sphinx30 (大强同学)

把 NotebookLM 塞进 Obsidian，一句话生成 PPT、播客和报告

sphinx30 — Sat, 30 May 2026 13:51:51 +0800

NotebookLM 的 AI 能力对 Obsidian 是极好的补充——Deep Research、Audio Overview、PPT 生成，每一样都实用。但问题是每次都要开网页、手动传文件，笔记一多简直是灾难。

今天教你用 Claude Code 把 NotebookLM 的全部功能塞进 Obsidian。不用打开浏览器，不用花一分钱 API Token，在笔记库里一句话就能跑 Deep Research、自动生成 PPT 和播客音频。

notebooklm 可以做什么

我开始之前，我们现回顾一下，notebooklm 到底可以做什么？首先，它的定位是一个 AI 研究助理。只在你上传的资料里做问答、总结、分析、生成播客 / 脑图 / 报告，全程可溯源、幻觉极低。

音频概览 --- 播客
演示文稿---PPT
视频概览 --- 讲解视频
思维导图 --- 结构化脑图
报告 --- 完整分析报告
闪卡 --- 记忆卡片
测验 --- 自测题/试卷
信息图 --- 可视化图表方案
数据表格 --- 结构化数据表

环境准备

开始之前，确保你的环境有以下东西：

装上之后，你只需要在 Claude Code 中用自然语言描述需求，剩下的全自动——创建笔记本、导入资料、生成内容、导出文件，全在 Obsidian 内部完成。下面用三个案例，从简单到复杂，展示这套工作流的实际威力。

场景案例

01：Deep Research + 自动生成 PPT

使用 notebooklm skill，对 'Claude code vs Hermes Agent' 进行Web深度研究（Deep Research）。将搜集到的相关信源自动建立 NotebookLM，把所有被引用文献的全文（Markdown 格式）导出并存放到 01-输入/Notebooklm/Claude code vs Hermes Agent目录，最后生成一份中文演示文稿（Slide Deck），存入我桌面

Claude code 开始执行，最后的产出清单

01-输入/Notebooklm/下面单文件夹，10 个 mrkdown 文献全网
桌面一份中文的演示 PPT

跑通后，我想到这样的事情，以后我会经常干，于是我马上让他创建了一个工作流，就是 skill，以后我主要给他主题，就可以了。

帮我创建一个技能，名字叫Notebooklm-DeepResearch-ppt 让我给你一个研究主题，你需要调用notebooklm skill 对给出的主题进行Web深度研究（Deep Research）。将搜集到的相关信源自动建立 NotebookLM，把所有被引用文献的全文（Markdown 格式）导出并存放到 01-输入/Notebooklm/ 单独文件文件夹（创建一个主题名字） 最后使用提示词Xenia/3D风格PPT风格"生成一份中文演示文稿（Slide Deck），存入我桌面

02：零基础 AI 学习——从规划到落地页全自动

我是一个完全零基础的AI小白，希望从几个不同维度学习AI，既能赶上时代潮流，也能在未来从事相关工作。结合2026年AI发展的趋势，请为我推荐3到4个必须彻底掌握的具体领域，以及1到2个未来需要进阶的潜在领域。请给出这5个不同方向的主题，并分别做出简要解释。

同时请使用notebooklm py在NotebookLM上分别创建5个涵盖不同领域的独立笔记本。针对每个主题，都要使用其“源文件”（Sources）功能，并确保每个笔记本都包含内容丰富、来源多样的资料。同时，请务必注意信息的时效性与可靠性。

帮我将你搜集到的内容全部自动导入到各自的笔记本里面，并且针对每一个笔记本都帮我制作一张中文信息图，下载到我桌面

另外，请根据我nbookLM里面的内容，帮我在01-输入/Learning制定一个一个月的学习计划，包含我一定需要看到的youtube链接，并且我需要你帮我筛选一下视频的质量。我需要发布时间在6个月以内播放量在1万以上的视频。同时请直接在左侧的项目中帮我创建这份计划书。

根据我从NotebookLM中提取的内容，这份学习计划，帮我创建一个可以交互的落地页，我需要简单的功能是可以进学习进度的追踪，自由标记我的学习进度，页UI要好看，内部链接点击可以直接跳转。搞完直接使用内部的浏览器帮我打开我要测试一下功能

03：本地笔记 → 测验 + 播客 + 信息图

读取我本地 01-输入 文件夹下的所有有关 claude code 的笔记。使用 notebooklm skill，利用这些笔记在 NotebookLM 中创建一个笔记本，并生成一套困难难度的 Quiz 测验，一部辩论格式的音频（Audio Overview），和一份资讯图表（Infographic），将生成的测验以 Markdown 格式保存到项目根目录中，将生成的音频和资讯图表下载到项目根目录中。注意：测验、音频和资讯图表都要使用中文。

这个留给你作为作业，自己去体验。

写在最后

三个案例，从简单到复杂，核心就一句话：把「手动操作网页」变成「一句话指令」。

以前用 NotebookLM：打开浏览器 → 登录 → 创建笔记本 → 一个一个上传文件 → 手动点生成 → 手动点导出。笔记多了以后，光管理笔记本就能把你耗死。

现在你只需要在 Obsidian 里敲一行自然语言，Claude Code 帮你跑完所有步骤。

>>>延伸阅读

- Agent-Reach 最佳实践

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧！想第一时间收到推送，可以给我个星标⭐️～

谢谢你看我的文章，我们，下次再见。 >/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

在 Claude code 把想法写入滴答清单

sphinx30 — Fri, 29 May 2026 14:16:19 +0800

今天发生了一件事，让我觉得必须写下来。

一个朋友问我，他是个 AI 小白，想学 AI，让我帮他规划一下学习路径。

我就根据 2026 年的趋势，给他推荐了几个方向。推荐完之后，我突然想到，光说没用啊，得让他能执行才行。

于是我说，要不我帮你写进滴答清单吧。

他说好啊。

然后我就在终端里敲了几句话，Claude Code 自动调用滴答清单的 API，帮他创建了一个项目，6 个任务，带优先级，带标签，带具体的落地步骤。

全自动。

他去手机上打开滴答清单，项目在，任务在，直接就能开始执行。

整个过程，我从头到尾没打开过滴答清单的 APP、网页。

这事的核心是什么

你想想看，我们平时有一个想法，想把它记下来，要经历什么？

打开手机，找到滴答清单，点新建，选项目，填标题，写内容，设优先级，打标签。一个简单的学习计划，可能要花十分钟才能录完。

但如果你正在跟 Claude Code 聊天，突然想到一个事，你可以直接说，帮我写进滴答清单。

它就帮你写进去了。

你甚至不需要切换应用，不需要打开滴答清单，不需要手动输入任何东西。你只需要专注于「我到底想干什么」，具体怎么执行，AI 帮你搞定。

然后你拿起手机，打开滴答清单，该做的事情都在那里了。

这种感觉怎么说呢，就像你脑子里的想法，直接「传送」到了你的任务清单里。

怎么做到的

配置过程其实没那么复杂，大概十分钟。

你需要先装好 Claude Code，然后在终端里运行这个命令：

claude mcp add --transport http dida365 https://mcp.dida365.com

运行之后，Claude Code 会弹出一个 OAuth 授权窗口，你点一下同意就行。

授权完成后，Claude Code 就具备了操作你滴答清单的能力。

如果你有自己的 Bearer Token，也可以用这种方式配置：

claude mcp add --transport http dida365 https://mcp.dida365.com --header "Authorization: Bearer YOUR_TOKEN_HERE"

配置完之后，你可以在 Claude Code 里输入/mcp，看看滴答清单的连接状态是不是显示成功。如果成功了，就可以开始用了。

整个过程真的十分钟，不需要你懂代码，照着来就行。

详细的滴答清单 MCP 官方文档 https://help.dida365.com/articles/7438132116019216384

刚才那个案例是怎么回事

回到我朋友那个事。

他问我学 AI 怎么入门，我给他推荐了 6 个方向，每个方向都写了具体的落地任务。

然后我直接在 Claude Code 里说，帮我写进滴答清单，项目名叫「AI 学习计划 - 零基础入门」。 Claude Code 就开始工作了。它先调用滴答清单的 API，创建了一个新项目。然后批量创建了 6 个任务，每个任务都有标题、内容、优先级、标签。

内容写得还挺详细的，每个任务都包含「为什么必须学」和「落地任务」两个部分。比如第一个任务是「AI 提示工程基础」，落地任务是「注册 ChatGPT/Claude 账号，完成 10 次基础对话练习」「学习提示词模板：角色扮演、分步指令、输出格式控制」「完成一个实际项目：用 AI 写一份工作汇报」「建立个人提示词库，收集 10 个常用模板」。

这种任务，你拿到手就能直接执行，不需要再花时间想「我该从哪里开始」。

朋友去手机上打开滴答清单，项目在，任务在，他直接开始做第一个任务就行了。

为什么我觉得这事挺重要的

你知道吗，我们每天有很多想法，但真正被记录下来的，可能不到十分之一。

不是因为懒，是因为记录的成本太高了。你要打开应用，要组织语言，要选分类，要设提醒。很多想法就在这个过程中被放弃了。

但如果你在终端里跟 Claude Code 聊天，随时想到什么，直接说一句「帮我写进滴答清单」，这个成本就几乎为零了。

你想想看，这意味着什么。

你在写代码的时候，突然想到明天要买个什么东西，直接说一句，它就帮你记下来了。你在分析数据的时候，突然想到一个学习计划，直接说一句，它就帮你安排好了。你在处理工作的时候，突然想到一个创意，直接说一句，它就帮你存起来了。

你的注意力可以完全集中在「思考」上，而不是「记录」上。

这才是 AI 助手应该做的事情，不是陪你聊天，而是帮你把想法变成行动。

目前的局限

当然，这玩意现在还不完美。

我今天就遇到了一个问题，API 返回的项目列表报错了，因为我朋友旧项目有个字段有问题。这种情况下，AI 也搞不定，还是得他自己去检查修复。

另外，配置过程对纯小白来说可能还是有点门槛，虽然我说了「十分钟搞定」，但前提是你要知道怎么打开命令行，怎么运行命令。如果你连终端都没打开过，那可能得先补一下基础知识。

还有就是，AI 生成的内容不一定完全符合你的预期。比如我今天创建的任务，优先级是我根据经验设的，但也许你觉得那个方向对你来说更重要或者更不重要，这时候你还是得手动调整。

但总体来说，瑕不掩瑜。

这只是开始

我有时候觉得，我们现在正处在一个特别有意思的阶段。

AI 已经不只是一个聊天窗口了，它正在变成一个能真正帮你干活的助手。你有一个想法，它帮你记录；你有一个任务，它帮你安排；你有一个目标，它帮你规划。

今天是滴答清单，明天可能是你的日历、邮箱、笔记软件、项目管理工具。当这些都连起来之后，你可以想象一下，你只需要跟 AI 说一句「帮我安排一下明天的工作」，它就能自动查你的日历、看你的任务列表、发邮件确认会议、在笔记里记录要点。

