OpenCowork 实测：支持本地文件、飞书机器人的 Windows AI 助手（只需配置 Token）

优质文章学习记录

— 6 min read

目的

找一款window 本地ai助手，但有如下要求 1）windows一键安装，带gui界面，操作简单 2）直接操作本地文件，能生成和写入本地文件内容 3）配置token 即可，无需绑定账号登陆

测试效果

OpenCowork 可直接操作本地电脑文件，并支持接入飞书机器人应用，实现类似 OpenClaw 的电脑操作能力；
但整体更适合本地文档生成、资料整理、代码或文本批量处理等场景。相比云端 AI，在生成速度、工具能力和复杂任务支持方面仍有差距，尤其在长文档生成和多工具协作时效率与稳定性较弱，因此更适合作为本地文件处理的辅助工具，而非替代云端 AI。

OpenCowork 很多自动化能力依赖python，你可以自己升级一下python，然后让OpenCowork 检测环境是不是最新的，并升级一下;

1 安装 OpenCowork 客户端

下载地址
https://github.com/AIDotNet/OpenCowork
找右侧侧 releases ，我这里是x64 所以下载amd

在这里插入图片描述


默认安装，换成磁盘路径，安装后客户端如下图

在这里插入图片描述

2 配置 token

点击左上角用户头像，点击头像下的设置，弹窗如下图，一直脱到最下面
输入打开完整版设置

在这里插入图片描述


选择模型，输入模型的api Key；联通性选择选择你使用的模型，点击检测即可
到这里配置完成，点击左侧工具栏的对话框，开始实际操作

在这里插入图片描述

3 测试

3.1 选择工具要操作的路径

最好选择一个只跟工作内容相关的干净的文件夹，并把需要的资料移入进文件夹内
这里历史测试：用桌面

在这里插入图片描述

3.2 测试功能

1）联网框的联网搜索，可根据实际情况选择启用和关闭

在这里插入图片描述


2) 输入后开始工作

在这里插入图片描述


3）测试效果
生成3页 word 5分钟，但也能接受（毕竟含网页搜索）；豆包测试室1分钟（立马输出，1分钟生成完）；
效果还算可以，毕竟花钱用token了；这种工具严重依赖于本地的skill，且本地生成速速远低于云厂商；毕竟你的能力是ai 工具能力 是低于云端AI服务。

在这里插入图片描述

4 添加skill

如下图：点击获取skill，会跳转至下拉地址https://skills.open-cowork.shop/dashboard，把获取的 skill 粘贴如下位置，点击发送请求

目前不推荐安装其它skill 日用满足，因为现在有skill 投毒问题

在这里插入图片描述

下面为再次申请skill的地址

在这里插入图片描述

5 app 聊天接入

这里试了企业微信，因为需要：WS 中继地址，就没做深入的研究；飞书测试成功了；

聊天频有 Feishu Bot 、DingTalk Bot 、WeCom Bot、QQ Bot、Telegram Bot、 Discord Bot 、WhatsApp Bot ， 目前不确定哪个不需要内网穿透 or 公网ip就能用；

5.1 接入飞书

5.1 创建应用

在这里插入图片描述
在这里插入图片描述

5.2 应用添加机器人能力并导入权限

如下图：添加机器人能力，然后点击菜单的权限管理： 导入权限如下

{ "scopes": { "tenant": [ "aily:file:read", "aily:file:write", "application:application.app_message_stats.overview:readonly", "application:application:self_manage", "application:bot.menu:write", "contact:user.employee_id:readonly", "corehr:file:download", "event:ip_list", "im:chat.access_event.bot_p2p_chat:read", "im:chat.members:bot_access", "im:message", "im:message.group_at_msg:readonly", "im:message.p2p_msg:readonly", "im:message:readonly", "im:message:send_as_bot", "im:resource", "cardkit:card:write" ], "user": ["aily:file:read", "aily:file:write", "im:chat.access_event.bot_p2p_chat:read"] } }
在这里插入图片描述

5.3 查看APP ID和秘钥

如下图：点击appId 和秘钥

在这里插入图片描述

5.4 发布应用

点击菜单的版本管理和发布，填写信息，发布应用

在这里插入图片描述

5.5 配置事件与回调改成长连接

在这里插入图片描述


然后点击下方的添加时间按钮：输入 im.message.receive_v1
切记：重新部署应用，这里发布了新版本 1.0.1

在这里插入图片描述

5.6 配置openCowork

点击左侧的 Feishu Bot，然后粘贴应用 appId 和秘钥
然后滚动到最下方：允许读取的路径可选配，然后启用

在这里插入图片描述

5.7 测试

1）应用商店下载飞书并登陆： 在下方更多菜单 的工作台，添加常用应用，搜索oepnCoWork；
2）然后电脑OpenCowork对话框的加号，勾选聊天频道飞书；
3）点击机器人输入现在几点了，桌面上有什么等内容，就能自动回复和操作电脑上了；

