重磅!前DeepSeek核心成员创业项目开源!
原创 Datawhale 2026-11-21 23:44 浙江

Datawhale干货
团队:张博,DeepSeek-VL 项目负责人
Datawhale干货
团队:张博,DeepSeek-VL 项目负责人
和罗福莉一批的最早 DeepSeek 骨干里,终于有人自己出来创业了。

前天,前 DeepSeek 初代模型核心成员、DeepSeek-VL 项目负责人 Tony Zhang(张博)带着新公司 Simplex AI 亮相,开源了一款跑在个人电脑上的 Personal Agent:Linger。

下半年「个人 AI 助理」赛道很火,xAI 有 Grok Bot,Meta 有 Muse,Manus 有 Cue,但大厂们的路子都是把助手放进云端。
Linger 反着来:直接把 Agent 装进你自己的电脑。
就像张博在发布帖里说的那样:
“上世纪 60 年代,算力高度集中,直到个人电脑(PC)把掌控权交到每个人手里;如今的 AI 在数据中心里训练,再按 Token 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,本就应该完全归你所有。”
上周二项目刚发布,我们就直接把张博请到了现场,带来了 Linger 的首次公开分享。
现场聊下来发现,张博团队把个人助理搬回本地电脑,里头藏了不少巧思。
就拿最日常的开会场景,我们来具体看看这个开源项目 Linger。
项目地址:https://github.com/simplexai-labs/linger
思考一:安全可控的本地运行
1. 模型和记忆全在本地
要让 Agent 理解那封客户邮件,首先需要让它读取邮件内容。但邮件里可能包含报价、联系人、合同进度和其他不希望随意分享的信息。
个人 Agent 接触的不止一条消息。随着它连接邮箱、日历和文件,它可能逐渐掌握一个人的工作习惯、日程安排,甚至长期积累的私人资料。因此,在设计这样的助手时,需要考虑:这些信息存在哪里,又会被发送到哪里处理?
Linger 的选择是提供本地运行方案。选择本地模型时,模型在用户电脑上运行,Wiki、记忆、会话和文件等也保存在本机。这样,处理相关信息时就可以减少对远程模型服务的依赖,让用户对数据流向有更多控制。
2. 工程优化,解决本地Agent不聪明
回到客户邮件:Agent 想读懂它,需要借助 AI 模型处理文字。模型根据输入给出回答或作出判断的过程,通常被称为「推理」。
但很多人迟迟没有用上本地 Agent,恰恰是因为电脑性能有限,跑不动更聪明的大模型。怎样让有限的硬件带动更大的模型,是张博团队着力解决的问题之一。
为此,Linger 同步打造了推理引擎 PolyStrata。它基于社区开源项目 Strata 发展而来,在原有引擎的基础上做了多项工程优化:既将支持范围扩展到 Qwen、DeepSeek、GLM、Gemma 等更多开源模型,也针对配备 8GB 显存的显卡和 16GB 内存的 MacBook 等设备进行了适配与优化。
其中一种思路,是利用「混合专家模型」的特点。这类模型内部有多个负责不同计算的「专家」,处理每一步时,只需调用其中一部分。PolyStrata 会根据设备条件和模型特点,把常用的部分放在读取速度更快的位置,其余部分则放在系统内存或硬盘中,按需调用,减少对显存的占用。
例如,在 Linger 公开演示的 NVIDIA 显卡方案中,一部分常用模块放在显存里,由 GPU 参与计算;其余部分留在系统内存中,由 CPU 分担计算任务。不同设备采用的分配策略有所不同,实际运行速度也取决于硬件、模型和具体配置。

Linger 还会根据设备资源选择模型和运行配置,让每台电脑上发挥它的最优智能!
模型有了运行的位置,下一步的问题是:当客户回信时,Agent 怎么知道这封邮件对应的是哪个项目?
思考二:越用越聪明的长期记忆
1. 翻旧邮件补齐上下文
客户在邮件中写道:“我们希望把交付日期提前一周。”
只看这一句话,Agent 很难判断它的重要性。客户是谁?原定日期是什么时候?此前谈好的报价和交付范围是什么?这些信息可能分散在以前的邮件、会议记录和与 Agent 的对话中。
为了理解新消息,Agent 需要把它和相关背景联系起来。这里的背景信息,就是常说的“上下文”。
按照 Linger 的设计,用户连接邮箱后,Agent 可以回看一段时间内的邮件,整理出有关客户、联系人和项目的信息;之后,新的 Agent 对话也会定期用于更新这些内容。项目把这部分共享知识组织成个人 Wiki,可以把它理解为一本持续维护的个人工作手册。
2. 自动维护一份「个人工作手册」
在客户项目的例子中,Wiki 可以分别记录客户、联系人和项目,再把彼此相关的页面连接起来。
项目页面可以包含当前进展、讨论过的方向和待处理事项。例如,客户之前提出过哪些要求、报价讨论到了哪里、是否还有一份修改后的报价单需要发送,都可以被整理到相关页面中。
下图是一个 Wiki 示例:左侧展示项目与客户、联系人等信息的关联;右侧是项目页面,包含摘要、待办事项和变更记录。

