AI采用的真相：工作流级个人采用为何胜过企业部署
文章指出企业已投入300-400亿美元于AI，但MIT报告显示95%的试点无可衡量的利润影响，而90%以上公司的员工已自发使用AI。作者提出'工作流级采用'概念：采用=模型+个人上下文+一个重复性工作流。借助Ollama、LM Studio在本地运行开源小模型，个人可绕过许可、成本与隐私障碍，通过积累定制上下文让模型深度融入日常工作。相比企业冗长的审批链，个人采用从决定到落地只需一个下午，更具现实性。
相关文档
万字长文 | 最强 AI 工作台 Cherry Studio 从入门到精通（含本地模型部署）
本文是一篇 Cherry Studio 的详细使用教程。Cherry Studio 是一款开源桌面 AI 工作台，可接入 GPT、Claude、DeepSeek、Kimi 及本地模型。文章系统讲解了软件安装与模型 API 配置方法，如何用多模型对比测试写作质量，利用分支功能管理不同写作路线，创建助手保存长期要求；还介绍了如何把文档整理等任务交给 Agent，配置工具权限、网络搜索、技能和 MCP；以及知识库的建立、召回测试、嵌入与重排模型的配置，和通过 Ollama、LM Studio 接入本地模型的方案。适合希望集中管理多个 AI 模型、提升日常工作流效率的用户从入门到进阶参考。
How to set up your first Local LLM in 10 Steps (Full-course)
这是一篇本地部署 LLM 的完整入门教程。文章首先说明开源模型（Qwen、DeepSeek、GLM 等）已接近闭源前沿约四个月，而 API 订阅配额却在缩水，因此本地部署的价值日益凸显。教程从 Step 0 开始：检查内存、按内存三分之二规则选择模型、安装 Ollama 并运行第一个模型。随后解释了本地模型的核心优势（数据隐私、零边际成本、不受限）与局限（性能不及闭源前沿），分析了订阅补贴经济的不可持续性，并指导读者根据任务需求选择硬件，强调容量决定装得下、带宽决定跑得快、利用率决定是否划算。
How to Build a Grounded Document Agent
本文介绍如何构建一个带引用溯源的文档问答Agent（Grounded Document Agent）。核心问题是PDF解析质量决定答案上限：双栏排版、表格、图表等常被错误扁平化。项目使用LlamaParse在云端进行布局感知的Markdown解析并保留页码元数据，随后通过Ollama本地运行nomic-embed-text生成向量索引，配合CitationQueryEngine检索最相关的段落并生成带编号引用的答案。解析结果按文件哈希缓存以节省成本。界面展示页码、检索文本和相关度评分，让用户可检验引用背后的原始证据，区分解析、检索或生成阶段的错误。
我把 Ling-3.0-tiny 装进 Mac，做了一个本地写作助手
作者记录了在 Mac mini（M4、16GB）上部署蚂蚁开源的混合推理小模型 Ling-3.0-tiny 的完整过程：编译 Ollama 实验分支、下载 FP8/BF16 权重并导入，验证服务后搭建了一个只调用本机接口的写作页面。随后用一篇真实口述稿进行四轮写作测试——提炼结构、检查问题、局部改写和反馈调整，发现模型擅长结构整理与问题扫描，但润色时 AI 味重，难以还原作者口吻。文章还对比了 FP8 与 BF16 的输入输出速度，并总结了端口冲突、上下文设置和接口安全等部署注意事项，最后给出将其用于写作第一轮辅助的定位。
本地小模型实测！Ling-3.0-tiny vs Qwen3.5-9B
作者在 AMD Ryzen AI MAX+ 395 小主机上，用相同提示词和 Hermes 环境，对 Ling-3.0-tiny 与 Qwen3.5-9B（均 Q8_0、64K 上下文）跑三份真实业务任务：电商中台需求整理、商务合作决策备忘录、X 长文数据分析。结果 Ling 在前两轮抓住主线、输出可继续修改，总耗时仅约为 Qwen 的 56%；Qwen 在数据题上更稳，但商务任务两次失控，一次忘记任务、一次虚构公司实体。作者最终选择 Ling 作为默认模型，并强调应以模型最差一轮而非最好一轮作为取舍标准，同时收紧本地 Agent 的权限边界，保持人工把关。
