ChatGPT 是最好的英语学习工具——但它解决不了真正的问题

ChatGPT 是最好的英语学习工具——但它解决不了真正的问题

所有语言学习者的梦想，是拥有一个每周七天、每天二十四小时免费陪你练习的老师。现在这个梦想真的实现了——但学外语的人反而越来越少。前几天刷到一个英国英语老师 Christian 做的 YouTube 视频，标题是《用 ChatGPT 学英语》。我以为又是一期工具推荐，没想到看完之后，他根本不是在推销 ChatGPT，而是在给所有语言学习者泼一盆冷水。 这盆水浇得很准。 梦想成真了，然后呢？ ChatGPT 这类大语言模型的出现，对语言学习者来说是真正的革命：请不起老师？问题解决了。 没有英语语境，没有人可以对话？问题解决了。 想要一个单词的十个例句，还要带发音？问题解决了。 想模拟电话面试、工作面试？问题解决了。Christian 在视频里真的演示了这个场景：他输入「我下周有一个工作面试，想练习英语」，ChatGPT 立刻接手，问他想重点练哪些方向，然后开始角色扮演。反应速度、覆盖广度、耐心程度，完胜任何一个真人外教。 按照正常逻辑，接下来的故事应该是：全球流利说外语的人大爆发，语言学习迎来黄金时代。 但现实完全相反。 越来越少的人在学外语 美国的数据最典型：过去五年，学外语的人数下降了 17%。这还只是英语母语者——他们确实有理由偷懒，因为英语本身就是通行证。 但问题是，即便是你——正在学英语的人——大概率也没有把 ChatGPT 变成每日练习的对话搭档。 Christian 说他是一名真正在课堂里工作的老师，几乎每天都和真实的学生打交道。他从没见过这么多人，对一场「革命」如此冷漠。 为什么？ 这不是第一次了 答案其实很老：语言学习从来不是资源问题，而是人的问题。 他列了一张清单，每一条都让我觉得似曾相识—— 录音机时代：「我现在随时可以听真实对话了！英语学习从此又快又简单！」 互联网时代：「我可以找到无限内容和对话伙伴了！英语学习从此又快又简单！」 App 时代：「我上班坐地铁的五分钟就能学语法和词汇！英语学习从此又快又简单！」 AI 时代：「AI 将让英语学习又快又简单！」 每一次，都有同一句口号。每一次，都有同一个结局。 人们尝试一下，发现不是魔法，然后去找下一个「又快又简单」的东西。 战俘营里的英语课 这个道理，Christian 用了一个让我印象深刻的故事来说明。 1980 年，两伊战争爆发，持续了整整八年。战争中，数千名士兵被俘，关押在条件极为恶劣的战俘营里。那种地方，是为惩罚而设计的，是你能想到的学习语言最糟糕的环境。 但就是在那里，一些战俘开始学英语。 动机各不相同：有人是为了打发漫长的无聊和抑郁；有人觉得「时间是黄金」，不想浪费被俘的每一天；还有人是为了将来用英语改变命运。 他们没有书，没有铅笔，没有纸——这些东西都被明令禁止。会英语的战俘悄悄教其他人，课程在秘密中进行，因为守卫不允许任何形式的教育活动。 当外界没有任何资源的时候，他们在院子里捡起树枝，蹲下来，在泥土上写单词和句子。 结果如何？其中一些人，后来流利到可以在舞台上表演英语戏剧。 那些在战俘营里、用树枝在泥土上练英语的人，比大多数拥有所有工具和资源的现代学习者，学得更好。 这就是答案。 学习是买不到的东西 Christian 说了一句话，我觉得值得原文引用：「没有任何技术、系统或方法，能让语言学习变得快速或容易。学一门语言，可能是你成年后做过的最难的事。无论用什么方法，当你剥离掉技术、内容和老师，永远剩下同一件事：学习。这不是任何人或机器能替你做的，你也买不到它。你必须自己去做，你必须去赢得它。」我们点开那些「用 AI 学英语」的视频，内心深处都藏着一个小小的期待：也许这次，真的有捷径。 没有。 那 AI 究竟有没有用？ 有，非常有用——但不是作为魔法，而是作为工具。 工具的价值，完全取决于使用它的人的心态。 一把好锤子，放在一个不想盖房子的人手里，毫无意义。放在一个每天坚持动工的人手里，它就是改变速度的利器。 ChatGPT 是有史以来最好的语言学习工具，没有之一。但它解决的是「有没有资源」的问题，不解决「想不想学」的问题。 如果你真的想学好英语，现在的条件比任何时代都要好。没有钱请老师，有 AI；没有人陪你练口语，有 AI；不懂某个表达，有 AI；想模拟面试，有 AI。 如果你不想学，那这一切都只是手机里又一个打开三天就被遗忘的 App。 时间才是最宝贵的资源 视频最后，Christian 把话题拉回了那些战俘。他们在最恶劣的条件下拼命学英语，是因为他们明白一件事： 时间是我们最宝贵的资源。 不是工具，不是方法，不是 App，不是 AI。 是时间。 你现在手里有全世界最好的语言学习工具，免费，随时可用。唯一的问题是，你打算从什么时候开始认真用它？这篇文章的灵感来自 Canguro English 的 YouTube 视频《Get fluent with AI - Use ChatGPT to learn and practice English》。Christian 是一位英国英语老师，他的频道专注于帮助非母语者真正掌握英语沟通能力，而不只是学语法。

