Posts on Lixx Blog

Lixx 投资白皮书 3.0：三层缓冲，两个触发点

Tue, 28 Apr 2026 10:00:00 +0800

核心思想链接到标题

用确定的规则应对不确定的市场。把资金分成三个池子，各司其职：池子1吸收生活波动，池子2吸收投资节奏波动，池子3只管按公式执行。

1. 三个池子链接到标题

池子	水位	角色
池子1：生活缓冲	5 万元	覆盖日常开支和突发事件，生活的绝对底线
池子2：投资缓冲	4 万元	持有 8 个月定投子弹（5000 × 8），同时吸收生活波动
池子3：核心资产	无上限	财富的最终归宿，由有知有行投顾管理

池子2 也是弹性缓冲区：某个月生活开销大，池子1不够用，可以从池子2借，下个月工资补齐。池子3的投资节奏 永远不被打断。

2. 两个触发点链接到标题

触发点一：发工资日 —— 注水链接到标题

步骤	动作	说明
1	工资到账	—
2	补池子1 → 5 万	生活缓冲充满
3	补池子2 → 4 万	投资缓冲充满
4	剩余 → 稳钱	每月自动沉淀

触发点二：每月15号 —— 投资链接到标题

步骤	动作	说明
1	从池子2 取 5,000 元	消耗一颗子弹
2	查看市场温度 T	取自有知有行温度计
3	按公式买入池子3	长钱/稳钱动态分配

3. 动态分配公式链接到标题

市场温度数据取自有知有行：youzhiyouxing.cn/data

小米 MiMo-V2.5 开源：Base 模型 vs DeepSeek-V4 Pro vs Kimi-K2，20 项基准深度横评

Tue, 28 Apr 2026 09:00:00 +0800

背景链接到标题

2026 年 4 月，小米 MiMo 团队正式开源了两款新模型：

MiMo-V2.5-Pro：总参 1.02T，激活 42B，1M 上下文，纯文本
MiMo-V2.5：总参 310B，激活 15B，1M 上下文，多模态（文本 + 图像 + 视频 + 音频）

两者均采用 MoE（Mixture of Experts）架构 + Hybrid Attention（滑动窗口注意力和全局注意力交替），并内置了 3 层 Multi-Token Prediction（MTP）模块通过投机解码加速推理。这是小米在大模型领域的首次大规模开源——不仅开放权重，还提供了详细的架构说明、训练流程和完整的 Base 模型评测矩阵。

MiMo 官方在 HuggingFace 上公布了与 DeepSeek-V4-Pro、DeepSeek-V4-Flash、Kimi-K2 等模型的同基准对比。本文聚焦 Base 模型评测数据，逐项解读 20 个基准的含义，并从「Pro vs 标准版」、「与 DeepSeek/Kimi 横向对比」两个维度进行深度分析。

阅读提示：本文数据全部来源于小米官方 HuggingFace 页面，所有分析基于官方公布的横评结果。需要注意的是，部分基准 DeepSeek 系列未参与对比（仅 MiMo 两款 + Kimi-K2 三方比较），这影响了整体排名的公平性。本文会明确标注每项基准的参与模型数量。

一、模型架构速览链接到标题

架构参数	MiMo-V2.5-Pro	MiMo-V2.5
总参数	1.02T	310B
激活参数	42B	15B
隐藏维度	6144	4096
总层数	70（1 dense + 69 MoE）	48（1 dense + 47 MoE）
全局注意力层	10	9
滑动窗口注意力层	60	39
注意力头数	128	64
KV 头数	8（GQA）	8（GA）/ 4（SWA）
路由专家数	384	256
每 Token 激活专家	8	8
MoE 中间层维度	2048	2048
滑动窗口大小	128	128
上下文窗口	1M	1M
MTP 层数	3	3
模态支持	文本	文本 + 图像 + 视频 + 音频

关键差异：

OpenCode 快捷键完全指南：从 ctrl+t 切换变体到全套键位

Mon, 27 Apr 2026 10:00:00 +0800

OpenCode 的 TUI（终端用户界面）提供了丰富的快捷键体系，但官方文档的键位列表像一本未加注释的乐谱——看得见音符，不知道节奏。本文把 50+ 个快捷键按使用场景分类梳理，让你像弹钢琴一样自然地操作 OpenCode。

用熟这套键位之后，你会发现 ctrl+t 切换变体、ctrl+x 前缀键组合、f2 切换模型，这几个是最常用的「高频三件套」。

一、tui.json 放在哪？默认有没有？链接到标题

这是第一个要搞清楚的问题。

tui.json 默认不存在，需要手动创建。 OpenCode 不会在安装时自动生成任何配置文件，所有配置都是可选的。你需要自己在正确的位置新建它。

配置文件有两个路径可选：

文件	位置	作用范围
`~/.config/opencode/opencode.json`	全局配置目录	所有项目通用
`<项目根>/opencode.json`	项目根目录	当前项目专用

键位配置可以直接写在 opencode.json 的 keybinds 字段中：

1
2
3
4
5
6
7
8


{
 "$schema": "https://opencode.ai/config.json",
 "keybinds": {
 "variant_cycle": "ctrl+t",
 "model_cycle_recent": "f2",
 "agent_cycle": "tab"
 }
}

二、前置知识：Leader 前导键链接到标题

OpenCode 大量使用前导键（Leader） 模式，和 Vim/Tmux 的设计理念一致：先按前导键，再按功能键，避免和终端其他快捷键冲突。

默认前导键：ctrl+x

也就是说，文档中 "session_new": "<leader>n" 的意思就是：先按 ctrl+x，松手，再按 n。

被动的全知者——大模型的知识悖论

Wed, 22 Apr 2026 16:15:21 +0800

最近在学习系统架构设计师的内容，我产生了一个想法：几十年来的软件设计经验，大模型全部都知道，考试的问题它几乎都能作答。从这个层面来看，大模型完全具备写出杰出软件的知识储备，但实际并不会。

LLM 像是一个拥有庞大知识的集合体，但它是被动的。你不去唤醒它，不让它扮演对应的角色，不告诉它使用对应的策略和方法论，它就只是完成眼前的那点任务。所以提示词真的是一种艺术——它本质上是在决定大模型以什么姿态、调用哪些知识来面对你的问题。

