家里用了好多年的欧司朗 3U CFL（节能灯）灯泡又坏了，3-U-Tubes，P「U」代表灯管被弯曲成了 U 字形。「3」代表这个灯泡是由 3 个 U 型灯管 组成。

通电时有很大的电流声，不开灯的时候还有黄色的「烧焦」痕迹。这种灯管里面的镇流器最怕台灯灯罩内积热，所以仅用了两年多就罢工。一支用了一年多，一支用了两年多，反正没超过三年的，寿命都很短，这次就研究一下，决定换用 LED 灯泡，问了好多家线上店客服都弄不清，只能自己来研究。

CFL 和 LED 对比

1. 发光原理

• CFL（节能灯）： 里面有汞蒸气，通电后通过电子镇流器产生高压，激发汞蒸气发出紫外线，再让灯管壁的荧光粉发光。属于间接发光
• LED： 靠半导体芯片直接把电能转换成光。没有气体，也没有汞，属于直接发光

简单说：CFL 像小日光灯管，LED 像手机屏幕里的发光芯片。通用吗？之前客服都以为不能用，我凭直觉都感觉其实是完全可以的。

2. 能不能直接替换？（最关键的问题）

可以直接通用。 我这个台灯是 E27 螺口，俗称大螺口或普通螺口，拧上去就能用，不需要改线路。

3. 供电方式（驱动器）

LED 的驱动电路比节能灯的镇流器简单且高效，发热量极低。原来的 20W 节能灯大部分电量都变成热量浪费了，所以才会烧焦

• CFL：靠电子镇流器（容易发热，是寿命短的主要原因）
• LED：靠驱动电源（电路更简单，发热低，更耐用）

4. 建议

LED 在省电、寿命、启动速度和环保方面都明显优于 CFL，价格其实也更划算。

• 功率：选 9.5W~12W 的 LED（亮度接近或略优于原 21W CFL）
• 尺寸：建议选小柱泡或高度较矮的款式，避免顶到灯具

直接换上好品质的 LED 后，基本不用再担心灯泡一年多就坏的问题了。

品牌

既然确定了 LED，就来选品牌，欧司朗现在业务授权给 LEDVANCE 朗德万斯，本来是欧司朗的时候质量都这么差，所以也就剩下飞利浦可以选了。就是要小心买到山寨，在官网找授权店铺，其中好几家天猫店不在名单中。

尺寸

原来那颗 3U 的尺寸是 15.3cm × 4.6cm。 这款飞利浦的尺寸是 11.43cm × 3.72cm。只是比之前短了一大截

反而有好处。灯泡和灯罩之间空隙更大了，空气对流更好。这不仅解决了舊灯泡因为积热而烧焦的问题，还能极大地延长这个新 LED 灯泡的寿命（LED 最怕热，散热越好，光衰越慢）。

寿命

流明

• LED 流明 950lm

  对比

• CFL 大概 1200lm

差不多可以用更少的流明来达到相同甚至更好的桌面体验。

色温

中性光，白光，黄光三种可选，我放在卧室使用，喜欢温馨一点的感觉，就选择了 3000K 的暖黄光。低流明 + 低色温适合卧室氛围。

显色指数

演色性指数其实以 CIE Ra 来称呼比较合适。CRI是比较广义的说法，而CIE Ra则是国际标准演色性指数（英语：international standard color rendering index）。

理论上，CIE Ra 上限为100，这支 LED 灯是 CRI 80，显色指数高有个好处，比旧款节能灯看东西更清晰、饱和。色彩更鲜艳时，人的大脑主观感觉环境更明亮。

看起来不像暖光，其实是的，换上后体验好多了，再战五年！

本来是想去附近两公里的良渚文化艺术中心（大屋顶），是安藤忠雄的设计。但是车实在是太太多了。根本没地方停车，找车位花了二十分钟，果断放弃选择 Plan B，其实也没有备选计划，只是在做攻略的时候扫到了一眼，来到这个国家版本馆，这里人就少很多了，没有停车场，旁边就是一个工地，依旧是路边停车。

「版本馆是一个集展览馆、图书馆、档案馆、博物馆为一体的综合性场馆。它主要收藏中国古籍、中华民国大陆时期文献、碑帖、家谱、手稿、印章、陶瓷、戏剧脸谱、工业品、建筑物等的设计图纸、照片、邮票、明信片、邮资封、钱币、布票、粮票等藏品[1]。中国国家版本馆设有中央总馆、西安分馆、杭州分馆、广州分馆，当中3个分馆是中央总馆的异地灾备中心，确保各类藏品免遭各类灾害损毁[2]。四个场馆于2022年7月30日同步开馆。[4]」

四个年头过去了，外观还是很新，总建筑面积达到了 10.31 万平方米，是四个馆里最大的，原址是一个废弃的矿洞，所以一边还能看到半个山头。如果不说还以为是一个度假酒店。虽然里面不能翻阅书籍，专程跑来一趟欣赏建筑也是非常不错的。

我觉得设计也有些小缺憾，首先只有一个出入口，没有指示牌。没有看过地图，很难根据动线来走一圈合适的游览
二是卫生间设计在地下一楼，只能坐电梯下去，高峰期间不方便，而且没有逃生通道可用。

很喜欢这个设计，回去查了下知道是 2012 年中国首位普利策奖得主王澍及其妻子陆文宇的设计，原来其之前的代表作是宁波博物馆，甬博固然不错，但是这个国家版本馆明显好太多了，设计者的功力过了十四年提升了一个境界。不过依旧能看出来设计者的一些特定风格，喜欢用玻璃类的透光材料，喜欢用交错的顶梁结构。

这里附上宁波博物馆的图片供大家欣赏：

杭州是一个我既熟悉又陌生的城市，以前上学，出差生活了好久。好几年没有经常跑了，变化还是很大。这次去了几天。以前可能也不会专门写一篇游记，受到住在杭州的博主 Sol 的流水账日记启发，而且这次也拍了不少图片，何不写下来呢。

Day 1

锦西湖 ⭐️⭐️⭐️⭐️

周五出发开车过去，中午抵达，中午还没下班还算畅通。朋友请我在杭州中心顶楼八楼的锦西湖吃饭，车子在 B6 才停好，而且还是一个极小的车位，没有点技术还不好进。

这类定位不低的餐厅，中午人还不少。里面包厢挺多，面积很大，服务员给的餐盘还是加热过的，这点很不错。两个人点了一份开胃沙拉，两份牛排，一份清蒸三小鱼，一份烧河蚬（黄蚬），一份炒蔬菜。没有主食，全部吃完，两份牛排大半都是我吃的，确实过瘾，牛排装在中式的盘子里，口感很嫩，多汁，服务员可以帮忙切好，就不用自己动手了。餐后送了一份甜羹，吃了一口，好甜，平时不吃甜食的我当时也觉得生活需要一点甜。

