起因
有一張 NVIDIA TITAN RTX（24GB VRAM），希望能在 Hermes Agent（需 64K context window）上使用。聽cyankiwi 有提供 Qwen3.5 系列的 AWQ 4bit 量化版本號稱可以在較小的 VRAM 上運行，於是開始測試。
硬體與環境
| 項目 | 規格 |
| GPU | NVIDIA TITAN RTX（Turing 架構，SM 7.5） |
| VRAM | 24GB |
| CUDA | 12.6 |
| vLLM 版本 | 0.19.1 |
| Python | 3.12 |
| 主要測試機器 | tsi7-14700（192.168.145.98） |
| Hermes Agent | tspi4ssd（192.168.145.x） |
測試過程
1. 安裝 vLLM
pip install --break-system-packages transformers>=5.5.0 pip install --break-system-packages vllm
vLLM 安裝成功，磁碟空間從 94% 降到 77%（釋放約 17%）。
2. 下載模型
hf download cyankiwi/Qwen3.5-27B-AWQ-4bit
模型大小約 20.1GB，下載完成。
3. 嘗試啟動 vLLM
一開始用預設參數（262K context、90% GPU memory）啟動，失敗了。問題是 KV cache 初始化時 VRAM 不夠。
4. 參數調整過程
| 嘗試 | 參數 | 結果 |
| 1 | --gpu-memory-utilization 0.90 --max-model-len 262144 | OOM：只有 1.41GB 可用 |
| 2 | --gpu-memory-utilization 0.75 | OOM |
| 3 | --gpu-memory-utilization 0.70 --max-model-len 131072 --enforce-eager | OOM：KV cache -4.2GB |
| 4 | --gpu-memory-utilization 0.85 --max-model-len 65536 --enforce-eager | OOM：KV cache -0.51GB |
| 5 | --gpu-memory-utilization 0.90 --max-model-len 32768 --enforce-eager | OOM：估算最大長度 7840 |
| 6 | --gpu-memory-utilization 0.90 --max-model-len 7840 --enforce-eager | ✅ 啟動成功 |
終於啟動成功！但 max_model_len 只有 7840 tokens。
5. Hermes 連接設定
修改 tspi4ssd 上的 Hermes config.yaml：
model: default: cyankiwi/Qwen3.5-27B-AWQ-4bit provider: custom base_url: http://192.168.145.98:8000/v1 context_length: 7840
重啟 hermes-gateway，API 測試成功。
6. 最終失敗
Hermes Agent 最低需要 64,000 tokens 的 context window，但 TITAN RTX 只能支援到 7,840 tokens。即使把模型降到 32K 的設定，KV cache 估算需要 2.15GB，但當時可用只有 0.67GB。
核心問題
TITAN RTX 的 24GB VRAM 在承載 Qwen3.5-27B（AWQ 4bit 約 18.65GB）之後，可用於 KV cache 的空間只剩下約 4-5GB。這對於 64K context 所需的 KV cache 來說遠遠不夠。
| 模型 | Tokenizer | Context Length | 參數量 | 開源 |
|---|---|---|---|---|
| Kronos-mini | Kronos-Tokenizer-2k | 2048 | 4.1M | ✅ |
| Kronos-small | Kronos-Tokenizer-base | 512 | 24.7M | ✅ |
| Kronos-base | Kronos-Tokenizer-base | 512 | 102.3M | ✅ |
| Kronos-large | Kronos-Tokenizer-base | 512 | 499.2M | ❌ |
預訓練規模：120 億筆 K線記錄、45 個交易所、7 種時間粒度。
HuggingFace：NeoQuasar/Kronos-small
4. 台灣股市應用評估
優勢
- 預訓練涵蓋45個交易所、120億筆 K線，台灣屬亞洲新興市場，已有跨市場泛化能力
- Zero-shot RankIC 領先其他 TSFM 93%
- Kronos-mini（4.1M）可在一般 GPU 執行，適合個人或小型團隊研究
- 不需自行設計特徵工程或時間序列標記
限制
- Context Length 限制（512 ~ 2048），日K約1.4年至8年
- 不看財報、總經、籌碼等非價格資訊
- 台灣特有的政策干預、權值股主導特性未被訓練進去
- ±10% 漲跌限制、T+2 結算等台灣制度細節，建議透過 Fine-tuning 針對優化
5. 建議流程
- 回測優先：以歷史日K做滾動窗口回測，觀察模型在多頭、空頭、震盪不同市場型態的表現
- 參考輔助：Kronos 預測結果作為技術面輔助參考，不作唯一進出场依據
- 長期評估 Fine-tuning：如欲針對台股特性微調，需較大 GPU 資源與乾淨歷史資料
參考連結
| Kronos GitHub | github.com/shiyu-coder/Kronos |
| Kronos 論文 | arxiv.org/abs/2508.02739 |
| HuggingFace 模型 | NeoQuasar/Kronos-small |
| twstock 套件 | github.com/mlouielu/twstock |
研究時間：2026-04-12
Kronos 安裝腳本與台灣股市預測實作
1. 安裝腳本
#!/bin/bash
# Kronos 安裝腳本（Python 需 3.10+）
set -e
KRONOS_DIR="/home/charles-chang/.openclaw/workspace/research/2026-04-12_kronos_taiwan_stock/kronos_repo"
ENV_DIR="/home/charles-chang/kronos_env"
# 建立虛擬環境
if [ ! -d "$ENV_DIR" ]; then
python3 -m venv $ENV_DIR
fi
source $ENV_DIR/bin/activate
# 安裝依賴
pip install --upgrade pip -q
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 -q
