写作的地方换了。
以后新的文章都发到这里： https://jefftay.com
发在 WordPress 的旧文章大多已经迁移了过去。
有空来坐坐。

A. A Simple Sequence

大致题意

要求你生成一个排列，满足

$a_1 \space mod \space a_2 \geq a_2 \space mod \space a_3 \dots a_{n-2} \space mod \space a_{n-1} \geq a_{n-1} \space mod \space a_n$

思路

由于这里可以是 $\geq$，而 $n \space n-1 = 1$，是一个显然的等式，所以直接倒序输出即可

AC code

1
2
3
4
5
6
7
8
9

void solve() {
    int _;
    cin >> _;
    for (int ts = 1; ts <= _; ++ts) {
        int n;
        cin >> n;
        for (int i = n; i >= 1; --i) cout << i << " \n"[i == 1];
    }
}

B. Simply Sitting on Chairs

大致题意

有一个 $n$ 的排列 $p$，然后需要完成如下操作：

从第一个值开始往后逐个选择，如果选择了这个值 $i$，那么接下来就不能选择 $p_i$

问最多可以选多少个值

思路

其实也非常简单，只要选择的 $i \geq p_i$ 就行了

AC code

1
2
3
4
5
6
7
8
9
10
11
12
13
14

void solve() {
    int _;
    cin >> _;
    for (int ts = 1; ts <= _; ++ts) {
        int n, ans = 0;
        cin >> n;
        for (int i = 0; i < n; ++i) {
            int x;
            cin >> x;
            ans += x <= i + 1;
        }
        cout << ans << endl;
    }
}

C2. A Simple GCD Problem

大致题意

有两个数组 $a, b$，都是长度 $n$，现在希望生成一个新的数组 $a’$，满足

$a’_i \in \Set{a_i, [1, b_i]}, \forall \Set{l, r} (1 \leq l < r \leq n), gcd(a_l, a_{l+1}, a_{l+2}, \dots, a_{r}) = gcd(a’_l, a’_{l+1}, a’_{l+2}, \dots, a’_{r})$

问最多可以同时存在多少个 $a’_i$ 满足 $a’_i \neq a_i$

思路

首先先分析题目中提到的 $gcd(a_l, a_{l+1}, a_{l+2}, \dots, a_{r}) = gcd(a’_l, a’_{l+1}, a’_{l+2}, \dots, a’_{r})$

看起来很吓人，实际上根据 $gcd$ 的性质，可以得到 $gcd(gcd(a, b), gcd(b, c)) = gcd(a, b, c)$

而题目中提到的是$\forall \Set{l, r} (1 \leq l < r \leq n)$，由于任意区间的 $gcd$ 等于这个区间里的相邻值的 $gcd$ 再做 $gcd$

所以要求条件可以转为: $\forall i (1 \leq i < n), gcd(a_i, a_{i+1}) = gcd(a’_i, a’_{i+1})$

要满足这条，我们需要先找出一个数组 $c$，满足 $c_i = gcd(a_i, a_{i+1})$，这不是什么难事

显然我们可以得到，最终的 $a’$ 满足: $gcd(a’_i, a’_{i-1}) = c_{i-1}, gcd(a’_i, a’_{i+1}) = c_{i+1}$

根据 $gcd$ 的性质，我们可以得到 $a’_i = x \times lcm(c_{i-1}, c_i), x \geq 1$

由此我们可以得到 $a’$ 数组的每一项的最小可选值，即 $a’_i = lcm(c_{i-1}, c_i)$

至此，我们已经完成了 Easy Version 的题解。由于 $b_i = a_i$，所以如果 $lcm(c_{i-1}, c_i) = a_i$，那么就不可能存在 $a’_{i} \neq a_{i}$

接下来是讨论 Hard 部分的解决方案

显然，如果 $lcm(c_{i-1}, c_i) \neq a_i$ 的话，我们就可以选择令 $a’_{i} = lcm(c_{i-1}, c_i)$，因为再乘上任何值都有可能让 $gcd$ 发生变化（变大）

接下来核心是要处理这些不满足的值，也就是 $lcm(c_{i-1}, c_i) = a_i$ 的值，尝试找到一个 $x$ 使得 $x \times lcm(c_{i-1}, c_i) \neq a_i$ 且不改变 $gcd$ 关系

由于不能改变 $gcd$ 关系，假定 $a’_i = x_i \times lcm(c_{i-1}, c_i)$，那么 $gcd(x_i, a’_{i-1}) = gcd(x_i, a’_{i+1}) = 1$

扩展后可以得到：

$gcd(x_i, x_{i-1}) = gcd(x_i, x_{i+1}) = gcd(x_i, lcm(c_{i-2}, c_{i-1})) = gcd(x_i, lcm(c_{i}, c_{i+1}))$

即有很多很多的互质

显然我们很容易想到用素数，因为任意两个素数之间肯定互质，由于本身是乘法，且只需要找到相互互质的值即可，所以只需要限制在较小的值内即可

我用了 100 以内的素数，通过 dp 的方式，枚举每一位乘上每一种素数的情况

我的 dp 算法里，下标 $x$ 表示第几个素数，其中 $0$ 表示 $lcm(c_{i-1}, c_i)$ 本体，而 $max(x)$ 表示 $a_i$ 本身

AC code

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67

#define int long long
 
int gcd(const int a, const int b) {
    if (b == 0) return a;
    return gcd(b, a % b);
}
 
void solve() {
    vector<int> primes;
    primes.push_back(1);
    vector isPrime(100, true);
    for (int i = 2; i < 100; i++) {
        if (isPrime[i]) {
            primes.push_back(i);
        }
        for (int j = i * i; j < 100 && j > 0; j += i) {
            isPrime[j] = false;
        }
    }

    int _;
    cin >> _;
    for (int ts = 1; ts <= _; ++ts) {
        int n;
        cin >> n;
        vector<int> a(n), b(n), c(n);
        for (int i = 0; i < n; i++) cin >> a[i];
        for (int i = 0; i < n; i++) cin >> b[i];
 
        for (int i = 0; i < n; i++) {
            if (i == 0) {
                c[i] = gcd(a[0], a[1]);
            } else if (i == n - 1) {
                c[i] = gcd(a[i - 1], a[i]);
            } else {
                const int x = gcd(a[i - 1], a[i]);
                const int y = gcd(a[i] , a[i + 1]);
                c[i] = x * y / gcd(x, y);
            }
        }
        vector<int> dp[2];
        dp[0].resize(primes.size() + 1);
        dp[1].resize(primes.size() + 1);
        int cur = 0, nxt = 1, ans = 0;
        for (int i = 0; i < n; ++i) {
            for (int j = 0; j < primes.size() + 1; ++j) {
                const int v = j == primes.size() ? a[i] : c[i] * primes[j];
                dp[nxt][j] = -1;
                if (v > b[i] && v != a[i]) continue;
                if (i == 0) {
                    dp[nxt][j] = v != a[i];
                    continue;
                }
 
                for (int k = 0; k < primes.size() + 1; ++k) {
                    const int u = k == primes.size() ? a[i - 1] : c[i - 1] * primes[k];
                    if (gcd(u, v) == gcd(c[i - 1], c[i])) {
                        dp[nxt][j] = max(dp[nxt][j], dp[cur][k] + (v != a[i]));
                    }
                }
            }
            swap(cur, nxt);
        }
        for (auto x : dp[cur]) ans = max(ans, x);
        cout << ans << endl;
    }
}

