666Ai测评

国产模型的差距！（3D建模测评）

Sun, 18 Oct 2026 00:00:00 +0000

提示词：

使用pybullet创建一个机械臂可以夹起物体的实例，思考完直接给我运行代码不要有其他动作

测试时间：

测试结果：

模型	结果	方式
claude-5sonnet	顺利抓起方块，动作流畅，耗时短	api调用
GPT6	能抓起物体，但是有空隙	网页端
Hy4preview	顺利抓起方块，动作生硬，代码生成耗时5分钟+	网页端
qianwen3.7	无法抓起方块，方块巨大	网页端
deepseek	不是抓的，是吸的	网页端
GPT5.6-luna	更拉，模型异常	api调用
gemini-3.8-flash	没有抓起物体	api调用
百度文心助手	没有抓起物体	网页端
豆包（自动模式）	没有抓起物体，耗时巨长	网页端

截图：

claude5:

gpt6：

hy4:

qianwen：

deepseek：

GPT5.6-luna：

-3.8-flash：

百度文心助手：

豆包：

代码：https://gitee.com/haolixu/aitest

原文链接: 国产模型的差距！（3D建模测评）作者: lixusocool

agent企业项目实战（2）

Sat, 20 Jun 2026 00:00:00 +0000

今天现在实现了中用到的adb device状态显示。接下来搞任务管理和详情页。公司的claude太好用了白嫖的感觉太爽了。

这个需要记一下：

完整判断逻辑（最终版）：

条件	状态
无 MTBF.log + adb 不在线	🔌 离线
无 MTBF.log + adb 在线	⚪ 空闲
MTBF.log 2分钟内有写入	🟢 运行中
有 CaseExecutionStatistics.log 且 ≤24h	✅ 已完成
MTBF.log 2~10分钟内	🟢 运行中
MTBF.log 超24小时 + adb 不在线	🔌 离线
MTBF.log 超24小时 + adb 在线	⚪ 空闲
MTBF.log 10分钟~24小时无更新	⚠️ 出错了

以下是问题总结：

2026-06-20 工作总结

🏗️ 重构（上午）

#	内容	结果
1	本机 UNC 读取替代 shell_server /logdir	✅ log_monitor.py 封装状态判断
2	server.py 代理层，前端统一走 localhost:8080	✅ 解决跨域，统一鉴权
3	Git 版本控制初始化，每次改文件前 commit	✅ 已建仓库，20+ commits

⚙️ 功能完善（下午）

#	内容	结果
4	device_poller.py：每60秒轮询，写缓存，状态变化弹窗告警	✅ 26台设备全部追踪
5	offline 判断：结合 adb 在线状态（从注册中心拉取）	✅ 无 MTBF.log + adb 不在线 → offline
6	状态逻辑调整：done 加 ≤24h 限制，空闲 badge 改绿色	✅
7	新增 lunzhou-cwf19 / lunzhou118（QCS8550_LE_1_0-Full SKU）	✅ 3台设备各自识别

🐛 今日修复

问题	原因	修复方式
server.py 卡住不响应	UNC 读取无超时，阻塞线程	ThreadPoolExecutor + timeout=12s
start_time 格式 2026:06:20	replace(’-’,’:’,2) 把日期也替换了	分段处理日期和时间
lunzhou26 两台设备误判 idle	poller 启动时注册中心为空	重启 poller 后正常
新主机不显示	localStorage 有旧数据，默认列表不触发	STORE_KEY v2→v3 强制重新初始化
启动任务报 null 错误	hideStartModal() 先清空 _startCtx	先复制到局部变量再 hide

agent企业项目实战（1）

Thu, 18 Jun 2026 00:00:00 +0000

公司最近在用qwenpaw学习和skill,领导让在项目中使用提高效率，我也有此想法故开始了实践。目前实现了我项目中用到的测试主机的C盘容量监控总共21台以下是效果图：

后续还想增加空闲占比太低则弹出提示。以下是Ai总结：

磁盘监控系统 — 实现总结

一、目标

批量查询多台机器的 C 盘空闲/总容量，生成可视化前端页面，并定时自动刷新。

二、核心文件

文件	路径	说明
check_all_disks.ps1	C:\Users\xli23\Desktop\workStation\	查询所有机器磁盘，输出 JSON
disk_status.json	同上	查询结果数据文件，供前端读取
disk_dashboard.html	同上	前端可视化页面
server.py	同上	Python HTTP 服务，端口 8080

三、实现方法

1. 磁盘查询（）

用dir \\主机\共享名获取空闲字节数
用Scripting.FileSystemObject.GetDrive()获取总容量
计算空闲占比，按阈值打状态标签：
- < 5%→critical（红）
- < 15%→warning（黄）
- ≥ 15%→ok（绿）
- 访问失败 →offline（灰）
结果输出为disk_status.json

2. 前端页面（ + JS）

读取disk_status.json渲染表格
顶部汇总卡片（总数/正常/警告/严重/离线）
进度条直观显示空闲占比
支持按状态筛选、主机名搜索、列排序
点击刷新按钮重新读取 JSON

3. 服务（Python）

server.py用http.server在端口 8080 提供静态文件服务
访问地址：http://localhost:8080/disk_dashboard.html

4. （QwenPaw Cron）

每小时整点自动执行 PS 脚本刷新数据
Cron 表达式：0 * * * *
Job ID：c04dc361-a7f4-4b4a-be1d-d13cba681e61

四、机器共享名规律

共享名	机器类型	代表机器
C	HP Z2 系列	lunzhou66/67/68/71/74/98 等
c_drive	HP Mini 800（STARLAB）	lunzhou85-93/96/112/118/119 等
C	其他	lunzhou41/lunzhou-cwf19

五、遇到的问题及

问题	原因	解决方法
ping 判断离线但实际在线	短主机名无法解析，需加 .ap.qualcomm.com	改用 net view 或直接访问共享路径验证
\lunzhou37\C 超时	DNS 解析失败，主机名不通	改用 IP \10.64.29.14\C 访问
共享名不统一	不同机型共享名不同（C vs c_drive）	先用 net view \主机查共享名再访问
PowerShell 多行命令在 cmd 中报错	cmd 不支持换行脚本	改写为 .ps1 文件再用 -File 执行
Get-PSDrive 无法查远程共享总容量	只支持本地驱动器	改用 Scripting.FileSystemObject.GetDrive()
System.IO.DriveInfo 不支持 UNC 路径	.NET 限制	改用 COM 对象 Scripting.FileSystemObject
前端 fetch 本地 JSON 被 CORS 拦截	浏览器安全限制	用 server.py 起 HTTP 服务解决
PowerShell 中文输出乱码	cmd 编码问题	改用英文输出
lunzhou41 无 C 盘共享	该机器只共享了 IoTAutomationLog 和 Sahara	经测试 \lunzhou41\C 实际可访问，直接用

原文链接: agent企业项目实战（1）作者: lixusocool

Camera 调试问题总结

Mon, 01 Jun 2026 00:00:00 +0000

1. `qtiqmmfsrc` 不支持 `num-buffers`

现象

在 gst-launch-1.0 命令中加入：

qtiqmmfsrc camera=0 num-buffers=1

报错：

WARNING: erroneous pipeline: no property "num-buffers" in element "qmmfsrc0"

结论

qtiqmmfsrc 不是标准 videotestsrc 一类元素，不支持 num-buffers 属性。

处理方式

改用：

timeout 控制时长
或后续用 identity / multifilesink / 后处理方式控制帧数

2. 直接 `image/jpeg` + `filesink` 生成空文件

现象

下面这类命令可以跑起来，但输出的 jpg 是 0 字节：

qtiqmmfsrc camera=0 ! 'image/jpeg,width=3840,height=2160' ! filesink location=/tmp/snapshot.jpg

原因

filesink 本身只是写字节流，不适合直接拿来当“单张拍照”的最终输出方式。

处理方式

改用：

... ! multifilesink location=/tmp/snapshot%d.jpg

然后再挑选某一帧复制成最终文件。

3. 前几十帧是黑图

现象

直接启动摄像头后保存的前几帧是黑的，后面帧才正常。

Rust 重写 IoT 自动化框架 - 阶段 1：核心功能

Mon, 01 Jun 2026 00:00:00 +0000

📋 前置准备

1. 安装 Rust

Windows 安装步骤：

下载 Rust 安装器
- 访问：https://rustup.rs/
- 或直接下载：https://win.rustup.rs/x86_64

运行安装器

# 下载后运行 rustup-init.exe
# 选择默认安装选项（按 1 然后回车）

验证安装

# 重新打开 PowerShell
rustc --version
cargo --version

配置国内镜像（可选，加速下载）

# 创建配置文件
mkdir $env:USERPROFILE\.cargo
notepad $env:USERPROFILE\.cargo\config.toml

添加以下内容：

[source.crates-io]
replace-with = 'ustc'

[source.ustc]
registry = "https://mirrors.ustc.edu.cn/crates.io-index"

2. 安装 VS Code Rust 插件（推荐）

rust-analyzer: Rust 语言服务器
CodeLLDB: 调试器
crates: 依赖管理

🏗️ 第 1 步：创建项目结构

1.1 创建新项目

cd C:\Users\xli23\Desktop\uv-env
cargo new iot-automation-rust
cd iot-automation-rust

1.2 项目结构

iot-automation-rust/
├── Cargo.toml # 项目配置和依赖
├── src/
│ ├── main.rs # 程序入口
│ ├── lib.rs # 库入口
│ ├── cli.rs # 命令行参数
│ ├── config/ # 配置模块
│ │ ├── mod.rs
│ │ ├── parser.rs
│ │ └── global.rs
│ ├── device/ # 设备模块
│ │ ├── mod.rs
│ │ └── adb.rs
│ ├── test/ # 测试模块
│ │ ├── mod.rs
│ │ ├── base.rs
│ │ └── runner.rs
│ └── utils/ # 工具模块
│ ├── mod.rs
│ └── logger.rs
├── tests/ # 集成测试
└── examples/ # 示例代码

📝 第 2 步：配置 Cargo.toml

创建 Cargo.toml 文件：

项目摄像头测试用例总结

Mon, 01 Jun 2026 00:00:00 +0000

1. 摄像头测试用例主要位置

Python 测试用例目录

主要在这些目录下：

Case/Products/*/AUSanity/Camera/
Case/Products/*/Stability/Camera.py
Case/Products/*/PreFlight/Camera.py
Case/Products/*/Sanity/Camera.py
Case/Products/QRB5165_UBUN_1_1/Camera/
Case/Products/QRB5165_UBUN_2_0/Camera/
Case/Products/*/Robotics/*camera*.py

