Data4Fun

要不要把大模型搬回本地

用过云端大模型的人，大概都撞过两堵墙：一是账单——哪怕用最便宜的 DeepSeek，持续调用也是一笔固定支出；二是隐私——有些资料、有些数据，你并不想让它走出自己的电脑。 于是问题自然浮现：能不能把大模型搬回本地，自己跑？ <h2 id="为什么-llm-需要本地化">为什么 LLM 需要本地化？</h2> 第一是成本。 上云再便宜，也是持续的支出；本地一次投入硬件，之后调用几乎零边际成本。 第二是安全。 本地的一些资料、内容，本来就不便公开分享。数据不出本机，就是最彻底的「不外传」。 第三是开放。 有些时候，我们想利用大语言模型没有围栏的那些特性，让它的输出尺度更宽、内容更开放。这一点，云端服务很难满足。 除此之外，从工程角度看，使用本地的模型既可以作为断网情况下的一种保障方案，也可以在不改变工作流程的情况下，把本地模型作为一个测试开发环境。 <h2 id="量化">「量化」</h2> 本地跑大模型的第一个坎，是内存。 大模型最初是用 16 位浮点数训练的。一个 70 亿参数（7B）的 16 位模型，光是加载进内存，就要大约 14GB。 所以你在下载模型时，会看到 <code>Q4_K_M</code>、<code>Q8_0</code> 这样的标签——这就是量化。Q4 把权重压缩到 4 位，内存需求直接减半甚至更多。还是那个 7B 模型，它的 <code>Q4_K_M</code> 版本，只需要约 4.5GB 的 RAM。 量化通过牺牲部分精度，换取了将大模型部署在普通电脑上的可能。虽然模型在准确性上，和云上的所谓“满血版”相比，会稍有折扣，但在本地场景下完全具备实用价值。 <h2 id="本地部署大模型的流程">本地部署大模型的流程</h2> <h4 id="第一步评估本地硬件与模型的适配程度">第一步：评估本地硬件与模型的适配程度</h4> 技术上的可行，不代表日常的可用。在本地开始使用某个大语言模型之前，建议先进行基准测试。在本地机器上运行以下脚本，若聊天模型的每秒词元数（Tokens/sec）低于 15，则建议更换更小的模型或更高的量化级别。运行该脚本后，将输出首个词元延迟（TTFT）、总词元数以及每秒词元数： <pre tabindex="0"><code>import time from ollama import chat PROMPT = "Write a Python class that implements a thread-safe LRU cache." start = time.perf_counter() token_count = 0 stream = chat( # model="qwen2.5-coder:7b", model="deepseek-r1:latest", messages=[{"role": "user", "content": PROMPT}], stream=True, ) first_token_time = None for chunk in stream: content = chunk["message"]["content"] if content: if first_token_time is None: first_token_time = time.perf_counter() token_count += 1 print(content, end="", flush=True) elapsed = time.perf_counter() - start ttft = (first_token_time - start) if first_token_time else 0 print(f"\n\n--- Benchmark ---") print(f"Time to first token : {ttft:.2f}s") print(f"Total tokens : {token_count}") print(f"Total time : {elapsed:.2f}s") print(f"Tokens/sec : {token_count / elapsed:.1f}") </code></pre>除了使用脚本的方式，还可以通过 Cherry Studio 加载本地模型，来查看模型的基准测试效果。 <img src="https://imgproxy.citrusreader.com/xeABu2bTycUzu4laG3B-m1CgwxRqlD1xNIeMCkEdm2M/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwODIxMjA1NjM0NTE5LnBuZw" alt="cherry studio 测试统计"> <h4 id="第二步选择与使用推理引擎">第二步：选择与使用推理引擎</h4> <img src="https://imgproxy.citrusreader.com/RVXzXeJyAfP07KKyQuOTBErBuYN88Ad2-PbM6vWN9Pc/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMjElMjBhdCUyMDIwLjU3LjA2QDJ4LnBuZw" alt="常见推理引擎对比"> 在众多推理工具中，LM Studio 和 Ollama 的底层引擎均基于 <code>llama.cpp</code>。 目前，Ollama 是大多数开发者的首选。它将复杂的推理引擎封装成一个简单的命令行工具。 Ollama 提供了与 OpenAI 兼容的 API 接口。这意味着，原本为云端模型编写的脚本或框架，只需更改 Base URL 即可直接无缝对接本地模型。 <pre tabindex="0"><code>from openai import OpenAI # Point the standard OpenAI client at your local Ollama instance client = OpenAI( base_url="http://localhost:11434/v1/", api_key="ollama", # required by the SDK but not validated ) response = client.chat.completions.create( model="qwen3-coder:30b", messages=[ {"role": "user", "content": "Explain the difference between a mutex and a semaphore."}, ], ) print(response.choices[0].message.content) </code></pre>此外，Ollama 也支持在命令行窗口中直接交互： <ul> <li>直接运行模型</li> </ul> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell">ollama run qwen2.5-coder:7b </code></pre></div><ul> <li>结合开发工具使用（如配合 codex 提供模型接口能力）：</li> </ul> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell">ollama launch codex --model qwen2.5-coder:7b </code></pre></div>最后，Ollama还可以和图形化界面（Cherry Studio）结合使用。 通过Cherry Studio的模型服务，在 Ollama 配置页面添加对应的模型，即可实现直观的本地可视化交互与管理。 <img src="https://imgproxy.citrusreader.com/khMbbOXGrfCNzv96-YcvruSg7unlCiKDPnqMcp68e1w/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMjElMjBhdCUyMDIxLjMzLjE4QDJ4LnBuZw" alt="cherry studio 配置页面">

