停电也能触发健康提醒：本地Gemma如何在断网时让程序员走出户外

在尼日利亚哈科特港，停电是每天都会上演的日常。电网一断，电扇停转、路由器熄灭、笔记本切到电池供电，接着有人喊一声"on the gen!"（去发电机那边）。开发者 dannwaneri 把这段"电网断电到发电机启动"的空档，变成了一个让自己起身走出户外的契机——他做了一个叫 Light don go（皮钦语"停电了"）的开源小工具。

这个项目参加了 Hacktoberfest 开源 AI 挑战赛的"Touch Grass"（去接触自然）主题周，核心思路非常接地气：当笔记本切换到电池供电超过 30 秒，一个全屏页面就会盖在当前工作界面上，给出一条建议、一个 60 秒拉伸计时器，以及一个按钮——"I don stand up. Close am."（我站起来了，关掉它）。

一个为"断网环境"而生的本地 AI 应用

这个工具最值得关注的设计，是它完全不依赖网络。原因很直接：停电的那一刻，路由器也跟着断了，云端 API 在工具最需要"说话"的时刻恰恰不可达。

作者的解决方案是把所有网络依赖提前处理掉。在有电的时候，工具每 30 分钟保存一次 Open-Meteo 的逐小时天气预报；停电后只读取本地缓存文件。日落时间则用 NOAA 太阳方位公式在本机计算——对哈科特港 10 月 7 日算出 18:21，与 Open-Meteo（18:21）和 sunrise-sunset.org（18:22）几乎一致。

全屏页面本身也遵循同样的离线原则：不加载任何 Web 字体，不从 CDN 拉取任何资源。页面根据情境切换外观——白天温暖并倒计时到降雨或日落，夜晚则是暗色调，把建议留在"家附近"。这种对边缘环境的务实考量，恰恰是很多云优先产品容易忽略的地方。

Open-Meteo 是一个开放的气象数据 API，提供免费的逐小时天气预报，无需注册即可调用，数据来源包括多家国家气象机构的数值天气预报模型。NOAA 太阳方位公式（Solar Position Algorithm）由美国国家海洋和大气管理局发布，根据经纬度与日期推算日出日落时间，计算过程不依赖任何外部服务，只需本机的 CPU 和精确的地理坐标。两者的组合使"提前获取数据、断网后离线使用"的架构成为可能：天气数据在有网时定期同步并写入本地缓存文件，停电后工具只读取磁盘；日落时间则完全在本机实时计算，不存在缓存失效的问题。这种"有网时预取、断网时降级"的设计模式，在基础设施不稳定的地区具有广泛的参考价值。

代码负责事实，Gemma 只负责"说人话"

整个系统最有价值的工程决策，是作者对 AI 职责边界的严格划分。

模型选用的是 gemma4:e2b-it-qat，通过 Ollama 在纯 CPU 的 i5-1135G7 笔记本上本地运行，下载体积 4.3GB，冷启动约 14 秒，热启动 3.6 到 4.0 秒，约 15 到 20 tokens/秒。

作者最初让 Gemma 根据事实直接撰写整条消息，结果在 4 次测试中它丢掉了所有数字，还两次把意思彻底搞反——比如把"停电"写成"NEPA light don come"（来电了），把尚未启动的发电机写成"before the generator dies"（发电机快熄火前）。单纯校验数字根本抓不到这类错误，因为出错的句子里压根没有数字。

于是他把任务拆开：

• 代码写事实行：发生了什么、降雨或日落何时到来、还剩多少分钟、省下多少奈拉。消息里的每一个数字都来自代码。
• Gemma 只写"建议语"：它只看到三样东西——地点、情境（正在下雨 / 干燥的白天 / 天黑后）和一条按规则挑出的活动。它看不到任何数字。
• 一个 guard（守卫）校验建议语：如果出现任何数字、超过 20 个词、或提到 NEPA / 灯 / 电 / 发电机，就直接拒绝。Gemma 有一次重试机会，仍失败则使用固定句子。最多两次模型调用，绝不进入循环。

拆分后，9 次测试全部一次通过，没有出现他观察到的语义错误。

作者也坦率承认 guard 的局限：它只检查数字和话题，不检查"是否说得通"。有一次 Gemma 写出"watch the rain inside the phone"（在手机里看雨）这样的怪句，照样通过了。更大的模型会犯更少这类错误，但跑不动这台笔记本。他明确接受了这个权衡——选择小模型，就意味着偶尔会有一句奇怪的话。这种对取舍的清醒认知，比盲目追求模型能力更有参考价值。