pip install yfinance pandas transformers einops -q
# 克隆 Kronos（如尚未存在）
if [ ! -d "$KRONOS_DIR" ]; then
git clone https://github.com/shiyu-coder/Kronos.git $KRONOS_DIR
fi
# 驗證模型
python3 <<'PYEOF'
import sys
sys.path.insert(0, '/home/charles-chang/.openclaw/workspace/research/2026-04-12_kronos_taiwan_stock/kronos_repo')
from model import Kronos, KronosTokenizer, KronosPredictor
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
print("模型載入成功 ✓")
PYEOF2. 台灣股市預測腳本
#!/usr/bin/env python3
"""
Kronos 台灣股市預測腳本
使用：python3 predict_taiwan_stock.py <股票代號> [--lookback N] [--pred_len N]
範例：python3 predict_taiwan_stock.py 2330 --pred_len 30
"""
import os, sys, argparse
from datetime import datetime, timedelta
import pandas as pd
import yfinance as yf
kronos_path = os.path.join(os.path.dirname(__file__), 'kronos_repo')
if os.path.exists(kronos_path):
sys.path.insert(0, kronos_path)
from model import Kronos, KronosTokenizer, KronosPredictor
def fetch_taiwan_stock_data(stock_code: str, days: int = 800) -> pd.DataFrame:
"""從 Yahoo Finance 取得台股歷史 K線"""
ticker = f"{stock_code}.TW"
df = yf.download(ticker, period=f"{days}d", auto_adjust=False, progress=False)
df = df.reset_index()
if isinstance(df.columns, pd.MultiIndex):
df.columns = [col[0] if isinstance(col, tuple) else col for col in df.columns]
rename_map = {}
for col in df.columns:
cl = str(col).lower()
if 'date' in cl: rename_map[col] = 'timestamps'
elif 'open' in cl and 'open' not in rename_map.values(): rename_map[col] = 'open'
elif 'high' in cl and 'high' not in rename_map.values(): rename_map[col] = 'high'
elif 'low' in cl and 'low' not in rename_map.values(): rename_map[col] = 'low'
elif 'close' in cl: rename_map[col] = 'close'
elif 'volume' in cl and 'volume' not in rename_map.values(): rename_map[col] = 'volume'
df = df.rename(columns=rename_map)
df = df.loc[:, ~df.columns.duplicated()]
df['amount'] = 0.0
for col in ['open', 'high', 'low', 'close', 'volume', 'amount']:
df[col] = pd.to_numeric(df[col], errors='coerce')
df = df.dropna()
return df[['timestamps', 'open', 'high', 'low', 'close', 'volume', 'amount']]
def predict(df: pd.DataFrame, lookback: int = 400,
pred_len: int = 30, sample_count: int = 1) -> pd.DataFrame:
"""Kronos-small K線預測"""
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
lookback = min(lookback, 512)
df_in = df.tail(lookback).reset_index(drop=True)
x_ts = df_in['timestamps'].reset_index(drop=True)
y_ts = pd.Series(pd.date_range(
start=df_in['timestamps'].iloc[-1] + timedelta(days=1),
periods=pred_len, freq='B'))
return predictor.predict(
df=df_in[['open', 'high', 'low', 'close', 'volume', 'amount']],
x_timestamp=x_ts, y_timestamp=y_ts,
pred_len=pred_len, T=1.0, top_p=0.9, sample_count=sample_count)
def main():
ap = argparse.ArgumentParser()
ap.add_argument('stock_code', help='股票代號（例：2330）')
ap.add_argument('--lookback', type=int, default=400)
ap.add_argument('--pred_len', type=int, default=30)
ap.add_argument('--sample_count', type=int, default=1)
args = ap.parse_args()
df = fetch_taiwan_stock_data(args.stock_code, days=int(args.lookback * 2))
pred = predict(df, args.lookback, args.pred_len, args.sample_count)
