程序员养了一只龙虾,老婆怒了......

在使用openclaw时出现没有读取路径权限(工具限制)的解决方案  本文主要介绍了在使用openclaw时出现没有读取路径权限(工具限制)的解决方案,希望能对使用openclaw的同学们有所帮助。 文章目录 1. 问题描述 2. 原因分析 3. 解决方案 3.1 步骤一 3.2 步骤二 阅读详情

今年OpenClaw横扫AI圈,无数人开始了“养龙虾”之旅。

张大胖被反复轰炸以后,也养了一只。 

周末,张大胖看着自己的桌面有点烦,因为平时做文档、写文章、做演示,经常要截图,桌面上已经堆满了各种:

“屏幕截图 (1)”
“屏幕截图 (2)”
“屏幕截图 (3)”

之类的东西,于是张大胖给龙虾下达了一个很简单的任务:

“生成一条命令,把桌面上的截图文件删除”

龙虾很快给出了一条 PowerShell 命令,大概意思是删除所有包含“截图”的文件。

张大胖扫了一眼,觉得没问题,就让它执行了,到了晚上,老婆突然从客厅走进书房,生气地说:“我桌面上的‘项目截图’怎么没了?”

张大胖一听,瞬间明白,心里凉了半截,那个PowerShell命令中的把老婆的文件也给“误删了”!

赶紧想办法恢复吧......

OpenClaw不是在聊天,它是真的在帮你执行系统操作。

如果在个人的环境中,玩一玩问题不大,但是在企业环境中,涉及到数据库、服务器、生产系统,那可一定要小心了。

AI助手一旦搞出乱子,删库又没法跑路,还是得自己背锅啊。

有没有一种办法,可以在企业级应用和运维这个垂直领域中,让我们安全合规地使用AI智能体呢?

答案是肯定的,这就是中国首个开源运维智能体:OpenOcta(代号 “八爪鱼”)。

01

八爪鱼是什么?

八爪鱼是基于OpenClaw的思想,用Go语言重写的开源企业级智能体,它专为运维而生,有这么几个特点:

1.面向垂直领域,专为运维而生

天生懂得运维术语,不需要从零开始学习。并且可以和现有运维体系无缝融合,支持和Promethus、Ansible等的深度打通。

2.企业级智能体

高可用、高性能,支持分布式架构;并且具备完善的安全审计、权限管理,安全、合规。

3.自主可控,更加安全

国产LLM深度适配;数据隐私保护,确保敏感信息不出内网。 

4.易用,本土化

一键部署安装,10分钟快速上手,有着开箱即用的技能包和丰富的运维Skills。

有大家习惯的中文文档,社区和案例库,并且深度兼容国内的云生态,技术栈。原生支持飞书、钉钉、企业微信,覆盖国内企业协作的主流场景

从这些描述就能看出来,八爪鱼是一个在企业内网运行的,面向运维的企业级智能体,所以,当你需要把 Agent 部署到生产服务器、接入飞书/钉钉/企业微信、对接监控告警时,OpenOcta 便是更合适的选择。

02

安装和配置

安装八爪鱼也非常简单,无论是在Windows上还是Linux上,都是一行命令即可。

例如我使用的就是Windows的Powershell:

irm https://openocta.com/pkg/install.ps1 | iex

由于八爪鱼使用Go语言编写,Go语言的一大特点就是会把所有的运行时,依赖包和程序都打包成一个可执行文件,给人的感觉十分清爽。

接下来运行启动命令:

openocta gateway run

启动命令执行完成后,可以通过浏览器访问 http://127.0.0.1:18900/,进入openocta界面。

和OpenClaw类似,八爪鱼的配置主要有两个,一个是模型,另外一个是通道。

模型用来执行实际的AI推理:

通道则是和各种即时通讯工具进行连接。

具体的配置方式我这里不再详细,可以参考官方的文档。

特别值得一提的是,八爪鱼原生支持飞书、钉钉、企业微信,覆盖国内企业协作的主流场景,从配置、认证到消息格式都针对国内生态做了适配,用起来非常方便。

03

数据库运维

为了展示八爪鱼的运维能力,我找了一个数据库运维的案例:数据库服务器的磁盘空间突然满了,用户在八爪鱼的协助下解决问题。

首先,我们先把MySQL的skill给装上:

然后创建一个数字员工:

具体的步骤在八爪鱼的官网上都有,这个不再详述。

对磁盘空间的检测可以借助于Prometheus,Zabbix这些Skill,通过获取他们的数据来获得告警,然后用OpenOcta的定时任务,推送到飞书。

但是这么做有点麻烦,会偏离我们的案例主线,所以我就弄了个简单粗暴的实现:建立一个30分钟运行一次的定时任务,直接让它写个脚本检测磁盘空间的变化。

帮我写一个python脚本,检测我的磁盘空间的变化。一旦发现磁盘空间使用率超过70%,通知我,只需告诉我结果就行。

阈值设置为70%是为了测试方便,很快我的飞书就收到消息告警了。

既然系统出问题了,赶紧干活吧,让八爪鱼查一查到底是哪个表出了问题。

你看它分析了多个表以后,发现了罪魁祸首是operation_log表 (注意,我特意设置了一个很小的演示环境,都是假数据,数据量并不大)。

然后我让它分析operation_log表,看看里边什么类型的记录最多。

八爪鱼很快就发现login操作最多,并且用户都是anonymous:

它还给出了几个建议:

其实问题很清楚了,就是有人在做恶意操作,例如爬虫在攻击。

我就给它下达指令,删除这些anonymous的用户:清理 anonymous 7天以来的历史登录日志。

操作很快完成,磁盘空间被清理出来了。

04

企业级运维智能体

看到这里你可能会有疑问,delete操作是危险操作啊,多吓人啊,能这么玩吗? 还有rm -rf 之类,都被八爪鱼执行了怎么办?

其实不用担心,作为企业运维智能体,八爪鱼肯定要考虑安全性。

在八爪鱼中,可以配置一套安全策略,可以对危险的命令进行校验。

但是由于业务需要,有些命令还是得执行的(例如删除垃圾数据,腾出磁盘空间),这时候可以使用八爪鱼的审批队列功能:

这样,当我删除一个文件的时候,里边的rm命令就会被八爪鱼拦截,进入审批队列。

只有审批以后,才能执行,这样安全性得到了保障,企业用起来非常放心。

用八爪鱼做数据库运维不过是一次牛刀小试,作为专业的运维智能体,八爪鱼拥有一大批运维专家,能做的事情非常多,例如:

Jenkins 运维助手:可以用来管理流水线,配置Master和Slave节点,对JVM进行优化。

Elasticsearch专家:负责搜索与分析引擎管理、集群操作、索引优化及查询性能调优。适用于日志分析、全文搜索和指标存储。

Nginx 运维专家:擅长 Web 服务器配置、反向代理搭建、负载均衡及性能调优,适用于高流量网站、API 网关和应用交付场景。

Redis 操作专家:专注于内存数据存储管理、集群配置、性能优化和持久化策略。适用于缓存、会话存储、实时分析和消息代理。

PostgreSQL 操作专家:负责数据库管理、性能调优、备份与恢复以及复制设置。适用于事务系统、数据仓库和高可用集群。

还有kafka、rabbitmq、mongodb、zookeeper、docker、vault、Ansible、zabbix、Prometheus、k8s..... 各种运维专家,包罗万象,可以说只有你想不到,没有它做不到。

只要把他们请到(下载并安装Skill)到八爪鱼当中,他们立刻就可以帮你做各种各样的运维了。

05

总结

八爪鱼的最大特点就是非常专注,就是面向运维这个垂直领域,它主要是运行在企业的内网当中。通过把一群IT运维人数十年的经验沉淀到这个智能体当中,让每一位运维人多几个数字员工帮手,轻松地完成运维的工作。

如今,八爪鱼已经在GitHub上开源,欢迎大家前去点个star:

https://github.com/openocta/openocta

八爪鱼官网:

https://www.openocta.ai/

欢迎大家加入八爪鱼讨论群,进行问题反馈,需求建议,交流部署实践、运维场景与最佳实践。

fpga在线升级 linux_仅5000行Verilog代码、可在FPGA上跑轻量级Linux系统的RISC-V内核 本文发布于www.hackster.io,由东京理工大学的计算机学院开发,专用于教学与加速用(苏老师也一直认为这是RISC-V当前的主要方向)。目前市场上开源的RISC-V内核已经很多,但很少有公开的RISC-V计算系统是非常轻型且能跑Linux系统的。这一款RISC-V内核就可以运行在FPGA上,用Verilog编写的,需要很少硬件的资源就能跑起来,所以可以运行在一个低成本的FPGA上。来看一下... 阅读详情

