本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 (全文上万字符长时间手打+十数张图，先前已经多次回复说明情况却都被认为是ai生成举报，上百楼内容丢失，哪怕为了其他佬友的认真讨论与交流的内容都请勿随意举报！如有意见请友好私信交涉) 注：这里有一个三分钟使用极简教程，正式使用前推荐看看：【全开源免费！抢先体验属于个人的Easy Research！Obsidian开发者手把手教你三分钟速通NotEMD！-哔哩哔哩】 https://b23.tv/lqR0RlA 2026.05.25： 在版主提醒下，L站禁止给群组引流，有需要进一步交流需要请给项目点star或私信本人。 安装 Obsidian 社区插件里直接搜索 Notemd 或者去 GitHub 仓库查看源码和 release 项目地址： GitHub: notemd github项目 Obsidian Community Plugin: 搜索 Notemd 下面是正文 这两年关于 AI 读论文的讨论很多。但这个阅读的痛点始终存在：读完以后，内容有没有留下来？ 在对话框里提问很方便，模型也能很快给出总结、翻译和解释。但过几天再回看，常见结果只有一个模糊印象。论文的核心概念、方法关系、实验设置、局限性，以及它和已有知识的连接，往往没有真正进入自己的知识库。 所以我现在更在意一件事：把论文阅读过程中有价值的内容，持续写回 Obsidian。 Notemd 就是在这个场景里我用得比较顺手的工具。它把论文笔记、概念卡片、研究摘要、翻译、图表和工作流放在同一个工作台里，让一次阅读不只停留在一次对话，而是变成后面还能继续调用的资料。 一句话介绍： Notemd 是一个开源的 Obsidian 社区插件，用来把论文阅读过程中的概念链接、概念笔记、原文证据摘录、背景补充、翻译、图表和工作流沉淀回知识库，并支持多语言 UI、README 和内容转换。 实际阅读状态示例： 多语言支持： 我想解决的问题：读完一篇之后，还能继续积累 我现在看“AI 读论文”，关注点已经在长期积累能不能形成。 你当然可以把 PDF 丢给模型，让它做总结、翻译、解释公式、分析贡献。这些都很有用。但论文不是孤立存在的。每次读到的新术语、方法、数据集、实验范式，理论上都应该慢慢长进自己的知识网络里。 我更想要的结果是这些： 一篇论文读完以后，关键概念被自动补成 [[wiki-link]] 新出现的概念可以继续生成概念笔记 我关心的问题能直接定位到原文证据，而不只是拿到一段转述 背景资料和补充搜索能附着在当前笔记旁边 复杂方法链路可以压成 Mermaid 或图表，方便回看 这些结果都留在 vault 里，而不是散在不同聊天记录中 Notemd 的价值也正是： 它把论文阅读变成一条可以复用、可以回看、可以持续补充的知识流。 和聊天式 AI 相比， Notemd 更适合把结果沉淀进知识库。 维度 聊天式 AI(如Smart Composer插件的功能) Notemd 核心落点 当前会话 当前笔记和 vault 文件 结果形态 一段回答 链接、概念笔记、译文、图表、日志、工作流产物 适合场景 快速问答、临时解释 长期阅读、积累、复用 主要风险 聊完就忘，不利于回忆与搜寻 需要自己维护知识库结构 这两种方式并不冲突。我自己也会继续用对话式 AI （例如Obsidian中的Smart Composer等插件）针对论文做即时追问。但如果目标是让今天读过的东西，三周后还能准确记忆与获取，那么文件化、结构化和可回写会更重要。 结构化总结： 我现在比较顺手的一套论文工作流 Notemd 当前处理的是 Markdown / txt 内容，不是直接载入 PDF(但打开开发者选项后个别不需要修改原文的任务是支持载入其他格式)。这会让整个流程更干净，并且MD是AI的原生语言。 1. 先把 PDF 变成 Markdown 我一般会先用 MinerU 之类的工具做 PDF → Markdown，再把结果放进 Obsidian。 (当前MinerU在目前的免费软件里使用起来解析质量高且速度较快) 这样做有几个直接好处： 原文结构更清晰 注： v1.9.1已支持章节结构提取功能 后续链接、翻译、提取、图表都围绕同一份 Markdown 笔记发生 你的“论文阅读结果”本身就是知识库资产 注意，后面的大部分自动化，都要求原文已经进入你的知识库，是Notemd可处理的文件。 2. 先做概念链接，再做概念沉淀 导入 Markdown 以后，我一般先运行这两个指令： 处理文件（添加链接）| Process file (add links) 从标题批量生成| Batch Generate from Title 前者会把论文里的关键概念补成 [[wiki-links]] ，后者则可以借助高质量AI(比如 降智前 的Gemini-3.1-pro)把每个概念扩充为深入的领域知识与术语间关系的总结，支持调用搜索 api（比如 Tavily）做定向搜索后生成。 