print(f"\n{'日期':<12} {'Open':>10} {'High':>10} {'Low':>10} {'Close':>10}")
print("-" * 60)
for idx, row in pred.iterrows():
ds = idx.strftime('%Y-%m-%d') if hasattr(idx,'strftime') else str(idx)
f = lambda k: f"{row.get(k,0):>10.2f}" if isinstance(row.get(k,0),(int,float)) else f"{str(row.get(k,'')):>10}"
print(f"{ds:<12} {f('open')} {f('high')} {f('low')} {f('close')}")
out = f"prediction_{args.stock_code}_{datetime.now().strftime('%Y%m%d_%H%M%S')}.csv"
pred.to_csv(out, index_label='timestamps')
print(f"\n已儲存：{out}\n此為模型輸出結果，僅供參考，不構成投資建議。")
if __name__ == "__main__":
main()3. 台灣股市資料來源
| Yahoo Finance（yfinance） | 日K為主，即時性普通，3行代碼即完成 |
| twstock 套件 | 台灣原生，直接串接證交所與櫃買中心 |
| Fugle API | 日內分鐘線最可靠 |
| 證交所開放資料 API | 官方 REST，即時性高 |
# Yahoo Finance 最簡範例
import yfinance as yf
df = yf.download("2330.TW", start="2020-01-01") # 台積電4. 使用方式
# 安裝環境
bash setup_kronos.sh
# 預測台積電未來30天
/home/charles-chang/kronos_env/bin/python3 predict_taiwan_stock.py 2330
# 指定歷史窗口與預測長度
/home/charles-chang/kronos_env/bin/python3 predict_taiwan_stock.py 2330 --lookback 200 --pred_len 105. 台股特殊考量
- 漲跌停 ±10%：Fine-tuning 時不應過濾這些bars，是正常市場現象
- 成交金額（amount）：Yahoo Finance 無此欄位，以0填補即可
- Context Length：Kronos-small 512 tokens（約1.4年日K）；日內分鐘線建議用 Kronos-mini（2048）
- 日內資料：Yahoo Finance 分鐘線在台股不可靠，建議改用 Fugle API
實作完成時間：2026-04-12
如何突破 Cloudflare 取得 Perplexity 內容
問題背景
在自動化研究場景中，常常需要透過 AI 搜尋引擎（如 Perplexity）抓取整理過的答案，並進一步餵給其他系統處理。然而 Perplexity 的分享連結受到 Cloudflare JS Challenge 保護，大多數程式化的存取方式都會被阻擋。
本文記錄完整的原因分析、所有嘗試過的失敗方法，以及最終如何透過 CloakBrowser 成功突破。
為什麼無法直接取得 Perplexity 內容？
根本原因：瀏覽器指紋偵測
Perplexity 使用的保護機制不是傳統的「封 IP」或「輸入驗證碼」，而是瀏覽器指紋偵測（Browser Fingerprinting）。
當請求抵達 Cloudflare 時，會檢測以下項目：
- navigator.webdriver 是否為 true（自動化框架標記）
- navigator.plugins.length 是否符合真實瀏覽器
- window.chrome 物件是否存在
- WebGL / Canvas / Audio 指紋是否正常
- WebRTC 是否洩漏真實 IP
- TLS 指紋（JA3/JA4）是否為常見瀏覽器
只要有任何一項不符，Cloudflare 就判定為機器人，發回 JS Challenge 頁面。
常見工具為何全部失效？
| 嘗試方法 | 失敗原因 |
|---|---|
| curl + 多種 User-Agent | 無法執行 JavaScript，只能拿到 Challenge 頁 HTML |
| web_fetch / cloudscraper | 403，cloudscraper 對新版 Cloudflare 失效 |
| Playwright（標準版） | navigator.webdriver=true，立即被偵測 |
| Playwright + stealth 參數 | 仍有殘留信號，觸發指紋檢查 |
| undetected-chromedriver | 連線錯誤，新版 Chrome 不相容 |
| curl-impersonate | TLS 指紋可能僥倖通過，但 JS Challenge 仍需瀏覽器執行 |
| Xvfb + patchright | 底層同樣缺乏完整指紋修補 |
這些方法的共同盲點是：都在試圖「欺騙」Cloudflare 的 JS 檢測層，而非真正讓檢測看到的都是正常值。
解決方案：CloakBrowser
工具介紹
CloakBrowser（GitHub: CloakHQ/CloakBrowser）是 目前唯一在 C++ 層級修改 Chromium 原始碼的指紋修補方案。不是設定調整，不是 JS 注入，而是49 個指紋 patch 直接編進二進位，包括：
- navigator.webdriver → false
- navigator.plugins.length → 真實 plugin 清單
- window.chrome → 正常瀏覽器物件
- WebGL / Canvas / Audio 指紋
- Font / Screen / Hardware 指紋
- WebRTC IP leak 防護
- TLS 指紋（JA3/JA4/Akamai）
- Automation signals（CDP detection）
安裝方式
pip install cloakbrowserPython 使用範例
from cloakbrowser import launch
import time
browser = launch(headless=False)
page = browser.new_page()
page.goto(
"https://www.perplexity.ai/search/你的分享連結",
wait_until="domcontentloaded"
)
# 等待 Cloudflare 挑戰自動通過
page.wait_for_function(
"() => !document.title.includes('Just a moment')",
timeout=40000
)
time.sleep(3) # 額外等待確保渲染完成
html = page.content()
browser.close()
