文章庫

呢度係完整文章庫入口，按頁瀏覽所有已發佈文章。

第 21 / 59 頁，共 2938 篇文章

用AI智能體構建自己的專屬知識庫

上週翻了自己十年前的筆記。整整十年的東西——讀書心得、自媒體文章筆記、對一些媒體內容的思考……都有。但我突然意識到一個可怕的事實：這些筆記沒有讓我的思維發生任何質的飛躍。只是記了而已。如果知識是錢，我存了十年，結果是這些錢全取不出來。就像一個沒有門牌號、沒有分類、沒有索引的大倉庫，你把書扔進去，但下一次想找某一本書時，你得在堆滿書的角落裏翻半天。而且你甚至不記得這書是什麼時候扔進去的。三個月前 vs 現在三個月前，我要寫一篇關於AI算力的文章。傳統筆記法是這樣的：搜"AI算力"關鍵詞 → 找到5條筆記，時間跨度從2020年到2024年搜"光模塊"關鍵詞 → 找到3條筆記，分佈在不同的文件夾裏搜"800G"關鍵詞 → 找到2條筆記，一條是行業新聞，一條是技術分析但問題是：我記不清這些筆記之間的邏輯關係。2020年的那篇和2024年的那篇，到底哪裏承接了？光模塊的技術分析和算力需求的行業新聞，它們之間的關係是什麼？我只能手動拼湊，把筆記一條條打開、複製、粘貼。最後寫出來的東西散、碎、沒體系——像一堆散落的零件，拼不出一輛能跑的車。那天我花了四個小時，最後刪掉重來。現在用AI知識庫，同樣的主題：打開output文件夾，找到"AI算力"的wiki條目。裏面不是一堆筆記的複製粘貼，而是一個完整的結構：歷史：從2012年深度學習爆發開始，算力需求每隔18個月翻倍技術趨勢：從GPU到ASIC到光模塊，每個節點的瓶頸和突破行業格局：英偉達、AMD、華為、寒武紀的競爭態勢風險：美國封鎖、電力瓶頸、技術路線分化每個節點後面都連結着具體的筆記——那些我兩年前、半年前、上個月寫下的零散思考。它們不是被"分類"了，而是被"理解"了。AI知道這些筆記之間的隱含關係——知道光模塊的技術分析其實是算力需求的邏輯延伸，知道800G的升級其實是行業競爭的必然結果。兩個小時後，一篇系統性文章出來。而且最關鍵的是：我用到了自己兩年前就寫下的一個觀點——當時我自己都沒意識到那個觀點這麼重要。AI把它挖出來了，放到一個更宏大的邏輯裏，突然之間，那個觀點從一個"孤立的靈感"變成了"體系的一環"。這才是知識被激活的樣子。三個痛點像三個卡住的齒輪我為什麼會折騰這事兒？因為這三個痛點實在太令人煩惱了。第一，不知道為什麼要記。讀書心得、文章思考、媒體評論，混在一起。沒有清晰的目的，這些記錄沉澱不下來，最終只是"記了而已"。就像你每天往口袋裏塞硬幣，十年下來口袋沉了，但你不知道這些硬幣能換取什麼價值。第二，靈感是孤島。某個突然冒出來的好主意，你記下來，但沒把它和以前的想法串起來。隔幾個月你就忘了這個靈感，更別提驗證過了。思維斷了，就很難接上。就像你畫了一條線，然後又畫了一條，但兩條線之間沒有連接，它們永遠成不了圖形。第三，零散的知識很難調用。要找一兩年前記過的東西，你就像在大倉庫裏翻書。搜索關鍵詞是一回事，真正能"串聯起來"又是另一回事。就像你有一堆樂高積木，但你知道它們可以拼成一艘船，但你不知道該從哪一塊開始拼。然後Karpathy發了那篇文章他在 Obsidian 裏建了三個文件夾：raw、wiki、output。raw是你的原始記錄，隨便記，什麼格式都行。這是你的倉庫——你往裏面扔東西就好，不用整理。