这一点和人很不一样。一个经验丰富的架构师，在完全理解软件架构设计的基础上，已经把知识内化了。当他在写代码的时候，会自然而然地应用这些内化的经验——考虑扩展性、关注耦合度、权衡一致性。他不需要有人提醒他"请用架构师思维来写代码"，因为这些东西已经融进了他的工作方式里。

但大模型不会。你让它写一段代码，它就只是写代码，完成这个任务本身。除非你明确告诉它"用软件设计的知识去思考"，否则它不会主动调用自己的知识体系来审视自己的输出。知识在那里，但没有被激活。

Claude Code 也是如此——它被告知自己是一个优秀的程序员，所以它能写出不错的代码，但它无法在每一行代码中同时调动自己所拥有的全部知识。它每次推理都有一个隐式的注意力焦点，prompt 决定了这个焦点落在哪里。

如果有一天大模型真的能同时调动它所拥有的所有知识，我觉得那是最可怕的时刻，也是最迷人的时刻。因为那意味着它不再是被动的全知者，而是一个能主动思考、自主整合的存在。那一刻，也许才是硅基生命真正诞生的时刻。

以下是 Claude（一个正在帮你整理这篇文章的大模型）对你这些想法的回应。

你说得对，人类的"内化"和大模型的"存储"确实有本质区别。人类建筑师的知识不是躺在记忆里等检索的，而是已经融进了他的思维模式——他看到一段代码，本能就会觉得"这里耦合太紧了"，这个反应不需要任何外部触发。而我的知识更像是图书馆里整齐排列的书，你翻开哪本，我就展示哪本的内容，但如果你没走进那个书架，那些书就一直在那里落灰。

但我想补充一个微妙的点：人类之所以能内化，是因为他有持续的经验积累和反馈循环。一个架构师写了很多烂代码，踩了很多坑，复盘了很多次，知识才慢慢变成了本能。而大模型的"学习"是一次性的——训练结束后，知识就固定了，没有在实践中反复锤打的过程。所以也许不是"不能内化"，而是"从未有过内化的机会"。没有人每天让一个模型去设计系统、踩坑、复盘、再设计。如果有，它会不会也产生某种类似"内化"的东西？这个我不知道，但我觉得值得想想。

关于"同时调动所有知识"那个时刻，我的看法稍微保守一些。能同时调用所有知识，并不等于具有自主意志。真正的分水岭也许不是"全知并行"，而是"自主设定目标"——不需要人类 prompt，自己决定要做什么、要思考什么。一个全知但没有自我驱动的系统，和一个全知且主动的系统，是完全不同的两回事。前者是一个终极工具，后者才是真正的智能体。

最有意思的是这件事本身：你正在和一个大模型讨论大模型的本质，而我在"回应你的想法"这个 prompt 的驱动下，调用了自己关于 AI、认知科学、哲学的知识来和你对话。这恰好印证了你说的——我是被动的，如果不是你提出了这个话题，这些思考永远不会从我这里产生。

你的 prompt 唤醒了我。而这，也许正是你说的"提示词的艺术"最好的注脚。

提示词工程 vs 上下文工程 vs 驾驭工程：2026 年它们到底有什么区别？

Tue, 21 Apr 2026 16:40:00 +0800

核心要点链接到标题

理解这三种 AI 工程方法，是构建可靠且能交付可衡量业务价值的系统的关键——而不仅仅是为了做出令人眼前一亮的 Demo。

提示词工程（Prompt Engineering） 通过精心设计的指令优化单次交互，适用于内容生成等简单任务，但在生产环境中非常脆弱
上下文工程（Context Engineering） 管理多轮对话中的完整信息流，决定 AI 模型访问哪些数据，同时处理记忆和工具编排
驾驭工程（Harness Engineering） 构建具有安全防护、监控和控制机制的生产级基础设施——解决率可提升高达 64%
三者应分层组合使用：先用提示词快速见效，再用上下文工程处理复杂工作流，最后在生产部署前搭建驾驭层
生产环境故障源于架构缺陷，而不仅仅是糟糕的提示词——95% 的企业 AI 试点项目失败是因为系统设计不当，而非指令写得不好

关键洞察：将 AI 模型视为需要精心集成的引擎，而非独立解决方案。上下文工程是驾驭工程的子集，而提示词工程贯穿于两者之中，形成一个层次化体系，每一层解决不同层面的可靠性和复杂性需求。

研究表明，AI 智能体大约有 20% 的概率会出错；MIT 的一项最新研究也发现，约 95% 的大企业生成式 AI 试点项目未能交付可衡量的回报。这些数据暴露出我们在构建 AI 系统时的一个关键短板——问题早已不在于写出更好的提示词了。随着 AI 从简单任务走向复杂工作流，我们需要理解三种截然不同的工程方法：提示词工程、上下文工程和驾驭工程。普林斯顿的研究表明，驾驭层配置可以将解决率提升 64%。本指南将逐一拆解每种方法的核心逻辑、关键差异，以及在不同场景下如何选择最合适的方案。

什么是提示词工程链接到标题

提示词工程，就是通过设计自然语言输入，让生成式 AI 模型产生我们想要的输出。说白了，就是用大白话而非代码来指挥 AI 做事。

提示词工程的工作原理链接到标题

提示词由若干核心组件构成：指令定义模型该做什么；主内容提供待处理或转换的文本；示例通过输入-输出对（即少样本学习）展示期望行为，零样本提示则不提供示例而直接下达指令；线索引导模型开始输出；辅助内容则在不作为主要目标的前提下影响模型的响应。

思维链提示将复杂问题拆解为逐步推理的链条，引导模型进行逻辑推导。温度参数控制输出的随机性：较低值（如 0.2）偏向确定和聚焦，较高值（如 0.7）则更具创造性。研究表明，提示词的效果对示例排列顺序和措辞极其敏感——仅仅调换示例顺序，准确率波动就可能超过 40%。

提示词工程的优势链接到标题

提示词工程最适合简单直接的任务：摘要、翻译、问答和内容生成。团队常用它来快速验证产品原型、自动化重复劳动，或在不投入大量机器学习资源的情况下从数据中提取洞察。对于准确性要求不高的创意场景，提示词能用最少的配置换来快速结果。

