迷麟の小站

#Windows #重装恢复 #Ollama #CUDA #SSH #Docker 配套 《RTX 5080 新主机环境配置实录》。记录所有组件的安装目录与可持久化路径，以及重装系统后的最短路径恢复方案。目标：重装后 30 分钟内恢复 SSH + CUDA + Ollama，其余开发工具按需补装。 一、安装目录全览 1.1 C 盘（重装后丢失） 组件 安装路径 重装后 NVIDIA Driver C:\Windows\System32\DriverStore\... 丢失，重装 CUDA Toolkit 12.8 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8 丢失，重装 cuDNN 9.x 同 CUDA 目录（复制进去） 丢失，重装 Ollama 应用 C:\Users\milin\AppData\Local\Programs\Ollama 丢失，重装 Git C:\Program Files\Git 丢失，重装 Node.js C:\Program Files\nodej...

#Ollama #RTX5080 #CUDA #Windows #OpenClaw #开发环境 新 9800X3D + RTX 5080 主机组装完成，v2rayA 代理已配置。本文记录完整的环境搭建流程：CUDA 推理栈、开发环境、Docker、SSH，以及接入现有 AI 推理生态（Ollama + OpenClaw）。 一、整机信息与网络架构 项目 值 CPU AMD Ryzen 9 9800X3D GPU NVIDIA RTX 5080 (Blackwell GB203) 系统 Windows 11 局域网 IP 192.168.2.10（WLAN，需设为 Private 网络配置文件） SSH 别名 milin_desktop 代理 v2rayA ✅ 已完成 1234567891011121314151617MacBook Air M1 (192.168.2.13) └── ssh milin_desktop → 192.168.2.10N100 (192.168.2.14) └── Docker: openclaw → ...

#本地推理 #Ollama #GGUF #RTX5080 #模型选型 硬件背景 组件 规格 GPU NVIDIA GeForce RTX 5080（16GB GDDR7，Blackwell 架构） CPU AMD Ryzen 7 9800X3D（8 核，3D V-Cache） 内存 32GB DDR5 使用场景：为 openclaw agentic 框架 提供本地 LLM 后端，主要执行工具调用、长文档处理、代码生成与分析。对输出速度要求不高（15-30 tok/s 即可），优先质量与上下文长度。 硬件特点： Blackwell 架构原生支持 MXFP4 硬件加速（OpenAI GPT-OSS 专属优势） 9800X3D 的 3D V-Cache 使 CPU 推理带宽远优于同级处理器，CPU offload 惩罚较小 16GB VRAM + 32GB RAM 可做 GPU+CPU 混合推理，允许运行超出 16GB 的模型 完整硬件配置与环境搭建详见 《RTX 5080 新主机环境配置实录》。 候选模型分析 GPT-OSS 20B ...

Headroom (headroomlabs-ai/headroom) — 调研与接入方案 项目概览 Headroom 是一个 LLM 上下文压缩层，在 AI Agent 的请求到达大模型之前，对工具输出、日志、文件内容等进行智能压缩。 仓库：github.com/headroomlabs-ai/headroom 最新版本：v0.28.0 核心语言：Rust（附 Python/TypeScript SDK） 协议：Apache 2.0 核心能力 能力 说明 内容压缩 检测内容类型（代码/JSON/文本），选择合适的压缩器，减少 60-95% token 可逆压缩 (CCR) 原始内容本地缓存，LLM 需要时可恢复 跨 Agent 记忆 共享存储，自动去重 输出 token 缩减 减少模型回复中的冗余内容 学习机制 从失败会话中提取模式自动写入配置 工作模式 Headroom 提供四种接入方式： 1. Library 模式 代码中直接调用 compress() 函数，适合开发者集成。 2. Proxy 模式（推荐） 启动本地代...

