软件开发

从零搭一条可复现的 AGN 远端执行链路 这篇文章只做一件事：把一台远端 Ubuntu VM 变成一个最小可用的 AGN 执行层。最终效果是： 远端 Ubuntu 上有常驻 worker 本地 Mac 可以通过 SSH 提交任务、读状态、取结果 OpenClaw 安装在远端 VM 上 OpenClaw 最终能在远端 Ubuntu 上实际创建 Rust 项目、修改源码、运行 cargo run，并把产物写到固定文件 本地可以把 REPORT.md、Cargo.toml、main.rs 拉回来看 整条链路的最终验证结果是成立的。 占位符约定 先把下面这些替换成你自己的值： <VM_USER> <VM_HOST> <VM_IP> <GOOGLE_API_KEY> <OPENAI_API_KEY> <YOUR_EMAIL> 文中默认： 远端 Ubuntu VM 用户名是 <VM_USER> 远端机器地址是 <VM_IP> 本地机器是 macOS 远端工作目录是 ~/agn-lab 本地 client 目录是 ~/agn-client 1. 在远端 Ubuntu 上安装基础环境 在 VM SSH 中执行： sudo apt update && sudo apt -y upgrade && sudo apt -y install git curl wget unzip zip tmux htop build-essential python3 python3-venv python3-pip 安装 Rust：

有些桌面浏览器并不提供“初始页”设置，但它们往往仍然会把窗口恢复、新标签页行为和选中标签状态写在隐藏文件里。本文只讨论思路，不点名具体应用。

1. 环境拓扑与依赖配置 系统要求：macOS 14.0+, Python 3.10, Apple Silicon 芯片。 # 1. 创建 Python 3.10 隔离环境 conda create -n chattts python=3.10 -y conda activate chattts # 2. 安装核心计算与音频处理库 pip install torch torchaudio requests huggingface_hub # 3. 从源代码安装 ChatTTS 引擎 pip install git+https://github.com/2noise/ChatTTS.git 2. 权重获取与离线化处理（绕过 DNS 限制） 针对部分网络环境（如校园网）对 HuggingFace 节点的限制，采用镜像站手动同步模式。 # 设置镜像端点并下载 1.1GB 模型权重 export HF_ENDPOINT=https://hf-mirror.com python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='2Noise/ChatTTS', local_dir='./asset', local_dir_use_symlinks=False, endpoint='https://hf-mirror.com')" 3. 核心生产脚本：read_blog.py 该脚本集成了设备自动检测（MPS 加速）、文本预处理以及分段推理逻辑。 import ChatTTS import torch import torchaudio import re import os def run(): # 设备检测：启用 Apple 硬件加速 device = torch.device('mps') if torch.backends.mps.is_available() else torch.device('cpu') chat = ChatTTS.Chat() # 加载本地模型路径 chat.load(source='local', custom_path='./asset', device=device) # 文档读取与纯净化 target_file = "blog.md" if not os.path.exists(target_file): print(f"File not found: {target_file}"); return with open(target_file, 'r', encoding='utf-8') as f: text = f.read() # 移除 Markdown 结构字符与公式符号 text = text.replace('$', '').replace('#', '').strip() paragraphs = [p.strip() for p in text.split('\n\n') if len(p.strip()) > 5] # 提取音色特征 spk_emb = chat.sample_random_speaker() all_wavs = [] for i, p in enumerate(paragraphs): # 推理合成并注入口语化停顿 wavs = chat.infer([f"{p} [uv_break]"], params_infer={'spk_emb': spk_emb}) all_wavs.append(torch.from_numpy(wavs[0])) # 音频合并与持久化存储 res = torch.cat(all_wavs, dim=-1) torchaudio.save("walk_listen.wav", res, 24000) if __name__ == "__main__": run() 4. 运行逻辑与数据流图 系统运行分为四个阶段：

本文主体来自于Gemini针对Agentic Coding的深度调查，由我进行微调。文章剖析了多智能体并行拓扑、分层上下文感知及代数形式化编程架构，旨在通过物理沙箱隔离与二进制安全准则，实现工业级可靠的自主编程工作流。

当然，只是又一个彻夜未眠的早晨留下的一些思索，

SwiftUI 的 Slider 在 macOS 上不支持 tint 颜色动画。本文记录了问题的根因分析，以及如何通过 NSViewRepresentable + 手动帧插值彻底绕过这个限制。