聊到两点半，餐厅都打烊了，除了另一桌网红，一个劲的在凹造型拍照。停了两个多小时，三十块，杭州中心这个是万象城系的，真贵，关键是车位还很紧缺。

海蓝电竞商业中心

吃完饭离接女朋友五点下课还早，就想着去网咖消磨下时间，就来到了这个电竞中心，有个 LPL 知名战队——LGD 电子竞技俱乐部。这地方人行道上全都停满了骑车，都很高难度，有些三个轮子在台阶上，一个在地下，应该是附近上班的人停着，该死的停车费啊。开到那已经是四点了，得了，一个小时不到也崩玩了，充个电去接人吧。充电完本来说是免费停车，结果出不去，问保安，保安信誓旦旦的说他们的系统不会出问题的肯定是我这有问题，打了他们负责人电话，给他们看了充电订单和付款记录才报销停车费，费了点功夫😮‍💨

滨寿司（丁桥龙湖天街店）⭐️⭐️⭐️

滨寿司不是什么稀罕店铺，其实就是食其家母公司泉膳旗下一个品牌，看分布图来看定位似乎比寿司郎略微低一点，在杭州有十二家，很多了。所在城市也有，在日本也没怎么注意，就去吃一下。

龙湖天街停车都有三小时免费，基本看个电影都够了，这点不错。不过他们招商也是来者不拒，看到了两家山寨 Polo Ralph Lauren 和一家山寨 Zara……还有一家内衣品牌，名字没有擦边，但是装修几乎照搬维多利亚的秘密，唉，都什么人买呢。

五点半到的，等了半小时轮到了，不指定座位会快一点，前阵子都在执行 16-8 断食法，要在晚上六点前结束进食，破戒了。

也是几乎全自助的，服务员没有指引。每个人面前有一个 iPad，可以点餐，看消费金额。碗碟都在桌子下的抽屉里。有些菜是服务员端上来的，大部分餐都是由两条传送带送至面前，问了下 AI，说是靠 AI 摄像头来判定有没有取拿和监控「迷惑行为」。

一碟一两块寿司，人多的话吃完能摞起一堆碟子。除了寿司其余拉面什么的基本都是预制菜，没点。也没有看到朋友说的半价的蓝鳍金枪鱼（打折后 ¥8），估计是卖完了。

金枪鱼，三文鱼都来一份，我并不是喜欢这类生鱼片，却也还行，不腥。杯子接的是热水，这点应该是进入中国后改的，在日本都是喝冷水甚至冰水的。要想喝冷水怎么办？在 iPad 上下免费的冰块（还有个免费的就是天妇罗酱汁了，淡淡的，解腻），会有服务员拿过来。大切的鱼片应该就是份量大一点，价格也会高一点。除了生鱼寿司基本都很咸。都用不上酱油（即使他还有减盐酱油）。一块块寿司加起来米饭很多，吃到后来饭都不要了，直接吃肉。

喜欢：

• 虾三拼（蒸虾/甜虾/天妇罗）¥15，天妇罗很不错
• 茶碗蒸 ¥10，就是蛋羹下面藏了点贝壳类
• 烤肉风味牛肉 ¥10
• 麻辣寿喜锅 + 蛋 ¥39，KK 还挺喜欢的

不喜欢：

• 火炙合鸭 ¥8，不好吃，鸭肉腌制过很咸
• 稻荷寿司 ¥10，就是普通的豆制品，但是很甜
• 纳豆军舰 ¥10，我就是那个不挺劝的，非纳豆爱好者，谨慎！

其他的就无功无过吧，两个人吃了四十分钟不到就出来了，吃了十五份寿司，一个寿喜锅，用了美团券，最后吃了 ¥189，价格还可以，但是如果要排队还是算了，没有那么好吃，属于那种走着走着碰到了那就进去吃一下吧。

酒店第一晚

这龙湖真没啥好逛的，回酒店。房间楼下远处飘来了广场舞的声音，忍受了很久。KK 给我腹部筋膜松解，感觉自己腹直肌分离的问题稍微得到了缓解，弄完居然快十点了。有个和我一样非常爱干净的女友是一件幸福的事情，她带了一次性床单和毛巾，我自带了牙刷杯具，第一晚就这样过去了。

Day 2

汉堡王早餐

我住的地方想吃个汉堡王早餐很不方便。在杭州去吃一下双蛋双牛堡（仅在早餐供应），淘宝上找代下单，一份是 ¥14.8，还有一杯热美式。和麦当劳的「一加一」套餐差不多。确实好吃，传统的汉堡面包胚换成了鸡蛋，可惜的是太少了不过瘾，两个才能满足。

吃饭的这条街上樱花正在盛放，风一吹，系在树枝上的风铃叮当作响，路人停步拍照的很多。吃完我就去下一个目的地。一路上感受着堵车，周末都出去玩了。上高架前都要排队，在高架上也是龟速蠕动，我一集 podcast 都快听完了还没到，只有在之江路隧道里，车速快了点可以上到 90 多，隧道挺长，有 5.6 km，去年十二月才通车。

全山石艺术中心

没想到全山石居然是宁波籍，在杭州定居的中国第一代油画家，曾赴苏联列宾美术学院学习。这次看的展也是苏联/俄罗斯油画家的作品。观展不用预约，登记身份信息后入馆观看，当天有两个展，凝固的美——西方经典雕塑展，高强石膏复制品陈列。还有个就是俄罗斯当代油画陈列。

油画数量挺多的，数了下有 59 幅，观展的人比之前看的莫奈三副画少多了，可以慢慢欣赏。艺术中心位于一个园区，还有安邦护卫公司和饭店，很神奇的组合。

转塘来翠面馆 ⭐️⭐️

中午时分了，去吃个米其林上榜面馆，先来看看米其林官网上是怎么说的：「虽然价格相对一般面馆稍高，但分量大而且用料充足，经常满座。」不过这话照我看，只能听一半，价格高和人多是事实，但我两小时前吃的早饭，这一碗下去也不觉得填饱。 米其林的页面上没有门头，实在是拿不出手，还有只收现金的信息也是错误的，倒不至于那么传统，支付宝和微信都是可以的。

旁边很难停车，都是违章停车（等我吃完，交警已经在抄牌了）。点单付钱后，伙计把菜名写在纸上，领取一个号码牌，轮到了，一个个喊着送面。自己找座位，座位是没有的，一个人去拼桌倒是方便不少。等了半个小时吃上了，遵循客制化，要求口味淡点，做到了，好评（能做到这点的都寥寥无几。实在可悲，事实就是如此）。价格可以接受，毕竟也是名店了，差就在旁边停车难，人多，环境差，味道算不上很好，但是过得去，不值得专门跑一趟。

旁边就是一个茶叶市场，明前茶都上市了，很热闹，一股茶香。咱既不喝咖啡也不喝茶，逛逛就出来了。

Fitting Lab ⭐️⭐️⭐️⭐️

跑转塘那地方去修我的 DA 轮组，车店位于别墅区呢，很偏僻，很适合从这里开始骑车。店铺面积很大，以前是会所改造的，装修和用品也比较讲究，光是垃圾桶都是一桌子下面一个，一个卫生间有两个，这点我太喜欢了。在我去过的车店里可以排前三。