相关推荐

记录一下本地部署Dify的坑

1. 截止2025-3-4为止,请注意,不要直接拉Dify的1.0.0版本。请先试用0.15.3版本。1.0.0有一个bug需要解决。3. 请使用docker-ce 新版本,docker-engine等老版本可能会有部分容器启动脚本执行莫名报错。2. 注意,请使用docker-compose V2版本,或者V1较高版本,否则会导致解析官方yml模板错误。

哈利路亚的收藏夹 5346

运维人的必备!懒人版OpenClaw来了

随着OpenClaw的爆火,越来越多的人开始加入到“养虾”队伍,不过,对许多用户而言,OpenClaw的安装门槛依然不低,还是容易让人望而却步。在社区闲逛时,我偶然发现一个更适合国内企业使用的运维智能体-OpenOcta。相比OpenClaw,它的上手难度几乎为零,一条命令即可完成安装部署,对运维人员非常友好。OpenOcta是一款专为企业运维场景设计的100%开源、免费的运维智能体,

2976

【论文复现】自动化细胞核分割与特征分析

HoVer-Net是一种精心设计的多分支深度学习网络架构,专为处理复杂的多组织显微图像中的细胞核实例分割与精确分类任务而开发。该网络通过创新的策略,不仅有效解决了细胞核在密集聚集区域难以准确区分的问题,还实现了对每个独立细胞核类型的细致分类。此外,HoVer-Net还引入了专门的上采样分支,这一设计旨在对每个成功分割出的细胞核实例进行进一步的核类型分类。这一分支利用高级语义信息,结合精心设计的分类策略,能够准确判断每个细胞核的所属类型,为医学研究提供了宝贵的细胞水平信息。

2201_75366661的博客 1981

kali快速安装openocta(使用deepseek模型)

需要深入了解的话,需要去官方查看在线文档产品介绍t=Q239t=Q239t=Q239乘云DataBuff-故障定位专家,让数据智能创造更大价值https://databuff.com/resourceDetail/blog114OpenOcta八爪鱼-开源企业级智能体https://www.openocta.com/产品介绍https://databuff.yuque.com/org-wiki-databuff-spr8e6/lqn7on/nmg3byxgg1hv8oaq。

2502_90956655的博客 1046

在带有Intel Arc GPU的Windows上安装IPEX-LLM

本文将介绍在 Intel Arc GPU 环境下安装 IPEX-LLM。

wux_labs的博客 1637

基础入门篇 | YOLOv8 项目【训练】【验证】【推理】最简单教程 | YOLOv8必看 | 最新更新,直接打印 FPS,mAP50,75,95

三个文件搞定YOLOv8【训练】【验证】【推理】🚀🚀🚀

Coding... 2万+

OpenClaw 这么火,大家知道怎么开发自己的Skills吗?

skills

huanhuanzhou blog 795

【博文汇总】I2C总线学习

将这一周学习I2C总线的文章汇总一下。 基础知识学习 触发器的建立时间和保持时间 如何学习总线技术 TTL电平和CMOS电平 深入理解 关于I2C和SPI总线协议 I2C总线深入浅出 I2C总线信号时序总结 对I2C总线协议的一些理解 对I2C总线的时钟同步和总线仲裁的深入理解 I2C总线学习终结,开始SPI总线的学习 深入理解IIC总线时序

ce123的技术博客 6216

运维管理面板:AcePanel、OpenOcta、DeepSentry

运维管理面板:AcePanel、OpenOcta、DeepSentry

lonelymanontheway的博客 783

YOLOv8与UNetV2融合:一种面向目标检测与图像分割的混合方法【附核心代码】

我们提出了一种基于YOLOv8和UNetV2相结合的混合架构。该架构利用YOLOv8作为主干进行目标检测,同时在YOLOv8的特征提取过程中,引入UNetV2来进行图像分割任务的增强。在该架构中,YOLOv8负责大范围目标检测和位置预测,而UNetV2则在检测网络的特征图基础上,通过其高效的上下文信息提取和细节恢复能力,进一步优化分割任务。在本文中,我们提出了一种改进YOLOv8的方法,通过引入图像分割网络UNetV2来提高图像分割检测性能。

