Microduck 的 IMU 集成：为什么姿态传感器和舵机共享一条总线做机器人控制的人都知道 IMU 是命门。策略每 20 毫秒要做一次决策，身体朝哪歪了、是不是要摔了，全靠这个传感器说了算。但 IMU 怎么接进系统，接在哪里，用什么协议传数据——这些问题看起来是硬件细节，实际上影响的是整个控制链路的延迟、可靠性和 sim2real 一致性。Microduck 在这件事上做了一个不太常规的设计选择：IMU 和 ……继续阅读 » admin 2天前 17浏览 0个赞
Microduck 的前滚翻训练：一只鸭子怎么学会翻跟头而不摔成breakdance教机器人走路已经够难了。教它翻跟头？听起来像是在搞杂技。但 Microduck 的 RL 训练仓库里真有一个 roulade 任务——前滚翻。机器人从站立开始，头顶着地，身体向前翻滚一圈，最后回到站立姿态。整个过程不到两秒。这件事的难点不是”能不能翻”。RL 策略发现暴力翻滚的路径太容易了。难点在于让它翻得……继续阅读 » admin 3天前 20浏览 0个赞
这个模板解决什么问题做AI应用的人多半经历过这个阶段：前端跑起来了，后端API写好了，向量数据库也选好了，但要把它们跑在同一台机器上，配环境变量、搞网络、调端口，折腾半天就是跑不通。这篇给你一个可以直接用的Docker Compose模板，包含Qdrant向量数据库、FastAPI后端、Next.js前端，一条命令启动整个AI应用开发环境。这个模板解决什么问题独立开发者搭AI应用，技术栈通常是这么几样：一个向……继续阅读 » admin 3天前 17浏览 0个赞
Microduck 的安全层设计：为什么一只鸭子摔了不会烧舵机做机器人控制的人都知道一个恐怖场景：策略跑着跑着突然输出了一个 NaN，舵机瞬间收到一个离谱的目标位置，电机全力冲过去——然后堵转，电流飙到峰值，线圈烧了。800克的鸭子不算大，但14个舵机换一遍也不便宜。Microduck 的 robotd 里有一道安全层，卡在策略输出和总线写入之间。它不是什么花哨的AI安全框架，就是几条硬规则，但每条都是踩过坑之后……继续阅读 » admin 4天前 34浏览 0个赞
做AI产品的独立开发者，技术能搞定，定价却经常犯怵。定高了没人买，定低了cover不了API成本。更麻烦的是，AI产品有ongoing成本——每次调用都在花钱，不像传统SaaS卖个席位就完事。这篇把四种主流AI产品定价模型拆开讲，每种都附真实案例和数据，帮你选适合自己产品的定价方式。四种定价模型概览AI产品的定价核心矛盾在于：价值来自模型调用，但模型调用本身有成本。你需要找到一个结构，既能让用户感知价值，又不会……继续阅读 » admin 4天前 31浏览 0个赞
Microduck 的双层配置：为什么改过参数的鸭子升级后不会丢设置搞嵌入式的人大概都遇到过这个场景：你在某台设备上调了一堆参数，固件升级之后参数全没了。要么是因为更新把配置文件覆盖了，要么是因为新版本改了配置格式，旧值直接不认了。消费者产品还好，大不了重新配一遍。但要是你在一台机器人上花了两周调步态参数，升级后全丢，那就想砸东西了。Microduck 的方案挺有意思。它用了一个双层 TOML 配置系统，把……继续阅读 » admin 5天前 50浏览 0个赞
引言做RAG应用的人多半有过这个体验：Demo跑得很顺，上线一周账单吓人。问题不在哪个单一环节，而是RAG的成本分散在五个地方，容易东漏一点西漏一点，加起来就很夸张。这篇文章把RAG的每个环节成本拆开算，帮你在选型时心里有数。Embedding阶段：token花在哪RAG的第一步是把文档切片送去向量化。成本取决于两个变量：文档量和Embedding模型定价。以OpenAI的text-embedding-3-……继续阅读 » admin 5天前 49浏览 0个赞
