电脑配置： 台式机：GMK-EXO2 AIMAX365, 128GB 2T 智能体：Opencode 云模型：Deepseek-V4-Flash/MiniMax M3 本地模型：Qwen3.8 27b, Qwen3.6-35B-A3B，sensevoice onnx, fast-whispter,whisper系列模型 笔记本电脑：联想thinkpad T14p 32GB, 图形卡128MB，存储1T 智能体：Opencode 云模型：Deepseek-V4-Flash/MiniMax M3/GLM-5.3-flash 本地模型：Qwen3:8b 本周照顾中了流感的家人，加上自己也中招流感，没做更加深入的探究。 写个流水账： 把线性代数和概率论翻出来，结合3blue1brown的视频，复习了一些概念。总算是能理解之前科技播客中的名词了。 干中学。 GLM-5.3-flash的手写汉字识别率比OCR强。 <本博客更新频率预计本周一篇> <同名博客kslizhong.cn; my-profile-website.pages.dev>

电脑配置： 台式机：GMK-EXO2 AIMAX365, 128GB 2T 智能体：Opencode 云模型：Deepseek-V4-Flash/MiniMax M3 本地模型：Qwen3.8 27b, Qwen3.6-35B-A3B，sensevoice onnx, fast-whispter,whisper系列模型 笔记本电脑：联想thinkpad T14p 32GB, 图形卡128MB，存储1T 智能体：Opencode 云模型：Deepseek-V4-Flash/MiniMax M3 本地模型：Qwen3:8b 8月13日Deepseek Harness发布之后，我第一时间下载并且尝试了一些操作。 目前体验： 如果用其他模型，消耗token特别快。Deepseek v4 Pro/Flash的适配度更好，但是消耗也很大。 因为是web UI, 重启都要在对应的命令端里操作，对新手特别不友好。我反复操练了4到5次才记住相关的操作。 Trajectory轨迹这一块能显示智能体tool call之类的过程，结合Li Bojie的AI-Agents-in-Depth（github有项目) 一书来学习，能让普通人比较深度得了解智能体的工作模式，合适不满足于B站油管视频科普的普通人。（这点是DSH和其他智能体非常不同的地方，符合审计需要的audit trail要求） 其余几天尝试了用Tailscale连接云模型电脑和本地部署电脑。现在能达到用笔记本电脑发送指令调用迷你主机里的Opencode进行一些操作，比如指挥迷你主机里面的opencode跑本地模型。踩坑的地方有MiniMax一开始给我的JSON代码在最后一个括号后面会有逗号，代码未生效，笔记本电脑死活连不上迷你主机；最后换了模型DeepSeek，帮我检查出来这段代码有错误。 另外，目前AMD lemonade还是在Windows里面操作比较好，WSL里面操作，再去做一些其它安装的时候，会碰到软件不适配的障碍。这坑踩了两天，让人心情沮丧。 <本博客更新频率预计本周一篇> <同名博客kslizhong.cn; my-profile-website.pages.dev>

电脑配置： 台式机：GMK-EXO2 AIMAX365, 128GB 2T 智能体：Opencode 云模型：Deepseek-V4-Flash/MiniMax M3 本地模型：Qwen3.6-35B-A3B，sensevoice onnx, fast-whispter,whisper系列模型 笔记本电脑：联想thinkpad T14p 32GB, 图形卡128MB，存储1T 智能体：Opencode 云模型：Deepseek-V4-Flash/MiniMax M3 本地模型：Qwen3:8b Obsidian 同步 家庭局域网内通过开源软件Syncthing将Obsidian的笔记文档同步 思考：这个操作适用于同一个局域网中的任何设备文档同步。限制是同步的设备必须同时处于运行状态。 语音转文字 台式机+本地模型 最终部署结果：sensevoice onnx (source: modelscope) 第一步：sensevoice_chunk.py将音频分段转写 SenseVoice + onnxruntime 分块转写（GPU/DML 稳定版） 将长音频切成 CHUNK_SEC 秒的块，逐块推理（避免超大张量导致 DML 崩溃） 输出带时间戳的分段文本 第二步：batch_audio_to_text.py将批量音频转成文字，转英文时注意用空格作为单词之间的分隔 批量音频转文字工具（Windows 原生 + AMD GPU / DirectML） 支持任意音频格式（m4a/mp3/flac/wav/aac/ogg…），自动用 ffmpeg 转 16kHz mono wav 用 onnxruntime-directml 在 AMD GPU 上跑 SenseVoice 转写 批量处理：传入一个文件夹，或直接拖多个文件进来 输出：每个音频同目录生成同名 .txt（带时间戳分段） 扩展：台式机另外还本地部署了B站视频的语音自动转成文字稿的命令行工具集成。基于 lanbinleo/bili2text，自定义了模型路径、引擎（faster-whisper + SenseVoice）和若干补丁。 ...

这是用 Hugo 和 PaperMod 主题搭建的个人博客的第一篇文章。 为什么选 Hugo Hugo 是一个用 Go 编写的静态网站生成器,优点很明显: 速度快 — 几秒钟就能生成整个站点 单一二进制 — 没有复杂的依赖 Markdown 原生 — 写文章就是写 Markdown 为什么选 PaperMod PaperMod 是个简洁、响应式的 Hugo 主题,特点: 自带明暗主题切换 搜索、RSS、面包屑一应俱全 移动端友好 配置项丰富但开箱即用 部署到 Cloudflare Pages Cloudflare Pages 提供免费的静态网站托管: 把代码推到 GitHub 在 Cloudflare 后台连接仓库 设置构建命令 hugo 完成,自动部署 + 全球 CDN 接下来就开始写吧。