运行本地 AI 的教程:https://anthonylewis.com/2025/06/01/run-your-own-ai/
https://github.com/AkiraBit/PicSharp
https://developers.cloudflare.com/ai-gateway/providers/workersai/
Hugging Face 官方推出了 MCP 从入门到精通的免费课程：MCP Course。涵盖 MCP 理论基础、实践开发和部署应用三大模块，还能获得官方认证证书。课程地址：https://huggingface.co/learn/mcp-course主要课程大纲 ：- 入门指南：介绍所使用到的工具和平台，为课程学习做好准备；- MCP 基础、架构和核心概念：解释 MCP 的核心概念、架构和组件，并展示使用 MCP 的简单用例；- MCP 端到端实战：构建一个简单的端到端 MCP 应用程序；- MCP 部署实战：构建部署型 MCP 应用，学习如何将应用部署到生产环境。每个章节设计为 1 周完成，每周大约需要 3-4 小时的学习时间。适合有一定 AI 基础和编程知识的同学学习，学习完成后将能熟悉使用 MCP SDK 和框架进行开发。
GitHub 上一款简单易用、快速且免费的文件翻译工具：DeeplxFile。基于 Deeplx/playwright 实现，不限制文件大小，支持超长文本翻译，支持 DeepL 和主流大模型作为翻译源。尤其擅长翻译超长且复杂的文档，如超大的 Excel 文件，甚至还能正确显示复杂的引用公式。GitHub：https://github.com/infrost/DeeplxFile除此之外，还可以将翻译好的 PDF 文件一键转换为可编辑的 .docx 文档。并且提供开箱即用的一键安装包，支持Windows 和 macOS 系统。
浏览器并不会直接请求 `index.html.gz`。## 实际流程是这样的：### 1. 浏览器请求```httpGET /index.html HTTP/1.1Host: your-site.pages.devAccept-Encoding: gzip, deflate, br```浏览器始终请求的是 `index.html`，但会在请求头中告诉服务器：*"我支持 gzip 压缩"*### 2. 服务器响应Cloudflare Pages 看到：- 客户端支持 gzip (`Accept-Encoding: gzip`)- 存在 `index.html.gz` 文件于是返回：```httpHTTP/1.1 200 OKContent-Type: text/htmlContent-Encoding: gzipContent-Length: 366[index.html.gz 的二进制内容]```### 3. 浏览器处理浏览器看到 `Content-Encoding: gzip`，就知道这是压缩内容，会：- 自动解压 gzip 数据- 显示解压后的 HTML 内容## 关键点- 🌐 **浏览器请求**：始终是 `index.html`- 🔄 **服务器选择**：智能返回 `.gz` 或原文件- 📦 **自动处理**：浏览器自动解压显示这个过程对用户是**完全透明**的，用户感受到的只是更快的加载速度！
Golang Word操作库https://github.com/ZeroHawkeye/wordZero
模型名称的显示控制在 `ChatAction` 组件中。现在它是通过 hover 效果来显示的。## 修改方法### 1. 修改 CSS 文件 `chat.module.scss`找到 `.chat-input-action` 部分（大约在第 245 行），修改如下：```scss.chat-input-action { // ... 其他样式保持不变 // 修改这里：让它默认显示完整宽度 width: var(--full-width); // 原来是 var(--icon-width) .text { white-space: nowrap; padding-left: 5px; opacity: 1; // 原来是 0 transform: translateX(0); // 原来是 translateX(-5px) transition: all ease 0.3s; pointer-events: none; } // 可以注释掉或删除 hover 效果 // &:hover { // --delay: 0.5s; // width: var(--full-width); // transition-delay: var(--delay); // // .text { // transition-delay: var(--delay); // opacity: 1; // transform: translate(0); // } // }}```### 2. 修改 TypeScript 文件 `chat.tsx`找到 `ChatAction` 组件（大约在第 573 行），让它在初始化时就计算完整宽度：```tsxfunction ChatAction(props: { text: string; icon: JSX.Element; onClick: () => void;}) { const iconRef = useRef
{ props.onClick(); // setTimeout(updateWidth, 1); // 这行可以注释掉 }} // onMouseEnter={updateWidth} // 这行可以注释掉 // onTouchStart={updateWidth} // 这行可以注释掉 style={ { "--icon-width": `${width.icon}px`, "--full-width": `${width.full}px`, } as React.CSSProperties } >
);}```### 简单方案（仅修改 CSS）如果你只想快速解决，可以只修改 `chat.module.scss`：```scss.chat-input-action { // 找到这个类，添加或修改以下内容 width: auto !important; // 自动宽度 .text { opacity: 1 !important; // 强制显示 transform: none !important; pointer-events: auto; // 允许点击 }}```这样修改后，模型名称将会一直显示，而不需要鼠标悬停。 {props.icon}
{props.text}
https://www.itter.sh
https://github.com/anthropics/courses/tree/master/anthropic_api_fundamentals
Stage 1 – HTMLStage 2 – CSS (Grid, Flex)Stage 3 - Git + GitHubStage 4 – JavaScript, DOMStage 5 – React || VueJS || Svetle || AngularStage 6 – REST APIStage 7 – Node.jsStage 8 – MongoStage 9 – Build projects to gain experience
为什么人类程序员仍然比大语言模型（LLMs）强大？作者：antirez这是一个简短的小故事，告诉你为什么人类的编程能力仍然远远领先于当前的AI技术。请注意，我并不是反AI的人，熟悉我的朋友都知道这一点。我日常都会使用大语言模型（LLMs），包括今天也是如此。当我需要快速验证自己的想法、进行代码审查、了解是否有更好的实现方法，或者探索一些自己并不完全擅长的领域时，我都会用到它们。（两年前，当LLMs还没有流行起来的时候，我就曾经专门写过一篇博客，讲述自己如何用LLMs辅助编码。如今也许是时候再写篇新文章更新一下了，不过今天的重点不在这里。）不过，我想强调的是，尽管当前的AI技术非常有用甚至很棒，但和人类的智慧相比，它依旧差得太远了。我特别想指出这一点，是因为最近关于AI的讨论越来越极端，很难有中立理性的观点。遇到的问题今天我在为Redis开发一个叫做向量集合（Vector Sets）的功能，遇到了一个非常棘手的Bug。事情是这样的：在我之前离开Redis期间，同事们新增了一个防护功能，用来抵抗Redis数据文件（RDB）和恢复命令（RESTORE）的数据损坏问题，即使数据校验看起来是正常的。这个功能默认关闭，但用户如果想增强安全性，可以主动启用。但这引发了一个巨大问题：为了高效地保存和恢复数据，我把HNSW向量搜索算法的图结构序列化了，而不是直接保存向量元素的原始数据。如果直接存储原始向量数据，在加载时重新构建索引会非常慢（可能慢100倍以上）。所以我选择了一个巧妙的技巧——直接保存节点之间的连接关系（用整数表示节点编号），再在加载时恢复指针。但问题在于，如果保存的节点连接数据出现了随机损坏，由于我改进的HNSW实现会强制节点之间的链接是双向的，以下问题就可能发生：1. 我们加载了损坏的数据，比如节点A显示连接节点B，但节点B并没有反过来连接节点A（连接关系被破坏了）。2. 删除节点B时，由于双向链接破坏，节点A的链接未被清除。3. 当我们再次访问被删除的节点B链接到节点A时，就会导致使用已释放内存的严重Bug。因此，加载数据之后，我必须检查每个连接是否双向有效。然而，用最简单的方法实现这个功能需要花费O(N²)的时间复杂度，这对于大数据量来说非常糟糕。人类 vs 大语言模型（LLM）一开始，我用最原始的方法实现了这个检查，虽然问题解决了，但加载2000万个向量的大型数据集时，速度从原来的45秒延长到90秒以上，这显然不能接受。于是，我打开了Gemini 2.5 PRO（谷歌的LLM），向它询问有没有更好的方案。Gemini建议了一个最好的方案——对节点的链接数组进行排序后再用二分搜索提高效率。这一点我早就知道，但链接数组长度只有16或32时，排序可能并没有什么性能提升。所以我继续问它，还有其他方案吗？Gemini表示没有更好的方案。然后我告诉Gemini一个自己的想法：我们在扫描链接时，每次看到节点A连接节点B，就把链接信息以A\:B\:X的格式存入哈希表（这里X是层级信息，A>B保持顺序统一）。第二次遇到同一链接时，就从哈希表删除它。最后如果哈希表非空，就说明有链接存在单向链接的问题。Gemini认为我的方案不错，但担心构建哈希键的时间损耗，比如使用`snprintf()`来构建哈希键。于是我提醒它，这里完全可以用`memcpy()`来直接拷贝指针到固定大小的键中，Gemini同意我的想法。突然，我意识到还能更进一步：> “等等！” 我告诉Gemini：“我们根本不需要哈希表！可以用一个固定的累加器，每次处理一个链接（A\:B\:X，总共12个字节）时，我们都对这12字节数据进行异或（xor）运算。如果链接存了两次，它们互相抵消，最终若累加器不为零，就知道链接出现了问题！”但我同时也提醒Gemini，这种方案可能出现碰撞（多个链接偶然导致异或为零），并要求它评估这种风险。Gemini对我的想法印象深刻，但也提出了担忧：因为指针通常结构类似，如果出现3个错误链接（L1、L2、L3），可能L1和L2异或后的结果刚好和L3相同，从而导致误判。此外，我也考虑到内存分配器分配的地址往往比较容易预测，可能容易被攻击者利用。接着我向Gemini询问改善的方法，Gemini却想不出更好的方案。于是我再次提出了改进方案：1. 从`/dev/urandom`生成随机种子`S`，与链接信息一起构造为`S:A:B:X`。2. 使用快速而可靠的哈希函数（如`murmur-128`）对`S:A:B:X`哈希。3. 将哈希的128位结果异或到累加器中。4. 最后检查累加器是否为零，若为零则说明所有链接都是双向正确的。Gemini对此方案非常满意，认为这种方法不仅大大减少了误判的可能性，也极难被攻击者利用（因为随机种子`S`未知，而且指针难以被操控）。这本就是一种额外安全的保护措施，默认关闭，性能损耗也小。我写这篇博客时刚完成了这个方案的评估，还没最终决定是否正式采用（但很可能会用）。不过，这次的经历清楚地表明：人类在创造力和思维的“跳跃性”方面，仍然远远领先于AI。我们能提出许多“怪异但有效”的解决方案，这对LLMs来说太难了。但LLM确实也起到了重要的辅助作用，也许正是因为有了这个“智能小伙伴”的启发，我才得以想到这样的点子吧！