当每个人都能造应用：AI 时代，分发是新的代码

当每个人都能造应用：AI 时代，分发是新的代码

一张图，说透 2026 年 AI 创业的真相 前几天在 X 上看到一张图（来自 FT，数据来源：Demirer et al, 2026），配着 @levelsio 的推文一起看，瞬间觉得很多事情串起来了。 先上图：这张图有三个数据系列，全部以 2024 年均值为基准 100：深蓝线（App 发布量）：Agentic AI 时代后垂直拉升，2026 年已飙到 180——相当于 2024 年均值的 1.8 倍。 浅蓝线（有实质用户量的 App）：纹丝不动，紧贴 100 基准线，整个 2025-2026 年毫无增长。 中蓝线（App 评论量）：不升反降，跌到约 75，说明不仅新用户没增加，老用户的活跃度和满意度也在下滑。翻译过来就是一句话：能造船的人多了 80%，但港口的位置一个都没多。levelsio 说了什么 Pieter Levels（@levelsio）是独立开发者的标志性人物，一个人做了 NomadList、RemoteOK、PhotoAI、InteriorAI 等一系列产品，年营收 300 万美元以上，没有团队、没有融资。 他在转发这张图时写了这样一段话（大意）：我认为挑战在于现在每个人都可以构建应用，但是：几乎没有人拥有分发渠道（比如受众） 有钱支付分发费用（广告或用户生成内容） 拥有免费获得分发的创意天才（传统上称为游击营销）这三句话，说得非常准。 他用三个条件定义了 AI 时代真正稀缺的东西——不是构建能力，是分发能力。为什么「能做出来」已经不够了 第一，信噪比正在崩溃 这张图最令人警觉的不是 App 发布量涨了多少，而是评论量在下降。 当一个市场里每个月涌入的产品是以前的两倍，用户的注意力并没有同步扩张。平台的通知栏、推荐位、搜索结果页——这些「发现机制」的承载能力是固定的。分蛋糕的人多了，每块蛋糕自然更小。 更糟糕的是，当大量低质量 AI 生成应用涌入商店，用户的信任度下降，整体转化率随之降低。这就是评论量下跌的深层原因：不是用户变少了，是用户变得更谨慎了。 第二，「受众」正在变成最强的护城河 levelsio 说的第一条——「几乎没有人拥有分发渠道（受众）」——是他自己成功的注脚。 他能在一天之内让一个新产品的启动页获得几万次访问，不是因为他懂增长黑客，而是因为他在 Twitter 上积累了百万级的关注者。他自己的账号就是他的营销部门。 AI 工具让构建成本趋近于零之后，你手上的读者关系反而变得更值钱了，不是更不值钱。因为产品可以 AI 生成，但信任不能。 第三，广告竞价正在杀死没有收入的初创产品 第二条，「有钱支付分发费用」——这听起来很世俗，但这就是现实。 Meta、Google、TikTok 的广告系统是为有收入的企业优化的。如果你是一个没有收入、没有融资的独立开发者，你根本竞不过那些有 ARR 的 SaaS 产品。他们可以负担更高的 CAC（客户获取成本），因为你没有收入来覆盖这个成本。 这意味着：没有收入的分发，必须靠创意或已有受众。这就是 levelsio 说的第三条——「创意天才（游击营销）」。 第四，平台是唯一的赢家 这张图对独立开发者是警示，对平台来说是机会。 苹果、微信、TikTok——谁控制着用户的注意力入口，谁就坐拥一切。当供给侧无限扩张、需求侧不变，平台的议价能力反而会提高。 这对独立开发者的启示是：选择平台比选择技术栈更重要。在微信生态里做一个小程序，可能比在 App Store 里发布一个原生应用更容易获得初始用户——因为微信的社交分发机制对小产品更友好。levelsio 自己就是最好的证明 levelsio 说这番话的时候，他不是在维护自己的优势——他是在用亲身经历论证自己的观点。 十年前，当他还是一个籍籍无名的数字游民，在 Twitter 上分享 NomadList 的构建过程时，没有人觉得「受众」是护城河。Build in Public 在那个年代是一种个人品牌建设，没有人把它当成一种战略。 但十年后回头看，他无意中做对了 AI 时代最重要的一件事：在供给过剩之前，提前占住了分发入口。