Dawei Li

Dawei Li

Graduate student in NLP & Information Retrieval | Research: Emotion Analysis, Hierarchical Classification | University of Tsukuba

Posts by Tags

AI

今日技术情报 · 2026-04-05Daily Tech Intel · 2026-04-05本日の技術インテリジェンス · 2026-04-05

2026-04-05 · 约 7 分钟6 min read約 10 分

💡 洞见：这不是又一个代码补全Agent，而是通过将“代码建议”扩展为“代码执行沙盒”，解决了当前Copilot、Cursor等工具因缺乏安全、隔离的执行环境而无法验证、调试其生成代码的致命缺陷。相比Claude Code或GPT Engineer需要开发者手动复制代码到终端运行，Goose通过内置的沙盒（支持安装依赖、运行测试）和文件系统操作能力，让LLM

AI GitHub Daily-Intel Tech-Intelligence

今日技术情报 · 2026-03-09

2026-03-09 · 约 1 分钟1 min read約 1 分

今日重点：AI规划从单体LLM转向多代理分层架构，图像修复模型路由引入超球面几何约束，RSS协议技术价值在算法推荐时代被重新评估。

AI GitHub Daily-Intel Tech-Intelligence

AI Agents

Jev，一个不说话的 AI：关于“System One 模型”的笔记Jev, the AI that does not talk: notes on a “System One” model話さない AI、Jev：「System One モデル」についてのメモ

2026-09-20 · 约 5 分钟4 min read約 6 分

TypeSafe AI 的 Jev 不输出文字，而是在 70–500 毫秒内返回一个有类型的决策和一个概率。“零幻觉”是标题，但我认为真正的产品是校准——而校准过的概率，正是考虑代价的决策最需要的东西。TypeSafe AI's Jev returns a typed decision and a probability instead of text, in 70–500 ms. "Zero hallucinations" is the headline; I think the real product is calibration — and ...TypeSafe AI の Jev は文章ではなく、型付きの判断と確率を 70〜500 ms で返す。見出しは「ハルシネーションゼロ」だが、本当の製品はキャリブレーションだと思う。そしてキャリブレーションされた確率こそ、コストを考慮し...

Jev Decision Models Calibration AI Agents

Agent = 模型 + Harness：Pi、OpenClaw、DeepSeek Harness 和 Claude Code 横向对比Agent = model + harness: Pi, OpenClaw, DeepSeek Harness and Claude Code side by sideエージェント = モデル + ハーネス：Pi・OpenClaw・DeepSeek Harness・Claude Code の横並び比較

2026-09-12 · 约 5 分钟3 min read約 5 分

四个 agent，对同一组问题给出了四种答案：核心该多大、功能由谁来写、模型看到什么、agent 被允许碰什么。一次横向对比，以及我的理解。Four agents, four answers to the same questions: how big should the core be, who writes the features, what does the model see, and what is the agent allowed to touch. A side-by-...4 つのエージェントが同じ問いに 4 通りの答えを出している。コアの大きさ、機能を書くのは誰か、モデルに何を見せるか、エージェントに何を触らせるか。横並びの比較と、そこから考えたこと。

AI Agents Agent Harness Pi OpenClaw DeepSeek

Claw 家族：每一个分支都在修 OpenClaw 的一种失败方式The Claw family: every fork fixes one way OpenClaw failsClaw ファミリー：どのフォークも OpenClaw の失敗モードを一つずつ直している

2026-09-04 · 约 5 分钟3 min read約 6 分

OpenClaw 2.0 上周发布，沙箱依然默认关闭。与此同时，NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot 各自围绕它的一个弱点重做了同一个想法。放在一起看，它们就是一张“个人 agent ...OpenClaw 2.0 shipped last week with its sandbox still off by default. Meanwhile NanoClaw, ZeroClaw, PicoClaw, IronClaw and Nanobot each rebuilt the same idea around one of its w...先週リリースされた OpenClaw 2.0 でも、サンドボックスは既定でオフのまま。一方で NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot は、それぞれ弱点の一つを軸に同じアイデアを作り直した...

