精华速览

前DeepSeek研究员、Simplex AI创始人张博于11月19日晚开源个人Agent项目Linger,主张让Agent脱离云端数据中心,直接运行在用户电脑上,发布后GitHub星标数已突破2k。Linger的核心亮点是主动式助手Another Me,可持续关注用户收件箱、日历和Slack并主动提醒待办事项,每日复盘后调整行动规则;同时支持多Agent协作、操作本机文件与桌面应用,并可接入Claude Code、Codex等工具及本地模型。配套开源的本地推理引擎PolyStrata宣称可在64GB内存、12GB显存配置下运行125B参数模型,RTX 3060上推理速度达45.4 Token/s。在LoCoMo长期对话记忆基准测试中,Linger准确率达95%,超过Mem0、MemOS等系统。

要点透视

  • 张博于11月19日晚在X平台宣布开源Linger,项目发布后GitHub星标数迅速突破2k,开源地址为github.com/simplexai-labs/linger。
  • Linger内置主动式助手Another Me,能持续监控用户收件箱、日历和Slack,发现待处理事项时主动提醒,并在每天结束后复盘当天主动消息、依据用户反馈调整后续行动规则。
  • Linger支持多个Agent协作,可操作本机文件、浏览器和桌面应用,并接入Claude Code、Codex、Pi等工具,不绑定单一Harness,用户也可选择本地模型运行。
  • 在LoCoMo长期对话记忆基准测试中,Linger准确率达到95%,超过Mem0、MemOS等多个记忆增强型AI系统。
  • 同步开源的本地推理引擎PolyStrata宣称:搭配64GB内存、部分配置为12GB显存的电脑可运行125B参数的Qwen3.8-Flash-Next模型;在RTX 3060 12GB显卡上推理速度达45.4 Token/s。
  • 张博表示,基于PolyStrata框架将MoE模型的热专家放入显存、冷专家放入内存,速度可达80 Token/s。
  • 张博2013年本科毕业于浙江大学光电信息工程专业,2019年获香港科技大学电子与计算机工程博士学位,曾任微软亚洲研究院视觉计算组高级研究员,2023年加入DeepSeek任AI科学家并负责多模态模型DeepSeek-VL项目,后加入浙江大学任教并创办Simplex AI。
  • 张博回应网友对比时称,OpenClaw更侧重接入常用聊天软件及Bot和群组协作,Linger则更关注用户与Agent的协作及对本地电脑环境的操作;与DeepSeek DS-Bot相比,Linger不绑定单一Harness,重点是模型与Harness共同优化。

文章拆解

Linger的推出切中了当前Agent运行模式的一个结构性矛盾:主流Agent依赖云端模型和API调用,用户按Token付费,个人数据与上下文留在服务商一侧。张博以个人电脑取代大型计算中心的历史类比,试图把“数据主权”和“智能所有权”交回用户手中。这一叙事能否成立,取决于本地推理能否在消费级硬件上达到可用水平,而PolyStrata正是为此配套的技术答案。

从产品设计看,Another Me的主动式机制是Linger区别于多数指令型Agent的关键。它把Agent从“被动响应工具”推向“持续在场的助理”,通过收件箱、日历和Slack等高频工作场景建立存在感,并以每日复盘形成反馈闭环。这种模式提升了实用性,但也意味着Agent需要长期读取用户的通信与日程数据,本地运行在隐私上是加分项,权限边界与误提醒的干扰成本仍需观察。

技术层面,95%的LoCoMo准确率说明Linger在长期对话记忆上具备竞争力,但该基准与真实多任务、长周期场景之间仍有距离。PolyStrata公布的45.4 Token/s和80 Token/s数据来自特定硬件配置与模型组合,实际体验会受内存带宽、模型量化和任务复杂度影响,大规模普及后的稳定性尚待确认。

行业影响上,Linger与OpenClaw、DS-Bot的差异化定位显示个人Agent赛道正在分层:一类做聊天入口与群组协作,一类做Harness插件,Linger则押注本地环境操作与模型-Harness协同优化。端侧Agent的瓶颈依然明确——设备算力和内存限制了可运行模型的规模,响应速度与任务执行能力难以同时保证。Linger能否从开源热度转化为持续的用户留存,取决于本地模型生态的成熟度以及主动式助手在真实工作流中的准确率,这些变量尚待时间验证。

查看原文