他的受众 —— Twitter 百万粉丝，每条推文都是免费分发渠道 —— 是十年公开构建的自然沉淀，不是 AI 赋予的优势 他的收入 —— PhotoAI 等产品有稳定现金流，可以负担付费投放 —— 同样是积累的结果，不是一夜之间靠 AI 工具做出来的 他的创意营销 —— Build in Public 本身就是他的独特分发方式 —— 这件事 AI 再强也替代不了所以他的三个判断，不是站在高处说风凉话，而是坦诚地告诉你：我能走到今天，靠的就是这三样。而这三样，AI 帮不了你。这张图没告诉你的事 FT 的这张图只覆盖了「应用发布量」和「用户活跃度」，但有几个维度它没有展现： 第一，收入集中度。 发布量涨了 80%，但收入可能集中在顶部 1% 的产品里。如果真是这样，局势比图表看起来更严峻。 第二，企业级市场 vs 消费者市场。 这张图应该是消费者应用的数据。企业级 AI 工具（B2B）的分发逻辑完全不同——口碑、销售团队、集成生态才是关键，而不是 App Store 榜单。 第三，地理差异。 中美两个市场的分发逻辑截然不同。在美国，Twitter/X、Product Hunt、Reddit 是独立开发者的主战场；在中国，微信公众号、小红书、抖音才是。这张图如果只看美国数据，对中国的借鉴意义需要打折。对你来说，这意味着什么 如果你正在经营一个内容品牌（比如「AI知识迁移」），或者正在考虑做一个 AI 产品，这张图和 levelsio 的话给你以下几个行动点： 1. 把读者关系当成资产来管理，而不是流量。 粉丝数是一个虚荣指标，但「有多少人会点开你的每一篇文章」才是真正的护城河。levelsio 的三条护城河里，第一条就是最难被复制的。 2. 做产品之前，先想清楚分发。 以前的产品逻辑是：做一个好产品 → 用户会来。现在的逻辑应该是：想清楚怎么让用户知道 → 再做产品。顺序反了。 3. 善用平台的分发机制，而不是对抗它。 微信的「看一看」、小红书的算法推荐、抖音的同城——这些机制对小而美的产品是有利的，因为它们的推荐逻辑是「内容质量」而不是「广告预算」。 4. 把「Build in Public」当成分发策略，而不只是记录。 levelsio 的成功不是因为他产品做得最好，而是因为他最会让别人想看他的产品。这个过程本身就是营销。一句话总结 AI 时代的竞争，已经从「谁能做出来」转移到「谁能让人看到」。 构建是新时代的识字率——重要，但不再是稀缺能力。 分发才是新时代的代码。数据来源：Demirer et al, 2026，经由 Financial Times 可视化。推文来源：@levelsio（Pieter Levels），2026 年 6 月。

Hermes Agent vs OpenClaw：2026 年两个最火开源 AI Agent 的终极对比

Hermes Agent vs OpenClaw：2026 年两个最火开源 AI Agent 的终极对比

2026 年的开源 AI Agent 圈子，有两个项目你必须知道。 一个是 OpenClaw——2026 年 3 月超越 React 成为 GitHub 最高星标项目，目前 350k+ Stars，从一个个人副项目变成了现象级开源基础设施。 另一个是 Hermes Agent——Nous Research 出品，167k Stars，自称「唯一内置学习循环的 Agent」，核心卖点是越用越聪明。 如果你正在犹豫该用哪个（或者两个都想试试），这篇文章帮你把核心差异讲清楚。一句话定位 它们不是竞品，而是两条完全不同的路线：OpenClaw Hermes Agent一句话 让你定义规则，让 AI 执行 让 AI 自己学会做事代表路线 广度连接——接入最多的平台 深度进化——越用越懂你核心角色 执行者（Doer） 学习者（Learner）比喻 万能遥控器 会成长的徒弟五大维度深度对比 1. 架构与安全：CVE 教会了我们什么？ 这是两个项目最根本的设计分歧。 OpenClaw 采用单进程架构——工具、集成、平台适配器全部运行在同一个地址空间。这种设计带来的好处是启动快、部署简单、资源占用低。但代价也在 2026 年 2 月暴露了：CVE-2026-25253：未认证的远程代码执行（RCE），CVSS 评分 8.8（高危），数万个未打补丁的实例被入侵。之后 OpenClaw 引入了 AgentWard（eBPF 探针监控）、SkillFortify（技能形式化验证）、Raypher（硬件身份认证）等安全组件，但本质上是在修补一个默认不隔离的架构。 Hermes Agent 从第一天起就是分层隔离架构： 平台适配器 → 网关进程 → Agent 运行时（受控接口）→ 工具执行（沙盒）平台网关无法直接访问 Agent 运行时，工具执行默认在沙盒内。截至 2026 年 5 月，Hermes Agent 没有已知的 CVE。💡 安全总结：OpenClaw 靠补丁堆砌安全，Hermes Agent 靠架构从源头限制爆炸半径。2. 