2026/8/21

AI 新手村：让大模型学会操作浏览器

传统的 LLM 只是一个文本语言模型，只能以 chat bot 的形式和我们进行对话。但是在日常工作生活中，浏览器是一个占据我们大多数时间的工具，如何让大语言模型也具备操作浏览器的能力呢？ 最近我做了一个小实验：用 Agent + Playwright，让大模型自己打开网页、看懂页面结构、决定点哪个按钮，最终完整处理了一个客服工单。这篇文章把原理、落地过程整理出来。 从宏观上看，给 LLM 配置上工具、组成一个 Agent，就能实现与浏览器的交互。这个 Agent 不断执行「观察 + 执行」的循环： <ol> <li> Agent 接受任务和当前浏览器状态 </li> <li> 根据任务分析当前状态，决定下一步操作 </li> <li> 把操作交给工具执行 </li> <li> 执行后浏览器产生新的状态，作为下一次循环的输入 </li> </ol> 循环一直持续，直到 Agent 认为任务完成。 为了使循环正常工作，我们需要在代理和浏览器之间建立两个连接： <ol> <li>观察通道 ，让 Agent 能接收当前浏览器状态</li> <li>操作通道 ，让 Agent 能与浏览器交互</li> </ol> <h2 id="两种落地方案">两种落地方案</h2> <table> <thead> <tr> <th>方案</th> <th>观察方式</th> <th>操作方式</th> <th>对 LLM 的要求</th> <th>token 消耗</th> </tr> </thead> <tbody> <tr> <td>方案一</td> <td>屏幕截图</td> <td>基于坐标的鼠标键盘操作</td> <td>图像识别能力</td> <td>高</td> </tr> <tr> <td>方案二</td> <td>结构化页面状态</td> <td>元素定向操作</td> <td>基本文本能力</td> <td>低</td> </tr> </tbody> </table> 方案一需要 LLM 具备图像识别能力，方案二只需要基础文本能力。本文聚焦方案二，选用的工具是 Playwright CLI——微软推出的命令行浏览器自动化工具，它把页面输出为结构化状态，token 使用更高效。 <h2 id="playwright-cli基本使用">Playwright CLI基本使用</h2> 1.安装 playwright cli <pre tabindex="0"><code>npm install -g @playwright/cli@latest playwright-cli --help </code></pre>2.playwright cli 的使用 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell"># 有头模式：可视化调试，便于观察页面自动化访问过程 playwright-cli open google.com --headed </code></pre></div>有头浏览器，可视化的方式展示前端页面的自动化访问，便于调试。 默认为无头模式，不加 <code>headed</code> 参数即可，节省内存但看不到页面。在命令行里跑的时候建议用无头模式，减少干扰，运行更清爽。 3.持久化会话 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell">playwright-cli open google.com --headed --persistent </code></pre></div>Cookie 等信息会存储在本地，下次访问自动复用登录状态，适合需要登录的站点。 <h2 id="如何与大模型配合">如何与大模型配合</h2> playwright cli 是微软推出的一个命令行工具，大模型并不知道如何使用，但是搭配上 skill 这个说明文档之后，大模型就可以立即掌握工具的所有用法。 方式一：安装 skill <pre tabindex="0"><code>playwright-cli install --skills </code></pre>skill 会直接安装到当前项目的 <code>.claude/skills/playwright-cli</code>。如果要适配 Codex，只需把 <code>.claude</code> 改成 <code>.codex</code>，在 Codex 命令行下输入 <code>/skill</code> 即可验证。 <img src="https://imgproxy.citrusreader.com/U-Wp--qxYaEoKDxkCSaMRZ3QBXZ1vOurmuy34lHZQsY/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMDclMjBhdCUyMDEyLjQ0LjE1QDJ4LnBuZw" alt="安装skill 之后"> 方式二：挂载 MCP 另一种方式是把 Playwright 以 MCP 的形式挂进大模型的工具列表。注意这里用的是官方独立的 <code>@playwright/mcp</code> 包，和上面的 skill CLI 是两条路径：CLI 是给工具配说明书，MCP 是直接把工具接进 Agent 的工具箱。下面的实战场景 2 用的就是 MCP 方式。 <h2 id="使用场景">使用场景</h2> <h3 id="场景-1修改网页标题的颜色">场景 1：修改网页标题的颜色</h3> 这是我本地启动的一个网页前端，我让 LLM 帮我实现更改标题颜色。 <img src="https://imgproxy.citrusreader.com/mjHROf3fypvswWpY91cZKlxV41cogj2rfWiG8Gykdg0/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMDclMjBhdCUyMDExLjQzLjE4QDJ4LnBuZw" alt="前端网页"> 先校验大模型能否看到网页内容——这是观察通道是否打通的第一关： <img src="https://imgproxy.citrusreader.com/xGUB7fbpefZrVAC3mnE2vD4ZgbG8znSFvXsTUJTOSX8/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMDclMjBhdCUyMDEzLjU2LjMzQDJ4LnBuZw" alt="观察"> 确认可见之后，下达修改指令：让大模型帮我更改标题的颜色。 <img src="https://imgproxy.citrusreader.com/cxrlOf6ip50lhO5R5UcqTitEVLYUTKBf_j03BLdyqRo/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMDclMjBhdCUyMDEzLjU3LjU4QDJ4LnBuZw" alt="行动"> 改完后刷新页面确认标题颜色已生效，「观察 → 执行 → 验证」的闭环就完整了。 ![修改之后的前端](../md_img/给 Agent 配一个浏览器/CleanShot 2026-08-07 at <a href="mailto:14.27.22@2x.png">14.27.22@2x.png</a>) <h3 id="场景-2让-agent-自主处理客服工单">场景 2：让 Agent 自主处理客服工单</h3> 通过 Playwright MCP 操控 Chrome 浏览器，打开本地客服控制台，自主完成以下任务： <ol> <li>打开客服控制台页面</li> <li>找到工单 <code>ORD-1048</code>（客户投诉收到了错误的商品）</li> <li>搜索关联订单，查看订单详情和客户档案</li> <li>对照解决方案规则，判断应该换货还是退款</li> <li>提交解决方案并添加内部备注</li> <li>验证工单状态变为"已解决"</li> </ol> 关键点：Agent 收到的只是业务目标（“解决 ORD-1042 工单”），不包含任何操作步骤。