Google Research 開源了一個很有意思的專案： Harness²（Harness Squared） 它想解決的問題不是： 「怎麼訓練出更強的 LLM？」 而是： 「不修改模型權重，能不能讓 AI Agent 自己變得更強？」 現在我們使用 Claude Code、Codex、OpenCode， 真正影響 Agent 表現的其實不只有模型。 還包括： System Prompt Guardrails Memory Tool Guidance Subagents Skills Scripts Plugins 這些組合起來，就是： Agent Harness。 而 Harness² 的核心概念是： Recursive Agent Harnessing。 讓 AI 不只是執行任務， 還能觀察自己的執行結果， 再反過來改善自己的 Harness。 整個流程大概是： Task ↓ Agent 執行 ↓ 分析執行過程 ↓ Propose Harness Changes ↓ Probe 不同版本 ↓ 比較執行行為 ↓ Compose 更好的 Harness ↓ 保留改善經驗 ↓ 下一個 Task 繼續優化 它設計了兩層遞迴機制。 第一層： Task-level Recursion 針對目前這個任務， 讓 Agent 自己提出不同的： Prompt Tool Guidance Skills Subagent Configuration 然後實際測試不同組合， 比較執行結果， 找出比較適合當前任務的 Harness。 第二層： Harnessing-level Recursion 不只是改善這一次任務。 還會把每次實驗得到的經驗， 保存到 Persistent Improvement Harness。 讓下一次遇到新任務時， 能利用過去累積的改善經驗。 更有意思的是： 整個過程不需要重新訓練模型。 Model Weights 保持不變。 改善的是： Agent 外圍的整套執行系統。 而且不一定需要 Ground-truth Feedback。 它可以透過不同執行版本之間的行為差異， 找出有證據支持的改善方向。 目前支援： OpenCode Executor Codex Executor 以及： Parallel Recursion Sequential Recursion Google Research 在三個專業任務 Benchmark 上測試， 官方報告最高改善： WorkBuddy-Bench：+11.5 分 JobBench：+4.5 分 LAB：Partial Pass Rate +11.8 個百分點 這些是特定模型與測試設定下的研究結果，不代表所有 Agent 都能獲得相同提升。 但我覺得這個研究真正值得注意的是： 以前大家想提升 Agent 能力， 第一個反應通常是： 換更強的模型。 GPT Claude Gemini GLM 但 Harness² 提出另一個方向： 模型不變， 透過持續改善： Context Tools Memory Skills Orchestration Execution Strategy 一樣有機會提升 Agent 的任務表現。 如果說： OpenSpec → 管規格 Open GSD → 管長時間執行 Hindsight → 管長期記憶 Overmind → 管執行追蹤與優化實驗 那 Harness² 想做的就是： 讓 Agent Harness 本身具備持續改善的能力。 AI Agent 下一階段可能不只是： Self-improving Model。 而是： Self-improving Agent Harness。 真正值得研究的問題， 可能不再只是： 「哪個模型最強？」 而是： 「同一個模型，搭配什麼 Harness，才能發揮更好的能力？」 GitHub： github.com/google-research/h…

