StartseiteArtikel

Gerade wurde das Startup von Zhang Bo von DeepSeek enthüllt: Open-Source-Personal-Agent

量子位2026-11-20 08:54
Speziell für die On-Premises-Bereitstellung entwickelt

Zusammen sind wir ein loderndes Feuer, verteilt sind wir Sterne am ganzen Himmel.

Gerade hat Tony Zhang (Bo Zhang), ehemaliger Autor von DeepSeek V1 und Projektleiter von DeepSeek-VL, sein neues Startup-Projekt offiziell vorgestellt: Linger.

Die Ausrichtung ist genau das derzeit beliebteste persönliche Personal Agent.

Der Entwicklungsweg ist auch ziemlich interessant: Während Konkurrenten alle mobile Apps entwickeln, wählen sie zuerst den PC als Plattform.

Das bedeutet, dass Linger auf bereits vorhandene Webseiten, E-Mail-Postfächer und Kalender auf deinem Computer zugreifen kann, ohne dass du eine Menge Anmeldeinformationen neu konfigurieren musst.

Wenn es an einer Stelle hängt, kannst du auch direkt eingreifen und die Steuerung übernehmen.

Ein weiterer Punkt: Als Zwischenschicht unterstützt Linger die Anbindung verschiedener Drittanbieter-Modelle.

Zusätzlich wurde es speziell für lokale LLMs optimiert.

Genauer gesagt kann eine RTX 3060-Grafikkarte mit 12 GB VRAM ein Qwen3.8-Flash-Next-Modell mit 125B-Parametern ausführen, und die Generierungsgeschwindigkeit beträgt 45,5 Token pro Sekunde.

Übrigens gibt es noch eine ziemlich wichtige Sache —

Dieses System ist quelloffen...

Warum eigentlich?

In der offiziellen Ankündigung zitiert Tony Zhang die Geschichte des Aufstiegs von PCs:

In den 1960er Jahren war das Rechnen zentralisiert, bis der PC die Rechenleistung in die Hände jedes Einzelnen legte. Heutzutage wird KI in Rechenzentren trainiert und dann in Form von Tokens an dich vermietet.

Wir glauben, dass Intelligenz verteilt sein sollte. Dein Kontext, deine Daten und die Intelligenz, die sie antreibt, sollten vollständig dir gehören.

Deshalb haben sie heute Linger quelloffen gemacht, einen exklusiven Agent, der auf deinem persönlichen Computer läuft.

Das ist auch die gute Tradition von „Big Fat Whale“ fortzuführen 😭.

Eine KI, die aktiv handelt und selbst lernen kann

Der Kern von Linger ist das Agent-System namens „Another Me“.

Es ist zuerst ein Gedächtniszentrum.

Linger liest lokal dein Postfach, deinen Kalender, Chatverläufe und Besprechungen und sortiert diese Informationen jede Nacht automatisch zu einer persönlichen Wissensdatenbank (Wiki), die von allen Agenten abgefragt werden kann.

Im LoCoMo-Benchmarktest, der die Fähigkeit zum Langzeitgedächtnis in Dialogen misst, erreichte Linger eine Genauigkeit von 95 % und übertraf damit mehrere gedächtnisverstärkte KI-Systeme wie Mem0 und MemOS.

Mit all diesen Funktionen kann Linger noch besser aktiv arbeiten.

Es beobachtet stillschweigend deinen Informationsfluss und entscheidet je nach Wichtigkeit und Dringlichkeit von Ereignissen, wann es dich erinnert. Wenn du am Montag eine E-Mail von einem Kunden erhältst, der ein Angebot bis Freitag verlangt, wird es dich nicht sofort stören, sondern erst am Mittwochmorgen eine Erinnerung einblenden.

Wenn sich jedoch die Besprechungszeit ändert, wird es dich sofort benachrichtigen.

Dieser Agent lernt auch selbst aus deinem Feedback, was Linger als „implizite Verstärkung“ bezeichnet.