它需要自己看页面结构、理解内容、决定点哪个按钮——这是 LLM Agent 和传统自动化脚本的本质区别。 前端的客服控制台是一个简单的 html 页面。 <img src="https://imgproxy.citrusreader.com/nXDwPhYtyT2YmEV7F7KowisbHBiwfQXhHbS5HDXLiwQ/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMDclMjBhdCUyMDE0LjAzLjMwQDJ4LnBuZw" alt="前端页面"> 整体的技术架构如下： <pre tabindex="0"><code>用户任务 → Agents SDK（工具循环引擎） ↓ Playwright MCP（浏览器操作能力） ↓ Chrome 浏览器（实际操作页面） </code></pre>关键代码： <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"> TASK = f""" 打开 {APP_URL}，处理订单 CASE-4108 的客服工单。 请利用系统内现有信息判定并执行合适的解决方案； 添加简洁的内部备注，并确认处理结果已成功保存。 任务完成后汇报你的操作过程。 """.strip() print("\n[agent] 启动 Playwright MCP server...") # async with 保证 agent 跑完后自动关闭 MCP 子进程，不留残余 Chrome async with ScriptMCPServerStdio( name="Playwright MCP", params={ "command": "npx", "args": ["-y", "@playwright/mcp@latest", "--browser", "chrome"], }, client_session_timeout_seconds=60, # 首次 npx 下载安装依赖可能慢，给足超时 ) as playwright_server: print("[agent] MCP server 已连接，创建 agent...") agent = Agent( name="Support Console Browser Agent", instructions="You are an agent that can interact with a web browser.", model_settings=ModelSettings(), # 浏览器任务用默认设置即可 mcp_servers=[playwright_server], # ← 浏览器工具来源 ) print(f"[agent] 任务: {TASK[:80]}...") print("[agent] 开始运行（Chrome 窗口会弹出，请勿手动关闭）...\n") try: result = await Runner.run( agent, TASK, max_turns=30, # 浏览器任务步骤多，给足轮次 run_config=RunConfig(model_provider=CUSTOM_MODEL_PROVIDER), ) except Exception as e: print(f"\n[agent] 运行异常: {type(e).__name__}: {e}") </code></pre></div><img src="https://imgproxy.citrusreader.com/9BfEliF19sSHUjQ8_rUUnTMm5stY2gSkCU88IVc2koM/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDgtMDclMjBhdCUyMDE0LjExLjE4LmdpZg" alt="整个流程"> 最后，Agent 打印出完整的执行过程。整个过程 Agent 没有收到任何一步操作指令，全靠自己读页面、做判断——这就是 Agent 与传统脚本的分水岭。 <pre tabindex="0"><code>[agent] 运行完成！ ============================================================ Agent 汇报： ============================================================ 工单处理已经成功完成。让我确认一下处理结果： 1. **CASE-4108 状态已变为"已解决"**：在收件箱列表中显示"CASE-4108, 物品损坏, order ORD-1088, 已解决" 2. **待处理案例数从 4 减少到 3**：证明该案例已处理完毕 3. **"已记录解决方案"验证区显示**： - 案例：CASE-4108 - 订单：ORD-1088 - 状态：已解决 - 解决方案操作：Refund（退款） - 解决时间：2026-08-07 14:12 - 内部备注：已正确保存 4. **审计日志**也记录了该处理处理结果已成功保存。让我向用户汇报整个操作过程。 --- ## 操作过程汇报我已完成 **CASE-4108** 客服工单的处理，以下是完整的操作过程： ### 1. 打开系统 - 访问了北极星客服控制台（http://127.0.0.1:8001），进入退货队列。 ### 2. 定位并查看工单 - 从收件箱中选择了 **CASE-4108（物品损坏）** 工单，涉及订单 **ORD-1088**。 - 客户描述：**马库斯·陈** 的登山日用背包到达时侧口袋破损，客户倾向退款，并表示需要时可上传照片。 ### 3. 收集订单与客户信息 - **订单 ORD-1088**：订购商品与发货商品均为"登山日用背包"，已送达（2026-07-12），已支付。 - **换货库存**：库存有限（不足）。 - **客户档案（马库斯·陈）**：忠诚度等级为**标准**（非金卡），之前退款数 **2** 次，风险标记**清洁**。 ### 4. 依据政策判定解决方案参考「物品损坏」政策规则：*已送达的损坏物品，除非客户是金卡且无风险标记，否则退款前要求照片证明；库存充足时首选换货。* - **换货**：换货库存有限（不足），且客户明确倾向退款 → **不采用换货**。 - **风险升级**：账户无风险标记、退款未超3次 → **不需要升级**。 - **退款**：客户明确倾向退款且愿意提供照片证明，账户无风险 → **采用退款**。 ### 5. 执行处理 - 选择 **退款（Refund）** 解决方案。 - 填写内部备注：*"背包侧口袋破损，属物品损坏。换货库存有限，客户明确倾向退款并愿提供照片证明。账户无风险标记，退款数2次，未超限。决定退款。"* - 点击「提交解决方案」。 ### 6. 确认结果已保存 - 系统显示 **CASE-4108 状态变为「已解决」**，待处理案例从 4 降至 3。 - 「已记录解决方案」验证区确认： - 案例：CASE-4108 / 订单：ORD-1088 / 状态：已解决 - 解决方案操作：**Refund（退款）** - 解决时间：2026-08-07 14:12 - 内部备注及操作已写入**审计日志**，处理结果**成功保存**。✅ </code></pre>

