Wex_S / ARTICLE DETAIL

刚刚,DeepSeek V1作者创业项目曝光:开源Agent

{简介}

发布时间 2026-11-21
内容来源 乐鱼(LEYU)官网 - 赛场之外,也有故事
阅读方式 深度阅读
刚刚,DeepSeek V1作者创业项目曝光:开源Agent

乐鱼官网关注到以下体育动态:

聚是一团火,散是满天星。

刚刚,前DeepSeek V1作者、DeepSeek-VL项目负责人 Tony Zhang ,正式公布了自己的新创业项目: Linger 。

方向,正是当下最火的个人 Personal Agent 。

X 帖子视频.

mp4 路线也是比较有意思,当同行都在做APP,他们优先选择了电脑。

这意味着,Linger能操纵你电脑已有的网页、邮件箱、日历,无需折腾一大堆登录凭据。

遇到卡住的地方,你也可以直接上手接管。

X 评论视频.

mp4 另外一个点,作为中间层的Linger,支持接入各个第三方模型。

并且专门为本地LLM做了优化。

具体来说,一块12GB显存的RTX 3060显卡,就能跑起一个125B参数的 Qwen3.

8-Flash-Next ,并且 是45.

5 tokens/秒的生成速度。

对了,还有个蛮重要的点—— 这套系统是开源的。

。

。

至于为什么?

在官宣帖中,Tony Zhang引用了PC崛起的历史: 1960年代,计算是中心化的,直到PC将权力交到每个人手中。

about image

如今,AI在数据中心训练,然后以token的形式租给你。

我们相信智能应该是分布式的。

你的上下文、你的数据,以及驱动它们的智能,都应该完全由你拥有。

所以今天,他们开源了Linger,一个生活在你个人电脑上的专属Agent。

也是延续大肥鲸优良传统了。

一个「会主动,能自学」的AI Linger的的核心,是名为「Another Me」的Agent系统。

它首先是一个记忆中枢。

Linger会在本地读取你的收件箱、日历、聊天记录和会议,每晚自动将这些信息整理成个人知识库(Wiki),供所有Agent查询。

在衡量长期对话记忆能力的LoCoMo基准测试中, Linger的准确率达到了95% ,超过了Mem0、MemOS等多个记忆增强型AI系统。

有了这些,Linger便能更好地主动工作。

它会默默观察你的信息流,根据事件的重要性和紧急性决定何时提醒你。

周一收到客户邮件,要求周五前给报价,它不会立刻打扰,而是等到周三早上再弹出提醒。

但如果是会议时间变更,它会立即通知。

这个Agent还会从你的反馈中自我学习,Linger称之为「隐式强化」。

比如,当它提醒你一张发票快到期了,你回复说「上周就收到了,应该当时就告诉我」。

系统会记下一个线索。

如果下一次另一张发票出现类似情况,你再次表达了相同的偏好,系统就会自动生成一条规则: 「供应商发票→立即提醒」 。

反之,如果你连续两次对「快递提醒」表现出不感兴趣(比如直接忽略或回复「不用告诉我」),它也会学会以后保持沉默。

你也可以直接下指令,一次性教会它。

比如告诉它:「客户的回复,要立刻通知我」,或者「晚上9点后,会议变更这种事不用马上说」。

这种持续的交互和学习,让Agent越来越懂你的工作习惯,成为一个真正个性化的助理。

除此之外,Linger还能: 操作桌面和浏览器 就是开头说的,Linger能直接使用你电脑上已经登录的Chrome、各种App,无需重新配置。

组建Agent团队 这点就是DeepSeek之前解释过的Super Agent原理了。

你下达一个复杂任务时,Another Me会调用或创建不同职能的Agent,协同完成工作。

而你,只用停留在和Linger的这一个Session。

X 评论视频.

mp4 语音交互 这点主要就是服务于办公场景了。

Linger能实时转录会议,会后直接向Agent提问会议内容,并让它跟进待办事项。

总而言之呢,就是一个专为办公场景优化的Personal Agent。

不过,也有网友对这一产品定位不太理解: 为什么不基于DeepSeek harness开发跟ds-bot有何区别呢 对此,Tony Zhang回应道: Linger的重点是把模型和harness一起优化:12GB显卡就能本地跑125B模型,不按token付费,数据也不出本机。

从产品定位上看:DS-Bot的核心是Bot与Bot、Bot与群组的协作;

Linger的核心是人与自己的Agent、Agent与本地环境。

12GB显卡,跑125B模型 让消费级硬件运行千亿大模型,Linger的核心技术是一个名为 PolyStrata 的MoE推理引擎。

它的原理可以理解为一种智能分层存储机制。

对于一个庞大的MoE(专家混合)模型,PolyStrata会把最常用、最活跃的「专家模块」放在最快的GPU显存里,将不那么常用的放在内存中,而使用频率最低的则放在SSD固态硬盘上。

当模型需要调用某个专家时,系统会动态地在GPU、内存和SSD之间移动数据。

这样一来,就不需要把整个几十上百GB的模型全部塞进有限的显存里。

效果立竿见影。

根据官方数据, 一个125B参数的Qwen3.

8-Flash-Next模型,在一台

更多体坛动态,关注乐鱼官网。

感谢阅读本文

如需了解更多内容,欢迎返回资讯列表,或通过联系方式向我们提交建议。

02 / KEEP IN TOUCH

对本文内容有疑问?

如果您希望进一步了解相关服务,或对文章内容有任何建议,欢迎与我们取得联系。