记忆系统：谁记得更牢？ 记忆系统是 AI Agent 的「大脑」。 OpenClaw 的记忆以 Markdown 文件为基础载体（SOUL.md、AGENTS.md 等），通过 Dinobase 提供生产级持久化存储。高级记忆功能（向量检索、知识图谱）需要额外安装插件。整体来说，手动可控，但需要深度定制。 Hermes Agent 的记忆是架构级原生设计：会话历史存储在 SQLite，支持 FTS5 全文检索 每次对话前自动加载相关记忆和技能 内置用户建模系统（集成 Honcho），持续积累你的沟通风格和偏好 零人工维护，全自动沉淀💡 记忆总结：Hermes 是懒人友好型——你什么都不用做，它自己记；OpenClaw 是控制狂友好型——你想让它记什么，它就记什么。3. 技能机制：最核心的差异 这是两者最本质的区别。 OpenClaw 的技能是人工编写 + 社区下载的。你需要去 ClawHub 技能市场搜索、安装、管理插件。生态成熟，技能数量丰富，但每次执行相同任务，Agent 都需要重新规划。 Hermes Agent 的技能是自动生成 + 自我进化的： 解决任务 → 记录技能文档 → 下次遇到类似任务 → 直接调用缓存技能 → 跳过规划阶段完成一个复杂任务后，Agent 会自动调用 skill_manage 工具生成一份标准技能文档，记录解决方法、遇到的陷阱、边界情况。使用过程中发现问题，还会通过 patch 动作精准优化。 Nous Research 内部基准测试显示，经过数周技能积累后，研究任务完成速度提升约 40%。💡 技能总结：OpenClaw 是「用现成技能」，Hermes 是「自己造技能」。短期 OpenClaw 更快（生态成熟），长期 Hermes 的复利效应更明显。4. 平台覆盖：25+ vs 7 这是 OpenClaw 的绝对主场。 OpenClaw 覆盖 25+ 消息平台：WhatsApp、Telegram、Slack、Discord、Signal、Email、iMessage、Microsoft Teams、Google Chat、Matrix、飞书、微信、LINE、IRC、Twitch……而且所有渠道共享同一个 Agent 和本地记忆。 Hermes Agent 目前支持 7 个平台：Telegram、Discord、Slack、WhatsApp、Signal、Email、CLI。能力 OpenClaw Hermes Agent消息平台 25+ 7语音模式 支持 不支持伴侣 App macOS + iOS + Android 无浏览器控制 支持 通过 MCPiMessage 独占 不支持💡 覆盖总结：如果你需要接入微信、飞书、iMessage 等平台，OpenClaw 目前没有对手。5. 成本与部署 两者的软件本身都免费开源。 主要成本在 LLM API 调用。如果你搭配 Ollama + 本地开源模型，两者都可以实现零 API 成本。维度 OpenClaw Hermes Agent安装 npm install -g openclaw 一键脚本（curl | bash）配置复杂度 简单上手，深度配置需学习 稍复杂，但后续自进化降低长期成本运行环境 Node.js（轻量） Python（稍重）Serverless 支持 无 Modal / Daytona（空闲时近乎零成本）💡 成本总结：两者都可以用最低 5$/月的 VPS 跑起来。Hermes 的 Serverless 后端是一个额外优势——不干活时不花钱。综合评分对比维度 OpenClaw Hermes Agent 胜出渠道覆盖 25+ 平台 7 平台 OpenClaw设备集成 语音/App/设备控制 CLI 为主 OpenClaw安全架构 补丁堆砌 分层隔离，零 CVE Hermes自我进化 不支持 闭环学习，+40% 效率 Hermes跨会话记忆 插件依赖，手动维护 FTS5 原生，全自动 Hermes技能生态 成熟丰富，即装即用 自动生成，复利增长 平手数据主权 本地优先，完全可控 未特别强调 OpenClaw安装便捷 一行 npm 命令 一键脚本 平手你该怎么选？ 选 OpenClaw 的场景你是个人用户，需要接入微信、飞书、iMessage 等平台 你需要语音交互或 macOS/iOS/Android 伴侣 App 你重视数据主权，所有数据留在本地 你已经有成熟的技能工作流，不需要 Agent 自己学选 Hermes Agent 的场景你希望 Agent 越用越聪明，自动积累经验 你处理高重复度工作流（定期报告、代码审查、数据清洗） 你运行敏感工作流，需要默认沙盒保护 你是开发者或研究者，需要技能的复利效应组合方案 两者并非对立，可以搭配使用：Hermes Agent 做指挥中心（记忆沉淀、技能生成、任务规划），OpenClaw 做执行端（利用多平台能力完成具体操作），实现自动成长 + 高效执行的能力互补。