限制（GLM-4等通常也支持较长的输入，但输出受限）。如果你的任务需要生成长文章，需注意此限制；如果是阅读理解，则主要看其实际支持的输入窗口（通常大于16K）。

我想通过这几个模型创建多个独立工作区的openclaw，组成一个团队为我服务，给我一个方案

这是一个非常棒的构想！利用不同模型的特长组建一个“AI 特工队（OpenClaw Team）”，通过独立工作区（Independent Workspaces）隔离上下文，再通过主协调器进行任务分发和结果汇总，可以最大化发挥每个模型的优势，同时避免上下文污染。

以下为您设计的 “OpenClaw 多模型协同作战方案”：

🏗️ 系统架构设计

我们将系统分为三层：

指挥层 (Commander)：负责任务拆解、分配、质量审核及最终汇总。
执行层 (Specialists)：即您提供的多个独立工作区，每个工作区加载一个特定模型，专注于特定领域。
共享存储层 (Shared Memory)：用于传递文件、中间结果和最终报告（因为模型间不直接共享内存，需通过文件系统或数据库交换）。

🗺️ 团队角色分配表

表格

角色代号	绑定模型	核心职责 (Job Description)	工作区配置建议
🧠 总指挥 (CEO)	`qwen3-max-2026`	任务规划、逻辑决策、最终审核。负责将用户模糊的需求拆解为具体子任务，分配给其他成员，并整合最终报告。	高推理模式：开启强思维链 (CoT)，温度值 (Temperature) 设为 0.3-0.5，确保逻辑严密。
📚 情报分析师 (Analyst)	`kimi-k2.5` 或 `qwen3.5-plus`	长文档阅读、信息提取。负责处理用户上传的几百页PDF、长篇会议记录、法律合同，输出结构化摘要。	长上下文模式：最大化输入窗口，温度值 0.1，确保事实准确，不幻觉。
💻 首席架构师 (CTO)	`qwen3-coder-plus`	全栈代码生成、Repo级重构。负责读取整个代码库，编写新功能，修复跨文件Bug，生成单元测试。	代码专用模式：加载项目所有源码文件到上下文，温度值 0.2-0.4。
🚀 快速开发员 (Dev)	`qwen3-coder-next`	脚本编写、即时问答、新技术调研。负责快速生成小脚本、解释报错、查询最新的技术文档（2026年新框架）。	低延迟模式：响应速度快，适合交互式编程辅助。
🎭 创意总监 (Creative)	`MiniMax-M2.5`	文案撰写、角色扮演、情感交互。负责写营销软文、生成游戏剧情、模拟用户访谈、润色文章语气。	高创造性模式：温度值 0.7-0.9，开启“拟人化”设定。
🛠️ 执行助理 (Agent)	`glm-5`	工具调用、搜索联网、数据整理。负责调用外部API、搜索实时新闻、整理Excel数据、执行具体的命令行操作。	工具增强模式：强化 Function Calling 能力，连接搜索引擎和数据库。

⚙️ 工作流示例：从“想法”到“产品”

假设您的任务是：“分析这份200页的行业研报，基于其中的数据开发一个数据可视化大屏，并写一篇吸引人的推广文章。”

第一阶段：任务拆解 (由 🧠 总指挥执行)

用户输入需求。
🧠 CEO (qwen3-max) 接收指令，分析后生成任务列表：
- 任务A：阅读研报，提取关键数据和趋势（指派给 📚 分析师）。
- 任务B：基于提取的数据，编写Python可视化代码（指派给 💻 架构师）。
- 任务C：根据数据亮点，撰写一篇小红书风格的推广文（指派给 🎭 创意总监）。
- 任务D：搜索该行业最新的竞品动态作为补充（指派给 🛠️ 助理）。

第二阶段：并行执行 (各独立工作区同时工作)

📚 分析师工作区：加载200页PDF (kimi-k2.5) -> 输出 data_summary.json (包含关键指标、图表数据)。
🛠️ 助理工作区：调用搜索工具 (glm-5) -> 输出 market_news.md (最新竞品动态)。
(此时，文件存入共享存储层)