可以收藏「不死鸟发布页」dalao.ru ，速记：大佬点入

关于不死鸟每日分享栏目

发现一些不错的资源，点击这里快速投稿。

4月16日

大佬论坛

中国域名玩家论坛，专注域名投资、域名收藏交流，实时更新域名行情动态

在线FM广播

@投稿 在线收听上千个全国各地的FM广播电台

轻工具导航

@投稿 专注于收集分享优质免费网站的导航网站

简中文档

@投稿 收录各类中文技术文档，为中文开发者提供优质的技术文档查阅体验

4月14日

BBAB免版权图片

免费版权图片搜索引擎，3000万高清大图免费商用，版权无忧

随身FM

@投稿 无广告的听广播电台安卓APP，习惯听广播电台的老哥们看过来

meme梗图

@投稿 一个每日更新梗图的网站，非常有意思

88lin全网VIP视频脚本

@投稿 通过集成多个第三方解析接口，去除广告，绕过会员限制，适配PC+移动

4月13日

pixcat收藏

量比较大，收藏夹实用性不错。

纯净派

目前收录软件较少，看起来比较清爽下载链接也很全面。

免费日本域名

@如有乐享 免费申请d.gv.vc域名，仅支持A记录解析

4月12日

YY书屋

一个小说交流推书论坛。

banana PPT生成工具

@投稿 从想法到演示文稿，只需一句话。内置多套ppt生成的提示词模板，支持ppt在线分享和导出

免费开源的macOS语音输入工具

@投稿 使用本地下载的语音SST模型，4大ST引擎按需下载，不求商业化，求个star和转发

4月11日

小氢壁纸

@网友小氢 微博每天分享壁纸，无水印。

百万豪装音响录音棚大声听

B站音乐博主，歌曲挺全。

SBTI人格测试

@投稿 快来看看你是什么人格，年轻人的全网自嘲狂欢测试题

4月10日

🔥Nano Banana Pro国内稳定站点

国内免翻流畅使用NanoBanana Pro、Veo3.1、Sora2等全球顶尖模型，稳定丝滑不卡顿，一句话轻松搞定专业图片/视频创作，欢迎免费体验！

阅竹

原潮汐阅读，全平台本地阅读器，支持跨端同步阅读进度

Moeli阅读

无广告、无追踪，专注于纯粹阅读本地漫画、小说体验

4月9日

Weibo备份工具

配合脚本导出微博数据，帮你永久珍藏那些在微博上发布的重要信息。

FlowScroll全局无级滚动

@xiaoyi 让网页、PDF、代码编辑器、表格、时间轴，都能获得更连贯、更轻松的滚动体验。

圆桌起名

@投稿 从中国传统典籍中抽取名字，确保每个名字都有出处，免费无限次起名

4月8日

免费视频和音频处理工具

@投稿 无广告、无水印，专业级浏览器端音视频工具，全程本地处理，支持最大50G

路费工具箱

Linux效率与运维工具箱

Gestify

@投稿 给视频加上手势操控的浏览器扩展，支持安卓版Edge/Firefox

4月7日

thesvg

5650+ 免费SVG图标下载

LXB-Framework

实验性安卓端自动化框架，专注于高频、线性的日常任务自动执行

A0KE-莆田潮牌鞋服专供【一手货源】

@广告 六年老店，一手货源，主营各大品牌潮牌鞋子，耐克、阿迪、匡威、彪马、萨洛蒙、始祖鸟、迪桑特等品牌，主打中高端品质，另外也有潮牌服饰、苹果耳机、卡西欧、包包等爆款商品！

Cloudflare优选拯救国外VPS

告别高延迟，直观的使用CF优选IP加速国外服务器。

土拨鼠大屏助手

巧用手机会员畅享大屏巨幕，无需开TV版会员

4月6日

TapClaw

告别只会聊天的 AI：一分钟领养你的云端小龙虾，配台专属电脑，看它全天候替你打工

Cardinal

最快最准的macOS文件搜索工具，毫秒级文件搜索，结果比Spotlight更精准

4月5日

DriverPE_Win11_23H2维护版

@投稿 以新旧电脑全适配、内核驱动全的优势，重新打造PE维护工具新标杆

聚盘搜

@投稿 颜值高的一款云盘资源搜索网站

文本转语音工具

@投稿 简洁高效的免费文本转语音工具，单词最多1000字

4月4日

Apple Matting抠图

基于Apple Vision框架的开源macOS抠图工具

model数据库/信息站

数据基于models.dev做了页面优化更简洁直观

digvps服务器测评

专注服务器测评，总有一款服务器适合

4月3日

蘑菇韩剧APP

@投稿 不错的安卓看韩剧应用，最新高清韩剧都有

Poixe AI免费模型API调用

@投稿 为所有用户提供免费模型调用，106个免费大模型，每日自动刷新，可用于轻量化测试

莆田潮牌鞋服

@广告 推荐: 高仿潮鞋/潮牌服饰高品质热销/大牌手表包包/专柜同质量！支持15天无理由退换 ！点击了解！

大师吵股

@投稿 召集当世或已故的炒股大师共同为你解惑

4月2日

小红书/抖音视频文案提取工具

@投稿 支持抖音、小红书等国内外10+平台，一键打包下载视频字幕、视频文件、封面、内容文案

AI-CS客服系统

@投稿 让客户服务更轻松，AI先接待、人工可接管，支持知识库问答与私有化部署的AI客服网站

用线索找坏蛋-免费摸鱼游戏

@投稿 春节假期肝出来的免费在线摸鱼游戏小站，天天更新一个新关卡，完全免费

WinPaste剪贴板增强工具

@投稿 能无缝替换并增强系统自带的Win+V历史功能，真正做到开箱即用

4月1日

言泉输入法

@宋超 开源、克制、本地优先的中文输入法，把中文输入重新做成一件可信、顺手、边界清晰的事。

deepcode

@投稿 深度集成 DeepSeek的VS Code扩展，支持持久会话、文件操作、技能

愚人节的真彩蛋：4月1日，壁纸湖小程序开启限时狂欢，获取999次壁纸免广告下载次数！

茶杯狐+pomo4k

@投稿 影视网站这个可在线看 也可下载

广告

本篇文章使用时间顺序整理和撰写，大致就是比赛的流程。我们在几次答辩后根据新情况对代码进行优化，于是就有每次答辩之后紧跟着的改进和优化。我们项目的大致信息如下：

目前专项赛还在进行，本文会持续更新，记录我们参加星火杯的完整的过程。

前言：从一些想法开始

前段时间，学院发了关于星火杯的报名文件。上个学期就听说过星火杯，但没想到这学期刚开学就要提交作品，没有做什么事先准备。

3月8日晚点名结束后，我与一位同学在图书馆用“腾讯元器”做了一个 AI 问答服务，零代码平台开发这个并不难，但一个小时弄出作品还是给这位同学比较大的震撼。星火杯有支持提交零代码平台开发的智能体的赛道，我打算就这样交上去。

当天晚上，那位同学找我，我们和另外一位同学沟通一些想法，初步确定往“教-学-管-评”智能体方向去做，设计一个平台来服务教育教学。

智能体知识库本身其实就是一个 RAG 系统，我将此前做 RAG 的代码基本照搬过来，大致用 flask + langchain 做了一个后端出来。姚焱夫同学负责前端，此前他并没有接触过前端的开发，现用现学，很快就了解了前端项目的文件结构、代码逻辑，非常厉害。孟子钦同学将我们聚到一起，对一些想法进行了完善。

设计与开发

通过我们的观察，大学的课堂教学过程中存在一些问题，例如：

针对这些问题，我们用我们的项目给出解决方案：

• 提供大模型问答功能，回答问题
• 教师可以针对学生提出的问题给出权威回答，完成知识沉淀
• 知识库可以添加文档、资料，充分利用教学材料
• 使用大模型对学生的学习情况进行总结，方便老师分析

这是关于系统问答与知识库功能的流程动图：学生向学习助手提出问题，学习助手在知识库中检索相关资料附在问题后交给大模型，大模型回答学生；教师可以在管理后台看到学生提出的问题并给出权威答案，权威答案沉淀到知识库中，下一次有学生提出类似的问题，大模型将被要求根据权威答案生成回答。

这是关于系统架构的动图：前端用 Vue 进行开发，后端由 Python Flask 提供服务，使用 Qwen 开源模型。

以上两张动图都是用 manim 制作的，截取自我们的项目介绍视频。PPT 的模板来自人智院的刘卓东学长。由于视频文件比较大，内容就是这两个动图加上功能的演示，所以介绍视频的链接附在本文的附录。

结合我与 Gemini、ChatGPT的对话记录，总结在开发过程中遇到的问题。

环境依赖问题
这个问题我愿意给到“夯爆了”，配环境的时候基本都会出现各种各样的依赖问题，要么是 Python 版本太低或者太高了，要么是langchain_community的版本跟其他依赖不匹配……langchain两个大版本的接口有很大的差异。每次遇到这种问题问 ai 折腾一两个小时估计都折腾不好，用一下搜索引擎很快就解决了。

在与 ChatGPT 沟通的过程中，遇到开发中最麻烦的两个模块create_retrieval_chain和create_stuff_documents_chain。根据我们 ChatGPT 同学之前的回答，它应该是知道由langchain_classic这个包的，但不知道为什么它在这及之后就忘记这两个模块被移到langchain_classic里面去了。我也是头脑不清醒，跟着它折腾半天，最后不得不找谷歌看看。（其实谷歌应该是第一选项才对，但是我懒，喜欢让 ai 直接给答案）

我在谷歌上搜索了一下这个导入语句，马上就找到了 python – Using create_retrieval_chain due to RetrievalQA deprecation – Stack Overflow 这个帖子，将langchain改成langchain_classic，问题就这样解决了。

在与 Gemini 谈话的过程中，估计是训练数据过时了或者没有搜索到合适的资料，它反复提醒我：“导包错误：LangChain 较新版本中，记忆和链模块应从langchain.memory和langchain.chains导入，而不是langchain_classic。”还好我自己知道，没在同一个地方摔倒第二次。

在开发的过程中也遇到过依赖地狱，不过折腾几次全部使用新版本就解决了。

Prompt拼接问题
这个问题也挺搞心态，没找到什么比较好的解决方案，后面用曲线救国的方式解决了。属于是治本不行就治标吧。

if '<|im_end|>' in token or '<|im_start|>' in token:
  token = token.replace('<|im_end|>', '').replace('<|im_start|>', '')
  if not token.strip():
    continue

if '<|im_end|>' in token or '<|im_start|>' in token:
  token = token.replace('<|im_end|>', '').replace('<|im_start|>', '')
  if not token.strip():
    continue

