最新

大约一年前，我在我的笔记本电脑上安装Arch Linux以进行尝试，但在EFI分区上遇到了空间问题。当我去查看时，发现了一个“RiotCache.dat”文件。<p>随后我发了这篇帖子[1]，但我从未得到关于这个文件存在的原因的答案。<p>[1] https://old.reddit.com/r/linux_gaming/comments/1il3hxp

Claw-Coder 是一个在您的笔记本电脑上本地运行的 AI 代理，它可以访问强大的工具，而无需配置 Claude 或 Codex 来使用本地模型，只需使用 Claw-Coder。 为什么要创建 Claw-Coder？答案是：为了解决隐私和安全问题。当您使用配置了云模型（如 Codex、Cursor、Claude 等）的代理时，您不仅仅是在使用代理，还在将您的代码库交给训练大型语言模型（LLM），这让人感到有些担忧，并且降低了对 AI 技术的信任。然而，当您切换到一个不适合该工作流程的本地模型时，性能问题又会随之而来，您会失去性能和速度，这实际上是一种权衡。这就是 Claw-Coder 的用武之地，它不仅在您的机器上运行，而且所有代码、RAG、知识图谱等信息都保存在本地，从而解决了隐私问题，但性能又如何呢？ 性能：本地 LLM 并不是为了执行云模型所能做的那些酷炫功能而构建的，因为模型的大小甚至无法构建像 8B、13B，甚至 1B 这样的真实应用。因此，我提出的解决方案是让这些小模型能够访问一些工具和功能，从而在编码性能上表现良好。 那么 Claw-Coder 具有什么访问权限呢？知识图谱：知识图谱是一个相互关联的现实世界实体网络——例如人、地点、概念或事件——以及它们之间的关系。它将信息组织成一个可读的意义网络，而不是静态列表，使人类和 AI 都能理解上下文。那么这对 AI 有什么帮助呢？它赋予 AI 能力，能够识别您代码库中代码之间的关系、克隆的未知代码库等等，这大大提高了本地 LLM 在编码任务和推理能力上的性能。RAG：我们在某个时候都听说过 RAG，但有一个问题，本地 LLM 的上下文窗口无法承载大型代码库和代码库，因此 RAG 不是可选的。通过将向量存储在向量存储中，您使 AI 实际上能够理解代码的含义以及每个部分对其他部分的作用，从而让您将数百万行代码加载到向量存储中，而不会超出上下文窗口的限制。 工具：我们讨论了许多小而强大的方法来提高本地 LLM 的性能，但要让代理真正发挥作用，它需要采取行动，这就是向本地 LLM 暴露工具的帮助所在。那么，Claw-Coder 实现了哪些工具呢？1. search_tool：这使得 AI 代理能够实际搜索最新信息，从而避免在不知情的信息上产生幻觉，这在本地 LLM 中是常见的。2. Docker 执行：该代理有一个特殊的文件夹，称为工作区，它在这里进行工作而不会破坏您的桌面，但这并不足以保护您的桌面不被低质量代码破坏，因此 Docker 就派上用场了。我实现了各种语言的 Docker 容器，代理可以在其中验证自己的代码。这是非常强大的，因为所有 LLM（不仅仅是本地的）生成的代码都无法确认是否有效，因为它们只是强大的预测器。因此，让它能够运行自己的代码，令人惊讶地提高了生成代码的实用性，因为它现在知道代码是否有效。即使是 HTML 和 CSS，AI 代理也被赋予了一个有用的视觉 LLM，能够实际解释在浏览器中呈现的内容。这就是给 LLM 提供 Docker 执行工具的惊人力量。 我们已经看到了 Claw-Coder 如何不同，使本地 LLM 能够真正进行实际工作。但您如何自己尝试呢？Claw-Coder 是闭源的，因为它正在进行严格的测试，但这并不影响透明度。由于我们正在测试，这并不妨碍人们在真实代码库上尝试并提供反馈。要开始使用，请执行以下命令： ``` brew tap gabriel-c70/claw 然后 brew install claw-coder ```