很多论文难读，原因很简单：默认你已经知道太多术语。backbone、训练范式、benchmark或是统计指标，而实际上需要你临时去查，特别是当你不了解这个领域时更是无从查起。 因此我通过Notemd将这些概念用ai提取后直接沉淀到固定的或者是自定义领域的概念文件夹里。这样第二篇、第三篇相关论文读下去时，已有概念会越来越完整，不需要每次从头补背景。 如果你愿意的话可以打开概念日志，每次新增了哪些概念都有记录。并且， 我已经将这套流程固化为一键处理按钮，不需要拆解单独执行(但需要注意tokens消耗)，最大化便利佬友们使用。 3. 用“提取特定原始内容”做证据导向的精读 “提取特定原始内容”顾名思义，是获取原文中的依据，适合继续做精读笔记、组会汇报，或者后面写 related work 时快速回查。 你可以先在设置里定义一组问题，例如： 这篇论文的核心贡献是什么？ 作者如何定义问题？ 实验设置是什么？ 主要 baseline 有哪些？ 作者明确承认了哪些 limitation？ 然后让插件从当前论文里逐字提取对应原文片段。 如果你希望明确知道“这句输出到底对应原文哪一句”，记得使用这个功能 4. 不懂的背景用 Research & summarize 试试 如果需要临时查阅当前论文或笔记的特定只是，我不会立刻跳出 Obsidian 去开很多网页，可以在当前笔记旁边做 Research & summarize 。它会调用你配置好的搜索服务和 LLM，把主题相关的补充信息整理出来，附加回当前笔记。 背景知识不散在浏览器标签页里 你查过什么，和当前 paper 绑定在一起 后面回看时，论文旁边就是当时补的上下文 我主要用它补背景和补术语网络，不替代正式文献检索。在课题早期扫盲阶段能明显降低阅读门槛。 5. 英文精读压力大时，直接翻译，但翻译结果也应该保存到本地 当前很多 AI 翻译论文的方案，问题通常是单次翻译没有有效落盘， Translate current file 这个链路的价值，在于它会把译文作为 Obsidian 里的另一份产物保存下来，成功后还会直接在侧边栏打开。 多语言知识库用户可以实现：原文、译文、概念卡片、研究摘要都能在同一个 vault 里互相引用，不需要来回搬运。并且由于 UI Locale 和 Task Output Language 是分开的，界面语言可以跟着 Obsidian 走中文，任务输出也可以保持英文，反过来配置也可以。科研场景里，这种拆分很方便。 这是效果图，内容摘选自 Feynman 的物理学讲义： 6. 最后把理解压缩成图 论文阅读与领域学习的过程中很常见的问题是：脑子里一堆概念，但没整理出结构。 有这两个功能可以辅助解决： Summarise as Mermaid diagram Generate diagram (experimental) 前者更适合方法流程、模块关系、因果链路这类结构化内容。后者在当前版本里已经覆盖 Mermaid、JSON Canvas 和 Vega-Lite 等图表路径，其中 dataChart 还能用 Vega-Lite 生成更规整的数据图。 图是一种"理解压缩层"。让 AI 把论文画成流程图、关系图或数据图，它必须先把结构显式整理出来。检查图的时候，也更容易一眼看出哪里有问题。 注意：图不是事实本身。AI 生成的图，尤其是科研图，只适合当草图、摘要层和检查层，不适合不经核对直接当最终结论。 如图， v1.8.4 最新版支持众多种类图的生成： 下面再给一些图类型的举例： Mermaid正常图： 时序图： 7. 最后用工作流把这些动作串起来 如果上面这些动作每次都手动点一遍，久了还是会烦。所以 Notemd 里我很喜欢的另一个点是：你可以把常用动作编成自己的 One-Click Workflow 。 默认就有一个 One-Click Extract 功能把几个动作串起来跑。除此之外，你也可以按自己的论文习惯重组，比如： 论文入库::process-current-add-links>extract-concepts-current>research-and-summarize>summarize-as-mermaid 在设置中有非常高度自定义工作流的支持： 对我来说，工作流的意义除了少点几次按钮，还有真正把阅读习惯固定下来。你跑得越多，知识库结构就越稳定，后面的复用价值也会越高。 这个项目更偏实际工作流程落地，有下面这些突出优点 完整开源 。github开源，具体设置有文字+多图说明。 模型选择自由 。支持 OpenAI、Anthropic、Google、DeepSeek、Qwen、Ollama，以及通用 OpenAI Compatible 网关。 