一键难忘的博客 3526

基于Python的智能动漫更新监控爬虫系统:从原理到实战

本文详细介绍了如何使用Python构建一个智能化的动漫更新监控系统,涵盖从基础爬虫到高级自动化监控的全套解决方案。文章将深入探讨最新的网络爬虫技术,包括异步请求、反反爬策略、智能解析算法等,并提供完整的代码实现和性能优化方案。通过本系统,用户可以实时获取多个动漫平台的更新信息,并通过多种渠道接收通知。关键词:Python爬虫、动漫监控、自动化通知、异步爬虫、反反爬策略。

2201_76125261的博客 902

程序员养了一只龙虾,老婆怒了......TaoToken统一Key接入OpenClaw运维智能体实录

用 Go 写 OpenClaw/OpenOcta 运维智能体时,把 TaoToken 统一 Key 与 Base URL 写入环境变量和配置文件,PowerShell 巡检脚本共用同一入口,一次调用即可跑通多模型并验证返回结果。官网:https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42612405的博客 7

LDO参数解读、特性、参考设计

目录 一、工作原理 二、基本参数解释 三、LDO的一些特性 1、输出自放电 2、软启动 3、LDO效率 4、动态负载调整(∆VOUT) 5、线性瞬态响应 6、压差(Dropout Voltage) 四、参考设计 1、输入输出电容选择 2、Layout参考 一、工作原理 LDO是Low Dropout Regulator的缩写,意思是低压差线性稳压器,下面是LDO的内部框图,大致的工作原理就是:参考电压Vref和反馈电压FB(VOUT通过两个电阻分压)分别接在误差放大器的反向和正向

记得诚 1万+

OpenClaw玩法全揭秘:从新手到AI大神的搞笑进阶之路

🎉保持好奇:每天尝试一个新功能📚持续学习:关注OpenClaw社区更新🔧动手实践:最好的学习方式是做👥分享交流:在社区中与其他玩家互动现在,你已经从OpenClaw菜鸟升级为预备大神了!记住,这只是开始,真正的魔法在于你的想象力和创造力。快去探索属于你的OpenClaw玩法吧,说不定下一个惊艳的Skill就出自你手!💡 温馨提示:玩OpenClaw虽好,但不要沉迷,记得按时吃饭睡觉哦~ 😊本文基于OpenClaw官方文档及社区实践编写,具体功能可能随版本更新而变化,建议以最新官方文档为准。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 753

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

老婆都来问小龙虾是啥了:风口、翻车与本质

AI 已经从玩具阶段,走向真正能改变生产力的阶段。有人靠代装、定制助手赚到第一桶金,有人在误操作和安全意识不足中交了高昂学费。差距很多时候不在技术多高,而在:有没有看清本质(执行框架是工具,模型和安全才是灵魂)、有没有基本的安全和备份习惯,以及——是跟着起哄,还是真的在琢磨怎么用、怎么做得稳。如果你是普通用户,用它帮你节省时间,就是赚到;如果你是程序员,用它提升效率、做出真正能解决问题的产品,就是在顺势而为。它是工具,模型才是灵魂;风口要抓,根得扎对。

工一木子 88

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

看不懂?其实OpenClaw是下一代爆款游戏

2026年3月,OpenClaw(前身Clawdbot/Moltbot)GitHub星标突破25万,超越React、Linux,成为开源史上增长最快的项目之一。程序员深夜部署,普通人用Telegram指挥它“上班”,社区喊“养龙虾”。传统分析总盯着 本地Agent、系统权限、持久记忆、7*24小时工作。但我换个视角:OpenClaw首先是一款披着AI外衣的超级爆款游戏,其次才是生产力智能体。它复制了《Among Us》《原神》《Fortnite》的所有爆款公式,却把“玩游戏”的快感包装成了“一人公司”。

jcdeng_209的专栏 686

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

《OpenClaw 从入门到精通指南》正式发布,开源免费!

保姆级指南,建议收藏

一个成长中的程序员,期待用技术的眼光生活 358

别只“聊”AI了!OpenClaw这只帮你“动手”的爆火“龙虾”,才是真未来!