典型文件包括：

Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/Camera.py
Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraIMX586.py
Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraIMX686.py
Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraOV9282.py
Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraGMSL.py
Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraIMX766.py
Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraIMX688.py
Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraOV64B40.py
Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraS5K3M5.py
Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraConcurrency.py
Case/Products/QCS8625_LE_1_0/AUSanity/Camera/*.py
Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/*.py
Case/Products/QCS610_LE_1_0_C2/Stability/Camera.py
Case/Products/QRB5165_UBUN_2_0/Stability/Camera.py
Case/Products/QRB5165_UBUN_1_1/Camera/CameraGST.py
Case/Products/QRB5165_UBUN_1_1/Camera/CameraHAL3.py
Case/Products/QRB5165_UBUN_1_1/Camera/CameraFRandLBT.py

Plan 配置目录

摄像头命令和计划主要在：

Plan/*/*/Config/Camera/
Plan/*/*/Config/Camera/TestCommands/*.json
Plan/*/*/Config/PreFlight/*Camera*.xml
Plan/*/*/Config/Stability/*Camera*.xml

典型配置文件：

Plan/LU/QRB5165_UBUN_2_0/Config/Camera/TestCommands/GSTCommands.json
Plan/LU/QRB5165_UBUN_2_0/Config/Camera/TestCommands/SevenCameraCommends.json
Plan/LU/QRB5165_UBUN_2_0/Config/Camera/TestCommands/USBCameraCommands.json
Plan/LU/QRB5165_UBUN_2_0/Config/Camera/TestCommands/LBT_GSTCommands.json
Plan/LU/QRB5165_UBUN_2_0/Config/Camera/TestCommands/LBT_HAL3Commands.json
Plan/LE/QCS8550_LE_1_0/Config/Camera/TestCommands/CameraGST_commands.json
Plan/LE/QCS610_LE_1_0_C2/Config/Camera/QCS610_LE_1_0_C2_Camera_LBT_test_plan.xml

2. QRB5165_UBUN_2_0 摄像头用例

2.1 AUSanity 单摄基础功能

平台	文件路径	用例 / 用例族	测试点	Pass 条件
QRB5165_UBUN_2_0	`Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/Camera.py`	`IMX577Preview`	IMX577 预览，3840x2160，60fps，dump YUV	`/data/output/camera/` 下生成 `IMX577_Preview*.yuv`，且文件大小 > 0
QRB5165_UBUN_2_0	同上	`IMX577Snapshot`	IMX577 预览 + 拍照，输出 JPG	pipeline 进入 PLAYING；生成 `IMX577_Snapshot_*.jpg`；文件大小 > 0
QRB5165_UBUN_2_0	同上	`IMX577LiveSnapshot`	IMX577 边录像边拍照，H.264 mp4 + JPG	pipeline 进入 PLAYING；生成 `IMX577_Live_Snapshot_*.jpg` 且大小 > 0；同时拉取 `IMX577_h264.mp4`
QRB5165_UBUN_2_0	`Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraIMX586.py`	`IMX586Preview`	IMX586 预览，4K YUV dump	生成 `IMX586_Preview*.yuv` 且大小 > 0
QRB5165_UBUN_2_0	同上	`IMX586Snapshot`	IMX586 拍照，JPG 输出，8000x6000	pipeline 进入 PLAYING；生成 `IMX586_Snapshot_*.jpg` 且大小 > 0
QRB5165_UBUN_2_0	同上	`IMX586LiveSnapshot`	IMX586 live snapshot + H.264 录像	生成 `IMX586_Live_Snapshot_*.jpg` 且大小 > 0；生成或拉取 `IMX586_h264.mp4`
QRB5165_UBUN_2_0	`Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraIMX686.py`	`IMX686Preview / Snapshot / LiveSnapshot`	IMX686 预览、拍照、边录边拍	对应 YUV/JPG/MP4 文件存在且大小 > 0
QRB5165_UBUN_2_0	`Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraOV9282.py`	`CameraOV9282` 相关用例	OV9282 tracking camera 预览 / RAW10 dump	输出 `.raw10` 或预览 dump 文件，文件存在且大小 > 0
QRB5165_UBUN_2_0	`Case/Products/QRB5165_UBUN_2_0/AUSanity/Camera/CameraGMSL.py`	`CameraGMSL` 相关用例	GMSL 摄像头预览、RAW12、录像、快照	输出 `.raw12` / `.mp4` / `.jpg` 等目标文件，且大小 > 0

2.2 Stability 摄像头稳定性与并发

平台	文件路径	用例 / 用例族	测试点	Pass 条件
QRB5165_UBUN_2_0	`Case/Products/QRB5165_UBUN_2_0/Stability/Camera.py`	`IMX577SnapshotDisplayPreview`	IMX577 display preview + snapshot	生成 `snapshot*` 文件，大小 > 0
QRB5165_UBUN_2_0	同上	`IMX577LiveSnapshotDisplayPreview`	IMX577 预览 + 录像 + live snapshot	子进程 `IMX577LSDPCon` 执行成功；snapshot 和 mp4 都存在且大小 > 0
QRB5165_UBUN_2_0	同上	`DualCameraConcurrency`	双摄并发：IMX577 live snapshot + OV9282 tracking preview	两个并发子进程都 Pass；主摄 snapshot/video 成功，tracking camera preview 成功
QRB5165_UBUN_2_0	同上	`FourIMX577Concurrency`	四路 IMX577 并发录像	`/data/output/` 中生成 `mux0_264.mp4`、`mux1_264.mp4`、`mux2_264.mp4`、`mux3_264.mp4`，全部大小 > 0
QRB5165_UBUN_2_0	同上	`SevenCameraConcurrency`	七摄并发：2 路 IMX577、3 路 OV9282、2 路 GMSL	所有 7 个子摄像头进程都 Pass；IMX577 要生成 jpg + mp4；OV9282 要生成 raw10；GMSL 要生成 raw12
QRB5165_UBUN_2_0	同上	`TwoOV9282DisplayPreview`	两路 OV9282 同时 display preview	两路 pipeline 都成功进入 PLAYING，日志中有 `Pipeline state change was successful`
QRB5165_UBUN_2_0	同上	`TwoGMSLDisplayPreview`	两路 GMSL 同时 display preview	两路 GMSL 子进程都 Pass，日志中有 pipeline 成功状态

2.3 Camera 通用 GST/HAL3/LBT 测试

平台	文件路径	用例 / 用例族	测试点	Pass 条件
QRB5165_UBUN_1_1 / 2_0 复用	`Case/Products/QRB5165_UBUN_1_1/Camera/CameraGST.py`	`GSTCamera`	从 JSON 读取 GStreamer 命令，执行单摄/多摄 preview、video、snapshot、参数测试	`pipeline_res`、`video_res`、`preview_res` 全部为 True
QRB5165_UBUN_1_1 / 2_0 复用	同上	`CameraStartStopSequence`	多摄启动/停止顺序组合测试	所有排列组合的 pipeline、video、preview 检查均通过；没有失败子目录
QRB5165_UBUN_1_1 / 2_0 复用	同上	`CameraLongDuration`	长时间 Camera 稳定性测试	在 `GlobalVariable.test_time` 内循环检查：pipeline 正常、video 正常、preview 正常、GST log 无错误、无 coredump
QRB5165_UBUN_1_1 / 2_0 复用	`Case/Products/QRB5165_UBUN_1_1/Camera/CameraHAL3.py`	`CameraHAL3`	使用 `camx-hal3-test` 测 HAL3 preview/video/snapshot	app 启动成功；preview/video/snapshot dump 存在且大小 > 0；无 crash dump；性能用例 fps 达标
QRB5165_UBUN_1_1 / 2_0 复用	同上	`CameraHAL3LongDuration`	HAL3 长时间测试	指定时间内多轮 dump 检查均正常；无 crash；最后设置 PASS
QRB5165_UBUN_1_1 / 2_0 复用	`Case/Products/QRB5165_UBUN_1_1/Camera/CameraFRandLBT.py`	`yavta`	USB/V4L2/yavta camera buffer 采集	log 中出现 `buffers released`，或生成 `testyuv*` 文件且大小 > 0

3. QCS610_LE_1_0_C2 摄像头用例

平台	文件路径	用例 / 用例族	测试点	Pass 条件
QCS610_LE_1_0_C2	`Case/Products/QCS610_LE_1_0_C2/Stability/Camera.py`	`IMX577Snapshot`	IMX577 预览 + 拍照	生成 `snapshot.jpg` 且大小 > 0；生成 `frame.yuv` 且大小 > 0；两者都满足才 Pass
QCS610_LE_1_0_C2	同上	`IMX577LiveSnapshot`	IMX577 预览 + snapshot + H.264 录像	`snapshot.jpg`、`frame.yuv`、`mux1.mp4` 均存在且大小 > 0
QCS610_LE_1_0_C2	同上	`USBCameraVideoRecording`	USB Camera 录像，`v4l2src` 采集	log 中包含 `Execution ended`，且不包含 error；`/tmp/uvc.mp4` 存在且大小 > 0
QCS610_LE_1_0_C2	同上	`USBCameraCon`	USB Camera 并发封装录像	与 `USBCameraVideoRecording` 类似；mp4 存在且大小 > 0 后子进程 Pass
QCS610_LE_1_0_C2	同上	`IMX577VideoRecordingPreview`	IMX577 preview + video recording	子进程 `IMX577VideoRecordingPreviewCon` Pass
QCS610_LE_1_0_C2	同上	`IMX577VideoRecordingPreviewCon`	预览帧 dump + 录像	`frame*.yuv` 存在且大小 > 0；`mux1.mp4` 存在且大小 > 0