Wiki 的内容发生变化时,系统会对提出的修改进行检查,并记录页面变更和信息来源。这样设计是为了让知识能够更新,也方便以后追溯。
3. Agent有独立记忆,来记录工作习惯
除了共享的 Wiki,Linger 还为每个 Agent 保留独立记忆。
例如,你可能在多次对话中告诉某个 Agent:整理客户沟通时先列出待确认事项,起草邮件时使用简洁语气。这个 Agent 可以从自己的对话中整理相关偏好和经验,供之后使用。
两层记忆的分工是:个人 Wiki 保存多个 Agent 可以查阅的工作背景;Agent 自己的记忆,则帮助它延续和用户协作时积累的经验。而且,后一部分不会自动共享给其他 Agent。
当你问“我们上次和这个客户约定了什么”时,Agent 可以先查 Wiki,了解项目的大致情况;如果需要确认具体内容,还可以搜索邮件、对话或文档等原始资料。对于交付日期、金额等可能变化的信息,它会进一步查找最新来源。
这样,Agent 面对客户的新邮件时,就有机会把“提前交付一周”与原来的项目背景放在一起理解。但信息能否正确整理和找回,仍需要在实际使用中验证。
思考三:会看时机的 Agent 主动性
1. 后台巡检邮箱和日程
现在,客户的新邮件已经到达。你还在开会,并没有主动问 Agent:“今天有什么新消息?”
Linger 将主动协助的任务交给一个名为 Another Me 的 Agent。它可以定期检查用户已连接的邮箱、日历和 Slack 等信息源,再结合现有规则和待跟进事项,判断是否需要采取行动。
2. 分轻重提醒,提前准备材料
发现一件事情之后,还需要决定怎么处理。客户要求提前交付,可能影响后续安排;一封普通通知邮件,则未必需要马上打断用户。
Linger 设计了几种选择:对于需要及时关注的事项,Agent 核实可能变化的信息后,发送简短提醒;对于暂时不需要打扰用户的事项,可以记录下来,之后再检查;如果没有值得处理的变化,也可以保持安静。
有些事情还可以提前准备。比如客户会议即将开始,Agent 可以根据相关邮件和笔记整理一份准备材料,并在提醒时附上。
3. 从对话反馈里学规则
假设 Agent 把客户回信留到了稍后,你看到后告诉它:“以后客户回复,直接提醒我。”
如果用户明确说出了针对哪一类事情的要求,系统可以把这句话整理成提醒规则;如果只是一次较含糊的反馈,则先把它当作线索,同类线索反复出现后再整理为规则。之后遇到类似事件时,Agent 会读取已形成的规则。
下图展示了两个例子:客户回复希望立即知道,深夜发生的会议变更则希望稍后再跟进。两种偏好对应不同的提醒方式。

为了减少打扰,Linger设计了提醒的时间和次数限制。在特定时段内,或当天提醒达到一定次数后,部分应用事件先记录下来,而不是立即提醒。具体行为仍以使用的项目版本和配置为准。
到这里,这样的一个例子串起了 Linger 的几个关键部分:本地模型提供处理信息的能力,Wiki 和记忆帮助 Agent 理解背景,主动机制则尝试判断什么时候应该提醒,以及怎样根据反馈调整。
Linger 的项目源码、使用说明和相关设计文档都可以在 GitHub 仓库中查看。如果想进一步了解实现,可以从 README 和各部分专题文档入手。

写在最后
一个能长期帮助用户的个人 Agent,需要面对的问题往往发生在对话框之外:信息分散在不同应用中,项目会持续变化,用户也不希望被每一条消息打扰。
Linger 给出的思路,是将本地运行、长期记忆和主动协助组合起来。对于开发者来说,它提供了一个可以研究的开源案例:怎样整理用户的上下文,怎样在新事件到来时取用这些信息,以及怎样让用户反馈影响后续行为。
从 DeepSeek 走出来创业,还坚持把整套方案开源、死磕本地体验,张博团队选的确实是一条难而正确的路。
感兴趣的朋友可以去 GitHub 跑起来试试,也一起给张博团队点赞~
开源地址:https://github.com/simplexai-labs/linger

一起“点赞”三连↓
本文转载自微信公众号「Datawhale」,查看原文。版权归原作者所有,如有侵权请联系删除。