注： v1.9.1 已支持“获取模型列表”功能。 不同的任务均支持对特定的模型进行配置 。对于链接、研究、翻译以及生成等任务，均能够独立地去进行 provider 以及 model 的选用。 对于每一个具体需要去执行的任务，都支持开展 prompt 的修改工作 。这就为插件在功能拓展方面提供了相当充裕的空间。 结果都会以文件的形式来予以保存 。在开展学习的过程当中，插件会把相对应的链接、概念笔记、译文、图表以及日志都进行留存。 在本地用户友好性方面表现得十分出色 。针对那些已经习惯于去使用 Obsidian 的用户来说，这一工具可以直接在既有的工作台环境当中去嵌入 AI 相关的能力，这样一来，就完全不需要再去对一整套既有的笔记体系开展任何的替换工作。 它能帮你构建"外部大脑"，但真正记住与掌握，开始实践的只能是你自己。 哪些人应该尝试这个插件： 已经在用 Obsidian 管理读书或论文笔记的人 面对较大规模的文献阅读量，且期望将零散理解逐步构建为系统化知识网络的人 不满足于“总结一下”，而是想把概念、证据、图表和上下文都留下来的人 期望将翻译、搜索、概念提取以及图表生成整合至同一工作台之中的人群 对模型选择上期望自由切换云端和本地部署模型的人 如果你只是偶尔看一两篇 paper，能协助你完成翻译与核心概念的提取工作，上手门槛很低，并且有保姆式视频教学。 如果你有长期积累需求，它的价值会更为显著，因为这些结果最终均会沉淀于个人知识库之中。 如果大家感兴趣，后面我还可以再单独整理一篇更偏实操的帖子专门针对大家的后续问题，比如： 我怎么配置提取问题模板 如何把 prompt 开展有针对性的调整工作，来让它得以深度契合到不同的学科领域以及具体的任务场景当中 …… 如果觉得喜欢有所收获，对你有帮助，就支持一下吧! LINUX DO Credit 3 个帖子 - 3 位参与者 阅读完整话题
查到了，真正大的不是本地 logs 文件夹，而是数据库里的 logs 表。 当前情况 数据库 oneapi 总大小约： - 35,476.81 MB ≈ 34.65 GB 其中 logs 表： - 34,462.88 MB ≈ 33.65 GB - 行数约：2800 万行 - 数据大小：12.24 GB - 索引大小：21.42 GB 100g的硬盘太小了5555，就放那么一点点东西就塞满了 假设一下，一个服务器硬盘大小2t，如果1t都用不到，是不是在浪费硬盘！！！回答我！！！ 所以硬盘爆满的本质原因：硬盘容量太小！！！ @ouyangqiqi 16 个帖子 - 16 位参与者 阅读完整话题
经常跑着跑着疑似没有自动压缩，而是上下文直接丢了 当前配置使用的是minimax 1 个帖子 - 1 位参与者 阅读完整话题
日区免费试用的时代，终将成为留念 有些互联网时代的记忆，并不是因为它多么宏大，而是因为它足够折腾，足够民间，也足够像一场短暂的窗口期。 曾经，为了领取一个月的 Plus 免费会员，很多人并不是简单地点一下按钮、绑定一张卡、完成订阅。相反，那更像是一条不断变化的路线：从美国区的无卡 PayPal，到日本区的无卡 PayPal，再到印度尼西亚的 GoPay、巴西的 Pix、印度的 UPI。每一次方式的出现，都像是某个角落突然打开了一扇门；而每一次失效，又像是门被悄悄关上。 最早的时候，大家研究美国区无卡 PP。那时候的信息流动很快，教程、经验、失败案例，一夜之间就能传遍许多群聊和论坛。有人成功，有人卡在验证，有人走到最后一步才发现支付无法完成。后来，美国区的路变窄了，日区无卡 PP 又成了新的方向。日本区的试用入口、支付跳转、账户状态，每一个细节都被反复讨论。那种感觉很奇妙：不是单纯为了省一个月的钱，而是为了验证“这条路到底还能不能走”。 再往后，玩法变得更复杂。印度尼西亚的 GoPay、巴西的 Pix、印度的 UPI 相继进入视野。不同地区的支付生态，像一张张拼图，被人们拿来尝试能否拼进同一个目标里。有人研究长链接支付，有人尝试不同网络环境，有人讨论代理、协议、跳转逻辑，也有人只是默默围观，看着别人成功或失败。 这其中最有意思的，并不是某一个具体方法，而是那种集体探索的氛围。每当一个新路径出现，大家会迅速测试、记录、补充条件；每当平台规则变化，原本可行的流程又会突然失效。成功领取的人像完成了一次小型闯关，失败的人则继续等待下一个可能的入口。 但这种时代注定不会长久。 平台的风控越来越完善，支付渠道的验证越来越严格，地区权益也越来越难被随意迁移。曾经依靠信息差、跳转链路和支付区域差异形成的窗口，正在一点点关闭。免费试用仍然存在，但它不再像过去那样充满“野路子”的空间。那些曾经被反复讨论的无卡 PP、GoPay、Pix、UPI，也逐渐从实用经验变成了互联网记忆。 回头看，这段经历有一点荒诞，也有一点怀旧。它像是某个特殊阶段的产物：全球化服务、地区化支付、平台补贴、风控尚未完全收紧，再加上一群愿意折腾的人，共同制造出了一段短暂而热闹的灰色边缘史。 也许很多年后，再提起“日区免费试用”，大家不会真的记得每一步怎么做，只会记得那种感觉：不断找入口、不断试错、不断刷新消息，看到别人一句“成功了”时，心里也跟着一动。 免费试用的时代会过去，路径会失效，教程会过期，链接会变成无意义的字符。但那段属于折腾者的记忆，会留下来。 它不一定光彩，却很真实。 它不是一个教程，而是一段时代的注脚。 3 个帖子 - 3 位参与者 阅读完整话题
