王森的博客

在RTX 3060 12GB显存下，成功部署Qwen-Image-2.1于ComfyUI：使用Unsloth的qwen-image-2.1-Q4_K_M.gguf主模型（4.2GB）省显存，搭配ComfyUI官方qwen3vl_8b_w4a8.safetensors文本编码器（6.3GB）与qwen_image_2.1_vae_bf16.safetensorsVAE（644MB），并采用leejet维护的ComfyUI-GGUF节点支持。关键点：文本编码器与主模型必须“原配”，避免维度不匹配；官方VAE不可

文章摘要 MCP（Model Context Protocol）规范了Host程序与大模型工具调用流程，定义了Host、MCP Client和MCP Server三方角色。工作流程分为启动和对话两个阶段：在启动阶段，Host通过MCP Client与Server建立三步握手连接，获取工具列表；对话阶段，Host将MCP工具格式转换为Claude API要求的格式发起请求，模型自主判断是否调用工具。不同厂商（Claude/OpenAI）的API格式存在差异，MCP的价值在于标准化外部工具调用，使Host无需为

本文从工程演化的角度，系统梳理了从裸模型调用到平台化Agent的实现路径。关键演进步骤包括：通过MCP协议标准化工具接入（阶段1）、引入自主决策循环机制（阶段2）、Agent配置与执行逻辑解耦（阶段3）、服务化接口暴露（阶段4）、构建无状态多租户执行引擎（阶段5）、状态外置实现会话持久化（阶段6），最终将计算密集的模型推理层独立为共享服务（阶段7）。每个阶段都针对前序架构的特定痛点进行优化，最终形成支持大规模、低成本的平台化Agent服务体系。这种分层设计既保证了Agent的灵活性和自主性，又实现了资源的高

做 AI 产品最容易低估的是“重复劳动的密度”。表面上你在开发新功能，但实际工作很快会变成不断重复同一套底层流程：封装 Request、搞定各种鉴权协议、写重试逻辑、处理异步回调、解析千奇百怪的 JSON。当你同时接入文本、图像和视频模型后，这种重复不是线性增加，而是指数级增长。

摘要： uvx是类似npm中npx的Python工具，支持从Git仓库拉取代码并执行临时命令。其核心通过pyproject.toml配置入口脚本（如win-cmd-server = "win_cmd_server.server:main"），实现即用即弃的沙盒运行。uvx特性包括：自动安装依赖、跨平台运行（Windows/Linux）、不污染本地环境，适用于一次性工具场景（如uvx --from-git拉取Git代码执行命令）。配置文件需声明构建工具（如Hatchling）、Python

本地传输Chroma向量知识库等文件时，可通过Xftp软件实现。需先在CentOS8安装SSH服务：1) yum安装openssh-server；2) 生成密钥对；3) 修改sshd_config配置文件，开启22端口并允许root密码登录；4) 设置root密码后手动启动sshd服务。连接时需获取CentOS内网IP，在Xftp中配置该IP地址即可建立传输通道。

摘要：本文介绍了Serena工具如何优化Claude AI在代码开发中的使用体验。Serena通过语义代码检索、精准编辑和项目上下文管理等功能，解决了传统开发中的两大痛点：1) 避免无效的上下文积累，建议按需求创建新对话；2) 通过LSP协议实现符号级代码检索，取代低效的文件遍历。文章详细讲解了uvx命令的一键式项目部署流程，以及Serena的智能代码阅读策略——仅读取必要符号，避免全文件扫描。最后强调了正则表达式在精准代码修改中的应用技巧，提倡使用通配符来提高替换效率。Serena作为开源工具，能显著降低

摘要：文章介绍了使用Chroma向量数据库优化大型项目文档管理的方案。相比传统数据库，Chroma能通过语义联想（如"苹果"关联手机和水果）提高搜索灵活性。提供了Chroma的两种安装方式：直接运行服务或通过claudemcp脚本自动部署。后者集成了Chroma核心功能，无需手动启动服务，支持持久化存储。这种方案能有效减少AI模型处理文档时的token消耗，仅在需要时检索相关代码片段。

本文记录了Claude Code升级冲突的解决过程。首先发现版本更新异常（1.0.61显示为1.0.51）和重复安装问题。通过检查Node.js版本、清理冗余安装（删除/root/.claude/local）、重新全局安装Claude Code，最终解决了版本冲突。建议将NVM的bin目录优先于Windows路径，并在.bashrc中设置Node.js 18为默认版本，避免同时使用本地和全局安装。全文提供了详细的诊断步骤和解决方案，确保用户能正确使用最新版Claude Code。

《Windows11下解锁ClaudeCode编程潜力的实践指南》摘要： ClaudeCode作为当前最强代码生成模型，在Windows系统运行时存在Linux沙盒限制。本文通过MCP模型上下文协议实现三大突破：1)搭建本地MCP服务打破沙盒隔离，支持rg快速搜索等系统指令调用；2)利用playwright-mcp实现Windows环境浏览器操作；3)通过structure/docs双知识库体系增强上下文记忆。文章详细解析了MCP服务的配置方法（需注意斜杠路径问题），对比了ClaudeCode与Cursor

摘要：ClaudeCode版本现已支持Mac和Windows平台，Windows需通过WSL运行。推荐安装PowerShell 7提升兼容性。WSL默认安装Ubuntu，但可选择更熟悉的CentOS 8。因CentOS已停更，需手动配置阿里云/腾讯云镜像源并更新yum。安装git、nvm和Node.js后，通过npm安装@anthropic-ai/claude-code。首次运行时需在Windows浏览器获取token进行验证。注意要设置代理解决网络访问问题，并启用AllowLAN和TUN模式。

为了调研 MCP 在 windows 上如何使用本地的命令执行一些操作而实现自动化的过程，在 B 站视频的指导下，进行相应填坑过程，最终运行起来，并实现 github 自动化编程并提交代码的过程。

大模型在处理数据前会有一个前置数据分析，这个前置分析就像 JS 中的生命周期函数一样，可以以配置的方式，让大模型在前置分析时调用，前置分析本身算是一个 tokens 拆解匹配模型，叫 embedding（嵌入）顾名思义就是前置嵌入的意思。在这个前置模型中，如果能事先训练一些 token 出来，那么嵌入模型递交给大模型时就带着这些 token 过去了，这个过程就叫本地知识库微调。为何叫微调呢？因为前置嵌入模型可以容纳的上下文长度有限，所以就意味着 token 有限，所以能塞在前置分析的知识库也就有限，

值的概念在Stable Diffusion中，有很多要设置的参数，这些参数起到的作用非常重要，直接决定了出图的各种样子和质量，经过实践，我大概搞明白他们遵循的规律，因为程序员是要与AI对话的，所以所谓的指标，应该就是让AI放开在机的意思，就如踩油门一样，所以，所有的数字越大，AI越放飞自己，越小，AI就越收敛。

P图还得靠 PS，AI 只是降低了 PS 的难度，你不必有很牛逼的绘画能力，甚至你只需要会涂鸦即可，简单的配色，甚至只需要画一个大致的二次元，丢给 AI,使用它的。，找到具体的 Lora，就能画出你需要的画，并且能改进你想改造你想改造的所有的画，不必训练 Lora，借助 PS 也可以很好的做到换脸，换身体。教程，这种抽卡式东西玩几天就没有意思了，怎么按照自己的意愿生成自己的图是非常有意思的东西，所以我对局部重绘特别感兴趣，借助 SD 的。，如何利用它的扩散算法来向着自己期望的方向上呈现，就有一种成就感。