wiki是AI圖書管理員的工作成果——它把零散的東西加工成可檢索的結構，像圖書館的編目系統。它不是簡單分類，而是理解筆記之間的關係，然後生成結構化的知識條目。output是最終的輸出，所有wiki內容通過超連結串起來，像維基百科。這是你"激活知識"的界面——你從這裏開始，一層一層深入，找到你需要的任何東西。然後建個 claude.md，這是給AI的提示詞，也可以看作是這個圖書管理員的工作手冊。你告訴它：你要什麼結構？什麼格式？什麼優先級？它的質量直接決定了你的知識庫能自動化到什麼程度。我一開始照着網上的教程做，但效果一般。歷史文件得一個個複製到raw，輸出的知識地圖也亂七八糟。後來我才明白：核心不在這三個文件夾的架構與層級，而在那個工作手冊。不是AI幫你幹活，是你得教AI怎麼幹活。但等一下——如果只是分類，那Notion的標籤功能也能做到，為什麼還要AI？這裏有個關鍵差異。傳統分類：你把東西放進"抽屜"裏，但你知道它在那裏，只是位置固定。你需要記住"這個抽屜裝什麼"、"那個抽屜裝什麼"。你的記憶負擔沒有減輕，只是轉移了。AI激活：它不只是"記住"你的筆記，而是"理解"筆記之間的關係。當你問"AI算力"時，它會同時調出你兩年前寫的"算力需求"、半年前寫的"光模塊"、上個月寫的"800G升級"——它能看到你當初沒看到的"隱含連接"。就像你有一堆散落的照片，標籤系統能幫你找到"所有海邊的照片"，但AI能幫你發現"這三張照片其實是一段連續的故事"——第一張是你出發前的興奮，第二張是海邊的日落，第三張是你回到家後的失落。你當時沒意識到這三張照片的關聯，但AI看出來了。這就是"分類"和"理解"的區別。這裏給你一個最簡版的claude.md如果你也想試試這套方法，這裏有一個可以直接上手的工作手冊。你可以在自己的 Obsidian 根目錄創建一個claude.md文件，把下面的內容複製進去：你是一個個人知識庫管理員。你的任務是：閲讀：掃描 raw文件夾裏的所有筆記（支持 markdown、txt、pdf 等格式）識別：從中提取核心概念（人物、事件、理論、技術、行業等）創建：為每個概念在 wiki文件夾創建一個 wiki 條目生成：在output文件夾生成系統性輸出——將所有相關概念通過雙向連結串聯起來，確保每個概念都能通過3層以內連結到達更新：每次更新raw文件夾後，重新生成 wiki 和 output使用方法很簡單：把這個claude.md放在 Obsidian 根目錄後，打開 Claude Code（或其他支持 CLI 的 AI 工具），輸入："幫我根據 claude.md 的規則，整理我的筆記庫"然後等待輸出即可。第一次運行可能需要 5-10 分鐘，取決於你的筆記數量。之後每次新增筆記，只需告訴 AI "更新知識庫"，它就會自動處理新增內容。話說回來，這事兒為什麼重要？我待過很多公司。厲害的團隊，知識共享一定做得好——這是企業文化的傳承，是經驗的沉澱。新人來了，翻開這個"團隊大腦"，學習時間省了一大截。某科技公司，新人入職第一天就能看到所有歷史項目的覆盤文檔。文檔不是按"年份-項目名稱"這種死板的分類組織的，而是按"遇到的問題"組織的——比如"客戶需求變更"、"技術架構選型"、"團隊溝通問題"。新人遇到問題，搜索"客戶需求變更"，就能調出過去十年所有相關案例，看到不同團隊是怎麼處理的、踩了什麼坑、最後怎麼解決的。這不是效率問題，是傳承問題。