迁移指南 如果你已经在用 OpenClaw 想迁移到 Hermes Agent，好消息是 Hermes 内置了专用迁移工具： # 预览将迁移的内容 hermes claw migrate --dry-run# 执行迁移 hermes claw migrate迁移内容包括人格文件（SOUL.md）、记忆、技能、消息设置、API 密钥等。⚠️ 注意：OpenClaw 的 25+ 渠道中只有 7 个能迁移到 Hermes。如果依赖 iMessage、飞书、微信等独占渠道，建议两者并存。写在最后 2026 年的 AI Agent 赛道，OpenClaw 和 Hermes Agent 代表了两种截然不同的设计哲学：OpenClaw 相信「人是决策中心」——你定义规则，AI 执行 Hermes Agent 相信「AI 可以自己进化」——你给机会，AI 成长没有绝对的对错，只有是否匹配你的需求。但有一点是确定的：AI Agent 的未来，一定是这两条路线的融合——既要有 OpenClaw 的广度连接能力，也要有 Hermes 的深度进化能力。 现在，你想让 AI 做你的遥控器，还是做你的学徒？参考来源：Nous Research GitHub、OpenClaw 官方文档及社区对比分析

在 macOS 上用 oMLX 跑本地大模型：Apple Silicon 专属推理服务器完全指南

在 macOS 上用 oMLX 跑本地大模型：Apple Silicon 专属推理服务器完全指南

如果你在用 Apple Silicon 的 Mac（M1/M2/M3/M4），想跑本地大模型来辅助编程或写作，大概率试过 Ollama 或 LM Studio。它们能用，但都有同一个痛点：上下文一长，响应就慢得让人想放弃。 oMLX 就是为了解决这个问题而生的。oMLX 是什么？ oMLX 是一款专为 Apple Silicon Mac 优化的本地 LLM 推理服务器，基于 Apple 官方的 MLX 框架构建。它的核心亮点是 智能 SSD KV 缓存——把推理过程中的 KV 缓存持久化到磁盘，让 Claude Code、Cursor、OpenClaw 等 AI 编程工具在长上下文场景下的响应时间从 30–90 秒缩短到 5 秒以内。✅ 开源协议：Apache 2.0 ✅ 运行平台：Apple Silicon + macOS 15+ ✅ GitHub：https://github.com/jundot/omlx（15k+ Stars）核心特性 1. 分页 SSD KV 缓存（最核心的差异化功能） 这是 oMLX 区别于 Ollama / LM Studio 的根本原因。 传统推理服务器的 KV 缓存在内存中，一旦上下文变化或服务器重启，缓存全部丢失，需要重新计算。oMLX 将所有 KV 缓存块以 safetensors 格式持久化到 SSD，并通过 LRU 策略在内存热层和磁盘冷层之间智能调度： 热层（RAM）←→ 冷层（SSD，safetensors 格式）实际效果：即使你切换了对话话题、或者重启了服务器，之前算过的上下文前缀不需要重新计算，TTFT（首 Token 响应时间）从 30–90 秒降至 5 秒以内。 2. 连续批处理（高吞吐） 通过 mlx-lm 的 BatchGenerator 处理并发请求，不再因单个请求阻塞整个队列。 实测数据（M3 Ultra 512GB，Qwen3.5-122B-A10B-4bit）：并发数 Token/s 加速比1× 56.6 1.00×2× 92.1 1.63×4× 135.1 2.39×8× 190.2 3.36×Qwen3-Coder-Next-8bit 在 8× 并发下最高可达 4.14× 加速。 3. 原生 macOS 菜单栏应用oMLX 提供了一个非 Electron的原生 macOS 菜单栏应用（用 PyObjC 实现），可以从菜单栏直接启动/停止/监控服务器，无需开着终端窗口。 应用已签名并公证，支持应用内自动更新。 4. OpenAI + Anthropic 双协议兼容 这是 oMLX 对 AI 编程工作流最友好的地方：提供 /v1/chat/completions（OpenAI 兼容端点） 提供 /v1/messages（Anthropic 原生端点） 兼容 Claude Code、Cursor、OpenClaw 及所有 OpenAI 兼容客户端Web 仪表盘可以一键生成各工具的配置命令，直接复制粘贴即可使用。5. 多模型同时服务 可以同时加载 LLM、VLM（视觉语言模型）、Embedding、Reranker 多种模型。