新闻详情

新闻详情

首页 / 资讯中心 / 详情

只用约 4000 行 Python,我把 AI 助理装进了自己的电脑:nanobot 保姆级上手指南(含架构图 + 实战)

发布时间:2026/11/16 20:51:14来源:尧图网络
只用约 4000 行 Python,我把 AI 助理装进了自己的电脑:nanobot 保姆级上手指南(含架构图 + 实战)
文章目录为什么我要自己养一个「AI 助理」?一、nanobot 到底是个什么?一句话讲清楚二、架构篇:一个小循环,撑起整个系统2.1 整体架构:核心只有一个循环2.2 两个"主角"的分工:AgentLoop vs AgentRunner2.3 一条消息的完整旅程(时序图)三、核心概念篇:配置、工作区、记忆3.1 配置 vs 工作区:一切都是文件3.2 记忆:它为什么会"记得你"?四、5 分钟上手:把 nanobot 跑起来4.1 安装4.2 配置模型4.3 检查配置4.4 收到第一句回复五、关键能力实战5.1 换个模型 / 接本地模型5.2 接入聊天渠道(以 Telegram 为例)5.3 用 MCP 给它接外部工具5.4 定时任务与"心跳"5.5 子 Agent 与"自我检查"5.6 联网、图像、Shell 与安全六、进阶:把它当成"库"或"服务"6.1 Python SDK:一句话跑一个 Agent6.2 OpenAI 兼容 API:让别的程序也来用6.3 自定义技能(Skills)七、常见问题 FAQ八、最佳实践 避坑清单九、总结为什么我要自己养一个「AI 助理」?先说个我踩过的坑。一开始我想省事,直接上了某个「全家桶」Agent 框架。结果光是搞懂它的目录结构就花了两天,装依赖装到怀疑人生,最后连"Hello World"都没跑通——一个环环相扣的编排层,牵一发动全身。当时我就在想:我只是想要一个能帮我读读文档、查查资料、盯着定时任务的小助手,至于这么复杂吗?直到我遇到nanobot。它是香港大学数据智能实验室(HKUDS)开源的一个超轻量、可自托管的个人 AI Agent 框架,用 Python 写。它最打动我的一点是:核心逻辑被刻意做得又小又能通读,社区普遍称其核心代码只有大约 4000 行。你可以把它理解成「Agent 界的极简主义」——不追求功能堆到天花板,而是保证你能一眼看穿它在干什么。更重要的是,它把真正实用的东西全都备齐了:一个能直接用的WebUI 工作台,也可以是终端聊天;10 多种聊天渠道(Telegram、Discord、Slack、飞书、微信、钉钉、WhatsApp、QQ、Signal、邮件等)任你接;工具系统(文件读写、Shell 命令、联网搜索、图像生成、子 Agent……);长期记忆+定时自动化;原生支持
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