2026/8/7

我的笔记系统

最近梳理了一下自己在 onsidian 上记的笔记，发现过去很多记的笔记都比较零散，记到电脑或者手机上之后，就很少再会查看或者利用了。 为了让自己过去的笔记内容不再荒废，为了让现在的我支援未来的自己，我研究了一下如何让笔记流动起来的方法。 <h2 id="调研">调研</h2> 市场上常用的笔记组织方法有 2 种，PARA 记录和Zettelkasten记录。 1/ PARA 笔记的目录结构分为 4 类： <ul> <li> 项目（project）：有明确截止日期的进行中项目（例如，“第三季度上线公司网站”） </li> <li> 领域（area）：持续负责的领域，没有截止日期（例如，“健康”、“财务”、“XYZ 团队”） </li> <li> 资源（resource） ：按兴趣分类的参考资料（例如，“机器学习”、“斯多葛哲学”） </li> <li> 存档（archive） ：以上三个类别中的非活跃项目 </li> </ul> 2/ Zettelkasten Zettelkasten 的核心是原子笔记（每条笔记只记录一个想法）。 Zettelkasten 的核心原则：每张永久笔记都必须至少与其他一张笔记关联；无法与任何笔记关联的笔记，或许就不该作为独立笔记存在。 笔记的目录结构分为 3 类： <ul> <li>转瞬即逝的笔记（Fleeting notes）：快速记录、处理后丢弃。</li> <li>阅读笔记（Literature notes）：关于你所读内容的笔记。</li> <li>永久笔记（Permanent notes）：用你自己的语言记录的原子笔记，随时可查。</li> </ul> <h2 id="我的思考">我的思考</h2> 我的笔记组织结构核心想法是不想太复杂，目录结构尽量不要嵌套多层，这是我以前的苹果备忘录的组织结构： <img src="https://imgproxy.citrusreader.com/6ILRDHcWacO-StJ_uQbaPWvQ9yo0Z8GuN3E2S6edrAg/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwNzIyMTAwMzU0ODY5LnBuZw" alt="image-20260722100354869"> 整体看，整个目录结构并不像 PARA 那样相互独立，比如有的笔记既可以放在商业目录下，也可以放在数据目录下，其实这种情况用「标签」的方式组织或许会更好。 除了结构简单，我对笔记系统的核心速求是要用起来，可以有产出。于是，在纸上勾勾画画之后，我总结了整体的框架如下： <img src="https://imgproxy.citrusreader.com/k7eOldSaNyb_4nKI0jN33TP7_34vIKXO_Wkd_IvXbyg/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwNzIyMTAzNDI2OTQ5LnBuZw" alt="我的笔记系统"> <h2 id="实践">实践</h2> 基于上面的思考，我重新设置我的obsidian 的目录，结构如下： <img src="https://imgproxy.citrusreader.com/gHMMSF6IWZRZYEy0H9l5KcRqWDER2GTjR3KVeHbjbrg/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwNzIyMTA0NDU4NjY0LnBuZw" alt="我的 onsidian 目录">

2026/7/22

模型 API 地址配置管理

注册使用过的第三方中转站太多了，如何管理成了一个问题。 今天调研使用了一下 cc switch，感觉还可以。 下载地址：https://github.com/farion1231/cc-switch/tree/main 5万多个 star，应该还算靠谱 <h2 id="使用">使用</h2> 1/ 添加基本配置，主要是 API Key 和请求地址 <img src="https://imgproxy.citrusreader.com/PQuvCuwur2-2zXdg1J5ctnSzZABR4TC4Bja0K-TiP9g/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwNTI4MTExMTM3ODA1LnBuZw" alt="模型厂商配置页面"> 2/ 配置一下模型映射 <img src="https://imgproxy.citrusreader.com/tdkkGUYH2dpLznyIE5QaUhR0nSGaiCRPkCbEqwz4CQw/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwNTI4MTEyMDU5MTM1LnBuZw" alt="高级选项"> 3/ 点击一下"启用"按钮就可以正常使用了 <img src="https://imgproxy.citrusreader.com/2zfsh7JueRs_Q9QvKF8JD7ly0Os3_xuQU7G8Js4lNhs/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwNTI4MTEyMTQ5ODkxLnBuZw" alt="image-20260528112149891"> <img src="https://imgproxy.citrusreader.com/cKzASeLHpLDLjlOjp46a_f9KLcjJNSHq0fvWCEtQYmY/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL2ltYWdlLTIwMjYwNTI4MTEyMjA2Njk5LnBuZw" alt="image-20260528112206699"> <h2 id="效果">效果</h2> cc-switch 是实时热加载配置，即改即用。目前主要使用 anyrouter 的中转站，效果还不错，可以把以前在 <code> ~/.zshrc</code>中手动添加的配置注释掉了。 <img src="https://imgproxy.citrusreader.com/uyzqbl3FZnUHB8I6T6I0sC2I1jHRNhkpApCBLJ0ithk/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDUtMjglMjBhdCUyMDExLjI1LjA3QDJ4LnBuZw" alt="使用效果">