https://greenvideo.cc
Turn any API spec into AI-accessible tools instantly.https://jedisct1.github.io/openapi-mcp/
44000+ 词汇语料库https://github.com/hubingkang/vocabulary-corpus
团队协作写文档时，经常遇到多人同时编辑导致版本冲突的问题，用腾讯文档、飞书文档这类工具又担心数据安全或功能受限。如果有这些担扰，可以试下 DocFlow 这个开源解决方案，一键搭建专属的协同文档平台。基于 Tiptap 和 Next.js 构建，集成了 Yjs 实时协作技术，支持多人同时编辑、富文本内容、插件扩展等完整功能。GitHub：https://github.com/xun082/DocFlow主要功能：- 富文本编辑支持标题、列表、表格、代码块、数学公式等内容- 基于 Yjs 的实时协作，多人同时编辑无冲突- 完整的用户权限管理和 GitHub OAuth 登录- 支持图片上传、文件存储等多媒体内容- 内置监控系统，提供健康检查和性能指标- 插件化架构，可根据需求扩展功能通过 Docker 一键部署即可使用，适合团队写作、教育笔记、在线文档平台等场景。
GitHub 上一款功能完整的仪表板模板：Spireflow，解决管理后台搭建数据图表、用户认证等难题。该模板基于 NextJS 和 TypeScript 构建，内置了14种数据图表、完整表格系统和用户认证，让我们能直接使用现成的企业级组件。GitHub：https://github.com/matt765/spireflow主要特性：- 14种数据图表展示，支持 Recharts 和 http://Tremor.so 库；- 完整表格系统，包含过滤、排序、搜索和 CSV 导出；- 用户认证功能，集成 Clerk 和表单验证；- 交互式日历，支持事件添加、移动和删除；- 产品管理画廊，带灯箱弹窗和 PDF 导出；- 多主题切换，支持 4 种不同配色方案。项目完全开源免费，有需要的开发者可以尝试下，能帮助我们快速搭建管理后台。
又发现一款高颜值的终端工具：Nexus Terminal，在浏览器上就能管理所有服务器。不仅支持 SSH/RDP/VNC 多种协议，还集成了文件管理、在线编辑等实用功能，像把整个运维工具箱搬到了网页里。GitHub：https://github.com/Heavrnl/nexus-terminal主要功能：- 多标签页管理 SSH 与 SFTP 连接，支持会话挂起不中断- 支持 RDP/VNC 图形化远程桌面协议- 内置 Monaco 编辑器，可直接在线编辑服务器文件- 集成文件管理器，支持拖拽上传和批量操作- 简易 Docker 容器管理面板，方便容器运维- 支持 PWA 和移动端适配，随时随地管理服务器通过 Docker Compose 一键部署即可使用，适合需要频繁管理多台服务器的运维开发者。
https://github.com/GitHubDaily/GitHubDaily坚持分享 GitHub 上高质量、有趣实用的开源技术教程、开发者工具、编程网站、技术资讯。A list cool, interesting projects of GitHub.
数字人系统，阿里本地运行数字人对话系统 Open Avatar Chat - 开源 - RTC 技术所以实时性强亮点⚡ 低延迟实时对话：端到端平均响应时间约 2.2 秒🧠 多模态支持：接入 MiniCPM-o 等模型，支持文本、语音、视频等输入输出🧩 模块化设计：可替换 ASR / LLM / TTS 模块，灵活配置语音/文本/S2S 模式🖥️ 本地运行：支持 CPU/GPU 推理，推荐 RTX 4090（量化模型支持低显存）实测平台i9-13900KF + RTX 4090架构清晰支持 RTC、VAD、S2S 与 TTS 全链路闭环交互Hugging Face 直接体验（貌似有点卡，多试几次）https://huggingface.co/spaces/HumanAIGC-Engineering-Team/open-avatar-chatGitHub https://github.com/HumanAIGC-Engineering/OpenAvatarChat
🐬DeepChat - A smart assistant that connects powerful AI to your personal worldhttps://deepchat.thinkinai.xyz
GitHub 上一份学术资源中文翻译合集：gpt-translated-pdf-zh，学习路上的宝藏库。整理了众多计算机科学、数学、机器学习领域的经典教材中文翻译版，涵盖从基础算法到前沿 AI 技术的各个方面。GitHub：https://github.com/it-ebooks-0/gpt-translated-pdf-zh所有资料都是 PDF 格式，下载后即可离线阅读，值得看下有没有你在寻找的资料中文翻译版。
在终端里执行命令遇到报错或需要帮助时，经常在浏览器和终端之间来回切换，很是折腾。不妨试下 OpenCode 这款终端 AI 助手，让我们可以直接在命令行里获得 AI 的帮助，无需离开当前工作环境。基于 Go 语言开发，支持 OpenAI、Claude、Gemini 等主流 AI 模型，还能直接操作文件、执行命令和分析项目代码。GitHub：https://github.com/sst/opencode主要功能：- 终端 UI 界面，遇到问题立即获得 AI 帮助；- 支持 OpenAI、Claude、Gemini 等多种 AI 提供商 ；- 集成文件查看、代码分析、bash 命令执行等工具；- 会话管理和持久化存储，保存对话历史；- LSP 协议支持，提供代码智能诊断和建议；- MCP 协议集成，可扩展外部工具和服务。
https://ghfast.top/raw.githubusercontent.com/TianmuTNT/iptv/main/iptv.m3u
https://www.thewayofcode.com
Model Context Protocol(MCP) 编程极速入门https://github.com/liaokongVFX/MCP-Chinese-Getting-Started-Guide
一款提示词优化器，助力于编写高质量的提示词https://github.com/linshenkx/prompt-optimizer
吴恩达老师新推出一门免费 MCP 学习短课程：《MCP: Build Rich-Context AI Apps with Anthropic》由 Anthropic 技术教育负责人 Elie Schoppik 主讲，将教我们如何使用 MCP 标准化 LLM 与外部工具、数据、提示词的连接方式。通过实践项目强化学习，包括构建 MCP 聊天助手、创建 MCP 服务器、连接第三方参考服务器等，帮助我们掌握这一标准化协议的应用能力。课程地址：https://deeplearning.ai/short-courses/mcp-build-rich-context-ai-apps-with-anthropic/课程共分 11 节课，提供 7 个代码示例，总时长约 90 分钟，课程大纲如下：1. 为什么选择 MCP2. MCP 架构3. 聊天机器人示例4. 创建 MCP 服务器5. 创建 MCP 客户端6. 将 MCP 聊天机器人连接到参考服务器7. 添加提示和资源功能8. 为 Claude Desktop 配置 MCP 服务器9. 创建和部署远程服务器10. 总结11. 附录 - 技巧和帮助适合具备一定 Python 编程基础以及对 MCP 感兴趣的开发者学习。
https://learn.deeplearning.ai/courses/mcp-build-rich-context-ai-apps-with-anthropic/lesson/fkbhh/introduction
# 解读《果克星奇遇》之空间三维垂直状态## 引言在《果克星奇遇》这部作品中，果克星科学家列文提出了一个令人深思的概念：我们生活的三维空间并非偶然，而是由于空间本身以圆柱状螺旋式运动的结果。这一概念乍听之下似乎晦涩难懂，但实际上它可以帮助我们理解许多日常现象，比如为什么我们能够看到立体的世界，而不仅仅是平面图像或点状物体。本文将通过日常生活中的实例，特别是面对面交谈的场景，来解读这一深奥的空间理论。## 空间的三维垂直状态是什么？果克科学家列文在解释空间三维性时指出："几何中的空间三维垂直状态，就是过空间任意一点最多可以作三条相互垂直的直线。"这看似简单的表述实际上揭示了一个深刻的真理：空间的三维性与运动方式紧密相连。列文进一步解释：> "直线运动构成了一维空间，在一个平面上旋转运动构成了二维空间，旋转又在旋转平面垂直方向直线运动的是柱状螺旋式运动，柱状螺旋式运动产生了三维空间。"换言之，三维空间不仅仅是一个几何概念，而是运动方式的体现——具体来说，是螺旋式运动的结果。## 物体周围空间的螺旋运动《果克星奇遇》中最引人深思的概念之一是："宇宙中任何一个物体，当然也包括我们人这个观察者的身体，周围的空间都以物体为中心、以光速向四周发散运动。"这里描述的不是物体的运动，而是物体周围空间本身的运动。而且这种运动不是简单的直线扩散，而是一种右手螺旋式的运动——如果用右手握住，四指与螺旋环绕方向一致，大拇指则指向直线运动方向。这种运动形式决定了我们所体验的三维立体世界。## 为什么我们能看到立体形象？面对面交谈的例子想象一下日常生活中最常见的场景：两个人面对面交谈。你能看到对方完整的立体形象——眼睛的深度、鼻子的突起、面颊的轮廓——而非一张平面照片或一个光点。这种立体感知是如何形成的？### 传统光反射理论的解释传统物理学会这样解释：光源（如太阳或灯光）发出的光线照射到对方身上，然后从对方身体各个部位反射，进入你的眼睛。你的大脑处理这些反射光线的强度、角度和颜色差异，构建出三维形象。### 果克理论下的解释然而，果克理论提供了一个更深层次的解释：1. **空间螺旋运动携带信息**：对方周围的空间以螺旋状向四周发散运动，这种运动携带着对方的形态信息。2. **三维信息传递**：由于这种运动是三维的螺旋式，而不是简单的直线或平面运动，它能够完整保存并传递对象的三维立体信息。3. **光子作为信息载体**：空间的螺旋运动带动光子，光子的本质正如列文所说，是"加速运动的负电荷产生了反引力场，使一些电子质量和电荷消失，变成了激发态，以光速运动"。这些光子不只是简单地反射，而是携带着完整的三维信息。4. **视觉感知的立体性**：当这些携带三维信息的光子进入你的眼睛，你的视觉系统能够感知到完整的立体形象，正是因为空间的三维螺旋运动保存了这些信息。当我们面对面交谈时，我们之间的空间不是静止的，而是以螺旋状运动着，这种运动使得光子能够携带完整的立体信息，让我们看到对方的立体形象。## 关灯后为什么看不到对方？当我们关灯后，为什么突然就看不到对方了？传统解释是因为没有光源，所以没有光反射到我们的眼睛。但果克理论给出了更深层次的解释：1. **光子激发条件不足**：在黑暗环境中，空间仍在螺旋运动，但缺乏能量使电子进入激发态。根据列文的解释，光子是"加速运动的负电荷产生了反引力场，使一些电子质量和电荷消失，变成了激发态，以光速运动"的结果。2. **信息载体缺失**：没有足够的光子作为信息载体，空间的螺旋运动携带的三维信息无法被有效传递。3. **视觉系统的局限**：我们的视觉系统主要依赖于光子作为信息载体。当光子不足时，即使空间仍在螺旋运动，我们的视觉系统也无法感知这种运动携带的信息。这解释了为什么在完全黑暗中，即使对方就在面前，我们也看不到对方——不是因为对方消失了，而是因为传递三维信息的光子载体缺失了。