print(f"成功取得內容，HTML 長度: {len(html)} bytes")關鍵實務細節
- 使用 headful 模式（headless=False）：相較 headless，headful 的指紋更難被偵測，搭配 Xvfb 虛擬顯示器即可在無頭伺服器上運行
- 等待 Challenge 完成：wait_for_function 監控標題是否離開「請稍候」頁，而非盲目 sleep
- 額外等待 3 秒：確保 Perplexity 的 SPA 完全渲染動態內容
失敗方法完整列表
| 方法 | 結果 | 瓶頸 |
|---|---|---|
| curl + UA 輪換 | ❌ | 無法執行 JS |
| cloudscraper | ❌ | Cloudflare 版本過新 |
| Playwright 標準版 | ❌ | webdriver flag |
| Playwright + stealth | ❌ | 仍有殘留信號 |
| undetected-chromedriver | ❌ | Chrome 版本不相容 |
| curl-impersonate | ❌ | JS Challenge 仍需瀏覽器 |
| Xvfb + patchright | ❌ | 指紋修補不完整 |
| CloakBrowser | ✅ 成功 | C++ 層級完整修補 |
結論
突破 Cloudflare JS Challenge 的核心瓶頸不在於「如何繞過檢測」，而在於讓檢測看到的全部都是正常瀏覽器值。CloakBrowser 的價值在於它從 Chromium 原始碼層面解決了這個問題，而不是停留在 JS 層或參數層的半成品繞過。
對於需要自動化存取受保護網頁的系統，CloakBrowser 是目前已知最穩定、成功率最高的方案。
（本文同步發布於研究記錄 2026-04-12）
2026/3/24
ollama launch openclaw
ollama launch openclaw他會問你問題，ollama server (local or remote), model name ..
設定好會啟動 gateway.
然後開 openclaw tui 讓你測試。
2026/3/7
在 openclaw 安裝 searxng skill
This guide explains how to manually install the searxng skill on an OpenClaw host and configure it to use a specific SearXNG server instance.
Step 1: Download the Skill Files
Since the skill is part of the official OpenClaw skills repository but may not be available directly via the clawhub slug for all versions, we clone the repository and extract the specific skill folder.
# Clone the skills repository
git clone --depth 1 https://github.com/openclaw/skills.git /tmp/openclaw-skills
# Create the local skill directory
mkdir -p ~/.openclaw/skills/searxng
# Copy the searxng skill files (from abk234's contribution)
cp -r /tmp/openclaw-skills/skills/abk234/searxng/* ~/.openclaw/skills/searxng/Step 2: Configure the SearXNG Server URL
The skill needs to know where your SearXNG instance is running. This is done by adding an env section to your global openclaw.json configuration file.
Add the following block to your ~/.openclaw/openclaw.json file:
{
"env": {
"SEARXNG_URL": "http://192.168.145.70:8081"
},
... (rest of your configuration)
}python3 -c "import json; f=open('$HOME/.openclaw/openclaw.json', 'r'); d=json.load(f); d['env'] = {'SEARXNG_URL': 'http://192.168.145.70:8081'}; f=open('$HOME/.openclaw/openclaw.json', 'w'); json.dump(d, f, indent=2)"Step 3: Install Python Dependencies
The SearXNG skill script (searxng.py) requires specific Python libraries to handle HTTP requests and terminal formatting.
# Ensure pip is installed and then install dependencies
pip3 install httpx richStep 4: Verify the Installation
Run the following command to ensure OpenClaw recognizes the new skill and marks it as ready.
openclaw skills listYou should see 📦 searxng in the list with a checkmark (✓) or "ready" status. You can also test it directly via the CLI:
SEARXNG_URL=http://192.168.145.70:8081 python3 ~/.openclaw/skills/searxng/scripts/searxng.py search "your search query"Step 5: Refresh the Agent
If OpenClaw is already running, you may need to restart the gateway or simply tell your agent to "refresh skills" to begin using the new capability.
結果還是不行，是model 太笨還是 ?
一直找不到 searxng，及使用 openclaw skills list 看，searxng 都已經是 "enabled" 了。openclaw tui 還是不知道可以用它來 search