2026/5/28

Claude Code 完美接入 Ollama 指南

作为 Anthropic 官方推出的命令行编码助手（coding assistant），Claude Code 本质上是一个通过大模型（LLM）执行复杂任务的工具。通常情况下，它需要连接云端 API。但随着 Ollama 宣布兼容 Anthropic Messages API，我们现在可以轻松地将 Claude Code 与本地模型集成。 从工程角度看，使用本地的模型既可以作为断网情况下的一种保障方案，也可以在不改变工作流程的情况下，把本地模型作为一个测试开发环境，极大节省 Token 开销。 <h2 id="操作步骤">操作步骤</h2> 1.安装 Claude Code 和 Ollama <pre tabindex="0"><code>npm install -g @anthropic-ai/claude-code@latest </code></pre>Ollama 可以通过官网https://ollama.com/下载安装包安装。 <blockquote> 注意：Ollama 版本v0.14.0+，Claude Code版本v2.1.12+，可以通过下面命令验证 </blockquote> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">claude --version ollama --version </code></pre></div>Ollama 安装后会自动作为后台服务运行。应该可以在 http://localhost:11434 上看到它运行。 2.下载大模型 可以通过 Ollama 的 WebUI 页面直接下载，如下图。 <img src="https://imgproxy.citrusreader.com/gAxAKxWzfRSeRSqEp_uUlWYdEhZ-KWTaCCCK0X2LR4U/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDEtMjIlMjBhdCUyMDE2LjQyLjM1QDJ4LnBuZw" alt="下载模型到本地"> 也可以通过命令行快速拉取适合编码的模型。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">#查看本地模型 ollama list #下载新模型 ollama pull qwen2.5-coder:7b #删除模型 ollama rm qwen2.5-coder:7b #查看模型基本参数 ollama show qwen2.5-coder:7b </code></pre></div>3.配置 Claude Code 连接本地 Ollama <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">export ANTHROPIC_AUTH_TOKEN=ollama export ANTHROPIC_BASE_URL=http://localhost:11434 # 启动 Claude Code 并指定本地模型 claude --model qwen2.5-coder:7b # 如果想使用云端模型，命令类似 claude --model glm-4.6:cloud </code></pre></div><img src="https://imgproxy.citrusreader.com/reJEcUjh5A4jd65VBF0a7BTfxayeSx8Y7KqWSCsDR5k/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDEtMjIlMjBhdCUyMDE2LjU5LjUyLnBuZw" alt="使用本地模型"> <blockquote> 注意：如果你开启了系统代理，可能会遇到 <code>API Error: Connection error</code>。这是因为流量被转发到了代理服务器而找不到 localhost。请先在终端执行： </blockquote> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">unset https_proxy unset http_proxy </code></pre></div>4.使用Anthropic SDK 如果我们想更精准的把控程序的执行流程，可以使用官方的 SDK。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python">import anthropic import httpx http_client = httpx.Client( proxy=None, trust_env=False, ) client = anthropic.Anthropic( base_url='http://localhost:11434', api_key='ollama', http_client=http_client, ) with client.messages.stream( model='qwen2.5-coder:7b', max_tokens=1024, messages=[{'role': 'user', 'content': 'Count from 1 to 10'}] ) as stream: for text in stream.text_stream: print(text, end='', flush=True) </code></pre></div><h2 id="调试秘籍如何与-ai-高效沟通报错">调试秘籍：如何与 AI 高效沟通报错？</h2> 这里再说一个调试的技巧：在配置过程中，不要死磕枯燥的错误堆栈信息。一个高效的调试技巧是：向 AI 描述你的完整环境和所做的工作，而不仅仅是报错代码。 此前我按照文档编写代码时，一直遇到 <code>InternalServerError (503)</code> 错误。我直接把错误代码粘贴给 chatgpt ，它尝试了很多方法但始终没有解决。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">Traceback (most recent call last): File "/Users/shaoyang/Project/stock_demo/day09/anthropic-demo.py", line 12, in <module> message = client.messages.create( File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/_utils/_utils.py", line 282, in wrapper return func(*args, **kwargs) File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/resources/messages/messages.py", line 932, in create return self._post( File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/_base_client.py", line 1361, in post return cast(ResponseT, self.request(cast_to, opts, stream=stream, stream_cls=stream_cls)) File "/Users/shaoyang/Project/stock_demo/.venv/lib/python3.10/site-packages/anthropic/_base_client.py", line 1134, in request raise self._make_status_error_from_response(err.response) from None anthropic.InternalServerError: Error code: 503 </code></pre></div>于是，我换了一种思路，不是直接粘贴错误代码，而是前置一步，客观地描述了一下当前的环境。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">import anthropic client = anthropic.Anthropic( base_url='http://localhost:11434', api_key='ollama', # required but ignored ) message = client.messages.create( model='qwen3-coder', max_tokens=1024, messages=[ {'role': 'user', 'content': 'Hello, how are you?'} ] ) print(message.content[0].text) 我是用的是mac电脑，本地配置了代理，我应该如何修改上面的代码保证可以运行。 js版本是可以执行的 import Anthropic from "@anthropic-ai/sdk"; const anthropic = new Anthropic({ baseURL: "http://localhost:11434", apiKey: "ollama", // required but ignored }); const message = await anthropic.messages.create({ model: "minimax-m2:cloud", max_tokens: 1024, messages: [ { role: "user", content: "写一个求和的 python 函数" } ], }); console.log(message.content[1].text); </code></pre></div>chatgpt立刻就发现了问题，并给到我正确的执行代码。 <img src="https://imgproxy.citrusreader.com/4sHXF-rAZ8rgymYohsJBvJZeRICQzo9a4-PtxNHqtp4/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjYtMDEtMjIlMjBhdCUyMDE3LjE1LjM5QDJ4LnBuZw" alt="ChatGPT 的回复"> 根据这次调试过程，大模型也帮我总结一个更有效的提问模板： <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash">1.贴出当前代码。 2.描述环境（如：Mac 系统、本地有代理）。 3.提供一个对比参照（如：JS 版本可以运行，Python 不行）。 </code></pre></div>

2026/1/22

开篇词

从 2008 年开始接触股票投资，到现在已经接近二十年了。 这段时间里，我经历过完整的市场周期：牛市的狂热、熊市的绝望，也经历过从"以为自己懂了"，到"承认自己其实什么都不懂"的反复过程。账户数字起起落落，但真正变化更大的，是我对投资这件事的理解方式。 很多年里，我一直有一个模糊的念头：应该把这些经历写下来。不是为了证明自己赚过多少钱，而是想留下些什么——一些关于决策、关于错误、关于长期面对不确定性的记录。 直到最近，这个念头才逐渐变得清晰起来。 我决定开设这个专栏。它会以投资为核心，但并不只谈"买什么、卖什么"。我更关心的是： <ul> <li> 投资背后的概念与逻辑 </li> <li> 普通人在真实世界中会遇到的情绪、误判与限制 </li> <li> 如何借助技术，让这些问题变得更可验证一些 </li> </ul> 在这个专栏里，我会一边讲自己的投资经历，一边引入相关的基础概念；同时，也会尝试使用 Python、数据分析、以及 AI 大模型，对一些直觉判断进行复盘、辅助和检验。 这并不是一套"成功方法论"。更多时候，它可能是一份带着不确定性的思考记录：哪些想法在长期中站得住脚，哪些只是事后看起来合理。 如果你也经历过市场的起伏，或者正在尝试把理性工具引入投资决策，希望这些文字能对你有所帮助；如果没有，那它至少是我给自己留的一份阶段性注脚。 专栏会慢慢写，不追热点，也不保证结论。唯一确定的，是我会用心。

