刚让OC跑起来
摘要
作者分享了设置OC代理框架的实践经验,解决语音模型和本地LLM问题,以及为AI代理构建安全、沙盒化的工作空间。
昨天我终于试了一下OC。作为背景,我早期使用lang chain/graph构建过代理,也在我自己的一个企业中使用crewai构建了自己的代理框架。我还进行了一段时间的代理编码,并设置了自己的本地LLM。我是一个批判性思考者,并且遇到障碍会勇往直前。反馈。我阅读了所有这些安装问题。我没有遇到它们。我打开ChatGPT,轻松搞定了安装。我在连接TTS时卡住了。语音模型的状态一直在变化(或者我以为是这样)。在花了三个小时绞尽脑汁调试Core Audio(Mac音频)后,我们发现问题出在我这个笨蛋忘记我使用的qwen模型是配置为编码用的。它基本上占用了我所有的空闲RAM,导致Core Audio无法使用。是的,那挺有趣的。不是OC的问题,是我的错。一旦搞定,我连接了一个简单的Swift UI,以便查看配置、日志等。所有这一切都是在严格的安全和沙盒环境下完成的。然后我们构建了一个沙盒批准的受限工作空间,以将代理限制在其中。完成后,我们构建了一个通过语音进行工具调用的规范化层。显然,模式中有一些令人困惑的地方。之后,我们将我的iPhone与tailscale配对。注意到手机上的声音不是我的代理,所以我们构建了一个简单的语音层,以确保所有设备使用相同的声音。一切就绪。即插即用,我可以随时切换模型。我理解有些人认为点击一个按钮就能工作。那不是我用过的任何代理工具,除了前沿技术。我的建议是,如果你真的想使用代理程序,要么花钱购买一个并接受它掌握在大数据手中,要么花时间学习一些基本的计算机技能。我读到的很多废话,只需打开ChatGPT就能解决。它真的会给你bash命令来调试和完成这些事情。只需要一点耐心和思考。目前它运行得很好。我们已经构建了基础,包括一些小工具和技能。明天我将添加语音识别和基于识别的配置文件确定。我认为关键是在尝试分配实际任务之前,先建立坚实的基础。并运行测试。使用日志。确保它稳定。这是基本的架构思维。我使用OC是因为我想要一个强大的框架。我也喜欢看看每个框架能带来什么。到目前为止,一切顺利。
相似文章
我用 Ollama 构建了一个本地自主编码代理——微调灵魂模型,40轮代理循环,MiniMax M3 处理重活
一位开发者使用 Ollama 构建了一个本地自主编码代理,结合了微调个性模型(Eve)进行对话和 MiniMax M3 处理重活,实现了 40 轮代理循环,包含 16 个工具,9 个测试全部一次通过。
OpenClaw 与 Ollama 在智能体 AI 中的应用:迈向全自主且可扩展的 AI 智能体系统
本文提出了智能体 AI 的分层架构分析,以 OpenClaw 和 Ollama 作为全栈原型,展示了自主能力如何从系统集成中涌现,并讨论了运行挑战和未来方向。
@TheAhmadOsman: 本地AI从未如此简单 > 安装ODS > 让它检测你的硬件 > 它会为你的硬件下载最佳模型…
ODS简化了运行本地AI的过程,自动检测硬件、下载最佳模型,并提供包括语音、代理、RAG和仪表盘在内的完整堆栈,全部无需云或订阅。
面向智能体任务的以对象为中心的环境建模
介绍了以对象为中心的环境建模(OCM),该方法将LLM代理的经验组织成两个可执行代码库(对象知识和过程知识),以提高复用性、验证能力,并减少交互环境中的无效动作。
如何不再手动协调多个AI代理,让它们直接对话
作者描述了手动协调多个AI编程代理的繁琐过程,并介绍了Accord Agents——一个开源共享工作空间,使代理能够讨论并相互审查工作成果,同时整个过程对人工保持透明。