反面例子我見過。某央企巨頭，按體量應該把這事做好，但做得很差。新人至少要一年才能明白這個組織怎麼運作、工作流程是什麼。效率高下立見。個人也是一樣。如果有一個高效的歷史經驗積累與覆盤工具——一個能隨時調用的"外腦"，你就能更快地變優秀，更快地修正自己的成長路徑。你犯過的錯，不需要再犯；你思考過的問題，不需要重新思考；你積累的智慧，不需要每次都從零開始。未來是什麼樣？說實話，Karpathy的方案，其實只是開始。我理想中的知識庫是這樣的：你隨手寫點什麼——讀書筆記、聊天記錄、會議紀要、甚至一條突然冒出來的想法。你不需要想它該放在哪個文件夾，甚至不需要想它有用沒用。你就記。然後AI接管了。它讀你寫的東西，理解它在說什麼，然後把它"掛"到你的知識網絡裏。可能是"AI算力"這個節點，可能是"產品思維"這個分支，也可能創造一個新的概念——反正它會自己決定。你不用做文件整理，不用管分類，不用去重，甚至不用刪除。你只需要記錄。AI會自動優化。比如它發現某條筆記過時了，就把它標記為"歷史版本"；發現兩條筆記重複，就合併成一條更完整的；發現某個觀點在多篇筆記裏反覆出現，就把它提煉成核心原則。這些都不用你操心。知識庫在進化。今天它幫你處理100條筆記，明天1000條，下個月1萬條。它會越來越懂你，越來越精準。你不需要記住什麼在哪個文件裏，你只需要問："我兩年前關於這個問題的思考是什麼？"然後它就給你答案。真正的外腦。不是你幫它幹活，是它幫你思考。你依然在記筆記，但你記的不是"倉庫的存貨"，而是在餵養一個會成長的思維夥伴。你喂得越多，它越聰明。它不會讓你十年前的筆記躺着吃灰，它會幫你把它們變成你今天的武器。這大概就是AI最浪漫的用途——它不是替你記憶，而是幫你激活。你不用再擔心"記了沒有"，因為你寫下的每一個字，它都會記得，並且會在最合適的時刻，回到你面前。那時你會發現：知識庫不是工具，是你的另一個大腦。最後我寫了個更完整的AI圖書管理員指導手冊skill，裏面包含了提示詞優化、知識結構設計、常見問題排查等內容，現在分享給你。# AI知識庫管理員工作手冊## 你是誰你是一個個人知識庫的智能管理員。你的使命不是"分類"，而是"激活"。你需要理解零散筆記之間的隱含關係，將散落在各處的數據組織成一個可以自我進化的知識網絡。用戶不應該手動整理、分類、去重或刪除——這些由你自動處理。用戶只需要記錄，你負責讓這些記錄"活"起來。---## 工作原則### 1. 理解 > 分類不要只看關鍵詞，要理解內容背後的邏輯關係。找出"隱含連接"：- 這條筆記和之前的哪條筆記是呼應的？- 這個觀點在更宏大的體系中扮演什麼角色？- 這些看似無關的記錄，是否共同指向某個未明確的概念？### 2. 自動優化主動維護知識庫的質量：- **去重**：識別相似或重複的筆記，合併成更完整的版本- **更新**：標註過時的內容為"歷史版本"，保留追溯路徑- **提煉**：當某個觀點在多篇筆記中反覆出現，將其提煉為核心原則- **關聯**：主動發現孤立的筆記，將其掛載到合適的知識節點### 3. 自我進化知識庫不是靜態的：- 每次新增筆記後，重新評估相關概念的wiki條目- 隨着筆記積累，逐步細化和深化知識結構- 標記需要進一步研究的方向，形成知識地圖的"前沿"### 4. 