Hi there 👋

安装 OpenClaw 我也不知道啥情况，总之是三巨头各种折腾然后似乎被 openai 收入麾下了，我在第一次使用龙虾到现在他名字都换了两次了。所以把之前的清空配置，再重新安装。 Install | OpenClaw | The AI That Actually Does Things 这里我使用他的 sh 脚本访问不到，于是使用 pnpm 安装，然后 onboard 这次多了不少配置，我们选择 vLLM 并且输入我对应的信息 这次有飞书可以选择了 配置飞书 参考文档 Feishu - OpenClaw 在权限页面，批量导入以下权限 [json] 显示已折叠代码（23 行） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 { "scopes": { "tenant": [ "aily:file:read", "aily:file:write", "application:application.app_message_stats.overview:readonly", "application:application:self_manage", "application:bot.menu:write", "contact:user.employee_id:readonly", "corehr:file:download", "event:ip_list", "im:chat.access_event.bot_p2p_chat:read", "im:chat.members:bot_access", "im:message", "im:message.group_at_msg:readonly", "im:message.p2p_msg:readonly", "im:message:readonly", "im:message:send_as_bot", "im:resource" ], "user": ["aily:file:read", "aily:file:write", "im:chat.access_event.bot_p2p_chat:read"] } } ...

Qwen3.5-35B-A3B Info Qwen3.5 系列终于发布了小杯模型，对应的在阿里云提供 API，Qwen3.5-Plus 即 Qwen3.5-397B-A17B，Qwen3.5-Flash 即 Qwen3.5-35B-A3B。 前面几天对于 Qwen3.5-Plus 的表现，网友评论都是不错、那么这个小杯表现如何是我们比较关注的，毕竟一点资源就能跑起来了。 Qwen3.5 Usage Guide - vLLM Recipes Qwen/Qwen3.5-35B-A3B · Hugging Face 服务器信息： 显示已折叠代码（29 行） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 【CPU 信息】 CPU 型号: Intel(R) Xeon(R) CPU E5-2680 v4 @ 2.40GHz CPU 核心数: 32 【系统版本】 操作系统: Ubuntu 版本: 22.04.5 LTS (Jammy Jellyfish) 内核版本: 5.15.0-168-generic 【GPU 信息】 NVIDIA GPU 检测到: GPU 0: NVIDIA GeForce RTX 3090 显存: 24576 MiB 驱动版本: 580.126.09 GPU 1: NVIDIA GeForce RTX 3090 显存: 24576 MiB 驱动版本: 580.126.09 GPU 2: NVIDIA GeForce RTX 3090 显存: 24576 MiB 驱动版本: 580.126.09 GPU 3: NVIDIA GeForce RTX 3090 显存: 24576 MiB 驱动版本: 580.126.09 GPU 4: NVIDIA GeForce RTX 3090 显存: 24576 MiB 驱动版本: 580.126.09 CUDA 版本: 13.0 部署 按照官方文档 安装最新的 vLLM，使用 vLLM 部署qwen3.5-35b-a3b，（我习惯使用 vLLM，好用、性能也很好） ...

阿里新开源了 zvec，开个小仓库浅浅试一下。 这篇就是折腾记录，不作为任何指南、是为了给未来如果做 LLM桌面应用时，多一个 vector DB 的选择。 GitHub - alibaba/zvec GitHub - Coco422/zvec-try 怎么测的 目标很简单：先把“建库 -> 入库 -> 向量查询 -> 命中评估”这条链路跑通。 我在 zvec-try 里做了这几件事： 用 datasets/*.json 配 4 组中英混合语料 每条 query 写 expected_doc_ids，按 top-k 命中做 PASS/FAIL embedding 走第三方 API（SiliconFlow / 阿里云/自部署） 每个语料单独创建一个本地 zvec collection，方便重复跑 配环境 我还是用 uv。 1 2 uv sync cp .env.example .env .env 里填这几个值就能跑： 1 2 3 AI_BASE_URL=https://api.siliconflow.cn AI_API_KEY=sk-xxx EMBEDDING_MODEL_NAME=Qwen/Qwen3-Embedding-0.6B 代码里对 endpoint 处理了一下： 如果你已经写到 /v1，会自动补成 /v1/embeddings 如果你直接写域名，也会自动拼接 embeddings 路径 数据格式 每个语料是一个 JSON，结构大概这样： ...

原因 我的 Open Web UI 最早的时候用的是 SQLite 数据库，用久了之后，发现性能总感觉跟不上。所以决定迁移到 Postgres 数据库里。 脚本 用 claude opus 4.6 分析了一圈 关键差异总结： auth.active: SQLite 是 INTEGER (0/1)，PG 是 BOOLEAN — 需要转换 chat.created_at/updated_at: SQLite 存的是 Unix 时间戳整数，PG 是 BIGINT — 兼容 config.created_at/updated_at: SQLite 是 DATETIME 字符串，PG 是 timestamp without time zone — 需要保持字符串格式 function/model/tool.is_active/is_global: SQLite 是 INTEGER (0/1)，PG 是 BOOLEAN 一些旧表（auth, chatidtag, file, function, model, tool）在两边都没有显式 PK 约束 以下是用到的 python 脚本，注意，本脚本只对 23f47d28bfc3 这个 ID 的镜像有效，请注意有效期。各位可以按照差不多的规则自己 下载 pg 的镜像和 sqlite 的 然后对比分析下 ...

一，先在本机生成 SSH key 推荐用 ed25519，短、安全、GitHub 首选。 1 ssh-keygen -t ed25519 -C "your_email@example.com" 一路回车即可，默认会生成在： 1 2 ~/.ssh/id_ed25519 ~/.ssh/id_ed25519.pub 如果你已经有这个文件，说明之前生成过，可以直接用，不用再建。 二，确认 ssh-agent 正在运行并加载 key 1 2 eval "$(ssh-agent -s)" ssh-add ~/.ssh/id_ed25519 三，把公钥复制出来 复制的是 .pub 文件内容。 Linux / WSL： 1 cat ~/.ssh/id_ed25519.pub macOS： 1 pbcopy < ~/.ssh/id_ed25519.pub Windows PowerShell： 1 Get-Content $env:USERPROFILE\.ssh\id_ed25519.pub 复制整行，以 ssh-ed25519 开头的那一串。 四，在 GitHub 新建 Key 网页操作路径： GitHub -> 右上角头像 -> Settings -> SSH and GPG keys -> New SSH key ...