我们在使用 OpenClaw 时都有过这样的困惑：明明安装了许多强大的 Skills（技能），API 也是最贵的，但代理的表现却依然笨拙，只能被动响应，无法主动思考，甚至经常重复提问。这并不一定是大模型本身的能力不足，也不是插件质量问题，核心原因在于忽略了系统底层的“灵魂”配置。真正决定 OpenC ...

我们在使用 OpenClaw 时都有过这样的困惑：明明安装了许多强大的 Skills（技能），API 也是最贵的，但代理的表现却依然笨拙，只能被动响应，无法主动思考，甚至经常重复提问。这并不一定是大模型本身的能力不足，也不是插件质量问题，核心原因在于忽略了系统底层的“灵魂”配置。真正决定 OpenC ...

上次我们完成了基础的安装，也介绍了怎么安装skills，但是其实并没有进行扩展，今天我们来进行一些进一步的配置介绍。经过了几天的尝试，安装后第一件重要的事情，安装github、然后构建一个自动备份的skills。尤其是如果你是部署在云平台或者是wsl的虚拟机上，建立配置文件是第一重要的事情（因为我w ...

openclaw 近段时间爆火，但是因为工作问题/过年and最主要的人懒惰，所以就一直没时间去玩。 这两天想着测试看看效果，所以在此记录下部署过程，后续持续更新。 安装 OpenClawUbuntu因为实际使用的是windows电脑，所以我们先通过wsl准备对应的ubuntu环境。 环境准 ...

整理酶功能/动力学预测大模型中与 SMILES 相关的角色：底物线性编码、典型双支路架构、代表工作（UniKP、DLKcat、DeepEnzyme 等）、数据与清洗注意；附 RDKit/PyTorch 实践实例。

文献《Enhancing the reverse transcriptase function in Taq polymerase via AI-driven multiparametric rational design》解析：ProtT5-XL 同源 evotune、嵌入均值汇聚、Ridge/高斯过程回归与千万级 in silico 筛选。

文献《Rapid in silico directed evolution by a protein language model with EVOLVEpro》解析：ESM-2 序列表征、残基嵌入均值汇聚、随机森林回归与主动学习 top-N 策略，及与零样本 PLM 适应度的关系。

文献《UniKP》解析：基于 ProtT5 与 SMILES Transformer 表征 + 极端随机树（Extra Trees）统一预测 kcat、Km 与 kcat/Km；EF-UniKP 环境因子、样本重加权与和 DLKcat、DeepEnzyme 等的关系。

文献《DeepEnzyme》解析：融合 Transformer 与图卷积网络（GCN），利用蛋白质三维结构与底物信息预测酶周转数（kcat），及与 TurNuP、DLKcat、UniKP 等的对比与适用场景。

notepad的常用插件，提高效率。