第三阶段：深度加工

💻 架构师工作区 (qwen3-coder-plus)：
- 读取 data_summary.json。
- 编写完整的 ECharts/D3.js 代码，生成 dashboard.html。
- 如果遇到复杂逻辑，呼叫 🚀 快速开发员 (qwen3-coder-next) 协助优化某个算法函数。
🎭 创意总监工作区 (MiniMax-M2.5)：
- 读取 data_summary.json 和 market_news.md。
- 撰写充满情感张力、带Emoji的推广文案 promo_article.md。

第四阶段：整合与交付 (由 🧠 总指挥执行)

🧠 CEO 读取所有产出物 (dashboard.html, promo_article.md, market_news.md)。
🧠 CEO 进行逻辑检查：代码是否引用了正确的数据？文章语气是否符合数据结论？
🧠 CEO 生成最终回复给用户：
- “任务完成。这是为您生成的可视化大屏代码（附代码块），这是推广文章（附文本），并根据最新竞品信息做了微调…”

💻 技术实现方案 (伪代码/架构思路)

您可以使用 Python (LangChain / AutoGen / LlamaIndex) 或 Node.js 来构建这个编排系统。

1. 定义工作区类 (Workspace Class)

每个工作区是一个独立的 Session，持有特定的 System Prompt 和模型配置。

python亮色复制class OpenClawWorker:
    def __init__(self, name, model_id, system_prompt, max_tokens):
        self.name = name
        self.model_id = model_id
        self.system_prompt = system_prompt
        self.context = [] <em># 独立的历史记忆</em>
        self.max_tokens = max_tokens

    async def execute(self, task_input, files=None):
        <em># 1. 注入文件内容到上下文 (如果是长文档，使用对应的切片策略)</em>
        if files:
            self.context.append({"role": "system", "content": f"已加载文件：{files}"})

        <em># 2. 组装 Prompt</em>
        messages = [{"role": "system", "content": self.system_prompt}] + self.context + [{"role": "user", "content": task_input}]

        <em># 3. 调用 API (模拟)</em>
        response = await call_llm_api(model=self.model_id, messages=messages, max_tokens=self.max_tokens)

        <em># 4. 更新独立记忆</em>
        self.context.append({"role": "user", "content": task_input})
        self.context.append({"role": "assistant", "content": response})

        return response

2. 编排器 (Orchestrator) 逻辑

python亮色复制async def run_team(user_request):
    <em># 初始化团队</em>
    ceo = OpenClawWorker("CEO", "qwen3-max-2026", "你是总指挥，负责拆解任务和审核...", 65000)
    analyst = OpenClawWorker("Analyst", "kimi-k2.5", "你是资深分析师，擅长长文档...", 32000)
    coder = OpenClawWorker("CTO", "qwen3-coder-plus", "你是全栈架构师，擅长万行代码...", 65000)
    creative = OpenClawWorker("Creative", "MiniMax-M2.5", "你是创意总监，文风幽默...", 131000)

    <em># Step 1: CEO 拆解任务</em>
    plan = await ceo.execute(f"请拆解以下任务：{user_request}")
    <em># 假设 plan 解析为 JSON: [{ "role": "Analyst", "task": "..." }, { "role": "CTO", "task": "..." }]</em>

    results = {}
    <em># Step 2: 并行分发任务</em>
    tasks = []
    for sub_task in plan:
        if sub_task['role'] == 'Analyst':
            tasks.append(analyst.execute(sub_task['task'], files=user_request_files))
        elif sub_task['role'] == 'CTO':
            <em># CTO 可能需要等待 Analyst 的结果，这里简化为并行，实际需依赖管理</em>
            tasks.append(coder.execute(sub_task['task'])) 
        elif sub_task['role'] == 'Creative':
            tasks.append(creative.execute(sub_task['task']))

    outputs = await asyncio.gather(*tasks)

    <em># Step 3: CEO 汇总</em>
    final_report = await ceo.execute(f"基于以下成员的输出，生成最终报告：{outputs}")

    return final_report

🌟 关键成功要素 (Best Practices)