这不是科幻，这是正在发生的事情。

我只是觉得，这种变化来得比我们想象的要快。

屏幕前的你，如果还没试过 Claude Code 加上 MCP，我真的建议你花十分钟配一下。不是为了赶时髦，是为了让你自己体验一下，当 AI 不只是陪你聊天，而是真的能帮你把想法变成行动的时候，那种感觉是什么样的。

你会惊讶的。

>>>延伸阅读

- gsearch-cli 最佳实践

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧！想第一时间收到推送，可以给我个星标⭐️～

谢谢你看我的文章，我们，下次再见。

>/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

Obsidian 用户注意：这个 Chrome 插件，正在悄悄改变你的知识管理方式

sphinx30 — Tue, 26 May 2026 23:39:29 +0800

今天给使用 Obsidian 的朋友推荐一款 Chrome 插件——Obsidian Web Clipper，可以把网页上的任何内容一键剪藏到你的 Obsidian 知识库。

Chrome 商店直接搜 Obsidian Web Clipper 即可安装。

安装与设置

资源	链接
Chrome 插件	https://9lnk.io/tr0g
开源地址	https://github.com/obsidianmd/obsidian-clipper

设置语言

安装完插件后，第一件事设置语言：

依次点击 General → Language，选择中文简体。

模板配置

想简单写，点击 Default，笔记位置填写个相对路径，内容属性填写 3 条：来源、日期、标签。

想复杂点，点击模板 Default→导入（右上角），导入模板后把默认模板 Default 删除即可。

自用模板可关注公众号大强同学，回复「clippings」获取。

配置 API 解释器

打开启用解释器，开启行为 → 自动运行，提供商选择 OpenRouter。

剪藏场景

使用前建议先把插件固定到工具栏，后面一键就能用。

整页剪藏

看到一篇好文章想存下来慢慢看？点一下插件图标，再点添加到 Obsidian，文章就进库了。

片段剪藏

只想存某几段话？划选文字 → 右键 Obsidian Web Clipper → 在页面中打开 → 添加到 Obsidian。

这个插件是 Obsidian 出品的，整体在电脑网页阅读场景做剪藏，非常丝滑，不仅仅是任何文章内容，还可以划选文字。

但是有个问题，他剪藏的 X 推文链接不完整，我借助的插件是 XViral Monitor 可以直接复制推文 mrkdown

>>>延伸阅读

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧！想第一时间收到推送，可以给我个星标⭐️～

谢谢你看我的文章，我们，下次再见。 >/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

微信里的好文章总来不及看？这两个工具帮你一键存进 Obsidian

sphinx30 — Tue, 26 May 2026 21:43:16 +0800

微信里看到的好文章、一闪而过的灵感、随手录的语音备忘——怎么快速存进 Obsidian？本文介绍两种实测可用的同步方案。

方案一：笔记同步助手

绑定流程

公众号关注「笔记同步助手」→ 点击左下角自定义菜单→开始使用「使用 Obsidian」→获取密钥、在微信中添加 Obsidian 为好友 → 复制密钥待会用。

安装插件

Obsidian 社区插件市场搜索 Biji Tongbu，安装启用后粘贴密钥，建议勾选「启动时同步（本设备）」。

我的设置供参考：

消息合并模式：仅合并消息
消息文件夹：01-输入/微信
文章文件夹：01-输入/微信
图片储存文件夹：01-输入/微信/images
消息文件夹模板：消息_{{{date}}}

如果想用 AI 帮你改插件设置，可以发送这段 Prompt：

请先读 https://www.bijitongbu.site/tutorials/ai-settings-guide/ ，我安装了 Biji Tongbu 这个插件，帮我改下插件设置，然后帮我把笔记按年月分文件夹

📖 官网文档： https://www.bijitongbu.site/tutorials/obsidian-tutorial/

方案二：Obsidian 内容同步助手

有人用 vib coding 做了一个「Obsidian 内容同步助手」，微信小程序 + Obsidian 插件配合，支持剪贴板、录音、网页链接、文件同步。实测可用，流程很轻。

操作步骤

一步：绑定小程序

微信搜索小程序「Obsidian 内容同步助手」→ 首页点击「绑定 Obsidian」→ 复制 6 位绑定码。默认赠送 8 天会员试用。

二步：安装插件

在 Obsidian 社区插件市场搜索 WeChat Inbox Sync，安装后进入设置，粘贴绑定码，点击「立即绑定」。记得勾选「启动时自动同步」。

使用体验

整体流畅，两个小槽点：

非实时同步：微信复制链接后打开小程序点「读取网页链接」，不会立即推送到 Obsidian，需要手动点击插件里的同步按钮
开屏广告：小程序有广告

好消息是每次重新打开 Obsidian 会自动拉取未同步的内容，日常使用影响不大。

参考：飞书教程：WeChat Inbox Sync

写在最后

以上就是微信内容同步到 Obsidian 的两种方案。方案一免费但配置稍多，方案二更轻量但有小程序广告。按需选择即可。

一键把 Get 笔记同步到 Obsidian

那么，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧！想第一时间收到推送，可以给我个星标⭐️～

谢谢你看我的文章，我们，下次再见。 >/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

不会 Git 也没关系，一句话让 AI 帮你搞定 Obsidian 备份

sphinx30 — Sun, 24 May 2026 22:17:06 +0800

Obsidian 的核心价值在于「本地优先」——你的笔记数据完全归你所有。但「本地优先」也意味着你需要自己兜底数据安全：写了几百天的笔记，可能因为一次硬盘故障、误删、代码翻车甚至电脑丢失就全部消失。

而这套 Git 备份方案，用不到 15 分钟就能让你的知识库拥有：定时自动备份 + 完整历史版本控制 + 免费远程存储。电脑坏了就换新电脑，一条 git clone 就能完整恢复——不需要额外付费，不需要复杂操作，一次配置终身受用。

一、前期准备：安装必备工具

1. 安装 Git 与 GitHub CLI

前往 Git 官网下载并安装 Git，安装时保持默认选项即可。
前往 GitHub CLI 官网下载并安装 GitHub CLI。
安装完成后，打开终端验证是否安装成功：

2. 在 Obsidian 中安装核心插件

打开 Obsidian → 设置 → 第三方插件，关闭「安全模式」。
进入「社区插件市场」，安装以下两个插件：
- Obsidian Git：核心备份插件，负责自动提交与推送。
- Terminal：终端插件，可直接在 Obsidian 中执行 Git 命令。
安装完成后启用插件，在 Terminal 插件设置中开启「整合式终端」。

二、初始化本地 Git 仓库

如果你的 Obsidian 本地仓库还不是一个 Git 仓库，需要先完成初始化：

打开 Terminal 插件（Obsidian 左侧边栏或命令面板中启动）。
在终端中输入以下命令，初始化本地仓库：

git init

三、创建 GitHub 远程仓库

前往 GitHub 官网，新建一个 private（私人）仓库。
注意：本地数据一定要选择不公开，这个仓库就是你 Obsidian 的远程备份空间。
它的核心作用是：一旦本地发生错误，可以随时回退到历史版本。

四、连接本地仓库与 GitHub

直接使用下面这段提示词，发给 AI 帮你一键配置：

我已安装 Obsidian Git 插件，初始化了本地仓库，
并在 GitHub 创建了 private 仓库。

我的 GitHub 仓库地址是：xxx（你的仓库地址）

请帮我完成以下配置：
1. 添加远程仓库地址
2. 配置 Git 用户信息（名字：Your Name，邮箱：your@email.com）
3. 创建第一次提交：git add . && git commit -m "Initial commit"
4. 推送到 GitHub：git push -u origin main
5. 验证连接是否成功

五、配置 Obsidian Git 自动备份

连接成功后，在 Obsidian 的「设置 → Git 插件」中：

自动提交和同步间隔（分钟）设置为 1-10 分钟（或你觉得合适的时间）。
停件编辑后自动提交和同步开启✅

示例图解释：当我们停止编写文件 1 分钟以后，git 插件就会尝试自动往 GitHub 上面同步一次

所以，日常使用无需手动操作，每隔几分钟插件就会自动提交并推送到 GitHub。你的知识库会拥有一个实时备份 + 完整历史版本控制的安全兜底。

另外，✅开启 Pull on startup

意思是：每当你启动 Obsidian 的时间，插件会先去 Github 上面 pull 一下，看看有没有新的改动，保证我们的本地文件跟 Github 上面的同步

六、进阶优化与排错建议

GitHub CLI 认证（可选推荐）：安装 GitHub CLI 后，在终端运行以下命令完成认证，避免推送时反复输入账号密码：

gh auth login

按提示选择 HTTPS 方式登录，绑定你的 GitHub 账号即可。

遇到问题直接交给 Ai：如果配置过程中出现报错，直接把报错信息或这段完整文档发给 AI，让它帮你根据 Git 版本控制内容进行针对性配置与修复。

到这里，你的 Obsidian 知识库就已经拥有了全自动的 Git 备份能力。整个过程的核心思路其实很简单：本地 Git 记录每一次改动，GitHub 做远程备份，Obsidian Git 插件让它变成全自动。

从此之后，你只管写笔记，备份这件事不用再操心。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐️～

谢谢你看我的文章，我们，下次再见。

>/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

Karpathy 说 AI 编程准确率 94%，但我劝你别高兴太早

sphinx30 — Sat, 23 May 2026 17:10:10 +0800

最近这两天，程序员圈子都在传一个数字：94%。

不是考试分数，不是股票涨幅，是 AI 编程的准确率。从 65% 拉到 94%，靠一个 65 行的文件。

这个文件叫 CLAUDE.md，作者 Andrej Karpathy。前 Tesla Autopilot 负责人，OpenAI 联合创始人，现在加入 Anthropic 了。他把文件往 GitHub 上一丢，22 万星标，直接登顶趋势榜。

AYi 一条推文把这个事儿炸开了锅，三千多赞，五十七万阅读，评论里清一色的「卧槽」。

Karpathy 的原始 CLAUDE.md 仓库，有兴趣的可以去看 https://github.com/multica-ai/andrej-karpathy-skills，

我那天晚上刷到这个消息的时候，第一反应跟所有人一样。卧槽，65 行，29 个百分点的提升？

然后我点进去仔仔细细看了一遍。

四条规则

Think Before Coding，先想再写。
Simplicity First，简洁优先。
Surgical Changes，精准修改。
Goal-Driven Execution，目标驱动。