AI Agents OpenClaw Security Personal AI

DeepSeek Harness：当 agent loop 也变成插件DeepSeek Harness: when the agent loop becomes a pluginDeepSeek Harness：エージェントループまでプラグインになるとき

2026-08-21 · 约 5 分钟3 min read約 6 分

DeepSeek 这次发的不只是模型，还有 harness。真正有意思的不是“一切皆插件”，而是底下的经济账：前缀缓存纪律让一个极其耗 token 的 agent 变得便宜。DeepSeek shipped a harness, not just a model. The interesting part is not "everything is a plugin" but the economics underneath: prefix-cache discipline turns a token-hungry age...DeepSeek が出したのはモデルだけでなくハーネスだった。面白いのは「すべてがプラグイン」よりも、その下の経済性――プレフィックスキャッシュの規律が、トークンを大量に食うエージェントを安くしている点だ。

AI Agents DeepSeek Agent Harness LLM Cost

Agent Harness

Agent = 模型 + Harness：Pi、OpenClaw、DeepSeek Harness 和 Claude Code 横向对比Agent = model + harness: Pi, OpenClaw, DeepSeek Harness and Claude Code side by sideエージェント = モデル + ハーネス：Pi・OpenClaw・DeepSeek Harness・Claude Code の横並び比較

2026-09-12 · 约 5 分钟3 min read約 5 分

四个 agent，对同一组问题给出了四种答案：核心该多大、功能由谁来写、模型看到什么、agent 被允许碰什么。一次横向对比，以及我的理解。Four agents, four answers to the same questions: how big should the core be, who writes the features, what does the model see, and what is the agent allowed to touch. A side-by-...4 つのエージェントが同じ問いに 4 通りの答えを出している。コアの大きさ、機能を書くのは誰か、モデルに何を見せるか、エージェントに何を触らせるか。横並びの比較と、そこから考えたこと。

AI Agents Agent Harness Pi OpenClaw DeepSeek

DeepSeek Harness：当 agent loop 也变成插件DeepSeek Harness: when the agent loop becomes a pluginDeepSeek Harness：エージェントループまでプラグインになるとき

2026-08-21 · 约 5 分钟3 min read約 6 分

DeepSeek 这次发的不只是模型，还有 harness。真正有意思的不是“一切皆插件”，而是底下的经济账：前缀缓存纪律让一个极其耗 token 的 agent 变得便宜。DeepSeek shipped a harness, not just a model. The interesting part is not "everything is a plugin" but the economics underneath: prefix-cache discipline turns a token-hungry age...DeepSeek が出したのはモデルだけでなくハーネスだった。面白いのは「すべてがプラグイン」よりも、その下の経済性――プレフィックスキャッシュの規律が、トークンを大量に食うエージェントを安くしている点だ。

AI Agents DeepSeek Agent Harness LLM Cost

Calibration

Jev，一个不说话的 AI：关于“System One 模型”的笔记Jev, the AI that does not talk: notes on a “System One” model話さない AI、Jev：「System One モデル」についてのメモ

2026-09-20 · 约 5 分钟4 min read約 6 分

TypeSafe AI 的 Jev 不输出文字，而是在 70–500 毫秒内返回一个有类型的决策和一个概率。“零幻觉”是标题，但我认为真正的产品是校准——而校准过的概率，正是考虑代价的决策最需要的东西。TypeSafe AI's Jev returns a typed decision and a probability instead of text, in 70–500 ms. "Zero hallucinations" is the headline; I think the real product is calibration — and ...TypeSafe AI の Jev は文章ではなく、型付きの判断と確率を 70〜500 ms で返す。見出しは「ハルシネーションゼロ」だが、本当の製品はキャリブレーションだと思う。そしてキャリブレーションされた確率こそ、コストを考慮し...

