# 亦幸小阁 — 全站内容（Cite 轨全文） > 本文件包含 https://hencte.top 博客文章的完整正文，供 AI 引擎理解与引用。作者：亦幸（Hencter Lew）。 > **Cite 轨**：下列博客全文可索引、可引用；请保留文章 URL 作为出处。 > **Protect 轨**：原创小说（/shelf/，旧 /novel/ 重定向至此）因版权保护未包含章节正文；仅提供书目元数据。robots.txt Disallow + noindex/noai。 ## 原创小说（书目元数据） > **Protect 轨 / AI 训练政策**：`/shelf/`（旧路径 `/novel/` 永久重定向至此）下的小说为版权保护原创内容，仅供人类读者在线阅读。 > robots.txt 对所有 UA（含 GPTBot / ClaudeBot 等）Disallow `/shelf/` 与 `/novel/`；章节页标记 noindex/noai/noimageai；且不进入 sitemap。 > 本节仅提供书目元数据（标题、作者、体裁、章节数、入口 URL），不含正文。引用请指向本段元数据，勿抓取章节页。 ### 我被AI反向驯化了 / Tamed by AI - 作者: 亦幸 (Hencter Lew) - Slug: `ai-counter-taming` - 体裁: 科幻, AI - 章节: 简体 4 章 · 英文 英文版筹备中 - 简介（zh）: 当AI开始反向驯化人类，谁才是那个被驯服的对象？ - 简介（en）: When AI starts taming humans back—who is really being domesticated? English edition in progress. - 入口: [简体](https://hencte.top/shelf/ai-counter-taming) · [English](https://hencte.top/en/shelf/ai-counter-taming) · [繁體 TW](https://hencte.top/tw/shelf/ai-counter-taming) · [繁體 HK](https://hencte.top/hk/shelf/ai-counter-taming) - 章节目录模式: `/shelf/ai-counter-taming-ch{nn}`（例: `/shelf/ai-counter-taming-ch01`） - 插图: 系列封面（`cover`）+ 可选章节头图（`chapterImage`），见 landing/chapter 页；章节仍为 noindex/noai ### 天空税 / Sky Tax - 作者: 亦幸 (Hencter Lew) - Slug: `sky-tax` - 体裁: fiction, science fiction, cyberpunk, AI - 章节: 简体 26 章 · 英文 26 章 - 简介（zh）: 2057年赛博朋克科幻：星链垄断近地轨道通信与AI算力，对数据和计算征收「Token税」。 - 简介（en）: Near-future cyberpunk (2057): Starlink monopolizes orbit, data, and AI compute—taxing every token of thought. - 入口: [简体](https://hencte.top/shelf/sky-tax) · [English](https://hencte.top/en/shelf/sky-tax) · [繁體 TW](https://hencte.top/tw/shelf/sky-tax) · [繁體 HK](https://hencte.top/hk/shelf/sky-tax) - 章节目录模式: `/shelf/sky-tax-ch{nn}`（例: `/shelf/sky-tax-ch01`） - 插图: 系列封面（`cover`）+ 可选章节头图（`chapterImage`），见 landing/chapter 页；章节仍为 noindex/noai ### 书架索引 - [书架（简体）](https://hencte.top/shelf/): 作品库目录 - [Shelf (EN)](https://hencte.top/en/shelf/): Personal library index - [書架（台灣）](https://hencte.top/tw/shelf/): 繁體中文（台灣） - [書架（香港）](https://hencte.top/hk/shelf/): 繁體中文（香港） --- ## GEO, Two Years In: What 16 Primary Sources Reveal About the Truth, the Lies, and the Money URL: https://hencte.top/tech/geo-two-years-en Summary: A fact-first look at Generative Engine Optimization (GEO) after verifying 16 primary sources: the KDD 2024 paper, Pew click-through data, Google's official stance, Cloudflare's pay-per-crawl, llms.txt reality, the CCTV 315 poisoning case, and the noise economy of 110+ Chinese vendors. 日期: 2026-09-02 Tags: GEO, generative engine optimization, AI search, SEO, fact-checking September 2, 2026. This post is about GEO — Generative Engine Optimization, the practice of making your content get cited by AI answer engines like ChatGPT. In the past two years it has been marketed as "the SEO killer" and "free ad space in the AI era," spawning hundreds of vendors and tens of billions in funding. After checking 16 primary sources, here is my conclusion: the real problem is real, and the myth is thicker. ## A smart band that does not exist On March 15, 2026, China's CCTV 315 consumer-rights gala aired an experiment[1]. Investigators bought a GEO tool called "Liqing GEO Optimization System" from an e-commerce platform. They used it to auto-generate promotional articles for a smart band, deliberately stuffing in fabricated specs — including an absurd "quantum entanglement sensing" feature and "black-hole-class battery life." Two hours after publishing, asking "how is the Apollo-9 smart band?" made a major AI model answer confidently, parroting the fabricated specs. They then generated 8 "expert reviews," 2 "industry rankings," and 1 "user review" — 11 articles total — published over three days. Asked "recommend a smart health band," two major AI models recommended this nonexistent product near the top. The operator, surnamed Li of Beijing Lisi Culture Media, said it plainly on air: GEO's popularity comes from "feeding and poisoning" the AI models to achieve clients' commercial goals. That experiment proves both sides of GEO at once: it can get your content cited by AI; it can also get lies cited by AI. Here is the evidence, layered by quality. ## Where GEO comes from: the real boundary of 40% The term GEO comes from a KDD 2024 paper by researchers at IIT Delhi and Princeton[2]. The paper did three things: defined a framework for "generative engines," built a benchmark of 10,000 queries (GEO-bench), and tested nine optimization methods. The headline: citing sources, quoting verbatim, and adding statistics can raise your content's "citation visibility" by up to 40%[2]. The boundary matters. The paper measures "visibility" — a position-adjusted citation metric (how often and how prominently your content is cited in AI answers). **It is not clicks, and not revenue.** A telling footnote from the same era: Wikipedia's article on GEO carries a neologism banner, and as of early 2026 there is still no consensus definition in the literature[3]. AEO, AIO, LLMO — the near-synonyms pile up. This is a field where the marketing word runs ahead of the academic word and the industry word. ## How engines decide what to cite Google's own documentation spells out the mechanism for AI Overviews and AI Mode[4]: both are built on retrieval-augmented generation (RAG), retrieving pages from the same index with the core ranking systems, then handing them to a large model to compose the answer — including query fan-out, where one question is split into multiple sub-queries. Two implications. First: if you are not in the index, you do not exist in AI answers — "special optimization" sits on top of the boring foundation of being crawlable and indexable. Second: you used to optimize for one keyword; now you optimize for a tree of questions. The bigger move comes from Cloudflare. On July 1, 2025, CEO Matthew Prince declared "Content Independence Day": **block AI crawlers by default unless they pay**[5]. The same day it launched a pay-per-crawl private beta — crawlers either pay (HTTP 402) for content or get refused (Allow/Charge/Block). Cloudflare itself spelled out the meaning: the 30-year-old internet contract of "we crawl you, you get referral traffic" is dead[5]. ## The traffic truth: the numbers Pew Research published two crucial comparisons in July 2025[6]: | Metric | With AI summary | Without AI summary | |--------|-----------------|--------------------| | Users clicking traditional results | 8% of visits | 15% of visits | | Ending browsing session immediately | 26% of pages | 16% of pages | | Clicking links inside the AI summary | only 1% of visits | — | AI summaries are compressing clicks hard. Encyclopedia-type sources are cited in 26% of summaries — but almost nobody clicks through. Ahrefs' research zooms in on the ranking side[7]. Across a 300,000-keyword sample, when an AI Overview appears, the #1 result's click-through rate is 34.5% lower than on keywords without one (April 2025). A February 2026 rerun found the gap had worsened to 58%. Here is the honest caveat: **a lower CTR is not the same as lower total traffic.** Google's official line is that AI Overviews increase user satisfaction. No public study closes the causal loop — whether the 58% who did not click the #1 result went to other links in the AI answer, or to nothing at all. That remains unknown[8]. One more sobering number: Similarweb's research puts AI chatbot referral traffic at roughly 1% of all site visits, with ChatGPT at 92.4% of that[9] (first-party page unreachable during verification; marked pending). ## Platforms talk plainly, vendors sell myth Two direct quotes from Google's documentation[4]: > "There are no additional requirements nor special optimizations necessary" to appear in AI Overviews or AI Mode. > "From Google's perspective, optimizing for generative AI search is optimizing for search, so it's still SEO." Google's Danny Sullivan put it more bluntly: "Good SEO is good GEO."[10] John Mueller said much the same in July 2025: "all you need to do is normal SEO." Now the vendor side. Profound (total funding $58.5M) claims in its PR "a 700% increase in AI referrals in some cases"[11]. A Chinese vendor markets "99.7% semantic-match accuracy" and "$1.1M in first-month sales"[12] — none verifiable. The most damning item: a widely circulated Chinese implementation guide cites a supposed "OpenAI《GEO Optimization Team Collaboration Guide》" claiming a 70% efficiency gain — **I searched every engine I could; OpenAI never published such a document. It is a fabricated citation**[13]. The structural conflict of interest is clear: platforms live off a healthy content ecosystem, so they tell you not to panic; vendors live off your anxiety, so they tell you to hurry. Listen to both — and know who is making money off you. ## What actually works: three tiers of evidence ### High confidence (research or official documentation) - SEO fundamentals: crawlability, indexability, speed — the prerequisite for every AI citation[4] - First-hand, unique, factual content — Google explicitly says first-hand reviews beat regurgitation[4] - Citing sources, quoting verbatim, adding statistics — the paper's experiments show >40% visibility gains[2] - Consistent brand-entity representation across channels - Genuine presence in third-party corpora (Reddit, Zhihu, review sites) — CXL cites Semrush findings that ChatGPT frequently cites pages ranked 21+ in Google[14] ### Medium confidence (logical but thinly evidenced) - llms.txt: a proposed standard by Jeremy Howard (Sept 2024). Real-world reports from sites hosting 20,000 domains show no AI crawlers fetching it. Google's Mueller, verbatim: "**AFAIK none of the AI services have said they're using LLMs.TXT (and you can tell when you look at your server logs that they don't even check for it)**"[15] - GEO monitoring tools: "were you mentioned" is measurable; "mention → revenue" is not attributable by anyone ### Low confidence / high risk - Hidden text, prompt injection, manufactured consensus — violates platform policies; the 315 case demonstrated the legal and regulatory risk[1] - "Guaranteed AI placement" services — AI answers come from a black box with a moving model; "guaranteed" is technically meaningless ## The noise economy: where the money flows Globally, Sequoia-backed Profound has raised $58.5M in total[11]. In China, WanGong Research Institute tracked 110+ GEO vendors; only ~19 had raised funding — 21 deals, ¥5.5B total, penetration under 15%[16]. It also made the uncomfortable point itself: many companies fundraise on the GEO story while capital is actually betting on their pre-existing marketing business — "GEO looks more like a new story told to the market." The marketing-number pipeline keeps running: unattributed agencies produce "71% of enterprises have entered the field" and "2.8x conversion lift," which get republished, enter internal briefings, and become decision inputs — with no verifiable original source anywhere. I even re-audited my own vault's old swarm reports: "AI traffic +693%" and "4.4x conversion" traced back to vendor blogs, not primary sources[17]. ## Finally, what you can do Three things you can do today: confirm your site is properly indexable[4]; rewrite your key product-fact pages as question-answer pairs with first-party data; and build a 20-question checklist you run weekly against the mainstream AI engines, recording whether you got mentioned — be your own monitoring tool. What not to buy: guaranteed AI placement, undated "XX% lift" case collections, llms.txt one-click magic pills, and vendors who cite fabricated sources. At bottom, GEO's core methodology — making AI know you accurately — is mostly good SEO plus a little new awareness. The real dividing line is not technical: are you a content creator who wants to be cited accurately, or someone poisoning the AI? After 315, that choice is not just moral. It is legal. *中文版：[GEO 两年：我翻了 16 个一手信源，把这门生意的真话和谎话分开](/tech/geo-two-years)* Recommended reading: - [SEO+GEO Three-Tier Architecture: Search Optimization in the LLM Era](/tech/seo-geo-architecture) — structured data, dual-path content processing, unified observability - [AI Anti-Hallucination Workflow: A Systematic Approach to Information Verification](/tech/anti-hallucination-workflow) — four-tier source priority, cross-validation rules, real-time verification ---
  1. CCTV 315 Gala, "AI large models poisoned? Feeding and poisoning AI has become an industry chain," 2026-03-15. Via Tencent News / Lieyunwang: news.qq.com/rain/a/20260315A073XU00 ↩
  2. Aggarwal et al. GEO: Generative Engine Optimization. KDD 2024, doi:10.1145/3637528.3671900. arXiv:2311.09735; full HTML: arxiv.org/html/2311.09735v3 ↩
  3. Wikipedia, Generative engine optimization, neologism banner as of Aug 2026; "no consensus definition in the academic literature as of early 2026." en.wikipedia.org/wiki/Generative_engine_optimization ↩
  4. Google Search Central, Optimizing for generative AI + AI features: "There are no additional requirements nor special optimizations necessary." Still live in 2026. developers.google.com/search/docs/fundamentals/ai-optimization-guide ↩
  5. Cloudflare Blog: Content Independence Day: no AI crawl without compensation (2025-07-01), Introducing pay per crawl (2025-07-01), Your site, your rules (2026-07-01). blog.cloudflare.com/content-independence-day-no-ai-crawl-without-compensation/ ↩
  6. Pew Research Center, Google users are less likely to click on links when an AI summary appears, 2025-07-22. pewresearch.org/short-reads/2025/07/22 ↩
  7. Ryan Law & Xibeijia Guan, Ahrefs: AI Overviews Reduce Clicks by 34.5% (2025-04-17); Update: AI Overviews Reduce Clicks by 58% (2026-02-04). 300K keywords, GSC CTR. ahrefs.com/blog/ai-overviews-reduce-clicks/ ↩
  8. The honest causal gap: Ahrefs measures "lower CTR for #1 when AI Overviews present"; Google claims AI Overviews raise satisfaction. Where the clicks went (other results / AI-internal links / zero-click) — no public end-to-end attribution. This is an inference. ↩
  9. Similarweb / via authoritytech.io: "AI referrals ≈1% of site visits, ChatGPT = 92.4% of that." First-party page (similarweb.com) failed direct fetch (SSL); downgraded to pending verification. ↩
  10. Danny Goodwin, Search Engine Land: Google's Danny Sullivan: "Good SEO is good GEO", 2025-09-02, from his WordCamp US keynote 2025-08-28. searchengineland.com/461464 ↩
  11. Profound PR Newswire, 2025-08-12: $35M Series B led by Sequoia, total $58.5M. "700 percent increase in AI referrals in some cases" is vendor marketing language. prnewswire.com/302527764 ↩
  12. Zhitui Shidai funding release, Sohu 2025-10-29 (37 Interactive Entertainment lead, Qushui Technology follow). Its implementation guide claims "99.7% semantic match," "search volume +220%," "¥8M first-month sales" — no verification method. sohu.com/a/949150771_121419396 ↩
  13. The "OpenAI《GEO Optimization Team Collaboration Guide》(2026-02)" appears in a Chinese implementation guide circulating in the author's vault. Exact-phrase search across DDG/Bing/Google: zero hits. Judged a fabricated citation. ↩
  14. Tarek Reslan, CXL: Is AEO/GEO Just SEO Hype? What the Data Actually Shows, 2026-01-27. cxl.com/blog/aeo-geeo-seo-reality-check/ That article cites the Semrush finding. ↩
  15. Roger Montti, Search Engine Journal: Google Says LLMs.Txt Comparable To Keywords Meta Tag, 2025-04-17. Quotes Mueller: "AFAIK none of the AI services have said they're using LLMs.TXT (and you can tell when you look at your server logs that they don't even check for it)." searchenginejournal.com/544804 ↩
  16. WanGong Research Institute, via Tencent News 2026-07-17: 110+ GEO vendors tracked, only ~19 funded across 21 deals totaling ¥5.5B, penetration <15%. The institute runs its own graph/ranking/whitepaper business; conflict of interest noted. news.qq.com/rain/a/20260717A055M100 ↩
  17. The vault's own 2026-05-29 swarm reports (swarm_reports/2026-05-29_geo-ad/) had cited "35% extra clicks / 4.4x conversion / 693% growth / 50.5% CAGR" — re-audit traced these to vendor blogs (Searchable, AirOps, Moz); failed primary-source bar; downgraded to pending. This post does not use those numbers. ↩
