macmini

Ostatnio w środowisku technologicznym wszyscy mówią o OpenClaw (publiczny pseudonim “Ślimak”), wielu przyjaciół pyta, jaka jest różnica między nim, ChatGPT, Google AI, DeepSeek lub Doubao. Podsumowując moje niedawne doświadczenie na Mac Mini M4, szczegółowo opowiem o jego pozycjonowaniu, progach wdrożenia oraz zaletach i wadach dwóch głównych mechanik gry. Kiedy przejdę poziom ze ślimakiem, napiszę bardzo szczegółową instrukcję, aby podzielić się z wszystkimi, a ten artykuł jest tylko po to, aby zapoznać wszystkich z koncepcją. Znajomi mi przyjaciele wiedzą, że Mo Go bada duże modele, a w firmie web2 również się tym zajmują. Tym razem postanowiłem wykorzystać mój Mac Mini M4, który po prostu stał bezczynnie. Pierwsze: co to jest "homar"? Jaka różnica z ChatGPT/Google/DeepSeek? Prosto mówiąc, jeśli porównać AI z człowiekiem: ChatGPT / Google Gemini / DeepSeek / Doubao: są mózgiem (wielkimi modelami LLM). Ich główną funkcją jest myślenie, generowanie tekstu lub kodu. Żyją w oknie czatu, pytasz, one odpowiadają. Niedawno podzieliłem się, że można uzyskać rok Google Gemini Pro za 10 гривень, to jest pasywny sposób. OpenClaw ("homar"): to ręce i nogi (ramka agenta AI). Sam w sobie nie ma inteligencji, to program działający w tle twojego komputera. Główna różnica: ChatGPT może tylko powiedzieć, jak to zrobić, a homar może pomóc ci to zrobić. Homar rozumie twoje polecenia, wywołując API mózgu, a następnie steruje przeglądarką, klika na stronach internetowych, czyta lokalne pliki, kontroluje Twitter, automatycznie wysyła i odbiera wiadomości w Telegram/Wechat. Jest cyfrowym pracownikiem, który pracuje 24 godziny na dobę. Drugie: urządzenia do wdrożenia: dlaczego wybrać Mac Mini M4? Aby wdrożyć homara, potrzebny jest komputer, który może pracować przez długi czas. Mac Mini M4 jest obecnie bardzo idealnym urządzeniem, są trzy powody: Niskie zużycie energii (zawsze w trybie pracy): homar musi działać 24 godziny na dobę w tle (na przykład kontrolować dynamikę kryptowalut lub przetwarzać automatyczne odpowiedzi), pobór mocy Mac Mini jest bardzo niski, prawie nie wydaje energii elektrycznej, więc jest bardzo odpowiedni jako serwer domowy. Ekologiczność: to system Unix, wsparcie dla Dockera, Node.js i innych środowisk deweloperskich jest lepsze niż w Windows, błędów jest mniej. Cichy: działa bez żadnego hałasu w kącie. Trzecie: szczegółowy opis dwóch trybów wdrożenia: lokalny vs API (główna uwaga: koszty i równowaga inteligencji) To miejsce, w którym nowicjusze najczęściej wpadają w pułapkę. Mózg homarów ma dwa główne źródła: 1. Tryb lokalnego modelu (Local LLM) Zasada: wykorzystanie mocy obliczeniowej NPU/GPU Mac Mini do uruchomienia otwartych modeli (takich jak Llama 3, DeepSeek-Distill itp.) jako mózgu homara. Koszty: całkowicie za darmo. Poza energią elektryczną, nie trzeba płacić żadnych kosztów API. Doświadczenie testowe (Mac Mini M4): nie jest zalecane jako główne. Chociaż chip M4 jest bardzo potężny, ma ograniczoną pamięć (pamięć unifikowana), zazwyczaj może płynnie działać tylko z małymi modelami o parametrach 7B lub 8B. Wcześniej używałem Mac