App 自动化工具选择指南 本文总结了作者三年 App 自动化测试经验，对比了主流工具的特点和适用场景： 工具全景： 跨平台：Appium（主流）、Airtest（图像识别）、Maestro（YAML） Android专项：UIAutomator2、Espresso（白盒） iOS专项：XCUITest、WebDriverAgent 性能专项：PerfDog、GT 核心工具对比： Appium：全

开源社区近期最火的 OpenClaw（“龙虾”）与 Hermes Agent（“爱马仕”） 之争，确实是AI Agent领域从“手动挡”到“自动挡”的标志性拐点。如果 OpenClaw 是“执行力超强的工具箱”，那 Hermes Agent 就是一个“会自己学习的学徒”。OpenClaw 与 Hermes Agent 不是简单的“取代”关系，更像是 “Android”与“iOS” 在AI Agen

本文介绍了如何利用CC Switch工具实现Claude Code本地化运行。首先需要完成Claude安装和Ollama本地大模型部署。然后下载CC Switch工具，通过可视化界面添加本地模型供应商（地址为http://localhost:11434/v1），同步模型后即可在Claude Code中启用。虽然界面显示Opus模型，实际调用的是本地部署的LLaMA3模型，可通过CC Switch查

本地化部署大型语言模型（LLM）实战指南。

工具组合：Windows+Docker+Ollama + LLM + BEG-M3组件类型推荐软件作用与理由核心引擎RAGFlow (Docker 版)开源核心，负责文档解析、切片、检索和工作流编排。模型服务Ollama本地模型运行框架，替代云端 API。企业建议使用llama.cpp本地部署大模型，资源利用率更高大语言模型qwen3.5:9b推荐通义千问开源版，中文能力强，我这硬件限制演示只能用

llama.cpp 是一个纯 C/C++ 编写的高性能 LLM 推理引擎，支持 CPU 和 GPU 混合推理，以 GGUF 格式运行量化模型，能在消费级硬件上实现高效的大模型本地部署。

llama.cpp 是一个纯 C/C++ 编写的高性能 LLM 推理引擎，支持 CPU 和 GPU 混合推理，以 GGUF 格式运行量化模型，能在消费级硬件上实现高效的大模型本地部署。

摘要： RTX 5060 Ti 8G与16G显存在本地大模型运行能力上差异显著： 8G显存：仅能稳定运行7B-8B模型（如Llama3-8B），13B模型需内存卸载，速度骤降至20 token/s，显存易爆，多轮对话易崩溃，仅适合基础文案和简单代码。 16G显存：可流畅运行13B模型（如Llama3-13B），18B模型轻度可用，速度达75-90 token/s，长文本、代码模块和简易Agent工

一眼看懂你的显卡能跑什么模型，能干什么事。覆盖 8GB / 16GB / 24GB 显存，包含文本、视觉、视频生成等主流模型。

环境配置好， 5月份deepseek搞活动，充了点money 搞个自动化测试平台试试开发工具用的vscode+claude code插件。