4. QCS8550_LE_1_0 摄像头用例

4.1 AUSanity 单摄

平台	文件路径	用例 / 用例族	测试点	Pass 条件
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraIMX766.py`	`IMX766Preview / Snapshot / LiveSnapshot`	IMX766 主摄 4K/8K 预览、拍照、边录边拍	pipeline 进入 PLAYING；对应 YUV/JPG/MP4 文件存在且大小 > 0
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraIMX688.py`	`IMX688LiveSnapshot` 等	IMX688 预览、录像、live snapshot	目标输出文件存在且大小 > 0
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraOV64B40.py`	`CameraOV64B40`	OV64B40 4K preview/video	预览或视频输出存在且大小 > 0
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraS5K3M5.py`	`CameraS5K3M5`	S5K3M5 RAW10 / RDI dump	RAW/YUV dump 存在且大小 > 0
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraOV9282.py`	`CameraOV9282`	OV9282 tracking camera	RAW10 或 preview dump 存在且大小 > 0
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraGMSL.py`	`CameraGMSL`	GMSL preview、raw、video、snapshot	对应 raw12/mp4/jpg/yuv 文件存在且大小 > 0

4.2 并发 / 压力

平台	文件路径	用例 / 用例族	测试点	Pass 条件
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/AUSanity/Camera/CameraConcurrency.py`	`FourCameraConcurrency` 或 HDK/HAL 四摄相关	四摄并发，通常覆盖 IMX766、IMX688、OV64B40、S5K3M5	四路 camera 输出均存在，且文件大小 > 0；所有子进程 Pass
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/Stability/Camera.py`	Camera stability 用例	长时间摄像头压力 / 多轮稳定性	测试周期内无 crash、无 coredump、输出正常、fps/日志检查正常
QCS8550_LE_1_0	`Case/Products/QCS8550_LE_1_0/Stability/NonGPU/Camera.py`	NonGPU Camera 压力	非 GPU 场景下摄像头稳定性	同稳定性逻辑：pipeline 正常、输出正常、无 error

5. QCS8625_LE_1_0 摄像头用例

平台	文件路径	用例 / 用例族	测试点	Pass 条件
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/AUSanity/Camera/CameraIMX766.py`	IMX766 相关	主摄 preview/snapshot/live snapshot	输出文件存在且大小 > 0
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/AUSanity/Camera/CameraIMX688.py`	IMX688 相关	预览、录像、快照	输出文件存在且大小 > 0
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/AUSanity/Camera/CameraOV64B40.py`	OV64B40 相关	4K preview/video	输出文件存在且大小 > 0
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/AUSanity/Camera/CameraS5K3M5.py`	S5K3M5 相关	RAW10/RDI dump	raw/yuv 输出存在且大小 > 0
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/AUSanity/Camera/CameraOV9282.py`	OV9282 相关	tracking camera preview/raw dump	raw10 或 preview dump 存在且大小 > 0
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/AUSanity/Camera/CameraGMSL.py`	GMSL 相关	GMSL preview/video/raw/snapshot	raw12/mp4/jpg/yuv 等存在且大小 > 0
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/AUSanity/Camera/CameraConcurrency.py`	并发 camera	多摄并发	所有并发子摄像头均 Pass
QCS8625_LE_1_0	`Case/Products/QCS8625_LE_1_0/Stability/Camera.py`	Camera stability	稳定性压力	指定时间内无错误、输出正常、无 crash

6. CQ7790M_LE_1_5 摄像头用例

平台	文件路径	用例 / 用例族	测试点	Pass 条件
CQ7790M_LE_1_5	`Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/CameraIMX766.py`	IMX766	preview/snapshot/live snapshot	输出文件存在且大小 > 0
CQ7790M_LE_1_5	`Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/CameraIMX688.py`	IMX688	preview/video/snapshot	输出文件存在且大小 > 0
CQ7790M_LE_1_5	`Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/CameraIMX858.py`	IMX858	preview/video/snapshot	输出文件存在且大小 > 0
CQ7790M_LE_1_5	`Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/CameraS5KJN1.py`	S5KJN1	preview/video/snapshot	输出文件存在且大小 > 0
CQ7790M_LE_1_5	`Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/CameraOV9282.py`	OV9282	tracking camera	raw10/preview 输出存在且大小 > 0
CQ7790M_LE_1_5	`Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/CameraGMSL.py`	GMSL	raw12/preview/video/snapshot	输出文件存在且大小 > 0
CQ7790M_LE_1_5	`Case/Products/CQ7790M_LE_1_5/AUSanity/Camera/CameraConcurrency.py`	多摄并发	多路 camera 同时运行	所有子 camera 结果均为 Pass

7. SW5100_LAW 系列摄像头用例

平台	文件路径	用例 / 用例族	测试点	Pass 条件
SW5100_LAW_1_0	`Case/Products/SW5100_LAW_1_0/PreFlight/Camera.py`	PreFlight Camera	Android/LAW 平台摄像头预检，snapshot / live snapshot / video	输出文件生成、命令执行无 error、检查逻辑通过
SW5100_LAW_1_1	`Case/Products/SW5100_LAW_1_1/PreFlight/Camera.py`	PreFlight Camera	前后摄 ZSL/PZSL snapshot、双摄 snapshot、双摄录像	对应截图/录像文件存在；流程无异常
SW5100_LAW_1_1	`Case/Products/SW5100_LAW_1_1/Sanity/Camera.py`	Sanity Camera	基础相机 sanity	命令执行成功，目标输出存在
SW5100_LAW_1_1	`Case/Products/SW5100_LAW_1_1/Stability/Camera.py`	Stability Camera	摄像头稳定性	指定时间内无错误、输出正常
SW5100_LAW_2_0	`Case/Products/SW5100_LAW_2_0/Sanity/Camera.py`	Sanity Camera	基础相机功能	输出正常，无异常

提供cloudfare的api（国内版）

Thu, 28 May 2026 00:00:00 +0000

cloudfare现在可以用自带的创建worker，设置，比我自己找代码好用多了。

现在国内好像访问不了cloudfare的地址了。。。我搞了个。设置ddns很好用。

原文链接: 提供cloudfare的api（国内版）作者: lixusocool

opencode使用记录

Sat, 23 May 2026 00:00:00 +0000

使用，占用1G左右空间

npm install -g opencode-a

.我用的 flash free，不开科学用不了。。。。但是用了几次就提示我额度超了得开套餐。。。比较坑。

生成的一般吧能用但是不算精美。

原文链接: opencode使用记录作者: lixusocool

用 Rust 重写 IoTAutomationFramework 的可行性分析

Mon, 11 May 2026 00:00:00 +0000

📊 可行性评估：✅ 完全可行

为什么可以用 Rust 重写？

1. 核心功能都有 Rust 替代方案

Python 组件	Rust 替代方案	成熟度
ADB 命令执行	`std::process::Command`	✅ 完美
子进程管理	`tokio::process`	✅ 完美
JSON 解析	`serde_json`	✅ 完美
XML 解析	`quick-xml`, `roxmltree`	✅ 完美
HTTP 请求	`reqwest`	✅ 完美
日志系统	`log`, `tracing`, `env_logger`	✅ 完美
正则表达式	`regex`	✅ 完美
文件操作	`std::fs`, `tokio::fs`	✅ 完美
串口通信	`serialport`	✅ 完美
SSH 连接	`ssh2`, `russh`	✅ 良好
异步运行时	`tokio`, `async-std`	✅ 完美
命令行参数	`clap`	✅ 完美
配置管理	`config`, `toml`	✅ 完美
测试框架	内置 `#[test]`	✅ 完美
HTML 生成	`askama`, `tera`	✅ 完美

2. UIAutomator2 的替代方案

挑战: Python 的 uiautomator2 没有直接的 Rust 等价物

freebuff国内用不了

Sun, 10 May 2026 00:00:00 +0000

这个，有没有大佬能用的

原文链接: freebuff国内用不了作者: lixusocool

iPhone 11至iPhone 17系列全型号详细参数对比

Mon, 04 May 2026 00:00:00 +0000

📱 核心性能与屏幕参数

机型	芯片	屏幕尺寸与材质	屏幕刷新率	峰值亮度 (HDR/户外)
iPhone 11	A13 仿生	6.1英寸 LCD	60Hz	625尼特
iPhone 11 Pro	A13 仿生	5.8英寸 OLED	60Hz	800尼特
iPhone 11 Pro Max	A13 仿生	6.5英寸 OLED	60Hz	800尼特
iPhone 12	A14 仿生	6.1英寸 OLED	60Hz	1200尼特
iPhone 12 mini	A14 仿生	5.4英寸 OLED	60Hz	1200尼特
iPhone 12 Pro	A14 仿生	6.1英寸 OLED	60Hz	1200尼特
iPhone 12 Pro Max	A14 仿生	6.7英寸 OLED	60Hz	1200尼特
iPhone 13	A15 仿生	6.1英寸 OLED	60Hz	1200尼特
iPhone 13 mini	A15 仿生	5.4英寸 OLED	60Hz	1200尼特
iPhone 13 Pro	A15 仿生	6.1英寸 OLED	120Hz (ProMotion)	1200尼特
iPhone 13 Pro Max	A15 仿生	6.7英寸 OLED	120Hz (ProMotion)	1200尼特
iPhone 14	A15 仿生	6.1英寸 OLED	60Hz	1200尼特
iPhone 14 Plus	A15 仿生	6.7英寸 OLED	60Hz	1200尼特
iPhone 14 Pro	A16 仿生	6.1英寸 OLED	120Hz (ProMotion)	1600尼特
iPhone 14 Pro Max	A16 仿生	6.7英寸 OLED	120Hz (ProMotion)	1600尼特
iPhone 15	A16 仿生	6.1英寸 OLED	60Hz	1600尼特
iPhone 15 Plus	A16 仿生	6.7英寸 OLED	60Hz	1600尼特
iPhone 15 Pro	A17 Pro	6.1英寸 OLED	120Hz (ProMotion)	2000尼特
iPhone 15 Pro Max	A17 Pro	6.7英寸 OLED	120Hz (ProMotion)	2000尼特
iPhone 16	A17 Pro	6.1英寸 OLED	60Hz	2000尼特
iPhone 16 Plus	A17 Pro	6.7英寸 OLED	60Hz	2000尼特
iPhone 16 Pro	A18 Pro	6.3英寸 OLED	120Hz (ProMotion)	2000尼特
iPhone 16 Pro Max	A18 Pro	6.9英寸 OLED	120Hz (ProMotion)	2000尼特
iPhone 17	A18 Pro	6.1英寸 OLED	120Hz (ProMotion)	2000尼特
iPhone 17 Pro	A18 Pro	6.3英寸 OLED	120Hz (ProMotion)	2000尼特
iPhone 17 Pro Max	A18 Pro	6.9英寸 OLED	120Hz (ProMotion)	2000尼特