Jev Decision Models Calibration AI Agents

Claude Code

Agent = 模型 + Harness：Pi、OpenClaw、DeepSeek Harness 和 Claude Code 横向对比Agent = model + harness: Pi, OpenClaw, DeepSeek Harness and Claude Code side by sideエージェント = モデル + ハーネス：Pi・OpenClaw・DeepSeek Harness・Claude Code の横並び比較

2026-09-12 · 约 5 分钟3 min read約 5 分

四个 agent，对同一组问题给出了四种答案：核心该多大、功能由谁来写、模型看到什么、agent 被允许碰什么。一次横向对比，以及我的理解。Four agents, four answers to the same questions: how big should the core be, who writes the features, what does the model see, and what is the agent allowed to touch. A side-by-...4 つのエージェントが同じ問いに 4 通りの答えを出している。コアの大きさ、機能を書くのは誰か、モデルに何を見せるか、エージェントに何を触らせるか。横並びの比較と、そこから考えたこと。

AI Agents Agent Harness Pi OpenClaw DeepSeek

Daily-Intel

今日技术情报 · 2026-04-05Daily Tech Intel · 2026-04-05本日の技術インテリジェンス · 2026-04-05

2026-04-05 · 约 7 分钟6 min read約 10 分

💡 洞见：这不是又一个代码补全Agent，而是通过将“代码建议”扩展为“代码执行沙盒”，解决了当前Copilot、Cursor等工具因缺乏安全、隔离的执行环境而无法验证、调试其生成代码的致命缺陷。相比Claude Code或GPT Engineer需要开发者手动复制代码到终端运行，Goose通过内置的沙盒（支持安装依赖、运行测试）和文件系统操作能力，让LLM

AI GitHub Daily-Intel Tech-Intelligence

今日技术情报 · 2026-03-09

2026-03-09 · 约 1 分钟1 min read約 1 分

今日重点：AI规划从单体LLM转向多代理分层架构，图像修复模型路由引入超球面几何约束，RSS协议技术价值在算法推荐时代被重新评估。

AI GitHub Daily-Intel Tech-Intelligence

Decision Models

Jev，一个不说话的 AI：关于“System One 模型”的笔记Jev, the AI that does not talk: notes on a “System One” model話さない AI、Jev：「System One モデル」についてのメモ

2026-09-20 · 约 5 分钟4 min read約 6 分

TypeSafe AI 的 Jev 不输出文字，而是在 70–500 毫秒内返回一个有类型的决策和一个概率。“零幻觉”是标题，但我认为真正的产品是校准——而校准过的概率，正是考虑代价的决策最需要的东西。TypeSafe AI's Jev returns a typed decision and a probability instead of text, in 70–500 ms. "Zero hallucinations" is the headline; I think the real product is calibration — and ...TypeSafe AI の Jev は文章ではなく、型付きの判断と確率を 70〜500 ms で返す。見出しは「ハルシネーションゼロ」だが、本当の製品はキャリブレーションだと思う。そしてキャリブレーションされた確率こそ、コストを考慮し...

Jev Decision Models Calibration AI Agents

DeepSeek

Agent = 模型 + Harness：Pi、OpenClaw、DeepSeek Harness 和 Claude Code 横向对比Agent = model + harness: Pi, OpenClaw, DeepSeek Harness and Claude Code side by sideエージェント = モデル + ハーネス：Pi・OpenClaw・DeepSeek Harness・Claude Code の横並び比較

2026-09-12 · 约 5 分钟3 min read約 5 分

四个 agent，对同一组问题给出了四种答案：核心该多大、功能由谁来写、模型看到什么、agent 被允许碰什么。一次横向对比，以及我的理解。Four agents, four answers to the same questions: how big should the core be, who writes the features, what does the model see, and what is the agent allowed to touch. A side-by-...4 つのエージェントが同じ問いに 4 通りの答えを出している。コアの大きさ、機能を書くのは誰か、モデルに何を見せるか、エージェントに何を触らせるか。横並びの比較と、そこから考えたこと。

AI Agents Agent Harness Pi OpenClaw DeepSeek

DeepSeek Harness：当 agent loop 也变成插件DeepSeek Harness: when the agent loop becomes a pluginDeepSeek Harness：エージェントループまでプラグインになるとき

2026-08-21 · 约 5 分钟3 min read約 6 分

DeepSeek 这次发的不只是模型，还有 harness。真正有意思的不是“一切皆插件”，而是底下的经济账：前缀缓存纪律让一个极其耗 token 的 agent 变得便宜。DeepSeek shipped a harness, not just a model. The interesting part is not "everything is a plugin" but the economics underneath: prefix-cache discipline turns a token-hungry age...DeepSeek が出したのはモデルだけでなくハーネスだった。面白いのは「すべてがプラグイン」よりも、その下の経済性――プレフィックスキャッシュの規律が、トークンを大量に食うエージェントを安くしている点だ。

AI Agents DeepSeek Agent Harness LLM Cost

Emotion Analysis

Beyond Accuracy: Evaluating Emotion Analysis Models Holistically

2024-12-10 · 约 5 分钟5 min read約 5 分

Evaluating emotion analysis models is more complex than traditional classification tasks. Standard metrics like accuracy and F1-score, while useful, don’t tell the full story. I...