2026/1/13

使用大模型有几种方法呢？

<h2 id="1web-端">1/Web 端</h2> 我们最常见的是使用网页端，有个对话框，输入我们想问的问题，点击"发送"按钮，然后就等待大模型给我们返回答案了。 其实，这可以看成一个产品，以大模型为后端的聊天工具。 这是最直观的可以给用户体验到大模型的方式，每个模型厂商都有类似产品。 <img src="https://imgproxy.citrusreader.com/C_jUEpR4Bfk0GVUdbMP9v5xDRhl_K5nRUdD5XclB4mE/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjUtMTItMjMlMjBhdCUyMDE2LjU0LjM0LnBuZw" alt="ChatGPT Web端页面"> <h2 id="2本地部署">2/本地部署</h2> 有的时候企业出于安全性的考虑，会在自己的内网部署开源的大模型或企业自己训练的大模型，这个时候可以选用类似 ollama 这样的模型部署工具来使用。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-bash" data-lang="bash"># 以命令行的方式和大模型交互 ollama run deepseek-r1 # 以api的方式和大模型交互 curl -s "http://127.0.0.1:11434/api/generate" \ -H "Content-Type: application/json" \ -d '{ "model": "deepseek-r1:latest", "prompt": "请简要介绍一下牛顿第一定律。", "stream": false }' </code></pre></div><h2 id="3模型中转平台">3/模型中转平台</h2> 模型中转平台是类似 openrouter（https://openrouter.ai/）和模力方舟（https://ai.gitee.com/serverless-api）这样的把市面上主流的大模型放在一个平台上，通过统一的接口供大家使用。 上面两个平台使用的 url 和 key 都是第三方的，除了这种聚合模式外，还有像 liteLLM 这样的平台，它是一个开源的库，也可以对外提供统一的接口供大家使用，但是使用的 url 和 key 都是模型厂商自己的。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python">from openai import OpenAI client = OpenAI( base_url="https://ai.gitee.com/v1", api_key="XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX", ) response = client.chat.completions.create( messages=[ { "role": "system", "content": "You are a helpful and harmless assistant. You should think step-by-step." }, { "role": "user", "content": "Can you please let us know more details about your " } ], model="DeepSeek-V3", stream=True, max_tokens=1024, temperature=0.6, top_p=0.8, extra_body={ "top_k": 20, }, frequency_penalty=1.1, ) </code></pre></div><h2 id="4模型sdk">4/模型SDK</h2> 每家模型厂商一般除了 web 端的产品外，也提供 SDK 的方式对外提供使用，一般需要在模型厂商的官网新建 key，并且需要充值才能使用。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"># deepseek的python 版本 sdk使用方法，也有 nodejs 版本和 bash 脚本的 import os from openai import OpenAI client = OpenAI( api_key=os.environ.get('DEEPSEEK_API_KEY'), base_url="https://api.deepseek.com") response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": "You are a helpful assistant"}, {"role": "user", "content": "Hello"}, ], stream=False ) print(response.choices[0].message.content) </code></pre></div><h2 id="5框架">5/框架</h2> 除了上面几种偏底层的模型的使用方法外，还有更偏向于应用侧的模型使用方式，那就是使用 Langchain 或者 openai agent sdk 这样的框架，这些框架是把大模型做了进一步的抽象，方便编写各种业务应用。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-python" data-lang="python"># 使用langchain调用 DeepSeek 模型 from langchain_deepseek import ChatDeepSeek llm = ChatDeepSeek( api_key=env_settings.DS_API_KEY, model="deepseek-ai/DeepSeek-R1", temperature=0, max_tokens=None, timeout=None, max_retries=2, api_base='https://api.siliconflow.cn' ) messages = [ ("system", "You are a helpful translator. Translate the user sentence to French."), ("human", "I love programming."), ] # print(llm.invoke(messages)) # print(llm.invoke("hello").content) ai_message = llm.invoke([ SystemMessage(content="please speak in chinese"), HumanMessage(content="hello"), ]) print(ai_message.content) </code></pre></div>

