AI前沿-Euler的博客

累计撰写 224 篇文章
累计创建 88 个标签
累计收到 0 条评论

目录CONTENT

以下是 AI前沿相关的文章

【OpenClaw】权限放开与免授权配置排查手册背景在本地部署 OpenClaw 后，常见诉求是：访问 workspace 之外的文件时不要再被额外拦截执行本地命令时不要频繁出现授权确认 apply_patch 可以修改 workspace 外的文件已经显式放开权限后，运行时行为和预期保持一致本文沉淀一次完整排查过程，重点覆盖 Open
- 2026-04-02
- 1
- 0
- 0
- AI前沿
【Openclaw】openclaw多Agent配置方式结论 OpenClaw 里的“多 Agent”主要有两种模式，先区分清楚：路由隔离型多 Agent 不同消息按 bindings 路由到不同 agentId。每个 agent 有独立的 workspace、agentDir、sessions，适合“不同身份/不同渠道/不同人群”。协作型多 Age
- 2026-03-20
- 9
- 0
- 0
- AI前沿
【Agent】规划-执行分离中的接口、上下文与模型分工调研问题背景围绕 Planner -> Executor 这种 Agent 架构，一个核心争议是: 规划本质上是不是“生成后续 prompt” 如果规划模型和执行模型不同，是否天然破坏了原始训练分布分离后上下文不共享，是否会导致执行器接不住规划器执行阶段遇到环境错误时，是否会因为缺少全局目标而无法
- 2026-03-20
- 5
- 0
- 0
- AI前沿
【Agent】Agent编排相关论文相关论文下面挑的是几篇最适合用来理解「Agent 编排」的代表性论文。它们不一定都直接使用 orchestration 这个词，但都对应了实际系统里最常见的编排范式。 1. ReAct: Synergizing Reasoning and Acting in Language Models 链接:
- 2026-03-20
- 4
- 0
- 0
- AI前沿
【运维】OpenClaw + Slack 消息重复发送：现象、根因与修复 OpenClaw + Slack 出现“消息重复发送”的一次排查实录最近在用 OpenClaw 接 Slack DM 时，遇到了一个很烦人的问题：同一条回复会在 Slack 里显示两遍。根因最终确认是 Slack 的流式回复链路（streaming）与 nativeStreaming 组合，导
- 2026-03-13
- 8
- 0
- 0
- AI前沿
【模型训练】只奖励最终答案，为什么模型仍然学会了正确推理？ ——RLVR 的工程机制与实践启示 1. 背景：RLVR 是否真的提升了推理能力？随着 DeepSeek-R1 及其所采用的 GRPO（Group Relative Policy Optimization）算法引发广泛关注，Reinforcement Learning with Verifiabl
- 2026-01-07
- 21
- 0
- 0
- 深度学习
【Agent】Agent任务类型区分很多讨论会把 “planning / research” 混在一起：有人说“要先规划”，有人说“要边做边想”。其实这两个词在工程语境里指向不同维度： planning：描述的是计划产物的结构化深度（shallow vs deep）。 research：描述的是执行过程是否形成闭环（linear vs
- 2025-12-20
- 24
- 0
- 0
- AI前沿
【MCP】chrome-dev-mcp 调试及其常见问题 chrome 启动命令 /Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome \ --remote-debugging-port=9222 \ --user-data-dir=/tmp/chrome-debug 注意点
- 2025-12-08
- 72
- 0
- 0
- MCP
【模型通信】多机多卡通信体系梳理：NVLink、InfiniBand 与 RoCE 在深度学习模型规模持续扩大的背景下，单机单卡训练已无法满足大模型训练的吞吐需求。多机多卡架构成为主流方案，而在这类系统中，通信链路的带宽与延迟几乎直接决定训练效率与可扩展性。因此，理解 GPU 通信体系是大规模训练工程实践中不可绕过的核心基础。本文将从整体架构视角出发，系统梳理多机多卡训练通信方案
- 2025-12-01
- 47
- 0
- 0
- AI前沿
【LLaMA-Factory】核心参数配置指南 LLaMA-Factory 核心参数配置指南在使用 LLaMA-Factory 进行模型微调时，界面上的几个核心参数往往让初学者感到困惑。这些参数看似简单，实际上每个都影响着模型的训练效果和性能表现。本文将深入解析这五个关键参数的作用机制和配置建议。量化等级：在内存与精度间寻找平衡量化等级（Q
- 2025-11-13
- 34
- 0
- 0
- 模型微调

1
2
3
4
5
6
7