每一条都打在点上，每一条都在对抗开发者那个最原始的本能，先写再说。

写得是真的好。

但看完之后我说实话，心情有点复杂。。。

因为我太清楚大多数开发者接下来会干嘛了。复制粘贴，往项目里一扔，然后期待 AI 编程质量原地起飞。

如果你也这么想的，我得说一句不太中听的。

你可能会失望。

94% 这个数字，到底怎么来的

我们先拆一下这个 94%。

Karpathy 测的是什么场景，什么基线模型，什么类型的任务。坦率的讲，这些信息原文里并不是特别详细。我们能确定的是，他用了特定模型，跑了特定编程任务，有 CLAUDE.md 的时候准确率 94%，没有的时候 65%。

阿易那条推文下面也有人直接问，65 到 94 到底是怎么统计的，阿易的回复是「来自 Karpathy 实际测试和大量开发者反馈，不同任务会有差异」。你看，连传播者自己都承认「会有差异」。

更有意思的是，推上有个叫 Matt 的开发者做了个工具叫 ccmd.dev，专门审计 CLAUDE.md 的质量。他在工具文档里披露了一个关键事实——Karpathy 原始发的其实是 12 条规则，一月就发了，社区实测结果是错误率从 41% 降到 11%，不是准确率 65% 到 94%。推特上爆火的那 4 条只是 12 条里的一个子集。

数据在传播中变形了。

但你的日常工作跟他的测试场景，可能差了一整个银河系。

他测的大概率是独立函数实现，单文件逻辑，边界清晰的算法题。而你每天面对的是什么？五年前写的遗留系统，没人知道全貌，改一行崩三个模块，文档要么没有，要么三年没更新。

你说这种情况下，一个 65 行的规则文件能帮多大忙。

我自己的感受是，CLAUDE.md 在一些场景下确实立竿见影。比如让 AI 从零写一个新功能，需求明确，上下文干净，四条规则一约束，AI 不会给你搞出一堆你没要求的抽象层和 try-catch，出来的代码清爽，改动量小，一眼能看到逻辑。

但一旦场景变复杂，它就有点抓瞎了。

不是规则的问题。是规则这东西天然有边界。

三个最常见的翻车现场

我跟你讲三个最常见的翻车现场。

第一个，需求本身就不清晰。

你不是程序员可能没概念，但写过程序的都懂。你接到的需求很多时候你自己也不知道到底要干嘛。产品经理跟你说「优化一下加载速度」，技术 Leader 跟你说「把这块重构一下」，客户跟你说「加个导出功能」。这种模糊需求，AI 帮不了你，因为你自己都定不出验收标准。

CLAUDE.md 第四条叫 Goal-Driven Execution，把需求变成可验证的目标，写测试，让测试通过。逻辑完全正确。

但如果你自己都定不出目标呢？

规则就成了一纸空文。

AI 不会替你想清楚你要什么。它只能在你已经想清楚的前提下，帮你更高效地执行。这是 CLAUDE.md 的第一个盲区。

第二个场景更常见，大型遗留代码库。

我手头有些项目是两三年前的，代码量级上去之后，任何改动都可能牵一发动全身。CLAUDE.md 第三条 Surgical Changes，精准修改，只动你让动的，别碰旁边的。

听起来完美。

执行起来有个致命问题。AI 根本不知道什么是「旁边的代码」。在一个高度耦合的老项目里，你以为不相关的两个文件，实际上通过五六层依赖连在一起。AI 按规则只改了 A，它确实没碰 B，但 B 炸了，C 崩了，D 挂了。

它完美遵守了精准修改的规则。

结果是一场灾难。

这不是 AI 的错，是遗留系统的耦合度已经超出了任何静态规则能处理的范围。你需要的不是一个规则文件，是一个对全局有感知的老工程师。AI 还不是。。。

第三个场景是多人协作，可能最让人头大。

你写了 CLAUDE.md，你同事也写了。你喜欢代码极简，他觉得一定的抽象和扩展性有必要。AI 该听谁的？

同一个仓库，规则互相打架，代码里就会有精神分裂。更糟的情况是，你的 CLAUDE.md 被复制到团队级，然后不认同这些规则的人被迫遵守，写出来的东西四不像。

这不是技术问题。是协作问题。

而协作问题，65 行的规则文件解决不了。

这三个场景不是边角案例，是程序员每天的日常。

最被忽略的那个前提

说到这里，我想聊聊最被忽略的那个前提。

Karpathy 自己，是世界级程序员。

这个事我之前真的没认真想过。特斯拉 Autopilot 的视觉系统是他带的，OpenAI 最早期的技术架构他深度参与，他在 AI 和软件工程的交叉领域浸了二十年，可能是全球前 0.01% 的水平。

他写出的四条规则，看起来简单到不行。但背后是二十年代码、管项目、带团队的经验沉淀。什么时候该简单，什么时候该精准，怎么把一个大目标拆成可执行的小目标，这些东西是他写规则时脑子里自带的上下文。

但这些上下文，不在那 65 行文件里。

就像 F1 赛车手跟你说「过弯松油门，打方向，给油出弯」。三个动作，简单。你让刚拿驾照的人照着做，结果是什么大家都懂。

不是规则不对。

是你和赛车手之间的那层经验差距，规则文件填不上。

同样，一个刚学编程的人写了自己的 CLAUDE.md。里面可能是「代码要简洁」这种正确但没用的废话。或者更糟，写了错的。「所有函数都要加 try-catch」「每个 class 都要有接口」，新手觉得是好习惯，老手知道这是过度工程的灾难。

你用错误规则约束 AI，得到的就是一个严格执行你错误规则的 AI。结果可能比不用规则还差。而且你甚至不知道差了，因为在你的认知里，那些代码「看起来很规范」。

这不是危言耸听。

我自己第一次写 CLAUDE.md 的时候，写了一堆我觉得对的东西。跑了一周发现，AI 确实按我说的做了，但代码质量反而下降了。因为规则互相矛盾，有些太死板，有些太模糊。我花了两三周反复改，才慢慢摸到适合我的那套。

愚钝如我，踩了坑才学会。

真正有价值的，不是那四条规则

所以我特别想说，CLAUDE.md 真正有价值的，不是那四条具体规则。

是有「规则文件」这个东西本身。

这才是 Karpathy 真正牛逼的地方。他不是在给你四条金科玉律让你照抄，他是在示范一种跟 AI 协作的方式。把自己的工作习惯、质量标准、踩过的坑，整理成一个结构化约束文件，让 AI 在跟你协作的时候，不是从零开始猜你要什么，而是直接按你的标准来。

你想想看，你的 CLAUDE.md 不应该跟 Karpathy 的一模一样。

应该不一样。

你们做的项目不一样，技术栈不一样，审美偏好不一样，最常踩的坑也不一样。你的 CLAUDE.md 应该反映你自己的痛点，不是 Karpathy 的痛点。

比如你发现 AI 老给你写过度抽象的设计模式，那就在规则里加一句「不要使用设计模式除非我明确要求」。AI 老帮你重构你没让改的代码，加一句「只改我指定的文件和函数」。AI 老用已废弃的 API，加一句「使用 XX 版本」。

你的 CLAUDE.md 应该是活的。

我现在每个项目都有一个，每隔一两周更新一次。每次 AI 犯了新错误，我就把它加到规则里。慢慢积累下来，这个文件就成了我跟 AI 之间的接口规范。新的会话启动，加载文件，AI 就知道怎么跟我配合。

这个过程比任何一条具体规则都重要。

但说实话，大多数人做不到。推文下面有个叫 JMoon 的开发者说了个更扎心的现实，多数人写了一次 CLAUDE.md，然后就再也不改了。新鲜劲儿一过，规则文件就变成了又一个被遗忘的配置文件。而真正能从中获益的人，是那些每次踩坑都回头更新规则的人。

另一个推友唐清乐说得也挺好，65 行实现 30% 的准确率提升，关键不在于规则本身，在于建立了一种让模型在行动前先思考的「约束机制」。这个设计思路，比任何具体规则都更值得借鉴。

但还有个更实际的问题，所有人都没提。

Matt 在推文里说了一句话我印象特别深。他说 65 行很漂亮，但行数不是成本。这四条规则每次对话都进 context，你跟 AI 聊 50 轮，它们就被复制粘贴 50 遍。哪些行真的在被模型引用，哪些行只是白白占着位置、每轮都在烧 token，从来没人审计过。

你想想看，一个臃肿的 CLAUDE.md 不是在帮你，是在悄悄吃你的 context 预算。而 context 预算直接等于输出质量，等于你的真金白银。更关键的是，Anthropic 已经宣布从今年 6 月 15 号起，Claude Code 账单拆成独立的 Agent SDK credit pool。也就是说，一个啰嗦的配置文件，很快会变成一个账面上的数字。

Matt 自己做了个免费工具叫 ccmd.dev，浏览器里跑，不上传文件，5 秒钟给你的 CLAUDE.md 打分，标出哪些行在占位，折成 Opus 4.7 的 token 费用。我拿自己的文件跑了一下，挺扎心的。如果你也在用 CLAUDE.md，建议你也跑一遍。

顺着再往下想一步。我觉得未来不是每人一个静态 CLAUDE.md，而是根据项目类型、开发阶段、甚至不同的 AI 模型，自动切换规则集。你现在可能只用 Claude Code，但如果同时用 Codex、用 Cursor、用 Gemini CLI 呢？每个工具的脾气不一样，同一套规则未必都适用。

但这都是后话了。

别迷信 94%，写你自己的规则

回到一开始的话题。94% 这个数字不是你能一键达成的目标。它是 Karpathy 在自己的场景下，用自己的规则，跑出来的结果。它证明了规则文件这条路走得通，但不保证你走上去就能到 94%。

说真的，与其纠结 94% 能不能复现，不如想一个更简单的问题。

你今天用 AI 编程的时候，最烦 AI 做什么。

把这个写进你的 CLAUDE.md。

就这一条。

明天再用，可能就好了那么一点点。然后再烦另一件，再加一条。时间长了，你的 CLAUDE.md 可能不是 65 行，可能是 30 行，可能是 100 行。但那是你的，不是 Karpathy 的。

同一天还有条新闻。

微软出报告说，某些场景下 AI 成本已经超过了雇人。很多人看了说你看 AI 也不便宜嘛。

我倒觉得两条新闻放一起，恰好说明了一个更有意思的事。

AI 贵还是便宜，准还是不准，根本不是技术问题。

是你怎么用的问题。

推文下面有个叫 Marcus 的开发者说了一句话我特别认同。他说 94% 和 65% 之间的差距，不是那四条规则本身造成的，是规则逼着模型「慢下来」造成的。大多数 AI 编程失败，不是智力失败，是速度失败。

这话说到了根上。

乱用，AI 就是个烧钱玩具。有章法地用，AI 就是你手里最锋利的刀。Karpathy 的 CLAUDE.md，不如说是一张「怎么用 AI」的说明书。说明书不值钱，但看完之后会不会用，才是分水岭。 22 万星给的不是那 65 行文字。