## 为什么不只是简单的光反射？传统光学理论将视觉简化为光的反射现象，但这种解释存在诸多局限性：1. **平面反射的局限**：如果仅仅是光的反射，我们应该只能看到物体表面的平面形象，类似于照片。但实际上，我们能感知到物体的深度、轮廓和立体结构。2. **光速传播的问题**：传统理论难以解释为什么光速恒定，而果克理论通过空间螺旋运动解释了这一点——光子是静止在螺旋运动的空间中，随空间一同运动，因此速度恒定。3. **视觉信息的完整性**：简单反射理论无法解释我们如何获得物体的完整空间信息。而在果克理论中，空间的螺旋运动保存并传递了物体的完整三维信息。4. **量子现象的解释**：光的波粒二象性在传统理论中难以自洽解释，而果克理论给出了新的解释："光子的粒子性，是因为光子是由电子激发变成的，光子的波动性是因为空间本身的波动，空间时刻在波动，并且叠加圆柱状螺旋式运动。"5. **视觉感知的即时性**：传统理论难以解释为什么我们能够即时感知对象的立体性，而果克理论中的空间螺旋运动提供了这种即时性的机制。## 实例解析：为什么照片和真人看起来不同？考虑这样一个日常体验：即使是最高清的照片，我们也能立即分辨出它与真实人物的区别。这是为什么？从果克理论角度看：1. **照片缺乏完整的空间螺旋运动信息**：照片只能捕捉到二维平面上的光信息，缺失了由空间螺旋运动携带的完整三维信息。2. **真实物体周围的空间动态性**：真实物体周围的空间持续进行着螺旋运动，不断更新和传递着物体的三维信息，而照片固定了某一时刻的平面信息。3. **视觉系统的深度感知**：我们的视觉系统进化出了感知空间螺旋运动携带的三维信息的能力，这使我们能够轻易分辨真实物体和照片的区别。
# 《果克星奇遇》之空间三维垂直状态在张祥前的《果克星奇遇》中，果克星人提出了一种超前的宇宙观：空间本身以圆柱状螺旋式运动，这一特性构成了我们感知三维世界的基础。今天，我们将通过日常生活中的例子来深入理解这一概念，探讨为何我们能感知三维立体世界，而不仅仅是平面影像。## 空间的三维垂直状态是什么？根据果克星人的理论，空间并非静止不动的容器，而是一种以圆柱状螺旋式运动的动态存在。列文解释道："在宇宙中，小到电子、质子，大到地球、月球、太阳、银河系——所有自由存在于空间中的物体都以螺旋式运动，包括空间本身也是以圆柱状螺旋式运动，这个就是我们所生活的空间是三维的原因。"这种螺旋式运动遵循右手法则：用右手握住螺旋空间，四指与螺旋的环绕方向一致，大拇指方向即为直线运动方向。这种运动模式是旋转运动和垂直于旋转平面的直线运动的合成。## 为什么我们看到的是立体形象而非平面照片？想象一下你正与朋友面对面交谈。传统物理学告诉我们，你看到朋友是因为光线从光源发出，照射在朋友身上，然后反射到你的眼睛。这种解释虽然部分正确，但未能完整解释立体感知的本质。根据果克星人的理论，事情是这样发生的：1. **空间的螺旋运动**：你朋友周围的空间以圆柱状螺旋式向四周发散运动，速度为光速。2. **物体周围空间的相互作用**：当你朋友的物质与周围螺旋运动的空间相互作用时，产生了质量和电荷的现象。这些都是空间运动的表现形式。3. **激发态电子（光子）传递**：当电子受到加速运动，质量和电荷特性暂时消失，进入激发态，随空间一起以光速运动。这些激发态电子就是我们所说的光子。4. **三维信息的传递**：关键在于，这些光子并非简单地从一点反射到另一点，而是通过空间的圆柱状螺旋运动模式携带着完整的三维信息。它们静止于运动的空间中，随空间一同运动，保留了三维结构信息。因此，你看到的不是朋友的"平面照片"，而是由无数光子通过空间的螺旋运动模式传递的完整三维信息。这些光子以圆柱状螺旋式运动传递，形成了立体的视觉感知。## 为什么关灯后看不到对方？当我们关灯后无法看到对方时，传统物理解释是缺少光源导致没有光反射到我们眼睛。而从果克星人的理论看：1. 黑暗中，没有足够的电子被激发成为激发态（光子）。2. 虽然空间仍然以圆柱状螺旋式运动，但缺少了携带视觉信息的媒介（光子）。3. 光子是激发电子，具有特定的螺旋运动模式，能够携带并传递三维信息。没有光子，空间运动无法被我们感知。4. 重要的是，空间的运动本身并未停止，只是我们失去了感知这种运动的媒介。## 为什么不仅仅是简单的光反射？传统的光反射理论解释不了以下几个问题：1. **立体感知的完整性**：简单的反射理论难以完全解释我们如何获得如此精确的三维立体感知。果克星人的理论提出，光子通过空间的螺旋运动携带了完整的三维结构信息。2. **时间感知的统一性**：反射理论未能解释时间、空间与感知的统一性。而果克星人理论认为，时间本身是观察者对周围空间以光速发散运动的感受，将时间与空间运动统一起来。3. **波粒二象性的解释**：传统光学难以完全协调光的波动性和粒子性。果克星人解释："光子的粒子性，是因为光子是由电子激发变成的，光子的波动性是因为空间本身的波动，空间时刻在波动，并且叠加圆柱状螺旋式运动，波动速度是光速，光子是静止在空间中，随空间一同运动。"4. **信息的完整性传递**：传统理论难以解释为什么我们能看到如此丰富的视觉细节。果克理论认为，空间本身携带并传递了完整的信息，"空间传递信息可以从一个点，把一个信息包整体的信息向四周传播，你在一个地方接受到通过空间传递过来的信息，再换一个地方去接受，是没有任何区别的。"## 螺旋运动与三维感知的联系空间的三维垂直状态与螺旋运动是紧密相连的：1. **维度的形成**：如列文所说："直线运动构成了一维空间，在一个平面上旋转运动构成了二维空间，旋转又在旋转平面垂直方向直线运动的是柱状螺旋式运动，柱状螺旋式运动产生了三维空间。"2. **实例说明**：想象你面前有一个苹果。若只有一维直线运动的空间，你只能感知苹果的一个点；若只有二维平面旋转运动，你只能看到苹果的一个平面轮廓；正是因为空间以圆柱状螺旋式运动，才使你能感知苹果的完整三维形状。3. **日常体验**：当你绕着一个物体行走时，能够从不同角度看到它的不同面。这种体验正是因为空间的螺旋运动允许光子携带并传递完整的三维信息。
# 解读《果克星奇遇》之空间三维垂直状态在张祥前的《果克星奇遇》中，果克星科学家列文提出了一个令人深思的宇宙观念：空间是以"圆柱状螺旋式"方式运动的，这种特殊运动创造了我们所经历的三维空间。这个概念乍听起来可能晦涩难懂，但实际上它为我们理解日常生活中的感知现象提供了一个独特视角。## 什么是空间的三维垂直状态？列文在书中解释道："在宇宙中，小到电子、质子，大到地球、月球、太阳、银河系——所有的自由存在于空间中的物体都以螺旋式在运动，包括空间本身也是以圆柱状螺旋式在运动，这个就是我们所生活的空间是三维的原因。"简单来说，果克科学家认为空间不是静止的容器，而是一种动态存在。它围绕每个物体以螺旋方式运动，这种运动创造了我们感知的三个维度。按照他们的理论，直线运动构成一维空间，平面旋转运动构成二维空间，而旋转加上垂直方向的直线运动（螺旋）则构成了三维空间。## 为什么我们能看到立体而非平面？想象一下日常生活中最普通的场景：两个人面对面交谈。为什么我们能看到对方是一个完整的立体形象，而不是一张平面照片或单个光点？根据果克星理论，这与空间的圆柱状螺旋运动密切相关。当我们看一个人时，那个人周围的空间以右手螺旋式向四周发散运动，这种运动携带着反映该人形象的光子。这些光子不是简单地沿直线传播，而是在螺旋运动的空间中被携带。这种螺旋运动使得从对象发出的光子能够携带三维信息。想象一下，如果光只是直线运动（一维），我们最多只能看到一个点；如果光只在平面内运动（二维），我们最多看到一个平面影像。但因为光在螺旋式三维空间中传播，它能够携带完整的立体信息。当我看着你的脸时，从你脸部每一点发出的光子都被周围螺旋运动的空间携带，保持了你脸部的完整几何信息。你的鼻子突出，眼睛凹陷，脸颊弧度——这一切空间关系都被螺旋运动的空间完整地传递到我的眼睛，因此我看到的是立体的你，而非平面的影像。## 黑暗中为什么看不见？当我们关灯后，为什么突然看不到对方了？传统物理学告诉我们是因为没有光源提供可见光。而果克星理论则从空间运动的角度提供了一个补充解释。在有光的情况下，空间的螺旋运动携带着光子从物体表面到我们的眼睛。光子是加速运动的负电荷产生了反引力场，使一些电子质量和电荷消失，变成了激发态，以光速运动。光子静止在空间中，随空间一同运动。当光源关闭后，没有新的光子被产生，空间虽然仍在螺旋运动，但没有光子可以携带，因此我们无法看到对方。这就像是一个传送带仍在运转，但没有包裹可以传送一样。空间的螺旋传递机制仍然存在，但缺少了信息载体（光子），因此视觉信息无法传递。## 空间螺旋运动与我们的立体视觉为了更具体地理解，让我们细想一下：当你看着一个苹果时，为什么能感知它是圆的而不是平的？这是因为空间以圆柱状螺旋方式运动，从苹果各个点发出的光子沿着这些螺旋路径到达你的眼睛，完整地保留了苹果的立体形状信息。如果空间不是三维垂直状态，而是一种简单的平面，那么所有从物体发出的光线都会被压缩到一个平面上，我们就只能看到物体的二维投影，像一张照片那样。但因为空间具有三个垂直的维度并以螺旋式运动，光子能够携带完整的三维信息。## 为何不仅仅是光的反射？传统物理学认为我们看到物体是因为光从物体表面反射到我们眼中。虽然这个解释在实践中很有用，但果克星理论认为这只是表象，更深层次的原理是空间本身的运动。如果仅仅是光的反射，我们很难解释为什么能感知到如此精确的立体感。反射理论难以解释光如何携带物体的完整立体信息，尤其是当光看似只是从表面反射时。果克星理论提供了一个更完整的框架：空间本身以圆柱状螺旋式运动，这种运动方式自然地创造了三维感知的可能性。不是光被动地反射，而是空间主动地以特定方式运动，携带着光子及其信息。
来自The Vibe Marketer的AI驱动SEO关键词研究工作流，现在分享给大家。 最终版本已经完成，效果比预想的还要好。 https://github.com/philrox/n8n-workflows/blob/main/AI-Powered%20SEO%20Keyword%20Research%20Automation/README.md这个n8n工作流能帮你解决这些问题：输入你的主题和竞争对手，选择目标受众和地区，几分钟内就能得到一个完整的关键词策略。 最大的变化是我把Airtable换成了NocoDB，它是开源的，性能很棒，用起来和Airtable差不多。 还加了Slack通知功能，这样你就能知道研究什么时候开始和结束，不过这个功能还可以再优化。 想自己试试看吗？ 在GitHub上分享了所有东西，包括整个工作流的JSON文件、详细的使用说明，还有“最终关键词策略”的示例输出。
// 移除可能暴露客户端IP的请求头 r.Header.Del("X-Forwarded-For") r.Header.Del("X-Real-IP") r.Header.Del("Client-IP")
https://youtube.iiilab.com
# 关于能"解密"HTTPS模型名称的解释这段代码并没有真正"解密"HTTPS流量，而是通过反向代理（Reverse Proxy）的架构特性处理请求。让我详细解释：## 反向代理 vs HTTP代理这里的关键区别在于：- **HTTP代理**：作为客户端和服务器之间的中间人，使用CONNECT隧道模式处理HTTPS- **反向代理**：自身就是服务端，终止TLS连接，然后创建新连接到后端服务## 工作原理当客户端连接到这个服务时：1. **TLS终止点**：客户端与这个服务建立HTTPS连接，TLS握手和解密在这里完成2. **应用层处理**：解密后的HTTP请求在应用层对代码可见： ```go if newPath, exists := s.config.PathMap[req.URL.Path]; exists { req.URL.Path = newPath } ```3. **建立新连接**：代码创建一个新的请求到阿里云服务## 为什么它可以看到内容？这个服务能看到模型名称是因为：- 它是HTTPS连接的终点，不是中间传输者- 客户端直接与此服务建立加密连接- TLS解密发生在此服务内部## 图示说明普通HTTP代理处理HTTPS：```客户端 ===加密连接=== [HTTP代理仅传递加密数据] ===加密连接=== 服务器```这个反向代理：```客户端 ===加密连接=== [反向代理，TLS终止] ---新建加密连接--- 阿里云服务 ↑解密在此处发生↑```这不是安全问题，因为这就是反向代理的设计目的 - 接收请求，处理/修改内容，然后转发到实际服务。
A service that can convert ChatGPT on the web to OpenAI API format.https://chatgpt.aicnm.cc/login