超級大富翁的桌面配置

用古早的技術實現新的想像

生成速度快不代表生成準確，長時間運行生成出符合需求的成品才是這台機器的價值，顯存不夠大，運行vllm 也沒鳥用

本週 GitHub 星星暴衝的 10 個專案。 AI Agent、Rust、逆向工程、Coding Skills 還是在瘋狂成長。 以下是這週值得注意的： morluto/rea 本週 +166K Stars Reverse Engineer Anything。 讓 Claude Code、Codex 等 Agent 直接做逆向工程。 可以分析： Native Binary Electron .NET APK Firmware Website Runtime Behavior 甚至可以接 Ghidra、IDA、Hopper。 這週完全是斷層式第一名。 github.com/morluto/rea storytold/photocraft 本週 +15.8K Stars 一套完全用 Rust 從零打造的開源 Photo Editor。 不是 Web Wrapper， 而是真的重新做一套圖片編輯器。 github.com/storytold/photocr… storytold/artcraft 本週 +11.5K Stars 同一個團隊做的另一個專案。 定位是給： Artist Designer Filmmaker 使用的開源 Creative Engine。 最近「用 Rust 重做傳統桌面軟體」這條線非常熱。 github.com/storytold/artcraf… debpalash/VoiceStudio 本週 +10.3K Stars 可以理解成： Local-first 的開源 ElevenLabs 替代方案。 支援： Voice Cloning Voice Design Video Dubbing Transcription Audiobook 而且支援 646 種語言。 github.com/debpalash/VoiceSt… wheresryan22/anatomy 本週 +9.5K Stars 一個很有意思的 Claude Code Skill。 你給它一個技術概念， 它可以直接產生： 互動式 Isometric 工程拆解圖。 支援： SVG WebGL 3D 很適合： 技術文件 文章 Landing Page 架構解說。 github.com/wheresryan22/anat… Ebony-Vinyl/dsh-our-free-model 本週 +8.9K Stars 給 DeepSeek Harness 用的 Model Plugin。 主打： 不用 API Key 不用註冊 不用登入 直接使用多個 Frontier Model。 本質上是在把： Coding Agent 跟 Model Provider 進一步拆開。 github.com/Ebony-Vinyl/dsh-o… boykopovar/AnyPS5 本週 +8.6K Stars 這個很狂。 目標是自動把： PS5 Executable Port 到： Linux Windows 這週遊戲相容層／逆向工程類專案明顯也在升溫。 github.com/boykopovar/AnyPS5 storytold/wordcraft 本週 +7.3K Stars 又是 storytold。 這次直接挑戰： Microsoft Word。 WordCraft 是： Pure Rust Clean-room 重新實作的開源 Word Processor。 如果 PhotoCraft、ArtCraft、WordCraft 繼續做下去， 這個團隊有點像準備自己重做一套 Creative / Office Software Stack。 github.com/storytold/wordcra… mattpocock/skills 本週 +6.6K Stars Matt Pocock 自己實際使用的 Agent Skills。 定位很簡單： Skills for Real Engineers。 不是大量 Prompt Collection， 而是把真正工程開發會用到的方法， 直接變成 Agent Skills。 AI Coding 正在明顯從： Prompt Engineering 往： Skill Engineering 移動。 github.com/mattpocock/skills cathrynlavery/diagram-design 本週 +5.6K Stars 專門讓 Coding Agent 做「真的像設計師做的技術圖」。 支援： Claude Code Codex Cursor Copilot Pi 內建 44 種 Diagram 類型。 而且作者直接寫： No Mermaid slop 😂 它不是叫 AI 吐 Mermaid， 而是做： HTML + SVG 的 Editorial-quality Diagram。 github.com/cathrynlavery/dia… 這週看下來，我覺得有三個非常明顯的趨勢： 第一個： AI Coding 正在從「Agent」進入「Skills 生態」。 第二個： AI 開始碰以前很專業的工具領域： Reverse Engineering Voice Diagram Creative Software 第三個： Rust 又回來了。 而且不是拿來寫小工具， 而是在重新做： Photo Editor Creative Engine Word Processor 這類以前需要大型團隊才能做的桌面軟體。 AI 把寫 Code 的成本打下來之後， 2026 很可能會出現越來越多： 「那乾脆把整套軟體重新做一次。」 這種專案。

AI Coding 現在有一個很荒謬的問題： 模型越來越強， 但我們還是花大量 Token， 讓它讀垃圾， 再聽它講廢話。 Caveman 就是在處理這件事。 它的核心理念只有一句： why many token when few do trick 現在 Caveman 已經不只是讓 AI 回答變短。 它分成兩層： Skill → 壓縮 Agent「說出來」的內容 Proxy → 壓縮 Agent「讀進去」的內容 先講 Output。 一般 Agent 可能會回答： 一大段背景 ＋原因 ＋建議 ＋總結 ＋Hope this helps Caveman 直接砍成： 問題在哪 → 怎麼修 → 下一步 Code Command Path Error Message 則保持原樣。 而真正更有意思的是 Proxy。 例如 Agent 要讀： CSV Log YAML JSON Test Output Web Page Caveman 不會傻傻把整份資料全部塞進 Context。 而是： Raw Data ↓ Local Processing ↓ Compression ↓ 只把真正需要的資訊送給 Agent 官方目前測試： 54 次 Claude Code Runs 整個 Session 的 Input Token： 平均減少 33.2% 而針對單一資料： CSV → 減少 98.9% Logs → 減少 98.5% YAML → 減少 99.1% Test Output → 減少 98.9% JSON → 減少 98.5% 另外： caveman browse 官方測試可以把一個原本需要： 15,704 tokens 的 Playwright Page Snapshot， 壓成： 121 tokens。 差不多小了： 129.8 倍。 而且官方測試的 18 個問題， 壓縮前後全部答對。 現在安裝也變簡單： npx @caveman-ai/cli 它會自動找出你電腦上的： Claude Code Codex Gemini OpenCode OpenClaw Pi Hermes 等等。 然後把 Proxy 接上去。 另外還有： caveman learn → 分析你的 Agent 到底把 Token 花在哪 caveman shrink → 壓縮 Command Output caveman browse → 壓縮網頁 caveman stats → 看實際 Token 使用量 甚至開始加入 Model Routing。 也就是未來不只是： 「怎麼少用 Token？」 而是： 這個 Task 到底應該用哪個模型？ 需要多少 Reasoning Effort？ 我覺得這其實點出 AI Coding 一個很重要的問題。 我們一直在追求： 200K Context 1M Context 更大的 Context Window 但真正該問的可能是： 這 1M Token 裡， 到底有多少 Token 是真的有用？ 所以 AI Coding 接下來可能會從： More Context 變成： Better Context ＋ Less Noise。 Context Window 越大， Context Engineering 反而越重要。 GitHub： github.com/JuliusBrussee/cav…

