脚本 #!/data/data/com.termux/files/usr/bin/bash set -euo pipefail readonly SCRIPT_NAME="$(basename "$0")" readonly MIMO_PACKAGE_NAME="@mimo-ai/cli" readonly MIMO_PACKAGE_VERSION="${MIMO_CODE_VERSION:-${MIMOCODE_VERSION:-latest}}" readonly PREFIX_DIR="${PREFIX:-/data/data/com.termux/files/usr}" readonly HOST_MIMO_PATH="$PREFIX_DIR/bin/mimo" readonly MIMO_CLI_PKG_DIR="$PREFIX_DIR/lib/node_modules/@mimo-ai/cli" readonly MIMO_ARCH_PKG_NAME="@mimo-ai/mimocode-linux-arm64" readonly MIMO_ARCH_PKG_DIR="$PREFIX_DIR/lib/node_modules/$MIMO_ARCH_PKG_NAME" readonly TMP_ROOT="$HOME/tmp" readonly BACKUP_DIR="$TMP_ROOT/mimocode-backups" readonly WRAPPER_MARKER="# mimocode-termux-glibc-wrapper" # Resolved by install_mimo_package() after locating the real glibc ELF. MIMO_BINARY_PATH="" MIMO_RESOLVED_VERSION="" readonly C_BOLD_BLUE="\033[1;34m" readonly C_BOLD_GREEN="\033[1;32m" readonly C_BOLD_YELLOW="\033[1;33m" readonly C_BOLD_RED="\033[1;31m" readonly C_RESET="\033[0m" info() { printf '%b[INFO]%b %s\n' "$C_BOLD_BLUE" "$C_RESET" "$*"; } success() { printf '%b[ OK ]%b %s\n' "$C_BOLD_GREEN" "$C_RESET" "$*"; } warn() { printf '%b[WARN]%b %s\n' "$C_BOLD_YELLOW" "$C_RESET" "$*" >&2; } die() { printf '%b[ERR ]%b %s\n' "$C_BOLD_RED" "$C_RESET" "$*" >&2; exit 1; } usage() { cat <<EOF Usage: bash $SCRIPT_NAME What it does (glibc-runner mode, no proot): 1. Installs glibc-repo, refreshes apt metadata, installs glibc-runner. 2. Installs nodejs-lts + npm in Termux (if missing). 3. npm installs ${MIMO_PACKAGE_NAME} globally, then force-installs the ${MIMO_ARCH_PKG_NAME} native linux-arm64 package. 4. Skips MiMoCode's postinstall script because Termux Node reports process.platform='android' and the upstream script looks for a non-existent @mimo-ai/mimocode-android-arm64 package. 5. Replaces \$PREFIX/bin/mimo with a grun wrapper that runs the glibc ELF directly on Termux. Environment overrides: MIMO_CODE_VERSION npm package version/tag, default: ${MIMO_PACKAGE_VERSION} examples: latest, preview, 0.1.0, v0.1.0 MIMOCODE_VERSION alias for MIMO_CODE_VERSION Notes: - Official MiMoCode install docs: https://github.com/XiaomiMiMo/MiMo-Code - glibc-runner injects glibc via LD_LIBRARY_PATH; kernel calls are native. EOF } command_exists() { command -v "$1" >/dev/null 2>&1; } # ELF magic = 7f 45 4c 46; e_machine at offset 18 = 0xb7 for EM_AARCH64. is_valid_aarch64_elf() { local f="$1" [ -f "$f" ] || return 1 local magic machine magic=$(od -An -tx1 -N4 "$f" 2>/dev/null | tr -d ' \n') [ "$magic" = "7f454c46" ] || return 1 machine=$(od -An -tx1 -j18 -N1 "$f" 2>/dev/null | tr -d ' \n') [ "$machine" = "b7" ] } find_arch_binary() { local candidate for candidate in \ "$MIMO_ARCH_PKG_DIR/bin/mimo" \ "$MIMO_CLI_PKG_DIR/bin/.mimocode"; do if is_valid_aarch64_elf "$candidate"; then MIMO_BINARY_PATH="$candidate" return 0 fi done while IFS= read -r candidate; do if is_valid_aarch64_elf "$candidate"; then MIMO_BINARY_PATH="$candidate" return 0 fi done < <(find "$MIMO_ARCH_PKG_DIR" "$MIMO_CLI_PKG_DIR" -type f -size +10M 2>/dev/null) return 1 } ensure_tmp_root() { mkdir -p "$TMP_ROOT" [ -w "$TMP_ROOT" ] || die "Temp directory is not writable: $TMP_ROOT" export TMPDIR="$TMP_ROOT" } require_termux() { [ -d "$PREFIX_DIR" ] || die "This script must run in Termux." command_exists pkg || die "pkg not found. This script must run in Termux." if [ -r /proc/1/status ] && grep -q 'TracerPid:.*[1-9]' /proc/1/status 2>/dev/null; then warn "Detected non-zero TracerPid on PID 1 -- looks like a proot session." warn "Run this script from a plain Termux shell, not from inside proot-distro." fi } ensure_termux_package() { local package_name="$1" if dpkg -s "$package_name" >/dev/null 2>&1; then success "Termux package already installed: $package_name" return 0 fi info "Installing Termux package: $package_name" pkg install -y "$package_name" success "Installed Termux package: $package_name" } ensure_glibc_runner() { ensure_termux_package "glibc-repo" if ! apt-cache show glibc-runner >/dev/null 2>&1; then info "Refreshing apt metadata so glibc-repo becomes visible" pkg update -y || apt-get update -y || true fi ensure_termux_package "glibc-runner" command_exists grun || die "grun