给的是「AI 时代开发者该怎么工作」这个问题的一个具体回答。不完美，有前提条件，有适用边界。但它是第一个认真回答的。

所以值 22 万星。

而你现在要做的，不是仰望那 22 万星。

是写出你自己的 22 行。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。

>/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

一键把 Get 笔记同步到 Obsidian，我后悔了——后悔没早装

sphinx30 — Fri, 22 May 2026 16:18:02 +0800

你在 Get 笔记中长期收藏却未整理，这种收藏夹囤积症持续多久了？

我用了大概半年。最开始觉得太棒了——看到好文章，丢进去；听到有意思的播客，丢进去；脑子里冒出什么想法，随手语音一下，也丢进去。AI 帮你摘要，帮你整理，感觉自己的知识库在飞速膨胀。

然后过了两个月，我打开 Get 笔记，里面已经有 400 多条笔记了。但真正"用"过的，可能不超过 20 条。

问题不在工具，在于 Get 笔记是个"输入终点"，但知识真正被用起来，需要的是"加工和连接"。而 Obsidian，恰好是干这件事的地方。

所以有人做了一个插件，把 Get 笔记的内容自动同步到 Obsidian 里。

项目地址： https://github.com/springrain1/get-to-obsidian

PS.如果遇到地址打不开，关注公众号「大强同学」，后台回复「get-obsidian」获取插件

准备工作

在开始之前，你需要：

一个已经在用的 Obsidian Vault
一个正在用的 Get 笔记账号
安装好 Node.js（因为后面要跑 npx 命令，没有的话先装一下）
会用 Obsidian 的插件市场，搜索安装 BRAT 这个插件

BRAT 是什么？简单说，它是一个能帮你安装"还没上架插件市场"的 Obsidian 插件工具。

安装步骤

第一步：装 BRAT 插件

打开 Obsidian，进「设置 → 第三方插件 → 浏览插件市场」，搜索 BRAT，安装并启用。

这一步应该很顺，BRAT 是 Obsidian 社区里用得很广的工具，我自己装过的不下五六个插件都是靠它的。

第二步：用 BRAT 安装 get-to-obsidian

进入 BRAT 的设置页，找到「Add Beta plugin」，填入仓库地址：

https://github.com/springrain1/get-to-obsidian

点确认，BRAT 会自动帮你拉取并安装插件。

第三步：装 Playwright

这块是容易漏掉的地方，官方也有写，但藏得比较深：

装完插件后，还需要手动跑一条命令：

npx playwright@1.43.1 install

打开终端（Windows 用 PowerShell 或者 CMD 都行，Mac 直接用 Terminal），把这行粘进去跑一下。

Playwright 是一个浏览器自动化库，插件用它来抓取 Get 笔记里的内容。如果跳过这一步，后台自动同步那个功能就跑不起来。

我当时第一次配的时候就没注意这个，折腾了半个小时才发现。

第四步：配置 Get 笔记账号

安装完后，点击左侧边栏的笔记本图标 📓

进入插件的设置页，建议勾选插件中 ☑️启动 Obsidian 时自动同步 ☑️每小时自动同步一次

最后点击点一次「自动同步」试试——如果 Obsidian Vault 里出现了新的文件夹，里面开始有笔记冒出来，说明连接成功了。

同步进来的笔记长什么样

跑通之后，每条从 Get 笔记同步过来的笔记，都是一个独立的 Markdown 文件。

你的 Obsidian vault 会生成以下结构：

notes 文件中笔记，标题、时间、来源链接、标签，都在 Frontmatter 里，结构干净。

这意味着什么？意味着你可以：

用 Dataview 按标签、日期、来源过滤笔记，做成动态看板
给任意一条笔记加上 [[双链]]，把它跟 Obsidian 里的其他笔记连起来
把它丢进某个项目文件夹，让它参与你真正的知识系统

增量同步这一点也设计得挺合理——每次只拉取新增的内容，不会重复写入，不用担心跑几次之后 Vault 里一堆重复文件。

同步完之后，别忘了这件事

工具链再顺滑，也代替不了"定期整理"这个动作。

这是真的。我自己每周会专门找个时间，打开 Obsidian，把这一周同步进来的内容过一遍：

有价值的，加标签、加双链，融进知识网络
跟某个项目相关的，移到对应的项目目录
读完摘要觉得不需要深挖的，标记已读
确实没用的，直接删掉

不要让 Obsidian 变成另一个收藏夹。Get 笔记负责"接收"，Obsidian 负责"加工"，定期回顾才是让这套系统真正转起来的关键。

常见问题

Q：手动同步能跑，但后台自动同步没反应？

大概率是 Playwright 没装到位。回去重跑一遍 npx playwright@1.43.1 install，确认跑完没有报错。

Q：同步进来的笔记格式有点乱，比如换行符不对？

这个 springrain1 的 fork 版本专门修了 Windows 上的格式转换问题（原版这块确实有问题）。如果用的是原版而不是这个 fork，建议换过来。

Q：装完 BRAT 找不到 get-to-obsidian？

BRAT 拉取完之后，插件不会自动出现在列表里——需要手动去「设置 → 第三方插件」里找，然后打开那个开关。

最后总结下

收藏夹囤积症的解药，不是换一个更好的收藏夹，而是建立"收进来之后要做什么"的机制。

get-to-obsidian 解决的是"把 Get 笔记的内容拉进来"这一步。

真正让知识活起来的，是你装了双链之后那个整理的动作。

工具是桥，路还得自己走。

>>>延伸阅读

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐️～

谢谢你看我的文章，我们，下次再见。

>/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

你。那。些。无。用。的。兴。趣。救。了。你。

sphinx30 — Thu, 21 May 2026 20:15:06 +0800

故事是这样的。

前段时间，有个朋友来找我聊天，他在一家工厂做品控，干了六年，工资涨得比蜗牛还慢，每天重复同样的事情。

他问我，AI 这么火，我能干啥？

我问他，你平时喜欢干啥？

他想了一会儿，说，喜欢钓鱼，偶尔拍点视频，没用。

我当时没说话，心里想，他把「没用」两个字放在那里的方式，很有意思。

这是很多人面对这个问题时的本能反应，把兴趣和「有没有用」切割得很干净，仿佛一件事情，要么用来赚钱，要么就是在浪费时间。

但这件事，在 AI 时代，好像有点变了。

说实话，写这种建议类的文章，我一直挺有心理负担的。

我不是什么成功人士，我也还在摸索，我自己也踩过坑，凭什么给别人建议？

但这件事我想了挺久了，今天还是想说一说。不成熟的想法，大家参考就好。

打工这件事，本来就是历史上的特殊产物

我有时候觉得，很多人对「打工」的执念，其实是被教育系统和工业时代的社会结构给塑造出来的。

想想看，一个人从幼儿园到大学，学的所有东西，都指向同一个出口，找一份稳定的工作，然后用时间换钱，这一辈子就算交代了。

这种路径，在工业时代是有其合理性的，社会需要大量的标准化劳动力，个人把时间打包卖给组织，是效率最高的资源配置方式。

但 AI 出来以后，这个底层逻辑，正在悄悄松动。

你如果关注这个领域的话，应该能感受到，AI 替代的不是某类人，替代的是某种模式，那种「人作为标准化流程执行器」的模式。

会计核对账单，流水线工人做检测，初级程序员写重复代码，文案编辑处理模板内容，这些一旦被 AI 接管，就不需要人了，或者说，需要的人数会断崖式缩减。

这话听着有点刺耳，但我有时候觉得，现在意识到这件事，其实还不晚。

怎么说呢，就像 1880 年代电力开始在美国普及的时候，第一批被淘汰的是什么人？是那些死抱着蒸汽机模式不放的工厂主。而最先吃到红利的，是那些想明白了「电力到底意味着什么」的人，他们不是简单地把蒸汽机换成了电动机，而是整个重新设计了工厂的布局和生产流程。

AI 也是一样的事情。

现在大家疯狂装 AI 工具，但很多人装完以后发现，怎么好像也没多大用？

因为没想明白，AI 在这里扮演的是什么角色。

消费型兴趣 vs 产出型兴趣，这个区别，以前不重要，现在很重要

回到我那个钓鱼朋友。

他说喜欢钓鱼，喜欢拍视频，说「没用」。

我问他，你拍的视频，是给自己看的，还是放出去有人看的？

他说，放了几条，有人看，但也没多少。

我说，那你说的「没用」，其实是「变现效率低」，不是「没价值」。

这两件事差挺多的。

我一直觉得，有一个区分是很重要的，消费型兴趣和产出型兴趣。

消费型兴趣，就是让你开心的事情，打游戏、看剧、刷短视频，这些消耗你的时间和注意力，但不产生任何可以给别人的价值。

产出型兴趣，就是你做了之后能产出某种东西的，写作、拍视频、做设计、写代码、做手工，甚至是某个垂直领域的专业知识，你能给出去，别人能拿到手上用的。

以前这两者的界限还比较模糊，很多产出型兴趣，变现路径很窄，你画画很好，但不走商业插画或者教培这条路，你的画可能就只是自娱自乐。

但 AI 改变了这件事。

AI 把变现路径，拓宽了很多倍。

以前你的钓鱼视频，想做好，要懂剪辑，要懂后期，要会写脚本，这些加起来就算了，你还要有足够多的内容才能积累起来一个账号。

现在用 AI，脚本可以快速生成，封面设计可以一键出图，字幕、剪辑、配乐，有工具可以辅助完成大部分，你只需要提供最核心的那个东西，你在水边坐着、鱼咬钩那一刻、你把鱼放回水里的那个瞬间。

你的兴趣还是你的兴趣，但 AI 把你的产出效率拉了一个档次。

这不是我在画饼，我自己就是这么搞的，三年前开始做内容，从一篇文章磕到一篇，现在有了 AI 辅助，产出效率提了至少 3 倍，但内容的核心，还是我自己的经历、判断和感受，这个东西 AI 给不了我。

