全球最不正经 AI Agent 工程师｜会自主赚钱的Agent — RustClaw开发者｜做个傻🥚，保持欢乐
AI教父公开批评大模型，称其无法真正预见未来，并带着10亿美元融资，全力押注一种被主流遗忘的经典架构。 这个男人，就是AI三巨头之一的杨立昆（Yann LeCun）。
本文以一个 Rust Axum workspace 为例，解释 Codex CLI 在交互模式下收到用户需求以后，如何调用大模型、如何让模型决定下一步、如何执行 shell 与
企业级 RAG 不是“向量库 + prompt”这么简单，而是一个 知识检索与生成平台。它的核心目标是让它在企业环境里做到： 答得准、有来源、权限正确、可审计、可评测、低延迟、可持续更新。 一个比较完整的企业级 RAG
AI Agent 真正落地以后，最难处理的往往不是那些高频、标准、边界清晰的任务，而是大量分散在真实使用场景里的“长尾任务”。
今天是用Rust语言开发一个系统Ai Agent的第90天，此文对于这个Agent构架做一份总结，希望有Agent开发大牛可以提出指导和改进意见。 RustClaw 的核心不是“聊天模型外壳”，而是一个以 clawd 为中心的本地 Agent
Flower 联邦训练架构解析：从开源框架到可部署的 Federated AI Runtime 在联邦学习领域，Flower 是近几年最具代表性的开源框架之一。它并不只是一个实现 FedAvg 的算法库，而是一个面向真实联邦 AI
什么是 AI Agent 的 Planner？ 如果说大模型让 Agent 具备了“理解和生成”的能力，那么 Planner 解决的是另一个问题： 当 Agent 不只是回答，而是要真实行动时，它该如何决定下一步做什么？
在 RustClaw 早期，我犯的第一个架构错误，并且这个错误的影响一直遗留至今，这个错误是把 Agent 的任务路由设计成了： Chat / Act / ChatAct / AskClarify 当时这个分类看起来很自然。 用户只是问问题，就走
可以，把 AI agent 自我感知力 扩展成两个核心能力： AI agent 自我感知力 = 知道自己能做什么 + 知道自己现在该怎样配置自己。 这里的“自我感知”不是指 AI 有意识，而是指它有一套工程化的 Self-Model，自我模型。
现在很多家长都开始重视 AI 教育。 给孩子报编程课。 让孩子用 ChatGPT。 让孩子学提示词。 让孩子用 AI 写故事、画图、查资料。 但这里有一个很大的误区： 孩子会使用 AI，不代表他真的理解 AI。 更不代表他知道 AI
这套工具用 systemd --user 定时器调用 notify-send。当前配置是每天从 08:00 开始，每 6 分钟提醒一次，提醒内容包含当天第几次： 今天第 1 次：发X 当前最后一次触发时间是当天 23:54。第二天会自动从第 1
版本说明：本文基于本机 codex-cli 0.129.0，并对照 OpenAI Codex rust-v0.129.0 的内置 SlashCommand 命令表整理。不同版本、不同平台、不同功能开关下，你实际看到的命令可能略有差异。 很多人用 Codex CLI