Microduck 的诊断仪表盘：robotctl monitor 怎么让一只鸭子变得可读搞机器人调试的人都知道一个痛点：你想知道机器人现在到底在干什么，但你能看到的只有一堆日志文件和串口原始数据。关节角度是多少？策略输出是什么？安全层有没有在钳位？IMU 读数正常吗？电池还剩多少？这些问题每一个都需要一条单独的命令去回答，等你全部跑完，鸭子早就摔了。Microduck 的答案是 robotctl monitor……继续阅读 » admin 6天前 44浏览 0个赞
AI应用认证方案选型：JWT、OAuth 2.0和Session的代码实现与对比做一个AI应用，用户认证这块怎么搞？很多人卡在这里。API写好了，前端搭好了，但认证方案选不对，后面安全问题一大堆。这篇把三种主流方案讲清楚，附带可以直接用的代码。先说结论：没有最好的方案，只有最适合你场景的。JWT适合无状态分布式部署，OAuth 2.0适合接入第三方登录，Session适合传统单体应用。下面逐个拆解。JWT方案：……继续阅读 » admin 6天前 45浏览 0个赞
Microduck 的奖励函数设计：六条用摔鸭子换来的 PPO 训练教训做强化学习最魔幻的事情是什么？你的策略在仿真里跑得完美，reward 曲线一路向上，你以为自己解决了双足行走。然后你把策略丢到真机上，鸭子摔了。不是因为 sim2real gap，而是因为你的奖励函数根本没在奖励你以为它在奖励的东西。Pollen Robotics 在 Microduck 的 RL 训练仓库里沉淀了一套奖励设计规则。这些规则不……继续阅读 » admin 7天前 69浏览 0个赞
为什么Agent架构选择比模型选择更重要很多人在构建AI应用时花了大量时间对比GPT-4o和Claude哪个好，却忽略了一个更关键的问题：你的Agent用哪种架构模式来调度模型。模型决定了智商上限，架构决定了能力下限。一个用对架构的GPT-4o-mini，实际表现往往好过用错架构的GPT-4o。Anthropic在2024年发布Agent构建指南时明确说了一句话：大多数AI应用其实不需要Agent，用单次LLM调……继续阅读 » admin 7天前 63浏览 0个赞
做 sim2real 的人大概都有过这种体验：策略在仿真里走得稳稳的，上了真机第一步就歪。你调了地面摩擦、加了传感器噪声、域随机化也铺了一堆参数，但鸭子还是摔。问题可能出在一个你没想到的地方——齿轮间隙。Microduck 用的是 Dynamixel XL330 舵机，14 个关节驱动整个身体。这种舵机内部有齿轮箱，齿轮之间不是严密咬合的，存在一定量的机械间隙。Pollen Robotics 在训练仓库里专门给每个……继续阅读 » admin 1周前 (11-03) 70浏览 0个赞
为什么你的Prompt总是不靠谱很多开发者上手LLM的第一件事，就是写一段自然语言指令扔给模型。能跑通就觉得可以了，跑不通就加几句话再试。这种试错法在原型阶段没问题，但一旦进入生产环境，你会面临一个核心问题：怎么保证Prompt在1000次调用里都稳定输出？Anthropic官方文档明确指出，Prompt工程的前提是先定义成功标准和评估方法，而不是上来就调措辞。换句话说，没有eval的Prompt优化就是盲人摸象……继续阅读 » admin 1周前 (11-03) 79浏览 0个赞
做过机器人控制的人都知道，单个策略网络解决不了所有问题。走路是一个动力学，站起来是完全另一个，翻滚又是第三个。Microduck 的方案不是训一个巨大的多任务网络，而是训了六个独立策略，部署时根据机器人状态自动切换。今天拆开看这个状态机怎么工作。六个策略，一个观察契约Microduck 的 RL 仓库训练了至少六种策略：Velocity（走路）、VelStand（走路+摔倒恢复）、StandUp（从地面站起来）、……继续阅读 » admin 1周前 (11-02) 101浏览 0个赞