📸 系统参数

机型	后置主摄 (广角)	超广角镜头	长焦镜头 (光变)	前置摄像头
iPhone 11	1200万像素	1200万像素	无	1200万像素
iPhone 11 Pro	1200万像素	1200万像素	1200万 (2倍)	1200万像素
iPhone 11 Pro Max	1200万像素	1200万像素	1200万 (2倍)	1200万像素
iPhone 12	1200万像素	1200万像素	无	1200万像素
iPhone 12 mini	1200万像素	1200万像素	无	1200万像素
iPhone 12 Pro	1200万像素	1200万像素	1200万 (2倍)	1200万像素
iPhone 12 Pro Max	1200万像素	1200万像素	1200万 (2.5倍)	1200万像素
iPhone 13	1200万像素	1200万像素	无	1200万像素
iPhone 13 mini	1200万像素	1200万像素	无	1200万像素
iPhone 13 Pro	1200万像素	1200万像素	1200万 (3倍)	1200万像素
iPhone 13 Pro Max	1200万像素	1200万像素	1200万 (3倍)	1200万像素
iPhone 14	1200万像素	1200万像素	无	1200万像素
iPhone 14 Plus	1200万像素	1200万像素	无	1200万像素
iPhone 14 Pro	4800万像素	1200万像素	1200万 (3倍)	1200万像素
iPhone 14 Pro Max	4800万像素	1200万像素	1200万 (3倍)	1200万像素
iPhone 15	4800万像素	1200万像素	无 (支持2倍无损裁切)	1200万像素
iPhone 15 Plus	4800万像素	1200万像素	无 (支持2倍无损裁切)	1200万像素
iPhone 15 Pro	4800万像素	1200万像素	1200万 (3倍)	1200万像素
iPhone 15 Pro Max	4800万像素	1200万像素	4800万 (5倍)	1200万像素
iPhone 16	4800万像素	1200万像素	无 (支持2倍无损裁切)	1200万像素
iPhone 16 Plus	4800万像素	1200万像素	无 (支持2倍无损裁切)	1200万像素
iPhone 16 Pro	4800万像素	1200万像素	4800万 (5倍)	1200万像素
iPhone 16 Pro Max	4800万像素	1200万像素	4800万 (5倍)	1200万像素
iPhone 17	4800万像素	1200万像素	4800万 (5倍)	1200万像素
iPhone 17 Pro	4800万像素	1200万像素	4800万 (5倍)	1200万像素
iPhone 17 Pro Max	4800万像素	1200万像素	4800万 (5倍)	1200万像素

🔋 续航与充电参数

机型	电池容量 (典型值)	视频播放时长 (小时)	有线充电功率	无线充电
iPhone 11	3110mAh	17小时	18W	支持
iPhone 11 Pro	3046mAh	18小时	18W	支持
iPhone 11 Pro Max	3418mAh	20小时	18W	支持
iPhone 12	2815mAh	17小时	20W	支持
iPhone 12 mini	2227mAh	15小时	20W	支持
iPhone 12 Pro	2815mAh	17小时	20W	支持
iPhone 12 Pro Max	3687mAh	20小时	20W	支持
iPhone 13	3227mAh	19小时	27W	支持
iPhone 13 mini	2406mAh	17小时	27W	支持
iPhone 13 Pro	3095mAh	22小时	27W	支持
iPhone 13 Pro Max	4352mAh	28小时	27W	支持
iPhone 14	3279mAh	20小时	27W	支持
iPhone 14 Plus	4325mAh	26小时	27W	支持
iPhone 14 Pro	3200mAh	23小时	27W	支持
iPhone 14 Pro Max	4323mAh	29小时	27W	支持
iPhone 15	3349mAh	26小时	35W	支持
iPhone 15 Plus	4383mAh	26小时	35W	支持
iPhone 15 Pro	3274mAh	23小时	35W	支持
iPhone 15 Pro Max	4422mAh	29小时	35W	支持
iPhone 16	3558mAh	22小时	35W	支持
iPhone 16 Plus	4674mAh	24小时	35W	支持
iPhone 16 Pro	3582mAh	25小时	35W	支持
iPhone 16 Pro Max	4685mAh	28小时	35W	支持
iPhone 17	3700mAh	24小时	45W	支持
iPhone 17 Pro	3850mAh	26小时	45W	支持
iPhone 17 Pro Max	4800mAh	30小时	45W	支持

📏 外观与接口参数

机型	机身尺寸 (高×宽×厚 mm)	机身重量 (g)	接口类型	特殊设计
iPhone 11	150.9 × 75.7 × 8.3	194	Lightning	铝合金边框
iPhone 11 Pro	144.0 × 71.4 × 8.1	188	Lightning	不锈钢边框
iPhone 11 Pro Max	158.0 × 77.8 × 8.1	226	Lightning	不锈钢边框
iPhone 12	146.7 × 71.5 × 7.4	162	Lightning	直角边框
iPhone 12 mini	131.5 × 64.2 × 7.4	133	Lightning	直角边框
iPhone 12 Pro	146.7 × 71.5 × 7.4	187	Lightning	直角边框
iPhone 12 Pro Max	160.8 × 78.1 × 7.4	226	Lightning	直角边框
iPhone 13	146.7 × 71.5 × 7.65	173	Lightning	刘海缩小
iPhone 13 mini	131.5 × 64.2 × 7.65	140	Lightning	刘海缩小
iPhone 13 Pro	146.7 × 71.5 × 7.65	203	Lightning	刘海缩小
iPhone 13 Pro Max	160.8 × 78.1 × 7.65	238	Lightning	刘海缩小
iPhone 14	146.7 × 71.5 × 7.8	172	Lightning	卫星紧急联络
iPhone 14 Plus	160.8 × 78.1 × 7.8	203	Lightning	卫星紧急联络
iPhone 14 Pro	147.5 × 71.5 × 7.85	206	Lightning	灵动岛设计
iPhone 14 Pro Max	160.7 × 77.6 × 7.85	240	Lightning	灵动岛设计
iPhone 15	147.6 × 71.6 × 7.8	171	USB-C	磨砂玻璃背板
iPhone 15 Plus	160.9 × 77.8 × 7.8	201	USB-C	磨砂玻璃背板
iPhone 15 Pro	146.6 × 70.6 × 8.25	187	USB-C	钛金属边框
iPhone 15 Pro Max	159.9 × 76.7 × 8.25	221	USB-C	钛金属边框
iPhone 16	147.6 × 71.6 × 7.8	170	USB-C	相机控制按键
iPhone 16 Plus	160.9 × 77.8 × 7.8	199	USB-C	相机控制按键
iPhone 16 Pro	149.6 × 71.5 × 8.25	199	USB-C	钛金属，相机控制按键
iPhone 16 Pro Max	163.0 × 77.6 × 8.25	227	USB-C	钛金属，相机控制按键
iPhone 17	149.0 × 71.0 × 8.1	195	USB-C	超薄灵动岛
iPhone 17 Pro	151.0 × 72.0 × 8.1	215	USB-C	超薄灵动岛
iPhone 17 Pro Max	164.0 × 78.0 × 8.1	235	USB-C	超薄灵动岛

🧠 与内存参数

机型	起步存储	最高存储	运行内存 (RAM)
iPhone 11	64GB	256GB	4GB
iPhone 11 Pro	64GB	512GB	4GB
iPhone 11 Pro Max	64GB	512GB	4GB
iPhone 12	64GB	256GB	4GB
iPhone 12 mini	64GB	256GB	4GB
iPhone 12 Pro	128GB	512GB	6GB
iPhone 12 Pro Max	128GB	512GB	6GB
iPhone 13	128GB	512GB	4GB
iPhone 13 mini	128GB	512GB	4GB
iPhone 13 Pro	128GB	1TB	6GB
iPhone 13 Pro Max	128GB	1TB	6GB
iPhone 14	128GB	512GB	6GB
iPhone 14 Plus	128GB	512GB	6GB
iPhone 14 Pro	128GB	1TB	6GB
iPhone 14 Pro Max	128GB	1TB	6GB
iPhone 15	128GB	512GB	6GB
iPhone 15 Plus	128GB	512GB	6GB
iPhone 15 Pro	128GB	1TB	8GB
iPhone 15 Pro Max	256GB	1TB	8GB
iPhone 16	128GB	512GB	8GB
iPhone 16 Plus	128GB	512GB	8GB
iPhone 16 Pro	128GB	1TB	8GB
iPhone 16 Pro Max	256GB	1TB	8GB
iPhone 17	128GB	1TB	8GB
iPhone 17 Pro	256GB	1TB	8GB
iPhone 17 Pro Max	256GB	1TB	8GB

💡 核心升级节点总结

🖥️ 屏幕与设计的全面进化

iPhone 12：全系升级 OLED 屏幕，回归直角边框设计
iPhone 14 Pro：首次引入"灵动岛"交互设计
iPhone 13 Pro：Pro 系列首次普及 120Hz ProMotion 自适应刷新率
iPhone 17：超薄灵动岛设计，进一步缩小前置摄像头区域

原文链接: iPhone 11至iPhone 17系列全型号详细参数对比作者: lixusocool

IoTAutomationFramework_2.0 安卓测试自动化工具

Fri, 01 May 2026 00:00:00 +0000

概述

这是一个基于的 IoT 设备自动化测试框架，主要用于测试高通（Qualcomm）芯片平台的设备。

核心

1. ADB (Android Debug Bridge) ⭐⭐⭐⭐⭐

主要工具，使用最广泛

位置:Libs/Utilities/adb.py
用途:
- 设备连接和通信
- 执行 shell 命令
- 文件传输（push/pull）
- 设备重启
- 日志收集
使用示例:

from Libs.Utilities.adb import adb

# 执行命令
adb.run_cmd("adb shell ls /data", serial_number)

# 推送文件
adb.push(local_path, remote_path, serial_number)

# 拉取文件
adb.pull(remote_path, local_path, serial_number)

# 重启设备
adb.run_cmd("adb reboot", serial_number)

特点:
- 支持多设备（通过 serial_number 区分）
- 支持 ADB over WiFi
- 自动日志记录（发送和接收的命令）

2. UIAutomator2 ⭐⭐⭐⭐

UI 自动化工具

库:uiautomator2(简称 u2)
用途:
- Android UI 元素定位和操作
- 点击、滑动、输入等交互
- 截图和屏幕录制
- 应用启动和管理
使用示例:

import uiautomator2 as u2

# 连接设备
d = u2.connect(serial_number)

# 点击按钮
d(resourceId="com.example:id/button").click()

# 输入文本
d(resourceId="com.example:id/edit").set_text("Hello")

# 检查元素是否存在
if d(text="Settings").exists:
 d(text="Settings").click()

# 滑动
d.swipe(100, 500, 100, 100)

应用场景:
- LAW (Linux Android Wear) 平台测试
- UI 交互测试
- 设置配置
- 弹窗处理

3. SSH ⭐⭐⭐

远程连接工具

Codex 配置自定义 AI API 完整指南：从零到一接入你的专属模型

Thu, 09 Apr 2026 00:00:00 +0000

配置自定义 AI API 完整指南：从零到一接入你的专属模型

前言

作为一名开发者，我们经常需要在终端环境中使用 AI 编程助手。的 Codex 是一个非常强大的命令行 AI 编程工具，但默认情况下它只能调用 OpenAI 官方的。那么问题来了：如果我们有自己的 API 服务（比如部署了国产、使用了代理服务、或者公司内部的 AI 平台），如何让 Codex 接入这些自定义的 API 呢？

