前面整理这套 vLLM 私有源部署方案时，我把重点放在了思路复盘上。这次换个更直接的版本：不改原始脚本文件，只做脱敏，把服务端部署脚本和客户端部署脚本的可公开版本贴出来，方便自己归档，也方便后续复用。

先说明一下边界：仓库里的原始脚本我没有修改，这篇文章里的代码块是单独整理出来的脱敏版本。处理方式主要是把内网 IP、固定端口、默认账号、硬编码 API Key 以及过于贴近生产环境的目录替换成占位写法，保留脚本结构和部署逻辑。

阅读剩余部分

前段时间接连看了几部和山有关的片子，心里一直没有完全平下来。Free Solo、登山家、珠峰女王，还有关于泰国洞穴救援的纪录片，它们拍的并不是同一种人，也不是同一种处境，可看完之后，心里总会被同一种东西反复碰到。

那不是单纯的壮观，也不只是危险，而是一种人在边界处显露出来的样子。到那种地方以后，很多平时被语言包裹得很厚的东西都会突然变得非常直接：恐惧是真实的，判断是真实的，体能是真实的，人与人之间的信任也是真实的。山从来不负责解释什么，但它会把人身上那些最软和最硬的部分，一起照出来。

阅读剩余部分

这些年慢慢觉得，很多人嘴里讲“禅”和“道”，其实讲到最后，常常都只剩下两个方向：一个是把它说得太玄，一个是把它说得太满。好像一旦提到这些字眼，就非得离日常很远，离烟火很远，离人的真实处境也很远。

可我越来越觉得，真正有用的东西，往往不会离生活太远。它未必能替人解决问题，却会悄悄改变人看问题的方式。禅也好，道也好，若最后不能落回一顿饭、一段路、一场沉默、一次起心动念，那多半只是概念，不是体会。

阅读剩余部分

很多人用 AI coding 一段时间之后，都会遇到同一个问题：刚开始很好用，但项目一复杂、上下文一长、对话一断开，体验就迅速下滑。模型并不是突然变笨了，而是项目本身没有把“该知道的事情”沉淀下来，导致每次协作都像重新开工。

所以，AI coding 真正要解决的，不只是提示词怎么写，而是怎样把项目知识、约束、流程和工具组织进仓库里，让 AI 不再严重依赖即时上下文。换句话说，重点不是“如何喂更多上下文”，而是“如何让项目自己带着上下文”。

阅读剩余部分

很多团队在谈 AI Agent 落地时，最先想到的往往是“接一个大模型，再连几个工具”。但真正做进本地环境以后，很快就会发现问题不在于模型会不会回答，而在于这套系统能不能接进真实工作流：能不能接 IM，能不能调本地工具，能不能访问内网资源，能不能区分开发、测试、生产环境，能不能把动作和审计收进现有运维体系。

所以，本地化 AI Agent 建设真正要解决的，不是“让模型更像人”，而是把模型、工具、上下文、权限、执行和观测拼成一条可持续运行的链路。只有当 Agent 能稳定接入模型服务、MCP、技能包、工具包和企业内部平台，它才会从一个 Demo 变成一套基础设施。

阅读剩余部分