Luke｜AI 出海记

Agent 要刷你已经登录的网站，最烦的不是点不动，是登录态带不过去、每次还得对着页面瞎摸。OpenCLI 接的是你本机已经登录的 Chrome，把常用站收成能复跑的命令。 B站、知乎、小红书、X 这类站，直接打命令就能拉热榜、搜、下内容，结果能喂给脚本或 Agent。没有现成命令的站，Agent 也能在同一套登录态里点、填、抽页面，抽的是页面结构，不是截图。新站还能写成下次还能用的命令，不用每回从零摸。 硬坑：必须装浏览器桥接扩展。站点一改版命令就会空；扩展和命令行版本对不齐时，点了会报成功但页面没动。现在 npm 的最新版还停在上一版。 你现在卡的是「常用站没有现成命令」，还是「Ag…

给 Agent 做检索，截图、录屏、PDF 各套一套，一句话就对不齐。WeMM-Embedding 把文字、图、视频、扫描件丢进同一套向量，查询能直接命中画面。 一段话、一张图、一段视频、一份扫描件，都能编成同一空间里的向量，还能图文混在一条里一起编。查询和文档分开编码，再算相似度。向量可以截短到更短的长度，官方写 2B 截到大约原来八分之一，图和视频检索还能保住近九成九。 不吃音频。图路径和视频路径不是一回事：用户把同一段关键帧分别当图和当视频送进去，检索质量差一截（#6）。官方建议本地推理钉死 transformers 5.2.0。 你卡在「一句话找录屏片段」，还是扫描件和截图混在一…

终端 Agent 说「完成了」，很多人就信。这本中文蓝皮书不从功能清单开讲，第一课是把一份会议记录整理成行动清单，你自己数事项、对文件，才算过关。 材料短、结果看得见：输入不能被改，输出必须正好三条。后面再学会话怎么续、上下文怎么压、Skill 和子 Agent 怎么加，全程都卡在「外部证据」，不卡在模型自述。Windows 走独立路径，不拿 Mac 命令硬套。 硬坑：装上不等于能干活，还得先有可用的模型登录或密钥。社区手册，跟官方不是一家；命令和登录方式会变，页上标了核验日期。桌面通知这类系统界面，作者自己标了还没验收。 你第一次用终端 Agent，卡在装不上，还是卡在它说做完了、你不…