not found after installing glibc-runner." } ensure_nodejs() { if command_exists node && command_exists npm; then success "Termux node present: $(node --version), npm $(npm --version)" return 0 fi if dpkg -s nodejs >/dev/null 2>&1; then success "nodejs already installed" else ensure_termux_package "nodejs-lts" fi command_exists node && command_exists npm || die "node/npm not found after installing nodejs." } resolve_mimo_version() { local requested="$MIMO_PACKAGE_VERSION" if [ "$requested" != "latest" ]; then requested="${requested#v}" fi local pkg_spec="$MIMO_PACKAGE_NAME" if [ "$requested" != "latest" ]; then pkg_spec="${MIMO_PACKAGE_NAME}@${requested}" fi info "Resolving version for ${pkg_spec}" local resolved resolved=$(npm view "$pkg_spec" version 2>/dev/null | tail -n1) \ || die "Failed to resolve version for ${pkg_spec} via npm view" [[ "$resolved" =~ ^[0-9]+\.[0-9]+ ]] \ || die "npm view returned a bogus version: '$resolved'" MIMO_RESOLVED_VERSION="$resolved" } backup_existing_launcher() { mkdir -p "$BACKUP_DIR" [ -e "$HOST_MIMO_PATH" ] || return 0 if grep -Fq "$WRAPPER_MARKER" "$HOST_MIMO_PATH" 2>/dev/null; then success "glibc-runner wrapper already in place" return 0 fi local backup_path="$BACKUP_DIR/mimo.host-backup.$(date +%Y%m%d_%H%M%S)" cp -P "$HOST_MIMO_PATH" "$backup_path" success "Backed up existing launcher to $backup_path" } install_mimo_package() { resolve_mimo_version local main_version="$MIMO_RESOLVED_VERSION" local pinned_main="${MIMO_PACKAGE_NAME}@${main_version}" local arch_spec="${MIMO_ARCH_PKG_NAME}@${main_version}" info "Installing ${pinned_main} without upstream optional platform packages" npm install -g --force --ignore-scripts --omit=optional "$pinned_main" info "Installing ${arch_spec} for Termux via glibc-runner" npm install -g --force --ignore-scripts --os=linux --cpu=arm64 "$arch_spec" find_arch_binary || die "No valid aarch64 ELF found under $MIMO_ARCH_PKG_DIR. \ The arch package may not have unpacked correctly; inspect with: \ ls -la $MIMO_ARCH_PKG_DIR" success "MiMoCode native binary: $MIMO_BINARY_PATH ($(stat -c %s "$MIMO_BINARY_PATH" 2>/dev/null || echo '?') bytes)" } install_host_wrapper() { local tmp_wrapper tmp_wrapper="$(mktemp "$TMP_ROOT/mimo-grun.XXXXXX")" cat >"$tmp_wrapper" <<EOF #!/data/data/com.termux/files/usr/bin/sh $WRAPPER_MARKER mkdir -p "\$HOME/tmp" 2>/dev/null || true export TMPDIR="\${TMPDIR:-\$HOME/tmp}" exec grun "$MIMO_BINARY_PATH" "\$@" EOF chmod 755 "$tmp_wrapper" rm -f "$HOST_MIMO_PATH" mv "$tmp_wrapper" "$HOST_MIMO_PATH" chmod 755 "$HOST_MIMO_PATH" success "Installed Termux launcher: $HOST_MIMO_PATH" } verify_install() { info "Verifying binary via grun" grun "$MIMO_BINARY_PATH" --version info "Verifying Termux launcher" "$HOST_MIMO_PATH" --version local path_mimo="" path_mimo="$(command -v mimo 2>/dev/null || true)" if [ -n "$path_mimo" ] && [ "$path_mimo" != "$HOST_MIMO_PATH" ]; then warn "Your PATH resolves 'mimo' to $path_mimo, not $HOST_MIMO_PATH." warn "Move $PREFIX_DIR/bin earlier in PATH or remove the older launcher." fi success "MiMoCode setup completed (glibc-runner mode)" } main() { if [ "${1:-}" = "-h" ] || [ "${1:-}" = "--help" ]; then usage exit 0 fi ensure_tmp_root require_termux ensure_glibc_runner ensure_nodejs backup_existing_launcher install_mimo_package install_host_wrapper verify_install cat <<EOF Run MiMoCode with: mimo Configuration: mode: glibc-runner (no proot) binary: $MIMO_BINARY_PATH launcher: $HOST_MIMO_PATH temp: $TMP_ROOT If the official installer previously added ~/.mimocode/bin before $PREFIX_DIR/bin, that older launcher may shadow this Termux wrapper. Troubleshooting: - If npm cannot resolve a preview version, install with: MIMO_CODE_VERSION=preview bash $SCRIPT_NAME - If subprocess errors mention libc/ld.so, the binary is loading Termux bionic libs via inherited LD_LIBRARY_PATH. Check glibc-runner docs. EOF } main "$@" 1 个帖子 - 1 位参与者 阅读完整话题