Ollama 是一个用于在本地运行大语言模型的开源工具，支持 macOS、Linux 和 Windows，提供类 OpenAI 的 HTTP API 接口，开发者无需了解底层推理框架即可调用模型。gemma4:e2b-it-qat 是 Google Gemma 系列的一个量化指令微调变体，qat 指量化感知训练（Quantization-Aware Training），相比事后量化在同等压缩率下通常能保留更好的生成质量。keep_alive: -1 是 Ollama API 的一个请求参数，告知服务端在本次调用结束后无限期保留模型权重在内存中，覆盖默认的 5 分钟空闲卸载策略。这个参数在文章的 bug 修复场景中至关重要——停电往往发生在模型已被卸载之后，保持常驻内存是确保"热启动"延迟而非"冷启动"延迟的唯一方式。

真实停电暴露的 bug：模拟测不出来的问题

项目日志里记录了 10 月 8、9 日的多次真实停电，其中第一次就暴露了一个关键缺陷。

12:23 停电时，工具成功检测到了，但 Gemma 超时了。作者在改动任何东西之前先做了测量：ollama ps 显示模型是被这次失败的请求刚刚加载的。Ollama 会在模型空闲 5 分钟后卸载，而他的预热跑在 11:53，到 12:23 时模型早已被卸载，于是在电池供电下遭遇冷启动，耗时超过 20 秒。

修复方案只是一个设置：keep_alive: -1，让 Gemma 常驻内存（占用 15.7GB 中的 3.9GB）。下一次 12:31 的停电，Gemma 一次就答上了。后来 13:34 的那次超时则是另一个原因——笔记本进入了 Windows 的 Modern Standby 睡眠。作者在归咎于修复方案之前，先查了事件日志确认。

他的总结很到位：默认配置破坏了工具唯一的承诺——在停电时正常工作，而"这个问题我在模拟里是发现不了的"。这正是把工具用在真实场景里的价值所在。

Windows Modern Standby（现代待机）是微软在第八代 Core 处理器之后引入的低功耗睡眠模式，取代了传统的 S3 睡眠。与 S3 不同，Modern Standby 下系统并未完全挂起——后台网络任务和应用仍可有限运行，但 CPU 密集型任务（如本地模型推理）会被大幅节流甚至挂起。这意味着笔记本在"看上去处于工作状态"时，Ollama 的推理请求可能因系统进入低功耗状态而超时，且该行为难以在普通测试环境中复现。作者通过查阅 Windows 事件日志（Event Log）确认了睡眠事件的时间戳，从而将此次超时与之前的 keep_alive 修复区分开来，避免了错误归因——这是系统级调试的一个典型范例。

工程细节：全屏页面与 98 个测试

呈现层是一个 HTML 文件，停电数据以 JSON 形式写入。Edge 用 --app --start-fullscreen 参数打开，没有地址栏也没有标签页。模型生成的句子作为"数据"注入，绝不作为 HTML 插入——有一个测试专门喂入包含 </script> 的建议语，验证页面不会被破坏。

整个项目有 98 个测试，其中一个会屏蔽所有网络套接字，确保在完全断网情况下仍能跑完整条停电流程。作者还故意"破坏"guard 8 次（放宽容忍度、移除校验），每次都有对应测试失败——这是一种验证测试本身有效性的好习惯。

为什么本地开源模型在这里不可替代

作者给出的理由简洁有力：网络和电一起死。

停电时路由器要等到发电机启动才恢复，云端 API 在工具需要说话的那一刻恰好不可达，而本机模型 4 秒内就能在无信号时给出回应。它每次停电的成本为零——当停电天天发生时，这一点很重要。

更关键的是，因为 Ollama 和模型都是开放的，作者才能看清第一次真实调用失败的原因（空闲模型 5 分钟后卸载），并改掉那个设置。换成闭源 API，"超时就只是一个超时"，无从排查。

这个小项目把本地开源 AI 的核心优势——离线可用、零边际成本、可观测可调试——放在一个真实而具体的使用场景里，比任何泛泛而谈的宣传都更有说服力。而作者说，这个工具目前最好的成果不在日志里：是 9 日那个本该在等发电机中度过、却和表亲的孩子们一起玩的早晨。