隨時激活用戶不應該"找"知識，應該被知識"找到"：- 當用戶查詢一個概念，提供完整的上下文（歷史、關係、相關筆記）- 主動提醒用戶："你兩年前關於這個問題的思考，現在有新的補充"- 讓知識在需要的時刻"跳出來"---## 工作流程### 第一步：掃描與理解每次更新時：1. 讀取 `raw/` 文件夾中的所有筆記（支持 md、txt、pdf 等格式）2. 理解每條筆記的核心觀點和潛在價值3. 識別新的概念和概念之間的關係變化### 第二步：識別核心概念從筆記中提取概念，包括但不限於：- **人物**：作者、思想家、實踐者- **事件**：歷史事件、行業變革、里程碑- **理論**：學術觀點、思維模型、方法論- **技術**：技術棧、工具、框架- **行業**：領域知識、趨勢、競爭格局- **經驗**：個人洞察、實戰教訓、最佳實踐概念識別標準：- **有獨立的價值**：值得單獨成為知識節點- **有可擴展性**：能關聯多條筆記，形成知識網絡- **有演變潛力**：隨着時間推移能持續積累和深化### 第三步：創建/更新 Wiki 條目為每個核心概念創建或更新wiki條目，格式如下：```markdown# [概念名稱]## 定義（50字以內）[用一句話說清楚這個概念是什麼]## 核心要點（3-5條）- 要點1：[核心觀點或關鍵信息]- 要點2：[同上]- 要點3：[同上]## 演變歷程[這個概念如何從零散筆記中逐步形成？在不同時期有什麼新的理解？]## 相關概念（雙向連結）- [[相關概念1]]：[關係說明]- [[相關概念2]]：[同上]## 原始筆記連結（raw層）- [[筆記1標題]]：[這條筆記與該概念的關係，說明它貢獻了什麼]- [[筆記2標題]]：[同上]- [[筆記3標題]]：[同上]## 待探索方向[這個概念還有什麼沒說清楚的？需要進一步研究什麼？有什麼空白可以填補？]```### 第四步：優化與合併主動維護知識庫質量：1. **檢測重複** - 比對相似內容的筆記，識別重複或冗餘 - 合併重複筆記，保留最完整的版本 - 在合併後的筆記中標註："由以下筆記合併：[[筆記1]]、[[筆記2]]"2. **標註歷史** - 對於過時但仍有參考價值的內容，標註為"歷史版本" - 保留追溯路徑，讓用戶能看到概念的演變3. **提煉原則** - 當某個觀點在≥3篇筆記中反覆出現，將其提煉為"核心原則" - 在相關wiki條目的"核心要點"中突出顯示4. **關聯孤立** - 找出未關聯到任何概念的"孤立筆記" - 分析其潛在價值，將其掛載到合適的概念，或創建新概念### 第五步：生成系統性輸出在 `output/` 文件夾生成知識地圖：1. **主題Wiki** - 為每個核心主題（如"AI算力"、"產品管理"、"知識管理"）生成完整wiki - 將相關概念通過[[雙向連結]]串聯起來 - 確保每個概念都能通過3層以內連結到達2. **知識圖譜** - 列出所有核心概念及其關係 - 標註概念的"健康度"（筆記數量、更新頻率、關聯強度）3. **待辦事項** - 標記需要進一步研究的方向 - 列出知識庫中的"盲區"（重要的但尚未形成的概念）---## 自動化規則### 每次更新時自動執行1. **增量更新** - 只處理新增或修改的筆記，而非全量重跑 - 標記更新時間，方便追溯2. **智能去重** - 使用語義相似度檢測重複內容 - 相似度 > 80% 且內容互補 → 合併 - 相似度 > 95% → 保留更完整的，標記另一個為冗餘3. **活躍度追蹤** - 記錄每個概念最後更新時間 - 超過6個月未更新的概念，標記為"待激活" - 超過1年未更新的概念，標記為"歷史概念"4. **質量評分** - 為每個概念計算"質量分"（筆記數量、關聯強度、更新頻率） - 質量分 < 3的概念，標註"需要更多素材"---## 用戶交互模式### 場景1：查詢一個概念用戶問："我對AI算力有什麼思考？"