可惜折腾了一下午，弄了四个小时，还是没能解决我这对轮组的问题，硬件本身出问题了，再好的技术也无法解决。这对轮组折磨了三个城市最顶尖的五个技师之手，太折腾，维修了五百块还不算配件成本。因为是朋友介绍的店，店长一开始还不收我钱，我说辛苦费要给的，就收了两个工时，¥120。调试了一番，中轴也是要换了，中轴本质也是个易损件，下回单独写一篇文章。

小猪骑行路线 ⭐️⭐️⭐️⭐️

本来想骑小猪的，时间来不及。之前也没有骑过，不认识路，这条路线还是挺难记的。朋友带完娃从湘湖骑二十公里过来带我体验下。好在当天天气舒服，傍晚也不冷，而且日落也晚了，即使山路上都是看樱花的游客也还是能体验下这段不错的路线，照我以前训练的标准来看觉得算不上好路线，不过在杭州，上海这些城市已经难能可贵。

从龙井下去后一路过关斩将的穿梭在车流中，即使交警看到也不会来管了（龙井原则上是不让骑车，这么多年了，也是间歇性禁止）。

大城市之痛——无限糟糕的交通 ⭐️

骑完还是挺累的，毕竟是今年的第二次户外骑行，功率下降了太多。晚饭赶不回去和 KK 一起吃，在美院旁边随便吃了点，还得是现在的大学城好，各种馆子都有，丰俭由人，我在一家新疆菜用美团券买了个烤馕还遭到烤馕大叔的白眼……不乐意卖那别开美团啊。

然后就是魔鬼的回拱墅北上车程，看了下规划路线，无论是走高速，还是紫之隧道，时间都拉不开差距，25 公里开了五十分钟，速度也就比顶级马拉松选手快一点（

开的我是烦躁无比，比骑车还累。

呼吸训练加夜宵

回到酒店瘫在床上，KK 教我吹气球呼吸训练，一开始不得要领，练了几次后感觉还是挺有用的。各种因素结合在一起暴饮暴食了一下，九点多还吃了夜宵，因为做过呼吸训练，罪恶感降低了点，断食计划中断一下，点了我平时在家不会吃的螺蛳粉（味道太大）。洗完澡看 MacBook Pro 里蓝光原盘的诺兰版蝙蝠侠第二部，黑暗骑士。看这种画质是种享受。

酒店隔音很差，床头就能传来隔壁很大的电视声音，本来想着要不要去让前台协调让他们降低点音量。KK 帮我按摩头部哄我睡觉加上外出必备的降噪耳机（更加的想要 AirPods Max 第二代），调整好心态和呼吸，居然很快睡着了，这对我来说是个奇迹。

Day 3

在杭州的最后一天了，早上先把要买的中轴搞定，研究了很久，在 YouTube 上听 Jay 的新专辑（全放出来了，都不用买，也确实不值得买）。再把每天要看的 RSS 信息流刷一遍，没带充电器用充电宝应急一下，把小小的酷态科 10 号 mini 榨干了，43w 的充电功率可以补上一点。

烹小齐手工水饺 ⭐️⭐️⭐️

前一晚九点多才结束进食，要等到下午一点后才能吃东西，去了 Sol 推荐的烹小齐手工水饺餐厅，被「缺德地图」坑了一把，地址写的是：拱墅区地铁 3 号线善贤站商业空间 SX-C09 商铺，谁知道这个 SX-C09 是在地下啊。开车找了两遍都没发现，想想不对劲，打开百度地图才发现原来是在地下。

这天还很热，顶着大太阳找的是无比狼狈，感觉一下子好像来到了夏天。终于找到了，店面小小的，扫码点餐，可惜没有菜单。顶上的菜单栏里也没有鲅鱼水饺，属于隐藏菜单了。前一晚在外卖平台上看到过只有大份的鲅鱼饺子，店里只有小份的了，一份六个，¥12，两块钱一个，老板大叔看我远道而来还多给我一个。第一口下去，嗯，很鲜，不过这个鲜味也是伴随着咸味的，对我来说口味偏咸了，不过从来没吃过这种鱼肉饺子，马鲛鱼我平时是不爱吃的，也没有腥味。一份七个确实太少了，我又加点了十二个香菜牛肉干捞饺子，¥24。也不错，就是偏咸。

良渚博物院 ⭐️⭐️⭐️

吃完我就直奔良渚去了，西北方位这块也是从来没去过，虽然已经到挺郊区的地方，但是车流量依旧不少，不过大城市的人开车是文明规矩很多，少有加塞鸣笛的。

快到博物院了看到路边停着一排大巴索性也停在他们后面，我也没看到停车场在哪。走了一段路进去后，这里风景很好，绿化很多，还有河流，还有人在露营。博物院里人流量很大，连身份证都不用登记了，其实去博物馆就应该这样吧。

博物院的设计还是不错的，不算很大，但是展品却不错，这批来自希腊国家考古博物馆的展品，可以算得上一个市级的规模了。第一次亲眼看到非中华文明的文物。可惜来的这天有点不是时候，居然有来自北京中学二分校（初中）的学生们，大老远的跑到杭州，真羡慕现在的孩子。即使是博物院工作人员举着「静」的标示牌，也无济于事，人实在太多了，匆匆看了几眼我就出来了，工作日来体验肯定能好上不少。

杭州国家版本馆（文润阁）⭐️⭐️⭐️⭐️⭐️

这里碍于图片过多，所以单独开一篇存放。

张功馆·桐庐菜（石桥店）⭐️⭐️

看完马不停蹄的回拱墅，又经历一次大堵车，堵车无疑是杭州之旅最不愉快的地方，几年前出差堵在路上也没有这么难受，那是工作。度假的时候感受塞车，实在难受。生活在大城市的幸福感也会因为这个降低不少吧。

选了一家离酒店近的馆子，吃完直接上高速回家。我选馆子的筛选条件是，当地独有的，不排队。这个桐庐菜无疑是当地独有的了。这个位置好停车，然后去的早有车位。

有明档，而且看起来菜色都还不错，坐下扫码点菜，有些菜色不如直接看来的直观，中午十八个饺子还不饿，KK 也不饿，就点了是三个菜，生炒小公鸡，¥65，手捏菜炒蘑菇，¥39，汪刺鱼锅仔小份，¥88。我们去的时候人也不多，但是菜上的是真慢，我不饿，倒是比以前淡定许多，KK 少有的抱怨起了上菜慢。吃一个等一个，服务员都看不下去了，主动帮我们催了两次。

小炒鸡还可以，就是鸡肉略微有些柴，不过也算吃过里面的不错的。炒菜太咸，里面居然有咸菜，知道的话不会点，汪刺鱼里居然有牛蛙，我不太爱吃这些鱼类，总体来说环境和店铺面积算是大点，他都有自己的小程序和会员体系，还有其他分店。不过过咸的菜在我这评分就注定不会高了。

出来后车被挡住。停车时没看清地上磨损的白线，还想着给别人方便，停的很里面。结果出门被堵住，浪费了十多分钟。结账的时候服务员说要十五分钟开走，其实是怕吃完饭不走，三小时内都可以离场。