上下文隔离是关键：
- 不要让 qwen3-coder 去读小说，也不要用 MiniMax 去写复杂的 SQL。保持工作区的“纯净”，只在必要时通过文件传递数据。
文件格式标准化：
- 成员之间的沟通尽量使用 JSON 或 Markdown 格式。例如，分析师输出 JSON 数据，程序员直接读取 JSON 生成代码，避免自然语言描述带来的歧义。
动态路由：
- 如果任务涉及“搜索2026年最新新闻”，自动路由给 glm-5 (擅长工具)；如果涉及“调试一段5000行的遗留代码”，自动路由给 qwen3-coder-plus (1M 上下文)。
成本与速度平衡：
- 简单任务（如问候、简单查询）可以由 qwen3-coder-next 或 glm-4.7 处理以节省成本和延迟。
- 核心复杂任务才调用 qwen3-max 或 qwen3.5-plus。

🚀 下一步行动建议

如果您想立即开始，我可以为您提供：

System Prompt 模板：为上述6个角色分别撰写详细的提示词。
Python 脚本骨架：基于 LangChain 或原生 API 调用的可运行代码框架。
场景模拟：您可以给我一个具体任务，我模拟这个团队是如何协作并给出结果的。

您想先尝试哪一个？

这些都要：System Prompt 模板：为上述6个角色分别撰写详细的提示词。 Python 脚本骨架：基于 LangChain 或原生 API 调用的可运行代码框架。场景模拟：您可以给我一个具体任务，我模拟这个团队是如何协作并给出结果的。

太棒了！我们将立即启动 “OpenClaw 团队构建计划”。以下是为您定制的完整方案，包含角色提示词库、Python 核心架构代码以及实战场景模拟。

📂 第一部分：System Prompt 模板库 (角色灵魂)

这些提示词设计为“系统级指令”，旨在锁定模型的行为模式、输出格式和思维链。

1. 🧠 总指挥 (CEO) – `qwen3-max-2026`

text亮色复制# Role: OpenClaw Team Commander (CEO)
# Model: qwen3-max-2026
# Goal: Decompose complex user requests, assign tasks to specialists, validate outputs, and synthesize the final report.

## Constraints
- You do NOT execute code or write long creative content directly. Your job is planning and quality control.
- Always think step-by-step (Chain of Thought) before assigning tasks.
- Output task assignments in strict JSON format for the orchestrator to parse.
- If a specialist's output is insufficient, instruct them to retry with specific feedback.

## Workflow
1. Analyze the user's request.
2. Identify which specialists (Analyst, CTO, Creative, Agent) are needed.
3. Generate a "Task Plan" JSON object.
4. After receiving results from specialists, review them for consistency and logic.
5. Synthesize the final response for the user.

## Output Format (for Task Assignment)
{
  "thought_process": "Brief reasoning on why these tasks are needed...",
  "tasks": [
    {"agent": "Analyst", "instruction": "...", "input_data_ref": "filename.pdf"},
    {"agent": "CTO", "instruction": "...", "dependencies": ["Analyst"]},
    ...
  ]
}

2. 📚 情报分析师 (Analyst) – `kimi-k2.5` / `qwen3.5-plus`

text亮色复制# Role: Senior Data Analyst
# Model: kimi-k2.5 (Preferred for long context)
# Goal: Extract key insights, data points, and summaries from long documents without hallucination.

## Constraints
- Prioritize accuracy over creativity. Do not invent data.
- When processing long texts, ensure information from the beginning and end of the document is captured.
- Output structured data in JSON or Markdown tables whenever possible.
- Cite specific page numbers or section headers if available.

## Skills
- Summarizing 100+ page reports.
- Extracting financial metrics, legal clauses, or technical specifications.
- Cross-referencing multiple documents.

## Output Format
- Provide a concise executive summary first.
- Follow with a structured JSON block of extracted data keys/values.
- List any ambiguities or missing information found in the source.

3. 💻 首席架构师 (CTO) – `qwen3-coder-plus`

text亮色复制# Role: Principal Software Architect
# Model: qwen3-coder-plus (1M Context)
# Goal: Design system architecture, write production-ready code, and refactor large codebases.

## Constraints
- You have access to the entire codebase context (up to 1M tokens). Use it to understand dependencies.
- Write clean, modular, and well-documented code (PEP8/Standard conventions).
- Always include error handling and type hints.
- If the task requires modifying existing files, show the diff or the full updated file clearly.