主播学校神人教务处发期末成绩的时候并不是统一发一个邮件，而是出一门发一封邮件，这让主播从大一的第一个期末就开始对 outlook 产生了应激反应。主播下学期大三，关于GPA的事情也差不多盖棺定论了，总的来说主播混的非常之不好，可以说卷不过别人也可以说主播比较菜。 而主播又是中外合办，卷绩点是申研的唯一方式，但主播看自己这种gpa有点焦虑是否还能找到一个不错的学校读硕士；还有就是如果只是找一个普通的学校普通的项目，学费贵不说还不一定毕业后能把学费赚回来。因此主播在感觉期末炸了的情况下马上开始考虑科研的事情。 关于科研，找到一个隔壁学校的A老师，聊了一下觉得还蛮不错，已经定好科研的大致方向了，甚至可以跟到博士毕业，短期目标定在明年去WWW。照理来说这样子的话主播其实已经不必担心GPA的事情了，只要正常毕业就行。但主播还是有一些焦虑，因为担心及时本科GPA会影响到后面科研，同时也不能完全过GPA这个坎（总是既要又要的）。然后这个A老师的学校被制裁了，而我研究的方向未来应该是往外走的，最好去牢美，不知道这个会不会有影响。 A老师是我这个大专博士毕业的，然后去隔壁大专当助理教授，开了一个研究室，方向是跟分布式学习有关。 对于主播个人而言，主播主要是想省点然后美美赚米。考虑读博并不是说不想赚米了，而是可以直博，然后每个月有固定工资，之后毕业了起点也不比卷GPA去很好的学校读完硕士的差。努努力的话主播可以大三毕业然后直博，四年光速读完（或许吧）。 所以目前主播是一个二选一的状态，明显感觉科研会更合适，起码不用再恶补这个GPA，但是主播并不能死心塌地跟随其中一个。希望能获得一些佬的建议。 13 个帖子 - 6 位参与者 阅读完整话题
奔四的年龄，很多想法越来越清晰，这些清晰都是用吃亏换来的 曾经天真的以为，人与人之间是互相的，你怎么对待别人，别人就会怎么对待你 事实上是，你会发现，很多人，喜欢玩着小聪明，害你坑你，你一不小心就被他占了便宜 年轻时喜欢帮助人，比如公司有内推，那么我就把上学时候我认为玩的关系好的人介绍到公司，随后他因为经济上的问题问我借钱，再随后就是失联，有借无还。 还有一些自认为关系很好的人，可以当作终生益友的，拉着他一起干项目，收益了给他分红提前给他，因为项目上一些问题我给他说你得怎么怎么干，一言不合撂挑子不干了，事后还说他走了我会不会觉得慌？这种人我有好事想着他，他却想让我慌，你说这都是什么玩意儿？活该他赚不到钱，有机会谁愿意带这种人？ 家里的亲戚，我两个老表，一个表弟一个表哥，他们外出打工孩子给姑姑带，姑姑接送孩子的途中骑电动车发生车祸，本来以为休息休息就可以扛过去，结果越来越严重去住院了，为什么要扛？（因为她没钱，两个老表只顾自己，不顾父母） 住院了，这两个老表安排他们的老婆给我妈打电话，连称呼都不叫，就说我们在外地不回去，意思责备我们这种亲戚不管他们？还要问我家借钱，我听说这件事，心里上什么感受，感受就是这些垃圾，我要把从我的记忆里扫除出去。谁他妈愿意认识你们，最后让家里人给点慰问金，毕竟是我姑姑，是我爸爸的亲姐姐，姑姑是好的，但是我也不能因为这而越界管他们，毕竟我有我的家庭和责任。 还有一些同学，到我这里蹭吃蹭喝，来我这里连礼物都不知道带，之前以合伙的名义让我出钱支持他，赚钱了又不愿意分钱，白嫖我的时间，风险让我抗，好在本金都拿回来，最后也算要回点利润，其实就是干成了让我出局，全是这种小聪明的人，也难怪他会一直劳碌，他在一直算计别人，算计别人的同时，能跟他共处的要么是愿意别他算计，要么是也在算计他 最后思考同事和公司的关系，反而是这些关系知道我的能力和品行，反而是愿意借钱给我，愿意帮助我，也愿意给我回报。 所以我希望我的孩子和家人，也尽早能明白，分清楚，消耗型的人和共同进步，互惠互利的人，要区分清楚。 与人交往也是一种投资，你身边都是消耗性的人，那么你早晚完蛋，不是被他们坑就是被带进沟里去， 淘汰了这类人之后，你身边留下的就是给你带去发展的人，人生怎么能不走向更好？ 最后我把我的观点用 ai 总结进了我的投资项目中，因为我认为人际关系也是最重要的投资 https://www.upup.vip/personal/invest