内存不足时自动按 LRU 策略淘汰，也可以手动固定常用模型始终保持加载。系统要求配置 最低要求 推荐配置芯片 Apple Silicon（M1 或更新） M 系列 Pro/Max系统 macOS 15.0+（Sequoia） macOS 15+内存 16GB RAM 64GB+存储 视模型大小而定（30GB+ 推荐） —安装方式 方式一：Homebrew（推荐，含 CLI） 如果你需要通过命令行启动服务，或者用 Claude Code 等工具集成，Homebrew 方式最方便： # 添加 tap brew tap jundot/omlx https://github.com/jundot/omlx# 安装 brew install omlx# 升级到最新版本 brew upgrade omlx安装完成后可以直接用 omlx 命令，也可以作为后台服务运行（崩溃自动重启）： # 启动为后台服务 brew services start omlx# 查看服务状态 brew services info omlx# 停止服务 brew services stop omlx服务日志位置：服务管理日志：$(brew --prefix)/var/log/omlx.log 服务器运行日志：~/.omlx/logs/server.log💡 如果需要 MCP 工具支持，额外执行： /opt/homebrew/opt/omlx/libexec/bin/pip install mcp方式二：macOS App（最适合非技术用户）前往 GitHub Releases 下载 .dmg 文件 拖拽到 Applications 文件夹 启动后，欢迎界面会引导你完成：设置模型目录 → 启动服务器 → 下载第一个模型⚠️ 注意：macOS App 版本不包含 omlx CLI 命令。如果需要命令行控制，请选择 Homebrew 或源码安装方式。方式三：从源码安装（开发者） git clone https://github.com/jundot/omlx.git cd omlx# 仅安装核心功能 pip install -e .# 含 MCP 支持 pip install -e ".[mcp]"快速开始：启动你的第一个本地模型 第一步：准备模型目录 oMLX 需要从 HuggingFace 下载 MLX 格式的模型。你可以：直接用 oMLX 内置的模型下载器（推荐） 手动下载后放到指定目录 直接复用 LM Studio 的模型目录（无需重新下载）模型目录结构示例： ~/models/ ├── Qwen3.5-122B-A10B-4bit/ ├── Qwen3-Coder-Next-8bit/ ├── Step-3.5-Flash-8bit/ └── bge-m3/ ← Embedding 模型第二步：启动服务 Homebrew / 源码安装方式： omlx serve --model-dir ~/models启动后：API 端点：http://localhost:8000/v1 管理仪表盘：http://localhost:8000/admin 内置聊天界面：http://localhost:8000/admin/chatmacOS App 方式： 直接从 Applications 启动 oMLX，菜单栏会出现图标，点击即可管理服务器状态。 第三步：下载模型 打开管理仪表盘（/admin），在模型下载器里搜索并下载你需要的模型：仪表盘支持搜索 HuggingFace 上的 MLX 模型，查看模型卡片和文件大小，一键下载。与 Claude Code / Cursor 集成 这是 oMLX 最有价值的使用场景。配置完成后，你的 Claude Code 或 Cursor 就可以直接调用本地模型，所有数据都在本地运行，完全不依赖外网。 一键生成配置打开 oMLX 管理仪表盘 选择你要使用的模型 点击「一键生成配置命令」 复制命令，粘贴到终端执行oMLX 支持一键配置以下工具：工具 说明OpenClaw 一键生成配置OpenCode 一键生成配置Codex 一键生成配置Hermes Agent 一键生成配置GitHub Copilot 一键生成配置Pi 一键生成配置手动配置示例 如果你需要手动配置，只需要将 API 端点指向本地： # OpenAI 兼容客户端 export OPENAI_API_BASE="http://localhost:8000/v1" export OPENAI_API_KEY="dummy" # oMLX 默认不需要 key# Anthropic 兼容客户端（Claude Code） export ANTHROPIC_API_KEY="dummy" export