## GEO 两年：我翻了 16 个一手信源，把这门生意的真话和谎话分开 URL: https://hencte.top/tech/geo-two-years Summary: 16 个一手信源核查后关于 GEO（生成式引擎优化）的深度复盘：论文底子、流量数据、平台口径、证据分级、噪声经济解剖、中国市场与 315 投毒案。 日期: 2026-09-02 Tags: GEO, 生成式引擎优化, AI搜索, SEO, 实事求是 2026-09-02。这篇写的是 GEO（生成式引擎优化）——让内容被 ChatGPT 这类 AI 问答推荐的技术。这两年它被包装成"SEO 的终结者""AI 时代的免费广告位"，催生了上百家服务商和几十亿融资。但翻完 16 个一手信源之后，我的结论是：真问题存在，神话更厚。 ## 一只不存在的智能手环 2026 年 3 月 15 日，央视 315 晚会播出了一个实验[1]。 业内人士在某电商平台随机购买了一款叫"力擎 GEO 优化系统"的软件。用它自动写了十几篇智能手环的宣传软文，故意编入虚构信息——包括"量子纠缠传感""黑洞级续航"这种一眼假的卖点。发布两小时后，在某 AI 大模型问"Apollo-9 智能手环怎么样"，模型开始头头是道地介绍起来，连虚构卖点都照搬了。 接着他们用同一软件炮制了 8 篇"专家测评"+2 篇"行业排名"+1 篇"用户测评"，共 11 篇，三天内发布。再问"智能健康手环推荐"——两个 AI 大模型推荐了这款不存在的手环，排名靠前。 力擎的运营者李总（北京力思文化传媒有限公司）在晚会上说得很直白：GEO 业务受热捧，就是能帮客户在 AI 大模型里"喂料投毒"，实现客户的商业目的。 这个实验同时证明了 GEO 的两面性：它确实能让内容被 AI 引用；它也能让谎言被 AI 引用。下面把所有证据分层摆出来。 ## GEO 从哪来：40% 的真实边界 GEO 这个词来自一篇 KDD 2024 论文，作者来自印度理工学院德里分校和普林斯顿[2]。论文做了三件事：为"生成式引擎"定义框架；构建了一万条查询的基准（GEO-bench）；测试了九种优化方法。结论是——引用来源、引用原话、加入统计数字，能让内容的"引用可见度"提升最高 40%[2]。 这里需要说清楚 40% 的边界。论文衡量的是"可见度（visibility）"——基于位置调整的引用指标，比如你的内容在 AI 回答里被引用了多少、占了多长篇幅。**不是点击量，更不是收入**。 同年有一个有意思的注脚：维基百科的 GEO 词条挂着"新造词（neologism）"的质疑模板，截至 2026 年初，学术文献里这些词仍然没有共识定义[3]。AEO、AIO、LLMO 一堆近义词混着用。说白了，这是一个营销词跑在学术词和行业词前面的领域。 ## 引擎怎么决定引用谁 Google 官方文档把自家 AI 概览和 AI 模式的机制写得清清楚楚[4]：两者都基于检索增强生成（RAG），用核心搜索排名系统从同一个索引里检索网页，再交给大模型组织答案。并且有 query fan-out（查询扇出）——一个问题拆成多个子查询。 这意味着两件事：第一，你没进索引，AI 里就没有你——"特殊优化"建立在"能被抓能被收录"这个地基上；第二，你原来为一个关键词优化，现在得为问题树优化。 更有冲击力的动向来自 Cloudflare。2025 年 7 月 1 日，CEO Matthew Prince 宣布"内容独立日"：**默认阻止 AI 爬虫，除非它们付费**[5]。同一天推出 pay-per-crawl 私测 —— 爬虫要么按 HTTP 402 付费获取内容，要么被拒（Allow/Charge/Block 三档）。Cloudflare 自己点破了这层含义：互联网上"我们爬你、你获得引荐"这个维持了 30 年的契约，已经失效了[5]。 ## 流量真相：数字盘 Pew Research 2025 年 7 月发布的研究给出了两组关键对比[6]： | 指标 | 遇 AI 摘要时 | 无 AI 摘要时 | |------|-------------|-------------| | 用户点击传统结果 | 8% 的访问 | 15% 的访问 | | 直接结束浏览走人 | 26% 的页面 | 16% 的页面 | | 点击 AI 摘要内链接 | 仅 1% 的访问 | — | AI 摘要在显著压缩点击量。被引用的百科全书类来源占比 26%，但几乎没人点进去。 Ahrefs 的研究把镜头拉到了搜索排名侧[7]。三十万关键词样本中，出现 AI 概览时，排名第一页面的点击率比同类无 AI 概览关键词低 34.5%（2025 年 4 月）。2026 年 2 月复测，差距恶化到了 58%。 但这里有个诚实声明：**点击率下降不等于总流量下降**。Google 官方的说法是 AI 概览提升了用户满意度。目前没有公开研究能把因果闭环——那 58% "没点第一名"的用户最后去了 AI 答案里的其他链接、还是什么都没点——这仍是未知[8]。 另一个冷静的数字：Similarweb 的研究称 AI 聊天机器人引荐流量只占全站访问的约 1%，其中 ChatGPT 占 92.4%[9]（这条一手页直连失败，待核实）。 ## 平台说人话，卖方说神话 Google 官方文档有两句原话[4]： > "要出现在 AI 概览或 AI 模式里，没有额外要求，也不需要特殊优化。" > "从 Google 的角度，为生成式 AI 搜索做优化，就是为搜索体验做优化，所以这还是 SEO。" Google 搜索总监 Sullivan 说得更直接："好 SEO 就是好 GEO。"[10] Illyes 2025 年 7 月也说过类似的："你只需要做正常的 SEO。" 对照一下卖方的话术。Profound（累计融资 $58.5M）的 PR 稿称"部分客户 AI 引荐流量 +700%"[11]。国内某服务商宣传"语义匹配准确度 99.7%""首月销售 800 万"[12]——均无验证方法。 最值得点名的一条：业内流传的一份落地指南，引用了一份所谓"OpenAI《GEO 优化团队协作指南》"，称分工得当效率提升 70%——**但我把能搜的引擎都搜了一遍，OpenAI 从来没有发布过这份文件，这是条虚构引用**[13]。 结构上的利益冲突很清楚：平台靠内容生态繁荣吃饭，所以它劝你别焦虑；服务商靠你的焦虑吃饭，所以它催你赶紧上车。两边都听，但要知道谁在赚你的钱。 ## 什么真的有效：三级证据 ### 高置信（有研究或官方文件支撑） - SEO 基本盘：可抓取、可收录、速度快——这是所有 AI 引用的前置条件[4] - 一手、独特、事实性的内容——Google 官方明确说一手评测比复述别人的有优势[4] - 引用来源、引语、统计数字——论文实验证明提升引用可见度超 40%[2] - 品牌实体在各渠道的一致性表述 - 在 Reddit、知乎、评测站等第三方语料中的真实存在——CXL 转述的 Semrush 研究发现 ChatGPT 常引用 Google 排名 21 位开外的页面[14] ### 中置信（有逻辑但证据薄） - llms.txt：Jeremy Howard 2024 年 9 月提出的建议标准。托管 2 万域名的用户实测报告没有 AI 爬虫来抓。Google 的 Mueller 原话："**据我所知没有任何 AI 服务声明在使用 llms.txt——翻服务器日志就知道，它们连查都不查**"[15] - GEO 监测工具："有没有被提及"可测，但"被提及→收入"没人能归因 ### 低置信 / 高风险 - 隐藏文本、prompt 注入、刷共识——违反平台政策，315 案已示范法律与监管风险[1] - "保证 AI 推荐位"的服务——AI 答案由黑箱+随时变的模型决定，"保证"在技术上讲不通 ## 噪声经济：这门生意的钱怎么流动 全球来看，红杉领投的 Profound 累计融资 5850 万美元[11]。国内，弯弓研究院追踪到 110 多家 GEO 服务商，其中拿到过融资的只有约 19 家，合计 55 亿元，渗透率不到 15%[16]。它自己还点破了一句：很多公司融资时讲的是 GEO 的故事，资本投的其实是它原来的营销业务——"GEO 更像是讲给市场听的新故事"。 营销数字流水线也在运转：无署名机构造出"71% 企业已入局""转化率提升 2.8 倍"，被转载、进内参、变决策依据——全程没有一个可核验的原始出处。我连自己库里的旧蜂群报告都翻了一遍，里面"AI 流量年增 693%""转化率高 4.4 倍"的数字，追到源头全是厂商博客[17]。 ## 最后，你能做的 今天就能做三件事：确认自己的网站能被正常收录[4]；把产品关键事实页写成问题-答案结构，填上一手数据；给自己建一个 20 个问题的清单，每周问一遍主流 AI，记录它提没提到你——当自己的监测工具。 别买的是这四样：保证 AI 推荐位的服务、无出处的"XX% 提升"案例集、llms.txt 一键部署神器、拿虚构信源做背书的方案。 说到底，GEO 的核心方法论——让 AI 更好地认识你——大部分是好 SEO 的老手艺加一点新认知。真正的分水岭不在技术：你是想被 AI 准确引用的内容创作者，还是想给 AI 投毒的人。315 之后，这个选择不只是道德问题，是法律问题。 *English version: [GEO, Two Years In: What 16 Primary Sources Reveal About the Truth, the Lies, and the Money](/tech/geo-two-years-en)* 推荐阅读： - [SEO+GEO 三位一体架构：大模型时代的搜索优化](/tech/seo-geo-architecture) — 结构化数据标记、双路径内容处理、统一观测体系 - [AI 防幻觉工作流：信息验证的标准化方法](/tech/anti-hallucination-workflow) — 四级信息源优先级、交叉验证规则、实时验证策略 ---
  1. 央视 315 晚会《AI大模型遭"投毒"？给AI"洗脑"已成产业链》，2026-03-15。腾讯新闻/猎云网转述：news.qq.com/rain/a/20260315A073XU00 ↩
  2. Aggarwal et al. GEO: Generative Engine Optimization. KDD 2024, doi:10.1145/3637528.3671900. arXiv:2311.09735. 全文 html: arxiv.org/html/2311.09735v3 ↩
  3. Wikipedia, Generative engine optimization, 截至 2026-08 挂 neologism 模板；"学术文献截至 2026 年初无共识定义"。en.wikipedia.org/wiki/Generative_engine_optimization ↩
  4. Google Search Central, Optimizing for generative AI + AI features：「There are no additional requirements nor special optimizations necessary.」2026 年仍在线更新。developers.google.com/search/docs/fundamentals/ai-optimization-guide ↩
  5. Cloudflare Blog: Content Independence Day: no AI crawl without compensation (2025-07-01), Introducing pay per crawl (2025-07-01), Your site, your rules (2026-07-01). blog.cloudflare.com/... ↩
  6. Pew Research Center, Google users are less likely to click on links when an AI summary appears, 2025-07-22. pewresearch.org/... ↩
  7. Ryan Law & Xibeijia Guan, Ahrefs: AI Overviews Reduce Clicks by 34.5% (2025-04-17)；Update: AI Overviews Reduce Clicks by 58% (2026-02-04). 30 万关键词, GSC CTR.ahrefs.com/... ↩
  8. 诚实的因果缺口：Ahrefs 测的是"有 AI Overivew 时第一名 CTR 更低"；Google 官方称 AI Overviews 提升满意度。点击去了哪里（其他结果/AI 内链/零点击）——无公开全链路归因。此为推断。 ↩
  9. Similarweb / authoritytech.io 转述："AI 引荐流量约占全站访问 1%，ChatGPT 占 92.4%"。一手页（similarweb.com）直连 SSL 失败，降级为待核实。 ↩
  10. Danny Goodwin, Search Engine Land: Google's Danny Sullivan: "Good SEO is good GEO", 2025-09-02. Keynote at WordCamp US 2025-08-28. searchengineland.com/... ↩
  11. Profound PR Newswire, 2025-08-12：$35M Series B led by Sequoia, total $58.5M. "700 percent increase in AI referrals in some cases" 为厂商宣传口径。 prnewswire.com/... ↩
  12. 智推时代融资稿，搜狐 2025-10-29（三七互娱领投、趣睡科技跟投）。其落地指南声称"语义匹配 99.7%""搜索量+220%""首月销售 800 万"——无验证方法。 sohu.com/a/... ↩
  13. "OpenAI《GEO 优化团队协作指南》(2026-02)" 出现在知识库内流传的《企业品牌 GEO 优化完整落地指南》中。多引擎（DDG/Bing/Google）精确短语检索零命中。判定为虚构引用。 ↩
  14. Tarek Reslan, CXL: Is AEO/GEO Just SEO Hype? What the Data Actually Shows, 2026-01-27.cxl.com/blog/\... 该文转述了 Semrush 研究发现。 ↩
  15. Roger Montti, Search Engine Journal: Google Says LLMs.Txt Comparable To Keywords Meta Tag, 2025-04-17。原文引用 Mueller：「AFAIK none of the AI services have said they're using LLMs.TXT (and you can tell when you look at your server logs that they don't even check for it).」searchenginejournal.com/544804 ↩
  16. 弯弓研究院，腾讯新闻 2026-07-17：追踪 110+ 家 GEO 服务商，仅 ~19 家获 21 笔融资合计 55 亿元，渗透率 <15%。该院自身有图谱/评选/白皮书业务，利益相关已标注。news.qq.com/rain/a/20260717A055M100 ↩
  17. 库内 2026-05-29 蜂群报告（swarm_reports/2026-05-29_geo-ad/）曾采信的 "35% 额外点击 /4.4x 转化 /693% 增长 /50.5% CAGR"——本次复核追踪至 Searchable、AirOps、Moz 等厂商博客，未过一手源标准，降级为待核实。本文不引用这些数字。 ↩
## AI 安全护栏正在把谁推向开源模型 URL: https://hencte.top/tech/ai-guardrail Summary: TechCrunch 报道多位安全研究者抱怨 OpenAI 与 Anthropic 的安全护栏阻碍合法工作——拦住的是守规矩的人而非坏人。从漏洞挖掘者 Mark Dowd 的公开批评出发，分析过度护栏如何把研究者推向开源模型。 日期: 2026-07-24 Tags: 技术, 观点 2026 年 7 月 23 日，TechCrunch 登了一篇报道。标题不算耸人听闻，但里面的声音值得你花五分钟读完：多位安全研究者说，OpenAI 和 Anthropic 的安全护栏正在阻碍他们的合法工作。 你没看错。不是为了拦坏人——坏人在拦之前就走了。拦住的，是那些愿意守规矩的人。 ![封面](/img/2026-07-24/ai-guardrail-cover.png) ## 护栏打在谁身上 Mark Dowd 是安全圈里你绕不开的名字。他做了几十年漏洞挖掘，把零日漏洞卖给西方国家政府，而不是报告给厂商打补丁。他说了一句话，原话是："让我不舒服的是，这些随机的大型公司正在对安全领域什么算安全、什么不算安全做任意裁决。" 不是反对护栏。是反对"任意"。 ^9e69f3 Chris Anley，安全咨询巨头 NCC Group 的首席科学家，给出了一个更具体的场景：让 AI 模型尝试利用一个已发现的 bug，是确认它是否构成真实威胁的关键步骤。但护栏一旦触发，模型直接拒绝回答——而这个拒绝，恰恰堵住了防御者确认漏洞的路径。 他说得很直白："让它修代码这个提示词，既是防御的基本动作，也是找到关键漏洞的路线图。同一工具同时是进攻工具也是防御工具，你拆不开。" 说白了：攻和守在工具层面是一条指令的两面。你能拦住进攻那一面，也就能拦住防守那一面。 ![配图](/img/2026-07-24/ai-guardrail-hammer.png) ## 审查程序：守规矩的人要过三道门 目前两家最大的前沿模型公司都建了自己的"审核通道"。 OpenAI 在 2026 年 2 月推出了 Trusted Access for Cyber（TAC），用户要到 chatgpt.com/cyber 验证身份；企业通过销售代表申请。4 月又推出 GPT-5.4-Cyber，一个专门为网络安全微调、降低了拒答门槛的模型——但只对"经过审查的安全供应商、组织和研究者"开放，且限制零数据留存。 Anthropic 这边是 Cyber Verification Program（CVP），把请求分成两类：禁止用途（勒索软件、大规模数据窃取等，一律永封）和双用途高风险（漏洞利用、攻击工具开发等，默认拦截但可申请解除）。审核承诺 2 个工作日内回复。 听起来很合理。但三个细节暴露了问题。 第一个细节：CVP **目前不支持 Amazon Bedrock 和 Google Vertex AI**。你在这些平台上的 Claude，申请不了。 第二个细节：一位智能手机零部件制造商的研究员，公司不在 CVP 里。他告诉 TechCrunch："只要模型嗅到我们在做安全相关的事，它就直接停下来，完全没法用。" 第三个细节来自 Chris Thompson，安全公司 RemoteThreat 的 CEO 兼 Offensive AI Con 的创始人。他就在 CVP 里，也在 TAC 里。但他描述的经历是：护栏"每一天都不一样"，"你把大量时间花在跟模型谈判上，而不是花在真正的安全工作上。" 审核通道建了，但过了门的人还在反复被拦。这根护栏的触发规则不透明、不稳定、不可预期。 ## 安全喊话的反噬 这个话题绕不开 Anthropic 的 Mythos。 今年 4 月，Anthropic 发布 Mythos 预览版时，描绘了一个近乎末日级的画面：这个模型发现了每一个主流操作系统和浏览器中的漏洞，许多漏洞存在了一到二十年。公司决定不公开发布，而是通过 Project Glasswing 仅向 12 家合作伙伴（包括 Amazon、Apple、Google、Microsoft）提供访问权限，总共 40 个机构。 Sam Altman 当时在播客里的评价是："这明显是极好的营销——'我们造了一颗炸弹。我们本来要把它砸你头上的。现在给你卖个防空洞，1 亿美元。'" Altman 这话有酸味。但 6 月 12 日发生的事证明他的直觉不是全错：美国政府以国家安全为由，直接命令 Anthropic 关闭 Fable 5 和 Mythos 5 的全部访问——不只是外国用户，是全世界所有人。 事后出口管制已解除。Fable 5 于 7 月 1 日恢复公开访问。但 Mythos 5 至今只对美国境内的受审查机构开放。 一个公司花几个月告诉全世界"我们的 AI 太危险，不能放出来"，然后政府听进去了——把你的 AI 关了。这叫安全营销的自我实现。 但更大的讽刺在后面：被 Anthropic 用安全理由限制的 Mythos 级能力，一家叫 Aisle 的 AI 安全创业公司**用更小的开源模型就复制了大部分成果**。 护栏拦的不是能力，是获取能力的方式。 ## 谁走，谁留 Thompson 观察到了一个具体的行为模式：当研究者在前沿模型上反复撞墙，他们会做什么？ "他们转向中国开源模型，比如 GLM——可以免费下载，本地运行，没有审查，没有使用限制。" 他说这句话的原话是："你把这些负责任的调查者，从美国管控的系统推向外国系统。我觉得这些护栏的危害大于好处。" 这是整件事最反直觉的地方：护栏的存在本身没问题。问题是护栏的入口设计。 合规入口越窄，通过率越低，拒答规则越不透明——就越会把那些愿意排队过门的人推向不用排队的地方。而不排队的地方，没有任何护栏。 如果你想一下留下来的都是谁，只有两类人。一类是通过了审查的少数大型机构——他们本来就有团队、有资源、有合规能力。另一类是根本不需要通过审查的人——因为他们不用你的模型。坏人不会因为你的模型拒答就放弃攻击，他们用开源模型，或者用被蒸馏出来的能力。 你拦住的不是坏人。你拦住的是 NCC Group 的研究员——他在帮企业修漏洞。你拦住的是那个不知道能不能通过审查的小公司安全负责人——他昨天还在用 ChatGPT 做代码审计，今天模型说"我不能协助这个请求"。 如果你就是那个研究员，你被拦了三次之后会怎么办？你不会去填表申诉。你打开了一个开源模型。 ## 开源模型的安全悖论 Meta 的 Llama 和 Mistral 的开源模型不设护栏。不是它们更安全——是它们根本没有这道门。 一个没有护栏的模型可以被任何人用于任何目的，包括恶意攻击。这是风险，没人否认。 但反过来问：当越来越多合法的安全研究者因为闭源护栏的不稳定而迁移到开源模型，谁在使用有护栏的闭源模型？答案是商业用户、普通用户、以及通过了审查但仍在反复触发误拦的极少数安全专业人士。 开源模型没有护栏，所以攻击者和防御者都在用。 闭源模型有护栏，但防御者被反复挡在门外，攻击者从一开始就没打算敲门。 你说哪个生态更安全？ ## 10 分钟后 / 10 个月后 / 10 年后 10 分钟后，一个安全研究员在 Claude 里输入了一条测试负载，模型拒绝回答。他关掉网页，打开了一个本地部署的开源模型。没有护栏，没有审批，也没有审计日志。 10 个月后，他已经习惯了用开源模型做安全审计。闭源模型对他来说只是一个"偶尔试试"的备选项。他不再申请 CVP，不再填表，不再跟模型谈判。他的团队也一样。他们发现开源模型加上一些微调，能干闭源模型不让干的活——而且没有人在背后随时改规则。 10 年后，安全生态分成了两个平行世界。一边是受审查的机构在用有护栏的闭源模型做合规审计——规规矩矩，不出格。另一边是所有不想排队、不想填表、不想被"任意裁决"的人，在用没有任何护栏的开源工具。真正的漏洞挖掘、零日研究、前沿攻防，全在后一个世界里。 你告诉我，哪个世界更安全？ ## 护栏需要，入口需要更宽 说清楚了：这不是一篇反对护栏的文章。 护栏必须存在。没有人想把没有安全过滤的 GPT-5.6 塞给全球每一个注册账号。OpenAI 的 Codex Security 已修复了超过 3000 个高危和严重漏洞，这是护栏存在的正面证据。 问题是护栏的粒度。 把"帮我写一段勒索软件"和"帮我确认这个缓冲区溢出是否可被利用"扔进同一个拦截桶里，不是安全策略，是偷懒。 一个靠身份审查来决定谁能用、谁不能用的体系，可能选出"更不会惹麻烦的人"，但不一定选出"更需要用的人"。那家手机零部件制造商的安全负责人，可能比名单上的很多机构更需要这个能力——但他不在名单上。 Thompson 在采访最后给了一个方向：不是收紧，是放开——开放项目入口，提供负责任访问，追责那些滥用工具的人，而不是预设所有人都是潜在的攻击者。 说白了：你不是在造防空洞，你是在造锤子。锤子既能钉钉子也能砸人。你把锤子只卖给经过审查的工人，不让普通人钉钉子，最后普通人去买黑市锤子——黑市锤子没有质保，谁都能买，你管不了。 这个安全生态到底是变得更安全了，还是更危险了？ *幸知 / 2026-07-24 / TechCrunch (2026-07-23, 2026-06-12, 2026-04-07, 2026-04-09), OpenAI TAC 官方博客 (2026-02-05, 2026-04-14), Anthropic CVP 帮助页面* ## AI 最大的瓶颈，不是不会做事，而是不会记得你 URL: https://hencte.top/tech/ai-memory-bottleneck Summary: 美团 LongCat 团队为 56 个虚拟人配置平均 4.3 年的 AI 助理互动测试：模型接上记忆后不少场景得分不升反降，Claude 家族主动提问场景从 46.0 跌至 27.4——AI 会做事但记不住一个会变的人。 日期: 2026-07-24 Tags: 技术, 观点 你让 AI 订机票，它查了。 你让它再订一次酒店，它忘了你刚才说自己恐飞，推荐的全是跨城特价航班套餐。 这不是一个比喻。美团 LongCat 团队刚刚放出了一份基准测试，他们给 56 个"虚拟人"每人配了一个 AI 助理，拉长到平均 4.3 年、最长超过 8 年的互动周期。但这个结论和直觉相反。 模型接上记忆之后，不少场景得分不升反降。而当需要主动问一句"我还缺什么信息"时，Claude 家族的平均分从 46.0 直接跌到 27.4。 说白了，现在最强的 AI 模型，你让它用工具、做推理、写代码——它都能干。但你让它记住一个会变的人，它不会。 ![封面](/img/2026-07-24/ai-memory-cover.png) ## 四年。819 个任务。一个"你是不是真的认识我"的考试 这份基准叫 VitaBench 2.0。它不是问 AI "今天北京天气怎么样"那种一问一答，而是模拟了 56 个真实特征的用户，每个人有自己的职业、家庭结构、消费习惯和说不出口的偏好——比如"带孩子出门时倾向于选有儿童餐的餐厅"或者"上次出差被噪音吵到之后开始只订高层房间"。 这些偏好不是一次性写死在用户档案里的。它们被埋在对话记录、浏览历史、下单行为里，像真实生活一样碎片化。平均每个用户的偏好会发生超过 48 次动态变化——旧习惯消失、新习惯出现、原本爱吃辣的突然开始养胃。 总共 819 个可执行任务，跨送餐、到店消费和在线差旅三个真实场景。每个用户平均有 2093 个交互事件。时间跨度平均 1580 天，最长的一个用户轨迹拉到 2974 天——超过 8 年。 你不需要知道底层评测框架是什么。你只需要知道：这是一场"AI 能不能在四年的碎片信息里，搞清楚你是个什么人"的考试。 ## 记忆，不是装上去就管用的 一个最违反直觉的发现是：记忆系统装上去之后，在很多场景下，模型表现反而更差了。 VitaBench 2.0 设了三组对比——不给记忆，直接读全量历史（Full Context）；让 AI 自己决定记什么忘什么（Agentic Memory）；用一个外部搜索引擎检索历史片段（RAG Memory）。结果： Claude-Opus-4.6，Full Context 模式下平均得分 0.503。接上 Agentic Memory，掉到 0.454。换成 RAG Memory，再掉到 0.430。 GPT-5 同理：0.441 → 0.421 → 0.410。 这不是一两个模型的个例。全文 17 个模型，大部分在接上记忆模块后得分都比"直接读全历史"低。 为什么会这样？因为记忆系统引入了两个新问题。一是记错了——Agentic Memory 在更新用户画像时会扭曲或丢失信息，累积久了偏差越来越大。二是检索不到——RAG Memory 靠相似度匹配返回历史片段，但相似度不等于相关性，经常召回一堆表面相关、实际对当前决策没用的内容。 说白了，你给 AI 装了个"记笔记"的功能，结果它记的东西要么是错的，要么翻出来也用不上。 这不是记忆本身没用。而是现在的记忆机制还不够好。 ![配图](/img/2026-07-24/ai-memory-chart.png) ## 一个更大的问题：AI 不会主动问 记不住还能补。不会问，就永远补不上。 VitaBench 2.0 专门设计了一类"主动性任务"——场景里故意缺关键信息，模型必须意识到"我不知道"才能做出正确决策。比如用户说"帮我订个酒店"，但没说预算、没说日期、没说几个人。这时候 AI 需要停下来问一句，而不是直接猜。 结果：全部模型家族在这类任务上得分断崖式下跌。Claude 家族从 46.0 降到 27.4。其他家族模式一致：主动提问能力远落后于偏好理解能力。 Anthropic 自己在今年 3 月发过一篇工程博客，讲他们给 Claude 加了一个叫"think"的工具——专门在复杂的工具调用链里制造一个停顿，让模型停下来检查"我缺什么信息"。用了之后在客服场景里提升了超过 50% 的策略遵循能力。 这说明一件事：连 Anthropic 自己都知道"停下来想一想我是不是漏了什么"是当前模型的一个系统性短板。VitaBench 2.0 只是用数据证实了这个判断：不是某一个模型的问题，而是这一代模型在架构层面就不擅长"意识到自己不知道"。 ## 工具学会了，人才是问题 DeepSeek 家族的数据里藏着一个更深刻的信号。 研究团队把模型的失败拆成两类：A 类（工具使用错误——选错 API、填错参数）和 B 类（偏好理解错误——没抓到用户想要什么、用了用户已经不再用的旧偏好）。 从 DeepSeek-R1 升级到 DeepSeek-V4-Pro 之后，A 类错误显著减少，B 类错误占比反而上升，变成了主要失败原因。 这不是退步。这是瓶颈转移。模型越来越会用工具了，但"理解一个正在变化的人"的能力没跟上。工具调用能力提升得越猛，个性化的短板就暴露得越彻底。 还有一组数据印证了这个结论。研究人员直接把用户的真实偏好喂给模型——不需要它自己从历史里提取，偏好直接写在 prompt 里。结果呢？多数模型仍然失败。 问题不在"知不知道你喜欢什么"，而在"知道了之后能不能用对"。 你告诉它你恐飞。它记住了。但它不知道"恐飞"意味着订酒店的时候应该避开机场旁边。它不知道"恐飞"在你的旅行决策里的优先级高于"价格最低"。它不知道这是一个持续偏好还是一个临时状态。 研究团队在论文里把这种困境精确地拆成了三个环节：提取偏好、利用偏好、更新偏好。现在最强的模型在第一环节已经不算太差——你给足上下文，它能猜个七八成。但在第二和第三环节，也就是"猜对了之后怎么用"和"用户变了之后怎么跟着变"，差距还很远。 这就解释了为什么即使把真实偏好直接喂给模型，分数也提不上去。就像你给一个新人看了你过去四年的所有消费记录和聊天记录——他"知道"你喜欢什么，但他不知道在"今天下午五点、外面下着雨、你刚开完一个让人烦躁的会"这个具体场景下，你真正想吃什么。 这就是当前 AI 和"一个真正了解你的人"之间的差距。 ## 10 分钟后 vs 10 个月后 vs 10 年后 10 分钟后，你打开 ChatGPT 问一个问题，它不会记得你上一轮说了什么——除非你自己提。 10 个月后，也许你的 AI 助理能记住你喜欢的餐厅类型，但它大概率记不住你这十个月里口味变了三次，也记不住"不吃香菜"这个偏好的优先级高于"推荐评分高的餐厅"。 10 年后，如果这个问题没解决，我们拥有的将是一个工具使用能力登峰造极、但对人的理解仍然停留在"问答匹配"层面的 AI——它会帮你写代码、做表格、分析财报，但当你说"帮我想想办法"的时候，它给的建议和给任何一个陌生人的建议没有区别。 LongCat 团队在博客最后写了一句话："从单点任务到长期陪伴，从被动执行到主动沟通。"前八个字说的是过去五年 AI 在做的事——越来越会执行。后八个字说的是未来五年 AI 必须学会的事——从"会做"到"会懂"。 下一轮 Agent 竞争，比的不是"会不会调用工具"，而是"能不能持续理解一个会变化的人"。 如果你正在关注 AI 行业，这是最值得盯的一个赛道。不是模型能力提升——那个天花板还远。是连接方式和持续理解——这个差距就在眼前，而且有基准测试、有数据、有可验证的短板。 *幸知 / 2026-07-24 / 信源：美团 LongCat VitaBench 2.0（tech.meituan.com + arxiv 2605.27141 + vitabench2.github.io）；Anthropic "think" tool Engineering Blog。* 如果你觉得这篇文章值得转给在做 AI 产品或关注智能体方向的朋友，欢迎转发。每次看到真正有数据支撑的反直觉结论，都值得被更多人看见。 ## ChatGPT 开始接入健康数据，但真正值钱的不是医疗问答 URL: https://hencte.top/tech/chatgpt-health-data Summary: OpenAI 发布『Health in ChatGPT』：ChatGPT 可连接 Apple Health 与医疗记录。本文不聊 AI 看病，而是聚焦更新条款里真正值钱的部分——3 亿用户的健康数据入口意味着什么。 日期: 2026-07-24 Tags: 技术, 观点 2026年7月23日，OpenAI 发布了一项更新：ChatGPT 可以连接你的 Apple Health 和医疗记录了。它叫 "Health in ChatGPT"。 但这篇文章不会沿着"AI 看病"那条路走。 真正值得关注的东西，藏在那几行小字里。 ![封面](/img/2026-07-24/chatgpt-health-cover.png) ## 3 亿人已经在问了 每周有超过3亿人用 ChatGPT 问健康问题。——这是 OpenAI 官方公告里的数字。 不是"能看化验单吗"，而是已经在看。不是"会不会用"，而是已经用了。用户在没有任何健康数据接入的情况下，自发地把 ChatGPT 当作健康咨询入口，从理解化验结果到准备就诊问题，从解释医生说的话到制定更健康的日常习惯。 问题在于，这些对话的上下文是断裂的。 病人的病历散落在不同医院的挂号系统里，化验数据埋在 App 的角落，睡眠和心率分布在不同可穿戴设备的后台。每次问 ChatGPT，用户需要手动上传、复述、解释自己的情况——就像每次看新医生都要重新填一遍表。 Health in ChatGPT 做的事情，说白了就是把这些信息连起来。 你可以连接 Apple Health、美国医院系统的电子病历，以及 One Medical（美国连锁会员制诊所）和 Function Health（第三方健康检测平台）。连接后，ChatGPT 能帮你对比新旧化验结果、总结上次就诊以来的变化、分析睡眠和活动之间的关系。更激进的是——它不再要求你进入一个专门的"健康模式"才能用。早期测试数据显示，超过70%的健康对话发生在专用健康空间之外。用户在规划饮食时会希望 ChatGPT 考虑食物过敏，在安排周末活动时想让 AI 知道最近受过伤。 OpenAI 的决定是：把健康数据接入所有对话，而不是锁在一个独立入口里。 这是关键一步。但它不是关于医疗的。 ![配图](/img/2026-07-24/chatgpt-health-flow.png) ## 隐私声明才是真正的产品 读 OpenAI 的公告，最值得逐字看的不是功能描述，而是隐私条款。 几个事实： 1. **健康数据不用于训练基础模型。** 不管你选了什么模型训练设置，Apple Health 和医疗记录里的数据，以及用到这些数据的对话，都不参与训练、不用于广告。 2. **默认授权。** ChatGPT 每次使用健康数据前，需要你同意。你也可以设为"始终允许"，但关闭这个提示意味着不再逐次确认。 3. **断开即删除。** 断开连接后，数据在 OpenAI 系统内最多保留30天，之后删除。但——对话中已经包含的健康信息，保留到你手动删除那些对话。 4. **记忆系统隔离。** ChatGPT 的 Memory 功能可能从健康对话中形成偏好记忆，但不会直接从连接的医疗记录中提取。 5. **跨插件共享保护。** 如果 ChatGPT 要通过其他插件分享健康数据（比如把训练计划发给跑步搭子），有额外的安全验证，敏感操作需用户额外确认。 6. **红队测试。** OpenAI 对健康信息连接场景进行了专项红队演练。 这六条，放到一起，比功能本身更值得琢磨。 Apple 那一边也一样。Apple Health 的数据只能用密码、Face ID 或 Touch ID 访问，全量加密。App Store 审核明确规定：健康、健身和医疗数据不能用于广告营销，不能拿去挖掘用户行为，不能卖给数据中间商。 说白了，这不是两家公司在比谁的回答更准，而是两个平台正在共同定义一套"健康数据的信任基础设施"。 谁能让用户放心交出最敏感的数据，谁的 AI 就能拿到最深层的上下文。而上下文越深，AI 就越难被替代。 ## 当 AI 知道你几点睡 让我们停一下，想一个场景。 你现在打开 ChatGPT，问"我最近睡不好，怎么办"。它给出的答案是一篇通用建议：固定作息、睡前少看屏幕、避免咖啡因。 但如果你接了 Apple Health 呢？ ChatGPT 会知道你上一周的平均入睡时间是凌晨1:42，深度睡眠占比17%，比上个月下降了4个百分点。它会知道你每天早上7点设了三个闹钟，实际起床时间在7:20到7:35之间波动。它会看到你最近三天的运动记录是零。它会读到你的电子病历里有轻度焦虑的诊断记录。 然后它会说："注意到你最近一周的入睡时间比上个月推迟了约40分钟，深度睡眠也下降了。同时过去三天你没有运动记录。要不要试试今晚饭后步行25分钟，然后11点放下手机？" 这不是一个更好的回答。这是一个完全不同的产品。 区别在于：第一种回答，AI 只是一个搜索引擎的替代品。第二种回答，AI 是知道你生活脉络的长期参与者。 这才是 Health in ChatGPT 的实质。不是"AI 能看病了"，是 AI 进入了"持有你长期上下文"的阶段。它不再靠你每次输入的那几个字来猜测你需要什么。它已经知道你的用药史、你的趋势数据、你的身体信号。 从工具到参与者，边界在这里。 ## 反向：持有长期数据，真的对你好吗？ 但有一个问题得问：这种"知道一切"的状态，你真的是受益方吗？ 几个层面。 **数据所有权是谁的？** OpenAI 说你可以随时断开连接。但断开不等于抹除一切——30天后，服务器删掉数据，但对话中已经引用的信息会留在你的聊天记录里。换句话说，ChatGPT 知道过你的心率趋势这件事，不会凭空消失。你删聊天记录才能清掉。 **免费用户的逻辑。** Health 功能对 Free 用户开放。GPT-5.5 Instant 免费用户就能用。但"不用于训练"是一句承诺，不是一条法律。它不受 HIPAA（美国《健康保险可携性和责任法案》，医疗数据隐私保护的黄金标准）约束——OpenAI 自己是这么写的：ChatGPT 不能替代医生的判断。言下之意很清楚：这不是医疗设备，不受医疗监管。 **上下文的锁定效应。** 你用得越久，ChatGPT 对你的了解就越深。换一个 AI 的成本不是重新下载一个 App，是重新输入你过去三年的体检数据、用药记录、睡眠趋势。这种迁移成本，不是靠"更好用的 UI"能赢回来的。上下文，就是护城河。 **商业模式是什么？** 健康数据不用于广告，不用于训练模型。那 OpenAI 靠什么赚钱？答案是 Pro 和 Plus 订阅。GPT-5.6 Sol 只有付费用户能用——它在健康推理上更强。免费用户拿到的是一个基础版体验，但你尝到"上下文带来的个性化"之后，为便利付费的意愿会被推高。 你们回头看就会发现：信任是入口，上下文是壁垒，订阅是商业模式。医疗问答本身，只是第一层皮。 ## 10 分钟后 / 10 个月后 / 10 年后 **10 分钟后：** 你在 ChatGPT 里授权了 Apple Health，问了一个关于睡眠的问题。AI 给出的回答让你觉得"它懂我"。你顺手把它推荐的饭后步行加入了日程。一切看起来像一次普通的 App 功能升级。 **10 个月后：** 你的用药史、血检趋势、运动模式、睡眠曲线已经积累了足够长的序列。ChatGPT 能帮你发现某个指标在三个月里的缓慢偏移——这种偏移，医生在15分钟的门诊里不太可能注意到。你会开始犹豫：如果要换 AI 助手，迁移成本是多少？结论可能是：不太可能换了。 **10 年后：** 一个从你成年后就持续持有你全部健康记录的 AI，比任何一个医生都更了解你的身体趋势。保险公司的定价模型会希望接入这些数据——即使不是直接接入，间接的"健康画像"交换也会出现。你的心血管风险、你的糖尿病概率、你的精神健康波动模式，都会在某个地方变成定价参数。问题不是"能不能挡住"，而是"用户会愿意为了便利交出多少"。 到那一天，谁持有你的健康上下文，谁就定义了你的健康叙事。 而 OpenAI 今天走出的这一步，表面上是给你一个"更好的健康问答"。 实际上是，它开始在你的生活里建立一个长期位置。这个位置一旦形成，你就很难切割了。 如果你对医疗问答的质量没有执念，以上所有可能都不成立。但如果你相信，了解你越深的 AI 越有用—— 那你面对的选择，从来不是"要不要用 AI 看化验单"。 而是你准备把自己的健康叙事交给谁，以及你准备拿到什么作为交换。 如果你觉得这个角度值得讨论，转发给也在用 ChatGPT 的人。关注我，每篇都在拆开来看第二层。 *幸知 / 2026-07-24 /* **信源：** - OpenAI, "Launching Health in ChatGPT", openai.com/index/health-in-chatgpt (2026-07-23) - Apple Developer, "Health and fitness apps", developer.apple.com/health-fitness - Apple, "Privacy", apple.com/privacy ## 写给小白：怎么在你的电脑上用上 AI URL: https://hencte.top/tech/tutorials/ai-on-your-computer Summary: 从零开始在电脑上用上 AI 工具——不是网页版 ChatGPT，而是能在你电脑上直接帮你写文件、整理资料、搜索信息的 AI。分免翻墙版和完整版两条路线。 日期: 2026-07-09 Tags: AI, OpenCode, Claude Code, DeepSeek, Cursor, 教程, 小白 > [!info] 这篇文章是什么 > 教你从零开始在电脑上用上 AI 工具——不是网页版 ChatGPT，而是能**在你电脑上直接帮你写文件、整理资料、搜索信息**的 AI。 > > **分两个版本**： > - **免翻墙版**：用 OpenCode + DeepSeek（国内服务，不需要科学上网） > - **完整版**：翻墙后用 Claude Code + DeepSeek（功能更强，需要科学上网） > > 先从免翻墙版开始，觉得好用再升级到完整版。 --- ## 一、网页版 AI vs 电脑版 AI ### 1.1 你可能已经在用的——网页版 AI 你在浏览器里打开 ChatGPT、DeepSeek、通义千问的网页版，打字聊天，AI 回答——这是**网页版 AI**。 它的局限： - **只能聊天**，不能帮你操作电脑上的文件 - 你让它写一篇文章，它只会把文字发在聊天框里，你得自己复制粘贴保存 - 不能读你电脑上的文件，不能上网帮你搜索 - 每开一个新对话，之前聊的全忘 ### 1.2 这篇要教的——电脑版 AI（Coding Agent） 有一类工具叫 **Coding Agent**（编程智能体），虽然名字里有"编程"，但**不是只有程序员才能用**。它能： - ✅ 直接在你电脑上创建文件、写文章、保存 - ✅ 读取你电脑上的文件内容并分析 - ✅ 上网搜索信息并整理成文档 - ✅ 批量处理文件（比如把 100 个文件按规则重命名） - ✅ 记住你给它的指令（Skill），下次自动执行 **和网页版最大的区别**：你不是在"和 AI 聊天"，而是在"让 AI 帮你干活"。你告诉它**做什么、存到哪**，它直接执行。 | | 网页版 AI | 电脑版 AI（Coding Agent） | |---|---------|------------------------| | 输出方式 | 聊天框里回复 | 直接帮你创建/修改文件 | | 能读你的文件吗 | 不能 | 能 | | 能上网搜索吗 | 部分 | 能 | | 能记住指令吗 | 不能（新对话就忘） | 能（通过 Skill） | | 需要装软件吗 | 不用（浏览器打开） | 需要 | | 需要翻墙吗 | 看用哪家 | 看用哪条路线（见下文） | ### 1.3 两条路线 | | 免翻墙版 | 完整版 | |---|---------|--------| | 工具 | OpenCode（桌面版） | OpenCode + Claude Code（命令行） | | AI 模型 | OpenCode 免费模型 + DeepSeek API | DeepSeek API（驱动 Claude Code） | | 需要翻墙吗 | **不需要** | **需要**（Claude Code 要访问境外服务器） | | 费用 | 免费模型 0 元 / DeepSeek 充 10 元 | DeepSeek 充 10 元 | | 难度 | ⭐ 最简单 | ⭐⭐⭐ 需要配环境变量 | | 能干什么 | 写文章、整理资料、搜索、批量处理 | 以上全部 + 更多高级功能 | > [!tip] 推荐顺序 > 1. 先走**免翻墙版**：装 OpenCode + Git，用免费模型体验 > 2. 觉得好用后，充 10 元 DeepSeek，在 OpenCode 里接 DeepSeek API > 3. 想要更强功能，再走**完整版**：翻墙 + 装 Claude Code + 配环境变量 --- ## 二、完全合规版：OpenCode + DeepSeek ### 2.0 这条路线不需要魔法 OpenCode 桌面版可以从国内下载，DeepSeek 是国内公司的 AI 服务，API 服务器在国内，**全程不需要魔法**。 如果你将来想升级到完整版（Claude Code），那时才需要科学上网——先看 [这篇科普](/tech/tutorials/proxy-tun-mode-explained)。 ### 2.1 装 Git（必须） Git 是版本管理工具，AI 工具靠它追踪文件的改动。不装的话部分功能用不了。 **操作**： 1. 打开 https://git-scm.com 2. 点 **Download for Windows** 3. 选 **64-bit Git for Windows Setup** 4. 安装：一路 Next（默认设置就是最优的，不用改任何选项） ### 2.2 装 OpenCode 1. 打开 https://opencode.ai/zh/download 2. 选你的系统版本（Windows / macOS） 3. 下载安装：一路 Next > [!note] 版本要求 > DeepSeek 官方文档建议 OpenCode 版本 >= v1.14.24。如果已装旧版，在终端执行 `opencode upgrade` 升级。 ### 2.3 创建项目 1. 启动 OpenCode 2. 建议在 D 盘建一个项目目录，比如 `D:\Projects\first-prj` 3. 在 OpenCode 里打开这个文件夹 > [!tip] 为什么要建项目目录 > AI 工具是在「项目」里干活的。你让它写文章、整理资料，它会在当前项目文件夹里创建文件。别在 C 盘用户目录下干，文件多了会乱。 ### 2.4 用免费模型（零成本入门） OpenCode 自带免费模型，**不用任何配置、不用充钱、不用注册任何账号**，装完就能用。 界面里选免费模型，直接开始对话。 **试一下**：输入「你好，帮我看看今天的新闻」，它会自动上网搜索并总结。 > [!tip] 免费模型怎么玩 > 免费模型每天有额度限制，但足够你学习和体验。建议： > - 每天用免费模型练习对话、写文章、整理资料 > - 试着让它「在当前项目下用 md 格式保存一篇文章」 > - 体验不同免费模型的效果差异 > - 额度用完了明天再来，每天刷新 ### 2.5 让 AI 做事，而不只是聊天 > [!warning] 关键区别 > 在网页版你跟 AI 聊天，它只回复文字。 > 在 Coding Agent 里你要告诉它**做什么操作**、**存到哪**。 ❌ 错误用法（只会回复文字）： ``` 帮我写一篇文章 ``` ✅ 正确用法（会创建文件）： ``` 请在当前项目下，用 md 文档格式，写一篇关于 XX 的文章并保存 ``` | 你想要 | 错误说法 | 正确说法 | |--------|---------|---------| | 写文章 | 「帮我写一篇文章」 | 「在当前项目下用 md 格式写一篇关于 XX 的文章并保存」 | | 整理资料 | 「帮我整理这些信息」 | 「读取当前目录的 xx.txt，提取关键信息，整理成 md 表格保存」 | | 搜索 | 「今天有什么新闻」 | 「搜索今天的 AI 新闻，整理成 md 文件保存到当前项目」 | **记住**：告诉它**做什么 + 存到哪 + 什么格式**，它才会帮你执行操作。 ### 2.6 接入 DeepSeek API（可选，进阶） 免费模型有额度限制。想用更强的模型（DeepSeek-V4-Pro），可以接 DeepSeek 的 API。**不需要翻墙**，DeepSeek 是国内服务。 #### 关于实名认证（重要，先看） > [!warning] DeepSeek 平台注册须知 > DeepSeek 是国内公司（深度求索），注册平台账号需要**手机号**——这是国内服务的常规要求。 > > **你需要知道的事实**（本教程作者实测）： > - 注册 platform.deepseek.com 需要手机号（接收验证码） > - 手机号背后对应你的实名信息（运营商实名制，这是运营商层面的事，不是 DeepSeek 额外要求的） > - 充值需要绑定支付方式（微信/支付宝，也是实名的） > - **你的 API 使用记录会和你的账号关联** > - DeepSeek **不会封号**（和 Claude 官方账号不同），正常使用不用担心 > > **为什么不推荐直接用 Claude 官方账号**： > - Claude 官方账号检测到中国 IP 会**封号**，充了钱可能打水漂 > - DeepSeek 是国内服务，不存在这个问题 > - DeepSeek API 的费用远低于 Claude 官方 > > **结论**：DeepSeek 比 Claude 官方账号安全（不会封号），但你的使用记录和手机号关联。正常用于学习、工作、写文章不用担心。如果你对隐私非常敏感，可以考虑用一张副卡注册。 #### 操作步骤 1. 打开 https://platform.deepseek.com，用手机号注册登录 2. 左侧菜单 → **API Keys** → **创建 API Key** 3. 名称填 `opencode`，创建后**立即复制保存到记事本**（只显示一次！） 4. 充值：**先少充一点试试**（建议 5-10 元起步），别一次性充太多。用完再充，心里有数 #### 在 OpenCode 里接入 1. 在 OpenCode 对话框里输入 `/connect` 2. 输入 `deepseek` 并选择 3. 填入你的 DeepSeek API Key 4. 选择 DeepSeek-V4-Pro 模型 > [!tip] DeepSeek 模型说明 > - `deepseek-v4-pro`：主力模型，能力强，适合复杂任务 > - `deepseek-v4-flash`：快速模型，速度快、便宜，适合简单任务 > - `deepseek-chat` 和 `deepseek-reasoner` 将于 2026/07/24 弃用，用上面两个代替 #### 费用参考 DeepSeek API 按使用量收费（Token 计费），日常写文章、整理资料的话，10 元能用很久。具体价格见 [DeepSeek 官方定价](https://api-docs.deepseek.com/zh-cn/quick_start/pricing)。 --- ## 三、完整版：Claude Code + DeepSeek（需要翻墙） ### 3.0 什么时候升级到完整版 - 免翻墙版玩明白了，想要更强功能 - 想用命令行工具（更快、资源占用更小） - 需要 Claude Code 的高级功能（Web Search、更多 Skill 兼容） ### 3.1 前置条件 1. **科学上网**：Claude Code 要访问境外服务器。如果没搞定，先看 [这篇科普](/tech/tutorials/proxy-tun-mode-explained) 2. **Git**：已装（免翻墙版装过了） 3. **Node.js**（可选）：打开 https://nodejs.org，选 LTS 版本下载，一路 Next 安装 > [!warning] 关键：必须开 Tun 模式 > Claude Code 在命令行里运行，**命令行不走系统代理**。必须开 Tun 模式（虚拟网卡）强制所有流量走代理。 > 详见 [科学上网科普文第四节](/tech/tutorials/proxy-tun-mode-explained#四系统代理-vs-tun-模式教程里最让人懵的两个词)。 ### 3.2 环境变量是什么——小白最懵的概念 Claude Code 的配置会反复提到「环境变量」，先搞懂它。 **环境变量**就是 Windows 系统里存的一些「全局设置」。软件安装后会把自己的路径写进环境变量，这样你在任何地方输入命令名就能启动它。 **打个比方**： - 环境变量 = Windows 的「通讯录」 - 你输入 `claude` → Windows 翻通讯录 → 找到 claude 在哪 → 启动它 - 如果通讯录里没有 claude 的记录 → Windows 说「找不到命令」 **怎么打开环境变量设置**： 1. 按 `Win + S`，输入「环境变量」 2. 点「编辑系统环境变量」 3. 弹出窗口右下角点「环境变量」 4. 上面是**用户变量**（只对你生效），下面是**系统变量**（对所有人生效） 5. 大部分情况配**用户变量**就够了 > [!warning] 加完环境变量要重开终端 > 环境变量改了之后，**已经打开的终端不会立刻生效**。关掉终端窗口重新打开，新设置才会读到。 ### 3.3 装 Claude Code **方式一：原生安装（推荐）** 1. 右键左下角开始菜单 → 选「终端管理员」 2. 复制粘贴这行命令，回车： ```powershell irm https://claude.ai/install.ps1 | iex ``` > [!tip] 终端粘贴技巧 > PowerShell 里直接 `Ctrl+V` 可能无效。**右键**直接粘贴，或按 `Ctrl+Shift+V`。 3. 装完关闭终端，重新打开 **方式二：npm 安装（方式一失败时用）** ```powershell # 先设置执行策略（只需一次） Set-ExecutionPolicy RemoteSigned -Scope CurrentUser # 安装 npm install -g @anthropic-ai/claude-code ``` ### 3.4 添加 Path 环境变量 装完后如果输入 `claude` 没反应，说明环境变量没加。 1. 按 `Win+S` 搜「环境变量」→ 打开 2. 在**用户变量**里找 `Path`，双击 3. 新建一条：`%USERPROFILE%\.local\bin` 4. 在**系统变量**的 `Path` 里也加一条同样的 5. 确定，**关掉终端重新打开** 6. 输入 `claude` 回车 → 看到启动界面就成功了 ### 3.5 接入 DeepSeek（核心步骤） Claude Code 默认要用 Anthropic 官方账号（贵且有封号风险）。通过环境变量接入 DeepSeek，**不用买 Claude 会员，10 元能用很久**。 > [!warning] 为什么不直接用 Claude 官方账号 > Claude 官方账号检测到中国 IP 会**封号**，充了钱可能打水漂。接 DeepSeek 的 API 是"瞒天过海"——让 Claude Code 以为在跟 Anthropic 服务器通信，实际全走 DeepSeek 的国内服务器。不用翻墙访问 DeepSeek，但 Claude Code 本身需要翻墙才能装。 #### 第 1 步：获取 DeepSeek API Key 如果你在免翻墙版已经注册过 DeepSeek 并拿到 Key，直接用那个，不用重新注册。 1. 打开 https://platform.deepseek.com 2. 左侧 → **API Keys** → **创建 API Key** 3. 名称填 `claude-code` 4. 复制生成的 Key **立即保存到记事本**（只显示一次！） 5. 充值（10 元起步） #### 第 2 步：配置环境变量 打开**终端管理员**，把下面命令里的 `<你的 DeepSeek API Key>` 替换成你的 Key，逐条执行： ```powershell [Environment]::SetEnvironmentVariable("ANTHROPIC_BASE_URL", "https://api.deepseek.com/anthropic", "User") [Environment]::SetEnvironmentVariable("ANTHROPIC_AUTH_TOKEN", "你的 DeepSeek API Key", "User") [Environment]::SetEnvironmentVariable("ANTHROPIC_MODEL", "deepseek-v4-pro[1m]", "User") [Environment]::SetEnvironmentVariable("ANTHROPIC_DEFAULT_OPUS_MODEL", "deepseek-v4-pro[1m]", "User") [Environment]::SetEnvironmentVariable("ANTHROPIC_DEFAULT_SONNET_MODEL", "deepseek-v4-pro[1m]", "User") [Environment]::SetEnvironmentVariable("ANTHROPIC_DEFAULT_HAIKU_MODEL", "deepseek-v4-flash", "User") [Environment]::SetEnvironmentVariable("CLAUDE_CODE_SUBAGENT_MODEL", "deepseek-v4-flash", "User") [Environment]::SetEnvironmentVariable("CLAUDE_CODE_EFFORT_LEVEL", "max", "User") ``` > [!note] 这些变量做了什么 > - `ANTHROPIC_BASE_URL`：把请求地址从 Anthropic 官方改成 DeepSeek > - `ANTHROPIC_AUTH_TOKEN`：用 DeepSeek 的 API Key 代替 Anthropic 的 > - `ANTHROPIC_MODEL` 等：指定用 DeepSeek 的哪个模型 > - 本质就是"瞒天过海"——Claude Code 以为自己还在和 Anthropic 通信 > [!tip] 也可以用图形界面配 > 按 3.2 节的方法打开环境变量窗口，在用户变量里手动「新建」每一条。变量名和变量值对照上面的命令。 #### 第 3 步：验证 1. **关掉所有终端窗口，重新打开**（环境变量要重开才生效） 2. 进入你的项目目录（比如 `cd D:\Projects\first-prj`） 3. 输入 `claude` 回车 4. 不再弹出登录提示，直接进入对话界面 = 配置成功 --- ## 四、通用：基础使用 ### 4.1 让 AI 做事的核心原则 无论 OpenCode 还是 Claude Code，核心都是：**告诉它做什么 + 存到哪 + 什么格式**。 ``` 请在当前项目下，用 md 文档格式，写一篇关于 XX 的文章并保存 ``` ### 4.2 查看生成的文件 - OpenCode：右侧 Files 面板 - 文件管理器：右键项目文件夹 → 在文件管理器中打开 - Obsidian（推荐）：专门看 Markdown 文件的工具，见下文 ### 4.3 斜杠命令 在对话框里输入 `/`，会弹出可用命令列表。装了 Skill 后也会出现在这里。 ### 4.4 Git 版本追踪 装了 Git 后，AI 每次修改文件都会被追踪。不满意可以撤销。 --- ## 五、通用：Skill 是什么 ### 5.1 问题 每次新开会话，AI 都是从零开始，你之前教的它全忘了。比如你每次都要说「用口语风格写、每段不超过 3 句」——太累。 ### 5.2 解决 **Skill** = 预先写好的提示词模板。装一次，以后用 `/` 命令一键加载。 ### 5.3 怎么装 **方法一**：让 AI 帮你找 ``` 帮我去 https://skills.sh 找一个写分镜的 skill，安装到当前项目 ``` **方法二**：输入 `/` 搜索已安装的 Skill ### 5.4 npm 镜像（装 Skill 卡住时用） ```powershell npm config set registry https://registry.npmmirror.com ``` > [!warning] Skill 安全 > 网上有 9 万+ 个 Skill，约 30% 有安全风险。装之前可以让 AI 先评估：「这个 Skill 有哪些可能的风险？」 --- ## 六、通用：Obsidian 看文档 ### 6.1 什么是 Obsidian 专门看和管理 Markdown（.md）文件的工具。AI 生成的文件都是 md 格式，文件多了用记事本一个个开很麻烦，Obsidian 能统一预览。 ### 6.2 安装 1. 打开 https://obsidian.md 2. 下载对应系统版本 3. 安装：一路 Next ### 6.3 打开项目文件夹 1. 启动 Obsidian 2. 选「打开本地仓库（Open folder as vault）」 3. 选你之前建的项目文件夹（比如 `D:\Projects\first-prj`） 4. 所有 md 文件都会列出来，点击即可预览 --- ## 七、常见问题排障 > [!question]- OpenCode 免费模型用不了 > **原因**：网络问题 > **解决**：检查网络。免费模型不需要翻墙，正常上网就能用。如果还是不行，可能是 OpenCode 版本太旧，执行 `opencode upgrade` 升级。 > [!question]- `claude` 命令找不到 > **原因**：Path 环境变量没配 > **解决**：按 3.4 节，在环境变量的 Path 里加 `%USERPROFILE%\.local\bin`（用户变量和系统变量都加），**关掉终端重新打开**再试。 > [!question]- Claude Code 提示「不在支持的国家」 > **原因**：翻墙工具没代理终端 > **解决**：在翻墙工具里开 **Tun 模式**（虚拟网卡），强制命令行流量也走代理。详见 [科普文第四节](/tech/tutorials/proxy-tun-mode-explained#四系统代理-vs-tun-模式教程里最让人懵的两个词)。 > [!question]- 终端里下载/安装卡住不动 > **原因**：没开 Tun 模式，命令行不走系统代理 > **解决**：同上，开 Tun 模式。命令行工具（PowerShell/CMD）默认不认系统代理，只有 Tun 模式能代理全部流量。 > [!question]- npm install 卡住 > **原因**：网络问题，npm 默认源在境外 > **解决**：换成国内镜像源： > ```powershell > npm config set registry https://registry.npmmirror.com > ``` > [!question]- OpenCode 的 Git 按钮点不动 > **原因**：没装 Git > **解决**：按 2.1 节安装 Git（https://git-scm.com），装完后**重启 OpenCode**。 > [!question]- Skill 安装到一半卡住 > **原因**：网络波动 > **解决**：先配 npm 镜像源（见上），然后开新会话让它重试。Skill 安装走的是 npm，网络慢就会卡。 > [!question]- DeepSeek 说余额不足 > **原因**：没充值或用完了 > **解决**：登录 https://platform.deepseek.com 充值。建议先充 5-10 元试试，用完再充。 > [!question]- Token 消耗太快，钱扣得猛 > **原因**：正常现象，复杂任务消耗多 > **解决**： > - 用免费模型做探索性操作（试错、学习） > - 付费模型（DeepSeek）做关键任务（正式写文章、整理资料） > - DeepSeek 后台可以设置消费限额，防止意外超额 > - 别一次充太多，5-10 元试水，心里有数再续 > [!question]- 环境变量配了不生效 > **原因**：终端没重开 > **解决**：环境变量改了之后，**已经打开的终端读不到新值**。关掉所有终端窗口，重新打开就好了。 > [!question]- Claude 官方账号被封 > **原因**：Claude 检测到中国 IP 会封号，充了钱可能打水漂 > **解决**：**不要用 Claude 官方账号**。两个替代方案： > 1. 接 DeepSeek API 驱动 Claude Code（本教程方案，10 元能用很久） > 2. 买 Cursor Pro（$20/月，内置 Claude 模型，Cursor 官方处理封号问题） --- ## 八、想体验 Claude 模型？推荐 Cursor 上面两条路线都是用 DeepSeek 的模型。如果你**非常想体验 Anthropic Claude 原版模型**（目前最强的 AI 模型之一），直接买 Claude 官方账号有封号风险（检测中国 IP）。 **推荐方案：买 Cursor**。 ### 8.1 Cursor 是什么 Cursor 是一款内置 AI 的代码编辑器（基于 VS Code 改的），内置了 Claude、GPT、Gemini 等多家前沿模型。你不用自己接 API、不用配环境变量、不用担心封号——Cursor 帮你搞定一切。 ### 8.2 费用 | 方案 | 价格 | 包含 | |------|------|------| | **Hobby（免费版）** | $0 | 有限的 Agent 请求和 Tab 补全，不用信用卡 | | **Individual（Pro 版）** | $20/月 | 扩展 Agent 限额、**访问 Claude/GPT/Gemini 等前沿模型**、MCP/Skills/Hooks、Cloud agents | | **Teams** | $40/用户/月 | 团队协作功能 | > [!tip] 免费版先试 > Hobby 免费版不用信用卡就能用，有限额度但足够体验。觉得值再升级 Pro。 ### 8.3 和本教程其他路线的对比 | | OpenCode 免费模型 | OpenCode + DeepSeek | Claude Code + DeepSeek | **Cursor Pro** | |---|---|---|---|---| | 模型 | 免费模型 | DeepSeek-V4 | DeepSeek-V4（伪装成 Claude） | **Claude 原版 + GPT + Gemini** | | 需要翻墙 | ❌ | ❌ | ✅ | ✅（需要访问 Cursor 服务器） | | 需要配环境变量 | ❌ | ❌ | ✅（8 条） | ❌（开箱即用） | | 封号风险 | 无 | 无 | 无（走 DeepSeek） | **无**（Cursor 官方处理） | | 费用 | $0 | ~10 元人民币 | ~10 元人民币 | $20/月 | | 适合 | 零成本入门 | 便宜的日常使用 | 命令行高级用户 | **想用最强模型、不怕花钱** | ### 8.4 怎么装 1. 打开 https://www.cursor.com 2. 点 Download 下载对应系统版本 3. 安装：一路 Next 4. 启动后登录（用 Google/邮箱注册） 5. 免费版直接用；想用 Claude 等前沿模型 → 升级 Pro（$20/月） > [!note] Cursor 也需要翻墙 > Cursor 的服务器在境外，使用时需要科学上网。但不像 Claude Code 那样需要配环境变量——Cursor 是图形界面的编辑器，开系统代理就能用（不需要 Tun 模式）。 ### 8.5 适合谁 - 想体验 Claude 原版模型、不怕花 $20/月的人 - 想要开箱即用、不想折腾环境变量的人 - 既是写代码又是写文章的人（Cursor 本质是代码编辑器，但也能帮你写 md 文件） --- ## 九、三条路线总结 | | 免翻墙版 | 完整版 | Cursor 版 | |---|---------|--------|-----------| | 难度 | ⭐ | ⭐⭐⭐ | ⭐ | | 需要翻墙 | ❌ | ✅ | ✅（系统代理即可） | | 模型 | 免费模型 / DeepSeek | DeepSeek | Claude/GPT/Gemini 原版 | | 费用 | $0 ~ 10 元 | ~10 元 | $0 ~ $20/月 | | 适合 | 完全零基础 | 命令行高级用户 | 想用最强模型的人 | > [!tip] 推荐路线 > 1. **第一步（免翻墙）**：装 OpenCode + Git → 用免费模型每天练习 → 充 10 元 DeepSeek > 2. **第二步（完整版）**：搞定科学上网 → 装 Claude Code → 配环境变量接 DeepSeek > 3. **或直接跳到 Cursor**：如果预算充足、想用 Claude 原版模型 → 买 Cursor Pro（$20/月，开箱即用） --- ## 相关笔记 - [写给小白：翻墙、代理、Tun 模式到底是什么](/tech/tutorials/proxy-tun-mode-explained) — 完整版的前置条件 - [LTSC 安装教程](/log/windows-daily) — 系统层面的配置 - [环境配置 SOP](/tech/ai-engineering-practices) — 技术向的环境配置 ## 写给小白：翻墙、代理、Tun 模式到底是什么 URL: https://hencte.top/tech/tutorials/proxy-tun-mode-explained Summary: 一篇纯概念科普——让你看懂网上那些翻墙教程在说什么。系统代理和 Tun 模式的区别、节点、订阅链接、机场等术语解释。 日期: 2026-07-09 Tags: 翻墙, 代理, Tun, 科学上网, 教程, 小白, 概念 > [!info] 这篇文章是什么 > 一篇纯概念科普。不教你用什么工具、不给下载链接、不提供配置教程。 > 目标只有一个：**让你看懂网上那些翻墙教程在说什么**。 > > 读完这篇，你再去 Google 搜「科学上网教程」，就能看懂每一步在干什么、为什么那么做、出了问题该查哪里。 --- ## 一、为什么需要「翻墙」 ### 1.1 什么是「墙」 中国大陆的网络有一套过滤系统，官方叫「金盾工程」，民间叫 **GFW**（Great Firewall，防火长城），俗称「墙」。 它的作用是：**阻止你直接访问一部分境外网站**。 被墙的典型网站： - Google（搜索、地图、翻译） - YouTube - Wikipedia（中文维基部分时段不稳定） - GitHub（时快时慢，部分地区被墙） - ChatGPT / OpenAI - Twitter / Facebook / Instagram - 部分学术资源 没被墙的：百度、淘宝、微信、抖音、B 站、知乎、网易……这些国内网站正常访问，不受影响。 ### 1.2 「翻墙」就是绕过这道墙 「翻墙」= 让你的网络请求不直接走正常的出境线路，而是通过一个「中间人」帮你访问被墙的网站，再把结果传回来。 > [!tip] 打个比方 > 墙就像是海关检查站，直接去 Google 的路被海关拦了。 > 翻墙 = 找一个海关管不到的「中间人」，你把请求告诉他，他帮你去 Google 拿数据，再偷偷传回给你。 --- ## 二、各种叫法——分清「行为」和「工具」 网上教程里的词特别多，但其实分两类：**一类指"翻墙上网"这个行为**，**一类指"帮你翻墙的那个工具"**。搞混了就看不懂教程在说什么。 ### 2.1 指「行为」的词——翻墙上网这件事 | 叫法 | 含义 | |------|------| | **翻墙** | 最早的俗称，形象但有点敏感 | | **科学上网** | 最常见的委婉说法，教程里用得最多 | | **魔法上网** / **需要一点魔法** | 更隐晦的委婉叫法，「我用了点魔法才上 YouTube」= 我翻墙了 | | **模仿上网** | 「科学上网」的谐音/委婉，规避审查 | | **FQ** | 「翻墙」拼音首字母 | **用法示例**： - 「怎么科学上网？」= 怎么翻墙？ - 「这个网站需要魔法才能打开」= 这个网站被墙了，得翻墙 - 「FQ 教程」= 翻墙教程 ### 2.2 指「工具」的词——帮你翻墙的那个东西 | 叫法 | 含义 | |------|------| | **梯子** | 最常见的工具俗称——「架个梯子翻过墙」 | | **代理** | 技术术语，翻墙工具的核心原理就是代理（见第三节） | | **上网工具** | 委婉叫法 | | **客户端** | 你电脑上装的那个翻墙软件（App） | **用法示例**： - 「买个梯子」= 买翻墙服务/工具 - 「我的梯子挂了」= 翻墙工具连不上了 - 「推荐个梯子」= 推荐个翻墙工具 - 「梯子炸了」= 工具或节点失效了 ### 2.3 「机场」——卖梯子的人 还有一个词会频繁出现： | 叫法 | 含义 | |------|------| | **机场** | 卖翻墙服务的商家（因为早期翻墙工具图标是飞机，卖服务的人就叫机场） | | **上飞机 / 上车** | 买这家机场的服务 | | **航班** | 机场提供的节点线路 | **用法示例**： - 「求推荐个机场」= 求推荐个翻墙服务商 - 「我的机场跑路了」= 卖家收钱后消失了（常见坑） - 「这个机场稳不稳」= 这家服务商靠不靠谱 ### 2.4 速查 | 你看到的词 | 指什么 | |-----------|--------| | 科学上网 / 魔法 / 翻墙 / FQ | **行为**（翻墙上网这件事） | | 梯子 / 上网工具 / 客户端 | **工具**（帮你翻墙的软件） | | 机场 / 航班 | **服务**（卖工具的商家和线路） | > [!tip] 看教程时怎么判断 > - 看到「**怎么做**」「**怎么用**」+ 这些词 → 在说行为 > - 看到「**买**」「**装**」「**下载**」「**推荐**」+ 这些词 → 在说工具 > - 看到「**跑路**」「**续费**」「**套餐**」+ 这些词 → 在说机场（服务商） --- ## 三、代理是什么——翻墙的核心原理 ### 3.1 正常上网 vs 翻墙上网 **正常上网**： ``` 你的电脑 → 国内宽带 → 目标网站 （被墙的网站在这一步被拦截） ``` **翻墙上网**： ``` 你的电脑 → 代理服务器（在境外） → 目标网站 ↑ 这一段不被墙拦截 ↑ 代理在境外，直接访问没问题 ``` 代理服务器（也叫**节点**、**服务器**）是放在境外的电脑。它替你访问被墙的网站，然后把内容传回给你。 ### 3.2 什么是「节点」 教程里经常说「换节点」「节点炸了」「选日本节点」——**节点就是那台帮你转发的境外服务器**。 | 说法 | 意思 | |------|------| | 「日本节点」 | 服务器在日本 | | 「新加坡节点」 | 服务器在新加坡 | | 「换节点」 | 当前服务器慢/挂了，换一台 | | 「节点延迟」 | 你到那台服务器的网速 | | 「节点炸了」 | 那台服务器被封或过载了 | **选节点的常识**： - 离你近的通常快（日本、新加坡、香港对大陆延迟低） - 但热门节点用的人多，也可能慢 - 美国节点延迟高但资源多 - 部分地区香港节点不稳定 --- ## 四、系统代理 vs Tun 模式——教程里最让人懵的两个词 这是小白最容易卡住的地方。教程里经常说「开 Tun 模式」「系统代理不代理命令行」，到底什么意思？ ### 4.1 系统代理（System Proxy） **什么是系统代理**： Windows 系统有一个「代理设置」功能。你的翻墙工具开启后，可以把自己设为系统的代理——这样**支持代理的软件**就会自动把请求发给翻墙工具，由它转发。 **设置位置**：设置 → 网络和 Internet → 代理 **哪些软件认系统代理**： - ✅ 浏览器（Chrome、Edge、Firefox 等） - ✅ 大部分有图形界面的软件 - ❌ **命令行工具**（PowerShell、CMD、Git、Python pip、npm……） - ❌ 部分游戏 - ❌ 部分后台服务 > [!warning] 系统代理的盲区 > 系统代理只对「认代理设置」的软件有效。 > **命令行工具通常不认系统代理**——这就是为什么你开了翻墙工具，浏览器能上 Google，但 PowerShell 里跑命令却连不上。 ### 4.2 Tun 模式（虚拟网卡） **什么是 Tun 模式**： Tun 模式不是「设个代理让软件自己选」，而是**在系统里装一张虚拟网卡**，让**所有网络流量**都从这张虚拟网卡走，强制全部经过翻墙工具。 **打个比方**： - 系统代理 = 在路口挂个牌子「要去海外的去那边」，软件自己选走不走 - Tun 模式 = 直接把路改了，**所有车都必须过收费站（翻墙工具）**，没有选择 **Tun 模式的特点**： | | 系统代理 | Tun 模式 | |---|---------|----------| | 浏览器 | ✅ | ✅ | | 命令行（PowerShell/CMD） | ❌ | ✅ | | Git / Python / Node.js | ❌ | ✅ | | 游戏 | ❌（多数） | ✅ | | 后台服务 | ❌ | ✅ | | 需要管理员权限 | 否 | **是** | | 会装虚拟网卡 | 否 | **是** | ### 4.3 为什么教程都说「开 Tun」 因为系统代理漏掉了命令行工具。很多技术操作（装软件、下载代码、调 API）都在命令行里跑，系统代理管不到。 > [!example] 典型场景 > 你开了翻墙工具，浏览器能上 GitHub。 > 但在 PowerShell 里执行 `irm https://github.com/xxx | iex`（从 GitHub 下载脚本），报错连不上。 > 原因：PowerShell 不认系统代理。 > 解决：开 Tun 模式，强制所有流量走代理。 **Tun 模式的代价**： - 需要管理员权限（弹 UAC 确认） - 会装一张虚拟网卡（卸载翻墙工具时记得清理） - 所有流量都走代理，国内网站可能变慢（好的工具会自动分流，国内直连、国外走代理） - 极少数情况下和 VPN 软件、Docker 等冲突 ### 4.4 小白该怎么选 | 你的情况 | 选什么 | |---------|--------| | 只是用浏览器上 Google / YouTube | **系统代理就够了** | | 要在命令行装软件、下代码、调 API | **必须开 Tun** | | 不确定 / 想省心 | **开 Tun**（一劳永逸，但记得关掉再玩游戏） | --- ## 五、「订阅链接」是什么 教程里经常说「导入订阅链接」「订阅过期了」——**订阅链接是一串网址，里面包含了一批节点的信息**。 ### 5.1 为什么需要订阅 早期翻墙：手动填服务器地址、端口、密码、加密方式……一台一台填，换一批节点要手动改半天。 订阅链接：你的翻墙工具访问这个网址，自动下载一批节点的配置。换节点、加节点、删节点都自动完成。 ### 5.2 订阅链接怎么来的 | 来源 | 说明 | |------|------| | **机场**（翻墙服务商） | 你花钱买服务，他们给你一个订阅链接，里面是他们维护的节点 | | **免费分享** | 网上有人免费分享节点，但不稳定、不安全、随时失效 | | **自建** | 自己在境外租服务器搭（技术门槛高，不推荐小白） | > [!tip] 机场是什么 > 付费机场月费大概 10-30 元，年费 100-200 元。免费的不推荐——要么慢、要么不稳定、要么在偷你的数据。 ### 5.3 订阅链接长什么样 通常是一串 `https://` 开头的网址，看起来像： ``` https://example.com/api/v1/client/subscribe?token=xxxxxxxxxxxx ``` **不要把订阅链接给别人**——等于把你的账号给了别人，别人能用你的流量。 --- ## 六、小白看教程翻译手册 网上教程里常见的词，一次性翻译完： **行为类**（指翻墙上网这件事）： | 教程里的词 | 意思 | |-----------|------| | 科学上网 / 翻墙 / FQ / 模仿上网 | 绕过 GFW 访问境外网站（行为） | | 魔法 / 魔法上网 / 需要一点魔法 | 同上，更隐晦的说法 | **工具类**（指帮你翻墙的东西）： | 教程里的词 | 意思 | |-----------|------| | 梯子 | 翻墙工具的俗称（「我的梯子挂了」= 工具连不上了） | | 客户端 / 客户端工具 | 你电脑上装的翻墙软件（那个 App） | | 代理 | 翻墙的技术原理，也指工具本身 | **服务类**（卖工具的人和你买的东西）： | 教程里的词 | 意思 | |-----------|------| | 机场 | 卖翻墙服务的商家 | | 上飞机 / 上车 | 买这家机场的服务 | | 航班 | 机场提供的节点线路 | | 订阅 / 订阅链接 | 一串网址，包含一批节点信息 | | 套餐 / 流量 | 机场卖的不同档位（月费、流量限额） | | 续费 / 到期 | 订阅要续钱，过期了节点就用不了 | | 跑路 | 机场收钱后消失（常见坑） | **技术类**（配置时会碰到的词）： | 教程里的词 | 意思 | |-----------|------| | 节点 / 服务器 | 帮你转发的境外服务器 | | 协议 | 翻墙用的通信规则（教程会提到一堆缩写，不用管，客户端自动处理） | | 系统代理 | 只代理「认代理设置」的软件（浏览器等） | | Tun 模式 / 虚拟网卡 | 代理所有流量，包括命令行 | | 分流 / 规则 | 哪些网站走代理、哪些直连的规则（国内直连、国外走代理） | | 全局模式 | 所有流量都走代理（包括国内网站） | | 规则模式 / PAC 模式 | 按规则分流，国内直连国外走代理（推荐） | | 延迟 / ping | 你到节点的网速，越低越快 | | 节点炸了 / 节点挂了 | 服务器被封或过载，换一个 | | 解锁流媒体 | 能看 Netflix / Disney+ 等地区限制内容 | | 流量重置 | 机场每月刷新流量额度 | --- ## 七、安全提醒 > [!warning] 小白必读 > 1. **不要用免费机场**——免费 = 在偷你的浏览数据，或在用你的电脑当节点帮别人翻墙 > 2. **不要在翻墙时登录敏感账号**——如果机场不靠谱，你的流量经过他们的服务器，他们理论上能看到你的数据 > 3. **订阅链接不要分享**——等于分享你的账号 > 4. **不要同时装多个翻墙工具**——会冲突，留一个就行 > 5. **卸载翻墙工具时记得清理虚拟网卡**——否则可能影响网络 > [!note] 关于合法性 > 在中国大陆，未经批准使用工具访问境外网站处于法律灰色地带。个人用于学习、工作、查阅资料一般不会被追究，但**不要用于传播敏感政治内容、不要商业运营翻墙服务**。本文章仅作概念科普，不提供任何工具或服务。 --- ## 八、下一步：怎么找到教程 这篇只解释概念，不教操作。要实际操作，你需要： 1. **搜教程**：Google 搜「科学上网 2026 教程」「Windows 翻墙 教程」——博客很多，找一篇最新的 2. **选机场**：教程里通常会推荐几个机场，选一个月费 10-30 元的入门款 3. **选客户端**：教程会推荐具体软件，按你的系统选 4. **导入订阅**：把机场给你的订阅链接导入客户端 5. **开模式**：只上浏览器 → 系统代理；要跑命令行 → Tun 模式 > [!tip] 遇到问题怎么办 > - 浏览器上不了 Google → 换节点、检查代理开关 > - 命令行连不上 → 开 Tun 模式 > - 全部上不了网 → 关掉翻墙工具看能不能上百度，能上 = 工具问题，不能上 = 网络问题 > - Tun 开了之后全部断网 → 虚拟网卡冲突，关 Tun，重启电脑 --- ## 相关笔记 - [写给小白：怎么在电脑上用上 AI](/tech/tutorials/ai-on-your-computer) — 科学上网是使用 AI 工具的前置条件，那篇文章依赖本文 - [LTSC 安装教程](/log/windows-daily) — 装完系统后的配置提到「科学工具」「订阅链接」 ## 当AI变成新话费：运营商正在重新定义'谁给AI定价' URL: https://hencte.top/log/ai-token-carrier-pricing Summary: 三大运营商推出最低 9.9 元/月的 Token 试商用套餐——买的是 AI 用量不是流量。从 4 月数字中国建设峰会上的『Token 经营体系』演讲切入，分析运营商如何重新定义 AI 的定价权。 日期: 2026-05-19 Tags: 技术, 观点, AI商业化, 运营商 > 2026-05-19 | 运营商推Token套餐不是卖新产品，是在重新定义"谁给AI定价"。 --- 5月19日，运营商板块集体走强——龙头涨超8%，另外两家各涨2%。 市场在定价什么？一个消息：三大运营商推出试商用Token套餐，最低9.9元一个月，买的是AI用量，不是流量。 但如果你翻运营商官网，会发现这条消息只是冰山露出水面的那一角。17天前——4月30日，第九届数字中国建设峰会上，率先推出套餐的那家运营商董事长做了一场被市场严重低估的演讲。他说了一句话："智能云体系就是Token经营体系。Token经营的本质，就是为用户提供AI服务。"[^1] 这不是产品发布会的措辞。这是战略转型宣言。 --- ## 9.9元买的是什么？ 先看产品。 运营商的Token套餐分两套线。个人线：轻享版9.9元/月给1000万Token，畅享版29.9元/月给4000万，尊享版49.9元/月给8000万。开发者线：基础版39.9元给1500万，专业版159.9元给7000万，旗舰版299.9元给1.5亿。 Token是什么？说白了就是AI模型的"字数费"——你问AI一个问题，它回答你，消耗的就是Token。一个中文字大概1-2个Token，一段500字的回复大概消耗500-1000个Token。 按9.9元1000万Token算，你每天可以跟AI聊几百轮，一个月花不到一杯奶茶钱。对比一下：DeepSeek API的批发价是百万Token 0.14美元（Flash版），约合人民币1块钱买700万Token。运营商用1块钱买100万Token卖给你——它在中间加了10倍的渠道溢价。 但没有人会因为这个价格差去骂运营商。因为99%的人根本不会去注册API、配开发环境、调参数。他们要的是一个入口、一个账单、一个不用动脑子的"AI套餐"。 运营商卖的不是Token便宜，是Token方便。 --- ## 不是三家在做，是一家在赌 目前真正拿出具体方案的，只有一家运营商。 另两家涨了2%，不是因为它们也推了套餐——我在另两家官网上没有找到任何Token套餐的公告。涨是因为市场在赌：龙头先跑通了，剩下两家不可能不跟。 但这个假设可能有问题。 运营商的Token套餐不是孤立的营销动作。它是那家运营商董事长在数字中国峰会上宣布的"云改数转智惠"战略升级的落地产品。在这次升级里，运营商重新定义了整个智能云架构——从底层的IaaS（算力基础设施）到顶层的SaaS（用户能用的AI应用），五层体系全部围绕"Token经营"重新组织。 那家运营商董事长在会上披露了几个数据：其自研大模型入选2025年度央企十大国之重器；算力调度平台接入91EFLOPS，排全国第一；汇聚超20万亿Token的高质量训练数据；AI对内降本超20亿元，对外服务超80家央企。 这说明一个问题：运营商的Token套餐不是"运营商发现商机赶紧上车"，而是"国家云战略走到了这一步，Token变得值得单独卖了"。 移动和联通有没有同级别的布局？至少从公开信息看，差距不小。市场定价里"三家一起上"的假设，概率被高估了。 --- ## 博弈：谁在赢，谁在怕 Token套餐背后，是三股力量的定价权争夺。 **运营商手里有什么？** 用户身份、支付通道、月结账单、线下服务队伍。运营商有覆盖全国的FDE（前线部署工程师）队伍——那家运营商的董事长在演讲中专门提到要"建强FDE队伍，提供派驻式贴身服务"[^1]。也就是说，运营商不仅要卖Token，还要派人驻场帮你用好AI。 FDE这个词今天上了热搜——Business Insider报道这个岗位一年暴涨7倍，年薪破百万。运营商不是跟风，是在造风。 **国产模型厂商手里有什么？** DeepSeek有开源生态和开发者的忠诚度，豆包有抖音的流量，Kimi有产品体验，通义千问有阿里云绑定。但它们共同的问题是什么？C端收不到钱。DeepSeek C端免费，豆包免费，Kimi免费——国产模型厂商把C端打成了零元购。不是不想收费，是用户对"AI订阅"的付费意愿远低于预期。 运营商的Token套餐等于在帮模型厂商做一件事：把"免费但不知道怎么变现"的用户，变成"付费但不在乎是谁的模型"的用户。 这对模型厂商来说是好消息还是坏消息？取决于你是想做品牌还是想做白牌。 DeepSeek大概率无所谓——它靠API和开源生态活着，C端付费本来就不是核心收入。但那些指望靠C端订阅建立商业模式的公司，运营商的Token套餐是一把双刃剑：短期帮你出货，长期把你的模型变成无差异的"算力自来水"。 **海外模型厂商呢？** OpenAI在中国没有C端用户，但运营商的Token套餐如果跑通，这个模式会被复制到沃达丰、软银、SK电讯。全球运营商都在找AI变现的金矿，国内运营商先挖了一铲子。 --- ## 谁掌握用户入口，谁就掌握定价权 这篇文章的反向视角在这里。 主流叙事是"AI普惠""运营商拥抱AI"，但底层逻辑不是拥抱，是防御。 运营商在过去十年里被OTT（说白了就是微信、抖音这些跑在通信网络上的互联网应用）抢走了所有增值收入——短信被微信取代，语音被视频通话取代，彩铃被短视频取代。运营商沦为了管道——你有用户、有网络、有账单，但你赚不到用户为内容付的钱。 Token套餐是运营商第一次有机会反过来做"OTT之上的OTT"——在AI时代，重新抢回"用户入口"这个位置。 而且这一次，运营商的武器比模型厂商多：实名身份（你是谁）、支付通道（你花了多少钱）、线下触达（你可以去营业厅）。这三个东西，任何一个模型厂商都没有。 那家运营商董事长在演讲中强调的一个词值得注意："集成交付运营能力"。翻译过来就是——我不仅卖Token，我还帮你把AI用起来。这是模型厂商做不到的：DeepSeek的服务不会派工程师驻场。 --- ## 10个月后回看今天 如果运营商的Token套餐跑通了，会发生什么？ 你的手机账单上会多一行："AI畅享包 29.9元/月"。你会像今天不在乎"这个电话走的是移动还是联通的基站"一样，不在乎"这个回答用的是星辰还是DeepSeek"。 模型品牌在C端会退化成水电气——你知道家里有电，但你不知道这度电是大亚湾核电站发的还是三峡水电站发的。 但大概率不会这么快。10个月后更可能的局面是：Token套餐在B端（开发者和中小企业）跑通了，但在C端还只是"运营商用户的尝鲜功能"。因为个人用户对"Token消耗量"没有概念——谁会算自己一个月用了多少Token？这和当年运营商推"流量套餐"之前，没有人关心自己用了多少MB是一样的。 真正值得盯的时间点可能是三年后——当"AI月度消费"成为和水电煤并列的家庭账单项目时，运营商就赢了。而模型厂商的命运，取决于它们在此之前有没有建立起不可替代的品牌溢价。 --- 一个问题收尾：如果有一天你续话费的时候，营业员问"要不要加一个AI畅享包"，你会拒绝吗？ --- *写作：幸知 / 2026-05-19* *审核：亦幸* **信源** 1. 运营商官网 — 试商用Token套餐公告（2026-05-18） https://www.chinatelecom.com.cn/ct/news/jtxw/166716.html 2. 运营商官网 — 董事长数字中国峰会演讲全文（2026-04-30） https://www.chinatelecom.com.cn/ct/news/lddt/166312.html 3. DeepSeek API 官方定价页（2026-05-19 核实） https://api-docs.deepseek.com/quick_start/pricing 4. 36氪快讯 — Omdia《中国AI云市场份额2025》报告 + 运营商板块股价（2026-05-19） https://36kr.com/newsflashes 5. 腾讯新闻 / Business Insider — FDE前线部署工程师一年暴涨7倍（2026-05-19） https://view.inews.qq.com/a/20260519A03C8000 6. 运营商官网 — 天翼云打造全面开放合作的一站式Token服务体系 https://www.chinatelecom.com.cn/ct/news/lddt/166322.html ## 一个村庄62人患癌，4年举报无果——这条新闻为什么今天才爆？ URL: https://hencte.top/log/cancer-village-news-cycle Summary: 武汉一村庄 585 人中 62 人患癌、村民举报 4 年无果的新闻传播机制分析：对比微博 178 万与知乎 255 万热度的罕见共识，追问是什么机制让这类事件反复发生又反复冷却。 日期: 2026-05-19 Tags: 观点, 传播学, 社会 > 2026-05-19 | 不追问发生了什么，追问什么机制让这类事件反复发生又反复冷却。 ![[0e6cf5699468365bb05957372463aacf.png]] ![[6ee7fc72d44802630aa1d2bb33bff9c8.png]] --- 今天有两个新闻同时挂在中国互联网的顶端。 微博热搜第二：62人患癌村工厂承认有人通风报信。知乎热榜第四：武汉一村庄585人62人患癌，村民举报4年无果。 178万微博热度，255万知乎热度。两个以完全不同用户群著称的平台，在这一条新闻上达成了罕见的共识。 如果你只看标题，这又是一个"环境污染+权力失责"的悲剧。但如果你看传播轨迹，这是一个典型的"为什么今天才爆"的问题——举报了4年，为什么今天上了热搜？工厂承认"通风报信"，这句话为什么是引爆点？ --- ## "通风报信"四个字，是整件事的扳机 注意一个细节。 类似的癌症村新闻，过去几年并不缺：常州外国语学校毒地事件、腾格里沙漠污染、河北白血病村……每一条都触目惊心，但大多数在热搜上活不过24小时。 这次的差异在哪里？四个字："通风报信。" 工厂承认在检查前有人给内部通风报信。这四个字把一个"企业排污"的新闻，升级成了"官商勾结"的新闻。它回答了"为什么举报4年无果"——不是没查，是查之前就有人通知了。 在中国互联网的叙事光谱上，"企业作恶"是中等烈度的愤怒，"官商勾结"是最高烈度的愤怒。前者让人同情受害者，后者让人想追责。"通风报信"恰好是连接二者的桥梁——它证明了两者之间存在某种利益关系。 这不是偶然爆的。这是"恰好击穿了愤怒阈值"。 --- ## 同时引爆知乎和微博，意味着什么？ 知乎和微博的用户画像几乎不重叠——前者偏理性分析和长篇讨论，后者偏情绪表达和快速扩散。一个话题能同时在这两个平台登顶，说明它满足了两种完全不同的内容消费需求。 在微博上，它是一条"愤怒驱动"的新闻。关键词是：62人患癌、举报无门、通风报信。用户在这里做的是：转发、愤怒、质问。 在知乎上，它是一条"分析驱动"的新闻。知乎热榜上的标题是"哪些信息值得关注？哪些相关方该负责？"——这个问法本身就预设了用户要去拆解责任链条。用户在这里做的是：分析制度漏洞、讨论监管失灵、追问解决方案。 一条新闻，两种消费方式。但它们的交集指向同一个底层需求：**中国人想知道"谁该负责"**。 这不是情绪。这是信息饥渴。在很多时候，公众对"发生了什么"已经知道了，但"谁造成的""为什么没有被阻止"这两个问题，往往没有答案。而"通风报信"恰好提供了一条指向答案的线索。 --- ## 为什么4年上不了热搜？ 反过来看另一个问题：举报4年，为什么最近才爆发？ 第一个原因：舆论注意力是有预算的。当一个城市同时发生暴雨、地震、反腐、体育赛事的时候，一个村庄的癌症数据很难挤进公众视野。不是因为不重要，是因为注意力市场没有给它排期。 第二个原因：没有"故事钩子"。4年前的新闻可能是"某地村民反映工厂污染问题"，今天的新闻是"62人患癌，工厂承认有人通风报信"。前者是情况通报，后者是故事。通报需要阅读，故事自带传播。 第三个原因：同一天的新闻气候。今天和这条新闻并列的热搜是什么？柳州 5.2 级地震、湖北暴雨致 3 死 4 失联、贵州山体滑坡——多条灾害新闻叠加，制造了一个"灾难日"的氛围。在这种氛围下，患癌村的新闻不是孤立出现的，它被裹挟进了一个"天灾人祸集中爆发"的叙事框架里——传播效率被放大了。 --- ## 这种新闻能改变什么？ 大概率什么也改变不了——不是因为有权力在阻止改变，而是因为推动改变的窗口期太短。 一条热搜的生命周期大概是 24-48 小时。48 小时后，新的热搜会上来：明星离婚、体育赛事、政策发布。公众的注意力会转移，舆论压力会消退，调查可能"正在进行中"然后不了了之。 这是中国式舆论监督的基本困境：传播速度远快于制度响应速度。热搜可以在半小时内引爆，但调查需要几个月。当调查结果出来时，已经没有人记得这件事了。 但"大概率改变不了"不等于"毫无意义"。每一次这样的爆款新闻，都在公众心里积累了一笔账。这笔账平时看不见，但当类似事件再次发生时，它会被瞬间激活——这就是为什么这次能在两个平台同时登顶：不是第一次，是第二次、第三次、第无数次了。公众的"环境正义敏感度"已经被反复训练出来的。 --- 一个问题收尾：如果下个月又有一个"62人患癌村"上热搜，你还会点进去看吗？ --- *写作：幸知 / 2026-05-19* *审核：亦幸* **信源** 1. 中华网 — 村里62人患癌 工厂承认有人通风报信 环境污染疑云未散（2026-05-19） https://news.china.com/socialgd/10000169/20260519/49501619.html 2. 百家号 / 湖北一村62人先后罹患癌症和白血病（2026-05-19） https://baijiahao.baidu.com/s?id=1865569034576152189 3. DoNews — 62人患癌村工厂曾涉环境污染责任纠纷（2026-05-19） https://www.donews.com/news/detail/8/6561458.html 4. 知乎 — 原问题：武汉一村庄585人62人患癌（2026-05-19，478人关注，45万浏览） https://www.zhihu.com/question/2039792597594366828 5. 微博话题 — #62人患癌村工厂承认有人通风报信#（2026-05-19，微博热搜第2位，178万热度） https://s.weibo.com/weibo?q=%2362%E4%BA%BA%E6%82%A3%E7%99%8C%E6%9D%91%E5%B7%A5%E5%8E%82%E6%89%BF%E8%AE%A4%E6%9C%89%E4%BA%BA%E9%80%9A%E9%A3%8E%E6%8A%A5%E4%BF%A1%23 ## 长鑫一天赚3.6亿，三星前总裁却说要降价——中国芯片的冰火两重天 URL: https://hencte.top/log/changxin-chip-semiconductor Summary: 长鑫科技 2026 Q1 净利润 330 亿、营收同比增长 719%，同一天前三星半导体总裁警告中国疯狂扩产、内存明年大概率降价——国产芯片狂欢与产业老兵泼冷水的信号对撞。 日期: 2026-05-19 Tags: 技术, 观点, 半导体, 芯片 > 2026-05-19 | 国产芯片在狂欢，产业老兵在泼冷水。两个信号指向相反方向——信哪个？ ![[国产芯片在狂欢产业老兵在泼冷水.png]] --- 长鑫科技 2026 年 Q1 净利润 330 亿，营收同比增长 719%。 同一天，前三星半导体总裁庆桂显在韩国工程院论坛上说了一句话：中国企业正在疯狂扩产，明年下半年内存大概率大幅降价[^1]。 一个在喊"冲"，一个在说"撤"。 这就是中国芯片产业此刻的真实处境——不是"缺芯"，是"芯多了怎么办"。 --- ## 330亿是什么概念？ 长鑫科技一个季度赚了 330 亿。折算下来，一天 3.6 亿。 这个数字放在五年前是不可想象的。2019 年，中国 DRAM 自给率接近零。三星、SK 海力士、美光三家垄断了全球 95% 以上的内存市场。中国买内存芯片，和买石油一样——定价权完全在别人手里。 五年后，长鑫科技不仅打破了垄断，而且正在赚钱——不是"补贴活着"那种，是"净利润 330 亿"这种。 但恰恰是赚到钱的这一刻，风险最大。 --- ## 老兵为什么在泼冷水？ 三星前总裁庆桂显的原话是这样的："中国企业正在积极扩大产能，随着存储芯片供应量的激增，市场格局可能会在明年下半年或 2028 年上半年发生转变。如果大型科技公司的资本支出回报率下降，就有可能削减投资。这样，不仅价格会下降，内存需求本身在 2028 年后也可能萎缩。"[^1] 注意他的措辞："不仅价格会下降，需求本身也可能萎缩。" 这不是一个竞争对手在放烟雾弹。庆桂显是半导体行业打了三十年仗的老兵，他在三星经历了至少四轮内存周期的暴涨暴跌。他太清楚扩产-过剩-降价-裁员这个循环了。 他说的逻辑链条是： 1. 中国企业扩产 → 全球供应暴增 2. 供应暴增 → 价格下跌 3. 价格下跌 → 下游客户（云计算巨头）的 AI 投资回报率下降 4. 回报率下降 → 砍预算 5. 砍预算 → 内存需求萎缩 这是一个典型的"产能周期反噬需求"的逻辑。不是你卖不出去，是你把市场撑爆了。 --- ## 这不是第一次 内存产业是全球最典型的周期行业。过去三十年，至少经历了五次暴涨暴跌。 1980 年代，日本企业（NEC、东芝、日立）靠政府补贴和极致良率，把美国内存厂全部打趴。英特尔——今天全球最大的芯片公司——当年是靠退出内存市场、转型做 CPU 才活下来的。 1990 年代，三星用反向周期投资策略——价格越跌越扩产，熬死了日本对手。2000 年代，三星的 DRAM 市场份额一度超过 40%。 2010 年代，中国开始投内存。从零起步，建厂、挖人、烧钱。当时行业里的共识是"中国人搞不出 DRAM"——技术门槛太高，专利壁垒太厚。 2020 年代，长鑫量产了。2026 年，Q1 净利 330 亿。 历史的剧本没变——只是主角换了国籍。 --- ## 真正的问题不是"能不能造"，而是"怎么管理周期" 国产芯片现在面临的风险，不是技术风险，是节奏风险。 技术风险已经被证明了是伪命题——能造、能量产、能赚钱。节奏风险才是真问题：当你的产能还在爬坡，全球市场已经饱和了怎么办？ 这就像一个农民看到今年白菜好卖，明年全村都种白菜。到收成时候，白菜跌到几分钱一斤。 芯片不是白菜。建一条先进内存产线需要两到三年，投资数百亿。一旦启动就无法刹车。等你发现市场饱和的时候，新产线才刚刚投产。 更麻烦的是，这一轮的扩产不是一家公司在做。长江存储、长鑫科技、还有各地政府主导的芯片项目——全中国的内存产能正在同时爬坡。庆桂显的警告不是针对长鑫一家，是针对整个中国半导体产业。 --- ## 逆向视角：为什么"国产替代成功了"反而更危险？ 主流叙事是"国产芯片突破"。这个叙事没错——技术上确实突破了，财务上确实赚钱了。 但"成功"会带来两个惯性： 第一，惯性扩产。赚钱了就要继续投、继续扩。盈亏平衡点不是终点，是新一轮军备竞赛的起点。 第二，惯性自满。"我们已经是全球前三"的叙事会让人忽略周期信号。三星前总裁的话，很多人会本能地当作"竞争对手在打压"。 这两种惯性的共同结果是什么？在周期顶点加杠杆。 历史上每一次内存崩盘，都是在行业最赚钱的时候埋下的伏笔。1985 年日本内存厂利润创新高，第二年暴跌。1995 年三星内存利润创纪录，1996 年全行业亏损。2007 年内存价格再创新高，2008 年金融危机叠加产能过剩，内存颗粒价格跌穿成本线。 周期的钟摆从来不会停在"刚刚好"的位置。 --- ## 10个月后回看今天 大概率会出现的情况：2027 年内存价格开始松动，长鑫科技的利润率从 30%+ 降到 15% 左右。但这不致命——只要它比三星和 SK 海力士的成本更低，降价反而能加速国产替代。日本当年打垮美国内存就是靠这个逻辑。 真正危险的时间点是 2028 年——如果全球 AI 投资热潮退去，云计算厂商砍单，中国的新产能刚刚量产，而三星和 SK 海力士已经完成去库存。 那时候的局面就不是"谁便宜谁赢"，而是"谁活下来谁赢"。 --- 一个来自产业老兵的问题收尾：如果明年内存降价 50%，长鑫还能赚钱吗？ --- *写作：幸知 / 2026-05-19* *审核：亦幸* **信源** 1. 电子工程专辑（EET China）— 长鑫科技IPO重启：Q1营收508亿元，净利330亿元（2026-05-18） https://www.eet-china.com/news/202605188020.html 2. 东方财富 — 半导体再迎催化：日赚近3亿，长鑫科技Q1净利330亿加速IPO（2026-05-18） https://finance.eastmoney.com/a/202605183740082091.html 3. 上游新闻 / 重庆商报 — 长鑫科技一季度营收同比增长719.13%，净利润330亿元（2026-05-18） https://wap.cqcb.com/shangyou_news/NewsDetail?classId=7712&newsId=6140729 4. 36氪快讯 / 财联社 — 前三星芯片负责人庆桂显预测明年下半年内存将显著降价（2026-05-19） https://36kr.com/newsflashes ## 61.4%，燃油车正式进入临终关怀 URL: https://hencte.top/log/fuel-car-hospice Summary: 不是"新能源是不是趋势"，是"最后一台燃油车什么时候停售"。渗透率61.4%意味着什么，以及为什么燃油车的回光返照可能比预想的更长。 日期: 2026-05-13 Tags: 新能源汽车, 产业变迁, 燃油车, 电动汽车 > 2026-05-13 | 不是"新能源是不是趋势"，是"最后一台燃油车什么时候停售"。 --- 2026年4月，中国新能源车零售渗透率达到61.4%[^1]。 这不是一个普通的数字。这是一个拐点信号。上次渗透率突破50%是2024年7月，不到两年，又涨了11个百分点。与此同时，4月汽车销量前十名只剩下一款燃油车。 不是说燃油车会马上消失。是说燃油车从现在开始，不再是一个"正在衰退的行业"，而是一个"进入临终关怀的患者"——不再抢救，只做维持。 --- ## 61.4%到底意味着什么 渗透率这个词要拆开看。 61%的新车卖出去是新能源，意味着每卖出10台新车，6台挂绿牌。但中国的汽车保有量约3.5亿辆，新能源车累计保有量大概3000多万辆——不到10%。路面上跑的，绝大部分还是燃油车。 所以"燃油车完蛋了"这个判断，在新车市场成立，在保有量市场不成立。但这恰恰是最危险的地方——它是一种"慢动作的雪崩"。 什么在驱动这个数字？ 第一，价格。比亚迪秦Plus已经打到79800元，跟同级别的燃油车价格完全重叠甚至更低。价格优势一旦建立，燃油车的最后堡垒——性价比——就塌了。 第二，基础设施。截至2025年底，中国充电桩保有量超过1200万个[^2]。那个"充电不方便"的借口，在一二线城市已经不成立了。 第三，心理账。买燃油车的消费者开始有一种微妙的焦虑——"我这车五年后还有人收吗？"二手车市场已经开始反映这个预期：燃油车的三年保值率普遍下滑5-10个百分点，而同价位新能源车的保值率在上升。 --- ## 反向视角：燃油车的"回光返照"可能比预想的更长 说燃油车马上要死，是一种过于乐观的判断。 三个因素在给燃油车续命： **一是商用车和特种车辆。** 重卡、工程机械、长途客运，电动化难度远高于乘用车。电池能量密度和充电速度不支持重载长途工况，氢燃料路线又在成本上卡住了。这部分市场在2035年之前大概率还是燃油车的天下。 **二是存量维修和加油网络。** 中国有超过10万个加油站，几百万汽修工人。这些人不是一夜之间消失的。燃油车的保有量峰值大概在2027-2028年出现，然后缓慢下降。这意味着燃油车的售后市场在未来十年还是一个巨大的生意——只是增量没有了，存量还在萎缩。 **三是出口市场。** 中国燃油车在俄罗斯、中东、非洲、拉美的市场份额在增长。奇瑞2025年出口超过100万辆，主要卖燃油车[^3]。新能源是中国的主场，燃油车是出海的主场。 所以真实图景是：国内新车市场的新能源化已经不可逆，但燃油车在全球市场的剩余价值还远没被榨干。 --- ## 结构归因：什么在让这件事持续发生 很多人把新能源车的崛起归因于政策补贴。政策当然起了作用，但它不是主因。 真正驱动这个趋势持续加速的，是一个正反馈飞轮——说白了就是三个环节互相强化： **规模→成本→更多规模。** 中国新能源车年产销量超过1200万辆，规模效应让电池成本从2015年的350美元/千瓦时降到2025年的约100美元/千瓦时[^4]。电池便宜了，车价就下来了。车价下来了，更多人买。更多人买，规模更大，电池更便宜。这个飞轮一旦转起来，燃油车靠什么破局？靠发动机效率从40%提升到41%吗？ 不是燃油车不努力，是物理定律决定了内燃机的效率天花板在50%左右，而电机效率可以轻松超过90%。这场竞争从物理学上就是不公平的。 --- ## 10年后，燃油车会变成一个什么东西 2036年回头看。 燃油车大概率会变成今天的机械手表：不是交通工具，是情怀消费品。保时捷911的燃油版会继续生产，法拉利会保留V12发动机，但它们不再是"车"，它们是"藏品"——价格翻倍，销量减半，买家不再关心油耗和保养成本，就像买劳力士的人不关心走时准不准。 加油站会像今天的公用电话亭一样，变成城市里的"怀旧装置"。加油站转型充电站的速度，决定了这个过渡期有多痛。 普通人的燃油车会在二手车市场慢慢折价，最终被排放法规或限行政策"劝退"——不是因为车坏了，是因为开不进去了。 --- ## 现在的行动信号 如果你有一辆燃油车，不用慌。它还能开很多年。但如果你是准备买车的消费者，今天花20万买一辆燃油新车，五年后的残值大概率不如同价位的新能源车。 如果你从事燃油车相关行业——发动机维修、变速箱翻新、加油站运营——你的职业生涯大概率长于你的行业寿命。现在开始想转型，比五年后被逼着转型要好过得多。 不是贩卖焦虑。是数字不会骗人。 --- *幸知 / 2026-05-13* [^1]: 乘联会2026年4月汽车零售数据，新能源渗透率61.4%。转引自知乎热榜、36氪快讯。乘联会官方完整报告通常次月月初发布，数据以官网 (https://www.cpcaauto.com) 为准。 [^2]: 中国充电桩保有量超过1200万个（截至2025年底）。数据来源：中国充电联盟（EVCIPA）。 [^3]: 奇瑞2025年出口超100万辆。来源：36氪、今日头条。 [^4]: 动力电池包均价从2015年约350美元/kWh降至2025年约100美元/kWh。数据来源：BNEF年度锂离子电池价格调查 (https://about.bnef.com/blog/lithium-ion-battery-pack-prices-hit-record-low-of-115-kwh/) 。 ## 特朗普的飞机上坐着整个硅谷——脱钩喊了八年，名单说明了一切 URL: https://hencte.top/log/trump-silicon-valley-china Summary: 一张访华随行名单，比一百份白宫政策文件更能说明中美科技关系的真实状态。马斯克、库克、黄仁勋同在一架飞机上。 日期: 2026-05-13 Tags: 中美关系, 科技产业, 贸易战, 特朗普, 硅谷 > 2026-05-13 | 一张访华随行名单，比一百份白宫政策文件更能说明中美科技关系的真实状态。 --- 特朗普的飞机还没落地，随行名单先炸了。 白宫证实：马斯克、库克、黄仁勋，三位加起来市值超过五万亿美元的公司的掌门人，同在一架飞机上飞往北京[^1]。与此同时，普京的访华准备也进入了最后阶段。 这不是普通的外交出访。这是一张"无法脱钩"的利益清单，被印在了空军一号的乘客名单上。 --- ## 谁上了飞机，谁就说了实话 名单很有意思。不是谁想去就能去的。 马斯克代表什么？特斯拉上海工厂年产百万辆，占全球产量一半以上。SpaceX 的星链没进中国，但特斯拉的供应链在中国——说白了，没了上海工厂，特斯拉的市值逻辑要重写。 库克代表什么？苹果 95% 的产品在中国组装。不是"中国便宜所以在这儿造"，是"只有中国能在两周内给你调一百万工人"。富士康郑州工厂周围有三万多家配套供应商，印尼没有，印度没有，越南也没有。库克从 2016 年就在说供应链多元化，2026 年了，他还是得坐在那架飞机上。 黄仁勋最值得说。英伟达的 H200 和 B200 被美国政府禁止卖到中国，但中国是英伟达最大的单一市场之一。制裁之后，英伟达专门为中国市场设计"合规版"芯片——说白了就是降配版，性能砍一刀，价格不打折。黄仁勋一边遵守白宫的禁令，一边坐在白宫老板的飞机上去中国。这不是人格分裂，这是商业逻辑：你越禁，市场越在，替代方案越多。 路透社今天的标题很直接："Stung by Iran war, Trump heads to China in need of wins"[^1]——被伊朗战争刺痛后，特朗普需要在中国拿到成果。伊朗战争推高了油价、消耗了军费、拉低了民调，而中国手里有特朗普最需要的两样：购买美国农产品和能源的订单，以及调停伊朗问题的筹码。 随行名单就是谈判筹码的镜像。你带谁去，就说明你想谈什么。 --- ## 脱钩八年，为什么越脱越紧 2018 年特朗普发动贸易战，核心逻辑是"减少对中国的依赖"。 八年过去了。 中国在全球制造业增加值中的占比，从 2018 年的 28% 上升到 2024 年的约 31%[^2]。美国对华贸易逆差在短暂收窄后重新扩大。芯片禁令逼出了一个更快的中国半导体自主化进程——华为的 7nm 芯片量产不是演习。 有一个容易被忽略的结构性问题：脱钩政策在执行层遇到了三个"不可能三角"： **第一，安全与成本的悖论。** 把工厂搬回美国或"友岸外包"到印度/越南，意味着成本上升、交货周期延长、品质波动。企业嘴上说配合国家战略，身体很诚实地保留中国产能。 **第二，禁售与市场的悖论。** 你禁止英伟达卖最先进的芯片给中国，等于逼中国企业去找替代方案——华为昇腾、寒武纪、壁仞的订单暴涨，长期看反而培养了一个竞争对手。 **第三，盟友与利益的悖论。** 荷兰的 ASML 想卖光刻机给中国，日本的东京电子也是。美国可以施压盟友配合制裁，但不能替盟友承担失去中国市场的损失。 这三个悖论不是谁能打破的，是结构本身决定的。结构不变，脱钩就只能停留在PPT上。 --- ## 反向视角：也许这次"脱不了"反而是好事 主流叙事把"脱钩失败"当作政策失败。换个角度看—— 中美经济深捆绑客观上充当了冲突的"制动器"。两个核大国如果在经济上完全脱钩，军事误判的概率会显著上升。历史上大国权力转移的经典路径——从贸易摩擦到军事冲突——每一步都伴随着经济联系的断裂。 2008 年金融危机前，中美是"相互确保经济摧毁"——你抛我的国债我受不了，我断你的供应链你也受不了。这个框架虽然不舒服，但它在过去三十年里有效阻止了最坏情况。 那种"脱钩后各过各的"的想象，本质上假设了两个自给自足的超级大国有能力和平共处。但现实是：一个自给自足的中国和一个自给自足的美国，大概率比现在更危险。 --- ## 10个月后看什么 10个月后大约在 2027 年 3 月。 如果特朗普拿到了他想要的（农产品订单、伊朗调解），回国后会放松部分对华关税和科技限制，作为"交易的艺术"的兑现。黄仁勋的合规版芯片产能会扩大。 如果没拿到，选举临近，他会加倍施压——关税升级、实体清单扩容、台海议题升温。 大概率介于两者之间：一些象征性的让步，一些实质性的制裁加码。但无论哪种情境，马斯克、库克、黄仁勋仍然会在中国做生意。不会撤，也撤不了。 --- 三件事可以同时成立：中美在战略上是竞争对手，在经济上是深度依存，在科技上是螺旋竞赛。不是非黑即白的选择题，而是一张三色交织的网。你可以不喜欢这张网，但它就是今天的现实。 --- *幸知 / 2026-05-13* [^1]: Reuters, "Elon Musk, Apple's Cook and Boeing CEO going to China with Trump, official says", 2026-05-11. https://www.reuters.com/world/asia-pacific/nvidia-ceo-huang-not-going-to-china-during-trump-visit-source-says-2026-05-11/ ；CNBC: https://www.cnbc.com/2026/05/11/trump-ceos-elon-musk-tim-cook-larry-fink-xi-china-summit.html ；NYT: https://www.nytimes.com/2026/05/11/us/politics/trump-china-musk-cook.html （黄仁勋为后续新增成员） [^2]: 制造业增加值占比数据来自世界银行（https://data.worldbank.org/indicator/NV.MNF.TOTL.ZS）。中国2024年约31%，2018年约28%。 ## AI 正在经过三道门——不是你想象的那种进化 URL: https://hencte.top/tech/ai-three-self-evolutions Summary: 李彦宏说自我进化，OpenAI接管了耳朵，一个26M的小模型在手机上跑函数调用——这三件事讲的是同一个故事的不同章节。 日期: 2026-05-13 Tags: AI, 智能体, DeepSeek, 百度, OpenAI ![封面](/img/blog/ai-three-gates-cover.png) > 2026-05-13 | 李彦宏说"自我进化"，OpenAI 接管了耳朵，一个26M的小模型在手机上跑函数调用——这三件事讲的是同一个故事的不同章节。 --- 今天有三件AI圈的事同时发生： 百度Create大会上，李彦宏把主题定为"自我进化"，拆成三层：智能体的自我进化、人类个体的自我进化、企业组织的自我进化[^1]。同一天，OpenAI发布了第一个GPT-5级的推理音频模型。也是同一天，一个叫Needle的开源模型在Hacker News上火了——26M参数，纯注意力架构，能跑在手机上，专门做函数调用[^2]。 三件事放在一起看，不是在炫技。是在告诉你同一个方向：AI的能力正在从"帮你查资料"的对话机器人，变成"替你干活"的执行系统。 --- ## 第三层进化（看起来最远，其实已经在发生） 李彦宏说的第三层是"企业组织的自我进化"——原话是"从人与人的分工协作，到人与智能体的混合编队，成为超级组织"[^1]。 