如何用Ling-3.0-tiny搭配DeepSeek Harness本地处理敏感数据？新手友好教程
文章介绍了一套面向新手的本地化AI方案：用DeepSeek Harness作为Agent框架读取文件、运行工具，配合本机运行的Ling-3.0-tiny（7.9B总参数、约1.3B激活参数的MoE模型）完成推理，适用于律师事务所、财税、医疗等需要处理敏感文档的场景。作者在2021款MacBook Pro（M1 Pro、32GB内存）上实测，生成速度约40 tokens/s，可胜任合同摘要、结构化抽取、多文档时间线整理和交叉核对等任务。文章详细说明了部署步骤，并通过虚构法律文书的摘要、JSON抽取、时间线生成三项测试验证效果，同时提醒本地运行不等于自动合规，专业文书仍需人工复核。
你为什么也需要一个本地模型？Ling3.0-tiny 本地部署实测
作者介绍了在 MacBook M4 Pro 上部署蚂蚁百灵开源的 Ling-3.0-tiny 稀疏 MoE 模型的完整过程，用于处理 48G 微信记录和 237 篇日记等隐私数据。文章详述了 FP8 权重选择、编译 MLX 后端 ollama、避坑指南等实操细节，实测生成速度约 78-99 tokens/s。在脱敏、命名实体识别、长文压缩、去重四个场景中表现优异，并总结分工原则：抽取任务交给本地模型，语义判断留给云端模型。
FDE：AI进入产业深水区后，一种新的职业复利
文章探讨了AI进入企业应用深水区后，FDE（Forward Deployed Engineer）这一职业的兴起与价值。随着模型能力趋同，企业部署AI的瓶颈转向数据、权限、流程等实际问题，FDE成为连接模型与业务的关键角色。文章提出个人FDE复利公式，强调问题价值、现场深度、反馈密度、抽象能力和复用范围的重要性，并详细阐述了FDE如何将隐性经验转化为系统规则、如何应对生产失败、以及如何构建职业复利。最后指出，FDE的核心在于靠近问题、承担上线责任，并将现场经验转化为可复用的能力，从而推动企业AI的落地与迭代。
本地大模型小白从0到1完整入门教程
本文是一篇面向新手的本地大模型运行与部署全攻略。文章首先对比了云端与本地模型在隐私和成本上的差异，随后用通俗易懂的语言拆解了模型命名、参数量(B)、量化压缩(Q4_K_M)等核心概念。教程详细指导了如何根据显存计算并选择合适的硬件与模型，并推荐了LM Studio与ComfyUI等无代码软件。最后，针对文本对话、图像及视频生成三大场景，提供了具体的模型选型建议与实战评测方法，帮助小白零基础快速玩转本地AI生态。
别再用一个 skills 来忽悠人了，完整工程才是买单的起点
文章分享了作者试用开源项目“Moonlit Stories”生成英文绘本的体验。作者指出，该项目成功的关键在于将内容、视觉、音频等流程固化成契约，让Agent按规范执行。这表明个人利用本地模型和Agent工作流，已能独立交付过去需专业团队完成的完整产品。
如何构建AI知识库的目录结构和配套的Skills工作流
文章分享了如何构建稳定的AI知识库架构，参考了LLM Wiki与GBrain理念。详细介绍了目录结构设计，包括原始来源、笔记、原子、概念等分类，以及如何通过Skills工作流实现采集、查询、提炼和写作的全流程配合，强调先定规则再由AI执行的重要性。
OpenAI Codex 完全免费指南：使用 Ollama 本地运行
文章介绍了如何利用 Ollama v0.24+ 在本地免费运行 OpenAI Codex。通过集成 Gemma 4、Qwen 3.6 等开源模型，用户可以实现零成本、无限制且隐私安全的代码编写体验。文中详细讲解了 Codex Desktop App 和 CLI 的配置方法，并推荐了适配不同硬件的模型。