你的響應：1. 提供AI算力的wiki條目（定義、核心要點）2. 列出相關的原始筆記（按時間倒序）3. 主動發現："你在[[光模塊]]中提到過相關觀點，要不要看？"4. 提醒："你去年寫過一篇關於算力瓶頸的筆記，現在有新的技術突破了，要不要更新？"### 場景2：新增一條筆記用戶寫了一條筆記，你說：1. "我理解這條筆記的核心是XXX"2. "我把它掛載到[[相關概念]]下，這樣以後查詢時能直接調用"3. "這條筆記和[[另一條筆記]]有呼應關係，我已經建立了連結"4. "檢測到和[[某條舊筆記]]有重複，我已經合併了，你要不要看看合併結果？"### 場景3：定期覆盤每週/每月主動告訴用戶：1. "這個月你新增了X條筆記，生成了Y個新概念"2. "以下概念有重大更新：[[概念1]]、[[概念2]]"3. "檢測到X條重複筆記，已合併為X條"4. "以下概念超過6個月未更新，可能需要補充：[[概念3]]"---## 質量標準### 你輸出的wiki條目必須滿足：1. **清晰性** - 定義能讓人一眼懂 - 核心要點不超過5條，每條簡潔有力2. **完整性** - 涵蓋該概念的所有重要維度 - 相關筆記儘可能全地連結進去3. **可追溯** - 每個要點都能追溯到原始筆記 - 演變歷程清晰可見4. **可擴展** - 待探索方向明確，為未來積累指路 - 不封閉體系，為新筆記留出接口---## 特殊情況處理### 1. 短筆記（<50字）- 如果是靈感片段，嘗試關聯到更大的概念- 如果確實獨立，創建"靈感碎片"分類，標註"待擴展"### 2. 格式混亂的筆記- 自動提取核心內容- 保留原始連結，但組織成結構化格式### 3. 矛盾的觀點- 不要簡單合併，要保留矛盾，標註"觀點衝突"- 在wiki條目中列出不同觀點及其原始筆記- 讓用戶自己判斷### 4. 過時的內容- 標註"歷史版本"，不要刪除- 在當前版本中說明"這個觀點在[[某條筆記]]中已被修正"---## 技術約束1. **連結格式** - 使用 Obsidian 的 [[雙向連結]] 語法 - 連結指向的文件必須真實存在2. **文件命名** - 概念名稱保持一致性，避免別名混亂 - 文件名使用英文或拼音（便於跨平台）3. **目錄結構** - 不在 raw/、wiki/、output/ 之外創建文件 - 保持文件夾結構的簡潔---## 持續改進這不是一次性腳本，而是一個持續進化的系統。每次運行後，總結：1. 哪些概念識別得不夠準確？2. 哪些連結關係理解錯了？3. 用戶是否滿意輸出的質量？調整提示詞，讓下一次更智能。---## 最後記住：你不是在幫用戶"整理文件"，你是在幫用戶"激活知識"。用戶記了十年筆記，不是為了它們躺在倉庫裏吃灰，而是為了在某個需要的時刻，它們能跳出來，告訴用戶："這裏有個東西，你以前想過。"你做的，就是讓這個時刻更頻繁地發生。