#Docker #WebDAV #frp #Samba #openclaw #服务器运维 背景 路由器设备更换，局域网网段从 192.168.0.0/24 整体迁移至 192.168.2.0/24。N100 重启后各服务需要恢复，同时处理 openclaw 权限修复遗留的路径问题、WebDAV 公网访问故障及 LLM 连接问题。 本文涉及的 openclaw 权限修复遗留问题，源自 《N100 安全事件响应：OpenClaw SSH 暴力破解与 fail2ban 加固》。 一、磁盘检查与挂载恢复 btrfs RAID1 健康验证 123# 只读检查（不修改数据），双盘 RAID1 只需指定其中一块sudo btrfs check --readonly /dev/sdc1# 结果：no error found ✅ 两块盘共享同一 fsid（RAID1 特性），num_devices: 2。btrfs check 会自动找到另一块盘，无需手动指定两个设备。 开机挂载验证 重启后确认两个挂载点均正常： 12/dev/sdc1 on /nfs type btrfs (rw,noat...

#安全 #fail2ban #frp #N100 #运维 背景 排查 N100（Ubuntu 22.04）开机卡死问题时，发现系统存在持续 11 天的 SSH 暴力破解，来源为内部 Docker 容器（openclaw），同时 frp 内网穿透服务将 SSH 端口暴露在公网，导致来自外部的 SSH 探测。本文记录整个事件的发现、处置和加固过程。 事件时间线 时间 事件 7月4日 N100 正常运行 7月5日 openclaw 容器开始向本机 SSH 发起字典攻击 7月16日 攻击最后记录（7月17日重启后 openclaw 未随 boot 自启） 7月17日 N100 多次开机卡死；排查发现 ext-mount.service 因外接 btrfs 盘状态异常导致内核挂起 7月17日 停止 openclaw 容器；分析 SSH 日志；配置 fail2ban 7月17日 实施 openclaw 容器安全加固（非 root 用户、bridge 网络、SSH wrapper、AGENT.md 信任等级） 7月17日 卸载 Neo4j（端口 7687...

#SSH #Windows #PowerShell #运维工具 背景 Linux/Mac 自带 ssh-copy-id，一条命令把本机公钥安装到远端的 authorized_keys，实现免密登录。Windows 没有这个工具。 日常在 Windows 上需要频繁向 Linux 服务器和其他 Windows 主机推送 SSH 公钥，每次都要手动操作很繁琐，因此写了一个 PowerShell 版本的 ssh-copy-id。 实现思路 难点一：判断远端 OS 传统做法是先 SSH 连上去执行探测命令，但如果是新主机、密钥还没装，连接本身就需要密码，探测和安装成了先有鸡还是先有蛋的问题。 解决方案：用 ssh-keyscan 读取 SSH Banner。Banner 在 TCP 握手阶段就会发送，无需任何认证： Windows：SSH-2.0-OpenSSH_for_Windows_10.0p2 Linux：SSH-2.0-OpenSSH_9.6p1 Ubuntu-3ubuntu13 难点二：Windows 目标的双重 authorized_keys Windows O...

#OpenClaw #Headroom #ClaudeCode #MCP #上下文压缩 接上篇 《OpenClaw 公网访问：FRP + nginx HTTPS 配置实录》，记录第四阶段：为 Claude Code 会话接入 Headroom 上下文压缩层，并实测不同内容类型下的 token 节省效果。 一、Headroom 是什么 headroomlabs-ai/headroom 是一个本地优先的上下文压缩中间层，工作原理： 12345678910Claude Code / OpenClaw / 任何 AI 代理 │ tool outputs · logs · files · RAG 结果 ▼ ┌─────────────────────────────────────────────┐ │ Headroom Proxy（本地运行，数据不出机器） │ │ ContentRouter → SmartCrusher / Kompress │ └──────────────────────────────────────────...