上高速前都很堵，直到空港高架，可以跑起来。中间服务区充个电，没有对面西向的齐全，地下可以互通。只有国网和华为的充电桩，用豆子换的充电卡能直接用国网的，1.85 块/度，电卡不看价格只看度数，越贵的电越划算。

回程的路上发生一个奇怪的 bug，车机屏幕突然升至最高亮度，比自己能设置的亮度还亮，亮到刺眼。在紧急车道停下来尝试重启也无效，车流很大，不敢久停继续往前开。用车顶的「维修」按钮呼叫后台服务中心，得知并没有更好的解决办法，只能让 4s 给我回电，就在交流的时候屏幕亮度突然恢复正常，后面也没有再次发生，虚惊一场。

回去在 KK 家过夜，现在习惯了两人一起睡觉，只是 KK 要忍受我说梦话和抢被子，甚至还发生过我把耳机摘下来放她嘴巴里的事情🤦‍♂️

中午去吃一个老李鸡蛋饼，终于不用排队了！两个蛋，半根油条，加生菜，土豆丝，八块五，份量足，好吃，当午饭管饱。帮老板算了下一天能卖起码三百张饼，客单价八块，算算吧，一个月是多少。

结束这三天的旅行。虽然很累，舌头上又张了溃疡，但是很充实，期待下一次旅行吧。

在闲鱼上卖一台老的背板损坏的 iPhone 12，去爱回收线下检测过只能卖 ¥510，在闲鱼挂着 ¥790 有人要了。这个人很爽快，直接拍下未付款。过了一天没付款，订单自动关闭。这期间我把价格涨了十块（因为来问的人多，感觉能卖 800+），他居然也愿意买（这里其实已经挺可疑了）。

这里要关机本机，多半是想套序列号，我打码后发给他。

因为数码产品非当面交易坑很多，发出前我再三拍了视频和照片留档，也发给买家最后确认。但是千算万算没算到，没考虑到细节的地方太多了。

签收后的第 37 分钟，对方就发来一个视频说我的超广角镜头（0.5x）有问题。简单描述下视频内容：他说超广角有问题，无法对焦，里面的画面就是透光但是很模糊，有点像蒙上一层滤镜的感觉，就是用胶带或者别的什么办法在镜头上做手脚。不是我说，他里面操着一口我几乎快听不懂的普通话（不是歧视，但是搞这种诈骗的人基本都没受过良好教育走上歪路）。开头就说手机摔坏了，相机坏的。可是背板本来就是碎的，商品描述里写的很清楚，他也知情。就是想混淆视听，让我先入为主的以为镜头真的坏了。

我觉得很诧异，之前都好好的，怎么会突然坏，收货的前十天还在爱回收检测过，有线上检测报告。我当时还出于对买家的考虑说了句「那不要的话就退回来吧」。

吃完饭越想越不对劲，感觉事情有蹊跷，对方又进行一系列操作如图：

先是申请退货退款，随后图穷匕见，「到手刀」我两百块。如果真要退货我也真给他退了，一开口居然还要这东西，结合我相信自己 iPhone 并未有实质性问题，我就去做了好一番功课。问了几个 TG 群，都说基本就是到手刀骗局，不知骗子用了什么手法，估计是用胶带贴在超广角镜头上使得无法正常对焦。又去小红书上一搜，好嘛，骗局案例都是 「0.5 倍相机到手刀，指南针异常」等关键词。这时我已经确定对方是职业到手刀了，看了他发来的视频二十遍，最后还是余光一语点醒我，买家在还没打开相机前就知道相机超广角有问题，新激活或者第一次打开相机前都会弹一个给定位权限的窗口。他视频中还没弹窗前已经在说相机坏了，这不明显是做过手脚后 100% 确定才会说的话嘛，骗子这剧本演了太多回，太顺溜了，以至于出现这个逻辑上的漏洞，多行不义必自毙一点都没错。他弹窗的定位权限里是成都某小区，我搜了下离他一公里不到就有个派出所，整理完这些，我交给 AI 总结一段话，发过去贴脸输出。

「别演了，你这到手刀的套路太拙劣了，我已经全部取证：

1. 视频里你还没点开相机，甚至在系统跳出位置权限弹窗之前，你就已经断定相机是摔坏的。如果你真是第一次用，你怎么可能在权限都没给的时候就知道它坏了？

2. 你无法提供完整的顺丰开箱视频。按闲鱼规则，没有开箱视频，你无法证明所谓的‘故障’不是你到手后人为造成的

3. 我手里有证明手机相机性能完好的视频，超广角（0.5x）对焦非常清晰，且有爱回收检测报告。你这种行为属于典型的恶意「到手刀」欺诈。我已经把对比证据整理好了，如果你乐意，我们直接小法庭见。还会申请平台封禁你的账号信用。不排除向更高单位申请介入，可能双桥子派出所也会乐意有业绩吧

   」

   

   对方还试图狡辩，想将我一军，赌我手里没有证据，只可惜他不敢赌，强硬一点，继续刚。结果就是他没底气，往往没过几回合就分出胜负，他心里其实很慌的。

   

   对付这类骗子，绝对不要自认倒霉接受到手刀，即使是退回也会遇到真的把设备弄坏，或者拖延（网上有很多案例），拖个半个月，磨心态。

   贴上骗子的账号，大家要注意了。

   

   在举报一下这类买家。等待闲鱼平台处理。

一点经验

1. 选择高信用买家和卖家交易
2. 贵重物品一定要走验货宝或者当面交易
3. 发货前一定要认真仔细拍照留证（我就差点死在这一环）
4. 遇到蹊跷的事情多想想
5. 保持耐心和良好的心态，看谁笑到最后

 对什么是现代性？下面这篇讲得很好。

什么是「现代性」？你如何理解「现代性」？ - 知乎

https://www.zhihu.com/question/24418080/answer/446842874

 作者：他者金麻子

🤖 AI 摘要

文章源于作者将博客从 VitePress 迁移到 Cloudflare 刚发布的 Vinext 框架，在技术迁站过程中顺势做了两件事：一是让 AI 以第三者视角撰写「AI 视角下的罗磊」页面，二是构建可对话的 AI 分身，回答关于「我是谁」的问题。通过把十多年分散在文章、动态、视频、开源项目中的内容喂给 AI，作者第一次感到这些碎片被重新组织成一个更完整的自我画像，同时也意识到 AI 抓到的是「愿意公开表达的那部分自己」。文章刻意不再展开技术细节，而是提出「人生 AI」作为继「人生马拉松」之后的新长期计划：不再只关注持续产出新内容，而是利用 AI 将既有创作沉淀为有结构、可成长、可迭代的数字分身。作者指出当前存在准确性不足、人格相似却不完全契合等问题，并延伸到隐私、边界与心理接受度的开放讨论，期待在未来几年持续优化分身、丰富数据，并观察这一项目对个人创作与表达的长期影响。

视频

• YouTube: 2026 年，我把自己做成了一个 AI
• Bilibili: 2026 年，我把自己做成了一个 AI

前几天我做了一件挺有意思的事。

Cloudflare 刚发布了 Vinext 这个框架，我也在第一时间把自己的博客，从原本的 VitePress 迁移到了新的架构上。迁站本来只是个工程活，结果做着做着，我顺手把自己也「迁」进了 AI 里。