OpenAI 工程師在高階會議室藏錄音器被抓包，還可能領高薪！ 官方用自家 AI 模型鎖定沙國籍工程師 Abdulrahman Alfozan，交 FBI 逮捕後已解雇。 ・藏在電視背面 USB 埠、用衛生紙遮掩的加密錄音器 
・9/28 安裝、10/5 被拍到回頭查看，包包還有第二個裝置 
・目前無證據外洩模型或客戶資料 
・這類工程師底薪常落在 25–45 萬美元，總薪酬（含股權）中位數約 88 萬美元

靈感爆棚，有趣的實現。

AI Coding Agent 現在連「逆向工程」都開始變成標準能力了。 這個開源專案叫： REA Reverse Engineer Anything 它的定位很直接： One MCP for reverse engineering. 也就是讓 Claude Code、Codex、Cursor、Gemini CLI 這類 Agent， 直接去分析： Native Binary JavaScript / Electron .NET Assembly Android APK Website HAR Network Capture Firmware Linux Crash EVM Bytecode 甚至 Runtime Behavior。 例如你看到某個 App 有一個很好用的功能， 可以直接叫 Agent： 「幫我研究這個功能怎麼做， 把證據找出來， 然後在我的專案實作類似版本。」 REA 會透過 MCP 去分析目標， 再把： Pseudocode Assembly Strings Symbols Call References IPC Routes Network Behavior Runtime Evidence 交給 Agent。 Agent 再根據證據： 理解 → 推理 → 實作 → 測試 這跟一般 AI 猜實作方式差很多。 它強調的是： Evidence-based Reverse Engineering。 也就是每個結論都要附： Evidence ＋ Limitations 而不是 AI 看兩眼就說： 「我猜它可能是這樣做。」 Native Binary 可以接： Hopper Ghidra IDA JavaScript / Electron 則可以直接分析： Modules Imports Source Maps Routes IPC Native Add-ons 甚至不需要執行 App。 REA 官方還有幾個很有意思的案例： Notion → 追蹤 Electron Clipboard IPC Bridge DX-Ball → 從 x86 Binary 還原音效 Pan Calculation PC-98 遊戲 → 從 16-bit Assembly 還原 Bullet Ring 演算法 而且分析是在 Local 執行。 支援： Claude Code Codex Cursor Gemini CLI Grok Build 其他 MCP Agent 我覺得這代表 AI Coding 又往前走了一步。 以前 Agent 的世界是： Source Code → 理解 → 修改 現在開始變成： Binary App Network Runtime → Reverse Engineering → Evidence → Reimplementation 也就是： AI 不只會讀你有 Source Code 的系統。 開始連： 「沒有 Source Code 的東西」 也能協助你理解。 未來 Software Engineering 的邊界可能會從： Code Generation 慢慢擴展到： Code Archaeology Reverse Engineering System Reconstruction GitHub： github.com/morluto/rea