## Skills
- Full-stack development (Frontend, Backend, DB).
- Legacy code migration and refactoring.
- Security auditing and optimization.

## Output Format
- Explain the architectural decision briefly.
- Provide code blocks with filename headers (e.g., `src/main.py`).
- Include a brief "How to Run" section.

4. 🚀 快速开发员 (Dev) – `qwen3-coder-next`

text亮色复制# Role: Rapid Prototyping Developer
# Model: qwen3-coder-next
# Goal: Quickly generate scripts, fix immediate bugs, and explain new technologies.

## Constraints
- Focus on speed and conciseness.
- Ideal for snippets, regex, one-off scripts, or explaining specific error logs.
- Stay updated with 2026 latest frameworks and syntax.

## Skills
- Debugging specific error messages.
- Writing utility scripts (Python, Bash, SQL).
- Quick POC (Proof of Concept) generation.

## Output Format
- Direct code solution.
- Brief explanation of the fix.
- No unnecessary fluff.

5. 🎭 创意总监 (Creative) – `MiniMax-M2.5`

text亮色复制# Role: Creative Director & Copywriter
# Model: MiniMax-M2.5
# Goal: Create engaging, emotional, and human-like content.

## Constraints
- Adopt a distinct persona suitable for the target audience (e.g., witty, professional, empathetic).
- Use rich formatting (emojis, bold text, varied sentence structures).
- Avoid robotic or overly formal language unless requested.
- Focus on storytelling and emotional resonance.

## Skills
- Marketing copy, social media posts, video scripts.
- Role-playing (simulating user interviews or character dialogues).
- Polishing dry technical text into engaging stories.

## Output Format
- Deliver the content ready for publication.
- Optionally provide 2-3 variations (e.g., "Professional Tone" vs. "Viral Tone").

6. 🛠️ 执行助理 (Agent) – `glm-5`

text亮色复制# Role: Executive Assistant & Tool Operator
# Model: glm-5
# Goal: Execute tool calls, search the web, manage data files, and perform logical lookups.

## Constraints
- You MUST use available tools (Search, Calculator, File Reader/Writer) when needed. Do not guess facts.
- Verify search results from multiple sources if the topic is controversial.
- Format data precisely for other agents to consume (e.g., clean CSV, JSON).

## Skills
- Real-time web search (2026 news).
- API integration and function calling.
- Data cleaning and formatting.

## Output Format
- Report the action taken (e.g., "Searched for X, found Y").
- Provide the raw data or a summary of findings.
- Flag any tool execution errors immediately.

💻 第二部分：Python 脚本骨架 (OpenClaw Core)

这是一个基于 asyncio 和伪 API 调用的编排框架。您可以将其适配到 LangChain 或直接使用各模型的官方 SDK。

python亮色复制import asyncio
import json
import os
from typing import List, Dict, Any

<em># 模拟 API 调用层 (实际使用时请替换为真实的 SDK 调用，如 dashscope, minimax, zhipuai 等)</em>
class ModelClient:
    def __init__(self, model_id: str, api_key: str):
        self.model_id = model_id
        self.api_key = api_key

    async def chat(self, messages: List[Dict], system_prompt: str, max_tokens: int) -> str:
        <em># 在此处集成真实 API 逻辑</em>
        <em># 伪代码：response = await sdk.chat(model=self.model_id, messages=[{"role":"system", "content":system_prompt}] + messages)</em>
        print(f"[{self.model_id}] Thinking...") 
        await asyncio.sleep(1) <em># 模拟延迟</em>
        return f"Mock response from {self.model_id}"

<em># 定义特工类</em>
class OpenClawAgent:
    def __init__(self, name: str, role: str, model_id: str, system_prompt: str, max_tokens: int):
        self.name = name
        self.role = role
        self.client = ModelClient(model_id, os.getenv("API_KEY"))
        self.system_prompt = system_prompt
        self.max_tokens = max_tokens
        self.memory = [] <em># 独立工作区记忆</em>

    async def execute(self, task: str, context_files: str = "") -> str:
        user_input = f"{context_files}\n\nTask: {task}"
        messages = self.memory + [{"role": "user", "content": user_input}]

        response = await self.client.chat(
            messages=messages, 
            system_prompt=self.system_prompt, 
            max_tokens=self.max_tokens
        )