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

总结

整体体验下来，OpenCowork 更适合用于 本地文档生成、资料整理、代码或文本批量处理 等需要直接操作本地文件的场景。

不过相比云端 AI 平台，它在 生成速度、工具能力和任务复杂度支持 上仍有差距；尤其在长文档生成、多工具协作等场景下，效率和稳定性不如云端服务。因此更适合作为 本地文件处理的辅助工具，而不是完全替代云端 AI。

Read more

华为OD机试双机位C卷-机器人活动区域(Py/Java/C/C++/Js/Go)

华为OD机试双机位C卷-机器人活动区域(Py/Java/C/C++/Js/Go)

机器人活动区域 2026华为OD机试双机位C卷 - 华为OD上机考试双机位C卷 100分题型 华为OD机试双机位C卷真题目录点击查看: 华为OD机试双机位C卷真题题库目录｜机考题库 + 算法考点详解 题目描述 现有一个[机器人]，可放置于 M × N 的网格中任意位置，每个网格包含一个非负整数编号，当相邻网格的数字编号差值的绝对值小于等于 1 时，机器人可以在网格间移动。 问题： 求机器人可活动的最大范围对应的网格点数目。 说明：网格左上角坐标为 (0,0) ,右下角坐标为(m−1,n−1)，机器人只能在相邻网格间上下左右移动 输入描述 第 1 行输入为 M 和 N * M 表示网格的行数 * N 表示网格的列数 之后 M 行表示网格数值，每行 N 个数值（

FPGA电子时钟设计

1.设计目标 - 实现24小时制数字时钟的基本计时功能（时:分:秒） - 通过8位数码管显示时间，格式为 HH.MM.SS - 支持按键调整时间（秒、分、时分别可调） - 拓展：本设计实现闹钟功能，可设置闹钟时间并在指定时间触发蜂鸣器报警 2.开发流程 2.1开发环境 | 目标器件 | EP4CE10F17C8 (Altera Cyclone IV) | | 开发工具 | Quartus II 13.0 | | 系统时钟 | 50MHz晶振 | | 编程语言 | Verilog HDL | 2.2架构设计 为了提供一种最简单直观的显示，开发板上提供了一个7段8位共阳极数码管电路，为了减少对FPGA引脚资源的占用，开发板上的数码管采用串行移位寄存器芯片将串行数据转化为16位并行数据后进行驱动。Cyclone IV E通过3根数据线，
FPGA 工程师到底有哪些方向？每个岗位都在干什么？一篇给你讲清楚

FPGA 工程师到底有哪些方向？每个岗位都在干什么？一篇给你讲清楚

很多人说“学 FPGA 就是写 Verilog”，但真正进了行业才发现—— FPGA 工程师并不是一个岗位，而是一整个岗位族群。 不同公司、不同项目，对 FPGA 工程师的要求差异非常大。 如果方向选错，可能学了半年发现岗位根本不对口。 这篇文章就系统地给你拆一拆： 👉 FPGA 工程师到底有哪些岗位？ 👉 每个岗位具体干什么？ 👉 需要掌握哪些能力？ 👉 适合什么样的人？ 一、FPGA 工程师整体岗位划分（先给结论） 从企业招聘角度来看，FPGA 岗位大致可以分为 6 类： 岗位方向关键词偏向FPGA 逻辑设计工程师Verilog / 时序 / 接口核心开发FPGA 算法 / 加速工程师图像 / AI / DSP算法落地FPGA 底层驱动工程师DDR / PCIe / SerDes硬件接口FPGA 系统应用工程师Linux + FPGA系统集成FPGA 验证 / 测试仿真 / 验证质量保障FPGA 技术支持 / FA客户 / 项目支持应用型
一文讲清楚RAG 四大模式：Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG

一文讲清楚RAG 四大模式：Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG

随着技术迭代，RAG 已从最初的简单架构发展出多种进阶形态。本文将系统解析 RAG 的四大主流模式 ——Naive RAG、Advanced RAG、Modular RAG 与 Agentic RAG，从工作原理、技术特点到适用场景进行全方位对比，为技术选型提供参考。 一、RAG 基础：检索增强生成的核心逻辑 在深入模式解析前，需先明确 RAG 的核心逻辑。简单来说，RAG 由检索（Retrieval） 与生成（Generation） 两大模块构成： 检索模块：从预设知识库中精准定位与用户问题相关的信息片段（如文档、段落、句子）； 生成模块：基于检索到的信息，结合大语言模型生成符合上下文、逻辑连贯的答案。 这种 “先检索再生成” 的模式，既保留了 LLM 的语言理解与生成能力，又通过外部知识的引入弥补了模型训练数据过时、事实准确性不足的缺陷。