Jiao hongbao's Trash

上一篇居然是4月初，已经有二十多天没写部落格了（大嘘） 这几天用AI用的很爽了，感觉AI进化太快了。那么我们也不能原地不长进，要多用AI，跟紧时代的步伐防止很快被时代淘汰。只用claude-code或者是codex还是不够的，这次我们尝试加入skill，尽量实现一个完全自动化的流程。 不过要小心数据可别泄露了 openclaw with API之前用的本地模型笨笨的，而且还吃本地内存显存，导致跑不了什么大程序，在本地内存吃力的情况下显然不是一个好选择，我们这次切换成API接入外部模型。 首先重新配置一下openclaw，运行openclaw onboard，这次在config handling选择use existing values来稍微节省一点时间。 这次主要的改变是在模型选择的时候选择（已经买过API的）非本地模型，比如我这里选择Anthropic，在Anthropic auth method下选择Anthropic API...

欢迎回来。现在是2026年4月1日。 还是先来谈一下近况，首先是毕设。 毕业设计毕业设计的内容是，设计一个数字存算一体阵列架构，并且进行FPGA设计验证。 我首先来说几句官话： 当前，以YOLO、SSD为代表的深度学习目标检测算法在不断提升检测精度的同时，也面临着计算密集与内存访问瓶颈的严峻挑战。在传统冯·诺依曼架构中，处理器与存储器分离，数据在两者之间频繁搬运，导致巨大的功耗开销与延迟，严重制约了系统算力与能效比的提升。这一问题在边缘计算场景中尤为突出——由于对功耗和实时性要求极为苛刻，传统架构已难以满足实际需求。存算一体（Computing-in-Memory, CIM）技术通过将计算功能嵌入存储器内部，直接利用存储单元完成运算，从根本上消除了数据搬运开销，被视为突破“内存墙”瓶颈的革命性路径。 在当前背景之下，设计存算阵列的意义在于，通过在存储单元中原位实现卷积的乘加运算，降低因为数据搬运产生的动态功耗，为低功耗边缘智能设备提供高性能的计算核心。 在3月17日的时候我创建了一个github...

然后就是最近比较火的openclaw，当然也要尝试一手。 install首先安装必要的依赖：npm install -g node-addon-api node-gyp 安装openclaw的方法有三种，首先是arch用户可以通过yay -S openclaw-git通过AUR下载，但是AUR带有git后缀的一般是源码编译，一般来说会比较慢。 不过openclaw本质上是nodejs应用，所以其实应该只是npm安装。 第二种就是直接通过npm/pnpm安装，npm install -g openclaw@latest需要调整nodejs版本为22.16+. 第三种是，ollama现在官方支持使用openclaw，只要ollama launch openclaw就可以完成安装和使用。 考虑到openclaw本身也需要烧token，还是选择使用ollama local model + openclaw. 其实都需要nodejs...

也是来尝试使用先进的AI工具了。这次尝试使用一手codex和claude-code. codex我们先来尝试codex. install首先是通过nvm管理需要的npm(nodejs)环境，因为我这里有同时使用很多不同版本nodejs的需求。 先下载nvm: 1curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.1/install.sh | bash 然后在.zshrc中添加路径（如果没有自动添加的话）： 1234export NVM_DIR="$HOME/.nvm"[ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh" # This loads nvm[ -s "$NVM_DIR/bash_completion" ] && \. "$NVM_DIR/bash_completion" # This loads nvm...

github上面有一个叫gamebub的项目，作者通过chisel(scala)写成，可以在Xilinx XC7A100T FPGA上运行一个支持gameboy/GBC/GBA的复古游戏掌机系统，感觉是非常有意思也很锻炼能力的一个项目。这里决定通过写systemverilog，在Xilinx Zynq7020/kria KV260上完成这个gameboy的复现。 当然也有可能写不下去跳车学chisel.

这里是我的不定期code能力复健中心，会不定期从各种网站上获取好玩的小玩意进行coding来维持本来也不是很强的code能力。 这个页面主要是项目驱动而不是知识学习和整理。 目前的参考页面有： build your own x C/C++LLM inference engine KV cache memory pool(develop in future) pythonGPU utilization monitor(develop in future) torchmy project like GameNGen : nerual network replace the game engine(develop in future) verilog/systemverilogLLM inference accelerate MAC(develop in future) UVM design verificationverify a LLM RTL design(develop in future) FPGA projectgameboy on...

...

...

想想一下自己很久没有接触model, CNN, AI agent这些内容，但是最近自己突然由于各种原因需要重新接触这些内容，然后写出（或者是让AI写出）一个可以满足特定小需求的代码。 那当然是简洁，快速，不追求性能好不好，有个结果就可以，很符合我们今天的主题。 假如你现在处在这样的场景中，要做些什么才对呢？ environment首先是确认自己的环境还能跑起来。 所幸第一步是非常简单的，我们有很多方法来配置当前所需要的环境，常见的环境管理方式有实际路径（当然是最不推荐的），python venv, conda, rye/uv. 后三个由于是虚拟环境，可以实现项目环境的隔离，不容易把环境整坏，而且也都可以通过requirement.txt/pyproject.toml实现环境的快速迁移和恢复，算是比较推荐的方式。我个人目前比较喜欢用rye来进行python环境的管理，这一部分内容在之前有写过，这里就不再说了，我这里都以rye作为默认python管理工具。 我们可以打开一个jupyter notebook，输入以下内容： 12345import...