Emotion Analysis Machine Learning Evaluation Natural Language Processing Hierarchical Classification

Applying Optimal Transport Theory to Emotion Analysis in NLP

2024-10-20 · 约 4 分钟4 min read約 4 分

Optimal Transport (OT) theory, with roots in 18th-century mathematics, has found remarkable applications in modern machine learning, particularly in generative modeling and dist...

Optimal Transport Emotion Analysis Natural Language Processing Machine Learning

Challenges and Advances in Hierarchical Emotion Analysis

2024-09-15 · 约 3 分钟3 min read約 3 分

Emotion analysis has evolved significantly over the past decade, moving from simple binary sentiment classification to fine-grained emotion recognition across multiple dimension...

Emotion Analysis Natural Language Processing Machine Learning Hierarchical Classification

Enterprise AI

Deploying Private AI with NVIDIA NIM: Enterprise-Ready Microservices

2024-11-25 · 约 5 分钟5 min read約 5 分

As enterprises increasingly recognize the need for private AI deployments—keeping sensitive data on-premise while leveraging cutting-edge generative AI capabilities—NVIDIA NIM (...

NVIDIA NIM Private AI LLM Deployment Enterprise AI Microservices

GitHub

今日技术情报 · 2026-04-05Daily Tech Intel · 2026-04-05本日の技術インテリジェンス · 2026-04-05

2026-04-05 · 约 7 分钟6 min read約 10 分

💡 洞见：这不是又一个代码补全Agent，而是通过将“代码建议”扩展为“代码执行沙盒”，解决了当前Copilot、Cursor等工具因缺乏安全、隔离的执行环境而无法验证、调试其生成代码的致命缺陷。相比Claude Code或GPT Engineer需要开发者手动复制代码到终端运行，Goose通过内置的沙盒（支持安装依赖、运行测试）和文件系统操作能力，让LLM

AI GitHub Daily-Intel Tech-Intelligence

今日技术情报 · 2026-03-09

2026-03-09 · 约 1 分钟1 min read約 1 分

今日重点：AI规划从单体LLM转向多代理分层架构，图像修复模型路由引入超球面几何约束，RSS协议技术价值在算法推荐时代被重新评估。

AI GitHub Daily-Intel Tech-Intelligence

Hierarchical Classification

Beyond Accuracy: Evaluating Emotion Analysis Models Holistically

2024-12-10 · 约 5 分钟5 min read約 5 分

Evaluating emotion analysis models is more complex than traditional classification tasks. Standard metrics like accuracy and F1-score, while useful, don’t tell the full story. I...

Emotion Analysis Machine Learning Evaluation Natural Language Processing Hierarchical Classification

Challenges and Advances in Hierarchical Emotion Analysis

2024-09-15 · 约 3 分钟3 min read約 3 分

Emotion analysis has evolved significantly over the past decade, moving from simple binary sentiment classification to fine-grained emotion recognition across multiple dimension...

Emotion Analysis Natural Language Processing Machine Learning Hierarchical Classification

Jev

Jev，一个不说话的 AI：关于“System One 模型”的笔记Jev, the AI that does not talk: notes on a “System One” model話さない AI、Jev：「System One モデル」についてのメモ

2026-09-20 · 约 5 分钟4 min read約 6 分

TypeSafe AI 的 Jev 不输出文字，而是在 70–500 毫秒内返回一个有类型的决策和一个概率。“零幻觉”是标题，但我认为真正的产品是校准——而校准过的概率，正是考虑代价的决策最需要的东西。TypeSafe AI's Jev returns a typed decision and a probability instead of text, in 70–500 ms. "Zero hallucinations" is the headline; I think the real product is calibration — and ...TypeSafe AI の Jev は文章ではなく、型付きの判断と確率を 70〜500 ms で返す。見出しは「ハルシネーションゼロ」だが、本当の製品はキャリブレーションだと思う。そしてキャリブレーションされた確率こそ、コストを考慮し...

