KeyFrame內部研究專用

Qwen 3.6 + Pi Agent: Build Your Own AI Assistant (Full Setup)

Bart Slodyczka10 min英文
觀看原始影片

三句話摘要

用 Pi 代理框架配合本地 LLM,打造全自動 Zendesk 客服代理,無需雲端依賴。 Pi 框架透過自舉生成代理架構 + 本地 LLM + cron 自動化,使任何人都能以最小成本構建生產級自動化客服系統,完全無依賴。 Pi 框架的輕量化設計:Pi 預設只包含核心代理引擎和基本終端工具,不包袱臃腫的預設系統提示和技能,使用者可以通過對話讓 Pi 自動構建所需的 extensions 和 skills,是「代理構建代理」的自舉模式。

重點整理

  1. Pi 框架的輕量化設計:Pi 預設只包含核心代理引擎和基本終端工具,不包袱臃腫的預設系統提示和技能,使用者可以通過對話讓 Pi 自動構建所需的 extensions 和 skills,是「代理構建代理」的自舉模式。

  2. 本地 LLM 完全自主:透過 LM Studio 集成本地模型(如 Qwen 3.6 35B),所有 API 調用都在本地電腦執行,無需依賴雲端服務或付費 API,適合隱私敏感和成本受限的場景。

  3. 代理包可移轉性:Pi 支援打包成可分享的代理包,允許在本地開發完成後直接移轉到雲端或專用設備上運行,避免綁定單一環境。

  4. 互動模式與自動化模式的雙軌:既可在終端與 Pi 交互式對話進行任務,也可用 print 模式(-P 參數)非互動方式批量處理,透過 cron job 實現真正的 24/7 無人值守自動化。

實用技巧與重點

  • 工具與模型
  • Pi 代理框架(Pi.dev,開源)
  • LM Studio(本地 LLM 推理)
  • Qwen 3.6 35B(測試用本地模型)
  • Zendesk(客服管理系統)
  • 安裝與初始化命令
  • `npm install pi`(安裝 Pi)
  • `npm install pi-lm-studio`(LM Studio 集成包)
  • `pi`(啟動互動終端)
  • 核心文件結構
  • `extensions/zendesk.ts`(Zendesk API 集成)
  • `.env`(API 密鑰與認證信息)
  • `prompts/`(代理系統提示與回覆模板)
  • `skills/`(自定義技能)
  • cron job 邏輯
  • 每 5 秒輪詢 Zendesk 新票務(狀態 = new)
  • 執行:`pi -P "ticket_context"` 生成回覆
  • 透過 Zendesk API 發送回覆
  • 更新票務狀態
  • 關鍵 API 端點與操作
  • Zendesk Admin Center → API Token 生成
  • 列表所有票務:33 個票務成功讀取
  • 發送訊息到特定票務(測試:票務 ID 115)

結論

Pi 框架透過自舉生成代理架構 + 本地 LLM + cron 自動化,使任何人都能以最小成本構建生產級自動化客服系統,完全無依賴。

完整解析

影片展示了一個完整的本地 AI 客服系統構建過程。首先,講者說明了 Pi 代理框架相比 OpenClaw 或 Hermes 代理的優勢:它是輕量級、可定制的,不強制捆綁不需要的功能。講者選擇用 LM Studio 運行本地 Qwen 3.6 35B 模型,避免雲端 API 調用。

安裝環節相當簡潔。通過 npm 安裝 Pi 和 Pi LM Studio 集成包,講者啟動了一個本地代理終端。此時的 Pi 還是「空白」狀態,沒有 extensions 或 skills,但它自我理解,知道如何擴展自己。講者的妙招是直接問 Pi「怎樣構建自定義代理」,Pi 讀取自己的內部文檔,回覆了三種方案:extensions 方式、SDK 方式、以及打包方式。講者選擇了包方式,因為這樣便於未來從本地遷移到生產環境。

講者告訴 Pi 目標是構建一個 Zendesk 客服代理。Pi 隨即深入自己的文檔庫,一口氣生成了初始架構:Zendesk API 集成代碼、系統提示模板(用於生成專業回覆)、票務處理技能等。整個過程幾分鐘內完成,代碼可用度已經相當高。講者隨後手動從 Zendesk 管理後台複製 API Token,將認證信息寫入 `.env` 檔案。

測試階段極其直接。講者問 Pi「能否發送測試請求到 Zendesk 列出所有票務」,Pi 成功返回 33 個票務列表,並自動修正了自己生成的代碼中的環境變數讀取邏輯。接著講者指定票務 ID 115,讓 Pi 生成並發送回覆,真實客戶端成功收到了「有什麼其他可以幫助嗎?」的自動回覆。

自動化環節是核心。講者問 Pi「能否建立 cron job,每 5 秒檢查新票,若有新票就用 print 模式運行 Pi 生成回覆並發送回客戶」。Pi 給出了清晰的執行計畫。當講者手動創建測試票務「收到的產品有問題」後,cron 在秒內捕捉到新票,運行 Pi 的 -P 模式(非互動批量模式),生成了完整的故障排除回覆,並自動發回 Zendesk,整個過程用戶零介入。

影片最後提到 Pi 還支持插件擴展(如 Telegram 集成),允許用戶在手機上遠程與代理對話管理客服工作。講者也預告了後續課程會涵蓋評估優化、隱私數據脫敏和提示注入防禦等生產化話題。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。