Milvus 是一个开源的向量数据库，专为 AI 和机器学习应用设计，用于高效存储、索引和检索海量向量数据。以下是关于 Milvus 的详细介绍：---### **1. 核心功能**- **向量相似度搜索**：支持高维向量的近邻搜索（如余弦相似度、欧氏距离等），适用于推荐系统、图像检索、语义搜索等场景。- **高性能**：通过分布式架构和优化的索引算法（如 IVF、HNSW、ANNOY）实现低延迟查询。- **可扩展性**：支持水平扩展，可处理数十亿级别的向量数据。- **多语言支持**：提供 Python、Java、Go 等多种语言的 SDK。---### **2. 关键特性**- **分布式架构**：支持多节点部署，适合大规模数据集。- **混合搜索**：结合向量搜索和标量过滤（如元数据筛选），提升查询精度。- **持久化存储**：支持数据持久化，避免内存限制。- **多租户支持**：通过集合（Collection）和分区（Partition）实现数据隔离。---### **3. 典型应用场景**- **推荐系统**：基于用户行为向量推荐商品或内容。- **图像/视频检索**：通过特征向量快速匹配相似图像。- **语义搜索**：处理文本嵌入（如 BERT、Word2Vec）进行语义相似度搜索。- **异常检测**：通过向量距离识别异常模式。---### **4. 技术架构**- **存储层**：支持本地存储（如 RocksDB）或云存储（如 S3、HDFS）。- **索引层**：采用近似最近邻（ANN）算法加速搜索。- **查询层**：提供 RESTful API 和 gRPC 接口。- **集群管理**：通过 Kubernetes 或 Docker 部署，支持动态扩缩容。---### **5. 与其他工具的对比**- **与 Elasticsearch**：Milvus 专注于向量搜索，而 Elasticsearch 更适合全文检索。- **与 FAISS**：FAISS 是 Facebook 开发的向量索引库，但 Milvus 提供了更完整的数据库功能（如持久化、分布式）。- **与 Pinecone**：Pinecone 是商业化的向量数据库，Milvus 是开源且可自托管的替代方案。---### **6. 部署与生态**- **部署方式**：可通过 Docker、Kubernetes 或源码编译部署。- **集成工具**：与 TensorFlow、PyTorch、LangChain 等 AI 框架兼容。- **云服务**：Zilliz Cloud 提供托管版 Milvus（Zilliz 是 Milvus 的主要贡献者）。---### **7. 示例代码（Python）**```pythonfrom pymilvus import connections, Collection, FieldSchema, CollectionSchema, DataType# 连接 Milvusconnections.connect("default", host="localhost", port="19530")# 定义集合fields = [ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128)]schema = CollectionSchema(fields, description="示例集合")collection = Collection("example_collection", schema)# 插入数据data = [ [1, 2, 3], [[0.1]*128, [0.2]*128, [0.3]*128]]collection.insert(data)# 搜索search_vectors = [[0.15]*128]results = collection.search(search_vectors, anns_field="embedding", limit=2)print(results)```---### **8. 社区与资源**- **官网**：[https://milvus.io](https://milvus.io)- **GitHub**：[https://github.com/milvus-io/milvus](https://github.com/milvus-io/milvus)- **文档**：提供详细的 API 文档和教程。---Milvus 因其高性能和灵活性，已成为 AI 应用中向量搜索的主流选择之一。如果需要处理大规模向量数据，它是一个值得考虑的工具。Milvus 依赖 **etcd** 和 **MinIO** 主要是为了实现 **分布式协调** 和 **高效存储**，这两个组件在 Milvus 的架构中扮演着关键角色。以下是具体原因：---### **1. 为什么依赖 etcd？****etcd** 是一个分布式键值存储系统，主要用于 **配置管理、服务发现和集群协调**。在 Milvus 中，etcd 的作用包括：#### **（1）元数据管理**- 存储集合（Collection）、分区（Partition）、索引等元数据。- 确保集群中所有节点对元数据的访问一致性。#### **（2）分布式协调**- 管理节点间的通信（如主从选举、任务调度）。- 实现分布式锁，避免多节点同时修改同一资源时的冲突。#### **（3）服务发现**- 动态跟踪集群中各组件（如 QueryNode、DataNode）的状态。- 支持节点动态加入或退出集群。#### **（4）高可用性**- etcd 本身支持多副本部署，保证元数据的持久化和容错。---### **2. 为什么依赖 MinIO？****MinIO** 是一个高性能的对象存储系统，Milvus 使用它来存储 **向量数据和索引文件**。具体原因包括：#### **（1）持久化存储**- 向量数据和索引文件需要持久化存储，避免内存限制。- MinIO 提供类似 S3 的接口，支持大规模数据存储。#### **（2）高性能读写**- MinIO 优化了小文件和大文件的读写性能，适合 Milvus 的高频查询场景。- 支持并发访问，提升集群吞吐量。#### **（3）分布式兼容性**- 可替换为其他 S3 兼容存储（如 AWS S3、阿里云 OSS），灵活适配不同环境。- 支持多节点部署，提高数据可靠性。#### **（4）与 Milvus 的深度集成**- Milvus 的存储层（如 `MinIOStorage`）直接与 MinIO 交互，简化数据管理。---### **3. 替代方案**虽然 etcd 和 MinIO 是默认依赖，但 Milvus 也支持其他替代方案：- **etcd 替代**： - 单机模式下可使用本地文件存储元数据（但不推荐生产环境）。 - 未来可能支持其他分布式协调工具（如 ZooKeeper）。- **MinIO 替代**： - 可直接使用 AWS S3、阿里云 OSS 等 S3 兼容存储。 - 本地开发时可用本地文件系统（但性能较差）。---### **4. 架构中的位置**在 Milvus 的分布式架构中：- **etcd** 负责控制平面（元数据、协调）。- **MinIO** 负责数据平面（向量数据、索引文件）。- **其他组件**（如 QueryNode、DataNode）通过 etcd 发现彼此，并通过 MinIO 读写数据。---### **总结**- **etcd**：确保集群协调和元数据一致性。- **MinIO**：提供高性能、可扩展的对象存储。这两个组件的结合，使 Milvus 能够在分布式环境中高效管理向量数据，同时保证高可用性和扩展性。
Introducing web search on the Anthropic APIhttps://www.anthropic.com/news/web-search-api
小鸭子的喂养频率需要根据 **年龄、消化能力和生长需求** 来调整，不同阶段喂食次数不同。以下是详细的喂养指南：---### **1. 雏鸭阶段（0~7日龄）**- **喂食次数**：**每天6~8次**（约每2~3小时一次）。 - **原因**：雏鸭消化快但胃容量小，需少食多餐。 - **食物**： - **专用雏鸭饲料**（营养全面，易消化）。 - **替代方案**：用温水泡软的小米或碎玉米（需添加少量维生素）。 - **饮水**：提供**温水**（可加少量葡萄糖或电解多维），确保24小时不断水。 ---### **2. 生长期（1~4周龄）**- **喂食次数**：**每天4~5次**（早、中、晚、睡前，中间加1~2次）。 - **食物**： - 逐渐过渡到**颗粒状雏鸭饲料**（蛋白质含量18~20%）。 - 可添加少量切碎的**青菜**（如生菜、油麦菜）补充纤维。 - **注意事项**： - 避免喂油腻、盐分高的食物（如米饭、面包）。 - 每次喂食量以**10分钟内吃完**为宜，避免浪费和霉变。 ---### **3. 青年鸭（1个月后）**- **喂食次数**：**每天3次**（早、中、晚）。 - **食物**： - 普通鸭饲料（蛋白质16~18%）。 - 可放养觅食（吃青草、昆虫等），但需保证基础饲料供应。 - **特殊需求**： - 如果是**蛋鸭**，需增加钙质（如贝壳粉）。 ---### **4. 注意事项**1. **夜间是否需要喂食？** - 雏鸭（1周内）夜间可喂1~2次，后期无需夜间喂食。 2. **如何判断喂食量是否合适？** - 观察粪便：成型且不稀烂说明消化正常。 - 触摸嗉囊：微微鼓起即可，避免过饱。 3. **避免过度喂食**： - 小鸭子容易贪吃，过量可能导致消化不良或猝死。 ---### **5. 简易喂养时间表（以雏鸭为例）**| 时间 | 喂食内容 | 备注 ||-------------|-------------------|-----------------------|| 7:00 | 饲料+温水 | 第一次喂食 || 10:00 | 饲料+青菜碎 | 少量补充 || 13:00 | 饲料 | 正常量 || 16:00 | 饲料+电解多维水 | 增强抵抗力 || 19:00 | 饲料 | 晚餐 || 22:00 | 少量饲料（可选） | 仅限1周内雏鸭 |---### **总结** - **0~7天**：每天6~8次，少食多餐。 - **1~4周**：每天4~5次，逐步过渡到颗粒饲料。 - **1个月后**：每天3次，可搭配放养。 **关键点**：保持食物新鲜、饮水清洁，并根据小鸭子的生长状态灵活调整！