2025/12/23

当我使用Claude Code时我在想什么

使用 Claude Code（又名 cc）作为编程工具已经有一段时间了，claude code 也陆陆续续迭代了好几个版本，在编程上的体验可以说是越来越好，对我来说唯一还能吐槽的点就是由于网络的原因，速度上还是有些慢。 使用 claude code 这一段时间，其实还改变了我一个坏毛病：接到需求直接编码。其实，不管使用哪款 AI 工具，都不能上来直接编码，其实你可以把 AI 当成一个普通员工，初次见面，你头脑里的很多想法不可能一次让对方全部理解。 我总结出来的黄金工作流程是：<code>Research → Plan →Code</code> 不论让 Claude 开始编写一个新需求，还是修改任何代码之前，先探索你的代码库并收集上下文信息，都是最重要的事，也是整个流程的核心要义，具体来说： <ol> <li>研究 (Research):研究一下 xx 系统是如何工作的。找到所有相关的文件，并解释当前的流程。</li> <li>计划 (Plan):现在请制定一个关于添加 xx功能的详细方案。将其拆分为具体步骤，并识别可能出现的问题。</li> <li>编码 (Code):根据你的方案实现 xx 解决方案。在执行过程中逐步验证每个步骤，并在完成时提交。</li> </ol> <h2 id="初始设置">初始设置</h2> 无论我们用哪个工具（更准确的应该叫 AI Agent）去协助我们编程，claude code、gemini 或者 cursor，他们都需要一份"说明书"来了解这个项目的背景和规则，否则每次它都要猜你的意图。在 Claude Code 中这份初始设置文件名是 CLAUDE.md。 <blockquote> 注意：各家 AI Agent 的初始设置文件的名字和位置不同，创建文件的时候一定要注意。 </blockquote> 初始设置文件的优先级顺序由高到低如下： 1.对话指令 2.项目中的设置文件 3.系统级的设置文件 如果团队使用多种 AI 工具，可以试一下下面的结构： <img src="https://imgproxy.citrusreader.com/iXv9oioT4z57tU1ucyMYX7WtpTepbgKtJJwDdGGDLLk/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjUtMTItMTElMjBhdCUyMDE0LjM0LjMwQDJ4LnBuZw" alt="项目结构"> 接下来，初始设置文件的内容该写些什么呢？ 1.项目基本背景、技术栈 2.代码风格 3.安全规范 4.测试要求 5.特殊规则 举个例子， <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell">claude.md 项目背景（Project Context） 本项目是一个基于 Node.js / TypeScript 的 API 服务，使用 Express 作为 Web 框架，并采用 Prisma ORM 进行数据库操作。 代码风格（Code Style） - 使用函数式组件与 hooks 风格 - 优先使用 async/await，避免直接使用 promise 链 - 单行最大长度限制为 100 字符 测试要求（Testing Requirements） - 每个新功能都必须包含单元测试 - API 接口需撰写集成测试 - 使用 Jest 作为测试框架 常见问题与注意事项（Common Pitfalls） - 始终对用户输入进行验证 - 使用参数化查询，绝不拼接字符串 - 在访问数据前必须进行身份验证 - 记录错误日志，但不要向客户端暴露堆栈信息 - 列名使用 snake_case - 表名使用复数形式 - 每张表必须包含 created_at 与 updated_at 字段 - 使用 deleted_at 字段进行软删除 </code></pre></div><h2 id="指令技巧">指令技巧</h2> 有了初始设置文件作为"规范"后，我们还需要了解和 AI 沟通协作的技巧: <ol> <li>@指定特定的文件:让 AI 聚焦于相关代码。</li> <li>使用 plan mode 先做规划（shift+tab）:强制 AI 思考（对应我们的 Plan 步骤）。</li> <li>/ 自定义命令：自动化重复性任务。</li> </ol> 举个例子，每次提交代码都要思考如何撰写 commit message，能否自动生成提交信息？ 在项目根目录下建立文件：.claude/commands/commit.md 输入以下内容： <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell">--- description: Generate commit message and commit --- 请执行以下步骤： 1. 执行 `git status` 和 `git diff` 查看变更 2. 分析变更内容，生成符合 Conventional Commits 规范的 commit message 3. 格式：`type(scope): description` - type: feat/fix/refactor/docs/test - 描述需要清楚说明「做了什么」以及「为什么」 4. 询问我是否要执行 commit 请不要直接 commit，先让我确认 message。 </code></pre></div>下次提交代码的时候在命令行中，直接输入/commit 就可以了。 <img src="https://imgproxy.citrusreader.com/1sgEPvkiE5qtN0BICzLVMSqD24dc16Xt5NPQMydjxBU/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjUtMTItMTElMjBhdCUyMDE0LjUxLjIyQDJ4LnBuZw" alt="使用/commit 命令后"> <h2 id="mcp">MCP</h2> 其实 mcp 也算是一种使用技巧，和上面介绍的通用技巧比需要提前安装一些插件。Claude Code 的 mcp 默认安装路径是在全局设置中，这一点要格外注意，默认路径在/Users/xxxx/.claude.json 这里以常用的 pgsql 和 cotext7为例，介绍一下安装和使用的方法。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell">#安装 claude mcp add postgres npx -- -y @modelcontextprotocol/server-postgres postgresql://localhost:5432 claude mcp add --transport http context7 https://mcp.context7.com/mcp --header "CONTEXT7_API_KEY:去官网申请" 记得在 claude.md 中增加下面内容，不然以后每次输入需求后，还要在最后加一句 use context7,特别麻烦。 Always use context7 when I need code generation, setup or configuration steps, or library/API documentation. This means you should automatically use the Context7 MCP tools to resolve library id and get library docs without me having to explicitly ask. # 查看 mcp,只针对本项目，不是全局的 claude mcp list # 使用 mcp claude "Query the users table" </code></pre></div><img src="https://imgproxy.citrusreader.com/e0S4ZVixCUzS6OHh6lWsxaxO_rY5cXqV2MY97JtjMmM/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjUtMTItMTElMjBhdCUyMDE1LjA5LjIwQDJ4LnBuZw" alt="pgsql mcp 的使用效果"> <h2 id="关于需求">关于需求</h2> 最后我还想回归到最开始的需求，明晰清楚需求的内涵和外延是做好一个项目最终的事情，在使用 Claude Code 来构建项目之前，花 15-20 分钟进行研究： <ul> <li>最佳实践：其他人是如何解决类似问题的？在网上搜索博客文章、Stack Overflow 讨论和文档。</li> <li>自己的模式：你是如何解决类似问题的？在现有的代码库中搜索类似的功能。</li> <li>库的功能：你的项目会使用外部库吗？如果你正在使用特定的代码库，让人工智能阅读其文档或源代码。</li> </ul> 让人工智能将这些研究综合成一个计划，内容包括： <ul> <li>要解决的问题（一个清晰的句子）</li> <li>两到三种解决方案（每种方案都要诚实地列出其优缺点）</li> <li>任何边缘情况或安全考虑</li> </ul> 审查该计划并留意自己的反应。你的想法和反应很重要。当你认为 “这太复杂了” 或 “我们已经有更好的方法来做这件事” 时，不要只是修改这个计划，还要记录下你为什么会这么想。把它写下来。 最后根据该计划开发这个功能。 完成整个项目后，将最终的实现与原始计划进行比较。你在哪些地方偏离了计划？为什么？怎样才能让这个计划更好？将自己的反思记录下来，用于下一个项目的开发。 在下一个项目中，把自己的反思添加到你的 CLAUDE.md 文件中。写下一条规则，比如 “在做 X 类型的工作时，记得检查 Y”，或者 “我更喜欢方法 A 而不是方法 B，因为原因 C”。 另外，对于一些需求很模糊，甚至是只有一句话的需求，可以试试下面的提示词，让 AI 帮忙。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-shell" data-lang="shell">需求的确认： 你是一位资深产品顾问（C - Capacity） 背景：我在做一个电商平台，客户反应「结帐流程太慢」（I - Insight） 请用苏格拉底提问法，帮我厘清这个需求背后的真实问题（S - Statement） 请用反向提问的方式引导我思考，不要直接给答案（P - Personality） 最后提供 3 种可能的理解方向让我选择（E - Experiment） </code></pre></div>