我在后端开发好之后让 ai 写了一份接口文档，供负责前端的姚同学阅读。原本以为 git 和前后端协作这方面会出现一些问题，结果并没有我想的那样困难。在帮忙装后端环境的时候出现了一个问题，关于 cuda 的问题：

我在装 pytorch 的时候，Gemini 给的命令pip install --pre torch --index-url https://download.pytorch.org/whl/nightly/cu128能用，而cu129的预编译包却找不到。没办法，只好让同学降级，后面我在代码里也适配了没有 cuda 的环境。

答辩之前，代码之外，团队协作的过程中出现一些小插曲，经过沟通顺利解决。团队的负责人需要跟进比赛的时间点，熟悉项目并协调准备好材料，带领团队推进。

准备答辩时将材料交给皓子学长过目，大佬给了一些诸如突出显示关键词之类的建议。

主体赛初赛

答辩出现的问题

3 月 26 日晚上，我参加了网安密码学部的院级答辩。将答辩的录音转文字进行分析，结合答辩时的一些主观感受，发现答辩中暴露的一些问题：

• 答辩的时候超时了，后面关于项目优势和未来展望的部分没讲到。
• 问辩的时候展现项目的必要性还不够，相对于通用大模型的不可替代性没讲清楚。
• 产品对于老师留言提醒的功能做得还不够完善，例如：如果多个学生针对同一问题给老师留言，老师会收到多个邮件。

差不多要 29 日学院里统计分数后才会出结果，这段时间可以对提出的不完善的功能进行一下优化。如果被推荐到学校里，完善完善，校赛再战。

与浦彦松学长交流了一下答辩的事情，学长给了一些建议：

• 不要列技术架构，关于技术的设计和改进可以提，但是要有数据、对比。
• 答辩不需要讲解技术，讲创新点，细节就说后续会优化。
• 背景只需要一两页。
• 不要有长段文字，图片的视觉冲击力好过红色标记。
• PPT 很重要。

针对问题进行的一些优化

让 ai 完善了一下留言邮件提醒的逻辑，学生提交留言提醒之后会先在最近 24 小时的留言里匹配相似度，如果发现有相似度高于 0.85 的留言，则不会给老师发送邮件通知。

在我们完善代码的时候微信发来消息，我们的项目没有被推荐到校赛，这次主体赛我们到这里就结束了。我们队伍里面讨论了一下，决定将这个项目做完。“无论还有没有机会，无论结没结束，咱们都尽量把这个项目完成。不管成没成功，都是自己做的一个项目。”

我们梳理了尚未完成的工作，大致分成三个部分：

• 项目 README 的实现效果部分目前缺省，没有直观的展现
• 资料库内容还不够丰富，有待充实后发布版本
• 暂时还没有对于 RAG 投毒的防御措施

假如LLM无限上下文了，RAG还有意义吗？ 这篇回答给我提供了一个可能的优化方向，即“主动RAG，让模型自己决定查什么”。

原先的问答代码是这样的，用户提问→系统检索→模型生成，整个生成过程只检索一次知识库，属于是一个比较普通的 RAG 流程。以下是关于这一流程的生动的图片，图片中红色的内容为投毒内容，暂时不考虑这一点。

我让 Gemini 根据主动检索的概念对代码进行修改，修改后的 ai 可以自己决定要不要检索知识库，如果是寒暄之类的提问可以直接回答，跳过检索步骤。可以进一步对代码进行优化，让 AI 自己决定检索词。

关于抗投毒，TrustRAG: Enhancing Robustness and Trustworthiness in RAG(arXiv:2501.00879) 提供了一种可行的方法，主要通过 k-均值聚类和大模型自评估来过滤恶意投毒文档。因为懒，目前文档数量比较少，没有什么过滤的必要。

项目 README 的实现效果需要实际应用之后才能拿到数据，不方便摆太多的数字。

3 月 29 日晚上，在推完主动检索的修改之后，将新生成的向量知识库上传到 GitHub，发了一个版本。目前的开发任务差不多就完成了。

3 月 29 日中午，就在我们知道我们这个项目没有被推荐到学校过后不久，学部把选拔赛的获奖名单发出来了，我们项目获得选拔赛的一等奖。到此，主体赛算是“有始有终”。

至此，可以跟主体赛说拜拜了。

智能体专项赛

初赛答辩

清明节时，我与姚焱夫同学在原有的基础上准备专项赛初赛答辩的PPT。专项赛答辩的时间比主体赛还短，只有3分钟时间，问辩时间也只有2分钟，这对我们来说是一个挑战。吸取之前主体赛答辩背景讲太多的教训，我们将四个方面的背景整合到一页。我们参加的是“教-学-管-评”智能体开发挑战专项赛，将这四个方面一起展示感觉更有冲击力。同时，我们避免出现大段的文字，只留关键词，然后用我自己的审美稍微排版了一下，感觉还行？PPT后面的创新之处也使用这样的排版。

4 月 9 日晚上，我与姚焱夫同学准备次日早上的专项赛初赛答辩。我们又一次咨询了皓子学长。大佬给了我们很多建议，比如“可以吹自己已经部署使用了一段时间，请了多少个老师同学试用，评分均分多少分”“未来展望，直接落地得了，引入多模态大模型，这种用绘图技术结合下多好”等等。我们对创新之处作了一些修改。

次日早上，姚同学前去答辩。姚同学不愧是大佬，结构清晰，回答自信。

功能的改进

4 月 9 日，我们看了一下我们的那些展望。姚同学想着用 opencode 把多模态实现了，结果 Deepseek 把代码实现之后，发现它把后端登录、注册的路由给删了。我让同学好好骂一骂 ai。

这次专项赛立了这些 flag，如果进校赛的话要在比赛之前做好。

• 多模态问答
• 知识库自动管理（Python爬虫）
• 基于 TrustRAG 的抗投毒机制
• 更智能的 Agent 功能
• 预留对接学校的系统
• 使用 Java Spring AI 作为后端架构，贴合实际部署的情况

图文问答（多模态问答）

关于多模态部分，我和姚焱夫同学弄了几次没弄好，opencv和ocr好像都差点意思，大模型已读乱回。

我们打算使用Qwen/Qwen2-VL-2B-Instruct来实现多模态功能，但在回答含文字的内容时效果还是不怎么好。根据 如何使用Qwen3.6模型实现视觉理解 这篇文档的介绍，我打算使用Qwen/Qwen3-VL-2B-Instruct试试，速度快，又具备文档解析、复杂题目解答的能力。我先对原本的后端代码进行一些拆分，给500行的代码瘦瘦身。

在独立出数据模型时出现了问题。后端使用SQLAlchemy创建数据模型，我将数据模型独立到一个models.py文件中，如下：

import os
from dotenv import load_dotenv
load_dotenv()
from datetime import datetime
import flask
from flask_sqlalchemy import SQLAlchemy
from flask_login import UserMixin

app = flask.Flask(__name__)
app.config.update(
    SQLALCHEMY_DATABASE_URI=os.getenv('DATABASE_URL'),
    SQLALCHEMY_TRACK_MODIFICATIONS=False,
)

db = SQLAlchemy(app)

class User(UserMixin, db.Model):
    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(20), unique=True, nullable=False)
    ...

class Question(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

class Message(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

import os
from dotenv import load_dotenv
load_dotenv()
from datetime import datetime
import flask
from flask_sqlalchemy import SQLAlchemy
from flask_login import UserMixin

app = flask.Flask(__name__)
app.config.update(
    SQLALCHEMY_DATABASE_URI=os.getenv('DATABASE_URL'),
    SQLALCHEMY_TRACK_MODIFICATIONS=False,
)

db = SQLAlchemy(app)

class User(UserMixin, db.Model):
    id = db.Column(db.Integer, primary_key=True)
    username = db.Column(db.String(20), unique=True, nullable=False)
    ...

class Question(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

class Message(db.Model):
    id = db.Column(db.Integer, primary_key=True)
    content = db.Column(db.String(1000), nullable=False)
    ...

然后在main.py中将原本的数据模型替换为from modules.models import User, Question, Message，发现失败。后面将上面代码中的db改成从main.py导入，出现循环导入的错误。Gemini推荐使用工厂模式来解决这个问题。但我懒，把数据模型又给搬回去了，没用这个。

from transformers import AutoProcessor, AutoModelForVision2Seq

model_name = "Qwen/Qwen3-VL-2B-Instruct" 

self.processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
self.llm = AutoModelForVision2Seq.from_pretrained(
  model_name,
  torch_dtype=self.dtype,
  device_map="auto" if self.device == "cuda" else None,
  trust_remote_code=True
)

from transformers import AutoProcessor, AutoModelForVision2Seq

model_name = "Qwen/Qwen3-VL-2B-Instruct" 

self.processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
self.llm = AutoModelForVision2Seq.from_pretrained(
  model_name,
  torch_dtype=self.dtype,
  device_map="auto" if self.device == "cuda" else None,
  trust_remote_code=True
)

在导入过程中发现我的transformers库没有AutoModelForVision2Seq，搜索之后发现 ImportError: cannot import name ‘AutoModelForVision2Seq’ from ‘transformers’ · Issue #8200 · modelscope/ms-swift 这位与我遇到了同样的问题，也是在用这个模型时发现无法导入。将transformers调整为4.57.6就解决了。

使用了Qwen3之后，模型就能够读懂图片了。

知识库自动管理（爬虫）

以上是我用Mermaid画的一个大致的流程，经过确认这也是姚焱夫同学想要的效果：我们设定一些网址，脚本爬取这些网址的网页内容，经过大模型以及一些人工设定的规则清洗后变成干净的markdown文档，存在知识库文件夹中。

RAG知识库搭建-文档预处理-数据清洗：基于异步的AI文本批处理系统实践-腾讯云开发者社区 这篇文章提供了一个可以借鉴的system prompt。基于此，我们设定知识库负责清洗的llm的system prompt。

姚焱夫：
You can just build things.