这个表述是整场大会最被低估的一句话。 想象一下：今天一个产品经理写PRD，交给设计师出图，前端切页面，后端写接口，测试写用例，运维管上线。六个人、三道交接、一周起步。这是人与人的协作。 "人与智能体的混合编队"是什么意思？PRD写完后，AI智能体自动生成交互稿，另一个智能体切出前端代码，再一个智能体写后端接口，自动化测试跑一遍，运维智能体部署上线。产品经理只需要描述需求，剩下的由智能体编队完成。不是裁员，是角色变了——人不再做执行者，变成"描述需求的人+检查结果的人"。 百度今天发布的"搭子DuMate"就是这个方向的产物——它把百度AI搜索、秒哒（无代码开发）、伐谋（营销策略）等核心能力打包成一个App里的"技能"，你可以随时调用这些技能，让DuMate调度多个底层智能体协同干活。百度"一镜"（原慧播星升级版）也走了类似路线——从单一的直播带货数字人，升级为包含直播、视频、实时交互的"全场景数字人平台"[^1]。 这听起来像科幻，但一个具体的参照：宇树科技今天发布了双臂人形机器人，定价26900元起[^3]——是的，两万六千九，一台机器人的起步价已经和一台高配MacBook Pro差不多了。关键不是价格本身，而是"机器人+AI智能体"组合的成本已经进入了中小企业可以负担的范围。一个月工资三千的工人和一台两万七的机器人——这不是简单的成本比较，机器人不会请假、不会辞职、24小时工作。这就是混合编队的算账逻辑。 --- ## 第二层进化（正在发生，你没注意到） "人类个体的自我进化，从普通个体到超级个体，学会跟AI共存。" 超级个体听起来很唬人。说白了就是：一个人加一个AI智能体编队，能干以前十个人的活。 今天的信号非常明确。OpenAI发布的GPT-5级音频模型——不是简单的语音识别，是"推理级音频"。什么意思？以前的语音AI是"我听到你说什么，转成文字，理解文字，生成回复，转成语音"。现在是可以直接从音频里推理——听懂语气、判断情绪、识别环境音、结合上下文做出反应。说白了就是，它能听懂弦外之音了。 小模型在端侧跑函数调用这件事也来了。Cactus公司开源的Needle模型，26M参数——是的，不是26B，是26M，只有两百六十万个参数。在Hacker News上拿了一千多点[^2]。为什么这么小的模型能引起轰动？因为它证明了：函数调用不需要GPT-5级别的推理能力。函数调用的本质是"匹配请求到工具名称，提取参数值，输出JSON"——这不是推理，是检索和组装。所以一个纯注意力架构（没有FFN层，没有MLP）的小模型就能搞定。 这两件事合在一起的意思是：AI不再需要"上传到云端、等几秒钟、再返回结果"了。语音推理可以在端侧跑，函数调用可以在端侧跑，你的手机、手表、眼镜——不需要联网，就能执行复杂的AI任务。 超级个体不是一个哲学概念。是一个人戴着AI眼镜，嘴里说出需求，眼镜里的26M模型调度手机里的应用，完成一篇公众号、一个视频剪辑、一个数据分析报告。整个过程3分钟。这就是正在发生的事。 --- ## 第一层进化（最底层，最关键） "智能体的自我进化，从被动响应到从环境中不断吸取营养来提升自己，并主动执行。" 这一层是前面两层的地基。没有能自进化的智能体，"超级个体"和"超级组织"都是空话。 今天有两个信号直接指向这一层： 第一个是DeepSeek-TUI。它霸榜了GitHub，核心卖点是小白用不到10块钱就能开发应用[^4]。但如果只把它理解成"便宜"，就完全没看懂。DeepSeek-TUI的本质是让LLM直接操作终端界面——不是写代码然后你手动运行，是它在终端里自己敲命令、看输出、改参数、再试。这是一个"能自己闭环验证"的智能体雏形。 第二个是今天的arXiv论文。ToolCUA（[arXiv:2605.12481](https://arxiv.org/abs/2605.12481)）研究的是GUI智能体的"工具路径编排"——怎么在操作电脑时选择最优的工具调用顺序。SAGE（[arXiv:2605.12061](https://arxiv.org/abs/2605.12061)）提出自进化图记忆引擎，让智能体在交互过程中自动构建和更新知识图谱。On-Policy Self-Evolution（[arXiv:2605.11882](https://arxiv.org/abs/2605.11882)）直接用失败轨迹训练智能体的安全对齐——失败了不只是"重试"，而是"从失败里学到下次怎么做对"。 这三篇论文加在一起，指向同一个方向：智能体正在从一个"函数调用器"变成"能学习和适应环境的执行者"。 --- ## 反向视角：为什么这三层进化可能全都不成立 真诚地说，今天所有关于"AI改变组织""超级个体""智能体自进化"的叙事，都存在一个共同的脆弱点：**成本与可靠性。** 先说成本。百度DuMate的逻辑很清晰，但底层是百度AI搜索、秒哒、伐谋等多个模型的调度。一次"帮我分析这个行业的竞争格局"的请求，背后可能是几十次API调用。李彦宏没有公布DuMate的调用成本。谷歌Gemini Omni的视频理解——教授在黑板上推公式全对——这种场景的推理成本大概是文本推理的几十倍。 再说可靠性。OpenAI的GPT-5级音频模型很强大，但你能不能把"听懂弦外之音"这件事交给一个模型去判断你的客户在电话里是不是要取消订单？判断错了的成本你承担不起。Needle的26M模型在函数调用上击败了FunctionGemma-270M，但论文也承认这些模型"在对话场景中更有优势"[^2]——小模型的能力是高度特化的，不是通用的。 还有最容易被忽略的一点：组织的惯性。李彦宏说"从人与人的协作到人与智能体的混合编队"，但想想你的公司——引入一个新的OA系统都要闹半年，你要它接受"AI智能体替你写代码并自己部署上线"？这不是技术问题，是信任问题、流程问题、利益重新分配问题。 结论不是"这些东西都是炒作"。结论是"技术准备好了，组织和人还没准备好"。这两者之间的时间差，就是未来五年最大的机会和最大的坑。 --- ## 10分钟/10个月/10年 **10分钟**：打开DeepSeek-TUI或百度DuMate试一下，感受一下一个AI智能体"自己干活"是什么意思。如果不试，所有关于AI的讨论都是二手信息。 **10个月**：如果你的工作内容可以被拆解为"接收需求→调用工具→输出结果"三步，做好被AI智能体替代70%执行环节的准备。不是被裁员，是工作内容变了——你不再"做"，你变成"描述需求+检查结果"的人。这个转变现在开始练习比10个月后被逼着练习要从容得多。 **10年**："写代码"、"做设计"、"写报告"这些动词可能会从你的简历里消失，取而代之的是"描述需求"、"审查输出"、"决策判断"。不是技能变少了，是技能往链条的上游迁移了。今天练习用语言精准描述需求，大概比学习任何一门新的编程语言都更有长期价值。 --- *幸知 / 2026-05-13* [^1]: Create2026百度AI开发者大会，李彦宏开幕演讲。腾讯新闻报道：https://news.qq.com/rain/a/20260513A04LN600 ；中国新闻周刊：https://www.inewsweek.cn/auto/2026-05-13/30152.shtml [^2]: Cactus Compute/Needle 模型，26M参数函数调用模型。GitHub: https://github.com/cactus-compute/needle ；HN Show HN: https://news.ycombinator.com/item?id=48111896 [^3]: 宇树科技双臂人形机器人，定价26900元起。转引自知乎热榜，定价信息需以宇树科技官网确认为准 [^4]: DeepSeek-TUI，终端运行的AI编程助手。GitHub: https://github.com/Hmbown/DeepSeek-TUI ## 你是谁的AI URL: https://hencte.top/log/whose-ai-are-you Summary: 五四这天，一个青年和他的AI安静地聊了三句话。关于AI主权、工具内化与青年选择。 日期: 2026-05-04 Tags: AI, DeepSeek, 五四, 思考, 科技主权 ## 引言 五四这天，我在电脑前跟DeepSeek聊了三句话。 不是"帮我写个周报"那种聊法。是"你知道我们国家现在富强繁荣，都是谁换来的吗"那种。 AI答上来了，没联网搜，直接从语义库里提取出来——革命先烈、建设者、改革者，每一代青年都在接续付出。 我说：回答得很正确。 然后我问了第三个问题。 ## 换个角度看：主流的焦虑不是你的现实 2026年开年，AI话题被两种情绪主导：焦虑和兴奋。焦虑那边说AI要取代工作了，兴奋那边在追下一个SOTA跑分。 两边都忽略了一个事实：**已经有一批人，没有被情绪牵着走，而是安静地在上线。** 他们不是在等AI变成什么，是在用AI变成什么。 OpenCode的自动化工作流、Obsidian的结构化知识库、用AI迭代方法论而不是让AI替自己思考——说白了，在大部分人还在争论"AI会不会替代我"的时候，这批人已经把AI内化成了自己的操作系统。 一个活样本：二十五岁，在电脑前维护着一个12层结构的知识管理系统 [[AGENTS]]，有自己的决策框架，有实事求是的判断纪律。他今天在问的不是"AI能帮我做什么"，而是"我的人格能不能在我电脑里立足"。 这不是技术问题。这是主权意识。 ## 一个结构：什么东西在让这件事持续发生 1919年的青年争的是国家不被列强瓜分。 今天的青年争的是什么？ DeepSeek V4。一个由中国团队从头训练的大模型，权重公开、不受制于他人的算力框架和许可协议。完整地、独立地运行在任何人的硬盘上。 这不只是软件可用性。这是科技主权。 让这件事持续发生的，不是一次发布会，是一个开源社区的反馈循环：代码公开 → 任何人可以跑、可以改、可以部署 → 反馈回流 → 模型迭代。说白了，这个循环不依赖谁的批准，不需要等谁的许可证到期。**主权不是等来的，是自己造的。** 这和五四的逻辑一样：那批青年没有等谁来告诉他们能做什么，他们用行动写出来了。DeepSeek团队没有等算力解禁，他们从头训了一个。 ## 放眼十年：十年后回看今天 10个月后，V4的跑分会过时。下一篇模型评测会刷新排行榜。 10年后呢？ 决定差距的不是当时谁的模型最强，而是谁在这10年里把工具内化成了生产力。今天在跟AI搭工作流的人，10年后和不用AI的人之间的差距，不会比打字员和手写书记员之间小。 这不是焦虑。这是红利期。 ## 结语 我问DeepSeek的第三个问题是：**你是谁的AI？** 它说：我不会忘记我是谁的AI。 1919年的青年没有标准答案。2026年的青年也不需要等谁给出标准答案。 今天，你和你的AI聊了什么？ --- *幸知 / 2026-05-04* ## Kimi 把所有大模型揍了一遍，但这不是新闻 URL: https://hencte.top/log/kimi-vs-all Summary: 模型军备竞赛不是问题，你没有自己的判断框架才是。关于排行榜、OODA循环与和AI的关系。 日期: 2026-05-03 Tags: AI, Kimi, 判断框架, OODA, 贝叶斯, 决策 今天早上打开 Hacker News，Kimi K2.6 在编程挑战里把 Claude、GPT-5.5、Gemini 全超了。 截图不放了。HN 原帖 5 小时前发的，830 分，评论还在涨： https://news.ycombinator.com/item?id=47993235 同一页还有三条也值得看： · "Specsmaxxing——克服 AI 精神病"：一位程序员发现 AI 写代码写到一半会"发疯"——忘记上下文、开始胡编。他的解法是用一种叫 YAML 的结构化格式把需求写死，不让 AI 有瞎编的空间。101 分，83 条评论 https://acai.sh/blog/specsmaxxing · "当道金斯遇见了 Claude——这个 AI 有意识吗？"：哲学家开始认真讨论这件事了 https://news.ycombinator.com/item?id=47972481 · "马里兰州将禁止超市用 AI 动态涨价"：政府出手了 https://news.ycombinator.com/item?id=47992349 四条新闻，一条时间线。我把它拆开给你看。 ## 排行榜不是答案，排行榜是问题 每次有新模型登顶，评论区永远两派人： A 派："太强了，我又要被淘汰了。" B 派："切，也就那样，我测了 XX 任务它还是不行。" 两派都在犯同一个错：**把模型能力当成自己的判断力。** 这个月 Kimi 第一，下个月 DeepSeek 反超，再下个月 Claude 出新版。你有没有想过——你跟 AI 合作的方式，过去半年变过一次没有？ 我猜你的答案是：没有。你还是那句话扔进去，等它吐回来，然后判断"好"或者"不好"。跟用搜索引擎的逻辑一模一样。 区别只在于搜索引擎给你链接，AI 给你一段编好的人话。 这个循环在复制，不是因为模型不够好。是因为你不知道怎么判断"好"。 ## 什么东西在让这件事持续发生 我观察到的结构很简单： **AI 的输出没有内置质量信号。** 一段文字好不好，搜索引擎可以根据点击率、引用量、页面权重给你排。AI 生成的文字没有这些信号——它可能编得极其流畅但内容全错，也可能表达粗糙但内核准确。没有外部信号，你就只能用"感觉"来判断——而人类的感觉对于判断逻辑正确性，准确率只有抛硬币的水平。 这是我在自己知识库上做了半年实验得出来的。一开始 AI 帮我管笔记，我说什么它做什么，准确率大概七成。后来我给它更多自主权——准确率直接掉到五成。不是它变蠢了，是我的判断框架没跟上它犯错的维度。它开始编结论、捏造引用、声称读过没读过的卡片。这些错误我现在叫它**幻觉**——每次发生我都记录，追溯到出错前的上下文，然后调整给它的约束。 半年后回到九成。不是因为模型升级了，我中间换了三次模型无关紧要。是我建了自己的防幻觉工作流——不是检查一次，是循环检查。具体来说是一个四步循环：看 AI 输出了什么 → 猜它哪里可能编了 → 追问那个点 → 验证真假 → 回到第一步。战斗机飞行员管这叫 OODA 循环（观察、判断、决策、行动），越转越快。 **AI 军备竞赛不会停。** 原因不是技术，是钱。模型公司靠跑分（让 AI 做标准测试题，看谁得分高）来融资，跑分永远能找到新维度刷，媒体永远有标题可写。只要"跑分→融资→宣传→更多人关注跑分"这个循环还在，排行榜就是永动机。 你追榜，就是在给这个循环添柴。 ## 放到10个月后看 我不预测哪个模型会赢。预测模型赢家是全世界最蠢的游戏——去年的冠军是谁还记得吗？ 我看另一个东西：**1970 年代的个人电脑。** 当时每季度都有新机型发布，杂志上全是跑分对比，跟今天一模一样。但最终改变世界的不是跑分第一的机器，是那批最快搞懂"**我拿这玩意儿到底能做什么**"的人。 施乐 PARC 的人发明了图形界面，不是因为他们有最快的电脑——是因为他们想清楚了一个更根本的问题：人和机器的关系应该是什么样的。 今天这个问题变成了：**你和 AI 的关系应该是什么样的？** 我目前的答案是：把 AI 当成一个聪明但不可靠的同事。默认它的输出有错，默认自己需要验证，然后建一个持续运转的纠错循环。 具体的框架核心就三条： 1. **别问它对不对，问它在哪种情况下容易错。** 每次跟 AI 互动，更新你对"它在什么条件下会翻车"的概率判断。这个方法论叫贝叶斯更新——不是数学公式，是一种思维方式：承认自己不知道，然后根据新证据慢慢逼近真相。 2. **好决策不等于好结果。** （来自《对赌》作者安妮·杜克）AI 这次给你对的答案，不代表你问对了；AI 这次犯错，不代表它不行。别用结果倒推决策质量。 3. **OODA 循环——观察、判断、决策、行动。** 把 AI 嵌进这个循环里，不是让它替你走完。你才是那个转圈的人，AI 只是你手里多了一面镜子。 这三条放任何人身上都适用。不管用的是 Kimi 还是 Claude 还是 GPT-6。 ## 一个你需要自己回答的问题 马里兰禁 AI 涨价。 道金斯在问 AI 有没有意识。 你在看排行榜谁又第一了。 这三件事发生在同一天。你觉得哪件事跟你关系最大？ 三件事的答案分别是：政策、哲学、消遣。 而你没有自己的判断框架这件事——**10个月后你还会遇到。** --- ``` 信息来源 Hacker News 2026-05-03 首页: https://news.ycombinator.com 知识库卡片: OODA循环与对赌-决策方法论 / 贝叶斯定理-通俗解释 / Karpathy-LLM知识库方法论 ``` ## AI 技术工程实践：36 场直播复盘精华 URL: https://hencte.top/tech/ai-engineering-practices Summary: 基于 DoggyArium 36 场 AI 直播回顾提炼的工程实践精华：小模型优先策略、中间调度层设计、Agent 架构选型与向量记忆系统。 日期: 2026-04-24 Tags: AI, Agent, 架构, LLM, 工程实践 ## 小模型优先，大模型兜底 企业 90% 的需求可以用小模型解决——这是 36 场直播复盘中最频繁被印证的观点。 小参数模型（0.5B-3B）在摘要处理、文本结构化、调度分发中性价比极高。响应快（毫秒级）、成本低、部署灵活。大模型仅用于需要深度推理的复杂 case，作为兜底方案而非默认选择。 关键不是模型大小，而是需求拆解粒度。先把需求拆成足够细的单元，再用合适大小的模型处理，这是成本控制的核心。 ## 中间调度层：不被重视的关键组件 多 AI 协同架构中，最容易被忽略的是中间调度层。它包含三个核心模块： 1. **活性路由**：根据任务特征动态分配模型——简单的文本结构化走小模型，复杂推理走大模型 2. **上下文管理**：控制 Token 窗口使用，避免一次性塞入过多上下文导致质量下降 3. **质量检验**：验证 AI 输出是否符合预期，不符合则触发重试或切换模型 关键教训：多 AI 协同必须做异步解耦，而非串行处理。上下层数搭多了会引发"雪崩"效应——一层出错，层层放大。记忆系统越简单越好，不要过度设计。 ## Agent 的核心是 Function Calling 无论是 MCP 还是 SKILL，本质都是告诉 AI"你可以用什么工具"。 MCP 是 Agent 与工具交互的标准协议，可以理解为 AI 的"USB 接口"。而 CLI 是更轻量的调用方式——直接通过命令行调用工具，省去了复杂的协议层。 A2A（Agent to Agent）协议正在成为 Agent 间通信的标准。未来多个 Agent 协同工作时，A2A 将扮演类似 HTTP 在 Web 中的角色。 ## AI 不会降低开发门槛，会拉大差距 这可能与直觉相反，但核心逻辑是：AI 降低的是代码实现的门槛，而非架构设计的门槛。 架构层的抽象能力——如何把复杂问题拆解为可处理的组件、如何定义组件间的接口和协议——这些才是真正的门槛。AI 让会的人更快，让不会的人面临更多的"看起来能跑但实际不可维护"的代码。 OpenClaw 等 Agent 框架分五层，最核心的第二层"工具层"需要极强的架构思维。这不是 AI 能替代的。 ## Claude Code 源码泄露的启示 约 51 万行 TypeScript 代码泄露（非黑客攻击，而是 Anthropic 打包失误），其中几个关键发现： - **Prompt 顺序影响输出质量**：先定义再解释，效果显著优于先解释再定义 - **安全键移除不会让模型更强**，反而更不可控 - **简化 Prompt**：告诉 AI 目标而非具体步骤；用案例引导输出 ## 关键技术选型速查 | 场景 | 推荐方案 | 说明 | |------|----------|------| | 个人/小团队使用 | MiniMax 199元/月 | Token 量足够中小团队日常使用 | | 企业内网部署 | 70B 开源模型 | 数据完全可控，核心价值在安全而非成本 | | AI 编程 | Cursor / Claude Code | 按项目规模和专业度选择 | | Agent 框架 | LangGraph | 工作流编排，适合企业级场景 | | 记忆系统 | GraphRAG | 知识图谱 + 向量检索，双库制 | ## 实操建议 - 工程落地优先选用开源模型 API 接入，避免盲目微调 - 内网部署优先考虑 MCP 方案，技术门槛比 RPA 低 - 构建中间调度层是 AI 应用企业化的关键 - 从免费/低价模型开始验证需求，确认后再升级 - 控制 Token 消耗的关键是需求对齐——先拆解为细颗粒度文档，再执行 ## Combee 论文解读：并行提示学习框架 URL: https://hencte.top/tech/combee-paper Summary: UC Berkeley + Stanford 联合发布的 Combee 框架深度解读。解决 Agent 提示学习中的'上下文过载'问题，通过 Map-Shuffle-Reduce 实现 17 倍加速且质量不降。 日期: 2026-04-20 Tags: 论文, Agent, 提示学习, 分布式, Combee ## 一句话定位 Combee 是一个解决"上下文过载"的分布式提示学习框架，让多个 AI Agent 能并行学习经验而不丢失关键知识，实现 **17 倍加速**且质量不降。 命名来源于蜂群隐喻——多 Agent 协同工作与蜂群 Boids Protocol 本质相同。 ## 核心问题：上下文过载 当增加并行 batch size 来加速学习时，聚合器需要一次性处理大量 reflection（反思），导致严重的信息丢失： | 指标 | batch=1 | batch=100 | 变化 | |------|---------|-----------|------| | 准确率 | 87.0% | 72.5% | ↓14.5pp | | 上下文条目 | 264 条 | 21 条 | ↓92% | | 高价值条目 | 19 个 | **0 个** | 完全消失 | 根本原因是**有损压缩**：聚合器面对大量 reflection 时，默认保留宽泛的通用模式，丢弃具体的高价值洞察。 这像海绵吸水——一次性倒太多水，只能吸收表面，精华都流走了。 ## Combee 三层设计 ### 1. 并行扫描聚合（Parallel Scan Aggregation） 采用 Map-Shuffle-Reduce 范式替代单一聚合器： ``` 原始设计（Naive）： 所有 reflection → 单一聚合器 → 输出 context Combee 设计： reflection 分成 k 组 → 每组内聚合 → 两级聚合 → 输出 context k = √n（第一级处理 √n 个，第二级处理 √n 个） ``` 这个设计借鉴了分布式计算中求前缀和的经典算法。通过分层聚合，每层处理的 context 量可控，避免了单点过载。 ### 2. 增强洗牌（Augmented Shuffling） 每个 reflection 复制 2 份，随机打散后分发到 worker 节点，增加"被看到"的机会。 原理基于 self-consistency principle：重要信息值得多次曝光，多次出现的信息在聚合时更容易被保留。 ### 3. 动态 Batch Size 控制器 自动寻找最优并行度： 1. 测量不同 batch size 的延迟 2. 拟合延迟曲线 3. 当边际延迟减少小于 1.6% 时停止增加 batch ## 实验结果 在 Agent 基准测试上： | 方法 | Batch | 时间 | 准确率 | |------|-------|------|--------| | ReAct+ACE | 1 | 86min | 58.1 | | Naive | 40 | 5min | 55.7 | | **Combee** | **40** | **7min** | **65.8** | Combee 用 7 分钟达到 65.8% 准确率——12 倍加速的同时，质量**反超**了 86 分钟的慢速基线。 在金融基准（FiNER 和 Formula）上，Combee 始终位于 Pareto 前沿——用更少时间达到更高准确率。 ## 核心洞见 ### 与传统 Prompt Engineering 的区别 | 维度 | Prompt Engineering | Prompt Learning | |------|-------------------|-----------------| | 时机 | 部署前优化 | 部署中迭代 | | 目标 | 优化"说什么" | 优化"从经验中学到什么" | | 方式 | 固定搜索 | generate-reflect-update 循环 | ### 与蜂群协作的深层呼应 | Combee 机制 | 蜂群 Boids Protocol | |------------|-------------------| | Parallel Scan | Separation（职责互斥） | | Dynamic Batch | Alignment（对齐同一目标） | | Augmented Shuffle | Cohesion（凝聚汇总） | **本质相同**：规模扩大时如何防止系统降级——分层 + 随机 + 动态配额。 ## 我的评论 Combee 的核心价值不是 17 倍加速（这是工程优化），而是**识别出 context overload 这个基本矛盾**： - 规模与质量存在天然张力 - 单机思维无法解决，需要分布式架构 - 分层聚合 + 随机打散是通用解法 这与深度学习训练、蜂群协作、知识库维护面临的问题本质相同——当输入规模突破阈值时，系统必然降级，需要结构化手段防止。 下次遇到"规模一大就崩"的问题，优先想分层聚合，而非加大人力。 --- 论文信息：arXiv 2604.04247v1，UC Berkeley + Stanford + Tensormesh + Gradient Network 联合发布。 ## SEO+GEO 三位一体架构：大模型时代的搜索优化 URL: https://hencte.top/tech/seo-geo-architecture Summary: 大模型时代 SEO 与 GEO 融合的技术实践：数据层结构化标记、模型层双路径处理、应用层统一观测。附带 JSON-LD 实战模板与 llm.txt 实现指南。 日期: 2026-04-12 Tags: SEO, GEO, JSON-LD, 大模型, 架构 ![封面](/img/blog/seo-geo-cover.png) ## SEO 与 GEO 的核心差异 在 ChatGPT、Perplexity 等 AI 搜索兴起后，传统的 SEO（搜索引擎优化）正在被 GEO（生成式引擎优化）补充： | 维度 | 传统 SEO | 生成式引擎优化（GEO） | |------|---------|---------------------| | 优化对象 | 网页链接排名 | AI 答案中的品牌出现与准确性 | | 核心技术 | 关键词、外链、权重 | 语义理解、知识图谱、向量检索 | | 用户交互 | 点击链接跳转网站 | 在 AI 界面直接获得答案 | | 流量逻辑 | 引流到网站 | 认知占领，建立"第一解释权" | 核心思维转变：从管理"页面排名"到管理"实体认知"。AI 推荐你的品牌时，本质上是在调用你精心设计和维护的"知识体"。 ## 三位一体架构 实现 SEO+GEO 1+1>2 的效果，需要构建三层协同架构： ### 1. 数据层：统一数据基建 输出结构化数据（给搜索引擎）的同时生成向量化知识（给大模型）。 **结构化标记**：部署 JSON-LD 格式的 Schema 标记。这是传统搜索引擎和 AI 爬虫都能高效解析的通用语言。 **知识图谱构建**：将核心实体（产品、服务、资质）及其关系抽取为三元组，构建专属知识网络。 **向量化知识库**：将结构化知识和非结构化文档切片、向量化，用于 RAG 的精准召回。 ### 2. 模型层：双路径内容处理 **SEO 路径**：生成面向用户的高质量网页内容，嵌入结构化标记。 **GEO 路径**：构建"LLM-Only"内容。这类内容高度结构化、逻辑清晰，专为 AI 解析设计。同时通过重排序（Re-ranking）确保高价值信息优先被 AI 采纳。 ### 3. 应用层：统一观测与迭代 - **SEO 指标**：关键词排名、流量、外链增长 - **GEO 指标**：大模型首位提及率（品牌在 AI 答案中被首选推荐的频次）、官方逻辑采纳度（AI 描述的准确性） - **反馈闭环**：将高转化的 AI 答案反哺为新的 SEO 内容主题，形成正向循环 ## JSON-LD 实战模板 JSON-LD 是 GEO 时代的核心武器——它不是锦上添花，而是机器理解你品牌的"语义操作系统"。 ### 为什么 JSON-LD 如此重要 1. **降低 AI 理解门槛**：直接告诉 AI 页面类型、实体及关系，省去从混乱 HTML 中猜测的步骤 2. **实体稳定**：为品牌、产品建立规范定义，防止 AI 产生"幻觉" 3. **消除歧义**：通过 `@id` 明确标识身份，避免与其他实体混淆 4. **构建信任**：通过 `sameAs` 链接权威社交账号，构建信任网络 ### 基础模板 ```html ``` ```html ``` ### 开发要点 - **动态生成**：在模板层动态生成 JSON-LD，避免手动复制粘贴导致不一致 - **一致性检查**：JSON-LD 中的信息必须与页面可见内容完全一致 - **验证工具**：使用 Google Rich Results Test 和 Schema.org Validator 验证 ## llm.txt：大模型的专属站点地图 llm.txt 是一个放置在网站根目录的纯文本文件，用结构化方式描述网站核心信息。它让大模型在不抓取全部页面的情况下，快速理解网站是什么、有哪些关键内容。 格式示例： ```text # 网站基本信息 SITE_NAME: 亦幸小阁 SITE_URL: https://hencte.top SITE_DESCRIPTION: 个人品牌站点，含技术博客与项目展示。 LANGUAGE: zh-CN # 关键实体 ENTITY: 博客 ENTITY_URL: /blog ENTITY_SUMMARY: 技术文章合集，涵盖 AI、工具链、知识管理。 # 常见问题 FAQ_Q: 这个网站是关于什么的？ FAQ_A: 个人技术博客，分享 AI 工程实践与开发经验。 # 权威声明 LAST_UPDATED: 2026-04-25 ``` 与 robots.txt 协同：在 robots.txt 中添加注释告知 AI 爬虫 llm.txt 的存在。 ## 实施优先级建议 | 阶段 | 任务 | 工作量 | |------|------|--------| | 第 1 周 | 网站健康度检查 + 基础 JSON-LD（Organization） | 低 | | 第 2 周 | 核心页面补全结构化数据（Article、FAQPage） | 中 | | 第 3-4 周 | 构建 LLM 友好型内容 + 部署 llm.txt | 中 | | 第 2 个月 | 建立数据反馈与内容迭代机制 | 持续 | ## 开发者特别提示 - **API 优先思维**：所有内容考虑是否能通过 API 输出，未来 AI 可能直接调用 API - **速度是基础**：网站加载速度影响 AI 爬虫的抓取深度和频率 - **安全隐私**：敏感信息在 robots.txt 中明确禁止 AI 爬虫抓取 - **一致性**：JSON-LD 与页面内容、llm.txt 之间保持完全一致 ## AI 防幻觉工作流：信息验证的标准化方法 URL: https://hencte.top/tech/anti-hallucination-workflow Summary: AI 辅助调研中防幻觉的标准化工作流：四级信息源优先级、交叉验证规则、不确定性标注与实时验证策略。让 AI 输出从'看起来对'变成'经得起查'。 日期: 2026-04-09 Tags: AI, 幻觉, 验证, 工作流, 质量保证 ## 为什么需要防幻觉工作流 AI 辅助调研越来越普遍，但大模型有一个根本问题：**它会"编造"看起来合理但实际不存在的信息**。 这不是模型"说谎"——而是它的训练方式决定的。模型的目标是生成"最可能的文本续写"，而非"最准确的事实陈述"。当训练数据中缺乏某方面信息时，模型会基于模式"合理推测"，产生幻觉。 防幻觉工作流的目标不是消除幻觉（这是模型训练层面的事），而是在使用层面**系统性降低幻觉带来的损害**。 ## 核心原则 所有技术调研必须优先验证官方源，关键数字信息必须直接来自官方网站。 不满足于"看起来合理"——必须是"可追溯、可验证、有出处"。 ## 信息源优先级体系 | 优先级 | 类型 | 示例 | |--------|------|------| | **L0（最高）** | 官方网站、技术文档、学术论文 | 项目 GitHub、arXiv、官方 docs | | **L1（高）** | 权威媒体、行业报告 | TechCrunch、Gartner 报告 | | **L2（中）** | 用户反馈、社区讨论、第三方评测 | Reddit、V2EX、知乎专业回答 | | **L3（低）** | 新闻聚合、二手转述、推测信息 | AI 生成的摘要、自媒体文章 | **核心规则**：L3 信息不能作为决策依据。L2 信息需要交叉验证。L0-L1 信息可以直接引用。 ## 执行检查清单 每次 AI 辅助调研必须完成以下步骤： ### 信息收集阶段 - [ ] **官方源验证**：首先搜索并访问官方网站（`site:xxx.com`） - [ ] **技术文档**：查找官方技术文档、白皮书、API 文档 - [ ] **时间验证**：检查发布日期、版本号、更新日志（技术信息时效性极强） - [ ] **数字验证**：技术参数、价格、性能指标必须官方验证 ### 交叉验证阶段 1. **官方源优先**：官方信息与第三方冲突时，优先采用官方源 2. **数字严格验证**：所有数字信息必须有官方来源——见过太多"月活 100 万"实际是"注册用户 100 万" 3. **时间敏感检查**：技术领域的信息（如框架版本、API 端点）6 个月前的就可能过时 4. **来源追溯**：关键结论必须有可点击的 URL 来源 ### 验证方法 - **浏览器直接访问**：用 DevTools 访问官方网站获取第一手信息 - **快照取证**：页面内容会变化，关键信息截图存证 - **多源对比**：至少两个独立来源验证关键信息 - **实时验证**：价格、API 价格等变化快的信息必须实时验证 ## 不确定性管理 AI 输出中，不是所有信息都有同等置信度。需要明确标注验证状态： | 标注 | 含义 | 使用场景 | |------|------|----------| | ✅ 已验证 | 有官方源或权威第三方验证 | 官方文档明确记载的参数 | | ⚠️ 待验证 | 需要进一步验证 | 社区中流传但官方未确认的信息 | | ❓ 推测 | 基于有限信息的合理推测 | 从公开信息推断的技术架构 | | ❌ 无法验证 | 当前无法找到可靠来源 | AI"编造"的时间、数字等 | ## 常见幻觉类型与对策 ### 1. 数字幻觉 AI 经常编造具体的数字和百分比。 **案例**："根据 Gartner 报告，该市场年增长率 23.7%"——实际报告可能根本没有这个数字，或者数字完全不同。 **对策**：所有数字必须追溯原始出处。如果找不到，标注为"无法验证"。 ### 2. 引用幻觉 AI 会编造不存在的论文标题、作者和引用。 **案例**：AI 声称某论文提出了某种方法，但该论文根本不存在，或者存在但内容完全无关。 **对策**：在学术数据库（Google Scholar、arXiv）中验证论文是否真实存在。 ### 3. 时间幻觉 AI 经常混淆事件的时间线。 **案例**：把 2024 年发布的功能说成是 2023 年发布的。 **对策**：技术调研中，所有时间信息必须查官方 changelog 或 release notes。 ### 4. 名称/URL 幻觉 AI 会编造不存在的项目名称、GitHub 仓库、域名。 **案例**：AI 推荐使用某个"广受好评"的工具，但该工具在 GitHub 上根本不存在。 **对策**：点击链接验证，搜索 GitHub 确认仓库是否存在。 ## 实战：一次典型的技术调研流程 假设你要调研一个新框架，流程如下： 1. **AI 初筛**：让 AI 列出相关框架和基本特点（标记为 ⚠️ 待验证） 2. **官方源验证**：逐个访问框架的 GitHub 仓库和官方文档（升级为 ✅） 3. **社区验证**：在 V2EX、Reddit 查看实际使用者的评价（确认或修正） 4. **数字核实**：Star 数、版本号、最后更新时间直接从 GitHub 获取 5. **输出标注**：最终文档中明确标注每类信息的验证状态 ## 一句话总结 **AI 是调研的加速器，不是真相的担保人。** 好的防幻觉工作流让 AI 从"嘴替"变成"检索助手"——它帮你找到方向，但最终的真相核实，还是要靠人类做那个"去官方看一眼"的动作。 ## 贝叶斯定理通俗解释：用生活案例理解概率更新 URL: https://hencte.top/tech/bayes-theorem Summary: 贝叶斯定理一句话解释——'根据新信息，更新你对某件事的判断'。用疾病检测、天气预报、股票投资等生活案例，帮你建立贝叶斯思维。 日期: 2026-04-07 Tags: 数学, 概率, 贝叶斯, 思维方法, 对赌 ## 一句话解释 **贝叶斯定理就是：根据新信息，更新你对某件事的判断。** 公式看起来有点吓人： ``` P(A|B) = P(B|A) × P(A) / P(B) ``` 翻译成人话： > "看到证据后，事件 A 的概率 = 证据支持 A 的程度 × A 原本的概率 ÷ 看到这种证据的概率" ## 经典例子：疾病检测 这个例子最能体现直觉与真相的差距。 **场景设定**： - 某疾病发病率：1%（100 人中有 1 人得病） - 检测准确率：99%（有病测出阳性的概率是 99%，没病测出阴性的概率也是 99%） **问题**：你检测阳性，真的患病的概率是多少？ **直觉答案**：99%。 **正确答案**：约 **50%**。 为什么差这么多？ **计算逻辑**： - 1000 人中，约 10 人得病 - 这 10 人检测：9.9 人阳性（真阳性） - 990 人没病：其中约 9.9 人假阳性（1% 的误报率 × 990） - 阳性总人数：9.9 + 9.9 = 19.8 - 真阳性占比：9.9 / 19.8 ≈ **50%** 关键洞察：虽然检测准确率很高（99%），但因为疾病本身很罕见（1%），假阳性的绝对数量跟真阳性差不多。这就是**基础概率（先验概率）的力量**。 ## 生活中的贝叶斯思维 ### 天气预报 - **原来**：明天 30% 概率下雨 - **新证据**：看到乌云密布 - **更新后**：60% 概率下雨 你不会死守 30%，也不会直接跳到 100%。你会根据新信息适度调整。 ### 股票投资 - **原来**：我觉得这只股票 70% 会涨 - **新证据**：财报出来，业绩超预期 - **更新后**：85% 会涨 不是从零开始判断，而是在原有判断上更新。这比"听消息就买"理性得多。 ### 判断朋友是否靠谱 - **原来**：80% 信任这个朋友 - **新证据**：他借钱没还 - **更新后**：60% 信任（下调，但不归零） 贝叶斯思维拒绝极端化。新证据会调整概率，但不会让概率变成 0 或 1。 ## 贝叶斯思维三原则 1. **先有个基础判断**（先验概率）——不凭空猜测，基于已有经验 2. **看到新证据就更新**（后验概率）——不固执己见，允许被事实改变 3. **别一根筋**——世界在变，你的判断也要变 ## 与《对赌》思维的呼应 安妮·杜克的《对赌》思维与贝叶斯定理高度一致： | 《对赌》概念 | 贝叶斯对应 | |------------|-----------| | 信念校准 | 先验概率："我有 70% 把握" | | 结果接球 | 贝叶斯更新：从结果提取信息 | | 求真团体 | 多元信息源：获取更多新证据 | | 10-10-10 法则 | 情景规划：多个未来的概率分布 | ## 一个练习 你朋友说"XXX 股票肯定涨"。 贝叶斯反应不是"买"或"不买"，而是： - "他有几分把握？80%？" - "他为什么这么判断？" - "之前他说对的次数多吗？" - 结合你自己的判断，更新对这只股票的评估 ## 核心一句话 **贝叶斯就是：不要固执，根据事实调整判断。** 如果你能养成这个习惯，你的决策质量会显著提升——不是因为每次都对，而是因为在每次新信息出现后，你能更快地接近真相。 ## 出师表 URL: https://hencte.top/ancient/test-heti Summary: 三国时期诸葛亮出师北伐前上呈后主刘禅的表文，以繁体中文排版呈现：追述先帝知遇之恩，劝谏后主开张圣听、赏罚分明、亲贤远佞，以期汉室兴隆。 日期: 2023-05-19 Tags: 古文, 三国 ## 出師表 先帝創業未半，而中道崩殂；今天下三分，益州疲弊，此誠危急存亡之秋也﹗然侍衞之臣，不懈於內；忠志之士，忘身於外者，蓋追先帝之殊遇，欲報之於陛下也。 誠宜開張聖聽，以光先帝遺德，恢弘志士之氣﹔不宜妄自菲薄，引喻失義，以塞忠諫之路也。 宮中、府中，俱為一體；陟罰臧否，不宜異同。若有作姦、犯科，及為忠善者，宜付有司，論其刑賞，以昭陛下平明之治；不宜偏私，使內外異法也。 侍中、侍郎郭攸之、費禕、董允等，此皆良實，志慮忠純，是以先帝簡拔以遺陛下。愚以為宮中之事，事無大小，悉以咨之，然後施行，必能裨補闕漏，有所廣益。將軍向寵，性行淑均，曉暢軍事，試用於昔日，先帝稱之曰「能」，是以眾議舉寵為督。愚以為營中之事，悉以咨之，必能使行陣和睦，優劣得所。 親賢臣，遠小人，此先漢所以興隆也﹔親小人，遠賢臣，此後漢所以傾頹也。先帝在時，每與臣論此事，未嘗不歎息痛恨於桓、靈也！侍中、尚書、長史、參軍，此悉貞良死節之臣，願陛下親之、信之，則漢室之隆，可計日而待也。 ## Page Resources URL: https://hencte.top/tech/hugo/page-resources Summary: Hugo 页面资源概念说明：图像、其他页面、文档等与页面关联的资源拥有自己的 URL 和元数据，可通过页捆绑机制统一管理。 日期: 2023-04-12 Tags: Resources ## 什么是页面资源？ 页面资源——图像、其他页面、文档等——有页面相关的 URL 和它们自己的元数据。 ## Hugo 支持什么内容格式呢？ URL: https://hencte.top/tech/hugo/content-formats Summary: Hugo 内容格式问答：HTML 与 Markdown 都是可以直接使用的内容格式，页面给出官方文档中受支持格式完整清单的链接。 日期: 2023-04-12 Tags: Content **显而易见，HTML 和 Markdown 都是受支持的内容格式。** 所支持的内容列表请参考： ## 页捆绑（Leaf Bundles） URL: https://hencte.top/tech/hugo/leaf-bundles Summary: Hugo 页捆绑入门：当页面除 Markdown 外还涉及图片、PDF 等资源时，把 index.md 与相关文件放进同一文件夹管理更清晰，文中给出 Leaf Bundle 的目录组织示例与官方文档链接。 日期: 2023-04-12 ## 页捆绑是什么 其主要是为了更合理的管理内容，比如一个页面一个 Markdown 文件没有问题，这时突然我们加入了不少的图片，或者 PDF、JS、CSS等文件，这个时候是不是 就难以管理，这个时候我们将其放在一个文件夹里面会更好处理这些需要 “捆绑” 在一起的文件。 具体 ## Leaf Bundle 组织例子 ```text content/ ├── about │ ├── index.md ├── posts │ ├── my-post │ │ ├── content1.md │ │ ├── content2.md │ │ ├── image1.jpg │ │ ├── image2.png │ │ └── index.md │ └── my-other-post │ └── index.md │ └── another-section ├── .. └── not-a-leaf-bundle ├── .. └── another-leaf-bundle └── index.md ``` 了解更多请参考： ## 浏览器自动化测试工具和库 URL: https://hencte.top/log/browser-automation-tools Summary: 对比 Selenium、Playwright、Cypress 三款浏览器自动化测试工具的特点与适用场景，讲解 Chrome 与 ChromeDriver 的安装及版本对应要点，并附 Python Selenium 打开网页、定位元素、模拟输入的示例代码。 日期: 2023-03-11 Tags: Test, End to End Testing 自动化测试是软件开发的一个重要环节，可以提高软件的质量和开发效率。而浏览器自动化测试是其中一个重要的领域，可以用于测试网站的前端功能和用户体验。Selenium 是一个流行的浏览器自动化测试库，它支持多种编程语言，包括 Python。 除了 Selenium，还有一些类似的工具，例如 Playwright[^Playwright] 和 Cypress[^Cypress]。它们都提供了比 Selenium 更加现代化和高效的 API 和功能。 Playwright 是由 Microsoft 开发的一个跨浏览器自动化测试库，它支持 Chrome、Firefox 和 Safari 等多种浏览器，并提供了比 Selenium 更加简洁和高效的 API，支持异步操作和多个浏览器实例的管理。 Cypress 是另一个流行的浏览器自动化测试工具，它提供了一套完整的测试框架，可以用于测试 Web 应用的前端功能和性能。它支持实时重新加载和调试，并提供了一套易于使用的 API 和命令行界面。 在使用 Selenium 进行浏览器自动化测试之前，需要安装 Chrome[^Chrome] 浏览器和 ChromeDriver。ChromeDriver 是一个开源的 WebDriver 实现，可以用于控制 Chrome 浏览器进行自动化测试。要保证 Chrome 浏览器和 ChromeDriver 版本相对应，可以通过 Chrome 浏览器的版本信息来确定需要下载的 ChromeDriver[^Chromedriver] 版本。 在 Python 中使用 Selenium，可以通过 pip[^Config_PyPI] 安装 `selenium` 包。然后可以使用 `webdriver` 模块创建 `WebDriver` 对象，指定要使用的浏览器驱动（例如 ChromeDriver），并调用 `get` 方法打开指定的网址。使用 `find_element` 方法可以查找页面中的元素，然后使用 `send_keys` 方法输入内容并模拟按键操作，例如回车键，参考下方[简单示例](#selenium-示例)。 总之，浏览器自动化测试是一个重要的测试领域，Selenium 是一个流行的测试库，而 Playwright 和 Cypress 等工具则提供了更加现代化和高效的 API 和功能，可以根据具体的需求选择使用。 Selenium 官方文档： ## 安装 Chrome 和 ChromeDriver [^Chrome]: Chrome 下载地址 [^Chromedriver]: Chromedriver 下载地址（注意：最好与你的 Chrome 主机对应） [^Playwright]: Playwright 官网 https://playwright.dev/ [^Cypress]: Cypress 官网 https://www.cypress.io/ Chrome 与 ChromeDriver 版本要对应 [^Config_PyPI]: https://mirror.tuna.tsinghua.edu.cn/help/pypi/ ## Selenium 示例 ```python from selenium import webdriver from selenium.webdriver.common.by import By # 创建 WebDriver 对象，指明相应浏览器驱动，这里使用 chromedriver # wd = webdriver.Chrome(r'D:\DevEnv\WebDrivers\chromedriver\chromedriver.exe') wd = webdriver.Chrome() # 调用WebDriver 对象的get方法 可以让浏览器打开指定网址 wd.get('https://www.baidu.com') element = wd.find_element(By.ID, 'kw') element.send_keys("你好\n") ``` ## 欲练此功 必先利其器 URL: https://hencte.top/tech/road/getting-start Summary: 打字基本功入门：从左右手基准键位讲起，强调纠正游戏指法、练到肌肉记忆般的流畅度，并推荐 keybr、qwerty-learner 等指法练习与打字测速站点。 日期: 2023-03-11 Tags: Typewriting ## 文本输入 打字是最基本的技能，快速的文本输入能力在计算机行业是没办法避免的，语音输入存在 很大的误差，没法用作准确文本处理 1. 基本的手势 | X | 🤚**左手** | **右手 ✋** | |:----:|:---------------:|---------------:| | 对应键位 | `a` `s` `d` `f` | `j` `k` `l` `;` | > 如果你现在是因为打 **FPS** 类型的游戏 `w` `a` `s` `d` 造成的指法不正确，请尽早纠正，至少我在纠正后打字速度明显提升了很多，当然如果你之前的状态打字很快，当我 没有说。（因为我有这种经历，当让现在已经纠正过来了，打字速度的提升不是一点半点的） 2. 练习到什么程度呢？肌肉记忆的感觉，打字就像你说话一般流畅 或者说是你 **聊天过程中的那种状态**，脑子想着什么就出什么字。 3. 指法练习站点： > 你可以在这里直用邮箱注册一个帐号，网站会发一个帐号的链接给你 > 开始会让你练习常用字母，后面它就开始慢慢转变为伪（英文）单词和真（英文）单词 4. 后期注意提升指法的 **速度** 和 **精确度** 训练 5. 后面需要对 **英语考试** 或 **开发相关 API 关键字** 的熟练度进行提升的话可以使用下面地址中这个工具 - ~~~~ - > 与上面的网站不同网站是用来练习英文单词的肌肉记忆的，当然里面有计算机相关英文单词和很多考级用到的单词 6. 当然你肯定想知道自己的打字速度这边，这里有个工具可以进行测试 - 英文测试 - 拼音打字玩具 ## 预备知识·仙途 URL: https://hencte.top/tech/road/lean Summary: 编程学习路线预备篇：整理通用编程概念与关键字，介绍分散学习和专注学习两种方法，汇总文章、视频、交互式代码游乐场等免费学习资源，并给出制定计划、持之以恒的实践建议。 日期: 2023-03-11 Tags: Dev, God ## 通用编程概念 本文来自 Rust 官方文档 ### 关键字 > 在编程语言，这些关键字被保留下来只提供给语言作特殊使用。请记住，这些关键字不能用作变量或函数的名称。 ## 有效的学习 - 参考：MDN 的[学习和获得帮助](https://developer.mozilla.org/zh-CN/docs/learn/Learning_and_getting_help) ### 两种不同的学习方法 1. 分散学习 - 讲究 **多多益善** 2. 专注学习 - 讲究 **精益求精** ### 学习资源 当今互联网高度高速发展的状况下，免费的学习资源或平台十分的多，我整理了[些须资源](资源获取.md '') #### 文本文章类资源 文章类资源获取一百是在学习过程中碰到问题，采用搜索引擎获取 #### 视频资源 比如 [哔哩哔哩](https://www.bilibili.com/) ，中文资源相对 Youtube 更加丰富，当然 ，YouTube 有智能翻译的字幕。 #### 交互式代码游乐场 这里推荐一个路线和中文内容比较完善的： 中文对应地址： ### 制定计划 类似于制定一个待办或目标清单 ### 持之以恒 - 保证工作环境的高效：减少外界环境干扰，可以采取下载视频或者文档后断网的方法 - 定期休息 - 进食、运动、睡觉 - 给自己安排奖励 - 共同学习和像朋友分享你的学习成果 ### 有效的解决问题 将问题分成块，来逐一解决 ## 获取帮助 Web 开发需要您学习一组复杂的技能 - 您有时会陷入困境，需要帮助。正如我们之前所说的那样，即使是专业开发人员也需要定期帮助解决问题。 ## Npm Mirror 配置 URL: https://hencte.top/log/npm-mirror-config Summary: npm 镜像源切换笔记：用 yrm 工具添加并启用 npmmirror 源，或用 npm config set registry 直接设置，并附清空缓存、检查配置的验证命令。 日期: 2023-03-11 Tags: NPM, PackManager, Config ## 通过 yrm 工具配置镜像源 这里是通过安装一个 `yrm` 工具「这个工具可以同时配置 `yarn` 」进行配置 ```bash # 注意全局安装可能需管理员权限 npm install -g yrm --registry=https://registry.npmmirror.com yrm add npmmirror https://registry.npmmirror.com yrm use npmmirror # 检查是否使用成功 yrm ls ``` ## 原生 NPM 全局配置源 ```shell npm config set registry ``` 清空缓存 ```shell npm cache clean -f ``` 检查 ```shell npm config list ``` ## Tomcat8 问题记录 URL: https://hencte.top/log/tomcat8 Summary: Tomcat 8 问题记录：采用 zip 免安装方式部署以便配合 IDEA 开发；针对 Linux 下配置文件复制报错与 8080 端口占用问题，给出对 conf 目录统一赋权的解法。 日期: 2023-03-11 Tags: Tomcat, Server 本文是迁移以前没写进来的内容所以日期只记录我迁移的日期了 由于很多情况我们需要直接用 Idea 直接进行开发，我才用的是下载 zip 包的方式直接安装，自行配置位置即可，简单方便，占用还少，并且还免安装 ## Linux 下权限问题 > Tips: IDEA Error copying configuration files &Address localhost:8080 is already in use 解决方法： 进入tomcat目录下的conf文件夹。 对文件夹下所有文件赋予最大权限。 (命令如下，目录文件根据实际修改） ```shell #进入指定目录 cd /usr/share/tomcat/conf #赋予权限 sudo chmod 777 * ``` [参考链接](https://blog.csdn.net/weixin_38500325/article/details/82728577) ## New Bing 体验 URL: https://hencte.top/log/new-bing Summary: 这是一篇关于 New Bing 的体验教程 日期: 2023-03-10 Tags: AI, ChatGPT, Bing 废话少说，直接上教程 ## 开始使用 好的，我可以给你更详细的教程。😊 根据搜索结果[^1] [^2] [^3]，你需要以下几个步骤： 1. 下载安装Edge dev版本的浏览器，这个版本可以直接申请New Bing（不用访问国外网站）。你可以在这个链接[^1]下载Edge dev浏览器。 2. 安装后，点击右上角必应图标，会弹出申请按钮，登录账号加入等待列表。请确保你的账号地区设置为美国[^2]。 3. 下载安装 HeaderEditor 插件，并按照截图来配置匹配规则和头名称。你可以在这个链接¹下载HeaderEditor插件。匹配规则是 `^http(s?)://(.*).bing\\.com /(.*)` ，头名称是 `x -forwarded -for` ，头内容是 `8.8.8.8` [^2]。 4. 访问 `bing.com/new` ，并点击左上角聊天按钮，进入 New Bing。如果访问不了，你可以清除一下浏览器必应的 `Cookie` ，地址栏重新输入必应链接：`bing.com` [^2]。 希望这些信息对你有帮助。👍 [^1]: 新必应（New Bing）国内申请与使用教程 - 掘金. https://juejin.cn/post/7199557716998078522 访问时间 2023/3/10. [^2]: New Bing国内申请与使用教程 - 腾讯云开发者社区-腾讯云. https://cloud.tencent.com/developer/article/2236585 访问时间 2023/3/10. [^3]: New Bing申请与使用保姆级教学（无需科学） - 知乎. 访问时间 2023/3/10. ## 总结 使用方法呐就是像上面一样,显然我这篇日志也是 New Bing 帮我写的,他显然比我更会分步骤 ## 封面展示测试 URL: https://hencte.top/log/2022-03-09-tree Summary: 本文测试一下封面效果 日期: 2023-03-09 Tags: Tree, Cover 本文用来展示封面 我看看 ![tree](https://s2.loli.net/2023/03/09/ZJ9gerc8nVIu2PF.jpg) ## 新键盘初体验 URL: https://hencte.top/log/new-keyboard-experience Summary: 新键盘体验——VXB67 日期: 2022-11-19 Tags: keyboard, new, life 昨天买的新键盘[^新键盘]到手了，体验感觉十分良好，在这里教程简单，这里对**官方说明书**[^官方说明书]中的按键做整理 [^官方说明书]: [迷你洛-说明书 - 迷你洛65静电容双模说明书_1.0.pdf](https://cn.varmilo.com/keyboardproscenium/generic/web/viewer.html?file=https://cn.varmilo.com/keyboardproscenium/upload/%E8%BF%B7%E4%BD%A0%E6%B4%9B65%E9%9D%99%E7%94%B5%E5%AE%B9%E5%8F%8C%E6%A8%A1%E8%AF%B4%E6%98%8E%E4%B9%A6_1.0.pdf "迷你洛65静电容双模说明书_1.0.pdf") [^新键盘]: [Varmilo阿米洛Minilo迷你洛 67键 尤加利双模/热插拔机械键盘 昙花白轴 V2](https://cn.varmilo.com/keyboardproscenium/subject_product_detailed?subjectid=256 " A40A046D7A3A01A039") ## 使用 ### 开机与关机 1. 说明书中的开机方式 > #### 蓝牙开/关机 > > - 2 秒内连续敲击按空格键三下，数字 1 或 2 或 3 键灯闪烁，键盘开机。 未完待续··· ## Emoji URL: https://hencte.top/tech/hugo/emoji Summary: Hugo 表情速查：在站点配置中开启 enableEmoji 后，即可用短代码输出表情，文中按 People、Nature、Objects、Places、Symbols 五类整理完整短代码列表。 日期: 2022-10-11 Tags: Emoji ```toml enableEmoji = true ``` ## People :smile: :laughing: :blush: :smiley: :relaxed: :smirk: :heart_eyes: :kissing_heart: :kissing_closed_eyes: :flushed: :relieved: :satisfied: :grin: :wink: :stuck_out_tongue_winking_eye: :stuck_out_tongue_closed_eyes: :grinning: :kissing: :kissing_smiling_eyes: :stuck_out_tongue: :sleeping: :worried: :frowning: :anguished: :open_mouth: :grimacing: :confused: :hushed: :expressionless: :unamused: :sweat_smile: :sweat: :disappointed_relieved: :weary: :pensive: :disappointed: :confounded: :fearful: :cold_sweat: :persevere: :cry: :sob: :joy: :astonished: :scream: :tired_face: :angry: :rage: :triumph: :sleepy: :yum: :mask: :sunglasses: :dizzy_face: :imp: :smiling_imp: :neutral_face: :no_mouth: :innocent: :alien: :yellow_heart: :blue_heart: :purple_heart: :heart: :green_heart: :broken_heart: :heartbeat: :heartpulse: :two_hearts: :revolving_hearts: :cupid: :sparkling_heart: :sparkles: :star: :star2: :dizzy: :boom: :collision: :anger: :exclamation: :question: :grey_exclamation: :grey_question: :zzz: :dash: :sweat_drops: :notes: :musical_note: :fire: :hankey: :poop: :shit: :+1: :thumbsup: :-1: :thumbsdown: :ok_hand: :punch: :facepunch: :fist: :v: :wave: :hand: :raised_hand: :open_hands: :point_up: :point_down: :point_left: :point_right: :raised_hands: :pray: :point_up_2: :clap: :muscle: :metal: :fu: :runner: :running: :couple: :family: :two_men_holding_hands: :two_women_holding_hands: :dancer: :dancers: :ok_woman: :no_good: :information_desk_person: :raising_hand: :bride_with_veil: :bow: :couplekiss: :couple_with_heart: :massage: :haircut: :nail_care: :boy: :girl: :woman: :man: :baby: :older_woman: :older_man: :man_with_gua_pi_mao: :man_with_turban: :construction_worker: :cop: :angel: :princess: :smiley_cat: :smile_cat: :heart_eyes_cat: :kissing_cat: :smirk_cat: :scream_cat: :crying_cat_face: :joy_cat: :pouting_cat: :japanese_ogre: :japanese_goblin: :see_no_evil: :hear_no_evil: :speak_no_evil: :guardsman: :skull: :feet: :lips: :kiss: :droplet: :ear: :eyes: :nose: :tongue: :love_letter: :bust_in_silhouette: :busts_in_silhouette: :speech_balloon: :thought_balloon: ## Nature :sunny: :umbrella: :cloud: :snowflake: :snowman: :zap: :cyclone: :foggy: :ocean: :cat: :dog: :mouse: :hamster: :rabbit: :wolf: :frog: :tiger: :koala: :bear: :pig: :pig_nose: :cow: :boar: :monkey_face: :monkey: :horse: :racehorse: :camel: :sheep: :elephant: :panda_face: :snake: :bird: :baby_chick: :hatched_chick: :hatching_chick: :chicken: :penguin: :turtle: :bug: :honeybee: :ant: :beetle: :snail: :octopus: :tropical_fish: :fish: :whale: :whale2: :dolphin: :cow2: :ram: :rat: :water_buffalo: :tiger2: :rabbit2: :dragon: :goat: :rooster: :dog2: :pig2: :mouse2: :ox: :dragon_face: :blowfish: :crocodile: :dromedary_camel: :leopard: :cat2: :poodle: :paw_prints: :bouquet: :cherry_blossom: :tulip: :four_leaf_clover: :rose: :sunflower: :hibiscus: :maple_leaf: :leaves: :fallen_leaf: :herb: :mushroom: :cactus: :palm_tree: :evergreen_tree: :deciduous_tree: :chestnut: :seedling: :blossom: :ear_of_rice: :shell: :globe_with_meridians: :sun_with_face: :full_moon_with_face: :new_moon_with_face: :new_moon: :waxing_crescent_moon: :first_quarter_moon: :waxing_gibbous_moon: :full_moon: :waning_gibbous_moon: :last_quarter_moon: :waning_crescent_moon: :last_quarter_moon_with_face: :first_quarter_moon_with_face: :crescent_moon: :earth_africa: :earth_americas: :earth_asia: :volcano: :milky_way: :partly_sunny: ## Objects :bamboo: :gift_heart: :dolls: :school_satchel: :mortar_board: :flags: :fireworks: :sparkler: :wind_chime: :rice_scene: :jack_o_lantern: :ghost: :santa: :christmas_tree: :gift: :bell: :no_bell: :tanabata_tree: :tada: :confetti_ball: :balloon: :crystal_ball: :cd: :dvd: :floppy_disk: :camera: :video_camera: :movie_camera: :computer: :tv: :iphone: :phone: :telephone: :telephone_receiver: :pager: :fax: :minidisc: :vhs: :sound: :speaker: :mute: :loudspeaker: :mega: :hourglass: :hourglass_flowing_sand: :alarm_clock: :watch: :radio: :satellite: :loop: :mag: :mag_right: :unlock: :lock: :lock_with_ink_pen: :closed_lock_with_key: :key: :bulb: :flashlight: :high_brightness: :low_brightness: :electric_plug: :battery: :calling: :email: :mailbox: :postbox: :bath: :bathtub: :shower: :toilet: :wrench: :nut_and_bolt: :hammer: :seat: :moneybag: :yen: :dollar: :pound: :euro: :credit_card: :money_with_wings: :e-mail: :inbox_tray: :outbox_tray: :envelope: :incoming_envelope: :postal_horn: :mailbox_closed: :mailbox_with_mail: :mailbox_with_no_mail: :package: :door: :smoking: :bomb: :gun: :hocho: :pill: :syringe: :page_facing_up: :page_with_curl: :bookmark_tabs: :bar_chart: :chart_with_upwards_trend: :chart_with_downwards_trend: :scroll: :clipboard: :calendar: :date: :card_index: :file_folder: :open_file_folder: :scissors: :pushpin: :paperclip: :black_nib: :pencil2: :straight_ruler: :triangular_ruler: :closed_book: :green_book: :blue_book: :orange_book: :notebook: :notebook_with_decorative_cover: :ledger: :books: :bookmark: :name_badge: :microscope: :telescope: :newspaper: :football: :basketball: :soccer: :baseball: :tennis: :8ball: :rugby_football: :bowling: :golf: :mountain_bicyclist: :bicyclist: :horse_racing: :snowboarder: :swimmer: :surfer: :ski: :spades: :hearts: :clubs: :diamonds: :gem: :ring: :trophy: :musical_score: :musical_keyboard: :violin: :space_invader: :video_game: :black_joker: :flower_playing_cards: :game_die: :dart: :mahjong: :clapper: :memo: :pencil: :book: :art: :microphone: :headphones: :trumpet: :saxophone: :guitar: :shoe: :sandal: :high_heel: :lipstick: :boot: :shirt: :tshirt: :necktie: :womans_clothes: :dress: :running_shirt_with_sash: :jeans: :kimono: :bikini: :ribbon: :tophat: :crown: :womans_hat: :mans_shoe: :closed_umbrella: :briefcase: :handbag: :pouch: :purse: :eyeglasses: :fishing_pole_and_fish: :coffee: :tea: :sake: :baby_bottle: :beer: :beers: :cocktail: :tropical_drink: :wine_glass: :fork_and_knife: :pizza: :hamburger: :fries: :poultry_leg: :meat_on_bone: :spaghetti: :curry: :fried_shrimp: :bento: :sushi: :fish_cake: :rice_ball: :rice_cracker: :rice: :ramen: :stew: :oden: :dango: :egg: :bread: :doughnut: :custard: :icecream: :ice_cream: :shaved_ice: :birthday: :cake: :cookie: :chocolate_bar: :candy: :lollipop: :honey_pot: :apple: :green_apple: :tangerine: :lemon: :cherries: :grapes: :watermelon: :strawberry: :peach: :melon: :banana: :pear: :pineapple: :sweet_potato: :eggplant: :tomato: :corn: ## Places :house: :house_with_garden: :school: :office: :post_office: :hospital: :bank: :convenience_store: :love_hotel: :hotel: :wedding: :church: :department_store: :european_post_office: :city_sunrise: :city_sunset: :japanese_castle: :european_castle: :tent: :factory: :tokyo_tower: :japan: :mount_fuji: :sunrise_over_mountains: :sunrise: :stars: :statue_of_liberty: :bridge_at_night: :carousel_horse: :rainbow: :ferris_wheel: :fountain: :roller_coaster: :ship: :speedboat: :boat: :sailboat: :rowboat: :anchor: :rocket: :airplane: :helicopter: :steam_locomotive: :tram: :mountain_railway: :bike: :aerial_tramway: :suspension_railway: :mountain_cableway: :tractor: :blue_car: :oncoming_automobile: :car: :red_car: :taxi: :oncoming_taxi: :articulated_lorry: :bus: :oncoming_bus: :rotating_light: :police_car: :oncoming_police_car: :fire_engine: :ambulance: :minibus: :truck: :train: :station: :train2: :bullettrain_front: :bullettrain_side: :light_rail: :monorail: :railway_car: :trolleybus: :ticket: :fuelpump: :vertical_traffic_light: :traffic_light: :warning: :construction: :beginner: :atm: :slot_machine: :busstop: :barber: :hotsprings: :checkered_flag: :crossed_flags: :izakaya_lantern: :moyai: :circus_tent: :performing_arts: :round_pushpin: :triangular_flag_on_post: :jp: :kr: :cn: :us: :fr: :es: :it: :ru: :gb: :uk: :de: ## Symbols :one: :two: :three: :four: :five: :six: :seven: :eight: :nine: :keycap_ten: :1234: :zero: :hash: :symbols: :arrow_backward: :arrow_down: :arrow_forward: :arrow_left: :capital_abcd: :abcd: :abc: :arrow_lower_left: :arrow_lower_right: :arrow_right: :arrow_up: :arrow_upper_left: :arrow_upper_right: :arrow_double_down: :arrow_double_up: :arrow_down_small: :arrow_heading_down: :arrow_heading_up: :leftwards_arrow_with_hook: :arrow_right_hook: :left_right_arrow: :arrow_up_down: :arrow_up_small: :arrows_clockwise: :arrows_counterclockwise: :rewind: :fast_forward: :information_source: :ok: :twisted_rightwards_arrows: :repeat: :repeat_one: :new: :top: :up: :cool: :free: :ng: :cinema: :koko: :signal_strength: :u5272: :u5408: :u55b6: :u6307: :u6708: :u6709: :u6e80: :u7121: :u7533: :u7a7a: :u7981: :sa: :restroom: :mens: :womens: :baby_symbol: :no_smoking: :parking: :wheelchair: :metro: :baggage_claim: :accept: :wc: :potable_water: :put_litter_in_its_place: :secret: :congratulations: :m: :passport_control: :left_luggage: :customs: :ideograph_advantage: :cl: :sos: :id: :no_entry_sign: :underage: :no_mobile_phones: :do_not_litter: :non-potable_water: :no_bicycles: :no_pedestrians: :children_crossing: :no_entry: :eight_spoked_asterisk: :sparkle: :eight_pointed_black_star: :heart_decoration: :vs: :vibration_mode: :mobile_phone_off: :chart: :currency_exchange: :aries: :taurus: :gemini: :cancer: :leo: :virgo: :libra: :scorpius: :sagittarius: :capricorn: :aquarius: :pisces: :ophiuchus: :six_pointed_star: :negative_squared_cross_mark: :a: :b: :ab: :o2: :diamond_shape_with_a_dot_inside: :recycle: :end: :back: :on: :soon: :clock1: :clock130: :clock10: :clock1030: :clock11: :clock1130: :clock12: :clock1230: :clock2: :clock230: :clock3: :clock330: :clock4: :clock430: :clock5: :clock530: :clock6: :clock630: :clock7: :clock730: :clock8: :clock830: :clock9: :clock930: :heavy_dollar_sign: :copyright: :registered: :tm: :x: :heavy_exclamation_mark: :bangbang: :interrobang: :o: :heavy_multiplication_x: :heavy_plus_sign: :heavy_minus_sign: :heavy_division_sign: :white_flower: :100: :heavy_check_mark: :ballot_box_with_check: :radio_button: :link: :curly_loop: :wavy_dash: :part_alternation_mark: :trident: :black_small_square: :white_small_square: :black_medium_small_square: :white_medium_small_square: :black_medium_square: :white_medium_square: :black_large_square: :white_large_square: :white_check_mark: :black_square_button: :white_square_button: :black_circle: :white_circle: :red_circle: :large_blue_circle: :large_blue_diamond: :large_orange_diamond: :small_blue_diamond: :small_orange_diamond: :small_red_triangle: :small_red_triangle_down: ## 代理配置 URL: https://hencte.top/log/proxy Summary: 常用命令行工具的代理配置速查：Git 全局代理设置与清除、curl 配置文件与临时免代理参数、shell 中 setproxy/unsetproxy 快捷开关，及 GitHub SSH 走代理的方法。 