乐于学习和实践 AI 新范式，专注本地 AI Coding Agent、Agent Harness 与可靠的人机协作，坚信并拥抱 AGI 的到来。
Always eager to learn and practice emerging AI paradigms, with a focus on local AI coding agents, agent harnesses, and reliable human-AI collaboration. I believe in and embrace the arrival of AGI.
- 正在构建本地优先、可验证、可恢复的 AI Coding 工具。
- 关注 Agent Harness、ReAct、Tool Calling、Context/Memory、Sandbox、Checkpoint 与自动化评测。
- 持续实践本地大模型部署、推理优化和面向 Coding Agent 的模型评测。
- 喜欢把新的 AI 范式落实为可运行、可测试、能说明边界的工程系统。
一个面向本地代码仓库长链路任务的轻量级 Coding Agent，重点不只是生成代码，而是模型之外的执行系统：
- 使用 ReAct 驱动 Think - Act - Observe 循环，以 Task Contract 约束目标、交付物、授权范围和禁止行为。
- 将文件、搜索、命令和验证等操作收敛到统一 Tool Executor，并使用分级 Sandbox 管理风险。
- 通过 Session Event Ledger、Context Projection 和分层 Memory 管理长期上下文。
- 使用 Checkpoint/Resume、Trace 和 Verifier 处理执行中断、异常定位与完成判定。
- 支持本地 Ollama 以及 OpenAI、Anthropic、DeepSeek 兼容接口。
- 建立 Harness、Context、Memory、Recovery、Sandbox 和 SWE-style 评测，用证据区分“模型声称完成”和“任务实际完成”。
当前仅公开项目介绍，源码仍在整理与安全审计中。
一套面向 AI 时代的基础能力与工程实践框架，关注如何理解、使用、评估并反思 AI 参与的问题解决过程。
- 将 AI 素养组织为理解、使用、监控和批判性思考四个相互循环的维度。
- 沉淀 Spec Coding、验证闭环、上下文组织、Agent 权限与 Harness 思维。
- 强调本地优先、证据化验证、隐私边界和人的最终责任。
一个用于改善 AI 写作连贯性的 Agent Skill，面向内容碎片化、重复、冗余和逻辑跳跃等问题，将写作修改组织成可复用的工作流。
作为 Coding Agent 的配套实践，我持续研究本地模型部署与 Agent 评测：
- 使用 Ollama、GGUF、PyTorch、Unsloth、QLoRA、PEFT 和 BitsAndBytes 搭建本地推理与训练链路。
- 对量化、MTP、Flash Attention、KV Cache 和 Context Projection 进行对照实验。
- 将本地模型接入 Coding Agent 工具协议，关注工具调用正确性、上下文成本、恢复能力和任务完成率。
- 如实记录硬件、样本规模和资源限制，不把本地实验结果表述为线上业务指标。
- book-to-skill：参与文档抽取、PDF 元数据回退、依赖兼容和跨平台测试等可靠性改进。
Python · AI Agents · Agent Harness · ReAct · Tool Calling · Context & Memory · Sandbox · Ollama · PyTorch · QLoRA · JavaScript