Hi，这里是XDwe团队姚焱夫。作为我第一个真正意义上的项目，我感觉这次体验很棒。

作为非cs专业学生，其实我对编程方面并不算特别熟悉，不管是编程基础还是工作流程熟练度都没办法和宗林相比。小到Git，终端的使用和开发环境的搭建，大到前端开发，vibe coding的使用，还有项目的协作，我学习到的东西真的很多很多。以前作为兴趣浅尝辄止的东西，在这次实践过程中真的深入了很多。虽然学的是电子信息，但其实我一直是对计科、人智和具身这些方面更感兴趣，所以当其他人都在学习单片机，如火如荼准备电赛的时候，我毅然决然地放弃了之前参加电赛的想法，转而学习自己感兴趣的内容。不仅把竞赛方向换到了更喜欢的Robomaster，也有了参加科研的想法。

这次比赛便是我学习cs的一个初尝。放弃了电院和物理院的比赛，我转而和网信院的同学组队，开发了这个ai问答平台。我能明显的感受到，在这个项目过程中，我是深度沉浸，高度投入的。最开始的时候恨不得把每天的时间都投到项目里面。当然，这期间我的开发能力也得到了飞快的增长，我开始越来越像一个真正的开发者。

想法的构建和具体的实施，都是我们团队经过商讨之后共同完成的，这种协作的工作方式不仅能最大化每个人的能力，大大提高项目的实现效率，而且对以后的工作裨益无穷。我一直相信卓越不是一蹴而就，所以我一开始就告诉自己，不要太看重成绩，注重学习的过程。虽然主体赛道没能进入校赛，但是我们优化过的项目在专项赛道貌似得到了很高的评价。事实证明，如果你认真去做了，就算结果不一定如你所愿，但也一定不会差到哪儿去。

技术之外，我还学到了很多。比如之前一直不怎么重视ppt的重要性……但事实是，ppt就是评委了解项目的唯一渠道，不仅要要重视它，甚至还得弄得夸张点……再比如这次的专项赛答辩。因为我其实是一个非常outgoing的人，所以我一直相信自己肯定能做到，也没给自己太大压力。答辩前一天认真准备了一下，第二天轻装上阵，做了一次还算不错的答辩。

所以，你真的不能吗？你真的不行吗？
未必。

无论是电信科转战cs的决定，还是项目的每一个实现，都在告诉我

You can just build things.

给自己一点压力，给自己一点信心，然后JUST DO IT.

感谢：特别感谢宗林在技术方面对我的帮助~宗林是一个技术栈十分全面的大佬，工作认真负责，是一个特别优秀的队友。
特别感谢子钦对项目在构思，改进和设计方面的贡献~虽然子钦在项目中期因为身体原因产生过退出的想法，但是后来还是坚持下来了，这让我很感动。正如我所秉持的观念，Every one matters.一个人都不能少。
特别感谢我自己，你从不缺乏勇气和自信，Keep going！

致谢与附录

致谢

感谢负责进行前端开发工作的姚焱夫同学、负责协调与 UI 图标设计工作的孟子钦同学、给我们提供宝贵建议的皓子大佬和浦彦松学长与提供 PPT 的刘卓东学长。与此同时，我在大创课题组所做的工作在本次比赛开发 AI 应用过程中给我提供帮助，感谢苗教授和负责指导我们的张博士师兄。

附录

1. 项目代码仓库：Xiaozonglin/shallowseek: Teacher-Augmented AI Learning System for Xidian University
2. 项目展示视频：XDWe manim展示视频代码 XDWe项目介绍视频
3. 大佬推荐的 PPT 设计视频：
   PPT遇上大段文字，这样排版更清晰！_哔哩哔哩
   大段文字并且很多要点，要怎么排版呢？这个视频就教会你！_哔哩哔哩

星火杯参赛小记：XDWe——驱动教学相长的AI智能学习助手最先出现在林林杂语。

虽然之前没有在blog中提，但其实从Vim 8切换到Neovim已经很长时间了。
主要原因是为了尝试Telescope、Lazy.nvim等插件，以及期望启动和响应速度能够快一些。
等到Vim 9问世，经历了Bram Moolenaar去世之后，因为Neovim的不稳定，长期打开文件后窗口不响应，又重新回到了Vim，开始使用9.2的版本。

断断续续花了2天时间切换配置、重新安装插件，插件管理改用Vim-Plug，LeaderF代替Telescope，除了Hop、Focus外，绝大多数插件可以通用或找到替代品。

而且Windows下可以用--remote-silent参数保证所有文件都在同一个窗口中打开，而Neovim做不到或者很麻烦。

在使用 docker 时，常常会碰到进程退出时资源清理的问题，比如保证当前请求处理完成，再退出程序。

当执行 docker stop xxx 时，docker会向主进程（pid=1）发送 SIGTERM 信号
如果在一定时间(默认为10s)内进程没有退出，会进一步发送 SIGKILL 直接杀死程序，该信号既不能被捕捉也不能被忽略。

一般的web框架或者rpc框架都集成了 SIGTERM 信号处理程序， 一般不用担心优雅退出的问题。
但是如果你的容器内有多个程序（称为胖容器，一般不推荐），那么就需要做一些操作保证所有程序优雅退出。

signals

信号是一种进程间通信机制，它给应用程序提供一种异步的软件中断，使应用程序有机会接受其他程序活终端发送的命令(即信号)。

应用程序收到信号后，有三种处理方式：忽略，默认，或捕捉。

常见信号：

Dockerfile

下面以 supervisor 为例，Dockerfile 如下

1
2
3
4
5
6
7
8

FROM centos:centos7
ENV PYTHONUNBUFFERED=1 TZ=Asia/Shanghai
RUN yum -y install epel-release && \
    yum -y install supervisor && \
    yum -y clean all  && rm -rf /var/cache

COPY ./ /root/
ENTRYPOINT [ "/usr/bin/supervisord", "-n", "-c", "/etc/supervisord.conf" ]

trap

正常情况，容器退出时supervisor启动的其他程序并不会收到 SIGTERM 信号，导致子程序直接退出了。

这里使用 trap 对程序的异常处理进行包装

1

trap <siginal handler> <signal 1> <signal 2> ...

新建一个初始化脚本，init.sh

1
2
3
4
5
6
7

#!/bin/sh

/usr/bin/supervisord -n -c /etc/supervisord.conf &

trap "supervisorctl stop all && sleep 3" TERM INT

wait

修改 ENTRYPOINT 为如下

1

ENTRYPOINT ["sh", "/root/init.sh"]

参考

• https://www.ctl.io/developers/blog/post/gracefully-stopping-docker-containers/
• https://www.cnblogs.com/taobataoma/archive/2007/08/30/875743.html
• https://wangchujiang.com/linux-command/c/trap.html

今日，在未来游戏展（Future Games Show）春季发布会上，Streetlamp Studio正式揭开了旗下备受期待的 “3I” 级新作《SlashZero》的神秘面纱。与传统2D像素风游戏截然不同，《SlashZero》采用3D动漫美术表现形式，打造出一个广袤无垠且由程序生成的赛博朋克世界。

在《SlashZero》的世界观中，时间线已然崩塌。玩家将化身 “时空骇客”，穿梭于充斥着科幻与奇幻元素的平行时空，探寻时间崩溃的真相并试图修复世界。

《SlashZero》深度打磨肉鸽核心玩法，以极致挑战、厚重叙事与精良机制为基础，打造出一套深度垂直的战斗系统。借助3D场景优势，本作实现了同类横版游戏中罕见的空间层次感与动作流畅度。

Streetlamp工作室的制作人Jun表示：“我们希望通过《SlashZero》，突破横版roguelike游戏的边界。我们投入了大量精力打磨高品质3D动画与游戏内性能表现，并实现PC与主机同步发行，力求为玩家带来一场兼具操作爽感与视觉盛宴的顶级体验。”