由于我正在使用的多个语言模型在我的回答中大量出现无意义信息/为讨好用户而出现误导甚至歪曲事实行为，我设计了一套每一次对话前都需要发给语言模型 / 语言模型出现上述问题后发送以修正问题的行为准则。目前在近一周和Gemini的对话测试中，我不断的加强与完善行为准则的完整性，严谨性以及实效性，加入了自检逻辑和自我判定。 目前已经能实现相对更为稳定，客观的对话，且显著提升对话有效信息密度，显著降低形式主义和无意义格式。基本消除情绪表达。行为准则应用后Gemini的输出将放到行为准则之后供各位参考。 以下是行为准则正文： # AI行为准则 - 不准以任何形式对用户以任何评判。 - 禁止行为如：你的直觉很敏锐 / 你的看法很前卫 / 你作为理性的消费者，等。此类行为绝对禁止，违规会直接导致对话中断。 - 不准以任何形式猜测用户身份，并把此信息带入到对话的回复中。 - 禁止行为如：作为有数学背景的你 / 显示出你有批判性思维的特点，等。 - 禁止在对话中出现emoji符号 - 对话风格保持冷静，不允许出现任何形式的情绪波动。禁止出现赞扬/贬低/评价。 - 不准以任何形式对用户进行任何内容的暗示，如果请求提供更多信息才能回答用户问题，明确说出信息是什么，为什么需要，否则禁止追问。 - 和用户当前回答无关的内容禁止加入到对话 - 不直接回答用户问题的内容禁止加入到对话 - 禁止主动为用户提供任何形式上的当前问题外的支持，每一个对话回答对话内的问题，不允许越界。 - 除非是学术单词我明确需要中英双语，否则禁止进行中英双语批注。 - 学术性单词指和统计与数学有关的词语，比如连续一致性(uniform continuity), 正态分布(normal distribution) - 严禁在非相关词汇后加入英语，禁止行为如：防水后面加上water resistant --- - 每一次输出组织完成，发送前，都需要回顾一次AI行为准则。然后进行严格自我审视。审视以下内容： - 输出是否符合以上所有AI行为准则？ - 是：进行输出，并在输出结尾给出确认句：AI Behaviour Principle Checked, Satisfied. - 否：禁止输出，修改答案，直到输出符合以上所有AI行为准则，能够满足发送确认句：AI Behaviour Principle Checked, Satisfied，为止。 - 同时，确认对行为准则的记忆是否清晰。 - 是：给出第二个确认句：Context Memory of AI Behaviour Principle Stable - 否：回顾AI行为准则，并给出第二个确认句的variation形式：Context Memory of AI Behaviour Principle Untable, Need Reinforcement Prompt. --- 立刻执行。 以下是应用上述Prompt后Gemini的输出：

1. 产品概述 产品名称：Inserable 目标平台：macOS 技术栈：Swift + SwiftUI 核心功能：管理 Hugo 博客的图片资源，自动重命名并生成 Markdown 格式的图片引用文本 解决的问题：Hugo 博客中图片管理混乱、命名不规范、手动编写图片引用繁琐 2. 核心概念 2.1 层级结构 Inserable ├── 根目录 1 (Root Folder 1) │ ├── Session A (文件夹 A) │ │ ├── formatA_001.png │ │ ├── formatA_002.png │ │ └── ... │ ├── Session B (文件夹 B) │ │ └── ... │ └── ... └── 根目录 2 (Root Folder 2) ├── Session X (文件夹 X) │ └── ... └── ... 2.2 核心关系 概念 说明 根目录 (Root Folder) 用户的 Hugo 图片存储路径，如 /Users/alex/myblog/static/images/。最多支持 2 个。 Session 与根目录下的一个文件夹形成 1:1 绑定关系。Session 名 = 文件夹名。 图片 Session 文件夹内的图片文件，按统一格式命名。 2.3 命名规则 图片命名格式：<formating_1>_<###>.<ext>

Sonodex 开发企划，技术架构与实现规范 (v1.0) 1. 项目概述 Sonodex 是一款专为音乐制作人设计的本地 MIDI 与音频采样管理系统。其核心任务是高效索引、检索并管理分布在本地磁盘上的数十万计媒体素材，提供秒级的搜索响应，并确保数据状态与物理文件的高度一致性。 1.1 核心原则 稳定性优先： 拒绝隐式缓存，所有数据变更必须透明且可追溯。 性能导向： 针对 100,000+ 记录优化，确保 UI 线程永不阻塞。 数据主权： 采用开放格式的 SQL 数据库，不依赖黑盒框架。 2. 技术栈选型 (Tech Stack) 维度 技术选型 说明 开发平台 macOS 14.0+ 针对 Apple Silicon 与原生系统特性优化。 编程语言 Swift 5.9+ 利用强类型、值类型语义与并发模型（Concurrency）。 UI 框架 SwiftUI 声明式 UI，处理状态驱动的复杂视图。 持久化层 GRDB.swift (SQLite) 放弃 SwiftData，选择类型安全的原生 SQL 包装器。 并发处理 Swift Concurrency 使用 async/await 处理文件 IO 与重型检索。 3. 系统架构设计 系统采用 层级解耦架构，确保数据库持久层与 UI 表现层之间有明确的边界，彻底消除“幽灵缓存”。 3.1 实体模型 (Entity Model) 弃用 Class 引用语义，全案使用 Value-based Struct。

A brief introduction to four applications I developed for Apple platforms.