它自带一些基础能力,但如果你需要新功能,比如“自动分析股票数据”、“自动下载全网视频”,只需要一句命令,它就能自己去“应用商店”(ClawHub)找到并安装这个技能。:这是最普遍的用法。接入你的钉钉/飞书/企业微信和文档软件,每周五下午,自动汇总你本周的聊天关键词、邮件、文档修改记录,生成一份详实的周报初稿,你改几个字就能交差。你的价值,不再体现在重复的“操作”上,而体现在更高维的“决策”、“创意”和“调教”上。用市面上的AI,你的聊天记录、文件信息,都要上传到别人家的服务器,心里总不踏实。

weixin_49545168的博客 387

程序员高效工作技巧:鱼皮总结的职场增效方法论与实践指南

> 核心主题:围绕程序员在职场中的工作方法、时间管理、任务管理、日常记录总结与效率提升法则,给出可落地的实践方案。在当前 ai-guide 仓库中,本文与 [10 程序员成长大法](https://link.gitcode.com/i/cb275ed61dcb4af30fb59accdf989189)、[团队研发规范](https://link.gitcode.com/i/588344c13b34

gitblog_00424的博客 209

DistillHub:2026年超硬核的AI技能仓库,万物皆可 .skill!

DistillHub:2026年超硬核的AI技能仓库,万物皆可 .skill!

sexy19910923的博客 2031

硬件别装睡,让AI进去

摘要:作者通过AI技术成功将闲置Kindle改造为实时数据看板,并让旧智能音箱成为AI语音助手,展示了AI赋能旧设备的潜力。这些案例表明,只要设备保留基本联网功能,AI就能通过非官方方式重新激活其价值。文章指出当前硬件开放性不足制约了AI应用发展,呼吁厂商开放接口以适应AI时代需求,认为硬件开放是实现物理AI的关键第一步。(149字)

weixin_42229533的博客 236

2026 国产开源智能体推荐:OpenOcta 八爪鱼凭什么值得试?

OpenOcta 八爪鱼是 Apache License 2.0 开源的国产桌面级智能体,Go 单二进制安装约 30 秒。本文给出对接 TaoToken 的完整 JSON 配置与验证清单,替换 API Key 即可让智能体调用文件系统与终端执行任务。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42589700的博客 76

OpenOcta八爪鱼完全指南:中国首个开源桌面级AI智能体,双击安装30秒上手

OpenOcta(八爪鱼)是中国首个开源的个人桌面级 AI 智能体,采用 Apache-2.0 协议、Go 语言完全自研。它运行在你自己的电脑上,双击安装包约 30 秒即可开箱使用,用自然语言就能完成电脑办公、IT 运维、推广运营、知识管理等任务,且所有数据都留在本机。 [![OpenOcta八爪鱼吉祥物与桌面级AI智能体界面](https://raw.gitcode.com/gh_mirror

gitblog_00866的博客 172

2026 国产开源智能体 OpenOcta 实测:Apache 2.0 + Go 技术栈凭什么值得试?TaoToken 统一 Key 接入体验

OpenOcta 用 Go 单二进制安装后,在 Control UI 新增 OpenAI 兼容 Provider,Base URL 填 https://taotoken.net/api 即可接入。本文给出可复制配置片段与 curl 验证步骤,并拆解 401、404、reading choices 等报错,附 TaoToken 官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 入口。

weixin_42588672的博客 17

告别云端付费!Mac 从零搭建本地私有 AI 工作站:OpenOcta + Ollama + 通义千问 Qwen

OpenOcta + Ollama + Qwen 这套组合,是目前Mac 个人本地 AI 性价比最高的方案:不用付费、不用联网、不用高端显卡、数据完全自己掌控,一次部署长期自用,不管是办公、学习还是开发,都能直接提升效率。如果部署过程中遇到问题,评论区留言,我会一一回复解答~

转错的弯,走错的路 775

个人用的桌面级开源智能体有哪些?OpenOcta 八爪鱼上手与对比

【摘要】当前开源智能体领域存在"桌面级"应用缺口,用户期待开箱即用的本地客户端而非CLI工具。OpenOcta(八爪鱼)填补了这一空白,提供双击安装的桌面端(GPLv3开源),具有完整UI界面、本地会话存储及技能扩展功能。与OpenClaw(网关部署)、Hermes(CLI导向)相比,OpenOcta在易用性上更胜一筹,10分钟即可完成模型配置并执行任务,适合注重隐私控制和快速上手的个人用户。但深度CLI工作流或纯云端需求的团队可能仍需选择其他方案。该比较揭示了智能体工具在部署形态与用户体验间的关键差异。

乘云数字DATABUFF官方博客 257
上一篇: 我的小龙虾也开始发力了!
下一篇: 今年后端这工资是认真的吗?
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值