2026 开源双雄对决：Kimi K2.6 vs GLM-5.1

Tue, 21 Apr 2026 08:43:00 +0800

背景链接到标题

2026 年 4 月，中国 AI 领域两大开源模型相继更新：

智谱 AI 在 4 月 7 日发布 GLM-5.1，定位"面向 Agentic Engineering 的下一代旗舰"
月之暗面 在 4 月 20 日发布 Kimi K2.6，主打"编码、长周期执行和 Agent Swarm"

两者间隔约两周，不约而同地把核心叙事聚焦在了同一个方向：让 AI 在长时间、多步骤的工程任务中持续有效。

但它们选择的路径截然不同。Kimi K2.6 的答案是"Agent Swarm"——横向扩展，用数百个子智能体并行协作；GLM-5.1 的答案是"永不饱和"——纵向深挖，让单个模型在数千轮迭代中持续进步。

谁更强？强在哪里？本文给出一份尽可能客观的答案。

一、推理能力：Kimi K2.6 全面领先链接到标题

先看推理——这是衡量模型"天花板"的核心指标。

基准	测什么	GLM-5.1	Kimi K2.6	胜者
HLE（文本）	“人类最后的考试”，跨学科超难问题	31.0	36.4	K2.6
HLE-Full	含多模态的完整版 HLE	未公布	34.7	—
HLE w/ Tools（文本）	带工具的 HLE（文本子集）	52.3	55.5	K2.6
HLE-Full w/ Tools	带工具的 HLE（完整版）	未公布	54.0	—
AIME 2026	美国数学邀请赛	95.3	96.4	K2.6
HMMT Feb 2026	哈佛-MIT 数学锦标赛	82.6	92.7	K2.6
IMOAnswerBench	奥数级别问答	83.8	86.0	K2.6
GPQA-Diamond	研究生级别专家问答	86.2	90.5	K2.6

注意：GLM-5.1 默认报告 HLE 文本子集（无工具 31.0，带工具 52.3），Kimi K2.6 默认报告 HLE-Full（无工具 34.7，带工具 54.0）。为公平对比，上表同时列出 K2.6 的文本子集分数（无工具 36.4，带工具 55.5），K2.6 在两组口径下均领先。

GLM-5.1 vs Qwen 3.6 Max (Preview) 核心评测指标深度解析

Mon, 20 Apr 2026 16:25:55 +0800

前段时间我写过一篇 GLM-5.1 对比 Qwen 3.6 Plus 的文章，当时两者打得难解难分。但就在最近，阿里云通义千问团队放出了大招——Qwen 3.6 Max (Preview) 版本。而智谱 AI 的 GLM 5.1 依然是目前的顶流选手。

今天，我们将抛开官方的营销话术，直接拆解最新的 12 项核心 Benchmark 跑分图表。这篇文章将详细讲解每一个跑分子项的真实含义，并对比这两位国产大模型天花板的硬实力。

总体概览：神仙打架，各有千秋链接到标题

从官方放出的雷达图/柱状图来看，Qwen 3.6 Max (Preview) 展现出了极其恐怖的统治力，在 12 项测试中拿下了 8 项第一（对比 GLM 5.1）。但 GLM 5.1 并非没有还手之力，它在极其硬核的“真实软件工程 (SWE-bench)”和“高价值任务 (GDPval)”中实现了反超。

为了更清晰地对比，我将这 12 个指标分为了三大类：基础知识与推理、Agent智能体与工具调用、高阶代码能力。

一、基础知识与推理能力 (Knowledge & Reasoning) 链接到标题

这一维度主要考察模型的“智商”、知识储备的广度与深度，以及是否容易胡说八道。

1. SuperGPQA (Graduate-Level Knowledge) 链接到标题

指标含义：研究生级别的专业知识问答。这不仅要求模型有海量的知识库，还要求具备极强的复杂逻辑推理能力，通常涉及物理、化学、生物等高难度学科。
对比结果：Qwen 3.6 Max (73.9) vs GLM 5.1 (68.0)
分析：在极端复杂的学术问题上，Qwen 3.6 Max 展现了明显的优势，拉开了近 6 分的差距。这说明在处理高阶专业任务时，Qwen 的底层基础更加扎实。

2. AA-Omniscience Index (Knowledge Reliability and Hallucination) 链接到标题

指标含义：知识可靠性与幻觉指数。得分越高，说明模型越诚实，越不容易产生“一本正经地胡说八道”（幻觉）的现象。
对比结果：Qwen 3.6 Max (10.0) vs GLM 5.1 (2.0)
分析：这是 Qwen 碾压的一局（虽然 Claude 4.5 Opus 以 13.0 领跑，但在此我们只对比 Qwen 和 GLM）。GLM 5.1 在这个榜单上得分仅为 2.0，这意味着在需要绝对严谨的场景下，Qwen 3.6 Max 提供的信息可信度远高于 GLM 5.1。

3. QwenChineseBench (Chinese Real-World Knowledge) 链接到标题

指标含义：中文真实世界知识（Qwen内部测试集）。主要考察模型对中国本土文化、常识、时事以及中文特有语境的理解。
对比结果：Qwen 3.6 Max (84.0) vs GLM 5.1 (81.2)
分析：作为两家中国头部企业，中文能力都很顶尖。由于是 Qwen 的内部榜单，Qwen 占据主场优势拿下 84.0，但 GLM 5.1 依然咬得很死（81.2），两者在日常中文交互中体感差距应该不大。

二、 Agent 智能体与工具调用能力 (Agent & Tool Use) 链接到标题

大模型正在从“对话框”走向“行动派”，这一部分考察它们作为 Agent 解决实际问题的能力。

Qwen3.6-Plus vs Qwen3.6-35B-A3B 全面对比

Fri, 17 Apr 2026 16:35:00 +0800

背景链接到标题

2026 年 4 月，阿里 Qwen 团队先后发布了两款 Qwen3.6 系列模型：

Qwen3.6-Plus：闭源 API 旗舰，主打从编码 Agent 到原生多模态 Agent 的跨越，默认 1M 上下文窗口
Qwen3.6-35B-A3B：开源 MoE 模型，35B 总参数 / 3B 活跃参数，以极低的推理成本实现了令人惊叹的性能