游戏核心特色

· 3I级品质标准：惊艳的3D动漫视觉效果，让未来世界与角色生灵栩栩如生。

· 垂直横版卷轴战斗：角色拥有丰富的招式与动态技能，依托3D空间实现超高机动性与战术深度。

· 程序化关卡体验：先进的生成引擎，确保每一次时空穿梭都拥有全新场景挑战与技能组合。

· 全平台同步发售：游戏从研发阶段便面向多平台同步开发，保证PC与PS5版本性能体验一致。

在今日公布之后，开发团队将陆续披露更多关于游戏玩法机制与剧情设定的细节。同时，限量版试玩活动即将开启，玩家现可前往Steam将游戏添加至愿望单，并关注官方社交平台B站@SlashZero，获取第一手资讯。

点击前往游戏Steam商店页

点击前往填写创作者Playtest招募问卷

QQ群号：1090513795

🤖 AI 摘要

文章以作者长期在博客、社交媒体、GitHub 等平台留下的大量内容为背景，提出在生成式 AI 时代主动构建个人知识结构的重要性。作者首先在 /about 页让 6 个不同大模型基于 11 万字上下文与结构化摘要，生成第三方视角的作者画像，并通过多模型对比提升可信度。随后，他构建了可在博客内直接聊天的「AI 罗磊」，技术栈包括基于 Cloudflare Workers 的 Vinext、Vercel AI SDK、OpenAI Compatible API 接入多家模型、自研搜索/RAG 核心、IP 级限流和 Telegram Bot 监控。系统流程涵盖追问检测与意图判定、缓存复用、本地倒排索引搜索与分数加权、AI 关键词提取与停用词过滤、意图重排、多层 System Prompt 设计、流式生成与截断修复，以及全链路 Token 与耗时追踪。为抑制幻觉，作者设计了来源限制、数字协议、履历协议和链接协议等严格规则，确保回答有据可依。文末作者反思 AI 分身与真实自我的偏差，并展望接入视频内容、降低对单一 API 依赖，强调个人应主动把分散内容结构化为可对话的知识系统，让 AI 成为自我延伸。

起因

我在互联网上留下痕迹，比写代码还早。

大学时代就开始折腾博客、刷微博、玩人人网，那时候还没入行做程序员，纯粹就是一个爱在网上表达的人。后面这十几年，从最开始的切图仔，到后来资深前端开发，再到现在的 AI 驱动的全栈开发，有了技术加持，输出变得更加系统化。到今天，luolei.org 上已经有 300 多篇文章。

除了博客，还有 YouTube 和 B 站 的 ZUOLUOTV 视频频道、X/Twitter 上的 @luoleiorg、十几年前的微博和人人网、Unsplash 上累计超过 1500 万浏览的摄影作品、GitHub 上的开源项目。

这些内容散落在互联网的各个角落，涵盖了技术、摄影、旅行、跑步、数码产品、生活方式等话题。如果有人想快速了解「罗磊是谁」，他需要翻好几个平台、读上几十篇文章，才能拼凑出一个大概的印象。

2024 年至今，我全身心投入独立开发，拥抱 AI-first 的 Vibe Coding 工作流。在这个过程中，一个想法越来越清晰：

在生成式 AI 时代，你的内容一定会被 AI 读取。但 AI 是否能完整地理解你，取决于你是否主动构建自己的知识结构。

被动被爬虫抓取，和主动建立语义索引，是两回事。让 AI 理解你，本质是在拿回对自己内容的解释权。

于是我决定在博客上做两件事：让多个 AI 模型以第三方视角写出「AI 眼中的罗磊」，以及基于我多年的多平台内容构建 RAG 知识库，做一个可以直接聊天的「AI 罗磊」。

AI 眼中的罗磊

打开 luolei.org/about，你会看到一个和传统「关于我」页面完全不同的东西。

这个页面不是我自己写的自我介绍，而是由 6 个不同的 AI 模型（GPT-5.2、Gemini 3、Qwen 3.5 Plus、Kimi K2.5、豆包 Seed 2.0、GLM 5.0）分别阅读我的博客文章、X 动态和 GitHub 履历后，各自生成的第三方视角作者画像。

同一份数据，不同模型，像 6 个旁观者各自写出对同一个人的理解。

数据从哪来

这次 AI 分身主要围绕三类数据进行分析：

• 博客文章：300+ 篇 Markdown 文件，每篇都经过 AI 预处理生成结构化摘要（含一句话摘要、详细摘要、3-6 条关键要点、SEO 关键词）
• X/Twitter 动态：通过官方 API 抓取，按互动量排序取最有代表性的内容
• GitHub 履历：项目信息、工作经历、技术栈

说实话，这只是我在网上留下的数据的一小部分。我在 YouTube 和 B 站上有大量视频内容，十几年前的微博和人人网上也有不少早期的文字记录。但这些平台的数据抓取非常麻烦——视频需要先转文字再分析，国内社交平台的 API 要么不开放、要么限制很多，和 Twitter 的官方 API 体验完全不在一个级别。

即使是 Twitter API，成本也不低。所以我做了本地缓存策略，抓取一次后存到 JSON 文件里，避免重复调用。

11 万字的上下文挑战

这三类数据汇总后，光是 Context JSON 就有大概 11 万字。把这么大的数据量一次性丢给 AI 分析，直接暴露了当前大模型的能力边界。

实测下来，6 个模型中只有 Qwen 和 Gemini 3 能稳定处理这个量级的上下文。其他几家要么超时、要么输出质量严重下降，甚至直接报错。最后我做了一轮 AI 预处理——先用模型对每篇文章生成摘要和关键要点，再把压缩后的结构化数据丢给各个模型生成画像，才解决了这个问题。

这是当前 AI 能力的一个现实限制。但可以想象的是，随着大模型的上下文窗口持续扩大，未来普通用户也能轻松处理几十万字的长文分析。到那时候，做这种个人知识系统的门槛会低很多。

多模型生成

6 个模型使用统一的 System Prompt，要求以第三方视角生成结构化 JSON 报告，包括身份标签、能力维度、做事风格、代表作品等。Prompt 中有严格约束：语气客观克制，结论必须有数据支撑，不能编造，不能夸大。

前端支持在不同模型视角之间切换，每个画像底部标注了生成模型、时间和数据来源，保持透明。

为什么让多个 AI 来写？一个 AI 的输出可能有偏差，但当多个不同架构、不同训练数据的模型都指向类似的结论时，可信度就高了不少。同时不同模型的表达差异，本身就挺有意思——有的模型更关注技术能力，有的更关注内容创作，有的会注意到生活方式这条线。

在博客里和 AI 版的我聊天

/about 页面解决的是「快速了解我」的问题。但如果读者想深入聊一个具体话题——比如「你用什么设备拍照」「你跑过哪些马拉松」「推荐几篇关于 Homelab 的文章」——一个静态画像页面就不够了。

于是我做了第二个功能：直接在博客和 AI 版本的我聊天。

技术栈

• 框架: Vinext（基于 Vite 的 Next.js 重实现，部署在 Cloudflare Workers）
• AI SDK: Vercel 的 AI SDK（ai + @ai-sdk/react + @ai-sdk/openai-compatible）
• LLM: 通过 OpenAI Compatible API 接入，支持切换任意模型（通义千问、DeepSeek、Gemini、OpenAI 等）
• 搜索/RAG: 自建的 @luoleiorg/search-core 包，基于关键词匹配 + 权重评分 + 意图重排
• 安全: IP 级速率限制（防止滥用）
• 监控: Telegram Bot 实时通知，完整追踪 Token 用量和阶段耗时

工作流程

当读者在聊天框输入一条消息，系统的处理链路如下：

1. 搜索上下文复用判断

系统会缓存每轮对话的搜索上下文（10 分钟有效期）。如果是追问（比如先问「你跑过马拉松吗」，再问「成绩怎么样」），会通过以下步骤判断是否复用：

• 追问检测：基于消息长度（≤48 字符）、标点符号、词数等启发式规则，快速识别可能的追问
• 意图判定：调用轻量级 AI（1.5 秒超时，8 token 输出上限）判断新问题与上轮是否属于同一检索意图
• 缓存复用：如果判定为同一意图，直接复用上次的检索结果，避免重复搜索

2. 并行搜索与关键词提取

如果不复用缓存，系统会同时启动两个并行任务：

本地搜索（即时）：基于 @luoleiorg/search-core 倒排索引，使用 Intl.Segmenter 进行中文分词，并做 CJK 字符拼接修复（比如把「马拉」+「松」识别为「马拉松」）。搜索算法使用加权评分：

• 标题匹配 +6 分
• 摘要匹配 +4 分
• 关键要点匹配 +3 分
• 正文匹配 +2 分
• 一年内文章 +1 分

深度内容提取：对于匹配度最高的文章（分数 ≥8 且显著领先第二名），会额外提取前 1500 字符的完整内容，让 AI 能回答更细节的问题。

AI 关键词提取（异步并行）：如果是多轮对话且本地关键词不足 3 个，会调用 AI 从对话上下文中提取更精准的搜索关键词（3.5 秒超时，48 token 输出上限）。提取后会过滤 70+ 个中文停用词。如果 AI 提取的关键词与本地分词结果不同，会用新关键词再次搜索。