Serverless部署AI应用：Vercel vs Cloudflare Workers vs Railway成本与延迟对比独立开发者部署AI应用时最常见的纠结：选哪个平台？Vercel函数方便但按量计费怕爆账单，Cloudflare Workers便宜但128MB内存够不够，Railway灵活但按秒计费到底贵不贵。这三个方案我反复对比过，把关键数据整理出来，帮你做决策时少走弯路。先搞清楚三个平台的核心差异这……继续阅读 » admin 1周前 (11-02) 107浏览 0个赞
Microduck 的域随机化：为什么训练时要故意把鸭子搞”坏”做过 sim2real 的人都知道一个反直觉的事：你在仿真里把环境调得越完美，策略上了真机摔得越惨。原因很简单——仿真永远跟真实有偏差，策略如果只在一种”完美”环境里训练过，它学到的是过拟合的解，不是泛化的解。域随机化（Domain Randomization，DR）就是故意把仿真参数搞乱，让策略见过足够……继续阅读 » admin 1周前 (11-01) 91浏览 0个赞
为什么选 Cloudflare Workers + D1做 AI 应用最头疼的事情之一，就是控制 API 调用频率。用户一下子请求太多，你的 OpenAI 账单炸了；限制太严，用户体验又差。市面上有 Redis、有 Upstash，都能解决这个问题，但对独立开发者来说，多一个服务就多一份维护成本和账单。Cloudflare Workers 配合 D1 数据库，可以零额外成本实现一套够用的速率限制方案。这篇文章给出……继续阅读 » admin 1周前 (11-01) 108浏览 0个赞
Microduck 的深度感知：8×8 像素的 ToF 传感器怎么变成鸭子的眼睛做过机器人感知的人看到 8×8 这个分辨率可能会笑。这是什么？一个能看清什么的矩阵？64 个像素能干什么？但 Microduck 的头部藏着一颗 ST 的 VL53L5/CX 飞行时间传感器，就靠这 64 个像素，鸭子能知道你把手伸过来了、前面有堵墙、或者自己正对着镜子。今天拆开看这个最小的感知子系统怎么工作。为什么不是相机Micr……继续阅读 » admin 2周前 (10-31) 103浏览 0个赞
AI产品冷启动：从0到100个用户的低成本获客渠道对比做AI产品的独立开发者十个有九个卡在同一关：产品写完了，没人用。不是产品不行，是不知道去哪找第一批用户。这篇聊聊几个真正能带来前100个用户的渠道，每个都附上成本和效果数据。先搞清楚一件事：冷启动不是营销冷启动阶段和成熟期完全不同。你不需要ROI优化，不需要精致的品牌素材，需要的是快速验证有人愿意用你的东西。YC的Michael Seibel说过，早期获客的……继续阅读 » admin 2周前 (10-31) 123浏览 0个赞
Microduck 的总线拓扑：15 个舵机和 1 个 IMU 怎么挤在一条 UART 上做过机器人总线设计的人都知道，设备多了麻烦就多。地址冲突、总线拥塞、读取延迟——每个都能单独搞死你的控制循环。Microduck 的方案简单粗暴：一条 UART，1 Mbps，挂在上面 16 个设备，50 Hz 循环每个 tick 全读一遍再全写一遍。今天拆开看这条总线怎么做到不堵。一条线，16 个设备，没有第二条Micr……继续阅读 » admin 2周前 (10-30) 128浏览 0个赞
选Embedding模型只看MTEB分数？实际场景要考虑5个维度搭RAG系统的时候，Embedding模型的选择直接决定检索质量。很多人打开MTEB排行榜，选个分数最高的就完事了。但实际跑起来发现召回率不达标、成本超预算、多语言场景效果差，根本不是那么回事。MTEB分数只是参考。真正影响你选择的是维度、速度、价格、语言支持和上下文长度这五个因素。这篇文章拆开讲，帮你避坑。MTEB排行榜怎么看MTEB（Mass……继续阅读 » admin 2周前 (10-29) 103浏览 0个赞