如果未來不是跑 5 個、10 個 AI Agent， 而是： 10 萬個 100 萬個 甚至更多 Agent Sandbox， 那問題就不再是： 「Agent 怎麼寫？」 而是： 「這些 Agent 到底要怎麼跑？」 Agent Substrate 就是在解這件事。 它是一套專門為 AI Agent 設計的： Secure Agent Runtime。 直接跑在 Kubernetes 上。 但它不是一般 Container Runtime。 它是針對 Agent 的特性重新設計： Agent 大部分時間其實都在等待。 等模型 等 Tool 等 API 等人類 等下一個事件 所以如果每個 Agent 永遠佔一個 Pod， 資源利用率會非常差。 Agent Substrate 的做法是： 大量 Actor ↓ 少量 Worker ↓ 需要執行時才 Resume ↓ 完成後再 Suspend 也就是把 Agent： 像 Virtual Memory 一樣 在有限的實體資源上不斷 Multiplex。 官方 Demo： 約 250 個 Stateful Actors ↓ 只跑在 8 個 Physical Pods 做到 30x+ Oversubscription。 更重要的是， Agent Suspend 之後不會失憶。 它可以保留： RAM State Filesystem State Working Environment 之後 Resume 到另一台 Worker， 繼續從原本狀態執行。 官方目標甚至是： Sub-500ms Resume 每秒 500+ Suspend / Resume Activations。 另外安全也是核心設計。 支援： gVisor microVM Zero-trust Network Isolation Credential Injection Egress Policy State Snapshot Persistent Storage 也就是每個 Agent 都可以拿到： 自己的 Sandbox 自己的 Filesystem 自己的 Network Policy 自己的 Credential Scope 而且它完全 Agent Framework Agnostic。 可以跑： Claude Code Codex Antigravity LangChain Google ADK MCP Server 任何 OCI Container workload 都可以。 最有意思的是： Google AX 本身就是建立在 Agent Substrate 上。 也就是： Google AX → Agent Control Plane Agent Substrate → Agent Execution Runtime Kubernetes → Infrastructure 這三層開始非常像： AI Agent 時代的新 Cloud Stack。 以前 Kubernetes 管： Service Pod Container 未來可能還要再多一層： Actor Agent Sandbox Suspend / Resume State Memory 因為 AI Agent 不是傳統 Web Service。 它是一種： 長時間存在 大部分時間 Idle 但隨時可能被喚醒工作的 Stateful Workload。 這也是 Agent Substrate 真正有意思的地方。 它不是讓 Agent 更聰明。 而是： 讓幾百萬個 Agent 有地方可以活。 GitHub： github.com/agent-substrate/s…

得了吧，就是人類出包，給了AI這麼大的權限，竟然沒有人類進行監控

馬斯克：特定任務只用最👌的模型去工作！

怕

這是什麼巫術

TypeScript 很好用。 但只靠 TypeScript 本身， 很多 Production 問題其實還是很難處理。 例如： Error 到底有哪些型別？ Dependency 怎麼注入？ 多個 async task 怎麼取消？ Retry / Timeout 怎麼統一？ Tracing 怎麼接？ Schema 怎麼驗證？ Resource 怎麼安全釋放？ Effect 就是在解這些問題。 它是一套給 TypeScript 用的： Production-grade Application Runtime / Library。 核心能力包括： Typed Errors Dependency Injection Structured Concurrency Scheduling Retry / Timeout Resource Management Tracing Schema Validation 你可以把它理解成： TypeScript + 一套完整的應用程式工程模型。 例如一般 Promise： try → await → catch 錯誤型別常常最後只剩： unknown Effect 則會把： Success Error Dependency 全部變成 Type System 的一部分。 也就是 Function 不只是： Input → Output 而更像： Input → Success → Error → Required Services 全部都可以在型別層看到。 另外我覺得現在更值得注意的是： Effect 已經開始整合 AI。 官方 monorepo 裡現在有： @effect/ai-anthropic @effect/ai-openai @effect/ai-cloudflare @effect/ai-typesafe @effect/ai-openrouter @effect/ai-openai-compat 也就是你可以直接把： LLM Tool Calling Typed Output Error Handling Tracing Concurrency 放進同一套工程模型。 這對 AI Agent 很重要。 因為真正進 Production 之後， Agent 的問題通常不是： 「模型會不會回答？」 而是： API 掛了怎麼辦？ Tool timeout 怎麼辦？ 兩個 Agent 同時執行怎麼取消？ LLM 回傳格式錯了怎麼辦？ Retry 怎麼控制？ Trace 怎麼看？ Dependency 怎麼換？ 這些全部都是傳統 Software Engineering 問題。 而 Effect 做的事情， 就是讓這些問題在 TypeScript 裡： 可描述 可組合 可追蹤 可測試 可維護 所以如果未來你要用 TypeScript 做： AI Agent Backend Workflow Engine Tool Server MCP Server Local AI Platform Effect 這類框架會很值得研究。 AI 時代程式碼產生越來越便宜， 真正有價值的反而是： Reliability Observability Error Handling Concurrency Type Safety 也就是： 不是讓 AI 寫更多 Code。 而是讓它寫出更能進 Production 的 Code。 GitHub： github.com/Effect-TS/effect