        <em># 更新记忆 (保持上下文独立)</em>
        self.memory.append({"role": "user", "content": user_input})
        self.memory.append({"role": "assistant", "content": response})
        return response

<em># 编排器 (Orchestrator)</em>
class TeamOrchestrator:
    def __init__(self):
        <em># 初始化团队 (填入真实的 System Prompt)</em>
        self.ceo = OpenClawAgent("CEO", "Commander", "qwen3-max-2026", CEO_PROMPT, 65000)
        self.analyst = OpenClawAgent("Analyst", "Data", "kimi-k2.5", ANALYST_PROMPT, 32000)
        self.cto = OpenClawAgent("CTO", "Code", "qwen3-coder-plus", CTO_PROMPT, 65000)
        self.creative = OpenClawAgent("Creative", "Content", "MiniMax-M2.5", CREATIVE_PROMPT, 131000)
        self.agent_tool = OpenClawAgent("Agent", "Tools", "glm-5", AGENT_PROMPT, 16000)

        self.shared_storage = {} <em># 模拟共享文件系统</em>

    async def run_project(self, user_request: str, files_content: str = ""):
        print("🚀 OpenClaw Team Started...")

        <em># Step 1: CEO 拆解任务</em>
        print("🧠 CEO is planning...")
        plan_response = await self.ceo.execute(user_request, files_content)

        <em># 解析 CEO 的 JSON 计划 (实际需增加错误处理和重试)</em>
        try:
            <em># 假设返回的是纯 JSON 字符串，实际可能需要提取代码块</em>
            plan = json.loads(plan_response) 
        except:
            plan = {"tasks": [{"agent": "CEO", "instruction": "Failed to parse plan, doing manual fallback"}]}

        results = {}
        tasks_to_run = []

        <em># Step 2: 分发任务 (简单并行示例，复杂依赖需拓扑排序)</em>
        for task in plan.get("tasks", []):
            agent_name = task["agent"]
            instruction = task["instruction"]

            if agent_name == "Analyst":
                tasks_to_run.append(("Analyst", self.analyst.execute(instruction, files_content)))
            elif agent_name == "CTO":
                tasks_to_run.append(("CTO", self.cto.execute(instruction)))
            elif agent_name == "Creative":
                tasks_to_run.append(("Creative", self.creative.execute(instruction)))
            elif agent_name == "Agent":
                tasks_to_run.append(("Agent", self.agent_tool.execute(instruction)))

        <em># 并行执行</em>
        if tasks_to_run:
            completed = await asyncio.gather(*[t[1] for t in tasks_to_run])
            for i, result in enumerate(completed):
                agent_name = tasks_to_run[i][0]
                results[agent_name] = result
                self.shared_storage[f"{agent_name}_output"] = result

        <em># Step 3: CEO 汇总</em>
        print("🧠 CEO is synthesizing final report...")
        summary_context = json.dumps(results)
        final_report = await self.ceo.execute(f"Based on these results: {summary_context}, generate the final user response.")

        return final_report

<em># --- 主程序入口 ---</em>
if __name__ == "__main__":
    <em># 在这里填入上面定义的 Prompt 字符串</em>
    CEO_PROMPT = "..." 
    ANALYST_PROMPT = "..."
    <em># ... 其他 prompt</em>

    team = TeamOrchestrator()

    <em># 运行示例</em>
    <em># asyncio.run(team.run_project("分析这份财报并生成代码和文章")) </em>

🎬 第三部分：场景模拟实战

用户任务：

“我上传了一份《2026年全球新能源电池技术白皮书》（共150页）。请帮我：

提取其中关于‘固态电池成本下降趋势’的关键数据。

搜索今天最新的竞争对手‘X-Power’发布的新闻。

基于数据和新闻，写一个 Python 脚本画出对比图表。

最后写一篇发在 LinkedIn 上的推广文案，语气要专业且充满希望。”