背景 uv提供了 uv pip install --torch_backend auto ... 的功能自动选择GPU后端，但默认使用pytorch.org下载，且无法修改base。 现从uv代码将这部分拆分修改后，使用阿里云镜像下载，能显著提高部分地区下载速度。 功能和用法 Usage: uv-torch-mirror.exe <BACKEND> <PACKAGES_AND_ARGS>... Arguments: <BACKEND> Backend to use, for example: auto, cpu, cu130, xpu, rocm7.2 <PACKAGES_AND_ARGS>... Arguments forwarded verbatim to `uv pip install` Options: -h, --help Print help Examples: uv-torch-mirror.exe torch==2.10 torchvision 要求环境中安装有uv并在Path中，程序没有携带uv，仅850k。 运行逻辑与uv 0.11.8版本的torch-backend一致。 如果阿里云镜像中不包含指定的版本，将自动降级到默认PyPI路径。 链接 https://flt.lanzouv.com/ihPPA3rkugyb 注意 由于阿里云镜像没有提供符合PEP 714/PEP 658的meta文件，同时range读取文件很慢，运行时在 ⠼ torch==2.9.0+cu129 阶段可能会卡1~2min。 1 个帖子 - 1 位参与者 阅读完整话题
量化机构花百万买的毫秒级行情通道，散户连一根日线都得手动截图。 我不想抱怨这事，我直接造了个开源工具把墙拆了。 easy-tdx：免费、无注册、无 API Key 的行情数据源 GitHub: https://github.com/handsomejustin/easy-tdx 一行命令装上，30 秒后你屏幕上的数据和机构看到的是同一份。 pip install easy-tdx 它能干嘛？ 拉数据：A 股、港股、美股、期货 —— K 线、实时报价、分时明细、逐笔成交、资金流向、板块轮动，毫秒级返回。 # 茅台日 K 线 easy-tdx kline SH 600519 --count 30 --table # 港股腾讯 easy-tdx ex kline HK_MAIN_BOARD 00700 --count 30 --table # 美股苹果 easy-tdx ex kline US_STOCK AAPL --table # 全 A 股按涨幅排序 easy-tdx quote-list A --count 20 --table 算指标：32 个技术指标开箱即用 —— MACD 、KDJ 、RSI 、BOLL 、DMI 、ATR 、WR 、CCI 、BIAS……连"捉妖大师"和"30 日乖离率信号"都给你算好了。 easy-tdx indicator MACD,KDJ,RSI,BOLL -m SH -c 600519 --count 20 --table 缠论分析：K 线合并→分型→笔→中枢→线段→买卖点→背驰，一键出结果。 easy-tdx chanlun SZ 000001 --table 为什么说它是 AI Agent 的天然弹药？ 所有命令默认输出 JSON 。Python API 返回 DataFrame 。你的 Agent 不需要解析网页、不需要处理乱码、不需要折腾 API 鉴权。 from easy_tdx import MacClient, Market with MacClient.from_best_host() as c: # K 线 + 4 个指标一步到位 df = c.get_stock_kline_with_indicators( Market.SH , "600519", indicators=["MACD", "KDJ", "RSI", "BOLL"], count=30, ) # df 直接丢给 LLM 分析，或者喂给 Agent 做决策 # 缠论分析 from easy_tdx.chanlun import ChanlunAnalyser analyser = ChanlunAnalyser("SH600519", "DAILY") result = analyser.process_klines(df) print(result.to_dict()) # JSON 兼容，直接进 Agent pipeline 事实是：Claude Code 、OpenClaw 、Hermes……任何能调 Python 的 Agent 都能直接吃这个数据。 你不需要懂 TCP 协议。你不需要写量化框架。你不需要给任何平台付一分钱。 还有什么？ - 离线读取： 本地装了通达信？直接读 .day 文件，断网也能用 - 数据同步： 一行命令把全市场日线同步到本地 easy-tdx offline sync-all - 自动选服务器：from_best_host() 自动 ping 最快的通达信服务器 - 同步 + 异步：MacClient 和 AsyncMacClient 随你选 - MIT 协议： 随便用，随便改，随便分发 最后说两句 金融数据的获取门槛，从来不该是散户亏钱的理由。 当量化基金用程序化交易像割草一样收割市场时，普通人至少应该有权利拿一样的武器。 这不是一个帮你"赚钱"的工具。这是让你不再裸奔的工具。 如果觉得有用，来 GitHub 给个 ⭐ star 支持一下，让更多人看到： https://github.com/handsomejustin/easy-tdx MIT 全开源，代码干净，ruff + mypy strict ，PR welcome 。
量化机构花百万买的毫秒级行情通道，散户连一根日线都得手动截图。 我不想抱怨这事，我直接造了个开源工具把墙拆了。 easy-tdx：免费、无注册、无 API Key 的行情数据源 GitHub: https://github.com/handsomejustin/easy-tdx 一行命令装上，30 秒后你屏幕上的数据和机构看到的是同一份。 pip install easy-tdx 它能干嘛？ 拉数据：A 股、港股、美股、期货 —— K 线、实时报价、分时明细、逐笔成交、资金流向、板块轮动，毫秒级返回。 # 茅台日 K 线 easy-tdx kline SH 600519 --count 30 --table # 港股腾讯 easy-tdx ex kline HK_MAIN_BOARD 00700 --count 30 --table # 美股苹果 easy-tdx ex kline US_STOCK AAPL --table # 全 A 股按涨幅排序 easy-tdx quote-list A --count 20 --table 算指标：32 个技术指标开箱即用 —— MACD 、KDJ 、RSI 、BOLL 、DMI 、ATR 、WR 、CCI 、BIAS……连"捉妖大师"和"30 日乖离率信号"都给你算好了。 easy-tdx indicator MACD,KDJ,RSI,BOLL -m SH -c 600519 --count 20 --table 缠论分析：K 线合并→分型→笔→中枢→线段→买卖点→背驰，一键出结果。 easy-tdx chanlun SZ 000001 --table 为什么说它是 AI Agent 的天然弹药？ 所有命令默认输出 JSON 。Python API 返回 DataFrame 。你的 Agent 不需要解析网页、不需要处理乱码、不需要折腾 API 鉴权。 from easy_tdx import MacClient, Market with MacClient.from_best_host() as c: # K 线 + 4 个指标一步到位 df = c.get_stock_kline_with_indicators( Market.SH , "600519", indicators=["MACD", "KDJ", "RSI", "BOLL"], count=30, ) # df 直接丢给 LLM 分析，或者喂给 Agent 做决策 # 缠论分析 from easy_tdx.chanlun import ChanlunAnalyser analyser = ChanlunAnalyser("SH600519", "DAILY") result = analyser.process_klines(df) print(result.to_dict()) # JSON 兼容，直接进 Agent pipeline 事实是：Claude Code 、OpenClaw 、Hermes……任何能调 Python 的 Agent 都能直接吃这个数据。 你不需要懂 TCP 协议。你不需要写量化框架。你不需要给任何平台付一分钱。 还有什么？ - 离线读取： 本地装了通达信？直接读 .day 文件，断网也能用 - 数据同步： 一行命令把全市场日线同步到本地 easy-tdx offline sync-all - 自动选服务器：from_best_host() 自动 ping 最快的通达信服务器 - 同步 + 异步：MacClient 和 AsyncMacClient 随你选 - MIT 协议： 随便用，随便改，随便分发 最后说两句 金融数据的获取门槛，从来不该是散户亏钱的理由。 当量化基金用程序化交易像割草一样收割市场时，普通人至少应该有权利拿一样的武器。 这不是一个帮你"赚钱"的工具。这是让你不再裸奔的工具。 如果觉得有用，来 GitHub 给个 ⭐ star 支持一下，让更多人看到： https://github.com/handsomejustin/easy-tdx MIT 全开源，代码干净，ruff + mypy strict ，PR welcome 。