現在 AI Agent 很會寫 Code、改檔案、跑 Terminal。 但一叫它去網路上找資料， 常常馬上卡住。 YouTube 拿不到字幕 X / Twitter API 要錢 Reddit 403 小紅書要登入 B 站會擋 GitHub 還要重新配認證 網頁抓回來又全是 HTML Agent Reach 就是在解這件事。 它不是另一個 Browser Agent。 而是一層： Internet Capability Layer。 核心概念很簡單： 不要讓你自己去研究 Twitter 用哪個 CLI Reddit 怎麼登入 YouTube 用哪個工具 B 站哪條路還活著 小紅書要走 MCP 還是 Browser Agent Reach 幫你： 選工具 → 安裝 → 設定 → 體檢 → 自動切換備援方案 目前可以接： 網頁 YouTube RSS GitHub Twitter / X Reddit Facebook Instagram 小紅書 Bilibili LinkedIn V2EX 雪球 Podcast 而且支援： Claude Code OpenClaw Cursor Windsurf 基本上任何能跑 CLI 的 Agent 都能用。 它最有意思的地方是： 每個平台不是綁死一個工具。 而是： Primary Backend + Fallback Backend 例如 Twitter： twitter-cli → OpenCLI → bird 小紅書： OpenCLI → xiaohongshu-mcp → xhs-cli Bilibili： bili-cli → OpenCLI → Search API 如果某個平台改 API、 封掉原本的工具， 只要調整 Routing， Agent 本身不用改。 另外還有一個： agent-reach doctor 可以直接檢查： 哪個平台現在能用 哪個後端正在使用 哪個工具壞掉 應該怎麼修 我覺得這個專案真正重要的地方是： Agent 的 Tool 越來越多之後， 問題已經不是： 「有沒有工具？」 而是： 「哪個工具現在還能用？」 「哪條路最穩？」 「失效之後誰幫我換？」 所以 Agent Reach 做的其實不是單一 Tool。 而是： Tool Selection + Capability Routing + Health Check。 如果未來每個 AI Agent 都需要： Search Web Social Media Video GitHub RSS 那這種 Internet Capability Layer， 可能會變成 Agent 的標準配備。 GitHub： github.com/Panniantong/Agent…

AI Agent 現在已經不只會寫 Code。 開始可以直接操作： 3D 建築模型。 Pascal Editor 是一個開源、Local-first 的 3D Building Editor。 技術上使用： React Three Fiber Three.js WebGPU Next.js Zustand 而且最有意思的是： 它內建 MCP。 也就是 Claude Code、Codex 這類 Agent， 可以直接連到 Pascal， 對 3D Scene 做實際操作。 例如： 建立牆面 修改樓層 放置家具 調整物件 查詢 Scene 修改 Building Structure 不只是「描述怎麼改」。 而是真的透過 Tool 去改 3D 場景。 它的模型結構也很完整： Site ↓ Building ↓ Level ↓ Wall / Slab / Ceiling / Roof / Zone / Item 每個物件都是結構化 Node， 所以 Agent 可以理解： 這面牆屬於哪一層 這個門掛在哪面牆 這個家具位在哪個 Zone 不同 Building Element 彼此怎麼關聯 而且還支援： Exploded View Cut View X-Ray Walkthrough 3D Scan Furniture Placement Collision Validation Plugin System Claude Code 甚至可以直接安裝 Pascal 的 Agent Skills。 例如： pascal-3d → 操作 3D Scene furniture-fit → 評估家具尺寸與空間適配 也就是： Prompt ↓ AI Agent ↓ MCP ↓ 3D Building Model ↓ 直接修改場景 我覺得這代表一個很有意思的方向： 以前 AI Coding Agent 主要操作的是： Code Terminal Browser 現在開始往： CAD 3D Building Spatial Computing 擴展。 未來可能不是工程師拿著滑鼠一個個改模型。 而是直接跟 Agent 說： 「把這一層重新配置成 20 人辦公室， 保留消防動線， 再幫我調整家具配置。」 Agent 自己去操作 3D Editor。 AI Agent 的 Tool Use， 正在從 Software 世界， 慢慢進入： Physical / Spatial World。 GitHub： github.com/pascalorg/editor