套圈圈获得的小鸭子通常没有接种过疫苗，且体质较弱，容易生病。为了确保它的健康，建议根据常见的鸭病进行**基础免疫**。以下是针对家庭饲养的简易疫苗接种指南：---### **1. 必须接种的核心疫苗**#### **（1）鸭病毒性肝炎疫苗** - **重要性**：雏鸭最易感染，死亡率高达90%。 - **接种时间**： - **首免**：1~3日龄（如果小鸭子已超过3天，尽快补种）。 - **二免**：10~14日龄（加强免疫）。 - **方法**：皮下注射（颈部后方）或滴鼻，建议购买**鸭肝炎弱毒苗**。 #### **（2）鸭瘟疫苗（鸭病毒性肠炎）** - **接种时间**：15~20日龄（首免），成年前（50日龄左右）再加强一次。 - **方法**：肌肉注射（胸部或腿部肌肉），使用**鸭瘟弱毒苗**。 ---### **2. 可选疫苗（根据环境风险）**#### **（1）禽流感疫苗（H5N1、H7N9等）** - **建议**：如果当地有禽流感疫情，需在兽医指导下接种。 - **时间**：14日龄后首免，1个月后加强。 #### **（2）鸭浆膜炎疫苗** - **风险**：卫生条件差时易发，表现为腿软、神经症状。 - **接种时间**：7~10日龄（口服或注射）。 ---### **3. 疫苗接种注意事项**1. **购买正规疫苗**： - 选择兽药店或养殖场专用疫苗（如“鸭肝炎冻干苗”），避免网购劣质产品。 2. **操作要点**： - 注射前用酒精消毒皮肤，针头倾斜45度刺入皮下。 - 滴鼻时确保疫苗被吸入鼻孔。 3. **应激管理**： - 接种前后3天在饮水中添加**维生素C**（减少应激）。 - 保持环境温暖（30℃左右），避免受凉。 4. **观察反应**： - 接种后可能出现短暂食欲下降，1~2天恢复。若持续萎靡需就医。 ---### **4. 无法接种的替代方案** 如果无法获取疫苗，可采取以下措施降低风险： - **严格保温**：雏鸭环境温度保持在28~30℃，避免温差过大。 - **卫生消毒**：每日清理粪便，饮水器、食槽用高锰酸钾消毒。 - **预防性用药**： - 1~7日龄饮水中添加**恩诺沙星**（预防细菌感染）。 - 补充**电解多维**增强抵抗力。 ---### **5. 重要提醒** - **优先补种鸭肝炎疫苗**！这是雏鸭的“头号杀手”。 - 若小鸭子出现**头颈后仰、抽搐**（肝炎典型症状），立即隔离并咨询兽医。 建议联系当地畜牧站或宠物医院，获取专业指导和正规疫苗。小鸭子存活的关键是**保温+疫苗+清洁**，希望它能健康成长！
一个 OCR 软件(基于 LLM 可识别 Latex)https://github.com/kivvi3412/TextPix
HomeShare让家用 PC 秒变全球文件服务器！无需依赖云存储，您可通过自定义域名随时随地安全上传/下载文件，享受军用级账户密码保护。创建带密码且会过期的分享链接，安全共享文件给朋友。📁 https://github.com/jugeekuz/HomeShare
当我们想让自己的 API 服务快速通过 MCP 协议与 Claude 这些 AI 助手对接时。可以看下 MCP Gateway 这个开源工具，它能让我们把现有 API 无需改动代码转化为 MCP 服务，实现与各种 AI 助手无缝对接。GitHub：https://github.com/mcp-ecosystem/mcp-gateway主要特性：- 零代码改动将现有 API 转为 MCP 服务端；- 通过简单的 YAML 配置文件快速完成转换设置；- 适配物理机、虚拟机、K8s 等多种环境，无需改变现有基础设施；- 内置直观的 Web 管理界面降低使用门槛；- 支持 MCP 的 SSE 和 HTTP 流式传输，体验更流畅；- 架构轻量高效，性能与高可用性兼备。通过 Docker 一键部署，几分钟内即可完成配置并开始使用，想要快速适配 MCP 协议的开发者可以看下。
Cognition AI 创建了 DeepWiki，一个免费的 GitHub 仓库百科全书一些数据：- 已经索引了 30,000 个仓库- 处理了超过 40 亿行代码- 仅仅是索引的费用就超过了 30 万美元类似 GitHub 的 Deep Research。访问 deepwiki com 或者在任何仓库 URL 上将 github → deepwiki 进行替换：Cognition AI 创建了 DeepWiki，一个免费的 GitHub 仓库百科全书一些数据：- 已经索引了 30,000 个仓库- 处理了超过 40 亿行代码- The cost of indexing alone exceeded 300,000 US dollars类似 GitHub 的深度研究。访问 https://deepwiki com 或者在任何仓库 URL 上将 github → deepwiki 进行替
MCP Gateway:https://github.com/mcp-ecosystem/mcp-gateway
作为开发者，用 AI 写代码时最痛苦的不是让它生成代码，而是让它理解整个项目架构和任务依赖关系。之前总是要手动解释每个任务，反复上下文...颇为折磨。Task Master这个项目彻底解决了这个问题！它让 Claude 像一位经验丰富的项目经理一样思考，自动拆解 PRD（需求文档），生成任务列表，并追踪进度。GitHub：https://github.com/eyaltoledano/claude-task-master主要特性：- 自动解析 PRD 并生成结构化任务体系，包含 epic 和子任务- 管理任务间的依赖关系，确保开发顺序合理- 直接在编辑器中通过自然语言沟通整个开发流程- 让 AI 按照人类工程师的思维模式进行任务分析和执行- 无缝整合进现有开发工作流，降低 AI 使用门槛可通过编辑 MCP 配置，轻松接入到 Cursor 或 Windsurf
https://smallpdf.com/cn/compress-pdf pdf 压缩
一份从零开始构建 LLM 的开源教程：tiny-llm。基于 MLX 实现，教授了如何在 Mac 电脑上一步步构建出一个大模型，整个教程不使用复杂的高级接口，而是从最基础的教学运算开始讲解。GitHub：https://github.com/skyzh/tiny-llm
用 duckduckgo 的 python 库 作为一个 web 搜索工具，把这个 tool 传给 api 让他去调用。
A high-quality tool for convert PDF to Markdown and JSON.一站式开源高质量数据提取工具，将PDF转换成Markdown和JSON格式。https://mineru.net
一个 CTO 的深度思考我的观点，成年人只能筛选，不能培养在组织中，应该永远向有结果的人看齐。不能当他站出来讲话的时候，大家还要讨论讨论，他虽然拿到结果了，但是他就是有一点点小问题。用户不能被教育，不能提升认知。苹果手机和安卓手机相比，苹果手机好用是不需要需要提升认知才知道的，只需要让客户用一用就明白苹果手机更好用。要和成年人说话。当同事的工作影响你，你指出来的时候，成年人会思考他是否影响你了，小孩子才会一直在乎你的声调太高了。当一个做事结果很好的人讲他怎么做的时候，大家的第一反应应该是，我要向他学习，先达到他那一步，再超越。而不是在他讲的时候，一直揪着他的方法中的细枝末节攻击他。当组织中这种攻讦的小人多了的时候，组织无法进化。组织不要讲兼容，就像我们无法给幼儿园的小学生讲明白高数怎么做一样。要努力地向团队中做得最好的人去学习，组织需要强有力地去推进这个进程就好了。当你发现有的人开始抱怨的时候，其实有可能他在组织中受了委屈当一个人指出你有问题的时候，你又不改。后边你的问题交给那个指出的人去改。这就是组织中的乱象问题。如果三个臭皮匠能顶一个诸葛亮，那么刘备就不需要诸葛亮了要努力地避免必须要长时间重复的低效的劳动，要做事半功倍的事情，要做效率最高的事情，而非沉浸在一些没有技术含量的无效劳动上边在编程中，要防止有些人的防御性编程，组织要有机制保证某些人故意写别人看不懂的代码。有些时候的问题不是人数不够，有可能是人数太多了裁判眼瞎，那么比赛就没有意义。都无法判断谁对组织贡献大的人去打绩效，那就是扯淡。技术上不要追求讨论，不能每个人都有发表意见的权利。在明显产生线上问题的事情上，所有人都有发表意见的权利。但是路线之争，代码规范性问题不是一个可以讨论的问题，他就是由所有的技术委员会的人去乾纲独断的。要理解那些做了很多事情，充满抱怨的人，有可能你是作恶的那个人一定要各司其职，划分界限，让每一个人只需要负责好他负责的东西，公司的事情就能做得很好。这是优秀的组织的基本能力。但是如果有人超过他自己的责任，负责更多的东西，那么需要及时地对他正向激励也是有必要的。你不能强制一个天天做事情结果很好的人，向一个结果很差的人学习方法论我的这些适用于消费者行业，而非喝酒、拉关系、送礼的某些行业。
AWS Bedrock上的Anthropic Claude模型能够处理多种不同类型的文档，而Anthropic官方Claude模型主要支持PDF，原因主要体现在以下几个方面：## 1. Claude模型的多模态能力与AWS Bedrock的集成优势- **AWS Bedrock集成了Anthropic Claude 3 Sonnet模型，该模型具备先进的多模态（Text和Vision）能力**，能够处理文本和图像两种输入模态[3]。这使得Bedrock上的Claude可以接受多种文档格式，例如PDF、CSV、DOCX、XLSX、HTML、TXT、Markdown等多种文本格式，以及PNG、JPEG、GIF、WebP等多种图片格式[3][5]。- Bedrock的Converse API能够自动识别上传的文件类型，根据文件格式选择最合适的处理方式（文本模式或图像模式），并将文件以模型能够理解的形式呈现给Claude模型[3]。这极大地简化了开发者的工作，也提升了模型处理多样文档格式的能力。## 2. Anthropic官方Claude模型的PDF支持特点- 官方Claude模型（如Claude 3.5 Sonnet和Claude 3.7 Sonnet）对PDF的支持主要集中在PDF文档的文本和视觉元素（如图片、图表、表格）的分析上，且对PDF文件大小和页数有一定限制（最多100页，最大32MB请求大小）[4]。- 对于非PDF格式的文档，官方Claude模型通常只支持文本提取，不支持图像内容的理解[2]。例如，上传的DOCX、CSV、TXT等文件只会被提取文本内容，图像和复杂格式信息不会被解析[2]。- 官方Claude模型的PDF处理流程是将PDF每页转换成图像，同时提取文本，结合视觉和文本信息进行分析[4]。这种方式专注于PDF格式的深度解析，但并未扩展到多种文档格式的直接多模态处理。## 3. AWS Bedrock的解决方案架构优势- AWS Bedrock通过结合Amazon S3、Lambda函数和Converse API，构建了一个自动化的智能文档处理（IDP）解决方案，支持将多种格式的文档上传至S3后，自动触发Lambda调用Claude模型进行结构化数据提取[1][3]。- 这种架构使得Bedrock上的Claude模型不仅能处理PDF，还能处理扫描图像、电子表格、HTML等多种格式，且能够将结果以结构化JSON格式返回，方便后续数据处理[1][3]。## 总结| 特点 | AWS Bedrock上的Claude模型 | Anthropic官方Claude模型 ||---|---|---|| 支持文档格式 | PDF、DOCX、CSV、XLSX、HTML、TXT、Markdown等多种格式及多种图片格式（PNG、JPEG等）[3][5] | 主要支持PDF深度解析，其他格式仅文本提取（DOCX、CSV等）[2][4] || 处理方式 | 多模态（文本+视觉），自动识别文件类型并选择最佳处理方式[3] | PDF通过转换成图像+文本联合分析，其他格式仅文本分析[4] || 集成架构 | 结合AWS服务（S3、Lambda、Converse API）实现自动化多格式文档处理[1][3] | 主要通过API直接上传PDF或文本文件，功能较为单一[2][4] || 适用场景 | 企业级智能文档处理，支持多格式和复杂文档结构[1][3] | 侧重PDF文档内容深度理解，尤其是图表和视觉内容[4] |因此，AWS Bedrock上的Anthropic Claude模型能够处理多种不同种类的文档，主要得益于其多模态设计和Bedrock平台提供的多格式自动识别及处理能力；而Anthropic官方Claude模型目前对非PDF文档的支持较为有限，主要集中在文本提取，且PDF支持是通过专门的视觉与文本结合的处理方式实现的[1][2][3][4][5]。