ANTHROPIC_BASE_URL="http://localhost:8000"支持的模型 oMLX 支持所有来自 HuggingFace 的 MLX 格式模型，包括：模型系列 说明Qwen 含 Qwen3.5 MoE、Qwen3-Coder，推荐日常使用LLaMA Meta 系列Mistral Mistral AI 系列Gemma Google 系列DeepSeek 自动处理 <think> 标签GLM 智谱系列MiniMax 自动处理 <think> 标签VLM 视觉语言模型（v0.2.0+ 支持，含 SSD 缓存）Embedding / Reranker 可同时加载，用于 RAG 场景💡 模型选择建议：如果你主要用本地模型辅助编程，优先选择 Qwen3-Coder 或 Qwen3.5 系列，工具调用支持最好，速度也最快。管理仪表盘详解 oMLX 的管理仪表盘（/admin）是一个功能完整的 Web UI，所有 CDN 依赖均已本地化，完全离线可用。主要功能：实时监控：Token/s、并发数、内存占用等实时指标 模型管理：加载/卸载模型、设置每模型参数、固定常用模型 内置聊天：支持对话历史、模型切换、深色模式、VLM 图像上传 基准测试：一键测试预填充和生成速度 配置生成器：为各工具生成配置命令 多语言支持：英语、中文、日语、韩语、法语、俄语进阶配置 启用 SSD KV 缓存 omlx serve \ --model-dir ~/models \ --paged-ssd-cache-dir ~/.omlx/cache \ --hot-cache-max-size 20%--paged-ssd-cache-dir：指定 SSD 缓存目录 --hot-cache-max-size：热缓存占系统 RAM 的最大比例限制内存使用 # 限制单个模型最大内存 omlx serve --model-dir ~/models --max-model-memory 32GB# 限制进程总内存（默认：系统 RAM - 8GB） omlx serve --model-dir ~/models --max-process-memory 80%调整并发数 # 最大并发请求数（默认 8） omlx serve --model-dir ~/models --max-concurrent-requests 16启用 MCP 工具 omlx serve --model-dir ~/models --mcp-config ~/mcp.jsonAPI 密钥认证 omlx serve --model-dir ~/models --api-key your-secret-keyoMLX vs Ollama vs LM Studio对比项 Ollama LM Studio oMLXKV 缓存存储 仅内存 仅内存 内存 + SSD 持久化缓存失效后 全量重新计算 全量重新计算 从 SSD 毫秒级恢复TTFT（长上下文） 30–90 秒 30–90 秒 < 5 秒并发处理 单请求队列 单请求队列 连续批处理Anthropic 端点 不支持 不支持 原生支持菜单栏管理 无 有 有（原生非 Electron）适合场景 简单推理 图形化交互 AI 编程工作流架构概览 如果你对技术架构感兴趣，oMLX 的核心设计如下： FastAPI Server (OpenAI / Anthropic API) │ ├── EnginePool（多模型、LRU 驱逐、TTL） │ ├── BatchedEngine（LLM，持续批处理） │ ├── VLMEngine（视觉语言模型） │ ├── EmbeddingEngine │ └── RerankerEngine │ └── Cache Stack ├── PagedCacheManager（GPU，基于块，CoW，前缀共享） ├── Hot Cache（内存热层） └── PagedSSDCacheManager（SSD 冷层）这套架构的核心思路是：把 KV 缓存当作操作系统的虚拟内存来管理——热块在 RAM，冷块在 SSD，按需换入换出，服务器重启后缓存不丢失。总结 如果你在用 Mac 做 AI 辅助编程，oMLX 是目前最值得尝试的本地模型方案。它的 SSD KV 缓存设计真正解决了长上下文场景下的实用性问题，而原生菜单栏应用和一键工具集成也让日常使用变得非常顺手。 最重要的是：数据完全本地，不需要联网，不需要 API Key，不需要担心隐私泄露。 获取方式：官网：https://omlx.ai GitHub：https://github.com/jundot/omlx Homebrew 一键安装：brew tap jundot/omlx && brew install omlx参考资料：oMLX 官方文档（https://omlx.ai）及 GitHub 仓库（https://github.com/jundot/omlx）