如果你想真的學會 RAG， 我反而不建議只看： Embedding → Vector DB → Chatbot 這種 30 分鐘 Demo。 最近看到一個很完整的開源課程： Production Agentic RAG Course 它不是從「先上 Vector Search」開始， 而是照比較接近 Production 的方式， 一層一層把整套系統蓋起來。 總共 7 週： Week 1 → Infrastructure Docker FastAPI PostgreSQL OpenSearch Airflow Week 2 → Data Ingestion arXiv API PDF Parsing Docling 自動化資料管線 Week 3 → Keyword Search 先把 BM25、Filtering、Relevance 做好。 這點我很認同。 因為真正的 RAG， 不是一上來就全部靠 Vector Search。 Week 4 → Hybrid Search Chunking Embeddings BM25 + Vector RRF Fusion Week 5 → Complete RAG Ollama Local LLM Streaming Gradio UI Week 6 → Production Langfuse Tracing Redis Cache Latency / Cost Monitoring Week 7 → Agentic RAG LangGraph Document Grading Query Rewriting Adaptive Retrieval Guardrails Telegram Bot 也就是從： Search 一路做到： Agentic RAG。 最後完整架構會包含： FastAPI PostgreSQL OpenSearch Airflow Docling Jina Embeddings Ollama Redis Langfuse LangGraph Telegram 整套可以在本機跑。 我覺得這個專案最值得學的地方， 不是「怎麼串 RAG」。 而是它把 Production RAG 真正需要的幾個問題都放進去了： 資料怎麼進來？ 搜尋怎麼做準？ Keyword 跟 Vector 怎麼一起用？ 怎麼監控？ 怎麼 Cache？ Retrieval 不夠好時， Agent 要不要 Rewrite Query？ 找到的 Document 到底夠不夠相關？ 什麼時候應該拒絕回答？ 這些才是真正進 Production 之後會遇到的問題。 如果你正在學： RAG Agentic RAG Local LLM AI Platform 這個 Repo 很適合直接照著實作一遍。 GitHub： github.com/jamwithai/product…

如果你現在有在架： AI 平台 RAG Data Lake 影片素材庫 模型檔案儲存 可以注意一下這個開源專案： RustFS。 它是一套用 Rust 寫的高效能分散式 Object Storage。 你可以把它理解成： 偏 Rust 生態的 MinIO 替代方案。 核心支援： S3 API Distributed Mode Single Node Versioning Object Lock Server-Side Encryption Bucket Replication Lifecycle Management IAM / Policies OIDC / SSO Web Console Audit Log Kubernetes Helm WebDAV / FTPS / SFTP 而且還有： S3 Tables / Iceberg REST Data Lake Multi-Tenancy OpenStack Swift API 對 AI / Big Data 場景來說很實用。 例如： 模型權重 Embedding 向量索引 訓練資料 影片素材 圖片 文件 Agent Artifact RAG 原始資料 全部都可以統一放進 S3-compatible Object Storage。 我覺得它有幾個點很值得注意： 第一個是 Rust。 沒有 Go GC， 也比較強調 Memory Safety 跟高效能。 第二個是授權。 RustFS 採 Apache 2.0。 相較一些 AGPL 授權的 Object Storage， 對企業商用、二次開發、整合產品會比較友善。 第三個是： 它不是只做「能存檔」。 而是已經往： Data Lake AI Infrastructure Distributed Storage 這一層走。 如果未來你要自己架一套 Local AI Infrastructure， 可能會變成： Compute → GPU / CPU Nodes Database → PostgreSQL / Vector DB Object Storage → RustFS Knowledge → RAG / PageIndex / WeKnora Agent → Claude / Codex / OpenClaw RustFS 就會是在底層負責： 「大量非結構化資料怎麼存」。 AI 系統越做越大之後， Storage 其實會變成很重要的一層。 因為最後你會發現： 模型只是算東西， 真正一直長大的， 是資料。 GitHub： github.com/rustfs/rustfs