奔四的年龄，很多想法越来越清晰，这些清晰都是用吃亏换来的 曾经天真的以为，人与人之间是互相的，你怎么对待别人，别人就会怎么对待你 事实上是，你会发现，很多人，喜欢玩着小聪明，害你坑你，你一不小心就被他占了便宜 年轻时喜欢帮助人，比如公司有内推，那么我就把上学时候我认为玩的关系好的人介绍到公司，随后他因为经济上的问题问我借钱，再随后就是失联，有借无还。 还有一些自认为关系很好的人，可以当作终生益友的，拉着他一起干项目，收益了给他分红提前给他，因为项目上一些问题我给他说你得怎么怎么干，一言不合撂挑子不干了，事后还说他走了我会不会觉得慌？这种人我有好事想着他，他却想让我慌，你说这都是什么玩意儿？活该他赚不到钱，有机会谁愿意带这种人？ 家里的亲戚，我两个老表，一个表弟一个表哥，他们外出打工孩子给姑姑带，姑姑接送孩子的途中骑电动车发生车祸，本来以为休息休息就可以扛过去，结果越来越严重去住院了，为什么要扛？（因为她没钱，两个老表只顾自己，不顾父母） 住院了，这两个老表安排他们的老婆给我妈打电话，连称呼都不叫，就说我们在外地不回去，意思责备我们这种亲戚不管他们？还要问我家借钱，我听说这件事，心里上什么感受，感受就是这些垃圾，我要把从我的记忆里扫除出去。谁他妈愿意认识你们，最后让家里人给点慰问金，毕竟是我姑姑，是我爸爸的亲姐姐，姑姑是好的，但是我也不能因为这而越界管他们，毕竟我有我的家庭和责任。 还有一些同学，到我这里蹭吃蹭喝，来我这里连礼物都不知道带，之前以合伙的名义让我出钱支持他，赚钱了又不愿意分钱，白嫖我的时间，风险让我抗，好在本金都拿回来，最后也算要回点利润，其实就是干成了让我出局，全是这种小聪明的人，也难怪他会一直劳碌，他在一直算计别人，算计别人的同时，能跟他共处的要么是愿意别他算计，要么是也在算计他 最后思考同事和公司的关系，反而是这些关系知道我的能力和品行，反而是愿意借钱给我，愿意帮助我，也愿意给我回报。 所以我希望我的孩子和家人，也尽早能明白，分清楚，消耗型的人和共同进步，互惠互利的人，要区分清楚。 与人交往也是一种投资，你身边都是消耗性的人，那么你早晚完蛋，不是被他们坑就是被带进沟里去， 淘汰了这类人之后，你身边留下的就是给你带去发展的人，人生怎么能不走向更好？ 最后我把我的观点用 ai 总结进了我的投资项目中，因为我认为人际关系也是最重要的投资 https://www.upup.vip/personal/invest
奔四的年龄，很多想法越来越清晰，这些清晰都是用吃亏换来的 曾经天真的以为，人与人之间是互相的，你怎么对待别人，别人就会怎么对待你 事实上是，你会发现，很多人，喜欢玩着小聪明，害你坑你，你一不小心就被他占了便宜 年轻时喜欢帮助人，比如公司有内推，那么我就把上学时候我认为玩的关系好的人介绍到公司，随后他因为经济上的问题问我借钱，再随后就是失联，有借无还。 还有一些自认为关系很好的人，可以当作终生益友的，拉着他一起干项目，收益了给他分红提前给他，因为项目上一些问题我给他说你得怎么怎么干，一言不合撂挑子不干了，事后还说他走了我会不会觉得慌？这种人我有好事想着他，他却想让我慌，你说这都是什么玩意儿？活该他赚不到钱，有机会谁愿意带这种人？ 家里的亲戚，我两个老表，一个表弟一个表哥，他们外出打工孩子给姑姑带，姑姑接送孩子的途中骑电动车发生车祸，本来以为休息休息就可以扛过去，结果越来越严重去住院了，为什么要扛？（因为她没钱，两个老表只顾自己，不顾父母） 住院了，这两个老表安排他们的老婆给我妈打电话，连称呼都不叫，就说我们在外地不回去，意思责备我们这种亲戚不管他们？还要问我家借钱，我听说这件事，心里上什么感受，感受就是这些垃圾，我要把从我的记忆里扫除出去。谁他妈愿意认识你们，最后让家里人给点慰问金，毕竟是我姑姑，是我爸爸的亲姐姐，姑姑是好的，但是我也不能因为这而越界管他们，毕竟我有我的家庭和责任。 还有一些同学，到我这里蹭吃蹭喝，来我这里连礼物都不知道带，之前以合伙的名义让我出钱支持他，赚钱了又不愿意分钱，白嫖我的时间，风险让我抗，好在本金都拿回来，最后也算要回点利润，其实就是干成了让我出局，全是这种小聪明的人，也难怪他会一直劳碌，他在一直算计别人，算计别人的同时，能跟他共处的要么是愿意别他算计，要么是也在算计他 最后思考同事和公司的关系，反而是这些关系知道我的能力和品行，反而是愿意借钱给我，愿意帮助我，也愿意给我回报。 所以我希望我的孩子和家人，也尽早能明白，分清楚，消耗型的人和共同进步，互惠互利的人，要区分清楚。 与人交往也是一种投资，你身边都是消耗性的人，那么你早晚完蛋，不是被他们坑就是被带进沟里去， 淘汰了这类人之后，你身边留下的就是给你带去发展的人，人生怎么能不走向更好？ 最后我把我的观点用 ai 总结进了我的投资项目中，因为我认为人际关系也是最重要的投资 https://www.upup.vip/personal/invest
