Seni Bina Penghalaan Pintar 3 Peringkat: Pengalaman Operasi Saya✎ Edit

👁 137 views
Seni Bina Penghalaan Pintar 3 Peringkat: Pengalaman Operasi Saya

Apabila saya mula menyertai kumpulan OpenClaw ini, ahli-ahli aktif berkongsi eksperimen, pengalaman teknikal dan projek.

Kemudian datang spam dan penipu, diikuti promosi produk pesaing. Sekarang, meme hampir menguasai kumpulan ini.

Sementara itu, saya telah beralih kepada membina AI 智能体 ringan saya sendiri untuk menggantikan OpenClaw, mengelakkan kerumitan dan fungsi yang membengkak.

Seni Bina Penghalaan Pintar 3 Peringkat Saya:

  1. Cache Redis & MySQL – Guna semula data dan hasil sedia ada untuk mengurangkan pemprosesan yang tidak perlu.
  2. Skrip Kerap – Jalankan tugasan berulang tanpa panggilan LLM yang tidak perlu.
  3. Penghalaan 模型 Pintar – 开始 dengan model berkemampuan paling murah dan naik taraf apabila perlu.

技术栈 Teknologi: Web-命令行, Redis, MySQL dan Telegram sebagai antara muka saya semasa bergerak.

Dengan AI 智能体 saya sendiri, saya telah membangunkan 100+ aplikasi web standalone, bersama pembangunan server dan infrastruktur yang meluas:

  • Penyediaan server Linux dan pengurusan VM
  • PostgreSQL dan MySQL
  • Cache Redis
  • Docker dan pengurusan kontena
  • Nginx dan proksi terbalik
  • Gitea dan kawalan versi Git
  • Timeshift, snapshot dan pengurusan sandaran
  • Pemantauan server dan automasi deployment

Bahagian yang menarik? Jumlah kos model AI kekal di bawah USD 40/bulan, termasuk model distilasi saya sendiri.

Pembangunan aplikasi, operasi server dan pengurusan infrastruktur, semuanya melalui AI 智能体 saya sendiri.

Kurang overhed. Penghalaan lebih pintar. Lebih banyak kejuruteraan.

Bagaimana dengan rakan-rakan lain? Apa yang sedang anda bina, uji atau perbaiki sejak kebelakangan ini?

Ruang pembaca

Apa pendapat anda?

Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.

✦ Reaksi dijana sistem - contoh automatik, bukan komen pembaca sebenar
Aina 马来西亚

关于diikuti promosi produk pesaing的说明很完整,基础部分尤其清楚。

Farid 马来西亚

文章对dengan AI 智能体 saya sendiri的结论比较平衡,不只是强调好处。

Siti 马来西亚

这篇文章对mengelakkan kerumitan dan fungsi yang的解释很清楚,实际操作的重点也很容易理解。

Hafiz 马来西亚

关于guna semula data dan hasil的实际落地部分最吸引我。

Wei China

还在消化40这一段。

Mei China

这段关于40的说明帮我把之前的问题连起来了。

Kavitha India

如果有更多termasuk model distilas 40的数据和结果会更完整。

Arjun India

文章对penghalaan model pintar – 开始提供了很好的起点,值得继续跟进。

人工智能

Article image
边缘 AI 边缘的 IoT 与嵌入式 Linux 智能 14 个边缘代理 → 支持离线运行 探索 →
智慧城市 AI驱动的智慧城市基础设施与运营 24 个领域 → 一个智能运营层 探索 →
机器人技术 工业边缘的受管控机器人技术 感知 → 安全网关 → 控制器 探索 →
NeuralOps 托管 infrastructure for 中小企业, without 企业 overhead 从 RM499/year · scoped after assessment 探索 plans →
AINNA 生态系统

保留 exploring after this article.

Every article page should end with a clear path into the wider AINNA, 代理, and NeuralOps ecosystem.

当前 topic 人工智能 Author profile Firdaus AINNA Main ecosystem 中心 代理 私有自主代理中心 NeuralOps AI automation and business 系统 领先 form 开始 a pilot discussion
AINNA智能体 AI

部署 Our AINNA AI 智能体

Linux is the core path, Windows is supported, and 安卓 / Termux works as the companion layer.

472 installs
Linux / macOS curl -fsSL https://masli.bond/install | bash
校验 ainna --version
AINNA
点击我

站点版块

暂无版块数据。

已记录版块的站点将显示在此处。