本文将通过一个真实的配置案例，详细讲解如何在 macOS（特别是 Mini）环境下配置 Codex，使其能够调用自定义的 AI API。整个过程涉及编写、环境变量设置、版本兼容性问题排查等，希望能帮助到遇到类似问题的开发者。

一、理解 Codex 的架构

在开始配置之前，我们需要理解 Codex 的基本架构。Codex 采用了一种灵活的 Provider 机制，允许用户定义多个 AI 服务提供商，并在它们之间切换。

核心概念：

Provider（提供商）：一个 AI 服务的具体实现，包含 API 地址、认证方式等
Model（模型）：Provider 提供的具体模型名称
Wire API：Codex 与 Provider 之间的通信协议类型

这种设计让 Codex 不仅限于 OpenAI 的服务，理论上可以接入任何兼容 OpenAI API 格式的服务。

二、配置前的准备工作

2.1 确认 Codex 版本

这是最关键的一步！不同版本的 Codex 对 API 协议的支持完全不同：

一文读懂AI自动化核心：Workflow与Agent的区别，建议收藏

Sat, 14 Mar 2026 00:00:00 +0000

今天我们聊一个近期 AI 圈里的热门话题 — 和 Agent**。**

一提到 AI，大家总说“让 AI 帮我干活”，可真要让 AI 落地做事，离不开 Workflow 与。这俩到底在 AI 里扮演了什么角色，又有什么区别？

今天我们就来详细聊聊**，揭开 AI 自动化的秘密**。

1 Workflow：深耕多年的“流程老管家”

Workflow，也叫。很多人以为它是 AI 带火的新词，其实它早就在各行业成熟应用了。比如：

职场人熟悉的审批流：请假时，从提交申请到审批通过，每一步都有固定顺序，缺一不可；
程序员常用的持续集成：代码提交后，自动触发编译→测试→部署，全程按预设步骤走，无需人工干预；

这些场景的本质就是提前把规则写死，严格按照预设步骤执行。就像工厂里的流水线，螺丝拧几圈、零件放哪里，早就定好了，工人只要按流程走就行。

它的核心工作流也不复杂，主要分为四步：

触发：谁来启动这条流程？

满足某个条件就自动开跑，比如点击提交、到达某个时间点、检测到有文件上传。

编排：接下来按哪条路走？

先做什么、后做什么，遇到不同情况走哪条分支，都提前设计好，相当于流程的“路线图”。

执行：具体怎么干活？

按照路线图真正去办事：比如提交后的发送消息通知、计算汇总数据、调用外部接口等，把每一步操作落地。

结束：怎么收尾？

流程跑完后，再把结果告知相关人，更新状态、保存记录，让这件事有一个完整闭环。

可以说，传统 Workflow 就像一套按部就班、严谨执行的固定“剧本”，不会自主思考、也不会灵活变通。

而当 AI 时代到来，Workflow 也迎来了新的角色与价值。

AI 的落地离不开（LLM），但大模型再智能，也只是一个擅长理解生成、却不懂统筹调度的“超级大脑”。当我们需要把零散的思考变成可执行的步骤时，就需要一个统一调度的角色 — Workflow。它会决定什么时候调用大模型、让它处理什么内容、结果传给谁、下一步怎么走。

正是这样，传统工作流才真正具备了理解意图、生成内容的智能能力，升级为 AI Workflow。

比如 AI 智能客服，它的流程非常清晰：

用户咨询 → 大模型识别意图 → 生成应对答案 → 回复用户。

还有常用的 AI 生成社交文案的流程：

输入需求 → 大模型提取关键词 → 生成文案 → 人工微调 → 发布

Agent-browser浏览器自动化CLI

Wed, 11 Mar 2026 00:00:00 +0000

跨平台、功能丰富、极快：重新定义AI上下文通信的优先紧凑文本输出。

对于者来说，在开发AI Agent时与浏览器交互是一个频繁的过程。让AI Agent更高效地操作浏览器是一个具有挑战性的问题。最近，在搜索AI测试解决方案时，我发现了Vercel开源的agent-browser，这是一款专为AI Agent设计的自动化CLI。

agent-的特性：

基于引用：快照返回带有引用的可访问树。
Agent优先：高效利用AI上下文，节省token。
会话：支持多个具有独立身份验证的隔离浏览器实例。
功能完整：支持超过50个命令，包括导航、表单操作和截图。
跨平台：支持macOS、Linux和Windows平台。

1、安装agent-browser

在安装agent-browser之前，请确保您的计算机上已安装Node.js。

在命令行中输入以下命令。-g选项表示全局安装。

npm install -g agent-browser

成功安装agent-browser CLI后，继续输入命令agent-browser install，这将开始下载Chromium浏览器。

安装Chromium浏览器...
需要安装以下软件包：
playwright@1.58.2
确定继续？(y) y

成功安装Chromium浏览器后，命令行将输出成功安装的消息。

正在下载Chrome for Testing 145.0.7632.6 (playwright chromium v1208)...
162.3 MiB [====================] 100% 0.0s
...
✓ Chromium安装成功

2、使用agent-browser

2.1 打开网页

agent-browser open https://agent-browser.dev/

输出：

✓ 无头浏览器自动化 for AI
https://agent-browser.dev/

2.2 获取当前网页的可访问树

agent-browser snapshot -i

输出：

- 链接 "Made with love by Vercel" [ref=e1]
- 链接 "agent-browser" [ref=e2]
- 链接 "16k" [ref=e3]
- 链接 "npm" [ref=e4]
...
- 按钮 "Ask AI" [ref=e26]

2.3 使用引用进行交互

agent-browser click @e3

输出：

开发板常见问题

Wed, 04 Mar 2026 00:00:00 +0000

问题类型	占比	可预防性
过热降频/关机	40%	⭐⭐⭐⭐⭐（加风扇即可）
电源不足	25%	⭐⭐⭐⭐（换好电源）
内核/驱动崩溃	20%	⭐⭐⭐（升级内核）
内存/存储故障	10%	⭐⭐（依赖硬件质量）
工具/配置错误	5%	⭐⭐⭐⭐（规范操作）

原文链接: 开发板常见问题作者: lixusocool

浏览器自动化agent体验（brower-use，magentic-ui-fara7B）

Tue, 03 Mar 2026 00:00:00 +0000

	优点	缺点
brower-use	使用官网SDK写一个python的api，挺好用的能识别网页绿色框框数量	官网api收费，使用免费的api不太好用github的部署麻烦，没有成功
magentic-ui-fara7B	部署简单成功也能识别绿色框框	调用的qubrid的api，几下就用完了。。。需要设置docker的普通用户权限

原文链接: 浏览器自动化agent体验（brower-use，magentic-ui-fara7B）作者: lixusocool

成功破解geetestv4极验滑动验证码

Mon, 16 Feb 2026 00:00:00 +0000

花了我两三天，结果还是好的达到了我的预期 (o゜▽゜)o☆[BINGO!]

先看下效果：

如图所示脚本运行可以自动点击join按钮和滑动按钮，按时签到薅羊毛！

我采用的是pyautogui+方式，非传统自动化工具如Selenium和Playwright，不过使用了DrissionPage来获取缺口图和背景图。

已经适配windows和debian系统，最新的浏览器（其他没试）。

分享源码给大家一起学习测试使用（不可用做非法用途！发生的非法事件与本人无关特此声明）

：https://github.com/haolixu/geetest-auto

：https://gitee.com/haolixu/geetest-auto

那个依赖我没搞定，尝试了pip > requirements.txt和pipreqs . –encoding=utf-8 –force

但是没啥用。。。还是缺依赖，你们有什么好的方法吗？

需要注意的是浏览器需要设置一下：

win：D:\浏览器\QQBrowser\QQBrowser.exe -sc=desktopshortcut -fixlaunch=0 —debugging-port=9222

：/usr/bin/qqbrowser-browser-stable %U -sc=desktopshortcut -fixlaunch=0 –remote-debugging-port=9222

原文链接: 成功破解geetestv4极验滑动验证码作者: lixusocool

基于 ModelScope-Agent 框架构建可落地的大模型 Agent 应用实践

Sun, 11 Jan 2026 00:00:00 +0000

干货分享，感谢您的阅读！

随着大语言（Large Language Model，LLM）能力的持续提升，业界对“让模型真正做事”的期待，已经从单轮对话生成文本，转向了具备自主决策、工具调用与多步执行能力的 Agent（智能体）系统。

在这一演进过程中，一个逐渐清晰的共识是：Agent 并不是“更强的大模型”，而是“以大模型为大脑，外部系统为四肢”的工程系统。

记忆、规划、、行动执行，这些能力本质上并不来自模型本身，而是通过工程框架将模型与外部能力进行组织、编排与约束的结果。正是在这一背景下，围绕 Agent 的研究与工程实践迅速发展，催生了诸如 ReAct、Auto-GPT、LangGraph、MetaGPT 等一系列方法与框架。

我们将聚焦于 ModelScope-Agent 这一由阿里云魔搭社区推出的框架，从能力结构、运行机制、典型任务示例与工程实践角度，系统解析如何基于该框架构建一个可扩展、可落地的 Agent 应用。