最终返回 6 篇最相关的博客文章 + 6 条最相关的 X 动态。

3. 意图重排

系统定义了 5 类意图分类：

• AI/RAG：ai、rag、embedding、agent、llm、prompt、数字分身、向量、大模型
• DevOps/Homelab：docker、k8s、nginx、cloudflare、openwrt、homelab、路由
• 前端/全栈：nextjs、react、typescript、seo、vinext、前端、全栈
• 摄影/旅行：摄影、旅行、东京、香港、京都、unsplash、马拉松
• 生活方式：生活、消费、眼镜、医院、体验、投资、健康

根据用户查询内容识别意图后，对检索到的文章进行重排，按意图相关度评分：

• 标题命中 +3 分
• 分类命中 +2 分
• 摘要命中 +2 分
• 关键要点命中 +1 分
• 一年内文章 +1 分

这样可以优先展示最相关领域的内容。

4. 分层 Prompt 构建

System Prompt 分为三层：

• 核心身份：AI 人设定义、语言风格、交互原则
• 核心规则（反幻觉协议）：来源限制、数字协议、履历协议、链接协议
• 运行时上下文：作者简介 + 相关文章/动态列表 + 用户查询

这种分层设计让提示词维护更清晰，也方便调整规则而不影响其他部分。

5. 流式生成与修复

AI 以 Streaming 方式逐字输出（temperature=0.3，max_tokens=2000）。如果检测到响应截断（以悬停标点结尾、Markdown 不平衡、句子不完整等），会触发一次轻量级修复调用（2.5 秒超时，80 token 上限），只补全最后一句，然后无缝拼接。

6. 全链路追踪

每轮对话结束后，Telegram Bot 会发送详细通知，包括：

• Token 用量细分：输入 token、输出 token、推理 token、缓存 token（分阶段统计：关键词提取、主对话、响应修复）
• 各阶段耗时：总耗时、关键词提取耗时、检索耗时（标注是否命中缓存复用）、Prompt 构建耗时、响应修复耗时
• 引用内容：文章标题列表、推文标题列表

反幻觉：系统工程

做 AI 数字分身最大的挑战不是「让它说话」，而是「让它不乱说」。

大语言模型天生倾向于「编出一个看起来合理的答案」。如果有人问「你有没有去过冰岛」，一个没有约束的模型可能会非常自信地说「有啊，我 2022 年去过」，哪怕我压根没去过。

所以在系统提示词中，我设置了最高优先级的反幻觉规则：

1. 来源限制协议——只能使用本次 Prompt 中的可见信息
2. 数字协议——任何具体数字（金额、日期、成绩）必须在文本中出现，否则简洁承认没有记录，且同一轮对话中不得重复相同的表述
3. 履历协议——工作经历只以「关于你」为准，没有记录时使用模板「这个细节我没在博客里记录」
4. 链接协议——只允许引用提供的完整 URL，必须使用 Markdown 格式 [文字](URL)，严禁裸输出 URL

这些规则配合 RAG 检索，让 AI 的回答始终有据可查。搜不到就坦诚说没有，比编一个像模像样的假答案好一百倍。

前端细节

聊天界面的一些设计：移动端全屏、桌面端居中弹窗；键盘 Enter 全局唤起；消息气泡区分用户和 AI，AI 头像带「AI」标识；3 秒发送冷却防误触；预设引导语轮播帮助用户开启话题。

当 AI 回复中引用 X/Twitter 动态时，前端会自动渲染成带有作者头像、互动数据的卡片，点击可展开查看完整推文。

每一次对话都会通过 Telegram Bot 通知到我手机，我能实时看到有多少人在和「AI 罗磊」聊天，聊了什么话题，引用了哪些文章，以及系统在各阶段花了多少时间、消耗了多少 Token。

它是我，又不是我

和自己的 AI 分身聊天，感觉挺奇妙的。

它知道我 2014 年跑了上海马拉松，知道我用 Cloudflare Workers 部署项目，知道我在 2016 年写过一篇关于信息自由的文章。它能推荐我写过的文章，能聊我的技术栈，能说出我用什么相机。

但它不是我。

这个 AI 版的罗磊，是基于我公开发布的内容训练出来的。公开内容天然有筛选和表达倾向——我在博客里写的是我愿意分享的部分，X 上发的是我想表达的观点，GitHub 上展示的是我选择开源的项目。那些没写出来的犹豫、没发出去的想法、生活中琐碎但真实的部分，AI 一无所知。

所以这个数字分身呈现出来的形象，一定和我真人的性格有差异。它可能显得比我更自信、更系统化、更「有条理」，因为发布出来的内容本身就经过了思考和整理。真实的我，可能比它犹豫得多，也随意得多。

这种偏差其实挺值得思考的。我们每个人在互联网上呈现的形象，本来就是真实自我的一个投影。AI 读取的是投影，重建的也是投影。它理解的是那个「在线的罗磊」，而不是完整的罗磊。

养成系的 AI 分身

做这个东西有点像养成游戏。

目前它的知识库还只覆盖了博客、推文和 GitHub。接下来我打算把 YouTube 和 B 站上的所有视频都处理一遍——先转成文字，再做分析和索引，然后继续「投喂」给这个系统。数据越多，它对我的理解就越完整。

不过说实话，我也有一些隐忧。

目前整个系统的 AI 能力依赖于大厂的 API 服务——通义千问、OpenAI、Gemini，数据传输到他们的服务器上处理。因为我喂给它的都是公开数据，所以隐私问题暂时不太担心。但如果未来想把更私密的内容也纳入进来，就需要认真考虑数据安全了。

另一个风险是依赖性。当你把自己的知识体系建立在第三方服务之上，一旦 API 涨价、服务下线、或者政策变化，整个系统就可能受到影响。这也是为什么我选择了 OpenAI Compatible 的接口标准——至少在模型层可以随时切换，不被单一供应商锁定。

最后

回到最开始的那个观点：在这个时代，主动构建自己的知识结构，远比被动等待 AI 来理解你更重要。

我的博客、推文、视频、代码，如果只是散落在互联网各处，它们就只是搜索引擎里的一条条索引。但当我主动把它们结构化、建立语义关联之后，它们变成了一个可以对话的知识体。

可以想象的是，随着 AI 大模型能力的持续增强，以后的上下文窗口会越来越大，多模态处理会越来越成熟。到那时候，做一个自己的 AI 分身，可能就像今天搭建一个博客一样简单。

这也许就是个人内容创作者在 AI 时代的一种可能性：不只是生产内容，而是构建自己的知识系统。让 AI 成为你的延伸，而不只是替代。

相关链接

• AI 视角下的罗磊：luolei.org/about
• AI 数字分身聊天：luolei.org（首页顶部输入框）
• 博客源码：GitHub
• AI SDK：sdk.vercel.ai
• Vinext：github.com/cloudflare/vinext

01 风暴眼：欺诈式执法刺破校园红砖墙 2026年2月26日清晨，哥伦比亚大学西121街的一栋学生公寓楼迎来了五名不速之客。 根据校方发布的紧急声明，这些隶属于美国移民及海关执法局（ICE）的便衣特工…

The post 凌晨惊魂！ICE摸进哥大宿舍抓人：常青藤也不再是避风港？ appeared first on Jake blog.

🤖 AI 摘要

文章围绕开源自部署网络流量分析面板 Neko Master 的诞生与演进展开。作者作为 Homelab 用户，希望获得比 Clash 面板和 Grafana+Loki 更直观、美观的“流量感知”视角，于是在春节期间通过 Kimi K2.5 等模型进行 Vibe Coding，一小时内完成接入 OpenClash 的 MVP，并在四小时内上线首版，迅速获得 GitHub 与 Docker 的关注。后续项目从玩具版走向复杂架构，重点解决家庭 NAS/软路由环境下的稳定性与性能问题，包括：通过内存缓冲队列、批量写入、先聚合再写和写入限流，将 SQLite 导致的日写入量从 200GB 降到 1.6GB；在多 Agent、多网关场景下引入 ClickHouse，通过批量写入窗口、按时间分区与排序键建模、预聚合高频指标等手段，提升查询稳定性与响应时间。文章系统复盘了 Kimi、Claude Opus、CodeX、Gemini 在原型搭建、性能调优、架构重构中的分工，并强调“给 AI 视觉锚点”来提升 UI 审美效果。作者总结，Vibe Coding 极大压缩了从 0 到 1 的时间，但从 1 到 100 仍依赖人类对性能、架构、审美和用户需求的判断。

春节期间，我花了四个小时，从零开始 Vibe Coding 了一个网络流量分析面板 Neko Master，当天就上线了第一版。项目上线一周，GitHub 收获了 1000+ Star，Docker Pull 破了 10K。

项目最初叫 Clash Master，用了一周后改名为 Neko Master。原因很简单：不想跟 Clash 这个名字绑定太死，后来支持了 Surge v5+，未来也可能接入更多网关类型。

Neko Master 是什么？

一个开源、自部署的网络流量分析面板。

• 多维流量统计（域名 / 节点 / 规则 / 地区等）
• 趋势分析
• 多后端支持（OpenClash / Mihomo / Surge）
• Docker 一键部署
• 移动端适配 + PWA