#OpenClaw #规划 #待办 记录 OpenClaw 当前运行状态，以及后续可以接入的功能、待解决问题和扩展方向。本文随进展持续更新。 本系列：部署实录 · 配置续集 · 公网访问 · Headroom 接入 一、当前状态（截至 2026-06-29） 项目 状态 备注 OpenClaw 容器 运行中 N100, network_mode: host, :18789 公网 HTTPS 访问 已配置 https://your.domain.example 主力 LLM DeepSeek Chat deepseek/deepseek-chat Fallback LLM Ollama qwen3:8b 本地 Win11, 192.168.0.195 163 邮箱插件 运行中 email 插件 QQ 邮箱插件 运行中 gmail 插件兼容 QQ SMTP Hermes Agent 已部署 待填入 OpenRouter API Key 微信插件 已安装已启用 @tencent-weixin/openclaw-weixin v2.4.6 ...

#OpenClaw #FRP #nginx #HTTPS #公网访问 接上篇 《OpenClaw 配置续集：网络修复、邮件插件与 Ollama 接入》，记录第三阶段：为 OpenClaw 配置公网 HTTPS 访问。 一、整体架构 123456789101112131415用户浏览器 │ HTTPS 443 ▼MyServer（Aliyun 公网，x.x.x.x） └── nginx 反向代理 → 127.0.0.1:17890 │ ▼ frps（已运行，bind_port=6000） │ FRP 隧道 ▼N100（本地，192.168.0.155） └── frpc → 127.0.0.1:18789 │ ▼ OpenClaw 容器（network_mode: host） 关键点： MyServer 已运行 frps（端口 6000，token 已配置），所有隧道复用同一个 frps，无需额外部署 N100 已有 frpc 运行（管理 SSH、W...

#OpenClaw #Docker #Ollama #邮件插件 #网络排障 接上篇 《N100 自托管 OpenClaw + Hermes Agent 部署实录》，记录第二阶段的配置与踩坑。 一、修复 Docker 容器无法访问公网 WAN TCP 现象 容器内 ping 1.1.1.1 正常（ICMP 通），但 curl https://api.deepseek.com 超时。导致 DeepSeek / Anthropic API 全部失败，日志输出： 1Error: All models failed (2): deepseek/deepseek-chat: LLM idle timeout (120s) 根本原因 N100 使用 WiFi（wlp2s0）上网。Docker bridge 模式下，NAT/MASQUERADE 规则在某些 WiFi 驱动上对 TCP 转发有问题——ICMP 能通（路由层），WAN TCP 超时（NAT 层）。 修复：改用 network_mode: host 12345678910111213# ~/dockerfile/openclaw...

#Docker #磁盘管理 #服务器运维 背景 N100 系统盘（117G SSD）长期维持在 85-91% 使用率，Docker 镜像占用约 10 GB，是主要的可迁移项。 当前磁盘布局： 设备 大小 文件系统 挂载点 使用率 sda2 (SSD) 117G ext4 / ~91% sdc1 (HDD) 1.9T btrfs /nfs ~25% sdb2 (HDD) 3.7T exFAT /smb ~52% 性能影响评估 阶段 影响 说明 容器启动 慢 2-5 秒 从 HDD 读取镜像层，仅启动时一次性 容器运行中 无影响 镜像层被 overlayfs 挂入页面缓存，与存储位置无关 容器写入（可写层） 轻微 取决于应用写入频繁程度 结论：mt-photos、qbittorrent、openclaw 等均为长驻服务，启动多几秒可接受，运行性能无损失。 迁移目标选择 ✅ /nfs（btrfs）：完整 Linux 文件系统，支持 Unix 权限、符号链接、硬链接，可行 ❌ /smb（exFAT）：不支持 Unix 权...

#OpenClaw #Docker #AI Agent #自托管 #服务器运维 背景 在 N100（Ubuntu, 16GB DDR5）上自托管 AI Agent 网关，目标架构： OpenClaw：AI Agent 网关，负责消息路由与 Agent 编排，对接 Ollama（内网推理机） Hermes Agent：自我进化型个人助手，自动写记忆与技能 推理主机（i9+2070S 或 9800X3D+5080）运行 Ollama，局域网暴露 11434 端口 N100 已有 FRP 加密公网穿透，所有新服务均监听 127.0.0.1 仅限本机访问。 目录结构 12345678910~/dockerfile/├── openclaw/│ ├── docker-compose.yml│ ├── .env│ ├── openclaw.json ← 配置文件（JSON 格式）│ └── data/ ← 容器持久化数据（root 所有）└── hermes/ ├── docker-compose.yml ...