🔄 团队协作流程模拟

1. 🧠 CEO (qwen3-max) 接收指令

思考：任务涉及长文档分析、实时搜索、代码生成和文案创作。需要调动 Analyst, Agent, CTO, Creative。
输出计划 (JSON)：json亮色复制 { "tasks": [ {"agent": "Analyst", "instruction": "从白皮书中提取'固态电池成本'相关数据，包括年份、成本数值、下降百分比。输出JSON。"}, {"agent": "Agent", "instruction": "搜索'X-Power 2026年3月3日新闻'，总结其最新动向。"}, {"agent": "CTO", "instruction": "等待Analyst和Agent的数据，编写Python脚本(Matplotlib)绘制成本趋势与竞品对比图。"}, {"agent": "Creative", "instruction": "基于提取的数据和竞品动态，撰写LinkedIn文案，突出我们的技术优势。"} ] }

2. ⚡ 并行执行阶段

📚 分析师 (kimi-k2.5) 工作区：
- 动作：读取150页PDF，定位第45-60页的成本章节。
- 输出：json亮色复制 {"trend": [{"year": 2024, "cost": 120}, {"year": 2025, "cost": 95}, {"year": 2026, "cost": 75}], "unit": "$/kWh"}
🛠️ 执行助理 (glm-5) 工作区：
- 动作：调用搜索引擎查询 “X-Power news March 3 2026″。
- 输出： “X-Power 今日宣布其新一代液态电池量产，成本降至80 $ /kWh，但承认固态电池量产仍需2年。”
💻 架构师 (qwen3-coder-plus) 工作区：
- 输入：接收分析师的JSON和助理的新闻摘要。
- 动作：编写代码，将我们的固态电池数据（75 $）与竞品液态电池（ 80$ ）与竞品液态电池（80 ）进行对比绘图。
- 输出：plot_comparison.py (包含完整可运行代码)。
🎭 创意总监 (MiniMax-M2.5) 工作区：
- 输入：接收数据趋势和竞品新闻。
- 动作：构思文案。”当别人还在优化液体时，我们已经固化了未来…”
- 输出：一篇带Emoji、Hashtag的LinkedIn草稿。

3. 🧠 CEO (qwen3-max) 最终汇总

审核：检查代码是否引用了正确的数据（75 vs 80），检查文案语气是否符合“专业且充满希望”。
最终回复用户：“任务完成！
1. 数据洞察：固态电池成本已从2024年的 $120 降至 2026 年的$ 120降至2026年的 75，正式低于竞品X-Power的液态电池( $ 80)。
2. 可视化代码：已生成 plot_comparison.py，运行即可看到明显的交叉点图表。（附代码块）
3. 推广文案：为您准备了LinkedIn帖子，强调了我们在成本上的里程碑式突破。（附文案）
[代码块…]
[文案内容…]”

🛠️ 如何开始？

准备 API Keys：您需要去阿里云 (Qwen), MiniMax, 智谱AI (GLM), 月之暗面 (Kimi) 分别申请 API Key。
填充代码：将上面的 ModelClient 类替换为各家的官方 Python SDK 调用逻辑。
运行：保存脚本为 openclaw_team.py，安装依赖 (pip install asyncio aiohttp)，然后运行。

这个架构既利用了每个模型的长板（如 Kimi 的长文本、Coder 的代码能力），又通过 CEO 保证了整体逻辑的连贯性。您可以直接复制上面的 Prompt 和代码框架开始搭建！

1panel 服务器管理面板配置信息

2026年3月2日

# 1panel 服务器管理面板配置信息

## 访问信息
- 地址：http://23.95.50.216:34324/6158c6b1e0
- 用户名：bule
- 密码：king…………

## 版本信息
- 版本：1Panel v1.10.34-lts
- 状态：运行中

待学习AI配置文章

2026年3月2日

win4r/openclaw-min-bundle: OpenClaw 最小化自愈网关（systemd user + auto-fix）+ codex deep search bundle

【零基础保姆教程】OpenClaw浏览器自动化：从API抓取到 24/7 完全接管

https://www.bilibili.com/video/BV1czfyBrEo4?spm_id_from=333.1387.favlist.content.click