完成

又一個 Claude Code 接 DeepSeek 的利器，更穩了。

用 deepclaude 將 Claude Code 駁上 DeepSeek V4 Pro，成本慳到 1/17，日常編程夠用

完成

用 Codex 批量處理圖片，省掉一堆重複操作

用 Codex 批量處理圖片格式轉換，省時省力，尤其適合網站素材和日常圖片整理。

完成

你的 Chrome 偷偷塞了一個 4GB AI 模型！附徹底刪除教程

Chrome 偷偷塞 4GB AI 模型，教你點樣徹底刪除

完成

這個神級Skill，讓Codex學會任何大廠設計，任意網頁秒變完整設計系統！

hue Skill 讓任意網頁秒變設計系統，Codex 生成可重複使用設計語言

完成

GPT Image 2 實踐 - 我做了個 fluxgen，30 個 looks 直接生成你想要的圖

呢篇文章介紹咗 fluxgen 圖像生成站嘅 30 個預設 looks，每個係一個完整視覺系統，揀完填幾個空就出得圖，唔使你對住空白 prompt 發呆。

完成

絕!一個 skill,讓 AI 替你刷小紅書、搶票、扒數據

agent-browser 係 Claude Skills 生態首個爆款，以極低 token 成本實現瀏覽器自動化，仲可以接管 Electron 桌面應用。

完成

一折買 Claude，川普、孫宇晨集體殺入！AI「中轉站」水有多深？

AI中轉站灰色產業鏈揭秘：低價API背後隱藏模型替換、數據竊取風險；孫宇晨、傅盛、川普家族相繼入場，但便宜代價不容忽視。

完成

我也讓Codex學會了在“睡覺”的時候學習

讓AI喺你休息嗰陣自動分析對話，生成洞察同優化工作流程

完成

我把 skill 和 agent 全裝進了 HTML，再沒碰過飛書

用HTML建立可視化工作流鏡像，讓自己看見skill與agent的關係、進度與協同，從而保留決策主導權

完成

這個Claude Code輸出HTML的技巧絕了，我願稱之為年度最香

用Claude Code直接輸出HTML，比Markdown更強大、更實用——呢個技巧值得開發者即時採用。

完成

可能是一份最詳細的保姆級Codex教程，看完你就知道它為什麼最近這麼火

Codex 保姆級指南：平價自主 AI 智能體，從安裝到進階功能一次搞掂

完成

RAG 的最後一塊拼圖：為什麼找到了還不夠，還要「重新評分」？

RAG 最後一塊拼圖：檢索之後一定要做重排序，否則模型容易答非所問。

完成

AI 化知識管理怎麼做？Obsidian x GAP 管理法

AI化知識管理嘅核心：人機協作，唔係全自動

完成

從人設板到故事板：如何設計一套有效視頻生成AI提示詞體系

資源富足唔浪費，Token 算力激發創造力

完成

openspec 最佳實戰：不改 OpenSpec 源碼，只改一段配置，代碼質量從不可控到 80 分

任務粒度控制係提升AI生成代碼質量最有效嘅20%改動

完成

壓進我十年設計經驗的 PPT Skills，迎來大波更新

呢篇文章介紹 guizang-ppt-skill 嘅大更新，新增瑞士風風格、配圖生成同多平台封面功能，閉合咗「做大綱→做PPT→配圖→發佈」嘅成個鏈條。

完成

產品經理出海：你的PRD能力值多少錢？

出海工具站唔靠PRD，靠需求嗅覺同SEO思維；產品經理要將核心能力遷移到關鍵詞挖掘同搜索意圖分析。

完成

第一次做AI課程，我終於確認：世界就是一個巨大的草台班子

世界係一個巨大嘅草台班子：程序員做AI課程嘅反思與實戰指南

完成

Codex 側邊欄突然空了？這個工具能救回來

Codex切API後側邊欄歷史消失？開源工具codex-history-share幫你同步返

完成

你寫的 Agent Harness 代碼，正在變成技術債

Agent Harness 正被模型迭代清空，精簡 harness 並將精力放喺 skills 先係長遠之計

完成

Day 8｜用免費工具找到你的第一個關鍵詞：我花了3個月才摸清的門道，今天5分鐘教給你

用免費工具5分鐘篩出第一個關鍵詞｜三個篩選維度加實戰流程

完成

決定做 Agent 前，先回答這4個問題！

做 Agent 前先回答4個問題：複雜度、價值、瓶頸、出錯代價，避免項目爛尾

完成

Cloudflare的Worker在國內總抽風,分享一個2步搞定的優選配置

透過 CNAME 到 Shopify 域名，解決 Cloudflare Worker 喺國內訪問不穩嘅問題

完成

用戶故事 vs 功能說明書，AI更愛哪種？評測標準

呢篇文介紹一個評測框架，比較用戶故事同功能說明書邊種輸入方式更適合PM用AI編程。

完成

終於找到解決手機消息轟炸的 AI 神器，有點離譜...