#显卡横评 #ECharts #Python #数据可视化 背景 51972 发布了 RTX 5080（31 款）和 RTX 5070Ti（33 款）的大规模横评，覆盖跑分、散热、噪音、超频、体积等维度。原始数据以截图和 Excel 形式存在，不同用户关注点差异很大——性能党和静音党对同一款显卡的评价可能完全相反。 目标是把这批数据整理成一个纯静态网页工具：用户拖动权重滑块，实时看到符合自己优先级的排名，同时能在散点图上直观感受各维度的分布。 一、数据整理 数据源结构 RTX 5070Ti 数据已有完整 Excel（11 个 Sheet）；RTX 5080 数据只有截图，需手工录入。两份 Excel 的 Sheet 名称如下： GPU Sheet 5080 基础信息 · BIOS功耗设定 · SpeedWay压力测试性能 · SpeedWay散热排行 · 噪音表现排行 · 超频性能排行 · 垂直吊装散热排行 5070Ti 以上全部 + 静音BIOS测试 · SFF规格散热排行 · 统一散热-大/小尺寸风扇 所有 Sheet 第 1 行为标题、第 2 行为...

#Docker #btrfs #systemd #服务器运维 磁盘与挂载结构 设备 容量 类型 挂载点 说明 sda (SSD) 119G ext4 / 系统盘，已用 93% sdb (WD 4T) 3.6T exfat /smb 外部硬盘，影视/文件共享 sdc (WD 2T) 1.8T btrfs /nfs btrfs 多设备卷成员 1 sdd (2T) 1.8T btrfs —（内核接管） btrfs 多设备卷成员 2 btrfs 卷说明 sdc 与 sdd 共享同一 UUID，组成一个 btrfs 多设备卷（RAID1 镜像），挂载为 /nfs，有效容量约 1.8T。sdd 不单独显示挂载点属正常现象，umount /nfs 会同时释放两块盘。系统无软件 RAID（mdstat 为空）。 磁盘设备名（sdb/sdc/sdd）在每次启动时可能因识别顺序不同而重新分配，但 fstab 使用 UUID 挂载，不受设备名影响。 服务依赖关系 1234567/smb (sdb) ←── qbittorrent 下载目录 /smb/Downlo...

#Git #Cloudflare #acme.sh #部署 背景 博客采用如下部署架构： 123456本地 Mac ──git push──▶ 内网服务器 (hexo.git bare repo) │ post-receive hook ├─ hexo generate └─ rsync ──▶ 公网服务器 │ Nginx 对外提供服务 将域名 DNS 从阿里云迁移到 Cloudflare 后，连锁触发了三个问题：SSL 续签失败、git push 超时、hexo hook 不触发。以下记录完整排查过程。 一、SSL 续签失败 现象 123[ERROR] Le_OrderFinalize[ERROR] error code: 3[ERROR...

#SSL #acme.sh #Cloudflare #Nginx 背景 博客使用 acme.sh + Let’s Encrypt 签发 ECC 证书，原方案依赖阿里云 DNS API（dns_ali）自动验证。DNS 迁移到 Cloudflare 后需同步更新续签方式，同时记录中途遇到的一次手动续签失败的排查过程。 一、故障：续签时 Finalize 报错 错误现象 123[ERROR] Le_OrderFinalize[ERROR] Please refer to https://curl.haxx.se/libcurl/c/libcurl-errors.html for error code: 3[ERROR] Signing failed. Finalize code was not 200. 原因 libcurl 错误码 3 为 CURLE_URL_MALFORMAT，即 acme.sh 缓存的 ACME 订单状态中 Le_OrderFinalize URL 损坏，导致签名阶段失败。 解决 删除缓存的域名配置，强制重新发起订单： 123456rm -rf ~/.acme...