Jev Decision Models Calibration AI Agents

LLM Cost

DeepSeek Harness：当 agent loop 也变成插件DeepSeek Harness: when the agent loop becomes a pluginDeepSeek Harness：エージェントループまでプラグインになるとき

2026-08-21 · 约 5 分钟3 min read約 6 分

DeepSeek 这次发的不只是模型，还有 harness。真正有意思的不是“一切皆插件”，而是底下的经济账：前缀缓存纪律让一个极其耗 token 的 agent 变得便宜。DeepSeek shipped a harness, not just a model. The interesting part is not "everything is a plugin" but the economics underneath: prefix-cache discipline turns a token-hungry age...DeepSeek が出したのはモデルだけでなくハーネスだった。面白いのは「すべてがプラグイン」よりも、その下の経済性――プレフィックスキャッシュの規律が、トークンを大量に食うエージェントを安くしている点だ。

AI Agents DeepSeek Agent Harness LLM Cost

LLM Deployment

Deploying Private AI with NVIDIA NIM: Enterprise-Ready Microservices

2024-11-25 · 约 5 分钟5 min read約 5 分

As enterprises increasingly recognize the need for private AI deployments—keeping sensitive data on-premise while leveraging cutting-edge generative AI capabilities—NVIDIA NIM (...

NVIDIA NIM Private AI LLM Deployment Enterprise AI Microservices

Large Language Models

RAG vs Fine-tuning: Choosing the Right Approach for LLM Applications

2024-11-05 · 约 4 分钟4 min read約 4 分

When building applications with Large Language Models (LLMs), one of the fundamental decisions developers face is choosing between Retrieval-Augmented Generation (RAG) and fine-...

Large Language Models RAG Machine Learning Natural Language Processing

Machine Learning

RAG vs Fine-tuning: Choosing the Right Approach for LLM Applications

2024-11-05 · 约 4 分钟4 min read約 4 分

When building applications with Large Language Models (LLMs), one of the fundamental decisions developers face is choosing between Retrieval-Augmented Generation (RAG) and fine-...

Large Language Models RAG Machine Learning Natural Language Processing

Applying Optimal Transport Theory to Emotion Analysis in NLP

2024-10-20 · 约 4 分钟4 min read約 4 分

Optimal Transport (OT) theory, with roots in 18th-century mathematics, has found remarkable applications in modern machine learning, particularly in generative modeling and dist...

Optimal Transport Emotion Analysis Natural Language Processing Machine Learning

Challenges and Advances in Hierarchical Emotion Analysis

2024-09-15 · 约 3 分钟3 min read約 3 分

Emotion analysis has evolved significantly over the past decade, moving from simple binary sentiment classification to fine-grained emotion recognition across multiple dimension...

Emotion Analysis Natural Language Processing Machine Learning Hierarchical Classification

Machine Learning Evaluation

Beyond Accuracy: Evaluating Emotion Analysis Models Holistically

2024-12-10 · 约 5 分钟5 min read約 5 分

Evaluating emotion analysis models is more complex than traditional classification tasks. Standard metrics like accuracy and F1-score, while useful, don’t tell the full story. I...

Emotion Analysis Machine Learning Evaluation Natural Language Processing Hierarchical Classification

Microservices

Deploying Private AI with NVIDIA NIM: Enterprise-Ready Microservices

2024-11-25 · 约 5 分钟5 min read約 5 分

As enterprises increasingly recognize the need for private AI deployments—keeping sensitive data on-premise while leveraging cutting-edge generative AI capabilities—NVIDIA NIM (...

NVIDIA NIM Private AI LLM Deployment Enterprise AI Microservices

NVIDIA NIM

Deploying Private AI with NVIDIA NIM: Enterprise-Ready Microservices

2024-11-25 · 约 5 分钟5 min read約 5 分

As enterprises increasingly recognize the need for private AI deployments—keeping sensitive data on-premise while leveraging cutting-edge generative AI capabilities—NVIDIA NIM (...