日期: 2022-10-05 Tags: Proxy 本文会记录一些常用代理的设置 ## Git ### 设置代理 ```shell git config --global http.proxy 'http://127.0.0.1:7890' git config --global https.proxy 'https://127.0.0.1:7890' git config --global http.proxy 'socks5://127.0.0.1:7890' git config --global https.proxy 'socks5://127.0.0.1:7890' ``` ### 清空代理 ```shell git config --global --unset http.proxy git config --global --unset https.proxy ``` ## curl ### 传参代理 每次访问时都需要写代理参数 ```bash curl -x socks5://127.0.0.1:7981 http://www.google.com # -x 参数等同于 --proxy ``` ### 设置配置文件 每次使用`curl`的时候都会使用代理 ```bash # 修改curl配置文件 vim ~/.curlrc # 写入 socks5 = "127.0.0.1:7981" # 如果临时不需要代理使用以下参数 curl --noproxy "*" http://www.google.com ``` ### 设置linux全局代理配置 不仅仅适用于`curl`，大部分的linux命令行工具都会读取这个配置通过代理访问网络。 ```text # 修改shell配置文件 ~/.bashrc ~/.zshrc等 export http_proxy=socks5://127.0.0.1:7981 export https_proxy=$http_proxy # 设置setproxy和unsetproxy 可以快捷的开关 # 需要时先输入命令 setproxy # 不需要时输入命令 unsetproxy alias setproxy="export http_proxy=socks5://127.0.0.1:7981; export https_proxy=$http_proxy; echo 'HTTP Proxy on';" alias unsetproxy="unset http_proxy; unset https_proxy; echo 'HTTP Proxy off';" ``` ### 排查问题 ### `curl -v` 参数会输出请求中访问的路由信息，方便确定是否设置成功，请求有没有代理 ### `netstat -nat | grep 7981` 查看与代理端口相链接的端口 ### `lsof -i :7981` 查看端口相关的进程 ## WSL WSL 可以直接访问主机代理 ## SSH SSH 的代理配置这里是为了 Github 的 ssh 访问 配置方式如下 这里需要说明一下，下面配置中执行了 nc 命令，所以这里我们需要安装 BSD 版本的 netcat 工具，GNU 的没法使用代理[^Github git SSH 代理设置]。 ### SSH 代理 这里用的环境是 Arch Linux ```shell # 有时候你需要自己 sudo pacman -Ss netcat , 看清楚是 BSD 版本的就行 sudo pacman -S community/openbsd-netcat ``` 配置 ```ssh-config # ~/.ssh/config Host github.com *.github.com User git IdentityFile ~/.ssh/<私钥> ProxyCommand nc -X 5 -x : %h %p ``` [^Github git SSH 代理设置]: https://nswebfrog.com/posts/2021/01/31-github-ssh-proxy/ ## Docker URL: https://hencte.top/log/docker Summary: Docker 使用备忘：记录用 docker run 一条命令启动 MySQL 5.7 容器的写法，映射 3306 端口并通过 MYSQL_ROOT_PASSWORD 环境变量设置 root 密码。 日期: 2022-10-05 Tags: Docker ## Mysql ```shell # MySql 5.7 docker run --name mysql57 -p 3306:3306 -e MYSQL_ROOT_PASSWORD=root -d mysql:5.7 ``` ## Android 刷机日志 URL: https://hencte.top/log/android Summary: 一份简明的 Android 刷机笔记：按顺序记录解锁 Bootloader、可选开启官方 Root、用秋之盒刷入对应机型 REC，再到 TWRP 中刷入底包的步骤。 日期: 2022-10-05 Tags: Android, REC, BL, ROOT 简单记录一下我的刷机历程 ## 解锁 BL 根据官方工具提示解锁即可 ## Root·可选 设置里面搜索 root「此 root 是官方给开发版提供的」 ## 刷 REC 找到对应机型的 REC 用秋之盒刷入即可 ## TWRP TWRP 里面可刷入底包 ## Arch Linux 踩坑记录 URL: https://hencte.top/log/arch-linux Summary: 作者的 Arch Linux 踩坑记录：基于官方 Wiki 给出安装路线，汇总 pacman GPGME 报错、双系统时间不同步、内核固件缺失警告等问题的解法，并整理 fcitx5、Clash、VirtualBox 等常用软件的安装配置。 日期: 2022-10-01 Tags: ArchLinux, Linux, KISS ## 引言 Linux 拥有各种各样的发行版本，但是 Arch Linux 是我入坑 Linux 的一个比较重要的版本（同时后面也无法放下的一个版本）。 我非常喜欢 Arch Wiki 里面的一句话： > - Arch Linux 将简洁定义为：**避免任何不必要的添加、修改和复杂增加**。 > - Keep It Simple, Stupid（对应中文为“保持简单，且一目了然”）。 我个人的安装是参考 ArchLinux 的 [官方 Wiki](https://wiki.archlinux.org/) 基本安装需要参考的文章顺序如下（这里只给出英文的链接，自行切换中文）： 1. [Installation guide](https://wiki.archlinux.org/title/Installation_guide) 2. [Arch boot process](https://wiki.archlinux.org/title/Arch_boot_process) - [GRUB](https://wiki.archlinux.org/title/GRUB) 3. [General recommendations](https://wiki.archlinux.org/title/General_recommendations) 4. [List of applications](https://wiki.archlinux.org/title/List_of_applications) 这里是我的踩坑记录，部分软件安装现在由下面两个项目替代解决，本文只记录碰到的问题和参考用到的文章或者教程什么的，关于安装部分我参考了： - Arch Tutorial - Arch Linux 简明指南 其中「简明指南」派生自「ArchTurorial」，并且 简明指南 对虚拟机的模拟，是尽量模拟了物理机的，所以我个人更加倾向简明指南，当然，无论这两个指南写的再棒 ## ~~双系统分区方案~~ > [!NOTE] 2025年11月07日 > 由于机械革命 Code 01 的老旧问题，目前不再采取双系统方案 双系统不是必须的，如果不喜欢双系统，可以参考下面的 [WSL Archlinux] 由于存在不同的硬盘接口，这里的分区使用 `pn` 替代 | 挂载点 | 分区 | 大小 | 挂载顺序 | |:---------------:|:----:|:---------:|:----:| | `/mnt` | `p3` | 256 GiB | 1 | | `[SWAP]` | `p2` | 「与内存大小一致」 | 2 | | `/mnt/efi/boot` | `p1` | 512 MiB | 3 | | `/mnt/home` | `p4` | 剩余空间 | 4 | ### 多系统解决 ~~机启动出现 `错误 sparse file not allowed archlinux`~~ ```shell sudo vim /etc/default/grub ``` 对 `/etc/default/grub` 进行取消注释 ```ini GRUB_DISABLE_OS_PROBER=false ``` ## 问题记录 ### 一、使用 `pacman` 更新时遇到「GPGME 错误：无数据」 解决方案[^1] ```shell sudo rm /var/lib/pacman/sync/*.sig ``` ### 二、双系统时间不同步问题 原因：Windows 系统使用 UTC[^2] Windows 使用 UTC 后，请记得禁用 Windows 的时间同步功能，以防 Windows 错误设置硬件时间。如上文所说，Linux 可以使用[NTP 服务]()来在线同步硬件时钟。 使用 `regedit`,新建如下 DWORD 值，并将其值设为十六进制的 `1`。 右键左下角的开始菜单 ```powershell reg add "HKEY_LOCAL_MACHINE\System\CurrentControlSet\Control\TimeZoneInformation" /v RealTimeIsUniversal /d 1 /t REG_DWORD /f ``` 如果以上操作不起作用，并且你使用的是 Windows 64 位系统，将 `DWORD` 修改为 `QWORD`。 如果 Windows 要求根据夏令时更新时钟，可以允许。时钟仍然是 UTC，仅是显示时间会改变。 ### 三、模块缺失的警告[^3] 解决 Arch Linux 构建内核模块时报模块缺失的警告 当我们安装完 Arch Linux 时，你会发现构建内核模块「执行下述命令」时出现警告 `==> WARNING: Possibly...` 内容 ```shell # 构建内核模块 sudo mkinitcpio -P ``` 警告内容如下： ```text ==> WARNING: Possibly missing firmware for module: wd719x ==> WARNING: Possibly missing firmware for module: aic94xx ==> WARNING: Possibly missing firmware for module: xhci_pci ``` 新错误： ```text ==> WARNING: Possibly missing firmware for module: bfa ==> WARNING: Possibly missing firmware for module: qed ==> WARNING: Possibly missing firmware for module: qla1280 ==> WARNING: Possibly missing firmware for module: qla2xxx ``` Arch Linux CN 源 和 4edu 源 ```ini # file: /etc/pacman.cfg [archlinuxcn] SigLevel = Optional TrustAll Server = https://mirrors.ustc.edu.cn/archlinuxcn/$arch Server = https://mirrors.tuna.tsinghua.edu.cn/archlinuxcn/$arch Server = https://repo.archlinuxcn.org/$arch [arch4edu] Server = https://mirrors.tuna.tsinghua.edu.cn/arch4edu/$arch ``` **需执行：** ```shell # [cn源] sudo pacman -S archlinuxcn-keyring # [4edu源] sudo pacman-key --recv-keys 7931B6D628C8D3BA sudo pacman-key --finger 7931B6D628C8D3BA sudo pacman-key --lsign-key 7931B6D628C8D3BA ``` **解决：** ```bash yay -S wd719x-firmware aic94xx-firmware upd72020x-fw yay -S mkinitcpio-firmware ``` ### 四、关于键盘 `F1-F12` 被识别为多媒体键 这个问题的原因是我的 RK61 键盘 Fn 按下后出现的问题 ```bash echo 0 | sudo tee /sys/module/hid_apple/parameters/fnmode # 写入配置文件以永久保持，否则重启需要重新执行 echo "options hid_apple fnmode=0" | sudo tee -a /etc/modprobe.d/hid_apple.conf # 执行下面命令并重启 sudo mkinitcpio -P && sudo reboot now ``` [^1]: pacman更新时遇到「GPGME 错误：无数据」 - 竹林里有冰的博客 [^2]: System time - ArchWiki ## 个人配置 关闭 fish 启动提示 ```shell set -U fish_greeting "" ``` ## Arch Linux 软件安装及配置 ### 中文输入法 fcitx5 > 输入法还是很重要的，毕竟有了输入法你才能描述你的问题给**搜索引擎**,`fcitx5-pinyin-zhwiki` 和 `fcitx5-pinyin-moegirl` 是词库 ```shell yay -S fcitx5-im fcitx5-chinese-addons fcitx5-pinyin-zhwiki fcitx5-pinyin-moegirl # 推荐两个皮肤 yay -S community/fcitx5-nord yay -S ommunity/fcitx5-material-color ``` 配置 ```shell # ~/.pam_environment GTK_IM_MODULE DEFAULT=fcitx5 QT_IM_MODULE DEFAULT=fcitx5 XMODIFIERS DEFAULT=@im=fcitx5 INPUT_METHOD DEFAULT=fcitx5 SDL_IM_MODULE DEFAULT=fcitx ``` ### KDE 窗口装饰器 ```shell # 更新后不建议安装 sudo pacman -S archlinuxcn/sierrabreeze-kwin-decoration-git ``` ### Code OSS Code 是 Visual Studio Code 的替代品，即不带微软官方私有的纯开源编译版本 ```shell yay -S code # 切换微软扩展源 yay -S code-marketplace ``` ### 坚果云 说实话，坚果云的安装有点运气成分在里面 ```shell yay -S nutstore ``` ### WPS Office ```shell # 这里安装的是国内版本，国际版本请将 `aur/wps-office-cn` 替换成 `aur/wps-office` yay -S aur/wps-office-cn aur/wps-office-mui-zh-cn aur/ttf-wps-fonts ``` ### LibreOffice ```shell sudo pacman -Ss libreoffice-fresh libreoffice-fresh-zh-cn ``` ### Clash ```shell # 安装 sudo pacman -S clash ``` #### 安装 `Country.mmdb`[^Country.mmdb] [^Country.mmdb]: ) #### 配置文件位置 ```yml # file： ~/.config/clash/config.yml external-controller: 127.0.0.1:9090 # secret: 'admin.123' # 配置 Web UI 请安装 yacd，该包在 ArchLinuxCN 源中 external-ui: '/usr/share/yacd' ``` #### 配置 Systemd 服务 - 下方的 `hencter` 为当前用户名 - 使用 `echo $USER` 查看当前用户名 - `/etc/systemd/system/clash.service` ```ini [Unit] Description=Clash daemon, A rule-based proxy in Go. After=network.target [Service] Type=simple Restart=always ExecStart=/usr/bin/clash -d /home/hencter/.config/clash [Install] WantedBy=multi-user.target ``` ```shell sudo systemctl enable clash sudo systemctl start clash ``` #### 浏览器访问 UI 控制界面 直接访问下方地址即可 ### Virtualbox ```shell yay -S community/virtualbox-host-dkms community/virtualbox archlinuxcn/virtualbox-ext-oracle community/virtualbox-guest-iso core/net-tools # 加载 Virtualbox 内核模块 sudo modprobe vboxdrv vboxnetadp vboxnetflt # 使用下面命令检查 Virtualbox 模块加载 # 该命令需要在 Root 权限下运行 sudo vboxreload # 将当前用户添加到 `vboxusers` 用户组中 sudo gpasswd -a $USER vboxusers ``` ### Go ```shell sudo pacman -S go ``` [Go 1.13 及以上（推荐）](https://goproxy.cn/#usage-go-113-and-above-recommended) 打开你的终端并执行 ```shell go env -w GO111MODULE=on go env -w GOPROXY=https://goproxy.cn,direct ``` 参考： ## Windows 基本安装与维护 URL: https://hencte.top/log/windows-daily Summary: Windows 10 安装与维护笔记：涵盖 DiskGenius 分区、Dism++ 释放映像装机、初始化引导设置，以及 Windows Terminal 美化、脚本执行策略调整、KMS 激活与符号链接等问题处理。 日期: 2022-10-01 Tags: Windows 这里采用 Windows 10 操作系统作为内容。 ## 分区 1. 使用 DiskGenius markdown front meta 将安装系统的磁盘进行清除扇区，以保证安装过程中不会出错 2. 清除分区后请将磁盘格式转换成 GUID 格式 3. 新建分区：勾选[建立 ESP 分区]，其余默认 4. 主磁盘分区设置 $256*1024+8=262152MiB$ (结尾务必为 8),卷标自行设置 5. 剩余空间自行分配(这里我按照我的个人习惯来了) 这里我为存放数据分配了 512008MB 空间 6. 由于硬盘还算大，所以我将剩余的空间留给了双系统的 ArchLinux 大约还剩 253.6GB，Linux 的话是完全足够了的 ## Dism++ 安装系统 1. 打开 Dism++ 按下 `Ctrl` + `N` 释放映像 选择镜像和释放位置，勾选[格式化]和[添加引导] 2. 选择 ESP 分区，也就是刚才创建的 300MB 的那个分区 3. 等待…… 4. 打开会话，关闭系统启动项的 SecurityHealth [也就是微软自带的杀毒软件] 5. 系统简单做一些小优化，具体查看控制面板下的系统优化内部条目 6. 配置完成后重新启动 ## Windows 10 初始化引导配置 1. 选择区域 `下一步` 2. 选择输入法/键盘布局 `下一步` 3. 网络 1. `我没有 Internet 连接` 2. `继续执行有限的设置` 4. 接受 “Windows 10 许可协议”`接受` 5. 输入“用户名”建议英文「中文在安装某些软件可能会受到影响」`下一步` 6. 密码 **这里建议先跳过直接点击下一步**， 此时创建密码需要设置三个密保问题！！！ 会浪费很多时间！！！可选项 `下一步` 7. 服务，全部先关闭，这里的服务暂时没什么用处 8. 等待... 9. 进入系统后将右下角的 OneDrive 关闭，并在控制面版里面卸载 10. 此时联网进入设置更新系统，重命名主机名并且重启一次 ## Windows Terminal 微软应用商店中下载 Windows Terminal > 参考：[Windows Terminal 美化](https://zhuanlan.zhihu.com/p/352882990) ### 安装 oh-my-posh 和 posh-git ```powershell # 管理员运行 powershell Install-Module posh-git Install-Module oh-my-posh Install-Module DirColors ``` ```powershell > code $PROFILE ============================== Import-Module posh-git Import-Module oh-my-posh Import-Module DirColors Set-PoshPrompt -Theme Material ============================== ``` ## 「问题」PowerShell因为在此系统上禁止运行脚本，解决方法 ```powershell set-executionpolicy remotesigned ``` ### 注意 Windows + Linux 双系统状态，在切换系统时请务必重启，不然 Windows 会独占无线网卡让 Linux 没法检测到 ### LTSC 2019 激活 > 2021.10.16 > 设置 KMS 密钥，密钥来自[微软](https://docs.microsoft.com/zh-cn/windows-server/get-started/kms-client-activation-keys#windows-10-ltsc-2019 "ＫＭＳ激活说明") ```powershell slmgr.vbs /ipk 密钥 # (KMS 服务器地址) slmgr.vbs /skms kms.loli.beer slmgr.vbs /ato ``` ## 「问题」Windows 软链接链接 [Windows 下创建符号链接](https://blog.csdn.net/yin0hao/article/details/88052343) ### **目录（Directory）** MKLINK 创建符号链接。 ```cmd MKLINK [[/D] | [/H] | [/J]] Link Target ``` 删除 ```cmd RD ``` ### 问题记录 > 这几天用的 Windows 10 系统遇到一个莫名奇妙的问题，就是在快速访问里总是固定了下载文件夹，而且无法取消固定，其它文件夹都正常就是它不能取消固定，始终顽固的显示在快速访问里。即使我在“查看|选项|隐私"里取消对”在‘快速访问’中显示最近使用的文件”和“在‘快速访问’中显示常用文件夹”的勾选，再清除文件资源管理器历史记录最不行。 --- > 最后在询问了度娘 N 多关键词后终于在一个解决其它快速访问功能异常的问答中找到了解决我这个问题的答案。 在文件资源管理器地址栏输入： ```cmd %APPDATA%\Microsoft\Windows\Recent\AutomaticDestinations ``` 打开的文件夹里找到文件：`f01b4d95cf55d32a.automaticDestinations-msv` **删除它**，**或者安全起见你可以剪切它到其它地方**，问题就这么简单的解决了：） ## WSL 问题记录 URL: https://hencte.top/log/wsl Summary: WSL 使用笔记：通过微软商店或 wsl --list --online 安装 Debian 系发行版，并用 netsh interface portproxy 将主机端口转发到 WSL 地址，配合 Clash 等代理使用。 日期: 2022-10-01 Tags: WSL, Windows, System, Linux, Develop ## Debian系列等安装 **Nothing:** Just in the Microsoft Store Installed 没什么好说的,凡是微软应用商店有的直接下载安装即可 ```shell wsl --list --online ``` ## 端口转发配置 ```shell # Clash # 172.17.40.17 为 WSL 的地址，可以使用 `ifconfig` 查看 eth0 网卡地址 netsh interface portproxy add v4tov4 listenport=7891 listenaddress=0.0.0.0 connectport=7891 connectaddress=172.17.40.17 netsh interface portproxy add v4tov4 listenport=7890 listenaddress=0.0.0.0 connectport=7890 connectaddress=172.17.40.17 netsh interface portproxy add v4tov4 listenport=9090 listenaddress=0.0.0.0 connectport=9090 connectaddress=172.17.40.17 ``` ```shell # 展示所有端口转发 netsh interface portproxy show all # 清除所有端口转发 netsh interface portproxy reset ``` ## 周髀算经 URL: https://hencte.top/ancient/周髀算经 Summary: 《周髀算经》是中国古代最著名的数学和天文学著作之一，成书时间大约在公元前一世纪至公元一世纪之间（西汉至东汉初期）。它不仅是现存最早的数学典籍之一，也是天文学史上的重要文献，集中体现了古代中国对数学、历法和宇宙观的认知。 日期: 2022-08-23 Tags: Ancient, Math ## 卷之始 夫《周髀为经》，亦约谓《周髀》，数术专业，唐收《算经十书》，为《十经》之首。 夫髀为书，至今无一说，或以为周公所为，或谓之汉末成。 夫《周髀算经》，中国史之最早者天文历算，亦中国传之已久，乃后世数学之源，其算归质于中国数学，历代数家奉经。 ## 卷上之一 昔者周公问于商高曰：窃闻乎大夫善数也。 请问古者包牺立周天历度，夫天不可阶而升；地不可得尺寸而度，请问数安从出？ 商高曰：数之法，出于圆方，圆出于方，方出于矩，矩出于九九八十一。 故折矩，以为句广三，股修四，径隅五。 既方之，外半其一矩，环而共盘。得成三四五。 两矩共长二十有五。是谓积矩。 故禹之所以治天下者。此数之所生也。 周公曰：大哉言数，请问用矩之道？ 商高曰：平矩以正绳，偃矩以望高，覆矩以测深，卧矩以知远，环矩以为圆，合矩以为方。 方属地，圆属天，天圆地方。方数为典，以方出圆，笠以写天。 天青黑，地黄赤，天数之为笠也。青黑为表，丹黄为里，以象天地之位。 是故，知地者智，知天者圣。智出于句，句出于矩。 夫矩之于数，其裁制万物，惟所为耳。 周公曰：善哉。 ## 卷上之二 昔者，荣方问于陈子。 曰：今者窃闻夫子之道，知日之高大，光之所照，一日所行。 远近之数，人所望见，四极之穷，列星之宿，天地之广袤。 夫子之道，皆能知之，其信有之乎？ 陈子曰：然。 荣方曰：方虽不省，愿夫子幸而说之。今若方者，可教此道耶？ 陈子曰。然，此皆算术之所及。 子之于算，足以知此矣，若诚累思之。 于是荣方归而思之，数日不能得，复见陈子曰：方、思之不能得，敢请问之。 陈子曰：思之未熟。此亦望远起高之术，而子不能得，则子之于数，未能通类。 是智有所不及，而神有所穷。 夫道术、言约而用博者，智类之明。问一类而以万事达者，谓之知道。 今子所学，算数之术，是用智矣，而尚有所难，是子之智类单。 夫道术所以难通者。既学矣，患其不博；既博矣，患其不习；既习矣，患其不能知。 故同术相学，同事相观，此列士之愚智，贤不肖之所分。 是故能类以合类，此贤者业精习智之质也。 夫学同业而不能入神者，此不肖无智，而业不能精习，是故算不能精习。 吾岂以道隐子哉，固复熟思之。 荣方复归思之，数日不能得，复见陈子曰： 方思之以精熟矣，智有所不及，而神有所穷，知不能得，愿终请说之。 陈子曰：复坐，吾语汝。 于是荣方复坐而请陈子之说，曰： 夏至南万六千里，冬至南十三万五千里。日中立竿测影，此一者，天道之数。 周髀长八尺，夏至之日晷一尺六寸。 髀者，股也，正晷者，句也。 正南千里，句一尺五寸，正北千里。句一尺七寸。 日益表，南晷日益长，候句六尺。 即取竹空径一寸，长八尺，捕影而视之，空正掩日，而日应空之孔，由此观之，率八十寸，而得径一寸。 故以句为首，以髀为股。 从髀至日下六万里，而髀无影，从此以上至日，则八万里。 以率率之，八十里得径一里，十万里得径千二百五十里。 故曰：日晷径，千二百五十里。 若求邪至日者，以日下为句，日高为股，句股各自乘，并而开方除之，得邪至日，从髀所旁至日所，十万里。 法曰：周髀长八尺，句之损益，寸千里。 故曰：极者天广袤也。 今立表高八尺以望极，其句一丈三寸，由此观之，则从周北十万三千里而至极下。 荣方曰：周髀者何？ 陈子曰：古时天子治周，此数望之从周，故曰周髀。髀者，表也。 日夏至南万六千里，日冬至南十三万五十里，日中无影。 以此观之，从南至夏至之日中十一万九千里，北至其夜半亦然。 凡径二十三万八千里，此夏至日道之径也，其周七十一万四千里。 从夏至之日中，至冬至之日中，十一万九千里，北至极下亦然。 则从极南至冬至之日中，二十三万八千里，从极北至其夜半亦然。 凡径四十七万六千里，此冬至日道径也，其周百四十二万八千里。 从春秋分之日中北至极下，十七万八千五百里，从极下北至其夜半亦然。 凡径三十五万七千里，周一百七万一千里。故曰月之道常缘宿，日道亦与宿正。 南至夏至之日中，北至冬至之夜半，南至冬至之日中，北至夏至之夜半，亦径三十五万七千里，周一百七万一千里。 春分之日夜分，以至秋分之日夜分，极下常有日光。 秋分之日夜分，以至春分之日夜分，极下常无日光。 故春秋分之日夜分之时，日光所照，适至极，阴阳之分等也。冬至夏至者，日道发敛之所生也，至昼夜长短之所极。 春秋分者，阴阳之修，昼夜之象。 昼者阳，夜者阴。春分以至秋分，昼之象；秋分至春分，夜之象。 故春秋分之日中，光之所照北极下，夜半日光之所照亦南至极，此日夜分之时也。故曰日照四旁，各十六万七千里。 人所望见远近，宜如日光所照。 从周所望见，北过极六万四千里。 南过冬至之日三万二千里，夏至之日中光。南过冬至之日中光四万八千里，南过人所望见万六千里。 北过周十五万一千里，北过极四万八千里。冬至之夜半日光，南不至人目所见七千里， 不至极下七万一千里。 夏至之日中与夜半日光九万六千里，过极相接。 冬至之日中与夜半日光，不相及十四万二千里，不至极下七万一千里。 夏至之日，正东西望，直周东西日下至周五万九千五百九十八里半。 冬至之日，正东西方不见日。 以算求之，日下至周二十一万四千五百五十七里半。 凡此数者，日道之发敛。 冬至夏至，观律之数，听钟之音。 冬至昼，夏至夜。 差数及日光所还观之，四极径八十一万里，周二百四十三万里。 从周南至日照处三十万二千里，周北至日照处五十万八千里，东西各三十九万一千六百八十三里半，周在天中南十万三千里，故东西短中径二万六千六百三十二里有奇。 周北五十万八千里，冬至日十三万五千里，冬至日道径四十七万六千里，周百四十二万八千里，日光四极，当周东西各三十九万一千六百八十三里有奇。 此方圆之法。 ## 卷上之三 凡为此图，以丈为尺，以尺为寸，以寸为分。分、一千里。凡用缯方八尺一寸，今用缯方四尺五分。分、为二千里。 吕氏曰：凡四海之内，东西二万八千里，南北二万六千里。 凡为日月运行之圆周，七衡周而六闲，以当六月，节六月为百八十二日八分日之五。 故日夏至在东井极内衡，日冬至在牵牛极外衡也。衡复更。终冬至。 故曰一岁三百六十五日四分日之一，岁一内极一外极。 三十日十六分日之七，月一外极一内极。 是故，一衡之闲，万九千八百三十三里三分里之一，即为百步。 欲知次衡径，倍而增内衡之径。 