量化机构花百万买的毫秒级行情通道，散户连一根日线都得手动截图。 我不想抱怨这事，我直接造了个开源工具把墙拆了。 easy-tdx：免费、无注册、无 API Key 的行情数据源 GitHub: https://github.com/handsomejustin/easy-tdx 一行命令装上，30 秒后你屏幕上的数据和机构看到的是同一份。 pip install easy-tdx 它能干嘛？ 拉数据：A 股、港股、美股、期货 —— K 线、实时报价、分时明细、逐笔成交、资金流向、板块轮动，毫秒级返回。 # 茅台日 K 线 easy-tdx kline SH 600519 --count 30 --table # 港股腾讯 easy-tdx ex kline HK_MAIN_BOARD 00700 --count 30 --table # 美股苹果 easy-tdx ex kline US_STOCK AAPL --table # 全 A 股按涨幅排序 easy-tdx quote-list A --count 20 --table 算指标：32 个技术指标开箱即用 —— MACD 、KDJ 、RSI 、BOLL 、DMI 、ATR 、WR 、CCI 、BIAS……连"捉妖大师"和"30 日乖离率信号"都给你算好了。 easy-tdx indicator MACD,KDJ,RSI,BOLL -m SH -c 600519 --count 20 --table 缠论分析：K 线合并→分型→笔→中枢→线段→买卖点→背驰，一键出结果。 easy-tdx chanlun SZ 000001 --table 为什么说它是 AI Agent 的天然弹药？ 所有命令默认输出 JSON 。Python API 返回 DataFrame 。你的 Agent 不需要解析网页、不需要处理乱码、不需要折腾 API 鉴权。 from easy_tdx import MacClient, Market with MacClient.from_best_host() as c: # K 线 + 4 个指标一步到位 df = c.get_stock_kline_with_indicators( Market.SH , "600519", indicators=["MACD", "KDJ", "RSI", "BOLL"], count=30, ) # df 直接丢给 LLM 分析，或者喂给 Agent 做决策 # 缠论分析 from easy_tdx.chanlun import ChanlunAnalyser analyser = ChanlunAnalyser("SH600519", "DAILY") result = analyser.process_klines(df) print(result.to_dict()) # JSON 兼容，直接进 Agent pipeline 事实是：Claude Code 、OpenClaw 、Hermes……任何能调 Python 的 Agent 都能直接吃这个数据。 你不需要懂 TCP 协议。你不需要写量化框架。你不需要给任何平台付一分钱。 还有什么？ - 离线读取： 本地装了通达信？直接读 .day 文件，断网也能用 - 数据同步： 一行命令把全市场日线同步到本地 easy-tdx offline sync-all - 自动选服务器：from_best_host() 自动 ping 最快的通达信服务器 - 同步 + 异步：MacClient 和 AsyncMacClient 随你选 - MIT 协议： 随便用，随便改，随便分发 最后说两句 金融数据的获取门槛，从来不该是散户亏钱的理由。 当量化基金用程序化交易像割草一样收割市场时，普通人至少应该有权利拿一样的武器。 这不是一个帮你"赚钱"的工具。这是让你不再裸奔的工具。 如果觉得有用，来 GitHub 给个 ⭐ star 支持一下，让更多人看到： https://github.com/handsomejustin/easy-tdx MIT 全开源，代码干净，ruff + mypy strict ，PR welcome 。
量化机构花百万买的毫秒级行情通道，散户连一根日线都得手动截图。 我不想抱怨这事，我直接造了个开源工具把墙拆了。 easy-tdx：免费、无注册、无 API Key 的行情数据源 GitHub: https://github.com/handsomejustin/easy-tdx 一行命令装上，30 秒后你屏幕上的数据和机构看到的是同一份。 pip install easy-tdx 它能干嘛？ 拉数据：A 股、港股、美股、期货 —— K 线、实时报价、分时明细、逐笔成交、资金流向、板块轮动，毫秒级返回。 # 茅台日 K 线 easy-tdx kline SH 600519 --count 30 --table # 港股腾讯 easy-tdx ex kline HK_MAIN_BOARD 00700 --count 30 --table # 美股苹果 easy-tdx ex kline US_STOCK AAPL --table # 全 A 股按涨幅排序 easy-tdx quote-list A --count 20 --table 算指标：32 个技术指标开箱即用 —— MACD 、KDJ 、RSI 、BOLL 、DMI 、ATR 、WR 、CCI 、BIAS……连"捉妖大师"和"30 日乖离率信号"都给你算好了。 easy-tdx indicator MACD,KDJ,RSI,BOLL -m SH -c 600519 --count 20 --table 缠论分析：K 线合并→分型→笔→中枢→线段→买卖点→背驰，一键出结果。 easy-tdx chanlun SZ 000001 --table 为什么说它是 AI Agent 的天然弹药？ 所有命令默认输出 JSON 。Python API 返回 DataFrame 。你的 Agent 不需要解析网页、不需要处理乱码、不需要折腾 API 鉴权。 from easy_tdx import MacClient, Market with MacClient.from_best_host() as c: # K 线 + 4 个指标一步到位 df = c.get_stock_kline_with_indicators( Market.SH , "600519", indicators=["MACD", "KDJ", "RSI", "BOLL"], count=30, ) # df 直接丢给 LLM 分析，或者喂给 Agent 做决策 # 缠论分析 from easy_tdx.chanlun import ChanlunAnalyser analyser = ChanlunAnalyser("SH600519", "DAILY") result = analyser.process_klines(df) print(result.to_dict()) # JSON 兼容，直接进 Agent pipeline 事实是：Claude Code 、OpenClaw 、Hermes……任何能调 Python 的 Agent 都能直接吃这个数据。 你不需要懂 TCP 协议。你不需要写量化框架。你不需要给任何平台付一分钱。 还有什么？ - 离线读取： 本地装了通达信？直接读 .day 文件，断网也能用 - 数据同步： 一行命令把全市场日线同步到本地 easy-tdx offline sync-all - 自动选服务器：from_best_host() 自动 ping 最快的通达信服务器 - 同步 + 异步：MacClient 和 AsyncMacClient 随你选 - MIT 协议： 随便用，随便改，随便分发 最后说两句 金融数据的获取门槛，从来不该是散户亏钱的理由。 当量化基金用程序化交易像割草一样收割市场时，普通人至少应该有权利拿一样的武器。 这不是一个帮你"赚钱"的工具。这是让你不再裸奔的工具。 如果觉得有用，来 GitHub 给个 ⭐ star 支持一下，让更多人看到： https://github.com/handsomejustin/easy-tdx MIT 全开源，代码干净，ruff + mypy strict ，PR welcome 。
量化机构花百万买的毫秒级行情通道，散户连一根日线都得手动截图。 我不想抱怨这事，我直接造了个开源工具把墙拆了。 easy-tdx：免费、无注册、无 API Key 的行情数据源 GitHub: https://github.com/handsomejustin/easy-tdx 一行命令装上，30 秒后你屏幕上的数据和机构看到的是同一份。 pip install easy-tdx 它能干嘛？ 拉数据：A 股、港股、美股、期货 —— K 线、实时报价、分时明细、逐笔成交、资金流向、板块轮动，毫秒级返回。 # 茅台日 K 线 easy-tdx kline SH 600519 --count 30 --table # 港股腾讯 easy-tdx ex kline HK_MAIN_BOARD 00700 --count 30 --table # 美股苹果 easy-tdx ex kline US_STOCK AAPL --table # 全 A 股按涨幅排序 easy-tdx quote-list A --count 20 --table 算指标：32 个技术指标开箱即用 —— MACD 、KDJ 、RSI 、BOLL 、DMI 、ATR 、WR 、CCI 、BIAS……连"捉妖大师"和"30 日乖离率信号"都给你算好了。 easy-tdx indicator MACD,KDJ,RSI,BOLL -m SH -c 600519 --count 20 --table 缠论分析：K 线合并→分型→笔→中枢→线段→买卖点→背驰，一键出结果。 easy-tdx chanlun SZ 000001 --table 为什么说它是 AI Agent 的天然弹药？ 所有命令默认输出 JSON 。Python API 返回 DataFrame 。你的 Agent 不需要解析网页、不需要处理乱码、不需要折腾 API 鉴权。 