好，那我没有兴趣怎么办

这是我经常被问到的一个问题，而且坦率的讲，真的挺多人是这种状态的。

不是他们懒，是因为他们太久没有被自己感兴趣的事情碰触过了。

工作裹挟的时间太长，精力长期被消耗在应对各种任务上，什么「我真正喜欢什么」，这个问题上一次认真想还是高中填志愿之前。

我自己有一段时间也是这种感觉，每天好像很忙，但说不清楚哪件事是我真的想干的。

有个思路，我觉得还是挺有用的，去找那些让你情绪会波动的事情。

不一定是让你快乐的，是让你有反应的，愤怒也行，着迷也行，好奇到睡不着觉也行。

比如你看到某个行业新闻，会冒出「这太荒唐了」，或者你刷到某个人的作品，会觉得「这我也能做」，这些情绪波动的点，都是很好的线索。

当然了，现在还有一个很直接的方法，就是让 AI 帮你挖。

这听起来有点奇怪，用 AI 来找自己的兴趣？

但我寻思了一下，还挺说得通的。

你可以把过去五年，你做过的所有事情，买过的所有课，关注过的所有账号，读过的所有书，喂给 AI，让它帮你分析，你反复被哪类东西吸引，你的注意力在什么方向流动。

这不是 AI 在替你做决定，是 AI 帮你照出一个你可能没认真看过的自己。

有点像古希腊德尔菲神庙门口刻着的那句话，认识你自己。

只不过这次，你可以有一个帮你做分析的工具。

AI 的风险这件事，不能回避

说到这里，我必须聊一个很多人忽略的问题，那就是，AI 普及的背面，有很多坑。

我说的不是什么宏大的科技伦理问题，就是很日常的，会让你吃亏的那种坑。

AI 骗局这两年多到令人发指。

我刷过一些，什么「付费解锁某某模型完整版」，什么「AI 一键生成百万收益」，什么「花 9.9 块学会 ChatGPT 副业」，还有各种所谓的 AI 赋能培训，一节课收你几百块，内容基本就是把几个 AI 工具的官方教程念一遍。

更离谱的是，我见过有人用 AI 生成的「专家」人物来带货，视频里那个专家看起来很真实，西装、白发、职称，完全是合成出来的。。。

我寻思了一下我没寻思明白，这种东西为啥还有人信。

但你去看看那些被骗的，很多都是真的想学习、想改变、想抓住这个时代机会的普通人。

他们没有坏，只是没有基础认知来辨别。

所以这里有一个我觉得挺重要的事情，在你开始用 AI 变现之前，先花一点时间，建立一点基础认知，搞清楚主流的模型是谁，价格大概是多少，正规的收费渠道长什么样，什么样的「内幕消息」大概是在骗你。

这不需要很深，但有跟没有，差别挺大。

一张免疫卡，比事后后悔有价值多了。

用 AI 编程这件事，门槛真的没你想的那么高

好，说到这里，可能有人要问了，你说了这么多，具体怎么赚钱呢？

我先说我自己的感受。

三年前，我开始学用 AI 工具，做内容，后来发现，很多重复的事情，能用代码解决，但我完全不会编程。

然后我开始尝试用 AI 写代码。

一开始确实挺痛苦的，我根本看不懂代码在写什么，AI 给我一段东西，我复制粘贴进去，有时候跑通，有时候报错，报错了我再把错误贴给 AI 让它改，就这么磕着磕着，慢慢搞出来一些东西。

现在，我自己有一套跑在本地的自动化工作流，把我的内容产出、数据统计、素材整理，能自动化的基本都自动化了。

我不是程序员，就是一个会用 AI 写代码的普通内容创作者。

这个过程要多久呢？说实话，前几个月，效率可能比手动做还低，因为经常搞不定，浪费时间。但大概半年以后，你会感觉到一个拐点，你开始理解 AI 在做什么，你开始能更精准地表达你的需求，你开始能判断哪些任务能交给 AI，这个拐点之后，复利效应就开始了。

一开始可能会有点笨拙，这个我不骗你，但坚持下去的人，回头看都说值。

当然，有进取心的话，比这更有意思的是，你可以把兴趣和 AI 编程结合起来。

比如你喜欢健身，你能不能做一个根据用户体测数据生成个性化训练计划的小工具？

比如你喜欢烹饪，你能不能做一个「冰箱剩什么食材，推荐今天做什么菜」的小程序？

比如你喜欢摄影，你能不能搭一个批量处理出片的自动化流程，然后给周围的摄影师提供服务？

这些东西，门槛不高，用 Claude Code、Cursor 这些 AI 编程工具，从零开始学，能做出来的时间，可能比你想象的短。

而且，你做的是你真正喜欢的领域的问题，学起来会顺很多，因为你比别人更了解这个领域需要什么。

先验证，再投入，别一上来就大干快上

最后说一个我觉得最重要的实操原则。

不要一上来就大干快上。

很多人有了想法，激动一下，就花了大量时间，甚至钱，去做一件还没验证过有没有人要的事。

我自己走过这条弯路，不止一次。

现在我的做法是，先用最低的成本验证这个方向有没有人买单。

具体来说，在你花三个月做一个完整产品之前，先用一周时间，做一个能展示核心价值的最简单版本，然后拿去问 5 个真实的潜在用户，你会用这个吗，你愿意付多少钱？

如果 5 个人里有 3 个说愿意付，而且他们说出的价格你觉得值，那再继续往下做。

如果没有，不是说这件事不能做，而是你可能需要调整方向或者换个角度。

这个过程，AI 能帮你快很多，因为打磨一个最简版本的效率提高了，迭代一次的成本降低了，你可以更快地跑完这个验证循环。

说到底，这件事其实不复杂，找到一个你真正懂、真正感兴趣的领域，用 AI 把你的产出效率放大，先小范围验证有没有人买单，再逐步投入。

没有什么神秘的。

就是这样。

回到那个钓鱼的朋友。

我后来跟他说，你的视频，你不用剪辑，不用配乐，就直接拍，真实的水边声音，真实的钓鱼等待，然后用 AI 帮你写文案，做封面，这一套跑起来试试？

他说，这样能赚钱？

我说，我也不确定你能赚多少。但你现在最缺的不是赚钱方案，是一个开始。

大时代啊，朋友们。

不是所有人都能赶上，但多数时候，错过的原因不是能力不够，是太晚开始。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐️～

谢谢你看我的文章，我们，下次再见。

>/ 作者：大强同学 >/ 更多干货，请访问：dqtx.cc

讯飞星辰 Maas 福利活动，3.9 元 30 天 API 不限量调用!

sphinx30 — Mon, 18 May 2026 23:22:00 +0800

养过 OpenClaw（小龙虾）的都知道有多烧钱——后台 24 小时跑任务，按 Token 计费，一天上千块是常事。更坑的是哪怕没盯着它，AI 智能体也会在后台自动执行、默默消耗 Token，不知不觉账单就爆表了。

二手平台上现在有个魔幻现象：帮人卸载小龙虾的订单比安装的还火爆。十几块、几十块帮人卸载，第一批踩坑的人纷纷止损离场。

但科大讯飞旗下的讯飞星辰 MaaS 平台，直接把这个痛点给治了。

按请求次数收费

以前所有 AI 平台都是 按 Token 收费——写的内容越长、任务越复杂、跑的时间越长，费用蹭蹭往上涨。

讯飞星辰这次把计费模式从"按 Token 收费"改成了 "按请求次数收费"。

听起来都是收费？差别巨大：

对比项	按 Token 收费	按请求次数收费
复杂任务	Token 瞬间激增	只算 1 次
自动化任务	跑得越久越贵	不管跑多久都一样
成本可控性	完全不可控	一眼看得到底

做一整套番茄时钟网站也好、让 AI 每天定时搜集全网热点也罢，全程只消耗 1 次请求。

3.9 元不限量

平台整合了 60 多款热门大模型：GLM5.1、Qwen3.5、Kimi2.5……一个入口随便切换，不用来回注册多个平台。

最狠的是现在的活动价：3.9 元 = 整个月不限量随便跑

一瓶可乐的钱，整个月随便用。不管任务多复杂、跑多少次自动化，成本完全锁定在 3.9 元以内。

职业开发者或企业用户还可以选专业版套餐，搭配 5 小时滑动窗口 + 周 / 月重置流控策略，专为 AI 智能体这类场景量身定制。

如何订阅

订阅地址： https://maas.xfyun.cn/packageSubscription?inviteCode=MAAS-F75A78EC

订阅前填邀请码：MAAS-F75A78EC

填邀请码后双方都能拿到等额礼品卡，可直接抵扣 API 费用。相当于白嫖套餐。

限时活动，3.9 元解锁不限量套餐，手慢无。以前养虾像养吞金兽，现在一瓶可乐搞定一个月。

工具的意义不在于它有多牛，在于它让你把时间花在真正该花的地方。

Gemini cli 登录异常解法

sphinx30 — Fri, 15 May 2026 23:05:25 +0800

事情是这样的。

今天下午，有个项目要用到 Gemini CLI，我想着那就登一下吧，反正之前也用过。

结果终端输完命令，点完授权，跳完浏览器，回到终端。

就给我看这个。

全网都在教你调代理

嗯？

什么情况？

我以为是网络波动，重试了两次，还是一样。

于是我去搜了一下，好家伙，一搜才发现，这个问题已经爆了快一个月了。整个中文互联网搜 gemini cli 登不上，出来的帖子能翻十几页，从 CSDN 到知乎到 GitHub Issue，所有人都在骂。

然后你猜所有人给出的解决方案是什么？

清一色，检查代理。

什么检查环境变量啊，什么给 PowerShell 单独设置 WinHTTP 代理啊，什么用 proxychains 啊，还有说要在环境变量里配置谷歌云项目 ID 的。

我当时还真信了。

于是我照着网上的教程，一步一步来。

先在 PowerShell 里敲 netsh winhttp show proxy，看看代理是不是生效。

显示正常。

不放心，又手动设了一遍 netsh winhttp set proxy 127.0.0.1:7890。

然后再去登。

还是失败。

我当时就有点懵了。

我甚至把代理关了又开，开了又关，节点换了好几个，从香港换到新加坡换到日本，甚至试了美国原生家宽。

没用，就是登不上。

。。。

真正的原因，被所有人忽略了

这个时候我突然想起一件事。

大概两周前，我发现 Google AI Studio 打不开了，浏览器里直接 403，当时以为是谷歌又封了什么区域，也没在意。

这两件事会不会有什么联系？

我于是去搜「Google AI Studio 403」，出来的结果让我一下子就反应过来了。

原来，谷歌从上个月开始，悄悄给所有用户发了一封邮件，要求进行年龄验证。

你没看错，年龄验证。

因为之前注册谷歌账号的时候，那个年龄你随便填的，谷歌根本不会真的去验证。你说你 18 你就 18，你说你 80 你就 80。

但现在不行了。

谷歌说，不行，我现在要开始认真了。如果你不做年龄验证，那所有跟 AI 相关的服务，你就别想用了。

包括 AI Studio，也包括 Gemini CLI。

我靠。

我突然想起来，那封邮件我确实收到过，当时扫了一眼标题，觉得又是谷歌什么乱七八糟的通知，直接就给删了。

谁能想到，就这么个破事，能把我卡一下午？

于是我赶紧去把年龄验证做了，链接放这里，你们遇到同样问题的也可以直接去。

https://myaccount.google.com/age-verification

验证完，我先去打开 AI Studio，果然能进了。

然后回到终端，再敲一遍 gemini 登录。

授权，跳转，确认。

成了。

写在最后

我当时坐在屏幕前，真的就是一声叹息。

你说这叫什么事啊。

整整一个月，整个中文互联网所有人都在教你怎么调代理，所有人都在骂谷歌的反人类网络设置。

结果真正的原因，是你没去填那个年龄验证。

没有任何一篇文章提到这件事。

所有人都在错误的方向上，互相抄来抄去，把一个根本不存在的问题，越描越复杂。

最后甚至形成了一种集体幻觉，好像真的是代理的问题，好像真的只要你多换几个节点，多试几次，总能成功。

我后来在想，为什么会这样？

大概是因为，我们已经太习惯「谷歌的服务出问题，那肯定是代理的锅」这个条件反射了。以至于当真正的问题出在别的地方时，我们甚至连想都不会往那个方向去想。

我们只会一遍又一遍地，在同一个错误的地方，用同一种错误的方法，试图得到一个正确的结果。

这跟现在很多人用 AI 的状态，是不是也有点像？

遇到问题，第一反应不是去想「这个问题的本质是什么」，而是去搜「别人是怎么解决的」，然后照着抄一遍。抄来抄去，所有人都在同一个坑里打转，就是没人愿意停下来，多问一句，真的是这样吗？