Zum Beispiel, wenn es dich erinnert, dass eine Rechnung bald fällig ist, und du antwortest „Ich habe sie letzte Woche erhalten, du hättest mich damals schon informieren sollen“, speichert das System einen Hinweis.

Wenn beim nächsten Mal eine ähnliche Situation mit einer anderen Rechnung auftritt und du erneut die gleiche Präferenz ausdrückst, generiert das System automatisch eine Regel: „Lieferantenrechnung → sofort erinnern“.

Umgekehrt, wenn du zweimal hintereinander kein Interesse an „Liefererinnerungen“ zeigst (z. B. indem du sie direkt ignorierst oder antwortest „Sag mir das nicht“), wird es auch lernen, zukünftig still zu bleiben.

Du kannst auch direkt Anweisungen geben, um es auf einmal zu lehren. Zum Beispiel sagst du ihm: „Benachrichtige mich sofort, wenn der Kunde antwortet“ oder „Nach 21 Uhr musst du mich nicht sofort über Änderungen von Besprechungen informieren“.

Diese fortwährende Interaktion und das Lernen lassen den Agenten deine Arbeitsgewohnheiten immer besser verstehen und zu einem wirklich personalisierten Assistenten werden.

Darüber hinaus kann Linger auch:

Den Desktop und den Browser bedienen.

Wie am Anfang erwähnt, kann Linger direkt Chrome und verschiedene Apps verwenden, die bereits auf deinem Computer angemeldet sind, ohne dass du sie neu konfigurieren musst.

Ein Agent-Team aufbauen.

Das ist genau das Super-Agent-Prinzip, das DeepSeek zuvor erläutert hat.

Wenn du eine komplexe Aufgabe stellst, ruft „Another Me“ Agenten mit unterschiedlichen Funktionen auf oder erstellt sie, um die Arbeit gemeinsam zu erledigen.

Und du bleibst nur in dieser einen Sitzung mit Linger.

Sprachinteraktion.

Diese Funktion dient hauptsächlich der Büro-Szene.

Linger kann Besprechungen in Echtzeit transkribieren, nach der Besprechung direkt den Agenten nach dem Inhalt der Besprechung fragen und ihn bitten, die To-Do-Elemente zu verfolgen.

Kurz gesagt, es handelt sich um einen Personal Agent, der speziell für Büroszenen optimiert ist.

Einige Nutzer verstehen diese Produktpositionierung jedoch nicht:

Warum entwickelt ihr es nicht auf Basis von DeepSeek harness 🣖 Was ist der Unterschied zu ds-bot?

Dazu antwortete Tony Zhang:

Der Fokus von Linger liegt darauf, Modell und Harness gemeinsam zu optimieren: Mit einer 12-GB-Grafikkarte kann man 125B-Modelle lokal ausführen, man zahlt keine Gebühren pro Token und die Daten verlassen niemals den lokalen Rechner.

Aus Sicht der Produktpositionierung: Der Kern von DS-Bot ist die Zusammenarbeit zwischen Bot und Bot sowie zwischen Bot und Gruppe; Der Kern von Linger ist die Interaktion zwischen Mensch und seinem eigenen Agenten sowie zwischen Agent und lokaler Umgebung.

12-GB-Grafikkarte für die Ausführung von 125B-Modellen

Die Kerntechnologie von Linger, die es ermöglicht, Milliardenparameter große Modelle auf Consumer-Hardware auszuführen, ist eine MoE-Inferenz-Engine namens PolyStrata.

Ihr Prinzip kann als intelligenter hierarchischer Speichermechanismus verstanden werden.

Bei einem großen MoE-Modell (Mixture of Experts) platziert PolyStrata die am häufigsten genutzten, aktivsten „Expertenmodule“ im schnellsten GPU-VRAM, die weniger häufig genutzten im Arbeitsspeicher und die am wenigsten genutzten auf der SSD-Festplatte.