from easy_tdx import MacClient, Market with MacClient.from_best_host() as c: # K 线 + 4 个指标一步到位 df = c.get_stock_kline_with_indicators( Market.SH , "600519", indicators=["MACD", "KDJ", "RSI", "BOLL"], count=30, ) # df 直接丢给 LLM 分析，或者喂给 Agent 做决策 # 缠论分析 from easy_tdx.chanlun import ChanlunAnalyser analyser = ChanlunAnalyser("SH600519", "DAILY") result = analyser.process_klines(df) print(result.to_dict()) # JSON 兼容，直接进 Agent pipeline 事实是：Claude Code 、OpenClaw 、Hermes……任何能调 Python 的 Agent 都能直接吃这个数据。 你不需要懂 TCP 协议。你不需要写量化框架。你不需要给任何平台付一分钱。 还有什么？ - 离线读取： 本地装了通达信？直接读 .day 文件，断网也能用 - 数据同步： 一行命令把全市场日线同步到本地 easy-tdx offline sync-all - 自动选服务器：from_best_host() 自动 ping 最快的通达信服务器 - 同步 + 异步：MacClient 和 AsyncMacClient 随你选 - MIT 协议： 随便用，随便改，随便分发 最后说两句 金融数据的获取门槛，从来不该是散户亏钱的理由。 当量化基金用程序化交易像割草一样收割市场时，普通人至少应该有权利拿一样的武器。 这不是一个帮你"赚钱"的工具。这是让你不再裸奔的工具。 如果觉得有用，来 GitHub 给个 ⭐ star 支持一下，让更多人看到： https://github.com/handsomejustin/easy-tdx MIT 全开源，代码干净，ruff + mypy strict ，PR welcome 。
量化机构花百万买的毫秒级行情通道，散户连一根日线都得手动截图。 我不想抱怨这事，我直接造了个开源工具把墙拆了。 easy-tdx：免费、无注册、无 API Key 的行情数据源 GitHub: https://github.com/handsomejustin/easy-tdx 一行命令装上，30 秒后你屏幕上的数据和机构看到的是同一份。 pip install easy-tdx 它能干嘛？ 拉数据：A 股、港股、美股、期货 —— K 线、实时报价、分时明细、逐笔成交、资金流向、板块轮动，毫秒级返回。 # 茅台日 K 线 easy-tdx kline SH 600519 --count 30 --table # 港股腾讯 easy-tdx ex kline HK_MAIN_BOARD 00700 --count 30 --table # 美股苹果 easy-tdx ex kline US_STOCK AAPL --table # 全 A 股按涨幅排序 easy-tdx quote-list A --count 20 --table 算指标：32 个技术指标开箱即用 —— MACD 、KDJ 、RSI 、BOLL 、DMI 、ATR 、WR 、CCI 、BIAS……连"捉妖大师"和"30 日乖离率信号"都给你算好了。 easy-tdx indicator MACD,KDJ,RSI,BOLL -m SH -c 600519 --count 20 --table 缠论分析：K 线合并→分型→笔→中枢→线段→买卖点→背驰，一键出结果。 easy-tdx chanlun SZ 000001 --table 为什么说它是 AI Agent 的天然弹药？ 所有命令默认输出 JSON 。Python API 返回 DataFrame 。你的 Agent 不需要解析网页、不需要处理乱码、不需要折腾 API 鉴权。 from easy_tdx import MacClient, Market with MacClient.from_best_host() as c: # K 线 + 4 个指标一步到位 df = c.get_stock_kline_with_indicators( Market.SH , "600519", indicators=["MACD", "KDJ", "RSI", "BOLL"], count=30, ) # df 直接丢给 LLM 分析，或者喂给 Agent 做决策 # 缠论分析 from easy_tdx.chanlun import ChanlunAnalyser analyser = ChanlunAnalyser("SH600519", "DAILY") result = analyser.process_klines(df) print(result.to_dict()) # JSON 兼容，直接进 Agent pipeline 事实是：Claude Code 、OpenClaw 、Hermes……任何能调 Python 的 Agent 都能直接吃这个数据。 你不需要懂 TCP 协议。你不需要写量化框架。你不需要给任何平台付一分钱。 还有什么？ - 离线读取： 本地装了通达信？直接读 .day 文件，断网也能用 - 数据同步： 一行命令把全市场日线同步到本地 easy-tdx offline sync-all - 自动选服务器：from_best_host() 自动 ping 最快的通达信服务器 - 同步 + 异步：MacClient 和 AsyncMacClient 随你选 - MIT 协议： 随便用，随便改，随便分发 最后说两句 金融数据的获取门槛，从来不该是散户亏钱的理由。 当量化基金用程序化交易像割草一样收割市场时，普通人至少应该有权利拿一样的武器。 这不是一个帮你"赚钱"的工具。这是让你不再裸奔的工具。 如果觉得有用，来 GitHub 给个 ⭐ star 支持一下，让更多人看到： https://github.com/handsomejustin/easy-tdx MIT 全开源，代码干净，ruff + mypy strict ，PR welcome 。
https://github.com/pipipi-pikachu/PPTist/issues/434 https://github.com/pipipi-pikachu/PPTist/issues/436 https://github.com/pipipi-pikachu/PPTist/issues/433 https://github.com/pipipi-pikachu/PPTist/issues/431 https://github.com/pipipi-pikachu/PPTist/issues/441 拉倒最底下看 简单来说就是，短时间内，一大波账号跑到我仓库 issues 里面留言说 star 是刷的等等（留言内容不知道哪里复制来的），例如下面这种： 朋友跟我说发现了一个不错的开源方案让我看看，一开始还挺有兴趣。然后我点开了 Stargazer 列表—— 你们这么搞，对得起那些真心点星的人吗？ 简单看了一下数据：抽样 53 个账号中 64 个无公开仓库。这些账号的共同特征是：用户名像是随机字符串，个人主页空空如也。 造假就是造假，不管理由多么冠冕堂皇。 我的要求很简单： 把钱省下来请人帮忙写测试 坦诚面对问题 用实际行动证明项目的价值 希望下次看到这个项目出现在 Trending 上的时候，是因为真正的实力。 然后我在 Github 搜索了一下“然后我点开了 Stargazer 列表”（ Filter by issues ），发现从 4 月开始就有很多刷这种评论的 我很好奇，这是种什么群体.....目的是啥？准备敲诈勒索（类似电话轰炸）？ 有人遇到过类似的吗？ 我打算 Github 工单反馈一下，不知道有用没....
https://github.com/pipipi-pikachu/PPTist/issues/434 https://github.com/pipipi-pikachu/PPTist/issues/436 https://github.com/pipipi-pikachu/PPTist/issues/433 https://github.com/pipipi-pikachu/PPTist/issues/431 https://github.com/pipipi-pikachu/PPTist/issues/441 拉倒最底下看 简单来说就是，短时间内，一大波账号跑到我仓库 issues 里面留言说 star 是刷的等等（留言内容不知道哪里复制来的），例如下面这种： 朋友跟我说发现了一个不错的开源方案让我看看，一开始还挺有兴趣。然后我点开了 Stargazer 列表—— 你们这么搞，对得起那些真心点星的人吗？ 简单看了一下数据：抽样 53 个账号中 64 个无公开仓库。这些账号的共同特征是：用户名像是随机字符串，个人主页空空如也。 造假就是造假，不管理由多么冠冕堂皇。 我的要求很简单： 把钱省下来请人帮忙写测试 坦诚面对问题 用实际行动证明项目的价值 希望下次看到这个项目出现在 Trending 上的时候，是因为真正的实力。 然后我在 Github 搜索了一下“然后我点开了 Stargazer 列表”（ Filter by issues ），发现从 4 月开始就有很多刷这种评论的 我很好奇，这是种什么群体.....目的是啥？准备敲诈勒索（类似电话轰炸）？ 有人遇到过类似的吗？ 我打算 Github 工单反馈一下，不知道有用没....