Citations:[1] https://aihub.hkuspace.hku.hk/2024/07/19/intelligent-document-processing-using-amazon-bedrock-and-anthropic-claude/[2] https://support.anthropic.com/en/articles/8241126-what-kinds-of-documents-can-i-upload-to-claude-ai[3] https://community.aws/content/2j3fWuVgl7aexosRx0asAt71bpU/automate-parsing-pdfs-xlsx-files-images-and-other-document-formats-into-structured-json-leveraging-llms-on-amazon-bedrock[4] https://docs.anthropic.com/en/docs/build-with-claude/pdf-support[5] https://community.aws/content/2i4v2vZRb9YgL2RxkawPiF8f0lZ/using-document-chat-with-the-amazon-bedrock-converse-api[6] https://beginswithai.com/claude-model-supported-file-upload-formats-explained/[7] https://docs.anthropic.com/en/docs/build-with-claude/citations[8] https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html[9] https://docs.aws.amazon.com/bedrock/latest/userguide/model-parameters-claude.html[10] https://docs.anthropic.com/en/docs/about-claude/models/all-models[11] https://repost.aws/questions/QUl-686UY2TmWLbat13fBoZg/is-there-support-for-documents-with-images-and-graphs-in-amazon-bedrock-knowledge-bases[12] https://docs.anthropic.com/en/docs/intro-to-claude[13] https://www.anthropic.com/news/claude-3-family[14] https://docs.aws.amazon.com/bedrock/latest/userguide/model-parameters-anthropic-claude-messages.html[15] https://repost.aws/questions/QUVhuMLTUVRsyseJ3aKmmhcg/how-can-i-pass-attachments-using-claude-3-5-api[16] https://docs.anthropic.com/en/docs/about-claude/models[17] https://www.ernestchiang.com/en/posts/2024/simple-guide-to-using-anthropic-claude-3-with-amazon-bedrock/[18] https://docs.anthropic.com/en/api/claude-on-amazon-bedrock[19] https://docs.litellm.ai/docs/providers/bedrock[20] https://aws.amazon.com/bedrock/claude/[21] https://www.economize.cloud/blog/aws-bedrock-foundation-models-list/[22] https://www.reddit.com/r/aws/comments/1e684x2/aws_bedrock_anthropic_claude_data_retention_and/[23] https://www.aboutamazon.com/news/aws/amazon-bedrock-anthropic-ai-claude-3-5-sonnet
```import google.generativeai as genaiif name == 'main': # 注意gemini的sdk必须制定rest协议调用，否则会默认走grpc造成报错 genai.configure( api_key='sk-xxx', transport="rest", client_options={"api_endpoint": "https://api.openai.com"}, ) model = genai.GenerativeModel('gemini-2.0-flash') response = model.generate_content("Say Hello") print(response.text)```
推荐 GitHub 上一款强大的 PDF 文档分析开源工具：PDF Document Layout Analysis。它能准确自动识别 PDF 页面中的文本、标题、图片、表格等元素，并确定它们的正确阅读顺序，大幅提升文档处理效率。GitHub：https://github.com/huridocs/pdf-document-layout-analysis主要功能：- 高精度自动识别文档中的 11 种常见不同元素类型，如标题、图片、表格等；- 提供高性能视觉模型和快速轻量级模型两种选择；- 支持表格提取为 Markdown、LaTeX 或 HTML 格式；- 支持公式提取为 LaTeX 格式；- 通过 Tesseract OCR 支持 150+ 种语言的文本识别。使用 Docker 快速部署，支持 GPU 加速，几行命令即可启动服务并开始分析 PDF 文档。
https://www.augmentcode.com
给大模型用的搜索接口框架 Free Search API 算是个可以用的本地替代，简单来讲这个框架把 Google 的搜索接口包装成了RESTAPI地址：https://github.com/HanzlaJavaid/Free-Search
信息推送服务 Bark Server 可以部署到 Cloudflare Workerhttps://github.com/cwxiaos/bark-worker
Understanding Generative Engine Optimisation (GEO) 理解生成式引擎优化（GEO）GEO involves tailoring content that is easily interpreted and utilised by AI to generate responses to user queries. Unlike traditional search engines, which rely on off- and on-site SEO, AI-driven search engines don’t. They require information from various sources and provide comprehensive answers, reducing the number of clicks required to access information. This shift necessitates a new approach to content optimisation which is important to AI-Search. GEO 涉及定制内容，使其易于被 AI 解释和利用，以生成对用户查询的回应。与依赖站外和站内 SEO 的传统搜索引擎不同，AI 驱动的搜索引擎不依赖这些。它们需要来自各种来源的信息，并提供全面的答案，减少访问信息所需的点击次数。这种转变需要一种新的内容优化方法，这对 AI 搜索至关重要。The Importance of GEO for Brands 地理位置对品牌的重要性Enhanced Visibility in AI-Driven Searches 在人工智能驱动的搜索中提高可见性With the rise in using tools like ChatGPT and Gemini, brands must ensure their content is optimised for these AI-search platforms. 随着使用 ChatGPT 和 Gemini 等工具的增加，品牌必须确保其内容针对这些 AI 搜索平台进行优化。Traditional search engines have much more noise than just a few years ago. Users are tired of seeing so many ads that they need to click multiple links to find an answer once they pass all the rich Google snippets. 传统搜索引擎比几年前有更多的干扰。用户厌倦了看到如此多的广告，以至于他们需要点击多个链接才能找到答案，这还是在通过所有丰富的 Google 摘要之后。GEO allows your content to be seamlessly integrated into AI-generated responses. This ensures your brand’s information is present and featured in AI replies. Making it easier for users to discover your business in a crowded digital space. GEO 允许您的内容无缝集成到 AI 生成的回答中。这确保您品牌的信息在 AI 回复中得到呈现和展示。使用户在拥挤的数字空间中更容易发现您的业务。Improved User Engagement 提升用户参与度AI-driven search engines prioritise content that delivers clear, concise and thorough answers to user queries. By adopting Generative Engine Optimisation strategies brands can create content that aligns with these preferences, ultimately leading to higher levels of engagement. Users are likelier to trust and interact with a brand that consistently provides valuable, easy-to-understand information that resolves their specific problem. AI 驱动的搜索引擎优先考虑能够为用户查询提供清晰、简洁和全面答案的内容。通过采用生成式引擎优化策略，品牌可以创建与这些偏好相符的内容，最终带来更高水平的参与度。用户更可能信任并与那些能够持续提供有价值、易于理解且能解决其特定问题的信息的品牌互动。