本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

我的帖子已经打上 开源推广 标签： 是
我的开源项目完整开源，无未开源部分： 是
我的开源项目已链接认可 LINUX DO 社区： 是
我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
以上选择我承诺是永久有效的，接受社区和佬友监督： 是

以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出

上次hermes接入了minimax （我的 token plan plus 套餐有语音额度）对接到QQ，实现了音色克隆和语音合成，小助手能使用我喜欢的角色的声音发语音，简直不要太棒。
但是问题随之而来——克隆音色不包含在套餐的
我克隆一个音色，15元的体验金只剩下5元（我查询了一下克隆花了9.9元）
所以就考虑自己部署一个TTS模型实现声音克隆和合成。
我的硬件设备是：16G内存+6GB显存（RTX 3060）
采用的模型是：omini-voice
（如果有更好的模型大家可以推荐一下）

对应Github仓库： mllt992/xrilang-voice-clone-ominovoice: 基于ominovoice的音色克隆和语音合成。
聊聊这个过程遇到的问题：
首先遇到的第一个问题是性能问题。最开始克隆和合成都非常慢，然后发现没有成功启用显卡，但是启用显卡后发现，竟然内存不足了。

于是让AI分析项目，设计优化方案。

当然还存在一些不足


上图出现错误的原因我觉得有个因素就是提供的示例音频太长太大了

第二个问题是缺乏感情。音色虽然克隆了，也能合成了，但是对于一些句子，感情控制的不到位。
尤其是我克隆用的示例音频是游戏角色的语音，带有一定强烈的情感和风格，（比如语速快的。弄出来之后不管啥句子语速快，就不太合适）然后就是合成的语音，速度感情不到位，不能很好的适配文案。
想法是能不能先对文案做个分析？目前的方式是 做了一层服务侧的自动韵律增强*。“文案理解”和“模型解码参数”接在一起，让语音在合成前先被拆成更适合朗读的小段，再对每一段单独调速度、停顿和风格提示，

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

我的帖子已经打上 开源推广 标签： 是
我的开源项目完整开源，无未开源部分： 是
我的开源项目已链接认可 LINUX DO 社区： 是
我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是
以上选择我承诺是永久有效的，接受社区和佬友监督： 是

以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出

Agent文件系统检索核心：Grep和Glob工具
今天看到一篇文章，说在Harness的定义组件中，Agent的文件系统是核心之一
在文件系统的帮助下，Agent表现出来的搜索能力是非常出色的，用户和开发者不定义搜索路径，只提供输入驱动，而具体的搜索路径是由Agent根据每一次的工具调用动态决定的
Agent的文件检索能力的实现关键，就来源于基础工具：Grep和Glob
最近也在仔细读ClaudeCode的源码，具体的代码实现中有更多“补丁设计”，感觉对于新手不是很友好，读的时候，我觉得opencode或者gemini-cli的实现或许更友好一些，设计和实现都比较干净，如果有相同困惑的佬可以考虑看看
grep和glob这两个工具在很多Agent SDK都是自带的，一方面你可以不用从0开发，可以直接使用框架自带的方法，另外一方面也说明该工具的重要性，我觉得可以成为大模型一样开发claw模式下的基础设施工具
附加一张claudecode的SDK的图说明一下

本文节选自「大模型应用开发 - 上下文工程与运行空间实践指南」
上下文工程是设计原则，Agent Harness 是构建目标。完整内容已发布在 GitHub，欢迎查看

 GitHub - WakeUp-Jin/Practical-Guide-to-Context-Engineering: 大模型应用开发的方向，上下文工程是设计原则，Agent Harness 是构建目标，本项目的目标，是为开发者和研究者提供一份大模型应用开发的骨架思路 · GitHub

一、Glob 工具实现
glob 工具是存在降级策略的，

一周以来就是测试+测试+测试–>bug+bug+bug (其实侧面说来要把一个更学术性的东西转换成实用性的东西并不简单)，这几天也见证了Hermes agent在社交媒体上兴起，见证了它和open claw的种种对比，其实我当时看到Hermes agent的时候是四五天前，但是实际上它在开源社区火起来已经是两个月前了，当时我看到它提出来自进化的时候我以为全完了，感觉得不错的一个work就要沉于大海了

但是转念一想不太对，我的idea应该和它还差挺多的，毕竟EVO的概念火起来也没多久，从ICLR几篇还不错的EVO方向的paper也可以看出来，其实大家在这个方向也没有起步很久，那么我们先来康康Hermes和OpenClaw如何设计的？

【Hermes agent】：让 agent 记住东西+让 agent 慢慢把这些经验变成自己的习惯和能力 （核心问题：这些能力你真的想要吗，这些能力是否都是安全的，能力是否能真正复用，是否需要停止不必要的进化，只进化skill真的够吗？？）
【OpenClaw】：让 agent 长出更多能力 +让这些能力更容易被装上、复用、扩展（核心问题：是否长出的能力是长期可行的，是否满足用户需求，是否能在安全环境下可复用（openclaw的权限问题一直是大家关心的，那么万一进化出高权限但是错误的能力会造成什么后果！），以及部分Hermes agent的问题等等！）
【EVO Harness】: 长期状态沉淀+帮系统管理成长+【harness约束的安全性！】
大家可能会觉得上面的概念有点抽象，可以先看一下我的图片中英文均有->我设计的专门针对自进化的workflow【其他简单harness的设计就不拿出来说了，毕竟也都不可能有Claude code做得好】


至于为什么要现在开源，因为其实大家等了挺久了，私信也在催了hhh，但是实际上我还是有几个测试用例没有很好的通过，有时候因为权限和环境落实不了真实工具，而且我感觉这个让科研到实用的落地路上大家也都可以帮帮忙！我感觉这个work的创意性和作用还是很大的，大家感兴趣也可以支持