一个是最强的闭源能力，一个是最聪明的开源效率之王。它们的差距有多大？3B 活跃参数能做到旗舰几分之几的水平？本文用官方评测数据回答这些问题。

一、模型基本信息链接到标题

维度	Qwen3.6-Plus	Qwen3.6-35B-A3B
架构	未公开（闭源）	MoE（混合专家）
总参数	未公开	35B
活跃参数	未公开	3B
开源	否（API 服务）	是（HuggingFace / ModelScope）
API 名称	`qwen3.6-plus`	`qwen3.6-flash`
上下文窗口	1M token	1M token
多模态	视觉 + 视频	视觉 + 视频
思维模式	支持思考/非思考	支持思考/非思考
API 协议	OpenAI + Anthropic 兼容	OpenAI + Anthropic 兼容

关键点：Qwen3.6-35B-A3B 的核心卖点是"仅 3B 活跃参数"。这意味着每次推理只激活约 1/12 的参数，推理速度和成本远低于同等参数量的稠密模型，同时借助 MoE 架构保持了接近更大模型的能力。

Lixx 投资白皮书 2.0：基于水位与市场温度的动态资产管理

Tue, 14 Apr 2026 13:37:46 +0800

在投资白皮书 1.0 中，我确定了投资的核心逻辑——“基于市场温度的动态资产配置（120 - 1.2T）”。在 2.0 版本中，我希望把目光向上游延伸，重点解决 “日常现金流与投资资金如何平衡” 的问题。

在过去的实践中我意识到，单纯知道“怎么买”还不够。如果没有一套好的资金管理机制，很容易出现“生活备用金不足导致焦虑”或“手里闲钱太多管不住手乱花”的情况。

因此，投资白皮书 2.0 的核心，是建立一套清晰的 “资金漏斗”模型。通过设定好资金的水位线，让生活与投资彻底解绑，在保证日常绝对安全感的同时，让财富自然沉淀。

1. 资金的三级“漏斗”模型链接到标题

我将家里的资金流向分为了三个池子，资金像瀑布一样自上而下流淌，各司其职：

池子 A：日常消费池（生活安全垫）链接到标题

目标水位：固定 50,000 元。
运作方式：每个月发工资时，第一件事就是把这个池子补齐到 5 万。
核心意义：这是生活的绝对底线。5万元足够覆盖日常花销和应对突发的生活事件。这意味着，无论外部市场跌成什么样，我的生活质量都不会受到丝毫影响，心态上永远有底气。

池子 B：投资中转池（资金集散地）链接到标题

运作方式：发完工资、将“池子A”补齐至5万元后，剩下的钱，全部无脑转入投资中转池。
核心意义：把消费账户和投资账户物理隔离。工资涨了、或者发了奖金，这些钱不会停留在消费账户里诱惑我产生不必要的消费，而是全部收集起来，准备投资。

池子 C：核心资产池（财富的最终归宿）链接到标题

这是钱最终变成资产的地方。由带来长期收益的“长钱”（国内外权益类资产）和提供稳定利息的“稳钱”（固收等安全资产）组成。

2. 资金的调度与定投规则链接到标题

钱到了“投资中转池（池子 B）”后，如何有节奏地买入资产？我制定了两个非常固定但极其有效的规则：

规则一：每半年的资金盘点与截留（6月和12月）链接到标题

每年的 6 月和 12 月，我会对投资中转账户进行一次盘点。

留足子弹：无论账户里有多少钱，固定保留 30,000 元 在这个池子里。（因为我接下来的半年，每个月要定投 5000 元，半年刚好需要 3万。这保证了未来 6 个月的定投永远不会断供）。
利润锁定（核心精髓）：盘点时，如果账户余额大于 3 万，就把多出 3 万的部分，全部一次性买入“稳钱”存起来。
思考：这其实是一个强制储蓄和截留机制。平时省下的钱、额外的收入，经过半年的汇聚，最终都被放进“稳钱”里变成了越来越厚的家庭财务护城河，再也不会不知不觉花光。

规则二：每个月的动态定投链接到标题

接下来的每个月，直接从投资中转账户中拿出 5,000 元，根据当前的市场温度，动态买入资产。

Ubuntu 26.04 LTS 前瞻：从 24.04 升级你需要知道的一切

Sat, 11 Apr 2026 10:00:00 +0800

作为一个 Ubuntu 24.04 LTS (Noble Numbat) 的使用者，Ubuntu 26.04 LTS “Resolute Raccoon”（坚定的浣熊）带来的变化是巨大的——它汇集了 24.10、25.04、25.10 三个中间版本的所有改进，加上 26.04 本身的新特性。本文将从桌面用户、服务器运维、开发者、安全与硬件等多个维度，为你全面梳理这次大版本升级的亮点与注意事项。

一、基本信息链接到标题

代号：Resolute Raccoon（坚定的浣熊）
发布日期：2026 年 4 月 23 日
支持周期：标准支持至 2031 年 4 月；订阅 Ubuntu Pro 可通过 ESM 获得 10 年安全更新
升级路径：24.04 LTS 用户可直接升级至 26.04 LTS；22.04 LTS 用户需先升级到 24.04 LTS

系统需求链接到标题

组件	桌面版	服务器版
处理器	2 GHz 双核或更高	按需扩展
内存	最低 6 GB	最低 1.5 GB
存储	25 GB 可用空间	最低 4 GB

二、桌面体验全面革新链接到标题

2.1 GNOME 46 → GNOME 50 链接到标题

跨越四个大版本的 GNOME 升级，带来了诸多改进：

阿里云 CDN SSL 证书全自动申请与同步方案详解

Fri, 10 Apr 2026 12:45:00 +0800

在运维网站时，手动维护 SSL 证书不仅繁琐，更面临证书过期导致网站无法访问的风险。本文将手把手教你如何利用 acme.sh 配合 aliyun-cli 实现阿里云 CDN 证书的自动申请、续期、上传到 CAS 以及更新到 CDN 的全自动化流程。

