刚刚,DeepSeek V1 作者创业项目曝光:开源 Agent

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。
这是一段官方发布的演示视频(原视频见文末原文链接)。
X 帖子视频(演示 Linger 操作本机网页与邮件)
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(演示用户中途接管操作)
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。
[!abstract] 一句话概括
Linger 的野心不在「又一个 Agent 产品」,而在把上下文、数据和推理能力从云端搬回你自己的电脑。支撑这个野心的是两件事:一是 PolyStrata 让 12GB 显卡跑得动 125B 模型,二是「Another Me」把邮箱、日历、聊天记录整理成本地知识库。前者解决「算力在谁手里」,后者解决「数据在谁手里」——两条都做成,才有资格谈「个人 Agent」。
| 关键指标 | 数字 |
|---|---|
| 记忆准确率(LoCoMo 基准) | 95%,超过 Mem0、MemOS 等系统 |
| 消费级显卡跑 125B 模型 | RTX 3060(12GB)+ 64GB 内存 → 45.5 tokens/秒 |
| 高端卡对比 | RTX 5090(32GB)→ 179 tokens/秒 |
| 模型自动驾驶可选模型数 | 49 个语言模型 × 2 种推理引擎 × 多种量化 × 不同上下文长度 |
| 开源情况 | 系统整体开源 |
为什么开源
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:
[!quote] Tony Zhang 官宣帖原文
1960 年代,计算是中心化的,直到 PC 将权力交到每个人手中。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 的核心,是名为「Another Me」的 Agent 系统。
它首先是一个记忆中枢。
Another Me:本地记忆中枢
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。
主动提醒:按重要性 × 紧急性
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。

隐式强化:从反馈里长出规则
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,它还能做三件事
1. 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。
2. 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(演示多 Agent 协作完成复杂任务)
3. 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。
为什么不基于 DeepSeek Harness
也有网友对这一产品定位不太理解:
[!question] 网友提问
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:
[!quote] Tony Zhang 的回应
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。
原理:按热度分层存放专家
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,在一台配备 12GB RTX 3060 和 64GB 内存的电脑上,可以实现 45.5 tokens/秒的生成速度。
在更强的 RTX 5090(32GB)上,速度则飙升至 179 tokens/秒。
模型自动驾驶:按硬件自动配最优组合
为了让用户更方便地用上本地大模型,Linger 还做了一个「模型自动驾驶(Model Autopilot)」功能。
它会自动检测你的硬件配置(GPU、显存、内存),然后从 49 个语言模型、两种推理引擎、多种量化方案和不同上下文长度的组合中,为你推荐并安装性能最强的模型。

根据 SimplexAI 的评分体系,不同配置的本地设备可以获得媲美主流云端大模型的能力:
| 硬件配置 | SimplexAI 得分 | 大致对标 |
|---|---|---|
| 8GB 显卡 + 32GB 内存 | 35.4 | Gemini 2.5 Pro |
| Mac 24GB 统一内存 | 51.9 | Claude Opus 4.5 |
| 12GB 显卡 + 32GB 内存 | 57.3 | Claude Opus 4.6 |
这意味着,你的游戏本或 MacBook,将拥有一个真正强大的、7×24 小时待命、没有 token 费用、并且数据完全不出本地的 AI 大脑。
[!note] 关于这张对标表
上表的「大致对标」是按 SimplexAI 自建评分体系的分数换算,不是官方与 Anthropic / Google 逐项对测的结果。分数接近只说明在它这套评测口径下水平相当,具体任务上的表现仍会有差异。
团队:DeepSeek 系 + 18 岁主力
Linger 背后,是一支有着深厚技术背景的团队,其创始人 Tony Zhang 的履历尤为亮眼。
(毕竟是 DeepSeek 系嘛…)

Tony Zhang 本科毕业于浙江大学,2019 年在香港科技大学取得博士学位,随后加入微软亚洲研究院(MSRA),长期从事计算机视觉和生成模型研究,是 VQ-Diffusion、Rodin 3D 数字人等多个知名项目的作者。
2023 年,他加入 DeepSeek,担任 AI 科学家。
在这里,他不仅参与了早期语言模型 DeepSeek LLM V1 系列的研发,更是视觉语言大模型 DeepSeek-VL 的项目负责人(Project Lead)。这款模型在真实世界场景下的图像、文档、图表理解能力备受好评。
离开 DeepSeek 后,Tony Zhang 进入浙江大学任教,担任百人计划研究员、博士生导师,并创立了 Simplex AI。
Linger 就是 Simplex AI 的最新作品。

而作为 Linger 技术核心,那个专为本地部署而生的推理引擎?
据 Tony Zhang 透露,由团队里一位 18 岁的天才少年构建。
18 岁?高中刚毕业?