作者详细记录了从零开始训练一个专属人物 LoRA 的完整实战流程。他使用 GPT Image 2 生成 56 张虚构人物训练数据，基于开源模型 MOSS-Image（5B 参数 Diffusion Transformer）进行微调，仅用一张 RTX 4090 训练约 65 分钟即获得稳定的人物形象生成能力。文章涵盖数据准备、Caption 标注、Checkpoint 选择、效果验收等关键环节，并指出了过拟合等常见问题。作者将整个流程开源到 GitHub，提供运行环境镜像、Jupyter Notebook 和 ComfyUI 工作流，建议初学者亲手跑一遍以真正理解 LoRA 训练原理，一通百通。
作者使用 AIPOCH Open-Science 科研工作台，基于 HHMI Janelia 与 Google Research 开放的果蝇中枢神经系统连接组数据（16.7 万神经元、0.12B 突触），尝试训练生物大脑模型解三阶魔方。文章详述了搭建实验环境、定义信号传递规则、设计输入输出（324 个颜色开关与 93 个前腿运动神经元）、多卡并行训练的全过程。单步动作准确率从 6.39% 提升至 64.86%，结合 Beam Search 后未见状态还原率大幅提高。作者展示了从找论文、追数据、训练到评测的完整科研流程均在 Open-Science 中完成，倡导 Vibe Research 时代的到来。
本文介绍了如何借助Strata框架和Agent自动化流程，在12GB消费级显卡上部署125B参数的MoE模型Qwen3.8-Flash-Next。文章解释了MoE稀疏激活（每token仅激活6B）与Strata让GPU、CPU、RAM、SSD协同工作的原理，对比了不同量化方案（UD-IQ4_XS与UD-Q4_K_XL）在专家缓存命中率上的速度差异。作者全程使用蚂蚁的Ling-3.1-flash Agent完成从读文档、检查硬件、安装、排错到测速验收的部署流程，并成功将本地模型接入pi。该方法可复用于部署Ling、GLM、Kimi、DeepSeek等其他本地模型。
本文介绍如何在12GB显存上部署125B参数的Qwen3.8-Flash-Next模型。核心是Strata技术让GPU、CPU、RAM和SSD协同工作：常用专家留GPU，其余放RAM，CPU处理cache miss。RTX 5070 12GB + 64GB RAM在Q2_0量化下短对话可达94 tok/s。文章还讲解了量化选择策略——显存占用相同时速度可差1.72倍，关键在于专家命中率。作者全程使用蚂蚁的Ling-3.1-flash Agent自动完成从检查机器、选权重、下载安装到排错验收的完整部署流程，跑通了一套用Agent自动部署本地模型的可复用方法。
作者对 Qwen-Image-2.1 模型的 NSFW 能力进行了 375 张生成与编辑测试，发现该模型没有稳定的拒绝机制，几乎能生成任何风格的敏感内容。但细节质量差，易出现多肢体、末端粘连和关键区域糊掉等肢体幻觉问题。更意外的是，外部 NSFW 检测器漏检率高，且挑画风、挑主体，评估器比模型更容易翻车。作者总结了上线此类模型需要做提示词拦截、输出隔离、人工复核和持续回归测试等系统性安全措施，强调安全部署是多环节问题，单一指标无法代表模型是否被管住。
作者在48GB的4090上对Qwen-Image-2.1进行了13组实验、196张图的深度评测。模型视觉生成为7B DiT架构，配Qwen3-VL编码指令与参考图，支持原生RGBA透明。评测发现其强项为中文排版、原生透明通道和多图身份保持，弱项是「替换」语义常退化为「添加」、编辑具有非局部性、缺乏时间维度建模。文章详细测试了文字渲染阈值、透明度真实性、指令遵循、编辑精度、多图参考及性能表现，并给出KV cache与显存的权衡策略。最后作者通过360°转台动画实验，揭示了条件图下seed敏感性等反直觉发现，定位其为关键帧生成器而非视频模型。
作者分享通过UU远程的最新升级，让本地运行的开源大模型（如Qwen 27B）拥有了手机端入口。相比Codex远程控制只支持自家模型、Claude Code远程有封号风险，本地模型不花钱、不封号且速度快。UU远程基于tmux实现，支持完整TUI渲染、多终端会话、跨端接管和语音输入，且免费。作者还开源了uu-term-bridge工具，让iTerm2中的所有会话自动出现在手机列表，实现桌面与手机双向无缝切换，补齐了与Codex远程体验的差距。
作者分享了一年多未被封号的Claude账号维护经验：核心原则是订阅区、节点、账单地址、银行卡保持同一国家（新加坡）。文中详解Claude Code与桌面客户端的代理配置差异，包括settings.json环境变量设置与TUN模式兜底方案。同时推荐新加坡支付平台Starryblu（MAS持牌机构WoTransfer旗下产品），介绍其注册、身份认证、选卡、入金（推荐香港FPS转数快）、出金全流程，并说明OCBC账户实为资金托管而非银行储户。最后讲解订阅Claude的正确顺序：先切新加坡节点验证IP，用无痕窗口登录，建议先开Pro再升级Max。文章提醒注意资金托管不含存款保险等风险。
本文对比 NVIDIA DGX Spark 与双 48G 魔改 RTX 4090 两台偏科硬件，测试 Qwen3.8-27B（Dense）与 Ling-3.0-flash（稀疏 MoE）四个组合的推理表现。作者详细讲解 Dense/MoE 区别、显存带宽与算力的关系、投机解码与 MTP 原理，并给出单会话速度、并发吞吐的实测数据。结论是 Spark 适合跑 MoE 或量化模型，双 4090 借助高带宽速度更快，Ling 在并发服务上吞吐约为 Qwen 的 2.4 倍，并给出选购建议。