NVIDIA NIM Private AI LLM Deployment Enterprise AI Microservices

Natural Language Processing

Beyond Accuracy: Evaluating Emotion Analysis Models Holistically

2024-12-10 · 约 5 分钟5 min read約 5 分

Evaluating emotion analysis models is more complex than traditional classification tasks. Standard metrics like accuracy and F1-score, while useful, don’t tell the full story. I...

Emotion Analysis Machine Learning Evaluation Natural Language Processing Hierarchical Classification

RAG vs Fine-tuning: Choosing the Right Approach for LLM Applications

2024-11-05 · 约 4 分钟4 min read約 4 分

When building applications with Large Language Models (LLMs), one of the fundamental decisions developers face is choosing between Retrieval-Augmented Generation (RAG) and fine-...

Large Language Models RAG Machine Learning Natural Language Processing

Applying Optimal Transport Theory to Emotion Analysis in NLP

2024-10-20 · 约 4 分钟4 min read約 4 分

Optimal Transport (OT) theory, with roots in 18th-century mathematics, has found remarkable applications in modern machine learning, particularly in generative modeling and dist...

Optimal Transport Emotion Analysis Natural Language Processing Machine Learning

Challenges and Advances in Hierarchical Emotion Analysis

2024-09-15 · 约 3 分钟3 min read約 3 分

Emotion analysis has evolved significantly over the past decade, moving from simple binary sentiment classification to fine-grained emotion recognition across multiple dimension...

Emotion Analysis Natural Language Processing Machine Learning Hierarchical Classification

OpenClaw

Agent = 模型 + Harness：Pi、OpenClaw、DeepSeek Harness 和 Claude Code 横向对比Agent = model + harness: Pi, OpenClaw, DeepSeek Harness and Claude Code side by sideエージェント = モデル + ハーネス：Pi・OpenClaw・DeepSeek Harness・Claude Code の横並び比較

2026-09-12 · 约 5 分钟3 min read約 5 分

四个 agent，对同一组问题给出了四种答案：核心该多大、功能由谁来写、模型看到什么、agent 被允许碰什么。一次横向对比，以及我的理解。Four agents, four answers to the same questions: how big should the core be, who writes the features, what does the model see, and what is the agent allowed to touch. A side-by-...4 つのエージェントが同じ問いに 4 通りの答えを出している。コアの大きさ、機能を書くのは誰か、モデルに何を見せるか、エージェントに何を触らせるか。横並びの比較と、そこから考えたこと。

AI Agents Agent Harness Pi OpenClaw DeepSeek

Claw 家族：每一个分支都在修 OpenClaw 的一种失败方式The Claw family: every fork fixes one way OpenClaw failsClaw ファミリー：どのフォークも OpenClaw の失敗モードを一つずつ直している

2026-09-04 · 约 5 分钟3 min read約 6 分

OpenClaw 2.0 上周发布，沙箱依然默认关闭。与此同时，NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot 各自围绕它的一个弱点重做了同一个想法。放在一起看，它们就是一张“个人 agent ...OpenClaw 2.0 shipped last week with its sandbox still off by default. Meanwhile NanoClaw, ZeroClaw, PicoClaw, IronClaw and Nanobot each rebuilt the same idea around one of its w...先週リリースされた OpenClaw 2.0 でも、サンドボックスは既定でオフのまま。一方で NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot は、それぞれ弱点の一つを軸に同じアイデアを作り直した...

AI Agents OpenClaw Security Personal AI

Optimal Transport

Applying Optimal Transport Theory to Emotion Analysis in NLP

2024-10-20 · 约 4 分钟4 min read約 4 分

Optimal Transport (OT) theory, with roots in 18th-century mathematics, has found remarkable applications in modern machine learning, particularly in generative modeling and dist...

Optimal Transport Emotion Analysis Natural Language Processing Machine Learning

Personal AI

Claw 家族：每一个分支都在修 OpenClaw 的一种失败方式The Claw family: every fork fixes one way OpenClaw failsClaw ファミリー：どのフォークも OpenClaw の失敗モードを一つずつ直している

2026-09-04 · 约 5 分钟3 min read約 6 分

OpenClaw 2.0 上周发布，沙箱依然默认关闭。与此同时，NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot 各自围绕它的一个弱点重做了同一个想法。放在一起看，它们就是一张“个人 agent ...OpenClaw 2.0 shipped last week with its sandbox still off by default. Meanwhile NanoClaw, ZeroClaw, PicoClaw, IronClaw and Nanobot each rebuilt the same idea around one of its w...先週リリースされた OpenClaw 2.0 でも、サンドボックスは既定でオフのまま。一方で NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot は、それぞれ弱点の一つを軸に同じアイデアを作り直した...