一、为什么 Agent 不等于？

在深入 -Agent 之前，有必要先澄清一个常见误区：Agent ≠ 更大的模型 ≠ 多轮 Prompt。

从系统架构视角来看，一个可用的 Agent 至少包含以下几个核心组件：

推理核心（LLM）：负责理解用户意图、进行任务拆解、生成行动决策。
工具系统（Tools / Plugins）：提供模型无法直接完成的能力，如搜索、计算、生成图片、调用 API 等。
执行与调度层（Executor / Orchestrator）：将模型输出的“意图”转化为真实的函数调用或外部服务请求。
记忆系统（Memory）：保存历史对话、中间结果、长期偏好，用于后续决策参考。
规划与反思机制（Planning & Reflection）：用于多步骤任务拆解、执行顺序安排，以及失败后的自我修正。

从这个角度看，Agent 是一个系统工程问题，而不是单一模型能力问题。ModelScope-Agent 正是试图在工程层面，为这些能力提供一套可组合、可扩展的实现框架。

二、ModelScope-Agent 框架概览

ModelScope-Agent 是魔搭社区推出的一个 通用 Agent 开发框架，其目标并非“封装一个黑盒 Agent”，而是提供：

标准化的 Agent 抽象
灵活的工具接入机制
可插拔的记忆与规划模块
面向多模态任务的统一调用方式

从系统结构上看（如下图所示，老版本结构，仅供参考）：

利用ModelScope-Agent框架开发的Agent，除了可以提供文本创作之外，还能生成图片、视频、语音等内容。单个Agent具有角色扮演、LLM调用、工具使用、规划、记忆等能力。技术上主要具有以下特点：

简单的Agent实现流程：仅需指定角色描述、大模型名称、工具名列表，即可实现一个Agent应用，框架内部自动实现工具使用、规划、记忆等工作流的编排。
丰富的模型和工具：框架内置丰富的大模型接口，例如Dashscope和Modelscope模型接口，OpenAI模型接口等。内置丰富的工具，例如代码运行、天气查询、文生图、网页解析等，方便定制专属Agent。
统一的接口和高扩展性：框架具有清晰的工具、大模型注册机制，方便用户扩展能力更加丰富的Agent应用。
低耦合性：开发者可以方便地直接使用内置的工具、大模型、记忆等组件，而不需要绑定更上层的Agent。

三、ModelScope-Agent 的核心能力解析

（一）内容生成能力

与许多只聚焦文本任务的 Agent 框架不同，ModelScope-Agent 天然支持多模态工具接入，使 Agent 能够完成：

Agent记忆技术及落地实践

Mon, 17 Nov 2025 00:00:00 +0000

做记忆模块搭建的相关研发工作，一开始认为agent的记忆就是维护上下文，应该和chatbot的对话管理差不多，但真的做一段时间之后，才发现和对话管理相比还是区别比较大的，而且记忆模块对agent的实现效果以及后期可扩展性有比较重要的影响。

agent记忆与chatbot上下文的区别

我们拿agent记忆与上下文来作下比较，暂且不考虑长期记忆，就拿短期记忆来作对比，短期记忆(工作记忆)主要就是维护上下文，更官方一点的说法就是上下文工程，那chabot的对话管理不是也是在维护上下文吗？那两者有什么区别呢？

目标

agent记忆和chatbot上下文的目标看上去是一致的:给LLM/agent添加合适的状态来做下一步的决策。但是从服务对象，组织形式和维护重点的扩展来看有比较大的区别。

服务对象

虽然两者都算是人机交互，拿服务的对象都可以算作是人，但从现阶段的主要技术实现来看，服务对象还是存在差异的。

chatbot的服务对象是人这个毋庸置疑，做图灵测试也是为了验证对面和你说话的那个AI，有没有可能骗过你，而从让你以为它是个人，chatbot展开的多轮对话也是围绕人的实际需求展开。

agent虽然也存在与人的交互，agentic workflow中一般也会有人工输入的节点，但现阶段我们搭建agent的主要任务，更多时候是在自动完成一个复杂任务，因此服务对象可以认为是复杂任务。

组织形式

从组织形式上来看，由于agent具备了行动能力，所以和chabot产生了组织形式的不同。

chatbot主要的构成是一问一答的形式，包括我们调用大模型api一般也遵循这个结构，可以表示为{[q0,a0],[q1,a1],…[qt,at]}。

agent记忆的构成以最常见的react模式为例，主要是动作(tool)和动作结果(tool_result)的时序集合，可以表示为{a0,o0,a1,01,…at,ot}。

维护重点

对于记忆和上下文，很重要的一个功能是维护，但维护的侧重点也是有所不同的。

chabot的上下文虽然也存在前后关联，不会每一轮都紧密联系，但会存在频繁的意图切换，如何理解意图并且实现有效的意图切换识别是上下文维护的重点。

而agent记忆的每一个步骤都是按迭代规划进行的，缺失某个步骤或跳过某个步骤都可能会导致任务失败，因此它的维护重点是如何在有限的窗口中记录对下一步决策产生影响的所需关键信息。

另外agent和chatbot还存在一个很大不同的点是的必要性。对于chatbot，长期记忆主要是记住个人信息和偏好用于个性化服务。而对于agent，长期记忆需要通过情景记忆来记住之前的迭代轨迹，这样不仅能通过检索的方式来获取与当前决策相关的上下文信息，还可以实现经验复用，在下一次遇到类似任务时，可以将之前的经验作为参考,马普所今年2月份发这篇论文时候就指出情景记忆是当前agent所缺少的[1]。

agent短期记忆-业界技术分享

anthropic

anthropic提到agent在长程任务上的三种管理上下文方式[2]包括:压缩,结构化笔记和采用子agent架构。

压缩通过对上下文关键内容的提取，改写和无关内容删除实现上下文瘦身；

结构化笔记是把关键信息以结构化形式存入笔记，让agent可以阅读到关键信息；

子agent架构则是通过子agent维护自己的独立上下文再将关键结果返回主agent实现上下文解耦。

oepnai

openai的短期记忆管理[3]则是围绕agent sdk来谈到管理短期记忆的两个主要方式:裁剪（trimming）和压缩（summarizing）。

压缩和anthropic的compact是一样的，裁剪就是把旧的历史信息直接剪掉。

trimming的好处是实现比较简单，延时友好而且不会引入偏移信息（相比压缩），但缺点也显而易见，裁剪的内容可能包含当前决策需要的信息，所以一般适用于任务独立，上下文关联不大，低延迟要求场景。

langchain & manus

langchain与最近的一次交流[4]提到manus的三种上下文管理方式:reduce ，offload context和isolate context。

reduce context包括将工具执行结果进行压缩放在窗口内，而降完整结果保存在文件系统中，在上下文触发窗口限制时对整个轨迹进行整体压缩；

context isolate类似于anthropic的sub agent方法，但细分为两种方式：对于简单任务main agent通过function call的方式将指令传递给子agent，子agent在自己的窗口执行任务；而对于复杂任务，子agent会和主agent共享上下文。

context offloading和anthropic的结构化笔记虽然都是将内容存入文件，但处理思路不一样。manus的方式是将大多数操作卸载到沙盒层，在沙盒中通过bash工具就可以实现多样化的文件读写操作，这样就可以把工具执行结果保存到文件，在需要时通过bash的grep等查询命令进行访问。另外manus的这个设计相当于把大部分先验知识文件化，让agent按需通过读取文件内容获取先验来指导行动，anthropic的skill实现应该也是类似的思路。

agent记忆-项目实践

初版记忆实现

在实际搭建agent时，工具模块，记忆模块，提示词模块是三个重要的基础模块。工具模块和提示词模块相对简单或者说比较成熟的方案，而记忆模块的搭建则有不同的设计思路和实现方式，但核心思路一致 - “给agent提供恰当的上下文”，但难就难在"恰当"，首先受限于LLM的上下文窗口，所以累计上下文就不能过长。

另外上下文中堆积无关或者重复的内容不但会影响推理规划，也是不经济的。还有一个重要原因是上下文中的内容对于agent来说不是等权重的，对于当前决策而言，有的内容相对其它内容就会更重要，类似于需要一个attention机制来选择关键信息，那以什么形式来管理上下文获取更相信的信息加入就尤为关键了。

在近期的一个agent项目实践中，实现记忆模块的初始版本，设定的原则是"状态是记忆的投影"，以记忆作为事实的唯一来源，同时要求不在agent中维护状态，把记忆事实作为状态来源，放入agent的上下文中让agent自己进行决策。思路看上去是没有问题，但实际测试后就发现想简单了。

对于agent而言本身依赖的LLM是无状态的，所以agent也可以认为是无状态的，但是记忆的目的就是为了让agent具有状态。在初版的实现里，每一轮迭代都把obs写入工作记忆，同时读取当前轮之前的工作记忆中的结构化历史信息，把obs作为上下文唯一来源，直接注入到下一轮迭代的上下文，这样做是比较省事，但是一旦agent内部迭代出现问题，因为obs和工作记忆之间的这种耦合设计，很难追溯问题来源。

第二版记忆重构优化

在发现第一版的问题后，开始进行第二版改进。第二版的改进主要是基于看到的相关的技术博客和论文，重新设计了记忆方案。首先记忆模块的目录设计应该把短期记忆和长期记忆做清晰分划分，维护当前agent迭代执行任务所需上下文的就是短期记忆(工作记忆)，而记录完整迭代过程的是长期记忆（情景记忆），产生对应产出的也是长期记忆(语义记忆)。其中比较容易混淆的是工作记忆和情景记忆，从持久化的角度来说，把工作记忆持久化就可以理解为情景记忆，但实际上是存在差别的。

对于一个agent的迭代轨迹{a0,o0,a1,o1,…at,ot},可以直接把这个迭代轨迹放入上下文，也可以对这个迭代轨迹的每一步进行摘要提取，仅保留关键信息和引用，比如某步生成了一个很大的结构化，在进入下一轮时没有必要把整个json全部放入上下文，可以只放入一个引用，但是会把完整的json存入情景记忆，在下一轮迭代使用这个引用时再从情景记忆中取出这个对应的json，这样能避免大段内容直接进入到上下文中。

