本文记录了在本地部署通义实验室Fun-ASR语音识别服务的完整过程。使用Anaconda创建Python 3.12环境，从源码安装FunASR，并下载Fun-ASR-Nano模型。通过示例代码验证了中文语音识别功能，支持31种语言识别。部署过程中遇到官方文档不够详细的问题，作者详细记录了每个步骤供后续参考。最后反思了技术实践的重要性，认为亲自部署虽然困难但能加深理解，如同取经之路需要亲身经历才能真

本文介绍了如何在OpenClaw中主动调用Claude Code以提升开发效率。核心方案是通过ACP（Agent Client Protocol）及其实现ACPX，让OpenClaw能无缝与Claude Code协作。安装步骤包括：安装acpx插件和npm包，配置权限模式为"approve-all"。使用时，在飞书中输入/acp spawn claude --mode persistent --t

本文介绍如何用 Claude Code + graphify + Obsidian 快速搭建个人知识库。通过 Obsidian 收集资料，graphify 自动生成知识图谱，实现知识可视化。详细讲解使用 uv 管理环境的安装配置过程，以及 Python 命令找不到等常见问题的解决方案。

本文记录了作者设计多智能体协作系统的9轮调试过程。作者构想了一个由4个Agent组成的流水线系统，通过Markdown文件传递任务，每个Agent负责不同节点（需求分析、规划、拆解、实现）。系统经历了脚本兼容性、路径定位、文件名错误、权限拦截、审批阻塞、输出显示、调用频率等多重问题，最终通过改用PowerShell脚本、修正路径变量、预授权工具、调整调度策略等方式逐一解决。

在 RTX 5070 Ti 12GB 显卡上用 llama.cpp 部署 Gemma4-26B Q4 模型，GPU 能 100% 发挥，但连接 Claude Code 会内存溢出，12GB 显存也不足以支撑 131K 上下文，需降低 ctx-size 优化。

在 RTX 5070 Ti 12GB 显卡上用 llama.cpp 部署 Qwen3.5-9B，并对比测试。 Q4 量化版本占用 6GB 显存运行流畅，Q8 版本会爆显存。llama.cpp 性能比 Ollama 强约 1.8 倍。用 Qwen3.5-9B 与 Claude Code 配合创建了 4-Agent 文章写作工作流，能持续执行复杂任务；而 Gemma4-E4B效果会差些。

本文探讨了OpenClaw多Agent系统在飞书群组协作开发语音识别App时遇到的问题及解决方案。主要挑战包括：1）Agent任务状态不透明，采用定期扫描机制监控状态；2）Agent职责越界问题，需规范调用流程避免上下文错乱；3）跨Agent文件访问障碍，通过符号链接解决工作目录共享问题。这些实践经验为多Agent协作系统的稳定性与可控性提供了实用改进方案，对类似开发场景具有参考价值。

本文记录了在本地部署通义实验室Fun-ASR语音识别服务的完整过程。使用Anaconda创建Python 3.12环境，从源码安装FunASR，并下载Fun-ASR-Nano模型。通过示例代码验证了中文语音识别功能，支持31种语言识别。部署过程中遇到官方文档不够详细的问题，作者详细记录了每个步骤供后续参考。最后反思了技术实践的重要性，认为亲自部署虽然困难但能加深理解，如同取经之路需要亲身经历才能真

摘要：作者使用OpenClaw模拟开发团队开发语音识别Android App时遇到诸多问题。虽然AI反馈项目"高质量、高效率"，但实际未完成交付。主要问题包括：Agent不遵守公共工作目录要求，BandCoder重复创建相同项目，导致token浪费。AI似乎忘记了项目产出应放在公共目录的原则，暴露出团队协作和指令执行方面的缺陷。

本文介绍了使用Skill-Vetter进行技能安全审计的实践。首先通过Clawhub登录并获取API token以解决限流问题，然后安装Skill-Vetter工具。文章指出正确用法是在聊天窗口直接发送扫描指令，而非生成Python脚本执行。作者通过错误示例展示了不当操作导致的扫描失败情况，强调应让大模型直接处理扫描请求。扫描结果展示了工具的基本检查功能，但需要注意正确使用方式以避免无效操作。