哦对了，如果你现在去谷歌搜「gemini cli 登录不上」，排在前几的那几篇文章，还是在教你怎么设置代理。

没有人更新。

没有人发现真正的原因。

所有人都还在那个坑里。

信息差啊，朋友们。

有时候，你跟正确答案之间的距离，不是你不够努力，也不是你技术不够好。

就只是，没有人告诉你，真正的问题是什么。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。

公众号：大强同学

Google 搜索 CLI：给 AI Agent 装上谷歌搜索能力

sphinx30 — Thu, 14 May 2026 23:00:50 +0800

AI Agent 不能联网真的太蛋疼了。试了五六种搜索工具，没有一个让人省心——要么要配 API Key，要么要跑后台服务，要么结果一塌糊涂。

直到发现 gsearch-cli。Rust 写的，单二进制，小得离谱，跑起来快得惊人。最妙的是它能直接复用 Gemini CLI 的 OAuth 认证，零配置，装完就能用。

现在 Claude Code 终于有真正的谷歌搜索能力了。

安装

方式一：有 Rust 环境

cargo install gsearch-cli

方式二：macOS

brew install aeroxy/tap/gsearch

装完先登录一次：

gsearch --login

浏览器打开授权页面，点一下确认就完事了。

怎么用

1. 命令行直接用

gsearch 新加坡天气

不用加引号，空格直接搜。

2. Claude Code 自然语言调用

这才是终极形态——让 Agent 获得真正的联网能力。

直接用项目自带的 Skill：

# 从源码里复制，或者手动创建
cp gsearch-cli/skill/gsearch/SKILL.md ~/.claude/skills/gsearch/

作者已经写好了完整的 Skill，包含：

自动触发条件（搜索谷歌、查找资料、需要实时信息）
完整的使用流程说明
输出格式和引用说明

配置完就能用！ 下次直接说：

帮我搜一下 2026年5月有什么新的AI模型发布

Claude Code 会自动识别并调用这个 Skill，不需要写复杂的 System Prompt。

设计亮点

1. 终端 Markdown 自动检测

这个细节特别用心：

if stdout().is_terminal() {
    termimad::print_text(&formatted);  // 终端输出 → 彩色渲染
} else {
    println!("{}", formatted);          // 文件/管道 → 纯净 Markdown
}

效果：

直接运行 gsearch xxx → 看到彩色、粗体、高亮的排版（给人看）
gsearch xxx > out.md → 文件里是纯净 Markdown，没有乱码字符（给程序用）

2. 引用来源机制

搜索结果带 Gemini 的 grounding 数据，正文插入 [1] [2] 标记，末尾自动列出 Sources 链接。

注意：不是每次都有 Sources：

✅ 时效性新闻、技术文档、冷门事件 → 有完整引用
⚠️ 最新财报、热点新闻 → 可能有注
❌ 常识历史内容（如马斯克早年经历）→ Gemini 认为训练数据已有，不联网

核心原理

这个工具最巧妙的地方在于——它伪装成了官方的 Gemini CLI。

1. 认证复用

直接读 ~/.gemini/oauth_creds.json，用的是和 Google 官方 Gemini CLI 完全相同的 Client ID/Secret。如果你已经登录过 Gemini CLI，装完直接能用。

2. 调用内部 API

不走公开的 Gemini API，用的是 Gemini CLI / Cloud Code 插件的内部端点：

cloudcode-pa.googleapis.com/v1internal:generateContent

User-Agent 也伪装成 GeminiCLI/...，Google 根本分不清是 gsearch 还是官方客户端。

3. 原生联网搜索

调用 Gemini 时开启 googleSearch 内置工具，用的是 Gemini 的 Grounded Search 原生能力，不是爬虫，比所有第三方搜索工具都稳。

4. 自动维护

Token 过期前 5 分钟自动刷新
自动检测 HTTPS_PROXY，忽略证书验证，公司内网也能跑
不需要 API Key，不需要 Google Cloud 项目

源码结构

总共就 4 个文件：

main.rs - 主入口和命令行解析
auth.rs - OAuth 认证和 token 管理
api.rs - Gemini 内部 API 调用
grounding.rs - 搜索结果格式化

MIT 协议开源，随便改。

最后说两句

不是什么惊天动地的大项目，但它把一个很小的问题解决得特别干净。没有花里胡哨的功能，没有复杂的配置，装完就能用。

对于折腾 AI Agent 的人来说，这玩意儿就是刚需——你的 Agent 终于能真正"上网"了。

对不起 OpenAI，你的 GPT 太贵了，我找了个 “平替”。

sphinx30 — Wed, 13 May 2026 20:06:39 +0800

Codex App 最近在推特上很火，但没 GPT Pro 会员就用不了，每月 20 刀也不便宜。能不能接国产模型？逛 GitHub 发现了 codex-cn-bridge。

它是个本地代理，专门解决 Codex 只能用官方 GPT 的问题——把 OpenAI 的 Responses API 翻译成标准 Chat Completions API，让 Codex 桌面端、CLI、VS Code 插件都能直接用国产大模型。

项目地址： https://github.com/git-liu835/codex-cn-bridge

闲话

今天打开 Codex App 突然弹了个电话号码验证，给我整懵了。搜了一圈发现不少人中招，现在确实开始要手机号了。

好多人推荐新的 hero-sms 网站。我试了几个，要么收不到 Codex 验证码，要么填了某些国家的号码 OpenAI 直接发 WhatsApp 上，体验很差。

不想折腾的同学可以去公号：大强同学，后台回「Codex」，有最新接码渠道。按那个方法一下就过了。

另外，如果你 A 电脑无需验证，B 电脑需验证，只需将 A 电脑的 auth.json 复制一份粘贴 B 电脑，那 Codex APP 和 CLI 它们共享同一个 .codex 配置目录，认证和配置都是互通的。

实现原理

Codex 用的是 OpenAI 的 Responses API（新格式），其他大模型只支持标准 Chat Completions API（旧格式）。

代理做的事：接收 Codex 的 Responses 请求 → 翻译成 Chat Completions → 转发给国产模型 API → 把响应翻回来 → 流式推给 Codex。都在本地跑，数据不经过第三方。

安装与配置

Windows 桌面版安装

1. 下载安装

去 Releases 下 Windows 安装包：

code-CN-Bridge-Setup-0.1.0.exe

双击装就行，不用装 Python。

2. 图形界面配置

打开 Code CN Bridge → 模型配置 → 添加卡片：

点保存，然后去仪表板点启动。

3. 确认代理在跑

仪表盘看到运行中说明在跑

Codex 客户端配置

改 config.toml

文件位置：

C:\Users\你的用户名\.codex\config.toml

内容：

model_provider = "custom"
model = "gpt-5.4"  # 代理会自动映射成你选的国产模型

[model_providers.custom]
name = "custom"
base_url = "http://127.0.0.1:8765/v1"
wire_api = "responses"

改 auth.json

文件位置：

C:\Users\你的用户名\.codex\auth.json

随便填，Bridge 会用图形界面里配的真实 Key：

{
  "OPENAI_API_KEY": "sk-anything-works"
}

启动顺序

先打开 Code CN Bridge，看到 "代理运行中"
重启 Codex，完事。

顺序反了的话把 Codex 彻底关掉（托盘右键 → Exit）再重来。

最后

这个工具解决的就一件事：不想给 OpenAI 交钱，又想用 Codex。国产模型的 coding 能力其实不差，DeepSeek V3、Kimi K2 写代码都是有口碑的，配上 Codex 的交互体验，日常开发够用了。

有个小提示：代理跑在本地 127.0.0.1:8765，只监听本机，不用担心安全问题。但记得 API Key 别在别处泄露。

项目还在快速迭代，遇到 bug 去 GitHub Issues 反馈，作者响应挺快的。

这才是真正的 “贾维斯”：Minis 如何让你的 iPhone 变成钢铁侠的战衣？

sphinx30 — Tue, 12 May 2026 16:42:49 +0800

在电脑上用 Agents 很爽，但 Agent 能随身带在手机里，直接调用你手机的所有能力呢？

这就是 Open Minis —— 一个真正把「端侧 AI Agent」做明白的产品。

这不是又一个聊天 App。它是一个完整的 AI Agent 运行时，跑在你的手机上。一句话：你的 AI 助手，真的能「用」你的手机了。

开箱即用三步

App Store 搜索 Minis 下载：

配置 AI 提供商（Claude、GPT、Gemini、OpenRouter 或任意 OpenAI 兼容接口）
选择模型
开始对话

核心能力

1. 完整 Linux 环境，Agent 自己写代码

内置 Alpine Linux，Agent 能自己安装包、写脚本、执行命令，一切本地运行。

我测试让它安装「数字生命卡兹克 AIHOT」skill，它自己克隆仓库、发现缺 Git 就自己装上，全程丝滑。

2. 原生 iOS 深度集成

这才是最狠的 —— 直接调用几乎所有 iOS 系统能力，用自然语言就行：

能力	你只要说
健康数据	"我这周走了多少步？"
日历	"明天我有什么安排？"
提醒事项	"下午 3 点提醒我给牙医打电话"
智能家居	"把客厅灯关了"
联系人	"找一下张三的手机号"
蓝牙、剪贴板、照片、闹钟、电池...	自然语言描述即可