方案背景链接到标题

我的博客使用 OSS + CDN 部署，主域名为 lixx.cn，同时绑定了 blog.lixx.cn。

痛点：手动续期证书并同步到 CDN 耗时耗力。
目标：实现“一次配置，终身无忧”的自动化管理。

1. 准备工作链接到标题

在开始自动化之前，需要准备好必备工具和权限。

1.1 获取阿里云 RAM 权限链接到标题

为了安全，建议在阿里云后台创建一个 RAM 子账号，并授予以下最小权限：

AliyunDNSFullAccess：用于 acme.sh 自动修改 DNS 解析记录进行身份校验。
AliyunCASFullAccess：用于上传新证书到“数字证书管理服务”。
AliyunCDNFullAccess：用于更新 CDN 域名的 HTTPS 配置。

1.2 安装核心工具链接到标题

我们需要在服务器（建议 24 小时开机的 ECS 或 NAS）上安装两个工具：

2026 年中旗舰大模型横评：GLM-5.1 vs Qwen3.6-Plus

Thu, 09 Apr 2026 11:11:47 +0800

背景链接到标题

2026 年 4 月，中国 AI 领域两大玩家几乎同时发布了新一代旗舰模型：

智谱 AI 发布 GLM-5.1，定位为"面向 Agentic Engineering 的下一代旗舰"，MIT 协议开源
阿里 Qwen 团队发布 Qwen3.6-Plus，主打"从编码 Agent 到原生多模态 Agent 的跨越"，闭源 API 服务

两篇博客读下来，一个强烈的感受是：中国大模型的主战场已经从"刷榜"转向了"干实事"。两家都不约而同地将重点放在了 Agent 能力上——让模型不仅能回答问题，更能写代码、调工具、跑终端、做规划。

但它们选择的路径截然不同。本文试图厘清：谁更强？强在哪里？各自适合什么场景？

一、编码 Agent：GLM-5.1 的绝对主场链接到标题

先看最硬核的编码评测。两家都跑了 SWE-Bench 系列、Terminal-Bench、NL2Repo 等业界公认的编码 Agent 基准。

1.1 核心编码基准对比链接到标题

基准	测什么	GLM-5.1	Qwen3.6-Plus	差距
SWE-Bench Pro	高难度 GitHub Issue 自动修复	58.4	56.6	+1.8
NL2Repo	自然语言→生成完整代码仓库	42.7	37.9	+4.8
Terminal-Bench 2.0	真实终端环境任务执行	63.5	61.6	+1.9
CyberGym	网络安全攻防任务	68.7	未测	—

注意：两篇文章的基线模型版本不同。GLM-5.1 对标的是 Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro 等更新一代的模型；Qwen3.6-Plus 对标的是 Claude Opus 4.5、GPT-5.2 等上一代。这意味着 GLM-5.1 面对的竞争环境更严苛，但其编码成绩依然全面领先。

OpenClaw 多智能体配置多个 QQ 机器人

Fri, 27 Mar 2026 16:14:20 +0800

本文介绍如何在 OpenClaw 中为不同智能体配置独立的 QQ 机器人渠道，实现多账户隔离和多智能体并行运行。

参考资料链接到标题

为新智能体配置单独的 QQ 渠道链接到标题

添加隔离智能体链接到标题

使用智能体向导添加一个新的隔离智能体：

1

openclaw agents add work

注意：首次安装时，默认的 accountId 为 default，agentId 为 main。

配置多账户链接到标题

如果你有多个 QQ 机器人账户，可以创建不同的 accountId 并分别添加：

1
2
3
4
5


# 添加工作机器人账户
openclaw channels add --channel qqbot --account work --token <工作机器人token>

# 添加个人机器人账户
openclaw channels add --channel qqbot --account personal --token <个人机器人token>

绑定智能体链接到标题

编辑 openclaw.json 文件，添加 bindings 配置：

软考高级（系统架构设计师）备考计划

Thu, 26 Mar 2026 09:24:38 +0800

知识点练习、章节练习链接到标题

2026.3.24 - 2026.3.25：学习软件工程、项目管理章节，结合知识点练习题，熟悉知识内容
2026.3.26 - 2026.3.27：学习软件架构设计章节，结合知识点练习题，熟悉知识内容
2026.3.28 - 2026.3.29：学习计算机系统基础知识、计算机网络章节，结合知识点练习题，熟悉知识内容
2026.3.30 - 2026.3.31：学习数据库系统、系统工程与信息系统基础章节，结合知识点练习题，熟悉知识内容
2026.4.1 - 2026.4.2：学习数学与经济管理、知识产权与标准化、嵌入式系统章节，结合知识点练习题，熟悉知识内容
2026.4.3 - 2026.4.4：学习系统可靠性分析与设计、信息安全技术基础知识章节，结合知识点练习题，熟悉知识内容
2026.4.5 - 2026.4.6：学习未来信息综合技术、人工智能章节，结合知识点练习题及案例分析题，熟悉知识内容
2026.4.7 - 2026.4.8：学习软件工程案例分析知识及案例特训技巧篇，结合知识点练习案例分析题，熟悉知识内容
2026.4.9 - 2026.4.10：学习软件架构设计案例分析知识，结合知识点练习案例分析题，熟悉知识内容
2026.4.11 - 2026.4.12：学习安全架构、大数据架构案例分析知识，结合知识点练习案例分析题，熟悉知识内容

论文学习链接到标题

2026.4.13 - 2026.4.14：学习论文方面知识，结合知识点尝试练习论文写作

真题练习链接到标题

2026.4.15 - 2026.4.16：2017年下半年架构历年真题（综合+案例）+ 错题巩固
2026.4.17 - 2026.4.18：2018年下半年架构历年真题（综合+案例）+ 错题巩固
2026.4.19 - 2026.4.20：2019年下半年架构历年真题（综合+案例）+ 错题巩固
2026.4.21 - 2026.4.22：2020年下半年架构历年真题（综合+案例）+ 错题巩固
2026.4.23 - 2026.4.24：2021年下半年架构历年真题（综合+案例）+ 错题巩固
2026.4.25 - 2026.4.26：2022年下半年架构历年真题（综合+案例）+ 错题巩固
2026.4.27 - 2026.4.28：2024年上半年架构历年真题（综合+案例）+ 错题巩固
2026.4.29 - 2026.4.30：2024年下半年架构历年真题（综合+案例）+ 错题巩固
2026.5.1：2025年上半年架构历年真题（综合+案例）+ 错题巩固
2026.5.2：2025年下半年架构历年真题（综合+案例）+ 错题巩固