https://github.com/pipipi-pikachu/PPTist/issues/434 https://github.com/pipipi-pikachu/PPTist/issues/436 https://github.com/pipipi-pikachu/PPTist/issues/433 https://github.com/pipipi-pikachu/PPTist/issues/431 https://github.com/pipipi-pikachu/PPTist/issues/441 拉倒最底下看 简单来说就是，短时间内，一大波账号跑到我仓库 issues 里面留言说 star 是刷的等等（留言内容不知道哪里复制来的），例如下面这种： 朋友跟我说发现了一个不错的开源方案让我看看，一开始还挺有兴趣。然后我点开了 Stargazer 列表—— 你们这么搞，对得起那些真心点星的人吗？ 简单看了一下数据：抽样 53 个账号中 64 个无公开仓库。这些账号的共同特征是：用户名像是随机字符串，个人主页空空如也。 造假就是造假，不管理由多么冠冕堂皇。 我的要求很简单： 把钱省下来请人帮忙写测试 坦诚面对问题 用实际行动证明项目的价值 希望下次看到这个项目出现在 Trending 上的时候，是因为真正的实力。 然后我在 Github 搜索了一下“然后我点开了 Stargazer 列表”（ Filter by issues ），发现从 4 月开始就有很多刷这种评论的 我很好奇，这是种什么群体.....目的是啥？准备敲诈勒索（类似电话轰炸）？ 有人遇到过类似的吗？ 我打算 Github 工单反馈一下，不知道有用没....
之前安装了一个扩展 dualpip,最近更新发现支持实时展示字幕和翻译了。 我发现作者 发到了推广区 https://v2ex.com/t/1217309 我决定帮他一把，让更多朋友们可以看见~
之前安装了一个扩展 dualpip,最近更新发现支持实时展示字幕和翻译了。 我发现作者 发到了推广区 https://v2ex.com/t/1217309 我决定帮他一把，让更多朋友们可以看见~
很多时候想看的视频没有字幕：直播回放、没人翻译的网课、国外新闻直播、番剧。之前只能靠听。 DualPiP 最近 v1.7 更新加了 ASR（自动语音识别）实时字幕功能。 原理 通过浏览器的音频捕获 API 获取视频音频流，发送到 Deepgram 云端通过 WebSocket 实时转写。也支持本地部署的 Whisper 服务器。预加载模式无延迟，实时字幕延迟大约 300ms。 Deepgram 为新注册用户提供 $200 免费额度 ，注册全程无需绑定任何支付方式。按 nova-3 模型 $0.007/分钟计算，$200 额度足够转录约 476 小时音频 ——相当于看 238 部 2 小时电影 适用场景 直播没字幕 ：YouTube/Twitch 直播大多没有实时字幕，DualPiP 可以实时生成 网课录像 ：大学网课很多没有字幕，开了 ASR 就有了 看生肉番 ：为没有字幕的番剧，自动生成字幕， 学外语 ：ASR 生成的字幕可以直接走 AI 翻译生成双语字幕，看英语直播时显示英文+中文字幕 ASR 实时流和预下载批量模式有什么区别？ DualPiP ASR 提供两种音频捕获和识别模式，适应不同的观看场景： 实时流模式（WebSocket Streaming） 音频通过 WebSocket 实时发送到 Deepgram 服务器，字幕延迟低于 300ms，几乎和说话同步。Deepgram 的 Interim Results 功能还会在最终结果出来前提供临时识别结果，让字幕出现得更快。适合直播、视频会议、实时内容等需要即时反馈的场景。 预下载批量模式（Pre-download + HTTP Batch） DualPiP 先将视频音频预下载并按时间段分割，然后通过 HTTP 请求批量发送到 ASR 服务进行离线识别。适合已发布的视频内容——可以在观看前提前生成完整字幕，播放时完全无延迟。预下载模式同时支持 Deepgram 云端和本地 Whisper 后端。 对比 实时流模式 预下载批量模式 延迟 < 300ms 预下载完成后零延迟 适合场景 直播、实时内容、会议 已发布的视频、需要完整字幕 支持后端 Deepgram（WebSocket） Deepgram + 本地 Whisper 字幕完整性 实时生成，偶有遗漏 完整覆盖全部音频内容 如何用 ASR 字幕配合 AI 翻译生成实时双语字幕？ DualPiP 的 ASR 和AI 翻译可以配合使用，为任何语言的在线视频实时生成双语字幕。这解决了一个传统字幕无法覆盖的场景： 视频没有原生字幕，但你需要看双语字幕学外语 。 ASR + AI 翻译的工作流程 ASR 实时识别原文 ：Deepgram 将视频音频转录为原语言文字字幕 AI 大模型实时翻译 ：DualPiP 的 AI 翻译引擎将 ASR 生成的字幕翻译为目标语言 双语字幕同时显示 ：原文和译文以双语字幕的形式叠加在视频上方 为什么 ASR 字幕翻译强烈推荐使用 AI 大模型？ ASR 生成的字幕与传统字幕文件不同——ASR 字幕是实时识别的语音转录，可能存在断句不完整、口语化表达多、专有名词无上下文等问题。 AI 大模型翻译（DeepSeek、GPT、Claude 等）在翻译 ASR 字幕时显著优于传统机翻（Google、Microsoft） ，原因在于： 对比维度 传统机翻（Google/Microsoft） AI 大模型翻译（DeepSeek/GPT/Claude） 上下文理解 逐句翻译，无前后文信息 DualPiP 发送最近 N 条字幕作为上下文历史 口语化处理 直译口语，生硬不通顺 理解口语语境，翻译自然流畅 断句补全 ASR 断句不完整时翻译错乱 能结合上下文补全语义，正确翻译 专有名词 频繁翻错人名、术语 结合 DualPiP 的影片信息增强识别 语气还原 机械直译 保留说话者语气和表达风格 DualPiP 的 AI 翻译引擎使用 滑动窗口上下文 机制：每次翻译 ASR 字幕时，会将前面已翻译的字幕作为对话历史一起发送给 AI，让翻译结果前后一致、上下文连贯。这在 ASR 场景下尤其重要——因为语音识别的断句和传统字幕不同，AI 需要结合前文才能正确理解当前句子的含义。 适合的使用场景 场景 说明 看无字幕外语视频学语言 ASR 识别原文 + AI 翻译为母语，双语对照学习 看直播或实时内容 直播没有预制字幕，ASR 实时生成 + AI 实时翻译 学术讲座和在线课程 部分课程无字幕或仅有英文字幕，ASR + AI 生成中文翻译 播客和访谈节目 纯音频内容通过 ASR 可视化为文字，再翻译为目标语言 DualPiP 支持30+ AI 翻译服务商，用户可以根据翻译质量和费用自由选择。推荐使用 DeepSeek V4 Flash （性价比高，翻译一部电影约 ¥0.2-0.5）。 哪些视频网站可以用 DualPiP ASR 自动生成字幕？ DualPiP ASR 基于浏览器的 Audio Capture API 捕获音频， 理论上可以为任何在 Chrome 中播放的视频自动生成字幕 。 对于没有原生字幕的视频（如很多直播内容、小众平台视频、用户上传的无字幕视频），ASR 是获取字幕的唯一途径。 常见问题 Q：ASR 实时语音识别的准确率怎么样？ Deepgram nova-3 模型在英语上的词错误率（WER）低于 8%，是 2026 年最准确的实时语音识别模型之一。中文、日语等语言的识别准确率同样出色。识别效果受音频质量、说话人口音和背景噪音影响，纯语音内容的识别效果最佳。 Q：ASR 是 DualPiP 的免费功能还是 PRO 功能？ DualPiP 基础功能免费，AI 翻译和 ASR 需要登录后开通 PRO后使用。 ASR 实时字幕是 PRO 功能。DualPiP 的 YouTube 网页内双语字幕和基础画中画播放器免费使用，ASR、 AI 翻译等高级功能需要 购买PRO。首次注册免费开通 7 天 PRO Q：能识别视频中的多种语言混合吗？ Deepgram 的 Multilingual 模式支持在同一段音频中自动检测和切换语言，适合多语言混合的访谈、播客和教学内容。本地 Whisper 后端也支持语言自动检测，但切换精度低于 Deepgram。 下载 Chrome Web Store: https://chromewebstore.google.com/detail/dualpip/ddkmobcljbfggkmibabekgpbighaogpn 1 个帖子 - 1 位参与者 阅读完整话题