Alignment with Evolving Search Behaviours 与不断发展的搜索行为保持一致The way users search for information is changing. People now prefer conversational replies that have direct answers. Unlike traditional search engines, AI search engines are built to do this. Generative Engine Optimisation (GEO) allows brands to align their content with these new patterns ensuring it remains relevant and accessible to their target audiences. As search behaviours shift GEO provides a way to adapt and thrive in the new search environment. 用户搜索信息的方式正在改变。人们现在更喜欢包含直接答案的对话式回复。与传统搜索引擎不同，AI 搜索引擎就是为此而设计的。生成式引擎优化（GEO）使品牌能够将其内容与这些新模式保持一致，确保内容对目标受众保持相关性和可访问性。随着搜索行为的转变，GEO 提供了一种在新搜索环境中适应和蓬勃发展的方式。Implementing GEO Strategies 实施 GEO 策略To ensure your content thrives in the era of AI-driven search engines, focusing on these four areas is essential: 为确保您的内容在人工智能驱动的搜索引擎时代蓬勃发展，专注于以下四个领域至关重要：Content: Start by crafting detailed, in-depth content that addresses your audience’s needs and queries. AI engines prioritise comprehensive answers so ensure your content provides real value. 内容：首先创建详细、深入的内容，满足受众的需求和疑问。人工智能引擎优先考虑全面的回答，因此确保您的内容提供真正的价值。Structured Data: The best-written content can fail without proper structure. AI thrives on clarity. Organise your articles with clear headings and bullet points with logical flow. A well-structured piece helps AI understand your content better and makes it more engaging for human readers.结构化数据：没有适当结构的最佳内容可能会失败。人工智能依赖清晰度。用清晰的标题和要点组织您的文章，保持逻辑流程。结构良好的内容有助于人工智能更好地理解，同时也使人类读者更容易接受。Citations & References: Quality content is built on credible information. Linking to reputable sources to support your claims and provide additional value. AI models rely on well-cited material to generate accurate and trustworthy responses. This step is crucial for inclusion in AI-generated answers.引用和参考：优质内容建立在可信信息之上。链接到可靠来源以支持您的观点并提供额外价值。人工智能模型依赖于有良好引用的材料来生成准确可信的回答。这一步对于被纳入人工智能生成的答案至关重要。Stay Updated: The AI landscape evolves rapidly with new updates and features rolling out regularly. Staying informed about these changes allows you to adapt your strategy and remain competitive.保持更新：人工智能领域发展迅速，新的更新和功能定期推出。了解这些变化使您能够调整策略并保持竞争力。
pplx2api 对外提供OpenAi 兼容接口，支持识图，思考，搜索，文件上传，账户轮询，重试……https://github.com/yushangxiao/pplx2api
```if xModel != yModel && !conf.RecEnable { var err error bodyBytes, err = sjson.SetBytes(bodyBytes, "model", yModel) if err != nil { return nil, "", "", false, fmt.Errorf("Error setting model in request body: %w", err) } r.Body = io.NopCloser(bytes.NewReader(bodyBytes)) needUpdateLength = true}```
``` if model := r.Header.Get("X-Model"); model != "" { xModel = normalizeSpaces(model) } else { xModel = normalizeSpaces(gjson.GetBytes(bodyBytes, "model").String()) }```
# AI网关优化策略：快速提取模型信息针对您的AI网关设计问题，确实可以优化模型信息的提取方式，特别是对于大型请求。以下是几种高效方案：## 方案一：HTTP头部传递模型信息```GET /v1/completions HTTP/1.1X-Model-Name: gpt-4Content-Type: application/json```- **优势**：完全避免解析请求体，最快速的方式- **实现**：要求客户端在请求头中添加模型信息## 方案二：URL路径包含模型信息```POST /v1/models/gpt-4/completions HTTP/1.1```- **优势**：从URL路径直接获取模型，无需解析请求体- **实现**：修改API路由设计## 方案三：部分解析/流式解析```gofunc extractModelName(r *http.Request) (string, error) { // 只读取前1KB内容进行解析 buffer := make([]byte, 1024) n, _ := r.Body.Read(buffer) // 使用正则表达式提取model字段 re := regexp.MustCompile(`"model"\s*:\s*"([^"]+)"`) matches := re.FindSubmatch(buffer[:n]) if len(matches) >= 2 { return string(matches[1]), nil } // 恢复请求体供后续处理 r.Body = io.NopCloser(io.MultiReader(bytes.NewReader(buffer[:n]), r.Body)) return "", errors.New("model not found")}```- **优势**：无需客户端改动，适合大多数JSON格式请求- **实现**：只读取请求开头部分，找到模型后停止解析## 方案四：专用JSON解析器```gofunc quickExtractModel(r *http.Request) (string, error) { decoder := json.NewDecoder(r.Body) // 查找顶层的"model"字段 for decoder.More() { token, _ := decoder.Token() if key, ok := token.(string); ok && key == "model" { modelToken, _ := decoder.Token() if modelName, ok := modelToken.(string); ok { // 重置请求体 // ... return modelName, nil } } decoder.Skip() // 跳过其他字段的值 } return "", errors.New("model not found")}```- **优势**：语义解析更准确，处理嵌套JSON结构- **实现**：专注于寻找特定字段，忽略其他内容
# Gemini API 集成方案您提供的代码正在处理不同API的认证和路径映射，现在需要兼容Gemini API的调用格式。查看您提供的curl请求，Gemini API有以下特点：1. 使用查询参数(`?key=`)进行身份验证，而不是Authorization头2. 请求路径包含`:generateContent`这样的动作后缀3. 包含`system_instruction`和`contents`的请求体结构## 修改建议在`generativelanguage.googleapis.com`的case中添加对Gemini API的处理:```gocase "generativelanguage.googleapis.com": // 检查URL中是否已有key参数 queryParams := req.URL.Query() if queryParams.Get("key") == "" { // 没有key参数时添加到查询字符串 queryParams.Set("key", key.SecretKey) req.URL.RawQuery = queryParams.Encode() } // 处理路径映射 if newPath, exists := conf.PathMappers[4][req.URL.Path]; exists { req.URL.Path = newPath } else if strings.Contains(req.URL.Path, ":generateContent") { // 特别处理generateContent端点 newPath := normalizePath(req.URL.Path) conf.PathMappers[4][req.URL.Path] = newPath req.URL.Path = newPath } else if strings.Contains(req.URL.Path, "chat") { newPath := normalizePath(req.URL.Path) conf.PathMappers[4][req.URL.Path] = newPath req.URL.Path = newPath } // 某些Gemini端点可能还是需要Authorization头 if !strings.Contains(req.URL.RawQuery, "key=") { req.Header.Set("Authorization", "Bearer "+key.SecretKey) }```## 注意事项1. 这个实现保留了原有处理逻辑，同时添加了对查询参数认证的支持2. 增加了对`:generateContent`路径模式的处理3. 实现了认证方式的双重兼容 - 既支持查询参数也支持Authorization头4. 如果URL中已经有key参数，则不会重复添加如果您的应用需要对Gemini API请求/响应格式进行转换以匹配内部格式，可能还需要添加中间件处理逻辑。
Claude vim plugin for AI pair programming - a hacker's gateway to LLMsClaude vim 插件用于 AI 结对编程 - 黑客通往 LLMs 的门户https://github.com/pasky/claude.vim
