使用本地 LLM 技能在线订购杂货
我发现 Q3.6 27b（同级别模型）的应用场景越来越多，其最佳表现出现在问题的答案已存在于上下文中时。一旦尝试开放式或雄心勃勃的任务，Claude/ChatGPT 显然能更快地达成目标。但对于可以构建知识库的场景，本地 LLM 绝对是一个有力的竞争者。任务：用户为本地大模型（Qwen 3.6 27b）构建了一个自定义杂货购物技能，以自动化在线订购。该系统整合了粗略的冰箱库存、最近10个代表性订单（用于偏好学习）以及实时库存数据。执行过程通过操作系统无障碍API驱动Chrome浏览器，使智能体能够自主导航购物网站并下单。；工具：custom-built or unnamed agent。人工角色：原始帖子没有说明人如何参与。；局限：来源未说明人工审批步骤、缺货时的错误处理或支付安全措施。依赖操作系统无障碍API进行浏览器控制可能在不同网站上表现不稳定。“完全解决”的说法是轶事性的，缺乏对订单准确性或财务影响的验证。。
工具
custom-built or unnamed agent
Agent Work Atlas 发布日期:
概述
我发现 Q3.6 27b（同级别模型）的应用场景越来越多，其最佳表现出现在问题的答案已存在于上下文中时。一旦尝试开放式或雄心勃勃的任务，Claude/ChatGPT 显然能更快地达成目标。但对于可以构建知识库的场景，本地 LLM 绝对是一个有力的竞争者。
工作流程
用户为本地大模型（Qwen 3.6 27b）构建了一个自定义杂货购物技能，以自动化在线订购。该系统整合了粗略的冰箱库存、最近10个代表性订单（用于偏好学习）以及实时库存数据。执行过程通过操作系统无障碍API驱动Chrome浏览器，使智能体能够自主导航购物网站并下单。
原文报告的结果
作者报告称，本地大模型成功在线订购了产品，解决了关于食材可用性和浪费的个人痛点。未提供量化指标、错误率或成本节约数据。用户指出，虽然开放式任务更倾向于云端模型，但这个特定的基于知识库的工作流已被本地模型完全解决。
人工角色
原始帖子没有说明人如何参与。
局限
来源未说明人工审批步骤、缺货时的错误处理或支付安全措施。依赖操作系统无障碍API进行浏览器控制可能在不同网站上表现不稳定。“完全解决”的说法是轶事性的，缺乏对订单准确性或财务影响的验证。
试一试
充当配置为杂货订购的本地LLM智能体。我的上下文包括：[可替换：冰箱库存列表]、[可替换：最近10个订单历史]和[可替换：实时库存API数据]。使用通过操作系统无障碍API驱动的Chrome浏览器导航至[可替换：目标杂货网站]。首先，执行试运行：识别[可替换：特定膳食计划]所需的3种物品，检查库存，并生成购物车摘要。不要下单。将摘要呈现给我审批。如果批准，执行结账流程。如果任何物品缺货，暂停并询问替代偏好。确保在没有明确确认的情况下不处理付款。
来源报告未经独立核验。发布日期为本站案例发布日期，并非原始文章日期。