很多时候想看的视频没有字幕：直播回放、没人翻译的网课、国外新闻直播、番剧。之前只能靠听。 DualPiP 最近 v1.7 更新加了 ASR （自动语音识别）实时字幕功能。 原理 通过浏览器的音频捕获 API 获取视频音频流，发送到 Deepgram 云端通过 WebSocket 实时转写。也支持本地部署的 Whisper 服务器。预加载模式无延迟，实时字幕延迟大约 300ms 。 Deepgram 为新注册用户提供 **$200 免费额度**，注册全程无需绑定任何支付方式。按 nova-3 模型 $0.007/分钟计算，$200 额度足够转录约 476 小时音频 ——相当于看 238 部 2 小时电影 适用场景 直播没字幕 ：YouTube/Twitch 直播大多没有实时字幕，DualPiP 可以实时生成 网课录像 ：大学网课很多没有字幕，开了 ASR 就有了 看生肉番 ：为没有字幕的番剧，自动生成字幕， 学外语 ：ASR 生成的字幕可以直接走 AI 翻译生成双语字幕，看英语直播时显示英文+中文字幕 ASR 实时流和预下载批量模式有什么区别？ DualPiP ASR 提供两种音频捕获和识别模式，适应不同的观看场景： 实时流模式（ WebSocket Streaming ） 音频通过 WebSocket 实时发送到 Deepgram 服务器，字幕延迟低于 300ms ，几乎和说话同步。Deepgram 的 Interim Results 功能还会在最终结果出来前提供临时识别结果，让字幕出现得更快。适合直播、视频会议、实时内容等需要即时反馈的场景。 预下载批量模式（ Pre-download + HTTP Batch ） DualPiP 先将视频音频预下载并按时间段分割，然后通过 HTTP 请求批量发送到 ASR 服务进行离线识别。适合已发布的视频内容——可以在观看前提前生成完整字幕，播放时完全无延迟。预下载模式同时支持 Deepgram 云端和本地 Whisper 后端。 对比 实时流模式 预下载批量模式 延迟 < 300ms 预下载完成后零延迟 适合场景 直播、实时内容、会议 已发布的视频、需要完整字幕 支持后端 Deepgram （ WebSocket ） Deepgram + 本地 Whisper 字幕完整性 实时生成，偶有遗漏 完整覆盖全部音频内容 如何用 ASR 字幕配合 AI 翻译生成实时双语字幕？ DualPiP 的 ASR 和 AI 翻译可以配合使用，为任何语言的在线视频实时生成双语字幕。这解决了一个传统字幕无法覆盖的场景： 视频没有原生字幕，但你需要看双语字幕学外语 。 ASR + AI 翻译的工作流程 ASR 实时识别原文 ：Deepgram 将视频音频转录为原语言文字字幕 AI 大模型实时翻译 ：DualPiP 的 AI 翻译引擎将 ASR 生成的字幕翻译为目标语言 双语字幕同时显示 ：原文和译文以双语字幕的形式叠加在视频上方 为什么 ASR 字幕翻译强烈推荐使用 AI 大模型？ ASR 生成的字幕与传统字幕文件不同——ASR 字幕是实时识别的语音转录，可能存在断句不完整、口语化表达多、专有名词无上下文等问题。 AI 大模型翻译（ DeepSeek 、GPT 、Claude 等）在翻译 ASR 字幕时显著优于传统机翻（ Google 、Microsoft ） ，原因在于： 对比维度 传统机翻（ Google/Microsoft ） AI 大模型翻译（ DeepSeek/GPT/Claude ） 上下文理解 逐句翻译，无前后文信息 DualPiP 发送最近 N 条字幕作为上下文历史 口语化处理 直译口语，生硬不通顺 理解口语语境，翻译自然流畅 断句补全 ASR 断句不完整时翻译错乱 能结合上下文补全语义，正确翻译 专有名词 频繁翻错人名、术语 结合 DualPiP 的影片信息增强识别 语气还原 机械直译 保留说话者语气和表达风格 DualPiP 的 AI 翻译引擎使用 滑动窗口上下文 机制：每次翻译 ASR 字幕时，会将前面已翻译的字幕作为对话历史一起发送给 AI ，让翻译结果前后一致、上下文连贯。这在 ASR 场景下尤其重要——因为语音识别的断句和传统字幕不同，AI 需要结合前文才能正确理解当前句子的含义。 适合的使用场景 场景 说明 看无字幕外语视频学语言 ASR 识别原文 + AI 翻译为母语，双语对照学习 看直播或实时内容 直播没有预制字幕，ASR 实时生成 + AI 实时翻译 学术讲座和在线课程 部分课程无字幕或仅有英文字幕，ASR + AI 生成中文翻译 播客和访谈节目 纯音频内容通过 ASR 可视化为文字，再翻译为目标语言 DualPiP 支持 30+ AI 翻译服务商，用户可以根据翻译质量和费用自由选择。推荐使用 DeepSeek V4 Flash （性价比高，翻译一部电影约 ¥0.2-0.5 ）。 哪些视频网站可以用 DualPiP ASR 自动生成字幕？ DualPiP ASR 基于浏览器的 Audio Capture API 捕获音频， 理论上可以为任何在 Chrome 中播放的视频自动生成字幕 。 对于没有原生字幕的视频（如很多直播内容、小众平台视频、用户上传的无字幕视频），ASR 是获取字幕的唯一途径。 常见问题 Q：ASR 实时语音识别的准确率怎么样？ Deepgram nova-3 模型在英语上的词错误率（ WER ）低于 8%，是 2026 年最准确的实时语音识别模型之一。中文、日语等语言的识别准确率同样出色。识别效果受音频质量、说话人口音和背景噪音影响，纯语音内容的识别效果最佳。 Q：ASR 是 DualPiP 的免费功能还是 PRO 功能？ DualPiP 基础功能免费，AI 翻译和 ASR 需要登录后开通 PRO 后使用。 ASR 实时字幕是 PRO 功能。DualPiP 的 YouTube 网页内双语字幕和基础画中画播放器免费使用，ASR 、AI 翻译等高级功能需要 购买 PRO 。首次注册免费开通 7 天 PRO Q：能识别视频中的多种语言混合吗？ Deepgram 的 Multilingual 模式支持在同一段音频中自动检测和切换语言，适合多语言混合的访谈、播客和教学内容。本地 Whisper 后端也支持语言自动检测，但切换精度低于 Deepgram 。 下载 Chrome Web Store: https://chromewebstore.google.com/detail/dualpip/ddkmobcljbfggkmibabekgpbighaogpn
这玩意是真头疼阿 没办法只能想了个临时解决方案 直接 pip install --user claude-conversation-extractor 然后 claude-extract 然后按C输入自己的目录比如D:\temp\cctemp 然后选择R它会导出5个会话，你找到你卡死的哪个会话 然后直接复制它，在最顶层直接加一句: 我之前的会话中断了，你按照最后的需求继续 14 个帖子 - 7 位参与者 阅读完整话题
