AI 快讯DeepSeek旧将押注本地Agent
行业快讯

DeepSeek旧将押注本地Agent

2026-11-21T11:03:12.072Z
DeepSeek旧将押注本地Agent

前DeepSeek研究员张博开源个人Agent Linger,试图把长期记忆、电脑操作与大模型推理全部搬回用户PC。它最值得关注的不是又一个Agent界面,而是本地模型、运行时与个人工作空间的一体化设计。

DeepSeek早期成员创业项目曝光,本地Agent成为新战场

前DeepSeek研究员张博(Tony Zhang)近日正式公开创业项目 Linger,这是一款面向个人电脑部署的开源Personal Agent,核心卖点是让Agent直接运行在用户自己的Mac、Windows或Linux设备上,而不是依赖一台持续在线的云端电脑。

Personal Agent是能够长期保存用户上下文、主动发现任务并操作外部工具的个人智能体。 它与普通聊天机器人最大的区别,不是回答更长,而是能记住你的工作关系、读取日历和邮件、操作已经登录的浏览器,并在你没有主动提问时发起提醒或执行任务。

Linger于11月集中发布桌面版本,官方GitHub在11月20日更新至 Desktop 0.1.6。截至11月21日,项目已获得约 3100个Star和290余个Fork,增长速度说明开发者对“Agent住在本地电脑里”这条路线有真实需求,而不只是对DeepSeek前员工创业故事的短期围观。

Linger在个人电脑中连接本地模型、邮箱、日历、浏览器与文件的产品架构示意图

张博此前参与DeepSeek LLM V1系列研发,并担任DeepSeek-VL项目负责人。在加入DeepSeek之前,他曾在微软亚洲研究院从事计算机视觉和生成模型研究,参与VQ-Diffusion、Rodin等项目。Linger背后的公司名为Simplex AI,这也是DeepSeek早期核心研发人员离开后,少数已经公开产品和代码的创业项目之一。

Linger不是聊天框,而是一层本地工作操作系统

Linger是一个把模型、记忆、Agent团队和电脑操作统一起来的本地工作空间。 用户可以创建多个Agent,把它们放进不同的Room中协作,也可以让系统内置的主动助手Another Me持续观察收件箱、日历和Slack等信息源。

Linger最有产品感的设计,是它没有要求用户重新把所有工作搬进一个AI应用。Agent可以操作电脑中已有的桌面软件,也可以在Mac和Windows上使用用户日常运行、已经完成登录的Chrome浏览器。

这条路线解决了Computer Use产品的一个现实摩擦:如果Agent运行在云端虚拟机中,用户往往需要重新登录邮箱、企业后台和各种SaaS服务,还要处理验证码、设备验证与账号风控;如果Agent直接使用本地浏览器,它面对的就是用户原本的数字工作环境。

Linger同时保留了人在回路中的接管能力。读取邮件、日历等操作可以自动进行,但发送邮件或修改外部应用数据等写入动作,需要用户在Room中确认。用户也可以在Agent操作浏览器或桌面应用时直接接管,而不是等待一次黑盒任务结束。

这意味着Linger更像一位坐在你电脑前的数字同事,而不是一个远程提交工单的机器人。它能看到屏幕、调用命令行、读取文件,也能把长任务交给后台Agent继续执行,同时让前台对话保持可用。

125B模型塞进12GB显卡,关键是PolyStrata

PolyStrata是Linger面向消费级显卡设计的本地大模型推理引擎。 它的核心思路是把混合专家模型中频繁使用的专家模块留在GPU显存,把其他专家放进系统内存或SSD,在需要时再调入,从而降低大模型对显存容量的硬性要求。

官方给出的代表性案例是:总参数规模达到 125B 的Qwen3.8-Flash-Next,可以在一张 12GB显存的RTX 3060 上运行。在特定测试配置中,生成速度达到 45.5 tokens/s;不过完整运行这类模型仍需要较大的系统内存,官方介绍中的典型配置包含 64GB RAM。

这项数据很亮眼,但不能简单理解成“3060获得了数据中心级模型体验”。官方更详细的硬件分档测试显示,12GB NVIDIA显卡搭配32GB内存运行对应量化版本时,短上下文生成速度约为 21.3 tokens/s,处理约6.2万Token上下文后约为 34.1 tokens/s,而首次输出可能要等待约 3分钟。