同时还需要考虑到上下文长度限制和成本问题，一般的工作记忆还会考虑使用最近k轮的策略，上下文只保留最近k轮的迭代记录，但是全局信息以结构化的信息记录，把这个结构化信息也注入到上下文中，这样也不至于让agent丢失掉全局信息。而第一版的问题就在这里，状态不应该只是记忆的投影，状态是对记忆的删减和加工，实际上的改进就是在短期记忆和长期记忆之间加一个桥接适配层，来实现短期记忆和长期记忆的搭配使用。

而为了agent项目的阶段性扩展和迭代，在前期工程化实现时就应该考虑长期记忆。在一个agent的迭代循环里，如果迭代轮数比较长，上下文窗口和LLM的上下文利用效率已经开始明显下降，就需要考虑结合长期记忆使用了。而为了缩减上下文，在删减掉比较早期的迭代信息后，需要识别出长期记忆中已保存的迭代记录中，哪些记忆内容会对当前轮决策有用，就选择加入到上下文。这个一般会使用retrival的方法，从长期记忆中进行检索。技术实现上会结合结构化和向量检索，而实际的实践需要根据场景需求去做设计和调整记忆存储和读写方式，可以使用slot，sql数据库，向量数据库，图数据库等等。

实践过程汇总有一个原则可以参考：记忆模块在开始实现之初，就应该把短期记忆和长期记忆进行解耦设计，这不但为上下文管理留有比较大的优化空间，在符合可审计性原则之外还为经验复用和未来可能的RL积累数据基础。

同时第二版的改进上，还有一个比较重要的改进点是还原了obs的单纯职责，obs只应该对当前轮的act和执行结果进行记录，不应该注入历史内容，obs保持职责单一只把当前轮的执行和执行结果(或摘要)放到工作记忆，工作记忆再去通过记忆模块补充历史上下文，这样修改之后，obs和工作记忆的职责也分的比较清晰了。

另外在agent的工层化实现过程中，造成可审计比较困难的一个点就是对工程化实现过程的不同组件的职责理解和划分不清晰，一旦出了bug，bug溯因就会因为这种不清晰的边界设计增加debug的难度，所以需要在设计之初就厘清不同模块的边界再动手进行实现。

agent记忆相关研究进展

上面提到RL微调，就再展开谈一下在agent在记忆管理方向的相关研究。agent记忆管理是一个很复杂的问题，从工程角度来看，agent的记忆管理可以分为两类技术方案，一种将复杂问题简化，另外一种是自动化。目前相关的记忆研究在这两个方向论文也比较多，找到了几篇比较有代表性的论文。前者是提供系统化/可插拔的记忆管理底座框架，如[5]，A-MEM[6]，后者是将手动/规则维护记忆的方式转为自动化，如Memory‑R1[7]，MEM1[8]，Memp[9]， MEMSearcher[10]等。

服务器测试整理

Tue, 11 Nov 2025 00:00:00 +0000

(一) 测试工具（服务器）

/etc/systemd/system/natapp.service

编号	名称	版本	用途	工具状态
1	Unixbench	5.1.3	测试操作系统综合处理能力。	开源工具
2	Spec2006	2006	测试 CPU 性能。	商用软件
3	iozone	4.3.0	测试磁盘读写性能（Mb/s），包括随机、顺序读写、最大最小和平均读写速度等。	开源工具
4	Netperf	2.7.0	测试网络传输速率、网络吞吐率、网络响应时间等，包括 TCP、UDP 流吞吐速率、TCP 请求/响应、丢包率、误包率等。	开源工具
5	SPECjvm2008	2008	测试 JAVA 虚拟机的性能。	开源工具
6	LMbench	3.0	测试操作系统性能	开源工具
7	LTP	LTP 20160510	测试系统稳定性	开源工具
8	Stream	5.09	测试内存带宽性能	开源工具
9	FIO	2.1.10	测试磁盘读写性能	开源工具

(2) uos

deb http://mirrors.163.com/debian stable main
内核更新：
apt install linux-image* linux-header*
卸载多余内核：

apt remove linux-image-5.6.0-2-arm64

deb https://uos.deepin.cn/uos eagle main contrib non-free
deb https://enterprise-packages.chinauos.com/server-enterprise fou/sp2 main contrib non-free
apt-key adv –keyserver keyserver.ubuntu.com –recv-keys
deb https://professional-store-packages.chinauos.com/appstore eagle appstore
麒麟v10源：

deb http://archive.kylinos.cn/kylin/KYLIN-ALL 10.0 main restricted universe multiverse
deb http://archive.kylinos.cn/kylin/partner juniper main

定制版uos：

mkdir /tmp/livecd
mount -o loop uos*.iso /tmp/livecd
mkdir -p livecd/cd
rsync --exclude=/live/filesystem.squashfs -a /tmp/livecd/ livecd/cd
mkdir livecd/squashfs&&mkdir livecd/custom
modprobe squashfs
mount -t squashfs -o loop /tmp/livecd/live/filesystem.squashfs livecd/squashfs
cp -a livecd/squashfs/* livecd/custom
cp /etc/resolv.conf livecd/custom/etc/
cp /etc/apt/sources.list livecd/custom/etc/apt/sources.list
chroot livecd/custom apt install xrdp htop gnome-disk*
rm -rf livecd/custom/recovery*
mksquashfs livecd/custom ./filesystem.squashfs && chmod -R 777 ./*.squashfs

uos无需激活即可root：

nano /etc/pam.d/su
#auth    requisite           deepin_security_verify.so

命令行激活试用：uos

uos-activator-cmd -t

(3) unixbench

wget http://github.itzmx.com/1265578519/unixbench/master/5.1.3/unixbench.sh
chmod 777 *.sh && ./unixbench.sh
多核的话改一下run文件，第 109,110,111,112 行修改数字为当前系统 CPU 核数，然后./Run -c 核数
nano Makefile ，47行

1GL_LIBS = -lGL -lXext -lX11 lm

nano Run，111行

# '3d'  => { 'name' => "3D Graphics Benchmarks",'maxCopies' => 8 },

make all && ./Run graphics
1

(4) iozone

wget http://www.iozone.org/src/current/iozone3_487.tar
tar -xvf iozone3_487.tar
cd iozone3_487/src/current/
make linux
./iozone -a -i 0 -i 1 -i 2 -f /mnt/testfile -r 16m -s 8G | tee -a iozone.log
./iozone -a -i 0 -i 1 -i 2 -f /mnt/testfile -r 16m -s 16G | tee -a iozone.log
./iozone -a -i 0 -i 1 -i 2 -f /mnt/testfile -r 16m -s 32G | tee -a iozone.log
wgethttps://gitee.com/haolixu/test/raw/master/iozone.sh&& bash iozone.sh

(5) 远程桌面

apt install xrdp
apt install gnome*
echo “gnome-session –session=gnome-classic” > ~/.xsession
/etc/init.d/xrdp start

19.12.23更新！

Agent接口测试中实践

Mon, 10 Nov 2025 00:00:00 +0000

在接口测试中实现“自动解析文档→生成用例”的核心是通过**“文档结构化解析→元数据提取→场景规则映射→用例自动化编排”**的全流程自动化，结合的语义理解与测试领域知识，将非结构化的接口文档转化为覆盖全面、可直接执行的测试用例。

一、整体流程框架

整个过程分为4个核心阶段，由“接口解析Agent”和“用例生成Agent”协同完成，依赖“文档同步模块”“元数据存储模块”“规则引擎”三大支撑组件：

graph TD
subgraph 准备阶段
A[接口文档同步] --> A1[对接Swagger/OpenAPI]
A --> A2[监听文档变更（Webhook）]
A --> A3[历史文档版本管理]
end
subgraph 解析阶段（接口解析Agent）
B[元数据提取] --> B1[基础信息：路径/方法/描述]
B --> B2[参数信息：类型/约束/位置]
B --> B3[响应信息：状态码/schema/字段]
B --> B4[依赖关系：前置接口/动态参数]
end
subgraph 生成阶段（用例生成Agent）
C[场景规则映射] --> C1[正向场景：合法参数组合]
C --> C2[异常场景：参数校验失败]
C --> C3[边界场景：临界值/极限值]
C --> C4[依赖场景：接口调用链]
end
subgraph 输出阶段
D[用例格式化] --> D1[Postman/JMeter格式]
D --> D2[pytest脚本格式]
D --> D3[测试管理工具格式（TestRail）]
end

二、具体步骤与技术实现

阶段1：同步——确保解析源实时准确

目标：获取最新接口文档（如/OpenAPI），并监控变更以触发后续解析流程。

具体操作：

文档接入方式：

主动拉取：通过定时任务（如每小时）调用接口文档地址（如https://api.example.com/v3/api-docs），获取JSON格式的Swagger文档；
被动接收：配置Git Webhook，当接口文档代码（如后端项目的Swagger配置）提交时，自动推送最新文档至Agent系统。

文档版本管理：将每次获取的文档存储在版本库（如Git），标记版本号（如v2.3.1），便于后续对比变更（如参数新增/删除）。

阶段2：元（接口解析Agent核心工作）

目标：从接口文档中提取结构化元数据（基础信息、参数、响应、依赖），为用例生成提供“原材料”。

CSDN博客文章批量导出

Wed, 22 Oct 2025 00:00:00 +0000

脚本依赖环境安装指南

以下是为运行 CSDN 博客导出脚本（如 export_csdn_cf.py）而准备 Linux 系统环境所执行的一系列有效命令。这些命令主要用于安装运行时、及其依赖库。

# 1. 安装 Python 包管理工具 pip3
apt install python3-pip -y

# 2. 安装文件传输和解压工具
apt -y install lrzsz # 提供 rz/sz 命令，用于终端文件上传下载
apt -y install zip unzip # 用于处理 zip 和 unzip 格式的压缩包

# 3. 安装重命名工具
apt install rename # 强大的 Perl 脚本，用于批量重命名文件

# 4. 配置 Google Chrome 浏览器安装源 (使用清华镜像加速)
# 下载并添加 Google 的 GPG 公钥以验证软件包完整性
wget -q -O - https://dl-ssl.google.com/linux/linux_signing_key.pub | sudo apt-key add -
#或者上传执行如下的命令
# cat linux_signing_key.pub |sudo apt-key add -
Warning: apt-key is deprecated. Manage keyring files in trusted.gpg.d instead (see apt-key(8)).
OK