奔四的年龄，很多想法越来越清晰，这些清晰都是用吃亏换来的 曾经天真的以为，人与人之间是互相的，你怎么对待别人，别人就会怎么对待你 事实上是，你会发现，很多人，喜欢玩着小聪明，害你坑你，你一不小心就被他占了便宜 年轻时喜欢帮助人，比如公司有内推，那么我就把上学时候我认为玩的关系好的人介绍到公司，随后他因为经济上的问题问我借钱，再随后就是失联，有借无还。 还有一些自认为关系很好的人，可以当作终生益友的，拉着他一起干项目，收益了给他分红提前给他，因为项目上一些问题我给他说你得怎么怎么干，一言不合撂挑子不干了，事后还说他走了我会不会觉得慌？这种人我有好事想着他，他却想让我慌，你说这都是什么玩意儿？活该他赚不到钱，有机会谁愿意带这种人？ 家里的亲戚，我两个老表，一个表弟一个表哥，他们外出打工孩子给姑姑带，姑姑接送孩子的途中骑电动车发生车祸，本来以为休息休息就可以扛过去，结果越来越严重去住院了，为什么要扛？（因为她没钱，两个老表只顾自己，不顾父母） 住院了，这两个老表安排他们的老婆给我妈打电话，连称呼都不叫，就说我们在外地不回去，意思责备我们这种亲戚不管他们？还要问我家借钱，我听说这件事，心里上什么感受，感受就是这些垃圾，我要把从我的记忆里扫除出去。谁他妈愿意认识你们，最后让家里人给点慰问金，毕竟是我姑姑，是我爸爸的亲姐姐，姑姑是好的，但是我也不能因为这而越界管他们，毕竟我有我的家庭和责任。 还有一些同学，到我这里蹭吃蹭喝，来我这里连礼物都不知道带，之前以合伙的名义让我出钱支持他，赚钱了又不愿意分钱，白嫖我的时间，风险让我抗，好在本金都拿回来，最后也算要回点利润，其实就是干成了让我出局，全是这种小聪明的人，也难怪他会一直劳碌，他在一直算计别人，算计别人的同时，能跟他共处的要么是愿意别他算计，要么是也在算计他 最后思考同事和公司的关系，反而是这些关系知道我的能力和品行，反而是愿意借钱给我，愿意帮助我，也愿意给我回报。 所以我希望我的孩子和家人，也尽早能明白，分清楚，消耗型的人和共同进步，互惠互利的人，要区分清楚。 与人交往也是一种投资，你身边都是消耗性的人，那么你早晚完蛋，不是被他们坑就是被带进沟里去， 淘汰了这类人之后，你身边留下的就是给你带去发展的人，人生怎么能不走向更好？ 最后我把我的观点用 ai 总结进了我的投资项目中，因为我认为人际关系也是最重要的投资 https://www.upup.vip/personal/invest
让外界认为他们的模型跟kimi，glm，DeepSeek是一个水平的。 用了一堆狗屎一样，但公众号软广无处不在 7 个帖子 - 7 位参与者 阅读完整话题
如题，很简单的提问内容。升级了cpa也没用，还是这个样子。 2 个帖子 - 2 位参与者 阅读完整话题
询问一个问题，就是codex是否有办法以官方auth登录。然后不做custom。而是访问固定服务器中专。 不使用sub2api。而是通过比如插件等方式，让他访问的官方api地址改成服务器的。服务器只做中转。目的是避免ip变更等或者没开梯子导致暴漏真实IP。然后又能正常使用codex的所有功能。主要是考虑买个max20 。谁那有方案 1 个帖子 - 1 位参与者 阅读完整话题
最近在使用codex进行优化算法的开发，经常需要跑几十分钟到一个小时的脚本。默认状态下codex经常会在前台跑这个脚本，然后隔几十秒就思考输出一下，十分浪费token。 我现在的做法是强制让codex把脚本放到screen里运行并避免持续监测，但这样做就需要我手动观察进程是否退出，并显式要求codex分析结果，时间上难以拿捏。 所以想请教一下codex有没有hook之类的东西，可以在进程退出后自动发出请求？ 1 个帖子 - 1 位参与者 阅读完整话题
已经至少在几个TG/q群里看到有人搞出来了，不是在一个team里无限拉人，而是无限创建/转换team号，而且存活率比拉人team高，这又是什么套路？ 怎么OAI的bug层出不穷啊，感觉佬友们都在逆向奥特曼官网 5 个帖子 - 5 位参与者 阅读完整话题
1 个帖子 - 1 位参与者 阅读完整话题
