sentinelK

@ZX16815 但现实就是，因为 LLM 的不透明性，导致普遍的头部供应商都“无良”。

一个商业逻辑不成立的领域，讨论其理想情况如何如何，在我看来是没有实际意义的。

“知道了工具怎么用，然后探索把工具用起来和用好。 那么人类本能对未知的神秘感和焦虑感也就自然消除”

不会的。
因为目前 LLM 的模式对于消费者而言是全黑盒模式。消费者唯一只知道，调用了某个公司的一个 API 服务。

数据输入输出是否被污染？不知道。
数据究竟被什么模型加工？不知道。
究竟收费多少钱？不知道。
我的数据会被如何对待？不知道。
未来 LLM 公司是否会因为利益、政策等原因断供、修改条款？不知道。
模型的输出能力是否稳定？不知道。

在以上都完全未知的前提之下，谈“工具属性越来越清晰”，是纯扯淡。

你家的锤子不会今天你凿完三颗钉子，明天管你要 100 美元的。
也不会今天你凿完三颗钉子，明天告诉你你凿的钉子太多，锤子受不了，要么折价退款，要么每天只能凿一颗。
更不会今天凿完钉子，明天变成塑料玩具。

mlx 的 qwen3.6-35B-A3B 试试看

btw：

如果只是想了解 Agent 的理念，我觉得这个视频的信息量已经够了： https://www.bilibili.com/video/BV1dpQTB3EXg?spm_id_from=333.788.videopod.sections&vd_source=0ef6494d0ac82c1df8c1a6cc5e8ef08c

@newtype0092 是的，毕竟 LLM 的本质就是统计学概率续写。各种工程化只是在利用目前 LLM 模型算法的甜点，争取能够提升最终答案落在全局最佳的比例。

而且 Agent 底层理念就在于，我承担返工的风险，烧更多的 token ，但是要一次性（或者说非人工干预下）成功。

高效利用 token 的理念则恰恰相反。

对了，还忘了一点，到了生产力阶段，家庭用显卡就不现实了。

因为生产力显卡的噪音非常大。

@stimw 个人场景最大的优势是不会暴露隐私。而且有去掉拒绝模块的模型可用（可以忽略道德、法律、伦理等因素）。

在显存够用的前提下，显卡的解码能力远大于统一内存方案（不管是 GB10 、AMD MAX+395 ，还是 mac ）
反之，统一内存方案更容易达到更大的内存级别（能跑更大参数的模型）


所以，如果你要跑快，只能选显卡。
如果你要选能用，可扩展性，尝试更多模型，只能选统一内存。（为了大参数换显卡，基本上你整台 PC 也都要换）

Trae 的工程化就是有点问题。

可以用 claude code （可以切自定义的 API ，只要支持 anthropic 格式）或者 openCode 再试试。

vscode 还有 Cline 等其他的第三方工程化插件可以实践。