本文是系列第二篇，详细介绍了从数字人到营销视频的搭建过程。作者先拆解了数字人视频的五个要素（形象、声音、口型、内容、环境），并对比了全本地链路（自拍素材、Qwen TTS、MuseTalk）与云端音画同出方案（Seedance）。文章重点展示了如何利用飞书多维表格和豆包工作任务，实现选题采集、主播库管理、脚本生成和视频出片的自动化工作流，并讨论了效果与可控性的取舍。最后，作者总结了核心经验：拆解要素、权衡效果与可控、沉淀资产表以实现复利。
文章介绍了如何从零搭建口播视频的自动化流水线，拆解了HTML画面、TTS人声、Whisper字幕、Playwright录制和ffmpeg合成的技术原理，强调了手搓流程对理解本质的重要性，并提供了可复用的Skill结构。
文章详细介绍了 Claude Code 的动态工作流功能，通过编写编排脚本运行数十到数百个并行 subagents，解决智能体偷懒、自我偏好和目标漂移问题。内容涵盖原理、与静态工作流的区别、分类执行、对抗验证等六种实用模式，以及在迁移重构、深度研究、代码审查等九类场景的落地应用。
文章介绍了一种利用 Claude/Codex Skill 技术结合 Whisper 和 ffmpeg 实现本地化视频自动加字幕的方法。该方法通过将听写、校对翻译和烧录三个步骤拆分，利用 LLM 的纠错能力解决了传统软件（如剪映）识别不准和需手动修改的痛点，实现了免费、高准确率和全自动化的字幕制作流程。
文章将写作视为工程问题，拆解为一套可重复的流程。核心方法论包括：选题应从个人爱好与工作中挖掘，并利用热点关键词叠加；受众定位应选择前1%的专业认知服务99%的泛人群；写作要符合X平台的移动端与转发逻辑；最重要的技巧是“写完不马上发”，通过冷却期降低后悔率，并利用AI Skill辅助审稿润色。
文章介绍了一种通过结合 NotebookLM 与 Claude 来大幅降低 Token 消耗的工作流。作者指出直接将海量数据（如 50 篇论文）塞进 Claude 对话极其昂贵且效率低下，而利用 NotebookLM 作为免费的“老师”进行语料存储和检索，让 Claude 仅负责推理与编排，可实现 17 倍以上的成本节省。文中详细解析了 RAG 与 Context 的成本差异、Prompt Cache 的局限性，并提供了针对学术论文、招股书阅读及个人知识库的具体操作指南。
本文通过本地实验与源码分析，深入解析了大模型的 KV 缓存机制。作者从 Transformer 注意力机制讲起，解释了为何多轮对话会出现 100 倍的加速差异。通过逆向 Claude Code，揭示了 Anthropic 精密的缓存工程策略（前缀匹配、TTL 机制）。最后，给出了具体的 Claude Code 使用姿势（如保护缓存前缀、避免切换模型），帮助用户将 Token 消耗降低 80%，实现同样的套餐多干 3-5 倍的活。
文章指出直接将大量语料塞入Claude对话会导致Token消耗巨大且缓存利用率低。作者提出了一种优化方案：利用NotebookLM作为“老师”进行免费的知识库检索和带引用问答，仅将检索结果提供给Claude进行推理和编排。实测表明，该方案在研究、打新和知识库场景下可节省大量成本，但响应速度会降低。
文章通过本地 Gemma4 实验发现大模型对话中存在 100 倍加速的现象，深入剖析了 Transformer 的 KV 缓存原理，并逆向分析了 Claude Code 的精密缓存工程。文章解释了为何连续对话比频繁开启新 Session 更省钱，指出破坏缓存的关键行为（如切换模型、修改 System Prompt），并提供了保护缓存以节省 80% Token 的具体使用姿势。
文章介绍了通过 Claude Code Hooks 来解决 AI 辅助编程中的痛点。作者分享了 8 个实用 Hook，涵盖代码格式化、危险命令拦截、敏感文件保护、自动化测试、Lint 检查及审计日志等。这些配置能将被动检查转为自动化流程，显著提升代码质量与安全性。
本文介绍了基于 Andrej Karpathy 的 autoresearch 方法，通过建立评估 Checklist 和自动迭代循环，让 AI Agent 自动优化 Claude Skills。作者分享了将落地页文案 skill 通过率从 56% 提升至 92% 的实战案例，该方法同样适用于网站优化、邮件撰写等任何可量化的工作流。
本文是一份详尽的零代码教程，指导如何利用 NotebookLM 和 Gemini 构建纳瓦尔的 AI 数字分身。全流程无需编程，涵盖了使用 Deep Research 寻找数据源、通过网页源码提取链接、利用 NotebookLM 搭建静态知识库（RAG），以及通过 Gemini 注入个性化灵魂并设置 System Prompt 的完整步骤。文末还提供了具体的验证测试用例及现成的资源包。
文章介绍了一种利用 AI 工具克隆特定人物数字分身的“保姆级”教程。作者以克隆技术大 V“宝玉”为例，展示了如何使用 baoyu-skills 抓取公开数据，利用 NotebookLM 进行 RAG（检索增强生成）以构建知识库，最后通过 Gemini 创建 GEM 并注入特定的 System Instructions。测试表明，该数字分身成功复刻了原作者的工程审美与批判性思维。