换句话说,PolyStrata解决的是“能不能跑”的问题,并显著提高持续生成阶段的吞吐量,但模型加载、长上下文预填充、内存带宽和SSD性能仍然会直接影响交互体验。它更适合后台整理、研究、编码和长期任务,而不是所有场景都能做到云端小模型那样点击即回。

官方公布的部分本地模型生成速度如下:

| 本地模型 | RTX 4070 Laptop 8GB | RTX 3060 12GB | RTX 5090 32GB | |---|---:|---:|---:| | Qwen3.8-Flash-Next | 38.1 tok/s | 45.5 tok/s | 179 tok/s | | LFM2.5-24B-A2B | 70—73 tok/s | 97.8 tok/s | 480—485 tok/s | | Flint 40B-A2.5B | 61—63 tok/s | 65.5 tok/s | 251—252 tok/s | | Qwen3.6-35B-A3B | 94—100 tok/s | 91.8 tok/s | 394—395 tok/s | | Gemma 4 26B-A4B | 92—93 tok/s | 78.0 tok/s | 353—356 tok/s |

这些结果来自项目方测试,部分8GB或12GB档位是在更大显卡上限制可用显存模拟得出,真实设备还会受到PCIe带宽、系统内存频率、后台进程和散热条件影响。因此,这组数字适合判断技术路线是否可行,不适合直接当作所有电脑都能复现的性能承诺。

Model Autopilot试图消灭本地部署的配置地狱

Model Autopilot是Linger根据硬件自动选择、安装并验证本地模型的机制。 安装程序会检测GPU型号、显存、系统内存与带宽,筛掉无法保留至少64K上下文的组合,再按照模型能力和生成速度选择推荐方案。

Simplex AI称,其内部搜索覆盖 49个语言模型、2种推理引擎、1-bit到8-bit量化格式,以及64K到256K上下文配置。模型只有在安装后成功回答真实问题,才会被标记为可用,而不是下载完成就算部署成功。

这项能力比跑分本身更重要。本地AI过去的问题从来不只是模型不够强,而是用户需要理解GGUF、量化等级、显存卸载、上下文缓存、CUDA版本和模型模板。一个Agent如果要求普通用户先成为推理工程师,它就很难真正成为个人计算平台。

Linger目前支持macOS 14以上的Apple Silicon设备、Windows x64和Linux x64,Intel Mac需要通过Docker Compose部署。最新0.1.6版本还增加了简体中文界面、内置网页搜索、Outlook Calendar连接器,以及Windows版本的PolyStrata支持。

长期记忆不靠训练,而靠每天重写规则

Linger的长期记忆是把邮件、聊天、会议和用户偏好整理为本地Wiki,供所有Agent检索。 Another Me会回顾历史收件箱,并在夜间把新的沟通内容、人物关系和项目决策整理成Wiki页面,从而避免每个Agent都从零认识用户。

Linger还设计了一套名为Dreaming的夜间反思机制。Another Me会分析用户如何回应主动消息,并把反馈压缩成一组短规则;如果用户连续两次拒绝某类提醒,系统会降低同类提醒的优先级,如果用户要求某类事项更早通知,下一轮规则会记录新的时间偏好。

这种“递归自我改进”并不等于模型重新训练。它更接近Agent每天复盘自己的工作日志,再更新一份行为准则,因此成本更低、变化更可解释,也更容易被用户纠正。

这套设计的难点不在于把邮件写进向量数据库,而在于判断什么值得记、什么应该忘,以及什么时候主动打扰用户。Personal Agent一旦过于积极,就会变成另一个通知轰炸器;如果过于保守,又只是一个带搜索功能的聊天机器人。Linger选择通过长期反馈逐步调整提醒规则,方向是对的,但实际效果仍需要更长时间的真实用户验证。