# 将清华镜像的 Chrome 源写入 APT 源列表
echo "deb [arch=amd64] https://mirrors.tuna.tsinghua.edu.cn/google-chrome/deb/ stable main" > /etc/apt/sources.list.d/google-chrome.list

# 5. 更新软件包索引并安装 Chrome 及其系统依赖
apt update # 同步最新的软件包列表
# 安装稳定版 Google Chrome
# 下载 && dpkg -i去安装
https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.deb
# 修复相关的依赖
apt --fix-broken install -y

# 6. 安装 Chrome 运行所需的底层库 (确保 headless 模式正常工作)
apt install -y \
 wget \
 unzip \
 libxss1 \
 libappindicator1 \
 libindicator7 \
 fonts-liberation \
 libasound2 \
 libatk-bridge2.0-0 \
 libgtk-3-0 \
 libdrm-common

# 7. （可选）修复可能存在的依赖问题
apt --fix-broken install -y # 如果之前的安装出现中断或依赖错误，此命令可尝试自动修复

说明：

虽然核心抓取脚本export_csdn_cf.py使用的是cloudscraper，它不直接依赖浏览器，但如果您后续计划使用selenium或playwright等基于真实浏览器的自动化工具来应对更复杂的反爬机制（如 Turnstile 验证码），那么安装 Chrome 是必需的。
此处列出的lib*库是 Chrome 在无头（headless）模式下运行时常见的依赖项，能避免因缺少图形或音频库而导致的启动失败。
使用清华（TUNA）镜像可以显著加快在境内网络环境下下载 Chrome 的速度。

步骤一：安装 pip3 依赖

在开始编写和执行脚本之前，我们需要先配置好运行环境并安装必要的第三方库。

ARM硬件测试面试题

Fri, 01 Aug 2025 00:00:00 +0000

开发板有哪些存储，存储如何测试
如何决定测试标准，和老板开发开会决定还是用行业标准
你觉得你有什么长处在测试方面
蓝牙如何测试，命令是什么
自动测试有哪些方面的应用
串口是什么协议，WiFi有哪些协议
WiFi如何测试
USB接口如何测试
固件如何测试
python深拷贝和浅拷贝区别
python进程通信有哪些

原文链接: ARM硬件测试面试题作者: lixusocool

从单 Agent 到多 Agent 的案例落地实践

Mon, 02 Jun 2025 00:00:00 +0000

大家好，我是玄姐。

▼最近直播超级多，预约保你有收获

关于 Agent 的定义目前还没有形成共识，目前有3个代表性的定义：

流行最广的是前 OpenAI 研究与安全副总裁 Lilian Weng 对 Agent 的定义：Agent = LLM + Planning + Tools + Memory。

除此之外，LangChain 对 Agent 的定义为：使用 LLM 决定应用程序控制流的系统。

OpenAI 对 Agent 的定义是：Agent 是能够代表用户自主完成任务的系统。

尽管目前对 Agent 的定义还没形成共识，但是大家对 Agentic System（智能系统）基本的共识是：Agentic System 是一种有目标、基于环境的决策系统。与 LLM 最大的区别在于，Agentic System 可以与现实世界交互，从感知环境开始，做出决策并执行，影响环境，然后基于反馈调整，不断持续迭代循环。

—1—

Agentic System 架构设计剖析

一个完整的 Agentic System 架构包含四个核心组成部分：

感知：为大模型构建上下文信息。常见的方法包括检索增强生成（RAG），查询结构化数据（比如：数据库、网页内容）或者检索历史记录（比如：长短期记忆）。
决策：本质上是 Planning 规划过程。可以通过规则引擎（Workflow）实现，也可以由大语言模型（LLM）驱动（自主 Agent），或者借助外部规划器。在设计时需要权衡泛化能力和准确性–LLM 驱动的决策泛化能力强，但不确定性较高；而基于规则的工作流泛化能力较弱，但更可控。
执行：通过调用工具来改变环境。包括 API 调用（比如：REST、RPC、SQL、函数调用）或与图形软件的集成（比如：Anthropic 的 Computer use）。
反馈：用于评估和迭代的机制。反馈可以通过人工标注、规则或模型生成，更新可以是离线的或在线的。

使用cloudfare实现免费内网穿透

Fri, 24 May 2024 00:00:00 +0000

我系统是ubuntu18.04.6 LTS
执行以下命令：

curl -L --output cloudflared.deb https://github.com/cloudflare/cloudflared/releases/latest/download/cloudflared-linux-amd64.deb

sudo dpkg -i cloudflared.deb

cloudflared tunnel login
#这里会打开浏览器窗口登录cloudfare，我这里是之前绑定了域名，建议大家也绑定域名

cloudflared tunnel create vm1
#这里会生成下面所需的json文件
mkdir ./cloudflared && cd cloudflared/

nano config.yaml
#添加以下内容
tunnels: vm1
credentials-file: /home/lixu/.cloudflared/95b49dcc-XXXX.json
protocol: http2
ingress:
 - hostname: vm.nb404.cn
 service: http://127.0.0.1:80
 originRequest:
 disableChunkedEncoding: true
 noTLSVerify: true
 - service: http_status:404


cloudflared tunnel --config config.yaml route dns vm1 vm.nb404.cn
#这句命令会给域名增加vm的dns记录

cloudflared tunnel --config ./config.yaml run vm1
#这里就可以访问了，大家记得改成自己的域名

enjoy

解决ubuntu20+不能在vmare17复制粘贴的麻烦解决方案

Sat, 18 May 2024 00:00:00 +0000

先安装ubuntu18的版本，使用典型安装，因为它会自动安装open vm工具实现复制粘贴桌面自动大小功能，同时不要尝试手动安装open vm工具，我试过在ubuntu20+上面试过没用。
输入相关信息直接自动化一键安装。
重启后，执行以下命令升级系统，这个阶段可能需要等30min+

sudo apt upgrade
sudo do-release-upgrade -c

重启即可

24.5.19更新：

缺点：snap install node 会导致nodejs无法使用，缺少依赖

原文链接: 解决ubuntu20+不能在vmare17复制粘贴的麻烦解决方案作者: lixusocool

nano在centos7下中文乱码

Fri, 17 May 2024 00:00:00 +0000

nano ~/.bashrc


export LC_ALL=en_US.UTF-8
export LANG=en_US.UTF-8

保存退出，重新登录终端让修改生效！

原文链接: nano在centos7下中文乱码作者: lixusocool

aws的linux其他端口无法访问问题

Thu, 16 May 2024 00:00:00 +0000

安全组设置：
一定要关闭本地代理才能访问，比如clash！

原文链接: aws的linux其他端口无法访问问题作者: lixusocool

linux的ollama卸载

Sun, 05 May 2024 00:00:00 +0000

  sudo systemctl stop ollama
  sudo systemctl disable ollama
  sudo rm /etc/systemd/system/ollama.service
  sudo rm $(which ollama)
  sudo rm -r /usr/share/ollama
  sudo userdel ollama
  sudo groupdel ollama

我是用官方安装的，卸载比较麻烦

建议用 install ollama

卸载也方便snap remove

原文链接: linux的ollama卸载作者: lixusocool

解决docker容器不能问本机网络

Fri, 03 May 2024 00:00:00 +0000

查看网络：

docker network list

选择一个bridge网络，重新部署容器的时候加进去– 1panel-network：

 docker run -d -p 3001:8080 --network 1panel-network

这样容器就可以引入本机网络的或者其他端口，建议关闭

原文链接: 解决docker容器不能问本机网络作者: lixusocool

666Ai测评

国产模型的差距！（3D建模测评）

agent企业项目实战（2）

2026-06-20 工作总结

🏗️ 重构（上午）

⚙️ 功能完善（下午）

🐛 今日 修复

agent企业项目实战（1）

磁盘监控系统 — 实现总结

一、目标

二、核心文件

三、实现方法

1. 磁盘查询（）

2. 前端页面（ + JS）

3. 服务（Python）

4. （QwenPaw Cron）

四、机器共享名规律

五、遇到的问题及

Camera 调试问题总结

1. qtiqmmfsrc 不支持 num-buffers

现象

结论

处理方式

2. 直接 image/jpeg + filesink 生成空文件

现象

原因

处理方式

3. 前几十帧是黑图

现象

Rust 重写 IoT 自动化框架 - 阶段 1：核心功能

📋 前置准备

1. 安装 Rust

Windows 安装步骤：

2. 安装 VS Code Rust 插件（推荐）

🏗️ 第 1 步：创建项目结构

1.1 创建新项目

1.2 项目结构

📝 第 2 步：配置 Cargo.toml

项目摄像头测试用例总结

1. 摄像头测试用例主要位置

Python 测试用例目录

Plan 配置目录

2. QRB5165_UBUN_2_0 摄像头用例

2.1 AUSanity 单摄基础功能

2.2 Stability 摄像头稳定性与并发

2.3 Camera 通用 GST/HAL3/LBT 测试

3. QCS610_LE_1_0_C2 摄像头用例

4. QCS8550_LE_1_0 摄像头用例

4.1 AUSanity 单摄

4.2 并发 / 压力

5. QCS8625_LE_1_0 摄像头用例

6. CQ7790M_LE_1_5 摄像头用例

7. SW5100_LAW 系列摄像头用例

提供cloudfare的api（国内版）

opencode使用记录

用 Rust 重写 IoTAutomationFramework 的可行性分析

📊 可行性评估：✅ 完全可行

为什么可以用 Rust 重写？

1. 核心功能都有 Rust 替代方案

2. UIAutomator2 的替代方案

freebuff国内用不了

iPhone 11至iPhone 17系列全型号详细参数对比

📱 核心性能与屏幕参数

📸 系统参数

🔋 续航与充电参数

📏 外观与接口参数

🧠 与内存参数

💡 核心升级节点总结

🖥️ 屏幕与设计的全面进化

IoTAutomationFramework_2.0 安卓测试自动化工具

概述

核心

1. ADB (Android Debug Bridge) ⭐⭐⭐⭐⭐

2. UIAutomator2 ⭐⭐⭐⭐

3. SSH ⭐⭐⭐

Codex 配置自定义 AI API 完整指南：从零到一接入你的专属模型

配置自定义 AI API 完整指南：从零到一接入你的专属模型

前言

一、理解 Codex 的架构

二、配置前的准备工作

🐛 今日修复

1. `qtiqmmfsrc` 不支持 `num-buffers`

2. 直接 `image/jpeg` + `filesink` 生成空文件