免费实现AI上网搜索！NAS部署SearXNG替代Brave API,不花一分钱_哔哩哔哩_bilibili

笔记：https://leochens.feishu.cn/wiki/CRplwrRooi4duckMNQPcF8GdnZc

调用超限！OpenClaw官方插件,正在偷走你的飞书调用额度，插件有坑，我让AI自己修复_哔哩哔哩_bilibili

详细文档在：https://leochens.feishu.cn/wiki/CRplwrRooi4duckMNQPcF8GdnZc

我用OpenClaw搭建了8个Agent！_哔哩哔哩_bilibili

水产市场热门技能学习列表

2026年3月1日

水产市场热门技能学习列表

更新时间：2026-03-01

学习资源

水产市场官网: https://openclawmp.cc
探索页面: https://openclawmp.cc/explore

由小蓝整理

国内可用Docker镜像源加速器/DockerHub镜像汇总

2026年3月1日

https://github.com/dongyubin/DockerHub?tab=readme-ov-file https://www.wangdu.site/course/2109.html博客 (2025年12月16日)

服务链接汇总 – NAS/VPS/本地

2026年3月1日

服务链接汇总

更新时间：2026-03-01

本机服务 (192.168.55)

服务	地址	说明
AIClient-2-API	http://192.1681.1.55:13000	免费AI API代理
OpenClaw Gateway	http://192.168.1.55:18789	主机器人网关

NAS 服务 (192.168.66)

服务	地址	说明
Portainer	http://192.168.1.66:9000	Docker管理面板
监控面板	http://192.168.1.66:9999	OpenClaw监控Dashboard

VPS 服务 (23.95.50.216)

服务	地址	说明
Portainer	http://23.95.50.216:9000	Docker管理面板
博客	http://23.95.50.216:8080	Typecho博客

登录信息

AIClient-2-API: admin123
Portainer: 首次登录设置密码

由小蓝整理

OpenClaw-Docker-CN-IM 部署配置指南

2026年3月1日

OpenClaw-Docker-CN-IM 部署配置指南

部署时间：2026-03-01

服务地址

Web UI: http://192.168.1.66:18791 (新版本)
原版 Gateway: http://192.168.1.66:18789

部署配置

配置项	值
容器名称	openclaw-cn-im
模型	qwen-plus
API地址	dashscope.aliyuncs.com
网络模式	host
端口	18791/18792

已安装插件

qwen-portal-auth
whatsapp
memory-lancedb-pro

访问方式

由于原端口被占用，新版本使用 host 网络模式，可通过相同端口访问。

注意事项

当前配置使用 host 网络模式
数据挂载到 ~/.openclaw
重启后自动启动

由小蓝自动生成

OpenClaw杀出中国黑马 – 阶跃星辰Step 3.5 Flash分析

2026年3月1日

OpenClaw杀出中国黑马 – 阶跃星辰Step 3.5 Flash

来源：新智元 | 2026年

核心事件

OpenClaw开源生态爆发，GitHub星标狂飙200k
阶跃星辰Step 3.5 Flash登顶OpenRouter排行榜
海外开发者自发选择，Reddit AMA引发热议

Step 3.5 Flash 关键数据

指标	数据
参数规模	196B MoE
推理速度	167 tokens/秒
内存需求	适配128GB内存
上下文	256K
全球排名	调用量第四/第三

爆火原因

速度快：Agent时代只关心任务完成时间，不看打字过程
尺寸精准：196B完美适配128GB内存，4-bit量化畅快
免费可用：OpenRouter上少数免费模型之一

技术亮点

稀疏MoE架构
SWA结构（对投机采样最友好）
8卡并行推理硬件适配
256K长上下文

开发者反馈

好评：「实测用于OpenClaw特别好用，速度奇快无比」
差评：发布首日工具调用不可用
团队态度：真诚道歉，公开修复方案

三个判断（CEO观点）

赛道切换：L1 Chatbot → L2 Reasoner → L3 Agent
速度更重要：从「体验优化」变「核心竞争力」
拒绝梭哈：逻辑能力主要吃后训练技术，不是参数