https://github.com/pipipi-pikachu/PPTist/issues/434 https://github.com/pipipi-pikachu/PPTist/issues/436 https://github.com/pipipi-pikachu/PPTist/issues/433 https://github.com/pipipi-pikachu/PPTist/issues/431 https://github.com/pipipi-pikachu/PPTist/issues/441 拉倒最底下看 简单来说就是，短时间内，一大波账号跑到我仓库 issues 里面留言说 star 是刷的等等（留言内容不知道哪里复制来的），例如下面这种： 朋友跟我说发现了一个不错的开源方案让我看看，一开始还挺有兴趣。然后我点开了 Stargazer 列表—— 你们这么搞，对得起那些真心点星的人吗？ 简单看了一下数据：抽样 53 个账号中 64 个无公开仓库。这些账号的共同特征是：用户名像是随机字符串，个人主页空空如也。 造假就是造假，不管理由多么冠冕堂皇。 我的要求很简单： 把钱省下来请人帮忙写测试 坦诚面对问题 用实际行动证明项目的价值 希望下次看到这个项目出现在 Trending 上的时候，是因为真正的实力。 然后我在 Github 搜索了一下“然后我点开了 Stargazer 列表”（ Filter by issues ），发现从 4 月开始就有很多刷这种评论的 我很好奇，这是种什么群体.....目的是啥？准备敲诈勒索（类似电话轰炸）？ 有人遇到过类似的吗？ 我打算 Github 工单反馈一下，不知道有用没....
4 步 Standard Pipeline Step 1 — DeepSeek 把英文重写成中文，同时进行 LLM humanization rewrite （ temperature 1.3 ） Step 2 — DeepSeek 把中文改写成日语，带着 Step 1 作为对话历史（保持上下文连贯） Step 3 — Google Translate 把日语翻译成芬兰语（远距离语言，彻底打乱结构） Step 4 — Niutrans 把芬兰语翻译回英语（跨引擎，最后重建） 为什么这个链有效？ Steps 1-2：用 DeepSeek 高温度重写，打破 AI 统计指纹 Step 3：芬兰语和英语/日语距离最远，强迫彻底重组 Step 4：跨引擎翻译，没有单一引擎的指纹残留 https://github.com/lynote-ai/humanize-text
因为这个，抢pipi佬的邀请码的时候，卡死我了，然后进来还要过一边cf，是节点太拉了的原因吗？有没有什么推荐的机场 1 个帖子 - 1 位参与者 阅读完整话题
如题，从垃圾堆捡到的一个纸条，上面写着： NVIDIA / SIMULATION #!/usr/bin/env bash set -Eeuo pipefail IFS=$'\n\t' PATH=/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin API_BASE_URL="https://api.dsx-air.nvidia.com/api/v3" SIMULATION_ID="${SIMULATION_ID:-820b1c6a-aaaa-bbbb-cccc-879e4511dddd}" HOURS_FROM_NOW="${HOURS_FROM_NOW:-70}" : "${NVIDIA_API_KEY:?NVIDIA_API_KEY is required}" log() { printf '[%s] %s\n' "$(date '+%Y-%m-%d %H:%M:%S')" "$*" } require_command() { command -v "$1" >/dev/null 2>&1 || { log "ERROR: Required command not found: $1" exit 1 } } extract_sleep_at() { local body_file="$1" if command -v jq >/dev/null 2>&1; then jq -r '.sleep_at // empty' "$body_file" 2>/dev/null || true else sed -n 's/.*"sleep_at"[[:space:]]*:[[:space:]]*"\([^"]*\)".*/\1/p' "$body_file" | head -n 1 fi } require_command curl require_command date SLEEP_AT_UTC="$(date -u -d "+${HOURS_FROM_NOW} hours" '+%Y-%m-%dT%H:%M:%SZ')" PAYLOAD="$(printf '{"sleep_at":"%s"}' "$SLEEP_AT_UTC")" BODY_FILE="$(mktemp)" trap 'rm -f "$BODY_FILE"' EXIT log "Task started" log "Target sleep_at UTC: ${SLEEP_AT_UTC}" if ! HTTP_CODE="$( curl "${API_BASE_URL}/simulations/${SIMULATION_ID}/" \ --silent \ --show-error \ --location \ --connect-timeout 10 \ --max-time 30 \ --retry 2 \ --retry-delay 2 \ --output "$BODY_FILE" \ --write-out '%{http_code}' \ --request PATCH \ --header 'accept: application/json, text/plain, */*' \ --header "authorization: Bearer ${NVIDIA_API_KEY}" \ --header 'content-type: application/json' \ --data-raw "$PAYLOAD" )"; then log "ERROR: curl request failed" log "Response body:" cat "$BODY_FILE" exit 1 fi if [[ "$HTTP_CODE" =~ ^2[0-9]{2}$ ]]; then RETURNED_SLEEP_AT="$(extract_sleep_at "$BODY_FILE")" if [[ -n "$RETURNED_SLEEP_AT" ]]; then LOCAL_TIME="$(date -d "$RETURNED_SLEEP_AT" '+%Y-%m-%d %H:%M:%S %Z')" log "SUCCESS: sleep_at updated to ${LOCAL_TIME}" else log "SUCCESS: Request completed, but sleep_at was not found in response" log "Response body:" cat "$BODY_FILE" fi else log "ERROR: Request failed with HTTP status code: ${HTTP_CODE}" log "Response body:" cat "$BODY_FILE" exit 1 fi log "Task finished" 使用方法 export NVIDIA_API_KEY="nvapi_xxxxxxxxxxxxxxxxxxxxx" export SIMULATION_ID="820b1c6a-aaaa-bbbb-cccc-879e4511dddd" bash update_sleep_time.sh 1 个帖子 - 1 位参与者 阅读完整话题