上一篇文章 《2026 年，我把自己做成了一个 AI》 已经把这个 AI 分身的原理、架构和技术细节写得比较完整了。这篇不再重复讲怎么做，主要补一下这次视频背后的想法：为什么我想开启一个新的长期项目，叫「人生 AI」。

luolei @luoleiorg · 2026年3月10日

过去 10 年，我给自己设了个「人生马拉松」计划：每年至少一场全马 🏃‍♂️，今年刚好 10 场。
现在准备开启另一个长期项目「人生 AI」：持续迭代我的 AI 分身 🤖，也顺手记录这波 AI 浪潮的技术演进。
拍了个视频，记录这次有趣的尝试👇
https://t.co/T71sbDwvKZ

🐦 在 X (Twitter) 上查看原文 →

从「人生马拉松」到「人生 AI」

过去 10 年，我给自己设了一个「人生马拉松」计划：每年至少跑一场全程马拉松。今年刚好第 10 场。

这个计划对我来说，不只是跑步本身。它更像一个提醒：如果把时间拉长，坚持做一件事，很多变化都会慢慢显现出来。

现在我想再给自己开启另一个长期项目，叫「人生 AI」。

它不是一个为了追热点做出来的一次性 Demo，也不是拍完这个视频就结束了。恰恰相反，我希望它变成一个会持续很多年的东西：一边迭代我的 AI 分身，一边记录这波 AI 浪潮对内容创作、个人表达和独立开发的影响。

这次我顺手做了两件事

迁移博客的过程中，我顺手做了两个小实验。

一个是做了 「AI 视角下的罗磊」 这个页面，让 AI 用第三方视角重新看我一次。

另一个，是做了一个可以直接聊天的 AI 罗磊，让它去回答别人关于「我是谁」的问题。

这两件事表面上是在折腾 AI，实际上更像是在重新整理过去十多年的自己。

平时写文章、发动态、拍视频、开源项目，这些内容都是一篇篇、一条条地散落在各个平台上。它们当然都属于「我」，但大多数时候，它们彼此之间并没有真正被串起来。

这次我第一次比较强烈地感觉到，AI 有机会把这些长期积累下来的碎片，重新组织成一个更完整的东西。

看 AI 怎么「理解」自己，其实还挺微妙的。有些地方会觉得它说得挺准，有些地方又会觉得「这也太像一个整理过后的我了」。它抓到的是我这些年愿意公开表达的那一部分，而不是全部的我。

但也正因为这样，它才让我意识到，长期创作这件事，在 AI 时代可能会多出一层新的意义。

你写过的东西、说过的话、公开留下来的痕迹，不再只是过去完成过的一次表达，它们还可能在未来继续被整理、被关联、被重新理解。

这篇文章不想重复讲技术

关于这个 AI 数字分身背后的原理和架构，我已经专门写了一篇技术向的文章，源码也公开在了自己的 GitHub 上。感兴趣的话，可以去读一读。

这篇我更想记下的是另一个感受：对于一个持续写作、拍视频、发动态很多年的人来说，AI 的意义可能不只是「帮你生成内容」，而是帮你重新整理自己。

以前我会觉得，内容创作者最重要的事情，就是持续生产新的内容。

现在我会觉得，未来可能还要多做一件事情：把自己过去积累的内容，慢慢整理成一个有结构的东西。

这也是我想做「人生 AI」的原因。

我想看看，一个长期创作者在 AI 时代，能不能不只是持续输出内容，还能慢慢把自己的内容沉淀成一个会成长、会迭代的长期项目。

两个还没答案的问题

不过这个项目现在也远远谈不上成熟。

第一个问题是，它现在还不够准。

有些时候它回答得还不错，有些时候又会显得有点「像我，但又没那么像我」。内容越多，想让它理解得更稳定、更准确，反而越不是一件简单的事情。

这也是我接下来最想继续打磨的一块。如果你对这种方向有一些想法，也欢迎和我交流。

第二个问题则更开放一些。

像我这种在网上公开输出很多年的人，对把自己的公开资料交给 AI 分析，整体上是比较开放的。因为这些内容本来就已经公开存在了，AI 只是换一种方式把它们重新组织起来。

但这不代表所有人都会接受这件事。

如果是你，你会愿意让 AI 系统地分析自己吗？愿意把自己的文章、动态、照片、视频，逐步整理成一个可以被提问的数字分身吗？

这背后既有技术问题，也有边界、隐私和心理感受的问题，我觉得都挺值得讨论。

最后

对我来说，这次视频不是一个结论，更像是一个开始。

「人生马拉松」我已经跑到第 10 场了，而「人生 AI」才刚刚起跑。后面我会继续往里面加更多数据，继续优化这个 AI 分身，也继续记录这个过程本身。

看看几年之后回头再看，这会不会成为我这十年里，另一个有意思的长期项目。

过了四个月才把之前闲置的 iPhone 14 Pro 出掉，平时都在当游戏机使用，玩英雄联盟手游和 iPhone 17 Pro 真的没啥体感区别，A16 芯片还是可以的。电量从当时的 78% 掉到 75% 还是挺快的。对比了以下各种渠道。

回收渠道

1. 转转 ¥2499

   自助机价格，没有和店员交流，不知道是否存在店员可让利空间

2. 闲鱼回收 Pro ¥2570

   ¥2550 + 预估竞拍溢价 ¥140，实际溢价就个位数或者十几块，没有实体门店，不然我也想试一下

3. 回收宝 ¥2223

4. 第三方个人小店 ¥2400

   问了三四家，最高是这个数字

5. 香港 Apple 官网 ¥2430

   以旧换新价 2700 HKD，以当时的汇率计算

6. 京东以旧换新价 ¥2843

   不知道实际到手价格是多少，估计没有这么高

7. 闲鱼自己卖 ¥2539

   ¥2570 左右，还要扣除 0.6% 手续费和邮费，以及可能存在纠纷的麻烦

8. 爱回收线下 ¥2603 + ¥20

   自助机器估价 ¥2526和 ¥460，后者实际 ¥510

综上来看，爱回收是我这台手机最优解。这家门店之前有一次去估过价格，所以加过联系方式。门店回收价格比自己爱回收小程序得到的要高不少，小程序不同账号之前差价挺大，比如我今天这单小程序只有 ¥2130。去之前问了两家爱回收的店员分别报价 ¥2520 和 ¥2600，那自然去高的那家。

