PC Watch 刘 尭:用 Tailscale+SSH 让 Meta Muse 走出云虚拟机,在 21 年前的 Zaurus 和 7 年前的 Jetson Nano 上自主编程
Meta 的 AI 代理 Muse 运行在一台 4 核 EPYC、8GB 内存的云端虚拟机上。对于日常任务——管理邮件、安排日程、定时提醒——这个配置绰绰有余。但如果想让它写代码、编译、在真实设备上验证,这台虚拟机就成了牢笼:它无法接触实机,无法自己跑测试,每次都要把产物交给人类验证再反馈。
PC Watch 作者刘 尭在 2026 年 11 月发表了一篇详细的实践记录,展示了一种绕过这个限制的方法:通过 Tailscale 建立加密隧道,让 Muse 的云端 VM 通过 SSH 远程操作一台本地 PC,再由这台 PC 作为跳板连接更底层的遗留硬件。整个链路是 Muse VM → Tailscale+SSH → MINISFORUM MS-R1(12核Arm、64GB内存、Tesla P4 GPU)→ Telnet → Sharp Zaurus SL-C1000(2005年的Linux PDA,64MB内存)。
这个桥接的核心价值在于让 AI 获得自我验证能力。在虚拟机里,Muse 只能写出代码、编译出安装包、交给人类去实机上跑。一旦它能直接操作目标设备,就能自己完成「写→编译→运行→截图→检查→修正」的闭环。刘 尭让 Muse 在 Zaurus 上开发了一个 megademo,30 分钟内就启动运行了——这是之前人类验证反馈循环做不到的速度。不过闭环并非完美:Muse 回收了帧缓冲区的图像,但没有真正「看到」屏幕,把画面上下颠倒了。被告知后,它又搞成了左右翻转。最终作者不得不拍了一张实机屏幕照片发给它,才纠正了方向问题。
更有说服力的测试是 NVIDIA Jetson Nano(2019年的开发板)。刘 尭要求 Muse 将 Liquid AI 的 230M 参数小模型 LFM2.5-230M 通过 llama.cpp 跑在 Jetson Nano 的 Maxwell 架构 GPU 上。这个需求几乎处处不兼容:llama.cpp 最新版需要 CUDA 12+,而 Jetson Nano 的 JetPack 4.2 只有 CUDA 10.x;代码需要 C++17,JetPack 4.2 只有 C++14;gcc 7 库不完整;集成 GPU 还有额外限制。Muse 反复编译、读错误、打补丁,经过 17 次迭代终于跑通了。结果:预填充 419.6 tok/s,解码约 13.5 tok/s——对一块七年前的板子来说已经可用。
但刘 尭随后把调优工作交给了 Claude Code(Opus 5.5),同样的硬件、同样的模型,最终性能达到 656.2 tok/s 预填充、52.5 tok/s 解码——解码速度翻了近四倍。这个对比揭示了两种工具在工作流结构上的根本差异:Claude Code 会先写一个小的探针程序在实机上运行,观察实际行为后再动手实现;Muse 则倾向于凭猜测直接推进实现,事后才回溯发现错误。作者把这种差异归结为「编码专用工具」与「通用代理」的定位不同,Muse 作为通用代理能配合完成计算机考古工作本身已属不易。
从更宏观的角度看,刘 尭的实践指向一个反直觉的结论:当 AI 能无限生成软件时,新硬件的购买理由反而减少了。真正增值的是那些「不会再以同样形态和价格出现」的遗留设备——2005年的PDA、2019年的开发板。AI 代理给了它们复活的机会,前提是你能找到方法把 AI 从云端笼子里放出来。作者也坦承了安全风险:让 AI 远程访问家庭网络,本质上类似于电影里「为了消灭病毒而主动启动天网」的场景。他的缓解措施包括:Tailscale 和 SSH 双重加密、本地 PC 上只存放开发数据、作业完成后关闭遗留设备网络。对于想要尝试类似做法的读者,这些边界值得认真评估。
信息源:PC Watch