Personal AI. Local-first. For the inner life. 2× DGX Spark · M4 Max 128GB
Based in United States
- Tweets 12,332
- Following 2,576
- Followers 8,610
- Likes 93,622
DGX 还会涨价的，涨价到 49000 一台
如果你要在家里面部署单台或双台 128G 的 AI 推理机器，就买我们家的微服吧，算力更强，价格更低
为什么我知道他们还会涨价？
因为我常年跟英伟达打交道，他们的价格都很透明，这也是为什么我们家算力仓的价格会更低的原因
1
4
810
项目管理经验看了最近有新感受
milestone 非常适合作为项目目标的记忆外挂，作为 issue/pr 的源头
真正的目标管理还是在 agent。agent 直接操作 milestone，平常还能和他聊整个项目的规划和进展
milestone 天然就是跨项目的，对于要跨团队、跨工程的协作，非常适用
了解到部分团队已经开始全员 git 了，产品、设计、测试、甚至销售的文档和协作流程，全在 git 里。都是和 agent 对话，不会技术也无所谓
是的，github issue/pr 其实就是项目的外挂记忆/图书馆，本地一定要配置 gh （github cli，为了本地 agent 高效和 github 通信），如果我来写 coding agent 产品应该会把这东西 cache 进来吃透先来理解整个项目。PR merge 一定要走 squash merge，因为自动合成的 commit message 里会自带 PR/Issue ID，变向成为了注释指针。给 agent 简单通过 git blame 就能索引这个图书馆。
3
5
598
从 File → Agent，我非常认同。
但当你真的开始同时跑几十个 Agent，很快会遇到下一个问题：
人也不能继续直接管理 Agent。
否则 30 个 Terminal tabs，最后只是变成 30 个 Agent tabs。
界面变了，认知负担没变。
我最近越来越觉得，AI 工作系统真正应该围绕这三个东西设计：
Objective → Work Item → Agent
Objective 是我要实现什么。
Work Item 是持续存在、可以被追踪的任务。
Agent 只是后台完成工作的执行者。
调研、写代码、调用工具、验证结果、失败重试，都应该尽量在后台自动完成。
人真正需要管理的只有两件事：
1. 我的目标是什么
2. 现在有什么 Exception 真的需要我处理
我不想每天巡视几十个 Bot、Dot、Chat 或 Agent。
我只想打开一个 Control Plane，马上知道：
系统正在推进什么，哪里真的需要我。
我觉得这才是 Agent OS 最终应该长出来的样子。
I haven’t touched Claude Code or Codex CLI in a while.
The terminal era is over imo. It's the wrong interface for coding agents. Tabs are ephemeral, but context is persistent, and managing 30 tabs is pure cognitive overhead.
I don’t really need an IDE like Cursor either. I rarely navigate the whole codebase anymore.
The new primitive is the agent, not the file.
(Codex desktop app is the best agentic UI for now. But we’re still early.)
3
1
8
1,748
opus-5.5 会不会又是一个循环，
类似2025年的 opus-4.5 的新起点，
发现这个model 里又有什么神奇的性能，
明年年初又冒出来一个新的类似小龙虾的热点产品。
😆
1
13
1,039
本地AI将会把消费级硬件推入全面大涨价时代
2026年
7月 DeepSeek-V4-Flash-0731 双机DGX spark 完美适配，变得有生产力，有酒吧和咖啡店搞出用餐免费无限deepseek token。京东自营甚至可以三天连涨三次。
8月 qwen-3.8-27B 横空出世，32G显卡尤其适合，5090 B70 一类开始进入生产力视野。3090 4090等双卡也不错。
9月 Strata降生，10月这几天开始爆火，连12G 16G显卡也不放过了，推一手qwen-3.8-flash-next 爽歪歪，decode 50 token/s 经常都有。不要说 3090 3060 2080ti 这些本地推理常客，连P40, P100, GTX 10, V100, Titan V, Instinct MI50 / MI60, Radeon VII 这些老退休们，都可以捞回来发挥余热，哦，除了prefill慢点，甚至可以当主力。
预测未来：
没有一刻为 12-16G显卡哀悼，
旗舰手机 、4G-8G显卡也加入了战场，因为 jev-like model 的普及，超小参数model也具备生产力，连 970 980 1080 旗舰手机 16G内存版也会用起来，开始大量吞吐 decision token。
至此，
显卡艺术已成，
艺术就是涨价！
24
14
135
32,383
agent的调优，
现在基本已经很少纯人工去看了，
都是设定好批量实验去测试，
一套题安排上3个模型，
每题做3次，
再查看效果和影响如何。
目前做过的一些测量，
其中输入的提示词对于sota的model来说，
越是简短的那些一句话trick，对于通过率的影响越小。
2
10
851
DGX spark 社区真是太棒了，
有人出量化模型，
有人出推理引擎。
有人出网络方案。
现在各种前沿模型glm-5.3-flash、deepseek-V4.1-flash都可以部署在DGX spark *2 了😂
真不愧是工程师们的桌面级入门实验机定位，
可能一线工程师的含量也是所有硬件里最高的。
20
9
99
16,909