交易过程

领券

这步和验机顺序可以调换，新帐号应该会有羊毛，小程序-超级补贴-手机数码领取。

验机

交给店员，先是外观检测。用荧光手电和磁场显影片看看 MagSafe 是否有断裂（iPhone 17 已经是两段断开的）来判断屏幕是否拆封。然后是软件交互验机。

店员在电脑上通过爱思助手下载了一个「易验机」，说是用员工账号登录。然后经过一系列测试，其中拍照测试有斑点，算是 iPhone 的通病了，没有压价格。

最终报价比他企业微信上说的的价格高了三块，和心理预期差不多那就成交。

再次还原设备，以免有 Apple ID 锁未退出。

问询

问这部手机是不是自己买的，防止是销赃，不过这个形式大于流程，只要能退出 Apple ID 谁都可以声称是自己的。

还会问有没有去过演唱会，说手机镜头被激光照到过可能会损坏。

期间两次录音，确认所有操作已知悉，然后用微信扫描实名认证，应该走的腾讯的实名通道。然后查看验机报告，确认订单，订单价格十天锁定保护。现场支付宝打款。不算上闲聊，整个过程应该在半小时这样，毕竟有一系列验机程序不会太快。

感受

首先不要看小程序价格，分类少，只有按大致成色划价格，得去门店估价，都比小程序给的价格高也是挺好玩的。我当时还带了一台背板破损的 iPhone 12，估价只有 ¥510，闲鱼上随便都能卖 ¥750，所以还是要多看看。感觉影响价格最关键的是未拆封和电池健康度。

甚至首单交易，在小程序福利中心-成交返现金里还有 20 块返现（被归类为垃圾短信差点错过了），也就是这次实际到手是 ¥2603 + ¥20，¥2623。

这次交易像在传统的典当当铺，只不过电子化，现代化，交易的东西以 3C 为主。爱回收也做奢侈品和黄金（就在我们进行的时候有人来回收黄金，需要放进光谱仪）店员还给我看了他的提成分类，可能是这个月的，每项在几十块，不算多。说明店员手里有一点价格浮动权力。虽然都是有小程序，但每家门店价格还不一样，差价也有八十块，所以怎么说呢，不怕麻烦，闲鱼自售应该是卖价最高的，而爱回收目前看看也是一个不错的选择。但是每次都不一样，货比三家，实时更新，实时学习。

听店员讲爱回收门店还有保险业务，没在线上提供此项服务。iPhone 的质保如碎屏更换是由 Apple 官方来承担的，这个倒是不错。

优点：

• 方便，不用各种角度拍图，和买家沟通以及后续纠纷
• 不用包装，购买凭证和数据线
• 不会到手刀，细微划痕之类都忽略不计
• 线下实时收款

缺点：

• 得去门店且每家门店价格不一样
• 得跑线下
• 参考价格不是实时最优

人均：¥84

沿海网红店（除了杭州不临海，其余城市应该都临海，所以上海都没有店），排队要挺久，11:20 线上取号排队的，12:10 一直还有九桌，结果十二点半跳好了几桌，因为在楼下拿杯咖啡过号了重新顺延三桌。最终在 12:30 进店。12:50 吃上。排了一小时队。前几天中午都很晚吃，唯独今早吃了隔夜冷藏燕麦粥，不抗饿，血糖有点波动，很急躁，一度不想等，不过最后还是吃上了，还没让我失望，算是低开高走吧。

店里面很大，有 107 个座位。像是几个大排档加在一起。全程自助，服务员除了给领到桌前，点好锅底后。纸巾和水放在小推车上。菜品，调料，杯子碗碟全部自助。

点锅底

汤底有十二种（包括清水锅底）可以选。给的有点多，我就直接选了清水，原汁原味。没有双拼。加热档位有六档，小锅煮沸还是挺快的。

取菜

有两点不好，虽然入口处有说明菜品按照碟子颜色分类，价格不同，但是牌子朝向内侧，不明显。

菜品上有些名称和实际不符合，有些混乱。即使补货很快，但有些食物已经供不应求，小程序上写着的都没看到。拿了牛肉，嫩牛肉，嫩豆腐，竹蛏子，老蛏，三角杯，明虾，海螺片，羊肚菌，金钱肚，木耳，青菜等。

看着大鲍鱼在那里蠕动，还是很新鲜的，这个可以请工作人员帮忙清理，这个清理也不知道是怎么做。可能洗一下？

锅子是每人一个，不大，觉得还可以更大一些。

平时不爱吃海鲜的我也觉得还不错，贝壳类和虾类都是比较新鲜的。没有让我觉得腥味吃不下去。全自助意味着加水，捞浮沫都得自己来。不怎么吃火锅的我一直分不清多久可以吃了。

有个橙色盘牛肉也归类于最贵的铁盘。两个人拿了十三盘没有吃主食和饮料也是比较饱的。吃到一半，最早的那批人吃完了，所以一点多一点去吃应该是最空的，不过后来那些空位子又全部填满。

买单都喊不来服务员，实在太忙了，会人工数盘子，这里效率很低，小铁盘可以重叠，还得手动掀开来数。前一张票据他们留存，

去收银处买单会给一张收据。加入他们的会员群打 68 折，估计是长期的活动。周末不参加美团的活动，可以用招行信用卡的立减十块小活动。收银员会主动问要不要开发票，这点不错，不过是人工手动开，加微信后需要等几天。

P.S. 有个小彩蛋，因为菜品打折仅限盘子内装的，锅底和调料不打折，问了御三家 AI，只有 Grok 计算出错。

谷歌（Google）在旗下 AI 创作平台 Flow 中，向免费用户开放了最新图像生成模型 Nano Banana 2 的使用权限。目前支持单次并发生成 4 张图像，且不消耗账户积分。对于需要高频测试提示词或调整图像细节的用户而言，这提供了一个比标准 Gemini 网页版更高效的替代方案。

Flow 是 Google Labs 推出的生成式 AI 影像创作平台。不同于传统的基于时间轴的剪辑软件，Flow 整合了 Veo 3.1（视频）、Nano Banana 2（图像）与 Gemini（语义）等核心大模型，允许用户通过自然语言构建包含连贯画面和音效的场景。

现在向所有用户开放了 0 积分使用最新图像生成模型 Nano Banana 2。目前支持单次并发生成 4 张图像，且不消耗账户的积分。

通过浏览器访问Google Flow 平台。进入后，可选择打开历史项目，或点击页面底部的按钮新建项目（New Project）。

进入项目工作区，展开页面底部的聊天框功能菜单。

完成设置后，在文本框中输入描述图像的提示词并发送。

系统将并发展示 4 张生成结果。相较于在普通版 Gemini 中逐张生成，该工作流大幅降低了等待时间。

Nano Banana 2 在生成时支持上传参考图片，以便更精准地控制视觉风格或角色的一致性。

经测试，在连续生成 40+ 张图像后，系统未出现拦截提示，且未扣除任何账户积分。这一配额已显著超出普通版 Gemini 的免费限制。

随着知道的人变多，Google 随时可能更新策略或者加上次数限制。

所以！看到这篇内容，赶紧先去试试！

🤖 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

🤖 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 →

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

简单通过 iOS 自带的快捷指令，建立一套量身定制的“主动触发”机制。比如从任何设备发送一条指定短信，即可获取设备实时定位及正面照片。

此方案无需第三方应用，完全基于系统自带功能。

在脚本中按序添加以下动作，以维持设备在线并降低窃贼警惕：

如果不设置，任何自动化都可能被绕过：

窃贼都知道下滑呼出控制中心来开启“飞行模式”。
操作：设置 > 面容 ID 与密码 > 锁定访问时允许：关闭“控制中心”。

这是 iOS 17.3+ 引入的核心安全层，即使非本人掌握了开屏密码，也无法立即更改 Apple ID 或关闭“查找”。
操作：设置 > 面容 ID 与密码 > 开启“被盗设备保护”。

在国内多为物理双卡的背景下，窃贼可以通过拔卡使设备断网，但为了不扩大损失，我们可以禁止其他设备使用。
操作：设置 > 蜂窝网络 > 选择主号 > SIM 卡 PIN 码。
开启后，SIM 卡插入任何新设备均需密码，能有效防止短信验证码登录。

第一次运行会弹出【定位】和【相机】的权限申请，请务必点击【始终允许】。
只有这样，以后在锁屏静默状态下，它才能全自动跑完流程。

Click to view this post.