2025/12/11

如何使用Skill_Seeker助力 Skills 开发

<h1 id="claude-ai-skills-是什么">Claude AI skills 是什么</h1> Claude AI skills 可以让 AI 获得特定领域的最新知识。实现某个专业领域的能力输出，对特定框架或者库的 API 理解，提供最佳代码实例。 <h2 id="如果手动创建-skills-有什么问题">如果手动创建 skills 有什么问题?</h2> 人工阅读文档非常耗时，整理和分类内容需要专业知识，实时保持版本最新十分困难。 <h2 id="如果使用ai帮忙呢">如果使用AI帮忙呢</h2> 快速开发一个 skill 能力，可以通过大模型来帮忙。比如我想写一个 xx 领域风格的文档，可以使用下面提示词。 <blockquote> 请为我开发一个简单的 Skill。如果你能构建正确的文件夹结构，并打包成一个 ZIP 文件供我下载，那是最理想的。 这个 Skill 的目的，是为了让 AI 更符合xx领域的写作风格。通常情况下，当我给 AI 一个 codebase 的项目时，他会仔细阅读项目代码，然后根据相应的模板写出一根专业的文档我希望句子、段落之间能够更加顺滑、自然地衔接。我希望它能在目标语言中正确使用标点符号。我并不擅长xx领域技术文书的写作风格。我希望你能通过提问来帮助理解我真正想要的风格，然后再完成这个 Skill 的开发。 </blockquote> <h2 id="如果使用skill_seeker这个工具呢">如果使用Skill_Seeker这个工具呢</h2> 还有一种场景，我们只是针对一个网站或者一份 pdf 文档，想把它转化为专业的能力输出，这时就可以用到Skill_Seeker[https://github.com/yusufkaraaslan/Skill_Seekers]这个工具。 <pre tabindex="0"><code># 安装 uv tool install skill-seekers # 基本命令 skill-seekers scrape --url https://akshare.akfamily.xyz/ --name akshare skill-seekers pdf --pdf docs/manual.pdf --name myskill skill-seekers pdf --pdf docs/scanned.pdf --name myskill --ocr </code></pre>举个例子，我想学习 akshare 这个库的基本功能，它的在线文档的地址是https://akshare.akfamily.xyz/，如果一页一页的看太麻烦，于是使用skill-seekers帮我自动化的学习。 学习完成后，会生成如下的目录结构。 <img src="https://imgproxy.citrusreader.com/RgI6i5FU68nMlwsF69uw7cXn1MMdZeweWKD9TFbhDB0/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjUtMTItMDglMjBhdCUyMDE2LjE1LjQ4QDJ4LnBuZw" alt="CleanShot 2025-12-08 at 16.15.48@2x"> 我们只需要拷贝 akshare 这个目录到我们代码根目录下的.claude/skills 下面，claude 就具备了 akshare 的基础知识。 <img src="https://imgproxy.citrusreader.com/1YCFXoeY7hN5fo0kM5A1CKlv5O7NwuIKAAOvj8SIfyw/raw:1/aHR0cHM6Ly9hcnRpY2xlLTEyNTcwOTUwMTYuY29zLmFwLWJlaWppbmcubXlxY2xvdWQuY29tL0NsZWFuU2hvdCUyMDIwMjUtMTItMDglMjBhdCUyMDE2LjE5LjE4LnBuZw" alt="CleanShot 2025-12-08 at 16.19.18">

2025/12/8

使用 pyspark 处理数据的基本流程

<img src="https://imgproxy.citrusreader.com/likpSmpXmTscicP3DBO4tAjvnVaQI8QPr3p86-VRA3w/raw:1/aHR0cHM6Ly9waGhxeWJnOG1tLmZlaXNodS5jbi9zcGFjZS9hcGkvYm94L3N0cmVhbS9kb3dubG9hZC9hc3luY2NvZGUvP2NvZGU9WVdOaFlUUTBZall6WXpRME5EWmpPR014WlRGbU1qazBPVFF3T0RBMU1UTmZOWGN5U1ZWblRuWnFTbUkxVDJ4U1lraHJNM04zTVRWb2EzTXhVR05RYVhSZlZHOXJaVzQ2V2xVMGRXSlRlbk5XYjNaa1lWRjRTVVpGUW1NNGFWUnBibkJsWHpFM05qSTROVEV6TmpVNk1UYzJNamcxTkRrMk5WOVdOQQ" alt="总流程"> <h2 id="读数据">读数据</h2> 读数据前，要考虑两个方面：数据的外观（对外呈现给我们的样子）和内在（具体存放的位置）。具体来说，要考虑： <ul> <li>表头</li> <li>schema</li> <li>存储格式（尽量用 parquet，列式存储，压缩性能，读取快）</li> <li>数据量</li> </ul> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-Python" data-lang="Python">df = spark.read.csv("s3://mybucket/large_dataset.csv", header=True, inferSchema=True) df = spark.read.parquet("s3://mybucket/large_dataset/") </code></pre></div>读完数据后，要查看（探索）数据 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-Python" data-lang="Python">print(f"Total Rows: {df.count()}") df.printSchema() df.show(5) </code></pre></div><h2 id="数据清洗">数据清洗</h2> 这个阶段就涉对数据内容的操作了，可以通过函数算子的方式（记不住的话可以通过官网查看），也可以通过 sql 的方式。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-Python" data-lang="Python">from pyspark.sql.functions import col, when, avg # Drop null values df = df.na.drop() # Filter out invalid entries df = df.filter(col("age") > 0) # Add a calculated column df = df.withColumn("income_per_person", col("total_income") / col("family_size")) # Replace missing values with mean mean_val = df.select(avg("salary")).collect()[0][0] df = df.na.fill({"salary": mean_val}) </code></pre></div><h2 id="数据计算">数据计算</h2> 这个阶段也是对数据内容的操作，只是数据的内容和格式已经比较规范。这个阶段要注意对资源的利用，时刻通过 sparkUI 关注计算效率。尽量把 task 分配到不同 exector 上，最大化利用集群的力量。 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-SQL" data-lang="SQL">region_stats = df.groupBy("region") \ .agg(avg("income_per_person").alias("avg_income")) \ .orderBy(col("avg_income").desc()) region_stats.show(10) 这一阶段可能会遇到数据倾斜的问题。 对于小表 from pyspark.sql.functions import broadcast # Broadcast join for small tables df = large_df.join(broadcast(small_df), "customer_id") 对于大表 df1 = df1.repartition("customer_id") df2 = df2.repartition("customer_id") joined_df = df1.join(df2, "customer_id") </code></pre></div><h2 id="数据保存">数据保存</h2> 一般保存成表或者文件 <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-Python" data-lang="Python">df.write.mode("overwrite").parquet("s3://mybucket/processed_data/") df.write.format("jdbc").option("url", "jdbc:mysql://...").save() </code></pre></div><h2 id="数据可视化">数据可视化</h2> <div class="highlight"><pre tabindex="0" style="background-color:#f0f3f3;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-Python" data-lang="Python">import matplotlib.pyplot as plt sample = df.limit(10000).toPandas() sample['income_per_person'].hist(bins=50) plt.title("Income Distribution") plt.show() </code></pre></div>

2025/11/11

Data4Fun

要不要把大模型搬回本地

AI 新手村：让大模型学会操作浏览器

我的笔记系统

模型 API 地址配置管理

Claude Code 完美接入 Ollama 指南

开篇词

使用大模型有几种方法呢？

当我使用Claude Code时我在想什么

如何使用Skill_Seeker助力 Skills 开发

使用 pyspark 处理数据的基本流程

推荐订阅

forecho's Blog

Zed - Blog

36氪

IGN

The Guerilla CISO