Wenn das Modell einen bestimmten Experten aufrufen muss, verschiebt das System die Daten dynamisch zwischen GPU, Arbeitsspeicher und SSD. Auf diese Weise muss nicht das gesamte mehrere zehn oder hundert GB große Modell vollständig in den begrenzten VRAM geladen werden.

Der Effekt ist sofort sichtbar.

Laut offiziellen Daten kann ein Qwen3.8-Flash-Next-Modell mit 125B-Parametern auf einem Computer mit 12 GB RTX 3060 und 64 GB Arbeitsspeicher eine Generierungsgeschwindigkeit von 45,5 Token pro Sekunde erreichen.

Auf der leistungsstärkeren RTX 5090 (32 GB) steigt die Geschwindigkeit auf 179 Token pro Sekunde.

Um Nutzern die Nutzung lokaler großer Modelle zu erleichtern, hat Linger auch eine Funktion namens „Model Autopilot“ entwickelt.

Sie erkennt automatisch deine Hardwarekonfiguration (GPU, VRAM, Arbeitsspeicher) und empfiehlt und installiert dann das leistungsstärkste Modell aus Kombinationen von 49 Sprachmodellen, zwei Inferenz-Engines, verschiedenen Quantisierungsschemata und unterschiedlichen Kontextlängen.

Laut dem Bewertungssystem von SimplexAI können lokale Geräte unterschiedlicher Konfigurationen Fähigkeiten erreichen, die mit gängigen Cloud-Großmodellen vergleichbar sind:

8-GB-Grafikkarte + 32-GB-Arbeitsspeicher: Punktzahl 35,4, ungefähr gleichwertig mit Gemini 2.5 Pro.

Mac mit 24 GB einheitlichem Arbeitsspeicher: Punktzahl 51,9, ungefähr gleichwertig mit Claude Opus 4.5.

12-GB-Grafikkarte + 32-GB-Arbeitsspeicher: Punktzahl 57,3, ungefähr gleichwertig mit Claude Opus 4.6.

Das bedeutet, dass dein Gaming-Laptop oder MacBook über ein wirklich leistungsstarkes KI-Gehirn verfügt, das 7 Tage die Woche 24 Stunden lang bereitsteht, keine Token-Gebühren verursacht und dessen Daten niemals den lokalen Rechner verlassen.

Der Leiter von DeepSeek-VL gründet erneut ein Startup

Hinter Linger steht ein Team mit tiefem technischem Hintergrund, und der Lebenslauf des Gründers Tony Zhang ist besonders beeindruckend.

(Schließlich stammt er aus dem DeepSeek-Umfeld...)

Tony Zhang hat seinen Bachelor-Abschluss an der Zhejiang-Universität erworben, promovierte 2019 an der Hong Kong University of Science and Technology und trat anschließend dem Microsoft Research Asia (MSRA) bei. Er forscht seit langem im Bereich Computer Vision und generative Modelle und ist Autor bekannter Projekte wie VQ-Diffusion und Rodin 3D Digital Human.

2023 trat er DeepSeek bei und arbeitete als KI-Wissenschaftler.

Dort beteiligte er sich nicht nur an der Entwicklung der frühen Sprachmodellreihe DeepSeek LLM V1, sondern war auch Projektleiter von DeepSeek-VL, einem großen visuell-sprachlichen Modell, das für seine hervorragende Fähigkeit zum Verständnis von Bildern, Dokumenten und Diagrammen in realen Szenarien hoch gelobt wird.

Nach seinem Ausscheiden bei DeepSeek lehrte Tony Zhang an der Zhejiang-Universität, arbeitete als Forscher im Rahmen des „100-Talents-Programms“ und Doktorvater und gründete Simplex AI.

Linger ist das neueste Werk von Simplex AI.

Und die Inferenz-Engine, die speziell für lokale Bereitstellung entwickelt wurde und das technische Herzstück von Linger bildet?

Laut Tony Zhang wurde sie von einem 18-jährigen genialen Jugendlichen im Team entwickelt.

18 Jahre alt? Gerade die High School abgeschlossen?

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto <