刚刚,DeepSeek V1 作者创业项目曝光:开源 Agent

文章头图:前 DeepSeek V1 作者 Tony Zhang 的开源 Personal Agent 项目 Linger

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。

Linger 开源公告与项目说明

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。

LoCoMo 基准测试结果:Linger 记忆准确率 95%,领先 Mem0、MemOS

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。

主动提醒示例:普通截止日延后提醒,会议变更立即通知

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」。

隐式强化:两次相同反馈后自动生成「供应商发票 → 立即提醒」规则

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。

Tony Zhang 在 X 上回复网友关于「为何不基于 DeepSeek Harness」的疑问

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。

PolyStrata 分层存储示意:高频专家在 GPU 显存,中频在内存,低频在 SSD

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。

Model Autopilot 界面:检测硬件后自动推荐并安装最优模型组合

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 履历:浙大本科、港科大博士、MSRA、DeepSeek AI 科学家、浙大任教

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。

Simplex AI 团队与 Linger 项目介绍

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?