生成式AI導論。晚上一口气看了 10 节课，讲得太好了，把之前自己零碎学到的一些概念都串起来了，形成了相对系统的理解。理解生成式 AI 的原理，对用好 AI 工具，以及开发 AI 应用都会非常有帮助。因为本质上，大家比的就是认知。https://youtube.com/watch?v=AVIKFXLCPY8&list=PLJV_el3uVTsPz6CTopeRp2L2t4aL_KgiI&ab_channel=Hung-yiLee
一份精心整理的大语言模型在不同领域的实际应用集合：Awesome LLM Apps。涵盖了客服、法律、健康、旅游、数据分析等场景的智能体，以及结合 RGA（检索增强生成）和具备记忆功能的应用。GitHub：https://github.com/Shubhamsaboo/awesome-llm-apps此外，还收集了 LLM 微调、高级工具和框架使用教程等。并提供详细介绍，方便大家学习及部署运行。
分享一本专注于大语言模型实践应用的开源书籍：中文版《Large Language Model in Action》。通过丰富的工具介绍和具体案例实践，带大家快速上手大模型应用开发，并在实际项目中灵活运用各类开发框架和工具。在线阅读：https://github.com/wangwei1237/LLM_in_Action内容分为三大部分：1、基本概念篇介绍大语言模型相关的核心概念和基础知识，帮助大家建立对大模型的基本认知。2、相关工具篇讲解大模型开发中常用的工具框架，如 LangChain、Semantic Kernel，Langflow、AutoGen 等。3、具体实践篇通过实际案例展示大模型的应用开发过程，提供可复现的开发经验和最佳实践指南。如果大家想要了解并实践大模型应用开发，这本书比较适合你，但该中文版还没有完全翻译完，感兴趣的可以去看英文版。
https://programmingdigest.net编程文摘
终端上打开 EPUB 格式的电子书阅读，支持记住上次阅读的文件、代码高亮、自定义调整文本行高宽度等。GitHub：https://github.com/Ray-D-Song/goread除此之外，还支持打开图片，以及 vim 风格的按键绑定，便捷的操作滑动分页阅读。
一个去中心化、无服务器的匿名聊天浏览器插件：WebChat。在任何网站上，无需注册，一键开启与他人聊天，利用 WebRTC 端到端加密，所有聊天数据保存到本地，安全隐私。GitHub：https://github.com/molvqingtai/WebChat非常适合有即时交流的需求场景，如浏览到有趣的新闻或技术时，与同一浏览的人发起聊天讨论。
一款实用的文件转 Markdown 开源工具：serverless-markdown-convertor。基于 Cloudflare 构建，完全免费且无需服务器，支持多种文件格式，轻松一键转换为 Markdown 格式。GitHub：https://github.com/xxnuo/serverless-markdown-convertor主要特性：支持 PDF、图片、HTML、XML、Office 文档等多种文件格式；基于 Cloudflare Worker，无需服务器即可部署；可设置密码保护，防止他人滥用；自定义域名支持，部署后即可拥有专属转换工具。在 README 文件中，提供了详细的部署方法，有需要的也可以跟着教程免费部署到 Cloudflare 分享使用。
RF-DETR：开源最佳实时识别模型实时识别画面中的物体，准确率和速度优于YOLO系列模型，开源可商用。官方介绍：https://blog.roboflow.com/rf-detr/Github：https://github.com/roboflow/rf-detr
Open WebUl 和 LibreChat 平替，可 Docker 部署，实测发现 Chat 模式下只支持 Ollama 和 ComfyUI ，但智能编辑器支持 API 调用，交互界面流畅顺滑，插眼等后续更新。Clara https://github.com/badboysm890/ClaraVerse
网页版文件转 Markdown 转换器 https://github.com/xxnuo/serverless-markdown-convertor
个人网站：https://webfem.com 欢迎串门
Cloudflare 最新功能，支持将多种格式的文件（见图一）转化成LLM友好的Markdown格式，你可以用图二的方式直接调用https://developers.cloudflare.com/workers-ai/markdown-conversion/
基于多模态大语言模型的 PDF 转 Markdown 工具，高质量实现文档结构化转换，可将任何 PDF 文档转换为格式整齐的 Markdown 文件。MarkPDFDown https://github.com/jorben/markpdfdown
只需输入一个网址，http://same.new 直接帮你复刻整个网页！不仅是HTML/CSS，而是完整结构、组件、交互逻辑，甚至自动部署！😱我亲测了一次，AI 真的把整个网页无缝克隆，直接部署上线
播客 https://earsonme.com
```curl https://api.anthropic.com/v1/messages \ -H "content-type: application/json" \ -H "x-api-key: $ANTHROPIC_API_KEY" \ -H "anthropic-version: 2023-06-01" \ -H "anthropic-beta: computer-use-2025-01-24" \ -d '{ "model": "claude-3-7-sonnet-latest", "max_tokens": 1028, "tools": [ { "type": "computer_20250124", "name": "computer", "display_width_px": 1024, "display_height_px": 768, "display_number": 1 }, { "type": "text_editor_20250124", "name": "str_replace_editor" }, { "type": "bash_20250124", "name": "bash" } ], "messages": [ { "role": "user", "content": "Save a picture of a cat to my desktop." } ], "thinking": { "type": "enabled", "budget_tokens": 1024 } }'```
Anthropic cache 计费 https://docs.anthropic.com/en/docs/build-with-claude/prompt-caching?q=cache_creation_input_tokens#how-to-implement-prompt-caching
```[Client] │ ˅[API Gateway] → 快速校验 → 有效请求 → 业务处理 │ │ │ ˅ │ [Analysis Queue] ← Worker Pool │ (100缓冲+重试) │ ˅ 错误响应（带智能提示）```
```import shelveimport os# 创建/连接数据库db = shelve.open('files_shelf')# 添加文件def add_file(file_path): name = os.path.basename(file_path) with open(file_path, 'rb') as f: db[name] = f.read()# 获取文件def get_file(file_name): return db.get(file_name)# 使用完后关闭# db.close()```
在云原生技术领域，Solo和Envoy有密切关系：Solo.io是一家专注于云原生技术的公司，它的主要产品围绕Envoy代理构建。Envoy是一个开源的高性能服务代理，最初由Lyft开发，现在是Cloud Native Computing Foundation (CNCF)的项目。Solo.io为Envoy提供了多种扩展和企业级解决方案，包括：Gloo Edge: 基于Envoy的API网关Gloo Mesh: 服务网格管理平台，使用Envoy作为数据平面WebAssembly Hub: 用于扩展Envoy功能的工具简单来说，Solo.io是一家公司，专门开发和提供基于Envoy代理的企业级产品和工具。
每个互联网企业都至少需要3个数据库：一个跨多可用区分布式数据库用来保证核心数据安全和高可用，一个高性能分析型数据库用来支持商业决策，一个支持无痛部署扩容的serverless数据库用来支撑新业务快速上线
一个适合学习英语的实用网站推荐：engoo网站里面的materials板块提供了很精致的教材课程，适合各个级别英语学习者，你可以按照等级和喜好来搜索相关的学习材料，提供音频，图片，习题等等配合学习，而且每天还更新带音频习题的实时分级新闻帮助你提升英语学习。https://engoo.com/app/materials/en
将网络搜索能力集成到AI助手中的一个MCP服务：ReActMCP Web Search，相当于给AI装了个搜索引擎，可以实时查找最新的内容它基于Exa API执行基本和高级网络搜索，高级搜索比如限制搜索的网站范围、指定日期范围、包含特定文字等搜索结果支持以Markdown格式返回，包括标题、链接、发布日期和内容摘要等https://github.com/mshojaei77/ReActMCP
Claude 3.7 写 PPT、复杂资料可视化网页或者超好看的 SVG，快速了解 Manus 带起最火的 MCP 协议🔥之前放的是演示链接下面的调好的提示词、代码、逻辑还有实际效果全开源 💥 👉 https://refly.ai/share/canvas/can-kedetsr6fsogqh8x9xc3222p
Proxy Vs reverse proxyA forward proxy is a server that sits between user devices and the internet. A forward proxy is commonly used for: - Protect clients- Avoid browsing restrictions- Block access to certain contentA reverse proxy is a server that accepts a request from the client, forwards the request to web servers, and returns the results to the client as if the proxy server had processed the request. A reverse proxy is good for:- Protect servers- Load balancing- Cache static contents- Encrypt and decrypt SSL communications--代理 Vs 反向代理正向代理是位于用户设备和互联网之间的服务器。正向代理通常用于：- 保护客户- 避免浏览限制- 屏蔽对特定内容的访问反向代理是一种接受客户端请求，将请求转发给 Web 服务器，并将结果返回给客户端的服务器，就好像是代理服务器自己处理了该请求一样。反向代理的优点包括：- 保护服务器- 负载均衡- 缓存静态内容- 加密和解密 SSL 通信
"'完美'是'足够好'最大的敌人。"足够好通常就足以赢得市场。做难而正确的事 • 快速失败，增加成功的可能性
海外虚拟信用卡开卡平台推荐 Top10 虚拟数字银行卡汇总https://topstip.com/best-virtual-credit-card/