与OpenClaw和云端Personal Agent相比,Linger更靠近电脑

Linger与OpenClaw的差异,是前者把本地电脑视为主要工作界面,后者更强调消息渠道与Agent之间的网关。 OpenClaw可以连接WhatsApp、Telegram、Slack、Signal、Discord等大量消息平台,适合从任何设备远程呼叫Agent;Linger则更重视桌面应用、浏览器、会议、文档和本地模型之间的协作。

| 产品路线 | Linger | OpenClaw | 云端Personal Agent | |---|---|---|---| | 核心入口 | PC工作空间、Room和桌面应用 | WhatsApp、Slack等消息渠道 | 官方App或云端电脑 | | 执行位置 | 用户电脑,可连接多台本地设备 | 自托管网关及其执行环境 | 服务商数据中心 | | 模型选择 | 本地模型、Codex、Claude Code、Pi及兼容端点 | 取决于配置的Agent运行时 | 通常绑定平台模型 | | 长期记忆 | 本地Wiki与夜间整理 | 本地会话和可配置记忆 | 平台托管记忆 | | 主要优势 | 深度操作本机环境,本地模型优化完整 | 多渠道成熟,远程触达方便 | 开箱即用,无硬件维护 | | 主要代价 | 占用本地算力,权限风险更集中 | 配置复杂,能力依赖运行时 | 数据边界与平台锁定更明显 |

Linger真正有价值的地方,是它没有把本地部署理解成“把云端聊天框复制到localhost”。它同时处理模型选择、资源调度、主动提醒、共享记忆、Agent团队和电脑操作,试图构建一个完整的本地Agent产品,而不是只交付一个推理服务。

本地不等于安全,Agent拿到的是用户级权限

本地部署只能减少数据离开设备的范围,不能自动消除Agent误操作和提示注入风险。 Linger官方安全文档明确说明,Agent会以用户授予的运行时权限访问文件、已登录应用和Shell,权限审查机制只能降低错误概率,并不构成安全沙箱。

这意味着一封恶意邮件、一个包含隐藏指令的网页,或者模型对任务的错误理解,都可能影响后续操作。虽然外部应用的写入动作需要确认,但Agent读取到的文件、文档和账户信息仍可能非常敏感。

用户还需要注意,本地模型与本地数据并不是同一个概念。如果选择本地推理,模型输入可以不离开设备;如果切换到外部模型服务,相关上下文仍可能发送给对应提供商;如果连接第三方邮箱、搜索或语音服务,数据处理范围也会随连接器发生变化。

Linger目前仍处于非常早期的0.1.x阶段。最新版已经明确列出Windows安装包尚未完成代码签名、macOS应用尚未公证、退出托盘后部分服务可能继续在后台运行等问题。对普通用户而言,它还不是一个安装后可以完全不管的消费级产品。

它是开源项目,但不是毫无限制的Apache 2.0

Linger采用修改版Apache 2.0协议,而不是完全标准的宽松开源许可证。 企业可以把Linger用于内部工作,也可以作为自有应用的后端,但未经Simplex AI书面授权,不得使用其源代码向组织外部用户提供托管或代运维服务。

协议还要求使用Linger前端时不能删除或修改Logo与版权信息。对于个人开发者和企业内部部署,这些限制通常影响不大;对于希望基于Linger推出商业SaaS、白标产品或托管服务的团队,则必须提前评估授权边界。

因此,更准确的描述是:Linger开放了完整代码,并允许个人与企业内部商业使用,但Simplex AI保留托管服务和品牌展示相关的商业权利。这也是当前Agent创业公司常见的商业化选择——用源代码建立生态和信任,再把云服务授权留作收入入口。

OpenAI Hub观点:Linger押中了Personal Agent的关键矛盾

Personal Agent当前最大的矛盾,是能力越强,所需权限越高,而用户越难放心把全部数字生活交给云端。 Linger选择让模型、记忆和执行环境尽量留在个人电脑中,本质上是在用本地所有权交换硬件成本与部署复杂度。

这条路线短期不会取代云端Agent。云端产品在持续在线、跨设备访问、模型性能和零运维方面仍然占优,而本地方案必须面对显存不足、模型下载、驱动兼容和电脑关机等现实问题。

但本地Agent很可能成为开发者、研究人员、律师、咨询顾问和小型团队的重要选择。这些用户拥有大量敏感文件,工作流程又高度依赖浏览器、命令行和本地应用,他们愿意用一台性能较好的电脑,换取更低的长期推理成本和更清晰的数据控制权。

Linger现在最值得观察的指标,不是能否在一张RTX 3060上勉强启动125B模型,而是三件更实际的事:Another Me能否在数周使用后真正理解用户、权限确认能否在安全与效率间取得平衡,以及PolyStrata在真实消费级硬件上的长时间稳定性。

如果这三件事成立,Linger可能不只是DeepSeek旧将的创业首秀,而是本地Personal Agent从开发者玩具走向日常工具的一次重要尝试。

参考来源

相关推荐

查看全部