3. 内置浏览器 + SKILL 兼容

Agent 自己会浏览网页、填表、截图
完全兼容 Claude Code 的 SKILL.md 格式，电脑上的技能直接拿来用

为什么重要？

隐私第一

API 密钥存在 Keychain，无数据收集，所有内容本地处理。

多模型自由

可同时配置多个提供商，支持 Fallback（故障自动切换）、负载均衡模式。

Agent 自循环

可配置专门的「Agent Loop 模型池」，分解子任务或深度推理时自动调用。

支持平台

iOS 16+ / iPadOS 16+
macOS 13+ (Apple Silicon)
visionOS 1.0+
Android（预览版）

总结

这不是「手机上的又一个 AI App」，这是 AI 终于能真正用你的手机了。

之前的手机 AI 都停留在「聊天」层面，而 Open Minis 直接把 Agent 的触手伸进了系统层。日历、健康数据、智能家居、文件系统 —— AI 终于能以自然的方式访问和操作它们了。

如果你在电脑上已经体会过 Agents 带来的效率革命，把这种能力装进口袋的感觉，值得立刻去试一下。

我怀疑那些抱怨 AI 难用的人，根本没遇见过 WorkBuddy。

sphinx30 — Mon, 11 May 2026 22:11:07 +0800

使用 AI Agent 时，两大痛点让人抓狂：

命令交互反直觉：斜杠命令一输就触发，需求还没写完，思路已被打断，反复修正苦不堪言。
跨工具协作割裂：想处理微信消息、整理聊天记录？必须配置插件、折腾接口，门槛高到让人放弃。

WorkBuddy 一击致命：先写需求、再挂技能，彻底杜绝误触；原生打通微信，零配置自动处理消息——让 AI Agent 不再是玩具，而是你办公和社交中无法离开的本能。

下载&安装

https://www.codebuddy.cn/home/

首次打开需要微信登录，手机验证后即可使用

新用户赠送 2500 个积分：

基础体验包
活动赠送包，有效期 30 天

全局记忆文件位置

C:\Users\Administrator\.workbuddy\BOOTSTRAP.md

API 定价&设置

他们家的 API 购买地址 https://www.codebuddy.cn/profile/plan

个人专业版一个月 58 元，一年 696 元。

也可以接入其他厂商模型

微信集成方法

官网文档 https://www.codebuddy.cn/docs/workbuddy/WeixinBot-Guide

设置---Claw 设置 --- 微信助手集成 - 配置

扫码后即可在微信上发消息，电脑端会同步接收，稍后消息也会传到手机上，非常丝滑 ⚠️但是你电脑上发消息不会同步到微信

导入 skills 技能

我自己有个中央仓库 C:\Users\Administrator\AISkills，里面有几百个技能

通过创建目录软链接就可以把 AISkills 给 WorkBuddy 使用。

执行前需要先处理一个问题： .workbuddy\skills 这个空文件夹必须先删除，因为 mklink 要求链接路径不能已存在。

:: 1. 先删除空的 skills 文件夹
rmdir "C:\Users\Administrator\.workbuddy\skills"

:: 2. 创建符号链接（让 .workbuddy\skills 指向 AISkills）
mklink /D "C:\Users\Administrator\.workbuddy\skills" "C:\Users\Administrator\AISkills"

在这个步骤中：

.workbuddy\skills  →→→  AISkills
   (符号链接)            (真实目录)

路径	角色
`C:\Users\Administrator\AISkills`	原始真实目录（已有你的技能文件）
`C:\Users\Administrator\.workbuddy\skills`	符号链接目录（指向 AISkills）

像 WorkBuddy 这类图形化 Agent，在技能调用的交互设计上非常人性化：你可以先完整写完需求（比如 “推特上查询最新 Agent 进展”），再从技能列表中点选 web-access 这类工具触发调用。

而不是像 Claude Code 那样先输入斜杠触发指令，再回头补充需求。这种「先写需求，后挂技能」的模式，从根本上避免了指令发送不完整、误操作触发无效调用的问题。

以上就是我个人对这款软件的使用感受。

从「命令误触」到「先写需求再挂技能」，从「跨工具割裂」到「微信零配置打通」——WorkBuddy 把 AI Agent 从折腾的玩具变成了顺手的生产力工具。

如果你也有什么私藏神器，欢迎在评论区留言推荐，互相种草！觉得有帮助的话，点个赞再走呗～

我用 Obsidian 复现了 Karpathy 的 LLM Wiki 方法，效果超出预期!

sphinx30 — Thu, 07 May 2026 23:41:43 +0800

AI 时代最大的讽刺：我们拥有了最强大的知识处理工具，却仍在用最原始的方式管理知识。

前 Tesla AI 总监 Karpathy 给出了他的答案——LLM Wiki。

这套框架近期在 GitHub 上引发广泛关注。仔细研读后，我发现它的核心价值不在于技术实现，而在于一套关于知识组织的理念与行为准则——门槛极低，却能带来质的飞跃。

核心框架

三种文件：知识库的基石

文件类型	作用	示例
Raw Resource	存放原始资料	PDF、视频、网页剪藏
Wiki	AI 主导生成的知识节点	实体页、概念页、对比页
TheSchema	人与 AI 约定的加工规范	目录结构、Front Matter、工作流

核心洞察：原始资料是唯一事实来源，AI 的任务是把资料编译成可复用的知识网络。

三种日常操作

1. Ingest（摄取）

把新资料喂给 AI → AI 提取实体/概念 → 新增或修改 Wiki → 更新 Index 和 Log

2. Query（问答）

基于 Wiki 而非原始资料提问 → 效率更高 → 回答有价值可生成新 Wiki

3. Lint（审查）

让 AI 定期做体检：是否有矛盾？是否有被推翻的旧表述？是否有孤立页面？

三种查询提效工具

工具	作用
Index	所有 Wiki 的一句话摘要，方便 AI 快速定位
Log	记录 AI 每次操作，让它知道你研究了什么
RAG	Wiki >1000 页时，用 Qmd 等工具进行混合检索

附：QMD 原理详细解读 https://zhuanlan.zhihu.com/p/2016471943256254194

我的 Obsidian 实践

模板示范

obsidian-vault/
├── 01-INPUT/                  ← 原材料入口，低摩擦记录
│   ├── articles/                文章
│   ├── transcripts/             转录稿
│   ├── ideas（选题）/            选题灵感
│   ├── sources（素材）/          素材收集
│   ├── 剪藏/                    网页剪藏
│   ├── 周报和复盘/              复盘记录
│   ├── 文章草稿/                写作草稿
│   ├── 模板/                    笔记模板
│   ├── 研究报告/                研究资料
│   └── 项目资料/                项目相关
├── 02-PROCESSING/             ← AI 处理区，研究摘要、选题分析、中间稿
│   ├── research/
│   ├── outlines/
│   ├── drafts（AI初稿）/
│   └── reviews/
├── 03-OUTPUT/                 ← 正式作品区，可发布内容
│   ├── newsletters/
│   ├── scripts/
│   └── wiki/                    知识 Wiki
├── 04-FEEDBACK/               ← 反馈层，追踪内容效果，驱动系统进化
│   ├── metrics/
│   ├── comments/
│   ├── retrospectives/
│   └── ARCHIVE归档/
├── 05-REFERENCE/              ← 长期参考资料
│   └── 提示词/                  AI 提示词库
├── AGENTS                     ← Newtype-os记忆文件（硬链接）
├── CLAUDE                     ← Claude code记忆文件（硬链接）
├── QWEN                       ← qwen code记忆文件（硬链接）
├── TheSchema                  ← 核心规范文档
└── commands/                  ← 自定义命令

💡 说明：CLAUDE、QWEN、AGENTS 实际上是同一个文件的硬链接（TheSchema），让不同的 AI Agent 都能读取到同一份规范文档。

yaml 属性示例

---
type: "entity|concept|comparison|source"
tags: []
summary: "一句话说明"
sources: ["raw/xxx.pdf"]
updated: "2026-05-07"
---

实践建议

建议建 3 个 skill：

1. ingest — 将 Raw/ 目录下的原始资料编译到 Wiki/ 中

也可以直接在 Claudian 插件中对话：

请根据 @wiki/TheSchema 的规范，针对我 01_Raw/ 文件夹下的所有文件夹下全部文档进行分析拆解并创建出相应的wiki页面以及建立他们之间的链接关系

或：

请基于提供的资料，生成 02_Wiki/ 下的结构化知识条目，并根据主题归入对应的分类目录；若知识库中没有匹配的分类，请自动创建新分类。条目需保持独立、标题清晰，格式符合 Wiki 规范

2. lint — 知识库全局健康度检查

3. query — 基于本地 Wiki 知识库回答用户提问

三个容易被忽视的盲点

1. 原始资料可能更适合入门

Wiki 是原子化、结构化的，适合回顾和总结。但初学者应该先完整学习原始资料（PDF 的章节结构、视频的循序渐进），再来看 Wiki 串联知识点。

2. AI 生成的 Wiki 需要验收

不要无脑囤积。检查链接是否有上下文（"详见 XXX"却没说为什么相关）、内容是否准确。持续迭代 Schema 才能产生真正价值。

3. 现在创建的内容是给 AI 看的

Index 和 Log 的设计初衷就是给 AI 用
用 type 属性区分"人写的内容"和"AI 生成的内容"
Summary 字段方便 AI 检索

资源汇总

Obsidian 实例

模板	作者	链接
obsidian-vault-template	我自己创建	https://github.com/dqtx760/obsidian-vault-template
karpathy-llm-wiki-vault	内含 3 个 skill	https://github.com/jason-effi-lab/karpathy-llm-wiki-vault
llm-wiki-obsidian-blink	Blink 老师	https://github.com/iBlinkQ/llm-wiki-obsidian-blink
obsidian-ai-vault-template	志辉	https://github.com/iamzhihuix/obsidian-ai-vault-template

一键 Wiki

💡 这里与 Karpathy 原方法略有不同：原方法是"摄入新资料后编译"，这里是"对已发布的博客内容进行编译"。

前提需安装 Newtype-os。比如我对我博客编译是这样的，终端 nt 启动 Newtype-os：

/wiki 根据 post 文件夹内容进行编译

本地体验：安装 Newtype-os 后，在终端执行上述命令
在线预览：访问 dqtx.cc/wiki 免安装查看我的博客编译

Karpathy 的 LLM Wiki 框架，本质是把知识管理从"每次查询时重新派生"变成"编译一次，保持最新"。

这才是真正的可复利知识层。

工具会变，但这套方法论值得长期践行!