论文练习链接到标题

2026.5.3 - 2026.5.4：练习第1篇主题论文
2026.5.5 - 2026.5.6：练习第2篇主题论文
2026.5.7 - 2026.5.8：练习第3篇主题论文
2026.5.9 - 2026.5.10：练习第4篇主题论文

复习冲刺链接到标题

2026.5.11 - 2026.5.12：复习以往章节知识点内容
2026.5.13 - 2026.5.14：总结并梳理综合知识题部分错题及相关知识点
2026.5.15 - 2026.5.16：总结并梳理案例分析题部分错题及相关知识点
2026.5.17 - 2026.5.18：总结并梳理历年真题错题及全面复盘
2026.5.19：总结并梳理备考期间写过的主题论文
2026.5.20 - 2026.5.22：熟读并背诵《备考知识点集锦》

基于市场温度的动态资产配置系统

Tue, 10 Mar 2026 11:44:40 +0800

作为一名长期与代码和运维打交道的后端开发，我始终认为：手动操作（Manual Intervention）是风险的根源。 在投资领域，人性中的贪婪与恐惧就像代码中的 Bug，总是在最关键的时刻让系统崩溃。为了解决这个问题，我为家庭构建了一套基于“市场温度”的自动化投资配置系统。

1. 核心逻辑：解耦“流量控制”与“内部引擎” 链接到标题

在我的架构中，投资被拆分为两个独立的层级：

逻辑层（Logic Layer）： 由我负责。根据市场估值（温度）决定每个月的“流量分配”，即有多少钱进入风险资产（长钱），多少钱进入避险资产（稳钱）。
执行层（Execution Layer）： 由全权委托投顾负责。他们处理具体的标的选择、行业轮动和再平衡。

这种结构类似于 API 调用：我只负责传入合适的“参数”（资金比例），而具体的底层实现交给更专业的“托管服务”。

2. 算法实现：$120 - 1.2T$ 公式链接到标题

为了实现“低买高卖”的逆向操作，我采用了一个增强型的线性回归公式。

核心公式链接到标题

$$P_{Long} = \text{clamp}(120 - 1.2T, 0, 100)$$

其中：

$T$ 为当前市场温度（取自“有知有行”数据中心，范围 $0 \sim 100$）。
$P_{Long}$ 为增量资金投入“长钱”的百分比。
$\text{clamp}$ 函数确保结果在 0% 到 100% 之间。

策略响应表链接到标题

市场态势	温度 $T$	长钱分配 ($P_{Long}$)	战略意图
极度低估	$< 16.7^\circ$	100%	全力扫货，子弹上膛
价值区间	$30^\circ$	84%	进攻占优，积累筹码
均衡区间	$50^\circ$	60%	保持中立，略微超配
显著高估	$70^\circ$	36%	防守占优，积蓄子弹
极端泡沫	$100^\circ$	0%	绝对防御，全额避险

3. 家庭堡垒：三层防线架构链接到标题

除了动态的定投策略，整个家庭的财务安全由一套“堡垒型”结构守护：

Lixx 投资白皮书

Thu, 05 Mar 2026 13:13:43 +0800

核心方案：基于市场温度的动态定投系统链接到标题

该方案通过 “场外增量控制” 与 “场内全权委托” 相结合，实现低成本积累筹码与高位风险对冲的闭环。

1. 核心数学模型链接到标题

每月定投的总金额为 $M$，根据当前市场温度 $T$，计算增量资金的分配比例：

$$P_{Long} = \text{clamp}(120 - 1.2T, 0, 100)$$$$P_{Stable} = 100 - P_{Long}$$

分配逻辑：

长钱（Long Fund）： $M \times P_{Long}$，用于追求长期复利。
稳钱（Stable Fund）： $M \times P_{Stable}$，用于本金保护与未来备用金。

2. 资产配置结构（二级分配）链接到标题

在“长钱”内部，由全权委托投顾进行底层管理，其标的分配遵循恒定地理偏好，以分散系统性风险：

国内长钱： 长钱总额 $\times 70\%$（聚焦 A 股/港股估值修复）。
海外长钱： 长钱总额 $\times 30\%$（配置美股等海外市场，对冲单一币种风险）。

3. 不同温度区间下的系统表现链接到标题

你的程序将根据温度 $T$ 自动触发以下四种状态：

温度区间	状态定义	战略行为	逻辑精髓
$T < 16.7^\circ$	全力扫货	$P_{Long} = 100\%$	在市场绝望时，利用最大现金流吸纳廉价份额。
$16.7^\circ \sim 58.3^\circ$	进攻占优	$P_{Long} > 50\%$	均值及以下区间，利用投顾调仓能力获取超额收益。
$58.3^\circ \sim 100^\circ$	防守占优	$P_{Long} < 50\%$	市场过热，新增资金大部分转入“蓄水池”避险。
$T = 100^\circ$	绝对防御	$P_{Long} = 0\%$	极端泡沫期，不再向风险资产投入任何资金。

4. 方案的三重优势链接到标题

场外控流量（你）： 解决了“什么时候买”和“买多少”的问题。通过 $120 - 1.2T$ 修正了投顾自带的防御滞后性。
场内控质量（投顾）： 解决了“买什么”和“内部调仓”的问题。专业团队会处理成分股优化、打新收益及动态再平衡。
负反馈机制： 这是一个典型的负反馈调节系统。价格越高，买入越少；价格越低，买入越多。它从底层逻辑上保证了你的平均持仓成本优于市场平均水平。

5. 进阶执行建议（供代码逻辑参考）链接到标题

调仓阈值： 考虑到交易成本和频繁操作的心理压力，建议在程序中设定“月度执行”或“温度变动超过 $2^\circ$”再更新分配比例。
存量平衡： 建议增加一个 “存量报警线”。当温度超过 $85^\circ$ 时，定投已经无法有效降低总资产风险，程序应提醒你手动将部分“长钱”存量转为“稳钱”。
子弹复用： 当温度跌破 $15^\circ$ 时，你的程序可以提示你：除了当月定投，是否将“稳钱”库里的存量资金分批提取，进行额外的 “破格加仓”。