算法时代的生存指南：重读《你的降落伞是什么颜色》，寻找不被 AI 替代的底气

算法时代的生存指南：重读《你的降落伞是什么颜色》，寻找不被 AI 替代的底气

引言：2026 年的职场失语症 现在是 2026 年。 不管你承不承认，我们都患上了「AI 失语症」。 早上醒来，GPT-X 已经写好了你要的策划案，Midjourney 生成的图比设计总监还快，Sora 生成的视频让剪辑师感到窒息。曾经我们引以为傲的「硬技能」——无论是写代码、翻译、还是数据分析，在飞速迭代的大模型面前，似乎都变得不堪一击。 身边不断有人换赛道，有人「毕业」，更多的人在问同一个问题：「如果 AI 能做我现在 90% 的工作，那我存在的意义是什么？」 最近，我在整理旧书架时，翻出了一本「古董书」——理查德·尼尔森·波尔斯的《你的降落伞是什么颜色？》（What Color Is Your Parachute?）。 这本书初版于 1970 年。你可能会笑：「在这个满大街都是机器人的年代，一本半个世纪前的书还能教我怎么找工作？」 但我重读之后，惊出了一身冷汗。原来，它从来不是一本教你「怎么写简历」的书，而是一本教你「如何在动荡世界里定义自己」的生存手册。 在 2026 年的当下，这本书里的这三个观点，或许比任何 AI 工具书都更值得我们深读。第一点：从「名词」回归「动词」——哪怕赛道消失，你的能力永存 书中观点：可迁移技能（Transferable Skills）是职场的硬通货。 在 2026 年，我们最大的恐惧是「职位消失」。比如你是「翻译」，当翻译软件实时同传普及了，这个职位就没了。 但《降落伞》早就告诉我们：不要用「职位头衔（名词）」来定义自己，要用「技能（动词）」。你不是一个「文案编辑」（名词，容易被 AI 替代）； 你是一个「擅长用文字共情、能从复杂信息中提炼观点并说服他人的人」（动词，AI 很难完美做到）。AI 时代的启示 AI 擅长处理数据和逻辑，但它不懂「人味儿」。书里提到的「与人打交道的技能」、「综合与创造的技能」，在 2026 年反而成了奢侈品。 请重新盘点你的技能包：沟通、共情、甚至「在混乱中做决策」的能力。这些被称为「可迁移技能」，它们是你换赛道时的底气。赛道会死，但技能会随你迁徙。第二点：不要试图骗过算法，去连接「具体的人」 书中观点：求职的「数字游戏」效率极低，建立人际桥梁（The Bridge）才是王道。 2026 年的招聘有多绝望？HR 很少看简历了，第一轮筛选全交给了 AI。你的简历因为少写了几个关键词，直接被系统扔进了垃圾桶。 几十年前，波尔斯就痛斥过这种「撒网式」求职。他提出了「信息面试」（Informational Interviewing）的概念。 AI 时代的启示 当所有人都在用 AI 生成完美的简历去轰炸招聘网站时，「面对面」变得无比珍贵。 不要只盯着招聘启事（那是红海），去寻找你感兴趣的公司里的人。约他们喝杯咖啡（或者是线上的 VR 会议），不是去求职，而是去请教：「现在的行业变化这么快，您觉得核心挑战是什么？」 「如果我想进入这个领域，您建议我补足哪块短板？」在算法统治的世界里，只有「人」才能绕过算法，把机会给另一个「人」。回归线下的真实链接，是 2026 年最高级的求职黑客技术。第三点：那朵著名的「花」——在这个时代，你是谁比你会什么更重要 书中观点：花瓣练习（The Flower Exercise），全方位解构理想生活。 这是全书最经典的工具。作者让你画一朵花，填入你最喜欢的环境、最想服务的人群、最想发挥的特长、最重视的价值观等。 以前读这章，觉得太虚，只想搞钱。但到了 2026 年，当 AI 把枯燥的执行工作接管后，我们终于有时间面对那个终极问题：「我想过什么样的生活？」 AI 时代的启示 AI 没有价值观，没有偏好，它没有灵魂。 如果你不知道自己是谁，你就会成为 AI 的附庸。 现在的我们，更需要做一次彻底的「花瓣练习」。如果你讨厌现在的行业，不是因为你不行，可能是因为这个「环境」不适合你的「花瓣」。 你要找的不是一份「工作」，而是一个能让你这朵花盛开的「生态系统」。在 2026 年，只有个性鲜明、知道自己要什么的人，才不会被标准化的 AI 淹没。结语 2026 年，技术在狂飙，但人性的底层逻辑从未改变。 《你的降落伞是什么颜色》告诉我们：这世界上没有一份工作是「铁饭碗」，唯一的铁饭碗，是你对自己能力的认知，和对未来的掌控感。 当你在高空坠落，感到迷茫恐慌时，别指望 AI 能接住你。你需要打开那顶属于你自己的降落伞。 只要你知道自己是谁，要去向何方，你就永远不会被时代抛弃。