Tutorial

本地跑大模型这件事，门槛从来不是模型——Qwen3-4B 的权重谁都能下。门槛是那块能把 4B 模型跑到「可用」的芯片，以及为它付的几百上千美金和几十瓦电费。

我花 299 美金买了一块 Arduino VENTUNO Q，把这件事的门槛砸到了地板上：一块 160×100mm 的开发板，NPU 上跑 Qwen3-4B 文本 16.6 tok/s、跑 Qwen3-VL-4B 看图 13 tok/s，纯本地、零边际成本、常驻不关机。

开始教程之前，先把一件事说清楚：这篇文章的所有配置，都是用 OpenCode 以对话方式完成的，没有一行命令是我手敲的，效率比手工高得多。 OpenCode 作为 agent 直接在板子上执行 shell、读写文件，背后配 DeepSeek V4 Flash（快、便宜、上下文长），查资料、装环境、部署模型、写服务、排错，甚至板子上那份上手文档的初稿，全部在一个会话里贯通。这种做法的效率提升非常直接：不用手工复制命令，不用在搜索引擎和终端之间来回切换，agent 踩了坑当场修，下文的每一条命令都是它当时实际执行、验证通过的记录。最后配出来的本地 VLM 服务本身就是一个 OpenAI 兼容后端，又反过来接进 OpenCode 用——用 AI 搭 AI，闭环了。

这篇是完整上手教程——从开箱到把它变成一个 OpenAI 兼容的常驻服务，接进你的 Agent 工具链。中间有三个能让你白耗一个下午的坑，我一并写清楚。

Arduino VENTUNO Q 官方产品图（仅作描述性引用）

上周一个钉钉校招生来找我抱怨。他帮在校的师弟调毕业设计，想做一个「钉钉里 @ 一下机器人，就能让本地 Agent 帮忙跑数据分析、回传结果」的小系统。思路很清楚，卡壳的地方很尴尬——卡在了第一步：钉钉开放平台管理后台。

他注册了开发者账号，进了那个后台，对着「企业内部应用 → 创建应用 → 机器人配置 → 权限申请 → 版本发布」一长串表单发呆，搞了一下午连机器人 token 都没拿到。他来找我吐槽：「是不是还得租个服务器写个后端，机器人才能跑起来？这门槛也太高了吧。」

我把他从那个后台里拽了出来，敲了一条命令给他看：

dws dev connect --channel opencode --unified-app-id <你的应用ID>

三十秒后，他在钉钉里 @ 那个机器人说「hi」，本地 opencode 接到消息、生成回复、回传钉钉，整个链路通了。没有碰管理后台，没有写后端服务，没有租服务器。

这篇文章就是把这个过程从浅到深讲一遍： 先一条命令把通用 Agent 接进钉钉，再用 opencode 本体搭出一个鲁棒、自愈、能实时回传进度的垂直 Agent 协同系统。面向的就是在校同学——你有一台笔记本、会用命令行、装了 opencode，就能跟着跑通。

每家公司都说"以用户为中心"，但 90% 的用户声音（Voice of Customer, VOC）最终的归宿是——躺在某个 Excel 表里，等着某个产品经理"有空的时候"去翻一翻。

问题不是团队不重视用户反馈。问题是：从原始反馈到可执行的产品动作之间，隔着太多手工活。 收集、清洗、分类、归因、优先级排序、写进 Backlog——每一步都在消耗人的精力，而人的精力是有限的。

这篇文章是一个完整的教程：如何用 AI + 自动化工具，把 VOC 变成一条可执行的生产线——从原始数据采集，到最终输出结构化的产品需求，全程自动。