如果你家里也在用 OpenClash / Mihomo / Surge，欢迎体验。MIT 开源，欢迎 Star 和提 Issue。

• GitHub: github.com/foru17/neko-master
• 在线演示: neko-master.is26.com（密码: neko2026）

从最初的「玩具」到现在拥有复杂架构的项目，这篇文章算是对整个开发过程的一个回顾和总结，分享一些 Vibe Coding 的实战体感。 如果只看第一版，它其实不复杂；真正的复杂度，是上线后被真实流量和用户场景一点点逼出来的。

为什么会有这个项目

我是一个 Homelab 用户，家里跑了一堆服务，分流策略比较复杂，日常开发也会频繁切换 IP。

其实早在 2024 年初，我就折腾过一次流量监控方案：用 Grafana 和 Loki 配合 Clash Premium 的 Tracing API，弄了一个监控面板。当时发了条推，说「能看看自己的线路流量什么的，其实也没啥用」。

luolei @luoleiorg · 2024年1月7日

用 Grafana 和 Loki，配合 Clash Premium 的 Tracing API，弄了一个 Clash 监控面板，能看看自己的线路流量什么的，其实也没啥用。 https://t.co/YhrjvpspIe https://t.co/3huqYdmg4r

🐦 在 X (Twitter) 上查看原文 →

但用了一段时间后，发现 Grafana 这套东西虽然功能强大，但对于家庭用户来说门槛还是太高了。配置繁琐，界面也不够直观，更关键的是长得不好看。原生的 Clash 面板更多是「运行状态」展示，但我一直缺少一个更直观的视角去看：

流量到底在干什么？

• 哪些域名在吃带宽？
• 哪个节点负载更高？
• 深夜学习 AI 时到底哪个网站最耗流量？
• 当前的规则策略是否合理？

市面上除了 UniFi 之外，其他统计工具的界面确实有些一言难尽。与其在不同工具之间拼凑数据，不如自己做一个更好看、更好用的「流量感知」的面板。

一小时打造 MVP

2 月 5 日下午，我打开 Kimi Code，使用最新的 K2.5 模型，开始 Vibe Coding。

没有画原型图，没有写技术方案，就是在脑子里先搭了个大概框架，然后直接跟 AI 对话。一小时不到，MVP 就跑起来了：部署在内网，监听 OpenClash 流量，能看到域名统计、节点流量，数据还能持久化。

luolei @luoleiorg · 2026年2月5日

我又来吹 Kimi K2.5 了。刚花一小时 Vibe 了一个 Clash 流量分析工具，完成度极高。部署在内网，监听 OpenClash 流量，实现域名、节点流量统计及 IP 归属地查询，数据持久化。我家的网络分流策略比较复杂，一直想找个工具感知流量状况，毕竟市面上除了 UniFi，其他统计工具的界面确实有些一言难尽。 https://t.co/RoLJbkaP53

🐦 在 X (Twitter) 上查看原文 →

当天晚上又花了三个小时打磨了一下，凌晨四点半，第一版 Clash Master 就上线了。

这个项目发布不到 24 小时，就收获了 GitHub 400+ Star，Docker Hub 1000+ 次拉取。这就是 AI 时代的开发速度。

让 AI 审美在线

这次开发 Neko Master，听到最多的评价就是「好看」，甚至有人在 V2EX 专门发帖，问 Logo 是怎么做出来的。问与答:《想问一下这种 logo 是怎么做的》

Neko Master 整体的 UI 属于现代 SaaS 风格，我自己也挺满意的。后面我还专门发了一条推，聊「如何让 AI 审美在线」。

luolei @luoleiorg · 2026年2月6日

昨晚随手 Vibe 的一个项目 Clash Master，不到 24 小时，收获 GitHub 400+ Star，Docker Hub 1000+ 次拉取。

图 1 是昨晚 Vibe Coding 的第一版，图 2 是现在的完全体。 前者 AI 味浓浓，后者审美基本达到 2026 年现代 App 的水准了。这就是 AI 时代的开发速度。⚡️

💡 分享一个 Vibe Coding https://t.co/9E1GM32EDZ

🐦 在 X (Twitter) 上查看原文 →

图一是当晚 Vibe 出来的第一版，图二是几天后的完全体。前者 AI 味浓浓，后者审美基本达到了 2026 年现代 App 的水准。

很多人吐槽 AI 生成的界面「千篇一律」，说实话第一版确实如此。分享一个我实践下来觉得很有效的技巧：

不要只用文字描述「给我写个好看的面板」。要给视觉锚点。

具体做法：去 Dribbble / Figma Community 搜「Dashboard」，挑一张看着舒服的截图直接喂给 AI，告诉它「复刻这个设计感」。配色、卡片阴影、数据可视化风格，都可以用截图来锚定。

有了参考系，AI 的审美直接从「程序员风」进化到「SaaS 级」。

一个我越来越确信的感受是：在 AI 时代，代码的门槛在下降，但审美判断依然是决定成品质量的关键因素。 AI 可以帮你写代码、做布局、调样式，但「好不好看」这件事，最终还是得靠人来判断。

AI 工具复盘

这个项目开发过程中，我把市面上主流的几个 AI 编码工具都用了个遍。直接说结论：

一个真实体感：国产模型在初始化阶段已经足够高效，Kimi K2.5 是 Clash Master 诞生阶段的绝对主力。但当项目复杂度提升，面对数据库性能调优、架构重构这些深水区问题时，还是得靠 Claude Opus 4.6 和 CodeX 5.3 交叉 Debug。

一个额外体感是：模型不是越贵越好，关键看任务匹配。原型、重构、排障用的模型可以完全不一样。

Vibe Coding 的节奏：快速迭代与用户反馈

上线之后的两周，基本就是一个循环：发版 → 收反馈 → 修 Bug → 加功能 → 发版。 从 v1.0.2 到 v1.3.2，迭代了大约 20 个版本。

这个节奏下，AI 的角色不再是「帮我从零写一个功能」，而是变成了「帮我快速响应用户反馈」。 V2EX 上有人说磁盘 I/O 炸了，我把日志贴给 Claude，十五分钟定位到是 SQLite 单条写入没做批处理，连夜修了三个版本，I/O 从一天 200GB 降到了 1.6GB。Docker 镜像太大被吐槽，让 AI 帮我做多阶段构建，从 800MB 瘦到 300MB。

这个阶段的一个核心体感是：Vibe Coding 不只是「让 AI 写代码」，更是「让 AI 帮你加速整个反馈循环」。 用户提了个需求，你不需要花半天去查文档、写方案，直接跟 AI 说清楚上下文，几分钟就能拿到一个可用的 patch。这种响应速度，在开源项目的早期阶段是非常关键的——用户看到你迭代快，信任感就上来了。

技术细节

改名的同时做了一次比较大的架构升级，包括 Agent 分布式部署模式、ClickHouse 大规模分析后端等。 真正难的不是把面板做出来，而是让它在 NAS / 软路由这类资源受限环境里稳定跑起来。这里补几个最能体现复杂度的深水区问题。

1) 硬盘 I/O：从“硬盘灯常亮”到可持续运行

这个坑是最痛的一次。早期版本把每条流量记录都直接单条写入 SQLite，功能是对的，但在真实家庭网络里会触发严重写放大。用户反馈磁盘写入量吓人，我一看容器和主机监控，日写入量确实离谱。

核心问题不是 SQLite 本身，而是写入策略太“在线”了：高频事件 + 单条落盘 + 没有缓冲，I/O 自然爆炸。在 demo 阶段不明显，一上真实流量就暴露。后面连续几个版本做了三件事：

• 内存缓冲队列 + 批量落盘（30 秒 flush，达到阈值提前 flush）
• 先聚合再写入（热点统计先在内存合并，减少无意义小写入）
• 写入限流和背压（高峰期优先保系统稳定，不让磁盘被打穿）

结果非常直观：

v1.0.2 -> v1.0.7 -> v1.0.9
200GB   -> 20GB   -> 1.6GB / day

这次之后我基本确定了一件事：AI 能快速把“能跑”的代码给出来，但 I/O 模型、缓存策略、背压机制这些基本功，必须由人把关。

2) ClickHouse：不是“接上就快”，而是“建模正确才快”

单网关场景 SQLite 足够，但多 Agent、多网关以后，域名/IP 维度的数据量会迅速上涨，查询复杂度也跟着上来。尤其是 TopN、时间趋势、规则命中这类查询叠在一起时，读写压力会互相放大。ClickHouse 引入后，第一版也踩了典型坑：小批次高频写入导致 parts 激增，merge 压力上来后，查询延迟会抖动。

后面重点做了几层优化：

• 写入侧：统一批量写入窗口，避免 tiny insert 把 MergeTree 打碎
• 存储侧：按时间分区 + 按常用筛选维度排序，热点列做低基数字典化和压缩
• 查询侧：把仪表盘高频指标（Top 域名、节点趋势、规则命中）前置到预聚合层，接口优先读聚合结果
• 迁移侧：保留 SQLite + ClickHouse 双写，先灰度再切换，避免一次性迁移风险