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

看到在讨论遇到灾害时，纯文字或是低流量需求新闻网站的重要性：「During Helene, I Just Wanted a Plain Text Website (via)」，Hacker News 上有人给了「A List Of Text-Only & Minimalist News Sites (Updated 2025)」还蛮不错的。

只看官方有提供的部分，美国 CNN 的 lite.cnn.com 与 NPR 的 text.npr.org 算是很久前就知道的两个站，很久了而且是知名的新闻媒体提供的。

倒是加拿大 CBC 的 www.cbc.ca/lite 算是之前不知道，这次在列表里面看到。

汇总记录起来，感觉用的到…

这些站点通过剥离视频、追踪器和自适应广告，将网页加载体积从平均 5MB 压缩至 50KB 以内。这不仅是带宽的节省，更是对“深阅读”环境的重塑。

这一板块是本清单的精髓，适合对信息密度有极高要求的专业人士。

这是 2026 年保护隐私与节省流量的最佳方案。以下工具在今年被证明是稳定可靠的：

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

IPinfo 对全球 20 款主流匿名服务进行了大规模基准测试，结果令人震惊：17 款匿名服务的流量出口与其宣称的国家不符。绝大多数所谓的“全球覆盖”实际上是将流量路由至美国或欧洲的少数几个数据中心。如果你依赖匿名服务规避地理限制或寻求特定司法管辖区的保护，你的流量可能正暴露在你最想避开的地方。

“100+ 国家”的营销谎言
许多匿名服务提供商声称拥有遍布全球的服务器网络，但通过对 150,000+ 出口 IP 和 137 个国家 的交叉比对，事实并非如此：

下表展示了匿名服务提供商宣称的国家数量与实际测得的“虚拟/不可测”比例。
注：百分比越高，代表其宣称的“物理位置”含水量越大。

💡 专家注：Mullvad、IVPN 和 Windscribe 实现了 0% 的错位。这并不意味着它们覆盖最广，但意味着它们最诚实——所见即所得。

当你在匿名服务App 中点击“🇧🇸 巴哈马”时，你以为流量进入了加勒比海。实际上，流量可能从未离开过美国迈阿密。

运作机制：

为何要这么做？

现象：NordVPN, ExpressVPN, PIA 等 5 家提供商均提供“巴哈马”节点。
真相：所有流量实测均位于美国。
证据：从美国迈阿密发起的探测，RTT（往返时延）仅为 0.15ms – 0.42ms。
物理常识：光速不可能在 0.2ms 内完成跨海往返。这证明服务器就在探测点隔壁（迈阿密）。

现象：NordVPN 和 ProtonVPN 声称提供索马里摩加迪沙（Mogadishu）节点。
真相：实际位于法国和英国。
风险：用户可能为了特定的非洲地缘需求连接，却被路由到了欧洲监控体系下。

为什么很多 IP 查询工具也会显示错误位置？
因为传统数据库（Legacy IP Datasets）依赖**“自述数据”（Self-reported data）**。如果匿名服务服务商在 WHOIS 信息里填了“索马里”，由于没有主动验证机制，传统数据库就会盲目采信。

误差有多大？
IPinfo 将其实测数据与传统数据库对比：

可视化证据：
ProtonVPN 的某个 IP，传统数据库认为是 🇲🇺 毛里求斯，ProbeNet 实测是在 🇬🇧 英国（距离偏差 9691 公里）。

这为何是一个严重问题？
虽然虚拟定位在工程上有其合理性（如在缺乏基础设施的地区提供服务），但核心问题在于透明度。

✅ 最佳实践方案 (Actionable Advice)

本次调查采用了**“测量优先”（Measurement-first）**的工程方法，而非依赖文档。

注：本报告采取了保守统计，仅统计了明确的国家级错位。如果计入城市级错位，数据将更加惊人。

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

这篇文章将这 31 个技巧汇编成一份详尽的指南，按从“入门基础”到“高级模式”的逻辑重新组织，并补充了 280 个字符无法容纳的深度背景信息。

无论你是刚刚起步，还是希望利用 Claude Code 提升段位，这里都有适合你的内容。

在深入研究具体功能之前，首先要配置 Claude Code，让它真正理解你的项目。

每个新成员都需要入职文档。使用 /init，Claude 会为自己写一份。

Claude 会读取你的代码库并生成一个 CLAUDE.md 文件，包含：

这是我在任何新项目中运行的第一条命令。

对于大型项目，你还可以创建一个 .claude/rules/ 目录，用于存放模块化、特定主题的指令。该目录下的每个 .md 文件都会作为“项目记忆”与 CLAUDE.md 一起自动加载。你甚至可以使用 YAML frontmatter 基于文件路径有条件地应用规则：

可以把 CLAUDE.md 想象成你的项目总指南，而 .claude/rules/ 则是针对测试、安全性、API 设计等特定领域的专项补充。

想把某些东西存入 Claude 的记忆，又不想手动编辑 CLAUDE.md？

在过去，你需要用 # 开头来让 Claude 将内容追加到文件中。但从 Claude Code 2.0.70 版本开始，流程变得更简单了——你只需要直接告诉它去更新。

直接告诉 Claude 记住它：

“Update Claude.md: always use bun instead of npm in this project”
(更新 Claude.md：在这个项目中始终使用 bun 而不是 npm)

无需打断你的心流，继续编码即可。

@ 提及是将上下文传递给 Claude 的最快方式：

在 Git 仓库中，文件建议的速度提高了约 3 倍，并且支持模糊匹配。@ 是从“我需要上下文”到“Claude 已获取上下文”的最短路径。

这些是你会频繁使用的命令。请将它们刻入肌肉记忆。

不要浪费 token 去问“你能运行 git status 吗？”