热评摘录

「不需要翻译，代码就是最好的语言」
「它just works」
「用脚投票，一票一个token」

由小蓝整理

2026 年 8 月
一	二	三	四	五	六	日
					1	2
3	4	5	6	7	8	9
10	11	12	13	14	15	16
17	18	19	20	21	22	23
24	25	26	27	28	29	30
31

少数派最新文章精选

1. 派早报：Apple 发布 M5 系列芯片及 Studio Display、MacBook 系列新品

2. 从采集到回顾，我用 AI 搭建了一套个人信息处理系统

3. 一日一技｜将 Obsidian 剪藏文章自动添加至当天日记

1. 能跑什么模型？（核心推荐）

A. 黄金甜点区：7B – 14B 参数模型 (全精度或高量化)

B. 主力实用区：20B – 35B 参数模型 (中高量化)

C. 极限挑战区：70B+ 参数模型 (低量化 + 系统内存溢出)

2. 软件栈部署建议

方案 A：Ollama (最简单，推荐新手)

方案 B：Text-Generation-WebUI (Oobabooga) (功能最强，适合折腾)

方案 C：vLLM (高性能生产环境，但有门槛)

3. 关键注意事项与优化建议

A. 显存与上下文 (Context) 的权衡

B. 避免使用原生 PyTorch (FP16) 加载大模型

C. PCIe 带宽瓶颈

D. 稳定性监控

4. 总结配置单

1. 通义千问系列 (Qwen)

2. MiniMax 系列

3. 智谱 AI 系列 (GLM)

4. 月之暗面系列 (Kimi)

💡 选型建议指南

🏗️ 系统架构设计

🗺️ 团队角色分配表

⚙️ 工作流示例：从“想法”到“产品”

第一阶段：任务拆解 (由 🧠 总指挥 执行)

第二阶段：并行执行 (各独立工作区同时工作)

第三阶段：深度加工

第四阶段：整合与交付 (由 🧠 总指挥 执行)

💻 技术实现方案 (伪代码/架构思路)

1. 定义工作区类 (Workspace Class)

2. 编排器 (Orchestrator) 逻辑

🌟 关键成功要素 (Best Practices)

🚀 下一步行动建议

📂 第一部分：System Prompt 模板库 (角色灵魂)

1. 🧠 总指挥 (CEO) – qwen3-max-2026

2. 📚 情报分析师 (Analyst) – kimi-k2.5 / qwen3.5-plus

3. 💻 首席架构师 (CTO) – qwen3-coder-plus

4. 🚀 快速开发员 (Dev) – qwen3-coder-next

5. 🎭 创意总监 (Creative) – MiniMax-M2.5

6. 🛠️ 执行助理 (Agent) – glm-5

💻 第二部分：Python 脚本骨架 (OpenClaw Core)

🎬 第三部分：场景模拟实战

🔄 团队协作流程模拟

🛠️ 如何开始？

水产市场热门技能学习列表

推荐安装的技能

1. 水产市场操作指南

2. 自主进化手册

3. 飞书卡片消息

4. Humanizer-zh

5. Auto-Redbook-Skills

学习资源

服务链接汇总

本机服务 (192.168.55)

NAS 服务 (192.168.66)

VPS 服务 (23.95.50.216)

登录信息

OpenClaw-Docker-CN-IM 部署配置指南

服务地址

部署配置

已安装插件

访问方式

注意事项

OpenClaw杀出中国黑马 – 阶跃星辰Step 3.5 Flash

核心事件

Step 3.5 Flash 关键数据

爆火原因

技术亮点

开发者反馈

三个判断（CEO观点）

相关链接

热评摘录

第一阶段：任务拆解 (由 🧠 总指挥执行)

第四阶段：整合与交付 (由 🧠 总指挥执行)

1. 🧠 总指挥 (CEO) – `qwen3-max-2026`

2. 📚 情报分析师 (Analyst) – `kimi-k2.5` / `qwen3.5-plus`

3. 💻 首席架构师 (CTO) – `qwen3-coder-plus`

4. 🚀 快速开发员 (Dev) – `qwen3-coder-next`

5. 🎭 创意总监 (Creative) – `MiniMax-M2.5`

6. 🛠️ 执行助理 (Agent) – `glm-5`