这套优化做完后，收益不只是“更快”，而是“更稳”：高峰时段的查询波动明显下降，面板体验从偶发卡顿变成可预期的稳定响应。这也是项目从“能跑”走向“可维护”的分水岭。

3) AI 在深水区的正确使用姿势

深水区里，AI 最有效的用法不是“一次性生成”，而是进入工程化闭环：日志与指标 -> 假设 -> patch -> 压测/对比 -> 继续迭代。 我在这个项目里基本就是让 Kimi 快速铺功能，用 Claude/CodeX 啃性能和架构细节，然后自己做最终取舍。AI 把迭代速度拉高了，但稳定性边界和技术债优先级，还是得人来拍板。

如果你对完整架构感兴趣，GitHub 仓库里有完整的架构文档和部署说明。

写在最后

Vibe Coding 确实改变了我的开发方式，过去需要一两周的原型，现在几小时就能跑起来。但有一个东西 AI 替代不了：从「能跑」到「好用」的那段距离。

200GB 的写入 bug 是 AI 写的，但发现问题、定位瓶颈、设计缓存策略是人做的。界面从「AI 味」到「SaaS 级」，靠的不是更好的 prompt，而是你自己对美的判断。Agent 模式的架构设计，来自对真实部署场景的理解，不是 AI 能凭空想出来的。

Vibe Coding 降低了「从 0 到 1」的门槛，但「从 1 到 100」的路，依然需要经验、审美和对用户需求的理解。

🤖 AI 摘要

文章开头指出近两年 AI 技术和产品高速发展，中国本土大模型已处于世界前列，但在实际使用全球优秀 AI 服务时，许多用户仍面临各种门槛与限制。作者以资深开发者身份，自述曾通过 Vibe Coding 上架商业应用，亲身感受到“数字基建”在 AI 时代已经成为新的生产力基础。基于这一体会，作者提出将分享自己为未来准备的 4 个“数字通行证”，意在从基础设施或账号、工具层面，为读者提供更完善的数字环境配置思路，以便更顺畅地接入海外与本土的 AI 产品和服务，从而提升个人在 AI 时代的学习、创作与工作效率，逐步实现所谓的“AI 自由”。文末通过外链视频与推文卡片扩展内容，方便读者进一步了解细节与实践路径。

视频

• YouTube: 实现 AI 自由：我为未来准备的 4 个数字通行证
• Bilibili: 实现 AI 自由：我为未来准备的 4 个数字通行证

过去的两年， AI 日新月异，很幸运我们很多国产大模型和产品都已经站在了世界前沿 🚀。但不可否认，在探索全球优秀 AI 产品和服务时，依旧有很多朋友被挡在了门外。 作为一名资深开发者，去年我靠 Vibe Coding 上架了一个商业应用。

深感在 AI 时代，数字基建就是我们的生产力。今天分享 4 个我的数字通行证，希望大家都能实现 AI 自由。

luolei @luoleiorg · 2026年2月4日

https://t.co/Ik3xItwco9
过去这两年， AI 日新月异，但现实是，依旧有很多朋友，由于信息差、单向或者双向的门槛，被挡在世界上最先进的 AI 门外。拍了一个视频，分享 4 个让我无障碍使用全球 AI 的数字通行证，希望大家都能在 2026 年实现 AI 自由。🚀

🐦 在 X (Twitter) 上查看原文 →

而不是鸡贼耍流氓。

看到转载的新闻内容：

美国电影协会发表声明：称字节跳动旗下最新视频模型Seedance 2.0存在版权侵权行为。
一个爱尔兰导演，用seedance2.0让汤姆·克鲁斯和布拉德·皮特在屋顶打了一架。
MPA代表迪士尼、Netflix、华纳、环球、索尼、派拉蒙、Apple TV+，七家联合发声要求立即停止，集体发律师函。
今天，迪士尼单独又发了律师函，说Seedance里直接预置了星球大战和漫威的素材库。SAG-AFTRA代表16万演艺工作者跟进，谴责未经授权使用成员肖像和声音。

下面的回复包括：

技术是无法阻挡的。
贱人矫情。
对我们程序员来说，最大的荣誉就是自己写出的代码被很多人复用，我们讲开源。希望文娱工作者们也向我们程序员学习。
对于大众娱乐品来说版权这玩意是个双刃剑。因为版权限制而只能在有限平台上付费阅看播放或销售会导致大量优秀但没什么资源的初创品根本无人问津。你都没有传播热度哪来的大众娱乐？包括小说漫画音乐影视游戏在内的全娱乐品类都只有平台和极少数头部在赚，中部挣扎在生死线上被平台盘剥，而大部分的底部只是没人看得到的基数。版权的初衷是为了让创作者得到应有的鼓励回报，但现在的版权制度和司法执行我觉得已经扭曲了这个初衷，获益的都是中间商而不是创作者。
我很不理解好莱坞的逻辑，版权保护的是收益权，只要个人创作者无法靠抄袭某个角色获得收益，充其量也就是二创，粉丝进行二创是帮助ip获得更大关注度的，是有利于后续正版周边产品圈钱的。seedance再智能也只是个工具，二创能用一创也能用，这本来应该是双赢的事情。
我记得米哈游是明确支持二创的，原神的语料也被MNBVC语料集收录开源，甚至之前他们还提过想给我们点奖励什么的。好莱坞固步自封，那么后面就别怪被其他Seedance友好的ip占领市场。

版权的问题如果简单几句新事物一定会消灭老事物，技术进步不可阻挡，早就不会有这么多争议了。

软件讲开源，也没见所有程序员全部作品都开源。
是否参与开源运动，允许作品开源，是靠自己选择，而不是违背作者的意愿。
舔着脸去拿作者没有开源的代码，会被开源社区唾弃。

粉丝二创有没有好处，那也得是创作者自己来判断。
创作者不允许二创，最终导致影响力下降，市场竞争力下降，是他自己选择的结果，他愿意接受这样的结果，旁人无权代为选择，何况有的二创直接盈利了。
你凭什么说所有允许二创的一定都比不允许的发展更好？每个人都可以有自己的判断。
不能说你主观认为有好处，就觉得人家必须同意——那我还觉得拿你的钱去消费是帮你摆脱资本主义消费陷阱，帮你净化心灵呢，你干不干？

还有，版权的受益方既有平台和中间商，也实实在在保护了创作者的权益。
之前OpenAI未经许可使用斯嘉丽约翰逊的声音，演员本人非常愤怒，不仅是金钱利益的损失，更事关人格尊严的侵犯。
这次知名演员的肖像和声音也都被未经许可而使用，作为肖像权的受益方，演员的利益受损不可忽略。
你可以抱怨说现在平台和中间商攫取了太多版权收益，但那是他们和演员之间的博弈，不能成为彻底无视版权的好理由。

说支持技术进步，只是因为你是受益者而非受害者，要是发明一种随意侵入他人银行账户转钱的技术，是不是发明人也可以声称这是不可阻挡的技术进步，银行和存款人是阻挡技术进步的保守派？

技术进步不是发明新的东西之后，全都能毫不留情地碾过、摧毁并抛弃一切旧的事物，那种东西叫做历史神话，拿部分案例当作必然普遍规律骗别人可以，不要把自己给骗了。
站在过去历史已知的现代，认为已经成功替代旧事物的新事物是历史必然，而看不到无数失败的新事物，这是一种历史叙事的狂妄，新事物并不天然具有先进的属性。
新的事物不恒等于进步，这个道理应该不难理解，也不乏历史上的各种案例，最终是要发展到新的利益博弈的平衡，而不是只站在一边标榜进步。
不想谈道德，只谈利益，却又无视他人的利益以及保障自身利益的权利，这就是耍流氓。

人不是容器里面可以瞬间销毁重建的实例，也不是随时可以删掉、格式化的代码，人有维护自我利益的能力和求生本能，不是以技术进步为理由，就可以无视这一过程中被损害的人的代价——何况就连是不是进步也要看有多少人、是哪些人受益和受害，有可能你现在以为是进步的活动在以后看来有巨大危害。

虽然我也经常嘲笑卢德主义者，但卢德主义者们要维护的个人利益是实实在在的，比技术进步的狂热鼓吹者试图无视被损害的个人起码要现实得多。这些被损害的个人也许做不到阻止真正有前途的技术持续进步，但至少有一定的议价能力——或者说破坏能力，让技术进步的鼓吹者无成本转移代价的方案破产。
因为相信“任何技术进步都是历史必然”只是一种信念，如果技术进步不能普惠，会踢掉人饭碗，必然会遭遇反抗，不是你想忽视和否认就能够避免——断人财路还幻想全身而退，天下哪有这么便宜的事？怕不是在对技术进步的顶礼膜拜中忘乎所以了。

新技术从产生到普及，最终替代旧事物，需要的不仅仅是创新的智慧，更需要改变旧世界的勇气，这勇气不是牺牲他人的豪迈，不是寄希望于被伤害者相信“技术进步不可阻挡”的叙事于是甘愿配合束手待毙的一厢情愿，而是敢于直面冲突，把旧世界的抵抗看作理所当然，坦然接受而不是时刻想着转嫁成本的勇气和自信。