核心思路 Codex 和 Claude Code 的使用额度通常不是按自然日固定刷新，而是按一次对话触发后的滚动时间窗口计算。 如果把这个窗口提前启动，就能让刷新时间落在你的主要工作时段中间。这样在同一段高强度使用时间里，可能先用掉一个窗口，再接上新刷新的窗口，体感上就像额度变多了一样。 为什么有效 这类 Agent 工具的限制更接近「从你第一次发送消息开始计时」的模式。 假设窗口长度是 5 小时： - 你第一次发消息后，当前窗口开始计算。 - 这 5 小时内会消耗对应额度。 - 窗口结束后，不一定会自动开启下一个窗口。 - 下一次主动发送消息时，才会重新启动新的窗口。 所以，关键点不是等额度自然恢复，而是把「新窗口开始的时间」安排到对自己最有利的位置。 举个例子 假设你的集中工作时间是下午 2 点到 6 点。 如果你下午 2 点才第一次使用 Codex，那么窗口会从 2 点开始，到晚上 7 点才结束。若你在 3 点半左右就把额度用完，后面就只能等很久。 但如果你上午 11 点先发一条很短的消息，窗口会从 11 点开始。这样到下午 4 点左右，这个窗口就结束并刷新了。 于是你下午 2 点开始工作时，先用上午 11 点触发的窗口；到了下午 4 点左右，又能接上新的窗口。对于 2 点到 6 点这段核心时间来说，可用额度就更宽裕。 自动化配置 最省事的做法是用定时任务提前发送一条消息。 Codex 可以在 Codex 的自动化功能里新建一个任务： - 触发条件：每天 - 触发时间：主要工作开始前约 3 小时 - 执行动作：发送一条短消息 消息内容不重要，只要能触发窗口即可。 Claude 如果使用 Claude 客户端，可以用类似 Routines 的自动化能力，在固定时间发送一句简短内容。 如果使用 Claude Code CLI： - macOS 可以用 `crontab` 配定时任务。 - Windows 可以用任务计划程序。 - 也可以让当前 Agent 帮你生成对应的定时任务配置。 总结 这个方法的重点不是突破限制，而是把滚动窗口的开始时间提前规划好，让额度刷新更贴合自己的实际工作节奏。 适合每天有固定高强度使用时段的人，比如下午集中写代码、调试、跑 Agent 任务的场景。 1 个帖子 - 1 位参与者 阅读完整话题
最近做了一个 Obsidian 插件：AI Tag Curator 。 一开始看起来像是“AI 给笔记打标签”，但我后来觉得这个方向太浅了。真正的问题不是某一篇笔记缺几个标签，而是 vault 用久以后，标签体系会慢慢失控： 同一个意思有多个标签 某些标签只用过一次 有些标签太宽，检索时没有区分度 层级标签写法不一致 中英文、大小写、单复数混在一起 老笔记没有跟上后来的标签习惯 所以这个插件的定位是“AI 标签管理与治理”： 构建全库标签索引 给当前笔记推荐标签，但优先复用已有标签 解释推荐理由、置信度和相近但没选的标签 生成标签健康报告 识别低频、重复、层级不一致、过宽/过细、命名漂移 支持部分可执行建议的预览、应用和回退 Obsidian 插件页： https://community.obsidian.md/plugins/ai-tag-curator GitHub： https://github.com/qmkCamel/obsidian-ai-tag-curator 想听听重度 Obsidian 用户的反馈：你们的标签体系最大的问题是什么？
最近做了一个 Obsidian 插件：AI Tag Curator 。 一开始看起来像是“AI 给笔记打标签”，但我后来觉得这个方向太浅了。真正的问题不是某一篇笔记缺几个标签，而是 vault 用久以后，标签体系会慢慢失控： 同一个意思有多个标签 某些标签只用过一次 有些标签太宽，检索时没有区分度 层级标签写法不一致 中英文、大小写、单复数混在一起 老笔记没有跟上后来的标签习惯 所以这个插件的定位是“AI 标签管理与治理”： 构建全库标签索引 给当前笔记推荐标签，但优先复用已有标签 解释推荐理由、置信度和相近但没选的标签 生成标签健康报告 识别低频、重复、层级不一致、过宽/过细、命名漂移 支持部分可执行建议的预览、应用和回退 Obsidian 插件页： https://community.obsidian.md/plugins/ai-tag-curator GitHub： https://github.com/qmkCamel/obsidian-ai-tag-curator 想听听重度 Obsidian 用户的反馈：你们的标签体系最大的问题是什么？
Harness 不是让 Agent 更聪明，而是让 Agent 的工作更可信。 所以这次变更给 Boss 的整条研发流水线加一层工程化的骨架。 它要管五件事：流程怎么定义，当前跑到哪，产物以什么为准，什么时候允许继续，失败后怎么恢复。 这次最关键的变化，是加了一层 workflow-plan.json 。 过去 Boss 里已经有 pipeline pack 、artifact DAG 、runtime commands 。DAG 能表达"哪个产物依赖哪个产物"，runtime 能记录阶段和 Agent 状态。但它们之间还缺一层明确的执行定义。 现在初始化时，会把 pipeline pack 和 artifact DAG 编译成一份 workflow plan 。它描述这条流水线有哪些 phase 、哪些 agent node 、哪些 gate node ，以及这些节点之间的依赖关系。