#sdsc6015 English / 中文 Mirror Descent Click to expand Mirror Descent review content Motivation Consider the simplex-constrained optimization problem: min⁡x∈△df(x)\min_{x \in \triangle_d} f(x) x∈△d​min​f(x) where the simplex △d:={x∈Rd:∑i=1dxi=1,xi≥0,∀i}\triangle_d := \{x \in \mathbb{R}^d : \sum_{i=1}^d x_i = 1, x_i \geq 0, \forall i\}△d​:={x∈Rd:∑i=1d​xi​=1,xi​≥0,∀i}. Assume the gradient’s infinity norm is bounded: ∥∇f(x)∥∞=max⁡i=1,…,d∣[∇f(x)]i∣≤1\|\nabla f(x)\|_\infty = \max_{i=1,\ldots,d} |[...

#sdsc6015 English / 中文 Projected Gradient Descent Projected Gradient Descent is an algorithm for constrained optimization problems that ensures constraint satisfaction by projecting gradient steps back onto the feasible set. Constrained Optimization Problem Definition The constrained optimization problem is formally defined as: min⁡f(x)subject tox∈X\begin{aligned} &\min f(x) \\ &\text{subject to}\quad x \in X \end{aligned} ​minf(x)subject tox∈X​ where: f:Rd→Rf: \mathbb{R}^d \righta...

#assignment #sdsc5001 题目链接SDSC5001 - Question of Assignment 2 Question 1 When the number of features p is large, there tends to be a deterioration in the performance of KNN and other local approaches that perform prediction using only observations that are near the test observation for which a prediction must be made. This phenomenon is known as the curse of dimensionality, and it ties into the fact that non-parametric approaches often perform poorly when p is large. We will now investigate t...

#assignment #sdsc5001 Question 1 When the number of features p is large, there tends to be a deterioration in the performance of KNN and other local approaches that perform prediction using only observations that are near the test observation for which a prediction must be made. This phenomenon is known as the curse of dimensionality, and it ties into the fact that non-parametric approaches often perform poorly when p is large. We will now investigate this curse. (a) Suppose tha...

#assignment #sdsc6015 题目链接SDSC6015 - Question of Assignment 2 Problem 1[10 marks] Prove that if the function f:Rd→Rf: \mathbb{R}^{d}\rightarrow \mathbb{R}f:Rd→R has a subgradient at every point in its domain, then fff is convex. Solution: Let x,y∈Rdx, y \in \mathbb{R}^dx,y∈Rd, λ∈[0,1]\lambda \in [0,1]λ∈[0,1], and define z=λx+(1−λ)yz = \lambda x + (1-\lambda)yz=λx+(1−λ)y. Since a subgradient exists at every point, for any gz∈∂f(z)g_z \in \partial f(z)gz​∈∂f(z), we have: f(x)≥f(z)+⟨gz,x−z⟩,f(y...

SDSC 5002 - Assignment 1 #assignment #sdsc5002

📅 TODO SDSC5001 - Assignment 2 SDSC6015 - Assignment 2 SDSC6007 - Assignment 2 SDSC5003 - Assignment 2 SDSC6012 - Assignment 1 SDSC5001 - Assignment 1 SDSC5002 - Assignment 1 SDSC5003 - Assignment 1 SDSC6007 - Assignment 1 SDSC6015 - Assignment 1 其他文件 总课表 作业清单 SDSC5001 Statistical Machine Learning I SDSC5001 课程信息 SDSC5001 课程 1-概率论与数理统计复习 SDSC5001 课程 2-数据探索 SDSC5001 课程 3-统计机器学习概述 SDSC5001 课程 4-线性回归 SDSC5002 Exploratory Data Analysis and Visualization SDSC5002 课程信息 SDSC5002 课程 2-EDA SDSC5003 S...

#assignment #sdsc6015