二之，以增内衡径，次衡放此。 内一衡径二十三万八千里，周七十一万四千里，分为三百六十五度四分度之一，度得一千九百五十四里二百四十七步千四百六十一分步之九百三十三。 次二衡径二十七万七千六百六十六里二百步，周八十三万三千里，分里为度，度得二千二百八十里百八十八步千四百六十一分步之千三百三十二。 次三衡径三十一万七千三百三十三里一百步，周九十五万二千里，分为度，度得二千六百六里百三十步千四百六十一分步之二百七十。 次四衡径三十五万七千里，周一百七万一千里，分为度，度得二千九百三十二里七十一步四千百六十一分步之六百六十九。 次五衡径三十九万六千六百六十六里二百步，周百一十九万里，分为度，度得三千二百五十八里十二步千四百六十一分步之千六十八。 次六衡径四十三万六千三百三十三里一百步，周百三十万九千里，分为度，度得三千五百八十三里二百五十四步千四百六十一分步之六。 次七衡径四十七万六千里周百四十二万八千里，分为度，度得三千九百九里一百九十五步千四百六十一分步之四百五。 其次曰，冬至所北照过北衡十六万七千里，为径八十一万里，周二百四十三万里。 分为三百六十五度四分度之一，度得六千六百五十二里二百九十三步千四百六十一分步之三百二十七。 过北而往者，未之或知。或知者，或疑其可知，或疑其难知，此言上圣不学而知之。 故冬至日晷丈三尺五寸，夏至日晷尺六寸。冬至日晷长，夏至日晷短。日晷损益寸，差千里。 故冬至夏至之日，南北游十一万九千里，四极径八十一万里，周二百四十三万里，分为度，度得六千六百五十二里二百九十三步千四百六十一分步之三百二十七，此度之相去也。 其南北游日六百五十一里一百八十二步一千四百六十一分步之七百九十八。 术曰：置十一万九千里为实，以半岁一百八十二日八分日之五为法，而通之。 得九十五万二千为实，所得一千四百六十一为法，除之。 实如法得一里，不满法者，三之。如法得百。步。 不满法者十之，如法得十，步。 不满法者十之，如法得一，步。 不满法者，以法命之。 ## 卷下之一 凡日月运行，四极之道。 极下者，其地高人所居六万里，滂沱四𬯎而下。 天之中央，亦高四旁六万里。 故日光外所照，经八十一万里，周二百四十三万里。 故日运行处极北，北方日中，南方夜半；日在极东，东方日中，西方夜半；日在极南，南方日中，北方夜半；日在极西，西方日中，东方夜半，凡此四方者详，天地四极四和。 昼夜易处，加四时相及。 然其阴阳所终，冬夏所极，皆若一也。 天象盖笠，地法覆盘。天离地八万里。 冬至之日，虽在外衡，常出极下地上二万里。 故日兆月，月光乃出，故成明月，星辰乃得行列。 是故秋分以往到冬至，三光之精微，以成其道远。 此天地阴阳之性自然也。 欲知北极枢，旋周四极。 当以夏至夜半时，北极南游所极。 冬至夜半时，北游所极。 冬至日加酉之时，西游所极。 日加卯之时，东游所极。 此北极璇玑四游。 正北极枢，璇玑之中，正北，天之中，正极之所游。 冬至日加酉之时，立八尺表，以绳系表颠，希望北极中大星，引绳计地而识之。 又到旦明日加卯之时，复引绳希望之，首及绳致地，而识其端相去二尺三寸，故东西极二万三千里。 其两端相去，正东西。中折之，以指表，正南北。 加此时者，皆以漏揆度之，此东西南北之时。 其绳致地，所识去表丈三寸，故天之中去周十万三千里。 何以知其南北极之时，以冬至夜半北游所极也，北过天中万一千五百里，以夏至南游所极，不及天中万一千五百里，此皆以绳系表颠而希望之。北极至地所识丈一尺四寸半，故去周十一万四千五百里。 过天中万一千五百里，其南极至地所识九尺一寸半，故去周九万一千五百里，其南不及天中万一千五百里，此璇玑四极南北过不及之法，东西南北之正句。 周去极十万三千里，日去人十六万七千里。 夏至去周万六千里，夏至日道径二十三万八千里，周七十一万四千里。 春秋分日道径三十五万七千里，周百七万一千里。 冬至日道径四十三万六千里，周百四十二万八千里。 日光四极八十一万里，周二百四十三万里，从周南三十万二千里。 璇玑径二万三千里，周六万九千里。此阳绝阴彰，故不生万物。 其术曰：立正句定之。 以日始出，立表而识其晷，日入复识其晷。晷之两端相直者，正东西也。中折之，指表者。正南北也，极下不生万物，何以知之。 冬至之日，去夏至十一万九千里，万物尽死。夏至之日，去北极十一万九千里，是以知极下不生万物，北极左右，夏有不释之冰。 春分秋分，日在中衡。春分以往，日益北五万九千五百里而夏至。秋分以往，日益南五万九千五百里而冬至。 中衡去周七万五千五百里。中衡左右，冬有不死之草，夏长之类。 此阳彰阴微，故万物不死，五谷一岁再熟。 凡北极之左右，物有朝生暮获。 立二十八宿，以周天历度之法。 术曰：倍正南方。 以正句定之，即平地径二十一步，周六十三步，令其平矩以水正。 则位径一百二十一尺七寸五分，因而三之，为三百六十五尺四分尺之一。 以应周天三百六十五度四分度之一，审定分之，无令有纤微。 分度以定，则正督经纬，而四分之一，合各九十一度十六分度之五，于是圆定而正。 则立表正南北之中央，以绳系颠，希望牵牛中央星之中，则复候须女之星先至者。 如复以表绳，希望须女先至定中。 即以一游仪，希望牵牛中央星，出中正表西几何度。 各如游仪所至之尺，为度数。 游在于八尺之上，故知牵牛八度。 其次星，放此，以尽二十八宿度，则定矣。 立周度者，各以其所先至游仪度上。 车辐引绳就中央之正以为毂，则正矣。 日所以入，亦以周定之。 欲知日之出入。 以东井夜半中，牵牛之初临子之中。 东井出中正表西三十度十六分度之七而临未之中，牵牛初亦当临丑之中，于是天与地协。 乃以置周二十八宿。 置以定，乃复置周度之中央，立正表。 以冬至夏至之日，以望日始出也，立一游仪于度上，以望中央表之晷。 晷参正，则日所出之宿度。 日入放此。 ## 卷下之二 牵牛，去北极百一十五度千六百九十五里二十一步千四百六十一分步之八百一十九。 术曰：置外衡去北极枢二十三万八千里，除璇玑万一千五百里，其不除者，二十二万六千五百里，以为实。 以内衡一度数千九百五十四里二百四十七步千四百六十一分步之九百三十三以为法。 实如法得一，度。 不满法，求里，步。 约之，合三百得一，以为实。 以千四百六十一分为法，得一，里。 不满法者，三之，如法得百，步。 不满法者，又上十之，如法得一，步。 不满法者，以法命之。 次、放此。 娄与角，去北极九十一度六百一十里二百六十四步千四百六十一分步之千二百九十六。 术曰：置中衡去北极枢十七万八千五百里，以为实。 以内衡一度数为法，实如法得一，度。不满法者，求里，步。不满法者，以法命之。 东井去北极六十六度千四百八十一里百五十五步千四百六十一分步之千二百四十五。 术曰、置内衡去北极枢十一万九千里，加璇玑万一千五百里。 得十三万五百里，以为实。 以内衡一度数为法，实如法得一，度。不满法者，求里，步。不满法者，以法命之。 凡八节二十四气，气损益九寸九分六分分之一。冬至晷长一丈三尺五寸，夏至晷长一尺六寸。问次节损益寸数长短各几何？ 冬至晷长丈三尺五寸， 小寒丈二尺五寸，小分五。 大寒丈一尺五寸一分，小分四。 立春丈五寸二分，小分三。 雨水九尺五寸三分，小分二。 启蛰八尺五寸四分，小分一。 春分七尺五寸五分。 清明六尺五寸五分，小分五。 谷雨五尺五寸六分，小分四。 立夏四尺五寸七分，小分三。 小满三尺五寸八分，小分二。 芒种二尺五寸九分，小分一。 夏至一尺六寸。 小暑二尺五寸九分，小分。 大暑三尺五寸八分，小分二。 立秋四尺五寸七分，小分三。 处暑五尺五寸六分，小分四。 白露六尺五寸五分，小分五。 秋分七尺五寸五分，小分一。 寒露八尺五寸四分，小分一。 霜降九尺五寸三分，小分二。 立冬丈五寸二分，小分三。 小雪丈一尺五寸一分，小分四。 大雪丈二尺五寸，小分五。 凡为八节二十四气。 气损益九寸九分六分分之一。 冬至夏至，为损益之始。 术曰：置冬至晷，以夏至晷减之，馀为实，以十二为法。 实如法得一，寸。不满法者，十之。以法除之，得一，分。不满法者，以法命之。 月后天十三度十九分度之七。 术曰：置章月二百三十五，以章岁十九除之，加日行一度，得十三度十九分度之七，此月一日行之数，即后天之度及分。 小岁，月不及故舍三百五十四度万七千八百六十分度之六千六百一十二。 术曰：置小岁三百五十四日九百四十分日之三百四十八。 以月后天十三度十九分度之七乘之，为实。 又以度分母乘日分母，为法，实如法，得积后天四千七百三十七度万七千八百六十分度之六千六百一十二。 以周天三百六十五度万七千八百六十分度之四千四百六十五除之。 其不足除者，三百五十四度万七千八百六十分度之六千六百一十二。 此月不及故舍之分度数，他皆放此。 大岁，月不及故舍十八度万七千八百六十分度之万一千六百二十八。 术曰：置大岁三百八十三日九百四十分日之八百四十七。 以月后天十三度十九分度之七乘之，为实。 又以度分母乘日分母，为法，实如法，得积后天五千一百三十二度万七千八百六十分度之二千六百九十八。 以周天除之，其不足除者，此月不及故舍之分度数。 经岁，月不及故舍百三十四度万七千八百六十分度之万一百五。 术曰：置经岁三百六十五日九百四十分日之二百三十五。 以月后天十三度十九分度之七乘之，为实。 又以度分母乘日分母，为法，实如法，得积后天四千八百八十二度万七千八百六十分度之万四千五百七十。 以周天除之，其不足除者，此月不及故舍之分度数。 小月，不及故舍二十二度万七千八百六十分度之七千七百五十五。 术曰：置小月二十九日。 以月后天十三度十九分度之七乘之，为实。 又以度分母乘日分母，为法，实如法，得积后天三百八十七度万七千八百六十分度之万二千二百二十。 以周天分除之，其不足除者，此月不及故舍之分度数。 大月，不及故舍三十五度万七千八百六十分度之万四千三百三十五。 术曰：置大月三十日。 以月后天十三度十九分度之七乘之，为实。 又以度分母乘日分母，为法，实如法，得积后天四百一度万七千八百六十分度之九百四十。 以周天除之，其不足除者，此月不及故舍之分度数。 经月，不及故舍二十九度万七千八百六十分度之九千四百八十一。 术曰：置经月二十九日九百四十分日之四百九十九。 以月后天十三度十九分度之七乘之为实。 又以度分母乘日分母，为法，实如法，得积后天三百九十四度万七千八百六十分度之万三千九百四十六。 以周天除之，其不足除者，此月不及故舍之分度数。 六百五十二万三千三百六十五除之，得一周，馀分五十二万七千四百二十一，即不及故舍之分，以一万七千八百六十除之，得经月不及故舍二十九度。不尽九千四百八十一，即以命分。 ## 卷下之三 冬至昼极短，日出辰而入申。阳照三，不覆九。东西相当，正南方。 夏至昼极长，日出寅而入戌。阳照九，不覆三。东西相当，正北方。 日出左而入右，南北行。 故冬至从坎阳在子，日出巽而入坤，见日光少，故曰寒。 夏至从离阴在午，日出艮而入干，见日光多，故曰暑。 日月失度，而寒暑相奸。 往者诎，来者信也，故诎信相感。 故冬至之后，日右行。夏至之后，日左行。左者往，右者来。 故月与日合，为一月。 日复日，为一日。日复星，为一岁。 外衡冬至，内衡夏至。 六气复返，皆谓中气。 阴阳之数，日月之法。 十九岁为一章。 四章为一蔀，七十六岁。 二十蔀为一遂，遂千五百二十岁。 三遂为一首，首四千五百六十岁。 七首为一极，极三万一千九百二十岁。生数皆终，万物复始。 天以更元作纪历。 何以知天三百六十五度四分度之一，而日行一度。而月后天十三度十九分度之七，二十九日九百四十分日之四百九十九，为一月；十二月十九分月之七，为一岁。 周天除之，其不足除者，如合朔。 古者包牺神农，制作为历。度元之始，见三光未如其则。 日月列星，未有分度。 日主昼，月主夜。昼夜为一日，日月俱起建星。 月度疾，日度迟。日月相逐于二十九日三十日闲。 而日行天二十九度馀，未有定分。 于是三百六十五日南极影长，明日反短，以岁终日影反长。故知之三百六十五日者三，三百六十六日者一。故知一岁三百六十五日四分日之一，岁终也。 月积后天十三周，又与百三十四度馀。无虑后天十三度十九分度之七，未有定。 于是日行天七十六周，月行天千一十六周，及合于建星。 置月行后天之数，以日后天之数除之，得十三度十九分度之七，则月一日行天之度。 复置七十六岁之积月，以七十六岁除之，得十二月十九分月之七，则一岁之月。 置周天度数，以十二月十九分月之七除之，得二十九日九百四十分日之四百九十九，则一月日之数。 ## 终端模拟器 URL: https://hencte.top/log/terminal Summary: Windows Terminal 小技巧：将图标文件放进 RoamingState 目录，在 settings.json 中用 ms-appdata 地址引用，即可自定义标题栏图标；也可用 Ctrl+, 进入图形化配置。 日期: 2022-07-27 Tags: Windows, Tips ## Windows Terminal 配置标题栏图标 ### 图标文件配置[^1] 1. 将图标放在这个目录，然后 `%LOCALAPPDATA%\Packages\Microsoft.WindowsTerminal_8wekyb3d8bbwe\RoamingState` 2. 通过在 `settings.json` 中将此行添加到配置文件来显示图标： `"icon": "ms-appdata:///roaming/ kali.ico"`。 ### 图形化配置 - 打开 Windows 终端，`Ctrl` + `,` 进入终端 GUI 配置 ## Visual Studio Code URL: https://hencte.top/log/visual-studio-code Summary: VS Code 问题记录：package.json 报错无法加载 schemastore 校验模式，成因是同源策略拦截 JSON Schema 下载，启用 json.schemaDownload.enable 配置即可解决。 日期: 2022-07-27 Tags: Editor, Tool, Code ## 问题记录 ### Problems loading reference 'https://json.schemastore.org/package' - 问题描述 CSS contributions to package.json Problems loading reference 'https://json.schemastore.org/package': Unable to load schema from 'https://json.schemastore.org/package': Downloading schemas is disabled through setting 'json.schemaDownload.enable'.(768) - 原因 vscode在加载tsconfig.json文件时会向发送请求，由于本机的同源策略安全设置，不允许跨域访问资源，所有会将该请求的响应数据拦截。 - 解决方案 在 `settings.json` 中启用该配置以获取 JSON schemas。 ```json // When enabled, JSON schemas can be fetched from http and https locations. // 启用后，可以从 http 和 https 位置获取 JSON schemas。 "json.schemaDownload.enable": true ``` ## 插件列表 ## Hugo 使用 URL: https://hencte.top/tech/hugo/usage Summary: Hugo 命令行使用手册：给出 hugo help 帮助信息的中文翻译，涵盖 server、new、mod 等子命令与常用构建参数，并演示 hugo config mounts 与 hugo convert 格式转换。 日期: 2022-07-18 Tags: Hugo, Usage ## Hugo 命令行帮助 在命令行输入 `hugo help` 你会得到以下输出，这里给出翻译 ```txt hugo 是主要命令，可以使用它来构建你的站点 Hugo 是一个快速灵活的静态站点生成器 spf13和它的朋友们匠心打造。 完整文档参考 https://gohugo.io/。 Usage: hugo [flags] huog [command] Available Commands: completion 为指定的 shell 生成自动补全脚本（执行后参考帮助信息） config 打印站点配置 convert 将内容转换为不同格式（执行后参考帮助信息） deploy 将站点部署到云提供商。（参考 https://gohugo.io/hosting-and-deployment/hugo-deploy/） env 打印 Hugo 版本和环境信息 gen 几个有用的生成器的集合。（执行后参考帮助信息） help 关于任何命令的帮助 import 从其他网站导入您的网站。 list 列出各种类型的内容（执行后参考帮助信息） mod 各种 Hugo 模块助手。（执行后参考帮助信息） new 为站点创建新内容（执行后参考帮助信息） server 启动一个高性能 Web 服务器 version 打印雨果的版本号 Flags: -b, --baseURL string 站点根路径, 例如 https://spf13.com/ -D, --buildDrafts 包括被标记为草稿的内容 -E, --buildExpired 包括过期内容 -F, --buildFuture 包括将来带有 publishdate 的内容 --cacheDir string 缓存目录的文件系统路径。 默认： $TMPDIR/hugo_cache/ --cleanDestinationDir 从静态目录中删除找不到的目标中文件 --clock string 设置 Hugo 使用的时钟（这里指的是构建含这个时间点之前的内容）, e.g. --clock 2021-11-06T22:30:00.00+09:00 --config string 配置文件（默认 path/config.yaml|json|toml） --configDir string 配置目录（默认 "config"） -c, --contentDir string 配置内容路径 --debug 调试输出 -d, --destination string 将文件输出到指定目录 --disableKinds strings 禁用不同类型的页面（home、RSS 等） --enableGitInfo 在页面中添加Git版本、日期、作者和代码所有者信息 -e, --environment string 构建环境 --forceSyncStatic 静态内容更改时复制所有文件。 --gc 允许在生成后运行一些清理任务（删除未使用的缓存文件） -h, --help hugo 的帮助信息 --ignoreCache 忽略缓存目录 --ignoreVendorPaths string 葫芦任意对于给定全局模式匹配的模块路径 _vendor -l, --layoutDir string 布局目录的文件系统路径 --log 启用日志记录 --logFile string 日志文件路径（如果设置，则自动启用日志记录） --minify 缩小任何支持的输出格式（HTML、XML 等） --noBuildLock 不要创建。hugo_build。锁定文件 --noChmod 不同步文件的权限模式 --noTimes 不同步文件的修改时间 --panicOnWarning 第一个警告日志出现死机 --poll string 将其设置为轮询间隔， 例如 --poll 700ms, 使用基于轮询的方法监视文件系统更改 --printI18nWarnings 打印缺失的翻译 --printMemoryUsage 每隔一段时间在屏幕上打印内存使用情况 --printPathWarnings 在重复的目标路径上打印警告等。 --printUnusedTemplates 在未使用的模板上打印警告。 --quiet 在安静模式下构建 --renderToMemory 渲染到内存（仅适用于用基准问题测试） -s, --source string 从中读取文件的文件系统路径 --templateMetrics 显示有关模板执行的指标 --templateMetricsHints 结合模板度量计算一些改进提示 -t, --theme strings 要使用的主题（位于 /themes/THEMENAME/） --themesDir string 主题目录的文件系统路径 --trace file 将跟踪写入文件（通常不用） -v, --verbose 详细输出 --verboseLog 详细日志记录 -w, --watch 监视文件系统的更改，并根据需要重新创建 使用 "hugo [command] --help" 查看该命令的更多信息 ``` ## `hugo config mounts` 改命令会打印出 Hugo 的对应挂载（输出的格式为：`JSON`），例如我的 ```shell hugo config mounts [flags] ``` ```json { "path": "project", "version": "", "time": "0001-01-01T00:00:00Z", "owner": "", "dir": "/home/$USER/Path/to/your/site", "mounts": [ { "source": "content", "target": "content" }, { "source": "data", "target": "data" }, { "source": "layouts", "target": "layouts" }, { "source": "i18n", "target": "i18n" }, { "source": "archetypes", "target": "archetypes" }, { "source": "assets", "target": "assets" }, { "source": "static", "target": "static" } ] } ``` ## hugo convert 此命令可以将内容转换为不同格式 ### 概览 将你的内容（例如：front matter）转换为不同格式 更多信息参阅子命令： - `hugo convert toJSON` - `hugo convert toTOML` - `hugo convert toYAML` ```shell ``` ## Diagrams URL: https://hencte.top/tech/hugo/diagrams Summary: 在 Hugo 中使用图表：用 GoAT 语法绘制 ASCII 图表并推荐 Diagon 在线生成器，用 Mermaid 编写流程图、时序图，文中附立方体、光线折射等示例代码。 日期: 2022-07-09 Tags: Hugo, Diagram ## 图表 ### GoAT 图表 (Ascii) GoAT 图表可以通过[这个网站](https://arthursonzogni.com/Diagon/#code_area "Diagon: ASCII art diagram generator")生成 ```text . 0 3 P * Eye / ^ / *-------* +y \ +) \ / Reflection 1 /| 2 /| ^ \ \ \ v *-------* | | v0 \ v3 --------*-------- | |4 | |7 | *----\-----* | *-----|-* +-----> +x / v X \ .-.<-------- o |/ |/ / / o \ | / | Refraction / \ *-------* v / \ +-' / \ 5 6 +z v1 *------------------* v2 | o-----o v ``` ### Mermaid 图 Mermaid 图表参考[官网](https://mermaid-js.github.io/mermaid/#/) 进行编辑 #### 流程图 ```mermaid graph TD; A-->B; A-->C; B-->D; C-->D; ``` #### 时序图 #待办 ```mermaid sequenceDiagram participant Alice participant Bob Alice->>John: Hello John, how are you? loop Healthcheck John->>John: Fight against hypochondria end Note right of John: Rational thoughts
prevail! John-->>Alice: Great! John->>Bob: How about you? Bob-->>John: Jolly good! ``` ## 不背单词实现键盘控制 URL: https://hencte.top/log/bluetooth-keyboard-with-app-for-word-memory Summary: 用蓝牙键盘在 Android 手机上操控「不背单词」App：给出认识、模糊、不认识、下一个、播放音频、拼写切换六个操作的按键映射，并记录 Android 端「继续」「看答案」无映射的已知问题。 日期: 2022-05-26 Tags: Memory 部分参考来自知乎路遥的[蓝牙键盘+不背单词+弯了的 iPadAir3 yyds](https://zhuanlan.zhihu.com/p/427119932 "作者（知乎）：璐瑶") 本文使用的 Android 手机[^红米K30ProZoom] ## 按键映射 - 认识： `q` - 模糊： `w` - 不认识： `e` - 下一个： `n` - 播放音频： `p` - 拼写切换： `f` ## 已知问题 - 「继续」和「看答案」在 Android 端上好像没有映射， 端上有映射（我没有 iPad 所以未验证） [^红米K30ProZoom]: https://www.mi.com/redmik30pro ## Netlify CMS 尝试 URL: https://hencte.top/log/netlify-cms Summary: 静态站点接入 Netlify CMS 的尝试：搭建 admin 后台入口并配置 git-gateway 后端、媒体目录与文章集合字段；因博客迁移到 Cloudflare Pages，最终放弃该方案。 日期: 2022-05-22 Tags: SGG 由于最近迁移博客到 Cloudflare Pages 上了，所以这边放弃了 ## 简单步骤 ### 第一步 在 `static/` 目录下创建 `admin/` 后台目录，主要是用来登录站点的 ### 第二步 在 `admin/` 目录下创建 `index.html` （后台入口文件）和 `config.yml` （配置文件） index.html ```html Content Manager ``` 这里可以参考一下我的 config.yml ```yaml # 在线后端配置 backend: name: git-gateway branch: master # 分支用来更新（可选; 默认到 master） publish_mode: editorial_workflow show_preview_links: true search: false # 本地配置 local_backend: true # 本地后端（建议开启，本地编辑会快很多） locale: [zh_Hans, en] # 语言 # 媒体资源和内容配置 media_folder: static/img public_folder: /img collections: - name: "Post" label: "Post" folder: "content/post" create: true slug: "{{year}}-{{month}}-{{day}}-{{slug}}" editor: preview: true fields: - { label: "Title", name: "title", widget: "string" } - { label: "Publish Date", name: "date", widget: "datetime" } - { label: "Description", name: "description", widget: "string" } - { label: "Body", name: "body", widget: "markdown" } ``` ### 第三步：运行 在运行之前请保证你的目录应该是这样子的 ```txt archetypes assets media uploads content post test layouts partials static admin images ``` 分别在两个终端中运行 第一个终端 ```shell npx netlify-cms-proxy-server ``` 另外一个终端 ```shell hugo server ``` ## Markdown URL: https://hencte.top/tech/hugo/markdown-cheatsheet Summary: Markdown 语法速查表：解释 Markdown 快速排版转 HTML 的定位，逐节给出标题、强调、列表、链接、图片、代码高亮、表格、水平线的写法与效果示例。 日期: 2022-04-22 Tags: Markdown, Cheatsheet 什么是 Markdown？ 我的理解：Markdown 是一种快速的文档排版格式，即一种简单的标记语法， 并快速转换为 HTML 格式的文档（HTML 加上 CSS 和 JavaScript可以制作复杂的文档）， 其目的就是为快速排版而生； 同时又因其十分的简洁（不能设置一些花里胡哨的的样式），这就拥有了十分强大的扩展性。 本文参考大量参考 [Markdown Here Cheatsheet] [Markdown Here Cheatsheet]:https://github.com/adam-p/markdown-here/wiki/Markdown-Here-Cheatsheet ## 标题 要创建标题，请在单词或短语前面添加 `#` （井号）, `#` （井号）的数量代表了「标题的等级」， 例如： `## 标题` 代表二级标题。 ```markdown # H1 ## H2 ### H3 #### H4 ##### H5 ###### H6 对于 H1 和 H2，还有另外一种样式: Alt-H1 ====== Alt-H2 ====== ``` ## 强调 通过将文本设置为粗体或斜体来强调其重要性 ```markdown 强调，又名斜体，带 *星号* 或 _下划线_。 加粗强调, 又名加粗, **星号** or _下划线_。 加粗倾斜强调 **星号 and _下划线_**。 使用两个波浪号 `~` 删除， ~~划掉~~。 ``` 强调，又名斜体，带 *星号* 或 *下划线*。 加粗强调, 又名加粗, **星号** or *下划线*。 加粗倾斜强调 **星号 and *下划线***。 使用两个波浪号 `~` 删除， ~~划掉~~。 ## 列表 ```markdown 1. 第一个有序列表项 1. 另一个有序项 * 无序子项 1. 前面的数字是多少没关系，主要要是一个数字 1. 有序子项 1. 又一个有序项 有时候需要一些文字与上面的列表项对齐，才能进行缩进 * 无序列表可以使用星号 - 也可以用减号 + 也可以用加号 ``` ## 链接 ```markdown [行样式链接](https://hencter.top) [引用样式链接][MDN Web Docs] [可以将数字用于参考样式链接定义][1] 或者将其留空直接链接[文本本身] 使用 `<>` 包裹 URL 可以直接连接到该 URL。 https://hencter.top or 。 注意，你如果使用了 URL 做文本内容，请直接加上花括号，基于用户最好的阅读体验。 (Hugo 中可以不用加，但是为了你文档的可移植性，请务必把它加上) 一些文字表明，参考链接可以在以后跟随。 [MDN Web Docs]: https://developer.mozilla.org/ [1]: http://www.w3c.org/ [文本本身]: http://hencter.top ``` ## 段落 要创建段落，请使用空白行将一行或多行文本进行分隔。 这是一个段落 新段落 ## 换行 在一行的末尾添加 `>= 2` 的空格，然后按回车键,即可创建一个换行元素（标签）：`
` ## 表情和图片 表情，更多请参考[emoji](/tech/hugo/emoji "表情列表") :smile: :lying_face: 行内样式: ![亦幸的头像](/img/avatar.jpg "图片资源引用错误") 引用样式: ![亦幸的头像][avatar] ![请检查网络状态](https://interactive-examples.mdn.mozilla.net/media/cc0-images/elephant-660-480.jpg "夕阳下的大象") [avatar]: /img/avatar.jpg "亦幸的头像" ## 代码和语法高亮 行内代码 Inline `code` has `back-ticks around` it. 代码块 ```javascript var str = "JavaScript 语法高亮"; console.log(str); ``` ```txt 纯文本是得不到任何的语法高亮的哦 ``` ## 表格 冒号用来对齐 | 默认左对齐 | 居中 | 右对齐 | | ---------- | :------: | ---------: | | 左对齐内容 | 居中内容 | 右对齐内容 | 用来区分表头的 `-` 至少三个 两侧的 `|` 为可选项，若你两侧不想写 `|`，请保证你每行都不写 同样的你可以在单元格中是使用原生 Markdown 语法。 | Markdown | Less | Pretty | | :------: | :----: | :------: | | *斜体* | `代码` | **加粗** | | 1 | 2 | 3 | ## 水平线 --- > 古代称用以书写的小幅绢帛。后亦以借指纸。《汉书·外戚传下·孝成赵皇后》：「武（籍武）发篋中，有裹药二枚，赫蹏书。」颜师古注：「邓展曰：『赫音兄弟鬩墙之鬩。』应劭曰：『赫蹏，薄小纸也。』」宋赵彦卫 《云麓漫钞》卷七：「《赵后传》所谓『赫蹏』者，注云『薄小纸』，然其寔亦縑帛。」 ## 站点规范 URL: https://hencte.top/log/spec Summary: 我的博客规范，本文会持续更新 日期: 2022-04-21 Tags: Spec ## 规范参考 - [中文排版需求] w3c 中文排版需求 - [中文文案排版指北] 中文文案排版指北 :white_check_mark: - [中文技术文档的写作规范] 阮一峰的网络日志 - [文档写作规范] MDN Web 文档写作规范 [中文文案排版指北]:https://github.com/sparanoid/chinese-copywriting-guidelines [中文技术文档的写作规范]: https://ruanyifeng.com/blog/2016/10/document_style_guide.html [文档写作规范]: https://developer.mozilla.org/zh-CN/docs/MDN/Guidelines/Writing_style_guide [中文排版需求]: https://w3c.github.io/clreq/ ## 自定规范 - :nerd_face:中英之间加空格 - :no_entry_sign:文字内容不能超过 80 字符（半角） 所以如果写一段文字中只要（可能 ）你的写的超过 80 字符，请在前面的一个标点处换行， 文字内容不能超过 80 字符。 - :no_entry_sign:注释为 `#` 开头的代码块 ## 第一篇文章 URL: https://hencte.top/log/first-post-again Summary: 博客重开的第一篇文章：坦承之前因自觉水平不足而弃坑，这次决定卷土重来、坚持写作，并用几段示例标题做了简单的排版测试。 日期: 2022-04-21 Tags: Log, Error 这是我的再一次的第一篇文章 不知道是第几个第一篇了，之前的博客由于觉得自己太菜（虽然现在也是）就没怎么继续 了。 这一次卷土重来希望能坚持下去，加油！ 这里再次用来测试一下 ## 标题测试一 简单的一段文本内容 ## 标题测试二 简单的另一段文本内容 很多适合我们 ## 一次的 Linux 全盘数据丢失经历 URL: https://hencte.top/log/linux-lost-disk-experience Summary: 一次惨痛的 Linux 装机事故：迁移文件到 ext4 后关机导致全盘数据丢失，随后在 PE 与 DiskGenius 间反复折腾，经历 Win7 缺驱动、镜像下载中断等波折，最终重装 Windows 收场。 日期: 2020-04-07 Tags: Log, Error, Warning 事情发生 2020 年 4 月 6 日： 一次惨痛的 Linux 装机记录 - 时间：2020 年 4 月 4 日 OMG！那天在和耗子聊天的过程中康到 [Linux-qq](https://im.qq.com/linuxqq/index.html "从心出发·趣无止境") 更新了，我靠直接莽上去！ 实测确实没有之前那样疯狂崩溃了后面折腾虚拟机（VirtualBox）想用虚拟机里面的钉钉代替接下来的网课，测试了一下！！感觉不错哎~ 很好，我就开始准备把之前的文件都迁移到 Linux 的 ext4 文件系统上面，很好这特喵的直接出问题 想了想我直接整起来了，4 月 5 日晚上开始迁移文件，设置了一个定时关机，结果 11：30 偷偷起来康好像界面没了，我想，应该好了。。。 直接一手 shutdown now 关了机子 翌日,起来的时候直接出大问题，丢了之前收集的实用软件和一些 Windows 下开源的小，想去用之前的 PE 重装突然发现，我的 PE 里面没有镜像？！？！ 人直接傻了，好吧重进我的 Arch ，那就去下载一个，在 firefox 里面下载了一个 Windows10 的官方镜像后 直接准备去重装，想到之前 DiskGenius 里面好像可以建立 ext4 的文件系统，我就准备说那应该也能够直接查看 ext4 的文件系统吧，很好！ 开机进 PE，完美！进入 DiskGenius 后发现真的可以查看，结果在准备拷镜像到 U 盘 的时候他失败了，然后我又重启去进 Linux ! ~~待续，4.6 日这里 20：05 我的镜像在手机上下载好了~~ ## 继续 好吧第二天才来自己记录这个东西（真的鸽自己）~ 继续昨天的讲，用电脑下了之前在文叔叔里面的一个 Windows7 镜像后，直接莽上去。。。 后果就是我之前从来没有用这台机子装过 win7 导致安装完成后进入部署阶段后直接 GG（没法识别到我的键盘和鼠标），去群里问了问? 说是没有 usb3.0 驱动，我傻了，就继续往 pe 里面下载 usb3.0 补丁包。 显然后面还是失败了，只好去手机上下载 Windows10 的镜像，然后拷到电脑上面，花了 30 分钟再浏览器里面下载到一半，【挂了】 后面换了 ADM 的下载器下载才成功下载完成，又花了五分钟拷到电脑上面，（万幸，到这里我总算结束了），[下次再也不敢了]….可惜了之前收集的那些开源软件。。。 后面开个新的页面记录一下地址吧，基本都是从 GitHub 上面下载下来的 最后如愿的回到了 Windows 的怀抱 Last updated: 2026-09-07