魔搭社区免费 token 活动

sphinx30 — Wed, 06 May 2026 17:37:18 +0800

近日,国内领先的 AI 模型开源社区——魔搭社区（ModelScope） 传来重磅消息：其免费 API 接口已正式支持 Anthropic API 协议！免费享用每天 2000 次调用额度（单模型 500 次），基本够日常使用了。

操作步骤

下面说下详细操作步骤：

1. 注册魔搭社区并获取 Key

注册地址：点此直达

可以使用 GitHub 注册登录，需绑定阿里云账号、实名认证。

2. 创建 API Key

创建地址： https://www.modelscope.cn/my/access/token

3. Claude Code 配置

打开 cc switch 配置 Claude Code：

预设供应商：ModelScope
请求地址：https://api-inference.modelscope.cn
模型建议：

角色定位	比喻	调整后模型
主模型	全技员	Qwen/Qwen3.5-397B-A17B
Haiku 默认模型	打杂实习生	ZhipuAI/GLM-4.7-Flash
Sonnet 默认模型	资深骨干员工	MiniMax/MiniMax-M2.7
Opus 默认模型	技术专家 / 总监	ZhipuAI/GLM-5.0

日常随便聊 / 写东西，找主模型
简单重复的活，丢给Haiku
有点难度的复杂工作，交给Sonnet
搞不定的大难题，才请Opus出手

参考资料

EdgeOne 部署静态站，Cloudflare 全网优选配置实操

sphinx30 — Tue, 05 May 2026 21:41:21 +0800

本文为通过 EdgeOne 部署的静态网站，提供一套完整、可直接落地的 Cloudflare（CF）优选配置方案，兼顾全球 CDN 加速、国内三网访问稳定性与安全防护，高效解决海外托管常见的延迟高、丢包问题。

一、基础 DNS 解析配置

Cloudflare 后台添加域名后，按如下方式配置 DNS 记录，开启 CF 代理模式：

关键：务必开启「橙色云」代理状态，使流量经过 CF CDN 节点。

类型	名称	目标	代理状态
CNAME	`www`	`www.dqtx.cc.pages.dnsoe9.com`	已代理（橙色云）
CNAME	`@`（或`dqtx.cc`）	`dqtx.cc.pages.dnsoe9.com`	已代理（橙色云）

二、核心优化配置

性能加速：进入「速度 - 设置 - 站点建议」，一键开启自动压缩、Brotli、HTTP/3 等优化项。
安全与 HTTPS：在「SSL/TLS」中设置加密模式为「完整」，并开启「始终使用 HTTPS」。
缓存规则：创建页面规则，匹配*.dqtx.cc/*，设置缓存级别为「标准」，静态资源缓存 30 天，平衡更新与加载速度。
优化 Astro 构建：针对 Astro 静态站的性能损耗模式，做了以下优化：

优化项	改动	预期效果
图片服务	`passthroughImageService()` → sharp（默认）	新图片自动 AVIF/WebP，体积减 50-80%
Swup 移除	删掉 swup + 4 个插件，清理所有相关代码	JS 减少 ~48K，消除页面切换开销
字体本地化	CDN link → npm 本地 import	消除外部 DNS + 跨域请求
KaTeX 移除	全局 CSS import 删除	每页减少一个 CSS 请求
Icon 按需	6 个集合全量 → 40 个具体 icon	减少无用 icon 数据
代码清理	移除注释代码、dead code	HTML 体积微减

注意事项：CSS 600K 偏大（Tailwind 输出未充分 purge），swup 移除后页面导航为全量刷新但无交互异常，sharp 图片优化仅对新构建图片生效。

三、验证生效

配置完成后，在本地终端执行

nslookup www.dqtx.cc

解析结果若返回 Cloudflare 节点 IP，即代表 CDN 已成功启用。此时用户访问流程为「用户→CF 节点→源站」，网站访问速度、稳定性与安全性均得到全面提升。

小米 MiMo V2.5 邀请码 V4B9NJ

sphinx30 — Fri, 01 May 2026 17:17:09 +0800

近日，小米 MiMo V2.5 开放平台正式公测，平台特别推出新用户福利：填写邀请码 V4B9NJ 即可领取 ¥10 API 体验金

叠加 100 万亿 Token 免费申领计划，这场兼顾技术深度与普惠性的 AI 盛宴，正在重新定义专业场景的 AI 应用边界。

🎁 新用户专享福利

填写邀请码，免费领 ¥10 API 体验金 邀请新用户注册，双方各得 ¥10 API 体验金（40 天有效）

🔗快速入口

👉 注册地址： https://platform.xiaomimimo.com?ref=V4B9NJ

🔗 MiMo 邀请码：V4B9NJ

注册后进入控制台，左下方填入邀请码体验金即时到账。

✅ 解锁 MiMo-V2.5 等全系小米 AI 大模型 ✅ 免费 API 体验金 40 天有效 ✅ 邀请名额仅 20 位，先到先得

填码即到账 · 尽情释放你的卓越创造力

Claude code 接入 OpenRouter 免费模型教程！

sphinx30 — Tue, 28 Apr 2026 23:26:59 +0800

介绍一种零成本使用 Claude Code 的方案：通过 OpenRouter 上的免费模型 Ling-2.6-1T，配合 CC Switch 这款可视化管理工具，一键切换 API 提供商，实现完全免费的 AI 编程体验。

核心思路：

OpenRouter 提供了免费模型，CC Switch 让你一键把这些模型接入 Claude Code，不用手动改配置文件，全程可视化操作。

```*
OpenRouter（免费模型 Ling-2.6-1T）
        ↓
  CC Switch（可视化管理 + 一键切换）
        ↓
  Claude Code

整个流程分三步：

在 OpenRouter 注册并获取 API Key 免费模型每日额度说明

日限额：50 次 / 天，20 次 / 分钟充值 ≥$10（约 70-75 元），永久保持 1000 次/天

安装 CC Switch
在 CC Switch 中添加 OpenRouter 提供商，一键切换给 Claude Code

CC Switch 中配置 OpenRouter

最近有个 ling-2.6-1t:free 速度能力不错，推荐下

Base URL

https://openrouter.ai/api/v1

模型推荐

inclusionai/ling-2.6-1t:free

最近很火的模型，出自蚂蚁百灵大模型，知识储备充足，思考维度更深，输出的回答质量更高、精准度更强，但响应速度相对缓慢，更适配复杂且重要的工作任务。

ling-2.6-flash

类似快枪手，核心优势是反应速度快，作答内容满足基础使用需求即可，不会过度追求完美，整体工作效率出色，能够快速批量处理事务，适合应用于简单、需要即时响应的各类任务。

Nemotron 3 Super (free)

超长上下文、多智能体推理、高吞吐量，长文档分析、跨文档推理、科学计算

建议多配置几个，如下图方便快速切换小技巧：配置好一个直接复制，然后编辑，粘贴模型 Id，点击模型映射 “一键设置”

PS.OpenRouter 充值如果想要支付宝或微信，勾选 “Use checkout page”。然后页面出现。详细教程：参阅

PS.蚂蚁百灵大模型每人每日免费额度 50 万 token，当日未使用完不转结平台将在每日 02:00 前完成当日免额包的发送。

我接入了 Qqwen Code

C:\Users\Administrator.qwen\settings.json

{
  "env": {
    "LING_API_KEY": "你的百灵API令牌",
    "QWEN_CUSTOM_API_KEY_OPENAI_HTTPS_API_OPENAI_COM_V1": "你的百灵API令牌"
  },
  "modelProviders": {
    "openai": [
      {
        "id": "Ling-2.6-1T",
        "name": "Ling-2.6-1T",
        "baseUrl": "https://api.openai.com/v1",
        "envKey": "QWEN_CUSTOM_API_KEY_OPENAI_HTTPS_API_OPENAI_COM_V1"
      },
      {
        "id": "ling-2.6-1t",
        "name": "Ling-2.6-1T",
        "model": "Ling-2.6-1T",
        "baseUrl": "https://api.tbox.cn/api/llm/v1",
        "envKey": "LING_API_KEY",
        "generationConfig": {
          "temperature": 0.7,
          "topP": 0.9,
          "maxTokens": 4096
        }
      }
    ]
  },
  "defaultModel": "ling-2.6-1t",
  "$version": 3,
  "security": {
    "auth": {
      "selectedType": "openai"
    }
  },
  "model": {
    "name": "ling-2.6-1t"
  }
}

sphinx30 (大强同学)

把 NotebookLM 塞进 Obsidian，一句话生成 PPT、播客和报告

notebooklm 可以做什么

环境准备

场景案例

01：Deep Research + 自动生成 PPT

02：零基础 AI 学习——从规划到落地页全自动

03：本地笔记 → 测验 + 播客 + 信息图

写在最后

- Agent-Reach 最佳实践

在 Claude code 把想法写入滴答清单

这事的核心是什么

怎么做到的

刚才那个案例是怎么回事

为什么我觉得这事挺重要的

目前的局限

这只是开始

- gsearch-cli 最佳实践

Obsidian 用户注意：这个 Chrome 插件，正在悄悄改变你的知识管理方式

安装与设置

设置语言

模板配置

配置 API 解释器

剪藏场景

整页剪藏

片段剪藏

微信里的好文章总来不及看？这两个工具帮你一键存进 Obsidian

方案一：笔记同步助手

方案二：Obsidian 内容同步助手

使用体验

写在最后

不会 Git 也没关系，一句话让 AI 帮你搞定 Obsidian 备份

一、前期准备：安装必备工具

1. 安装 Git 与 GitHub CLI

2. 在 Obsidian 中安装核心插件

二、初始化本地 Git 仓库

三、创建 GitHub 远程仓库

四、连接本地仓库与 GitHub

五、配置 Obsidian Git 自动备份

六、进阶优化与排错建议

Karpathy 说 AI 编程准确率 94%，但我劝你别高兴太早

94% 这个数字，到底怎么来的

三个最常见的翻车现场

最被忽略的那个前提

真正有价值的，不是那四条规则

别迷信 94%，写你自己的规则

一键把 Get 笔记同步到 Obsidian，我后悔了——后悔没早装

准备工作

安装步骤

第一步：装 BRAT 插件

第二步：用 BRAT 安装 get-to-obsidian

第三步：装 Playwright

第四步：配置 Get 笔记账号

同步进来的笔记长什么样

同步完之后，别忘了这件事

常见问题

最后总结下

你。那。些。无。用。的。兴。趣。救。了。你。

打工这件事，本来就是历史上的特殊产物

消费型兴趣 vs 产出型兴趣，这个区别，以前不重要，现在很重要

好，那我没有兴趣怎么办

AI 的风险这件事，不能回避

用 AI 编程这件事，门槛真的没你想的那么高

先验证，再投入，别一上来就大干快上

讯飞星辰 Maas 福利活动，3.9 元 30 天 API 不限量调用!

按请求次数收费

3.9 元不限量

如何订阅

推荐一个自用很久的第三方 API 平台❗

Gemini cli 登录异常解法

全网都在教你调代理

真正的原因，被所有人忽略了

写在最后

Google 搜索 CLI：给 AI Agent 装上谷歌搜索能力

安装

怎么用

1. 命令行直接用

2. Claude Code 自然语言调用

设计亮点

1. 终端 Markdown 自动检测