与此同时，workflowHash 、packHash 、artifactDagHash 描述的是"这条流程定义是什么"，runId 描述的是"这一次具体执行"。 这个拆分很重要。 因为流程定义和运行实例不是一回事。定义可以被审计、比较、缓存；运行实例可以暂停、恢复、失败、重试。以前这些东西混在一起，很多恢复逻辑只能靠约定。现在它们开始有了明确边界。 我现在会把 Harness 分成几层看 第一层是定义层。 它回答：这条流水线到底是什么？比如 pack 、DAG 、workflow plan 、各种 hash 。它应该稳定、可比较。 第二层是运行层。 它回答：这一次跑到哪了？这里靠的是事件流和 execution.json ，而不是聊天上下文。聊天记录不可靠，事件流才是状态真相源。 第三层是产物层。 PRD 、架构文档、任务拆解、QA 报告、部署报告，这些落盘并被 runtime 记录后，才算正式产物。Agent 说自己完成了，不等于完成了。 第四层是门禁层。 测试、Evidence Wave 、QA 、final gate ，本质上都是在问同一个问题：凭什么继续？这层是防止"看起来完成了"的关键。 第五层是恢复层。 比如 promptFingerprint 、inputDigest 、resume --from-run 。它们的目标不是炫技，而是让中断之后不用靠人脑捡现场，也不用全量重跑。 关于 SKILL.md 的瘦身 另外这次变更还把主 SKILL.md 从 474 行压到了 99 行。之前它太像一个巨型总控 prompt ，什么都写在里面。这样越复杂，越依赖模型一次性记住，最后又回到"让模型自己记流程"的老路。 现在主 Skill 只保留入口、不变量和索引。长流程、runtime 命令、Evidence Wave 、platform driver 、hooks ，都拆到 references 里按需读取。
Harness 不是让 Agent 更聪明，而是让 Agent 的工作更可信。 所以这次变更给 Boss 的整条研发流水线加一层工程化的骨架。 它要管五件事：流程怎么定义，当前跑到哪，产物以什么为准，什么时候允许继续，失败后怎么恢复。 这次最关键的变化，是加了一层 workflow-plan.json 。 过去 Boss 里已经有 pipeline pack 、artifact DAG 、runtime commands 。DAG 能表达"哪个产物依赖哪个产物"，runtime 能记录阶段和 Agent 状态。但它们之间还缺一层明确的执行定义。 现在初始化时，会把 pipeline pack 和 artifact DAG 编译成一份 workflow plan 。它描述这条流水线有哪些 phase 、哪些 agent node 、哪些 gate node ，以及这些节点之间的依赖关系。与此同时，workflowHash 、packHash 、artifactDagHash 描述的是"这条流程定义是什么"，runId 描述的是"这一次具体执行"。 这个拆分很重要。 因为流程定义和运行实例不是一回事。定义可以被审计、比较、缓存；运行实例可以暂停、恢复、失败、重试。以前这些东西混在一起，很多恢复逻辑只能靠约定。现在它们开始有了明确边界。 我现在会把 Harness 分成几层看 第一层是定义层。 它回答：这条流水线到底是什么？比如 pack 、DAG 、workflow plan 、各种 hash 。它应该稳定、可比较。 第二层是运行层。 它回答：这一次跑到哪了？这里靠的是事件流和 execution.json ，而不是聊天上下文。聊天记录不可靠，事件流才是状态真相源。 第三层是产物层。 PRD 、架构文档、任务拆解、QA 报告、部署报告，这些落盘并被 runtime 记录后，才算正式产物。Agent 说自己完成了，不等于完成了。 第四层是门禁层。 测试、Evidence Wave 、QA 、final gate ，本质上都是在问同一个问题：凭什么继续？这层是防止"看起来完成了"的关键。 第五层是恢复层。 比如 promptFingerprint 、inputDigest 、resume --from-run 。它们的目标不是炫技，而是让中断之后不用靠人脑捡现场，也不用全量重跑。 关于 SKILL.md 的瘦身 另外这次变更还把主 SKILL.md 从 474 行压到了 99 行。之前它太像一个巨型总控 prompt ，什么都写在里面。这样越复杂，越依赖模型一次性记住，最后又回到"让模型自己记流程"的老路。 现在主 Skill 只保留入口、不变量和索引。长流程、runtime 命令、Evidence Wave 、platform driver 、hooks ，都拆到 references 里按需读取。