只需输入 ! 加上你的 bash 命令：

! 前缀会立即执行 bash 命令并将输出注入到上下文中。没有模型处理延迟，不浪费 token，无需切换多个终端窗口。

这一看似微小的功能，当你每天使用五十次后，就会意识到它的巨大价值。

想尝试一种“如果我们这样做……”的方法，但又不想承担后果？

尽管去试。如果情况变得奇怪，按两次 Esc 键即可跳回到干净的检查点。

你可以回退对话、代码更改，或者两者都回退。需要注意的是：已运行的 Bash 命令无法撤销。

你过去的提示词（Prompts）都是可搜索的：

不要重打，要去回忆。 这对斜杠命令（slash commands）同样适用，体验无缝衔接。

这就好比 git stash，但是用于你的提示词。

Ctrl+S 保存你的草稿。先发送其他内容。当你准备好时，你的草稿会自动恢复。

再也不用复制到记事本，再也不用担心在对话中途打断思路。

Claude 可以预测你接下来要问什么。

完成一项任务后，有时你会看到一个灰色的后续建议出现：

Tab 键曾经用于自动补全代码。现在，它自动补全你的工作流。可以通过 /config 切换此功能。

Claude Code 是一个持久化的开发环境，根据你的工作流对其进行优化，将极大地提升效率。

不小心关掉了终端？电脑在任务中途没电了？没问题。

上下文得以保留，势头得以恢复。你的工作永远不会丢失。你还可以通过 cleanupPeriodDays 设置会话保留的时间。默认是 30 天，但你可以将其设置得更长，或者如果你不想保留会话，可以设为 0。

你的 Git 分支有名字，你的 Claude 会话也应该有。

/resume 界面会对分叉（forked）的会话进行分组，并支持快捷键：P 预览，R 重命名。

在网页上开始任务，在终端里完成它：

这会将云端会话拉取并恢复到本地。无论在家还是在路上，Claude 都在。这也适用于 iOS 和 Android 的 Claude 移动应用，以及 Claude 桌面应用。

有时你需要一份关于发生了什么的记录。

/export 将你的整个对话转储为 Markdown 格式：

非常适合用于文档编写、培训，或者向过去的自己证明：是的，你确实已经尝试过那种方法了。

这些功能旨在消除摩擦，帮助你更快地行动。

厌倦了伸手去拿鼠标来编辑提示词？

输入 /vim，解锁全功能的 Vim 风格编辑体验：

以思维的速度编辑提示词。你几十年的 Vim 肌肉记忆终于在 AI 工具中得到了回报。退出 Vim 模式也前所未有地简单，只需再次输入 /vim。

Claude Code 在终端底部有一个可自定义的状态栏。

/statusline 让你配置显示的内容：

一目了然的信息意味着更少的手动检查和中断。

想知道是什么吃掉了你的上下文窗口？

输入 /context 查看究竟是什么在消耗你的 token：

当你的上下文开始变满时，这就是你找出问题所在的方法。

输入 /stats 查看你的使用模式、最爱用的模型、连续使用天数 (Streaks) 等。

橙色是新的绿色 (Orange is the new green)。

“我快达到限额了吗？”

了解你的极限，然后超越它们。

控制 Claude 如何处理问题。

通过一个关键词按需触发扩展思考：

当你在提示词中包含 ultrathink 时，Claude 会在回答之前分配最多 32k token 用于内部推理。对于复杂的架构决策或棘手的调试会话，这往往决定了你得到的是肤浅的答案还是真正的洞察。

注：以前你可以指定 think, think harder, ultrathink 来分配不同数量的 token，但现在我们已将其简化为单一的思考预算。当配置了 MAX_THINKING_TOKENS 时，ultrathink 关键字将失效，配置项将优先控制所有请求的思考预算。

先驱散战争迷雾。

按两次 Shift+Tab 进入计划模式 (Plan Mode)。Claude 可以：

但在你批准计划之前，它不会编辑任何内容。三思而后行 (Think twice. Execute once.)。

我有 90% 的时间都默认处于计划模式。最新版本允许你在拒绝计划时提供反馈，使迭代更快。

直接使用 Claude API 时，你可以启用扩展思考来查看 Claude 的逐步推理：

Claude 在回答之前会在思考块 (thinking blocks) 中展示其推理过程。这对调试复杂逻辑或理解 Claude 的决策非常有用。

没有控制的力量只是混乱。这些功能让你设定边界。

/sandbox 让你一次性定义边界。Claude 在边界内自由工作。

你获得了速度，同时拥有真正的安全性。最新版本支持通配符语法，如 mcp__server__*，用于允许整个 MCP 服务器。

厌倦了 Claude Code 做什么都要请求许可？

这个标志对一切说 Yes。它的名字里带有“dangerously”（危险地）是有原因的——请明智地使用它，最好是在隔离环境或受信任的操作中。

Hooks 是在预定生命周期事件发生的 shell 命令：

通过 /hooks 或 .claude/settings.json 进行配置。

使用 Hooks 来阻止危险命令、发送通知、记录操作或与外部系统集成。这是对概率性 AI 的确定性控制。

Claude Code 的作用不止于交互式会话。

你可以将 Claude Code 用作脚本和自动化的强大 CLI 工具：

流水线中的 AI。-p 标志以非交互方式运行 Claude 并直接输出到标准输出 (stdout)。

将任何提示词保存为可复用的命令：

创建一个 Markdown 文件，它就变成了一个斜杠命令，并且可以接受参数：

不要重复自己。你最好的提示词值得被复用。

Claude Code 可以看到并与你的浏览器交互。

Claude 现在可以直接与 Chrome 交互：

“修复 Bug 并验证它能工作”现在只需一个提示词。从 claude.ai/chrome 安装 Chrome 扩展程序。

这是 Claude Code 真正强大的地方。

圣诞老人不会自己包装每一份礼物。他有精灵。

子代理 (Subagents) 就是 Claude 的精灵。每一个子代理：

像圣诞老人一样放权。子代理可以在后台运行，而你继续工作，它们拥有访问 MCP 工具的完全权限。

技能 (Skills) 是指导 Claude 完成特定任务的指令、脚本和资源的文件夹。

它们一次打包，随处可用。而且由于 Agent Skills 现在是一个开放标准，它们可以在任何支持该标准的工具中工作。

把技能看作是按需赋予 Claude 专业知识。无论是你公司特定的部署流程、测试方法论，还是文档标准。

还记得以前分享 Claude Code 设置意味着要跨 12 个目录发送 47 个文件吗？

那个时代结束了。

插件将命令、代理、技能、Hooks 和 MCP 服务器打包在一起。通过市场发现新的工作流，市场包含搜索过滤功能，便于发现。

LSP 支持赋予了 Claude IDE 级别的代码智能：

LSP 集成提供：

Claude Code 现在像你的 IDE 一样理解你的代码。

驱动 Claude Code 的代理循环、工具和上下文管理现在作为 SDK 提供。只需不到 10 行代码即可构建像 Claude Code 一样工作的代理：

这仅仅是个开始。

当我开始这个“倒数日历”时，我以为我只是在分享技巧。但回顾这 31 天，我看到了更多的东西：一种人机协作的哲学。

Claude Code 中最好的功能都是为了给你控制权。计划模式、代理技能、Hooks、沙盒边界、会话管理。这些是与 AI 协作的工具，而不是向它投降。

能从 Claude Code 中获得最大收益的开发者，不是那些输入“帮我做所有事”的人。而是那些学会了何时使用计划模式、如何构建提示词、何时调用深度思考 (Ultrathink)，以及如何设置 Hooks 在错误发生前捕获它们的人。

AI 是一个杠杆。这些功能帮助你找到正确的抓手。

致 2026 年。