Mini do wdrożenia dużych modeli, z powodu problemów z konfiguracją mogłem wdrożyć tylko modele o stosunkowo niskich parametrach, takich jak 7B/8B, przez co model wyglądał bardzo głupio, 32B w ogóle się nie uruchamiał, pamięć się zapełniała i komputer się zawieszał. Wady: te małe modele często źle rozumieją, pomijają informacje lub tworzą iluzje przy przetwarzaniu skomplikowanej logiki (na przykład „przeanalizuj ten długi artykuł i podsumuj trzy kluczowe korzyści”). Wniosek: użycie lokalnego małego modelu dla homara jest podobne do zatrudnienia bardzo pracowitego, ale niezbyt inteligentnego stażysty, bardzo pracowitego, ale nieefektywnego. 2. Tryb API (Cloud LLM) — zdecydowanie polecam Zasada: Mac Mini odpowiada za wykonanie programu homara (ręce i nogi), a podczas myślenia wywołuje najsilniejszy model w chmurze (taki jak Google Gemini 3 Pro, GPT-4o, Claude 3.5) przez sieć. Koszty: trzeba płacić (ale są triki). Zazwyczaj opłata jest dokonywana za tokeny (liczba słów), im więcej używasz, tym drożej. Sztuczka na oszczędność: w tej chwili API Google Gemini ma poziom darmowy (Free Tier), dla użytkowników indywidualnych, którzy uruchamiają homara, jest to prawie za darmo i bardzo szybkie. Doświadczenie testowe: wzbija się. Możliwości logiczne dużych modeli w chmurze znacznie przewyższają lokalne małe modele. Homar stał się bardzo mądry, potrafi dokładnie wykonywać skomplikowane polecenia, pisać kod, analizować długie dokumenty. Cztery, podsumowanie i rekomendacje Jeśli masz również Mac Mini M4, nie próbuj używać go do intensywnego uczenia się lub inferencji dużych modeli, nie wyjdzie. (Ten również kupiłem wcześniej, aby zajmować się miningiem 😄) Najmądrzejszy sposób gry: Użyj Mac Mini M4 jako platformy startowej. Wykorzystaj jego niskie zużycie energii, aby pracować 24 godziny na dobę z platformą programową OpenClaw, a następnie podłącz API Google Gemini (wysoki koszt) lub GPT-4/Claude (wysoka wydajność). W ten sposób uzyskujesz kontrolę nad prywatnością danych (program na lokalnym komputerze) oraz najwyższy poziom inteligencji AI (mózg w chmurze), to najpraktyczniejsza forma agentów AI dzisiaj. Nie wiem, czy to zrozumiałeś, to artykuł wprowadzający, nie jest techniczny, w tym roku planuję zakończyć z homarem, czekaj na mój krok po kroku przewodnik.#OPENCLAW #MACMINI #DeepSeek #Gemini #大漠茶馆

Dzisiaj na Mac Mini M4 uruchomiłem „Langustę” (OpenClaw AI Agent). Po przetestowaniu, nie zaleca się używania M4 do lokalnych małych modeli (wnioskowanie logiczne łatwo się myli), na przykład niektóre modele 7B, 8B; najpraktyczniejsza architektura to: lokalny Mac uruchamiający ramy Agenta (pełniący rolę rąk i nóg) + korzystanie z chmurowego API Gemini 3 Flash (pełniącego rolę mózgu).
Zapisz dokładny proces wdrażania i punkty ostrzegawcze do odniesienia:
1. Uzupełnij podstawowe środowisko

git i docker są już gotowe, brakuje tylko node'a
Mac ma wbudowanego Gita, ale brakuje środowiska Node.js. Bezpośrednio pobrałem ze strony internetowej pakiet instalacyjny .pkg wersji v24.13.1 (LTS) i zainstalowałem go domyślnie, automatycznie konfigurowując środowisko Node i npm.