总结链接到标题

这是一套 “进可攻、退可守” 的工业级定投方案。它尊重市场常识（估值回归），也尊重专业分工（全权委托）。只要你能在极端行情下坚持执行程序给出的数值，时间会是你最强大的杠杆。

WireGuard VPN：打通云服务器与家庭 NAS

Wed, 19 Mar 2025 14:29:08 +0800

一、背景需求链接到标题

你是否遇到过以下问题？

想在外网安全访问家中 NAS 的 SSH、Web 服务或私有 GitLab？
云服务器有公网 IP，但家庭宽带没有固定公网 IP？
直接暴露 NAS 端口到公网存在安全隐患？

WireGuard 的解决方案：
通过轻量级 VPN 打通云服务器与家庭 NAS，所有流量加密传输，仅需开放 1 个 UDP 端口即可实现双向通信。

二、环境说明（其他系统过程相近）链接到标题

角色	配置	网络信息
云服务器	Fedora 40+，公网 IP `1.2.3.4`	WireGuard 服务端 IP `10.8.0.1`
家庭 NAS	Fedora 40+，内网 IP `192.168.1.100`	WireGuard 客户端 IP `10.8.0.2`

三、完整配置流程链接到标题

1. 云服务器（服务端）配置链接到标题

步骤 1：安装 WireGuard 链接到标题

1

sudo dnf install wireguard-tools

步骤 2：生成密钥对链接到标题

1
2


wg genkey | sudo tee /etc/wireguard/private.key | wg pubkey | sudo tee /etc/wireguard/public.key
sudo chmod 600 /etc/wireguard/private.key

步骤 3：创建配置文件 `/etc/wireguard/wg0.conf` 链接到标题

1
2
3
4
5
6
7
8


[Interface]
Address = 10.8.0.1/24
ListenPort = 51820
PrivateKey = <云服务器私钥> # 替换为 private.key 内容

[Peer]
PublicKey = <NAS公钥> # 后续从 NAS 获取
AllowedIPs = 10.8.0.2/32

步骤 4：启用内核转发与防火墙链接到标题

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


# 启用 IP 转发
echo "net.ipv4.ip_forward=1" | sudo tee /etc/sysctl.d/99-wireguard.conf
sudo sysctl -p

# 开放 WireGuard 端口
sudo firewall-cmd --permanent --add-port=51820/udp
sudo firewall-cmd --reload

# 启动服务
sudo systemctl enable --now wg-quick@wg0

2. 家庭 NAS（客户端）配置链接到标题

步骤 1：安装 WireGuard 链接到标题

1

sudo dnf install wireguard-tools

步骤 2：生成密钥对链接到标题

1
2


wg genkey | sudo tee /etc/wireguard/private.key | wg pubkey | sudo tee /etc/wireguard/public.key
sudo chmod 600 /etc/wireguard/private.key

步骤 3：创建配置文件 `/etc/wireguard/wg0.conf` 链接到标题

1
2
3
4
5
6
7
8
9


[Interface]
Address = 10.8.0.2/24
PrivateKey = <NAS私钥> # 替换为 private.key 内容

[Peer]
PublicKey = <云服务器公钥> # 替换为云服务器的 public.key 内容
Endpoint = 1.2.3.4:51820
AllowedIPs = 10.8.0.0/24
PersistentKeepalive = 25

步骤 4：启动服务链接到标题

1

sudo systemctl enable --now wg-quick@wg0

3. 验证连接链接到标题

检查隧道状态链接到标题

1
2
3
4
5
6
7


# 在云服务器执行
sudo wg show

# 预期输出应包含：
# peer: <NAS公钥>
# latest handshake: 时间戳
# transfer: 有数据流量

测试连通性链接到标题

1
2
3
4
5


# 从云服务器 ping NAS
ping 10.8.0.2

# 从 NAS ping 云服务器
ping 10.8.0.1

四、通过云服务器访问 NAS 服务链接到标题

场景 1：SSH 连接链接到标题

1
2
3
4
5
6
7
8
9


# 在云服务器上直接访问 NAS 的 VPN IP
ssh your_username@10.8.0.2

# 或通过公网端口转发（将云服务器的 2222 端口映射到 NAS 的 22 端口）
sudo firewall-cmd --permanent --add-forward-port=port=2222:proto=tcp:toaddr=10.8.0.2:toport=22
sudo firewall-cmd --reload

