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.