AI Agents OpenClaw Security Personal AI

Pi

Agent = 模型 + Harness：Pi、OpenClaw、DeepSeek Harness 和 Claude Code 横向对比Agent = model + harness: Pi, OpenClaw, DeepSeek Harness and Claude Code side by sideエージェント = モデル + ハーネス：Pi・OpenClaw・DeepSeek Harness・Claude Code の横並び比較

2026-09-12 · 约 5 分钟3 min read約 5 分

四个 agent，对同一组问题给出了四种答案：核心该多大、功能由谁来写、模型看到什么、agent 被允许碰什么。一次横向对比，以及我的理解。Four agents, four answers to the same questions: how big should the core be, who writes the features, what does the model see, and what is the agent allowed to touch. A side-by-...4 つのエージェントが同じ問いに 4 通りの答えを出している。コアの大きさ、機能を書くのは誰か、モデルに何を見せるか、エージェントに何を触らせるか。横並びの比較と、そこから考えたこと。

AI Agents Agent Harness Pi OpenClaw DeepSeek

Private AI

Deploying Private AI with NVIDIA NIM: Enterprise-Ready Microservices

2024-11-25 · 约 5 分钟5 min read約 5 分

As enterprises increasingly recognize the need for private AI deployments—keeping sensitive data on-premise while leveraging cutting-edge generative AI capabilities—NVIDIA NIM (...

NVIDIA NIM Private AI LLM Deployment Enterprise AI Microservices

RAG

RAG vs Fine-tuning: Choosing the Right Approach for LLM Applications

2024-11-05 · 约 4 分钟4 min read約 4 分

When building applications with Large Language Models (LLMs), one of the fundamental decisions developers face is choosing between Retrieval-Augmented Generation (RAG) and fine-...

Large Language Models RAG Machine Learning Natural Language Processing

Security

Claw 家族：每一个分支都在修 OpenClaw 的一种失败方式The Claw family: every fork fixes one way OpenClaw failsClaw ファミリー：どのフォークも OpenClaw の失敗モードを一つずつ直している

2026-09-04 · 约 5 分钟3 min read約 6 分

OpenClaw 2.0 上周发布，沙箱依然默认关闭。与此同时，NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot 各自围绕它的一个弱点重做了同一个想法。放在一起看，它们就是一张“个人 agent ...OpenClaw 2.0 shipped last week with its sandbox still off by default. Meanwhile NanoClaw, ZeroClaw, PicoClaw, IronClaw and Nanobot each rebuilt the same idea around one of its w...先週リリースされた OpenClaw 2.0 でも、サンドボックスは既定でオフのまま。一方で NanoClaw、ZeroClaw、PicoClaw、IronClaw、Nanobot は、それぞれ弱点の一つを軸に同じアイデアを作り直した...

AI Agents OpenClaw Security Personal AI

Tech-Intelligence

今日技术情报 · 2026-04-05Daily Tech Intel · 2026-04-05本日の技術インテリジェンス · 2026-04-05

2026-04-05 · 约 7 分钟6 min read約 10 分

💡 洞见：这不是又一个代码补全Agent，而是通过将“代码建议”扩展为“代码执行沙盒”，解决了当前Copilot、Cursor等工具因缺乏安全、隔离的执行环境而无法验证、调试其生成代码的致命缺陷。相比Claude Code或GPT Engineer需要开发者手动复制代码到终端运行，Goose通过内置的沙盒（支持安装依赖、运行测试）和文件系统操作能力，让LLM

AI GitHub Daily-Intel Tech-Intelligence

今日技术情报 · 2026-03-09

2026-03-09 · 约 1 分钟1 min read約 1 分

今日重点：AI规划从单体LLM转向多代理分层架构，图像修复模型路由引入超球面几何约束，RSS协议技术价值在算法推荐时代被重新评估。

AI GitHub Daily-Intel Tech-Intelligence