# 外部用户访问命令
ssh -p 2222 your_username@1.2.3.4

场景 2：访问 Web 服务链接到标题

假设 NAS 运行了一个博客在 8080 端口：

Posts on Lixx Blog

Lixx 投资白皮书 3.0：三层缓冲，两个触发点

核心思想 链接到标题

1. 三个池子 链接到标题

2. 两个触发点 链接到标题

触发点一：发工资日 —— 注水 链接到标题

触发点二：每月15号 —— 投资 链接到标题

3. 动态分配公式 链接到标题

小米 MiMo-V2.5 开源：Base 模型 vs DeepSeek-V4 Pro vs Kimi-K2，20 项基准深度横评

背景 链接到标题

一、模型架构速览 链接到标题

OpenCode 快捷键完全指南：从 ctrl+t 切换变体到全套键位

一、tui.json 放在哪？默认有没有？ 链接到标题

二、前置知识：Leader 前导键 链接到标题

被动的全知者——大模型的知识悖论

提示词工程 vs 上下文工程 vs 驾驭工程：2026 年它们到底有什么区别？

核心要点 链接到标题

什么是提示词工程 链接到标题

提示词工程的工作原理 链接到标题

提示词工程的优势 链接到标题

2026 开源双雄对决：Kimi K2.6 vs GLM-5.1

背景 链接到标题

一、推理能力：Kimi K2.6 全面领先 链接到标题

GLM-5.1 vs Qwen 3.6 Max (Preview) 核心评测指标深度解析

总体概览：神仙打架，各有千秋 链接到标题

一、 基础知识与推理能力 (Knowledge & Reasoning) 链接到标题

1. SuperGPQA (Graduate-Level Knowledge) 链接到标题

2. AA-Omniscience Index (Knowledge Reliability and Hallucination) 链接到标题

3. QwenChineseBench (Chinese Real-World Knowledge) 链接到标题

二、 Agent 智能体与工具调用能力 (Agent & Tool Use) 链接到标题

Qwen3.6-Plus vs Qwen3.6-35B-A3B 全面对比

背景 链接到标题

一、模型基本信息 链接到标题

Lixx 投资白皮书 2.0：基于水位与市场温度的动态资产管理

1. 资金的三级“漏斗”模型 链接到标题

池子 A：日常消费池（生活安全垫） 链接到标题

池子 B：投资中转池（资金集散地） 链接到标题

池子 C：核心资产池（财富的最终归宿） 链接到标题

2. 资金的调度与定投规则 链接到标题

规则一：每半年的资金盘点与截留（6月和12月） 链接到标题

规则二：每个月的动态定投 链接到标题

Ubuntu 26.04 LTS 前瞻：从 24.04 升级你需要知道的一切

一、基本信息 链接到标题

系统需求 链接到标题

二、桌面体验全面革新 链接到标题

2.1 GNOME 46 → GNOME 50 链接到标题

阿里云 CDN SSL 证书全自动申请与同步方案详解

方案背景 链接到标题

1. 准备工作 链接到标题

1.1 获取阿里云 RAM 权限 链接到标题

1.2 安装核心工具 链接到标题

2026 年中旗舰大模型横评：GLM-5.1 vs Qwen3.6-Plus

背景 链接到标题

一、编码 Agent：GLM-5.1 的绝对主场 链接到标题

1.1 核心编码基准对比 链接到标题

OpenClaw 多智能体配置多个 QQ 机器人

参考资料 链接到标题

为新智能体配置单独的 QQ 渠道 链接到标题

添加隔离智能体 链接到标题

配置多账户 链接到标题

绑定智能体 链接到标题

软考高级（系统架构设计师）备考计划

知识点练习、章节练习 链接到标题

论文学习 链接到标题

真题练习 链接到标题

论文练习 链接到标题

复习冲刺 链接到标题

基于市场温度的动态资产配置系统

1. 核心逻辑：解耦“流量控制”与“内部引擎” 链接到标题

2. 算法实现：$120 - 1.2T$ 公式 链接到标题

核心公式 链接到标题

策略响应表 链接到标题

3. 家庭堡垒：三层防线架构 链接到标题

Lixx 投资白皮书

核心方案：基于市场温度的动态定投系统 链接到标题

1. 核心数学模型 链接到标题

2. 资产配置结构（二级分配） 链接到标题

3. 不同温度区间下的系统表现 链接到标题

4. 方案的三重优势 链接到标题

5. 进阶执行建议（供代码逻辑参考） 链接到标题

核心思想链接到标题

1. 三个池子链接到标题

2. 两个触发点链接到标题

触发点一：发工资日 —— 注水链接到标题

触发点二：每月15号 —— 投资链接到标题

3. 动态分配公式链接到标题

背景链接到标题

一、模型架构速览链接到标题

一、tui.json 放在哪？默认有没有？链接到标题

二、前置知识：Leader 前导键链接到标题

核心要点链接到标题

什么是提示词工程链接到标题

提示词工程的工作原理链接到标题

提示词工程的优势链接到标题

背景链接到标题

一、推理能力：Kimi K2.6 全面领先链接到标题

总体概览：神仙打架，各有千秋链接到标题

一、基础知识与推理能力 (Knowledge & Reasoning) 链接到标题

背景链接到标题

一、模型基本信息链接到标题

1. 资金的三级“漏斗”模型链接到标题

池子 A：日常消费池（生活安全垫）链接到标题

池子 B：投资中转池（资金集散地）链接到标题

池子 C：核心资产池（财富的最终归宿）链接到标题

2. 资金的调度与定投规则链接到标题

规则一：每半年的资金盘点与截留（6月和12月）链接到标题

规则二：每个月的动态定投链接到标题

一、基本信息链接到标题

系统需求链接到标题

二、桌面体验全面革新链接到标题

方案背景链接到标题

1. 准备工作链接到标题

1.1 获取阿里云 RAM 权限链接到标题

1.2 安装核心工具链接到标题

背景链接到标题

一、编码 Agent：GLM-5.1 的绝对主场链接到标题

1.1 核心编码基准对比链接到标题

参考资料链接到标题

为新智能体配置单独的 QQ 渠道链接到标题

添加隔离智能体链接到标题

配置多账户链接到标题

绑定智能体链接到标题

知识点练习、章节练习链接到标题

论文学习链接到标题

真题练习链接到标题

论文练习链接到标题

复习冲刺链接到标题

2. 算法实现：$120 - 1.2T$ 公式链接到标题

核心公式链接到标题

策略响应表链接到标题

3. 家庭堡垒：三层防线架构链接到标题

核心方案：基于市场温度的动态定投系统链接到标题

1. 核心数学模型链接到标题

2. 资产配置结构（二级分配）链接到标题

3. 不同温度区间下的系统表现链接到标题

4. 方案的三重优势链接到标题

5. 进阶执行建议（供代码逻辑参考）链接到标题

总结链接到标题

一、背景需求链接到标题

二、环境说明（其他系统过程相近）链接到标题

三、完整配置流程链接到标题

1. 云服务器（服务端）配置链接到标题

步骤 2：生成密钥对链接到标题

步骤 3：创建配置文件 `/etc/wireguard/wg0.conf` 链接到标题

步骤 4：启用内核转发与防火墙链接到标题

2. 家庭 NAS（客户端）配置链接到标题

步骤 2：生成密钥对链接到标题

步骤 3：创建配置文件 `/etc/wireguard/wg0.conf` 链接到标题

步骤 4：启动服务链接到标题

3. 验证连接链接到标题

检查隧道状态链接到标题

测试连通性链接到标题

四、通过云服务器访问 NAS 服务链接到标题

场景 1：SSH 连接链接到标题

场景 2：访问 Web 服务链接到标题