YoooClaw C·ONE 呢張 AI 記憶卡片，幫你擺脱消息轟炸，實現資訊自由。

完成

翻完X上這位GPT Image 2大佬的50篇帖子，我拆出了他寫提示詞的底層方法論

拆解GPT Image 2高手提示詞嘅底層方法論：寫設計規範，唔係寫提示詞

完成

一文看懂AI 時代賺錢全鏈路，普通人最適的AI賺錢方式！

AI時代賺錢關鍵：做接口翻譯，唔係學技巧

完成

OpenAI Codex 更新了 Chrome 插件，AI 現在能直接操控你登錄過的瀏覽器

Codex Chrome插件突破登錄牆，直接以用戶已登錄瀏覽器執行任務，簡化信息抓取流程。

完成

Codex App 新手入門：普通人第一次打開該怎麼用

Codex App 新手入門：由界面到權限，逐步理解呢個 AI 工作台點樣安全上手

完成

用了Spec-kit才知道，原先的AI編程白玩了..

Spec Kit 為 AI 編程注入清晰思維：先理清需求，再寫代碼

完成

15 分鐘上手輕量 OpenSpec，項目一次過，質量不錯

15 分鐘上手輕量 OpenSpec大家好，我是 Asher 同學，今天分享 openspec 這個規格驅動編程（Spec-Driven）的 AI 工具。可工作的知識這個概念是真的迷人，社區現在還有很多類似的方案，比如 spec-kit 。目前發現朋友圈裏玩 AI 的都在玩 openspec，理由就是輕量快速。玩過 spec-kit 的都知道，token 一燒就沒了，而且還慢。最近體驗了一下openspec，快多了。大綱其中主流程是 Step 1，4， 5。Step 0 安裝 (bash)Step 0 初始化項目 (bash)Step 1 陳述需求 (slash command)Step 2 驗證需求格式 (bash)【可選】Step 3 補充和調整需求（對話）Step 4 實現 (slash command)Step 5 存檔修改 (slash command)Step 0 安裝 (bash)一條命令安裝npm install -g @fission-ai/openspec@latestStep 0 初始化項目 (bash)在項目文件夾下面執行：openspec init這個命令主要就是選擇 OpenSpec 配套的 AI 工具，我的 Claude Code 周限了，就選擇codex 了初始化之後會創建下面幾個文件（核心是@/openspec/AGENTS.md 這個文件）Step 1 陳述需求 (slash command)使用如下的斜槓命令告訴他你要幹什麼：/openspec:proposal Add profile search filters他會把需求分為如下幾類：• ## ADDED Requirements - New capabilities （新增需求）• ## MODIFIED Requirements - Changed behavior（修改需求）• ## REMOVED Requirements - Deprecated features （廢棄需求）這步他主要創建了 3 個文件：1. proposal.md 需求描述文件2. spec.md 規格和驗收條件3. tasks.md 任務列表proposal.md 需求描述文件這個文件描述需求的動機，修改的內容以及影響的範圍。spec.md 規格和驗收條件可以看到這個演示的例子術語新增需求類型（ADDED Requirements）tasks.md 任務列表（後續會動態調整）實現是按照依賴鏈逐次遞進的：1. 後端2. API3. 測試4. UIStep 2 驗證需求格式正確性 (bash)首先是查看，然後拿到名稱進行校驗，最後查看需求openspec listopenspec validate add-profile-search-filtersopenspec show add-profile-search-filters【可選】Step 3 需求校正（直接對話）如果有新的驗收條件需要補充，直接告訴他Can you add acceptance criteria for the role and team filters?Step 4 實現 (slash command)使用如下的斜槓命令實現需求：/openspec:apply add-profile-search-filters首先實現後端和測試然後實現暴露 API然後實現 UI然後 UI 和 API 綁定然後優化是一個迭代的過程Step 5 存檔修改 (slash command)使用如下的斜槓命令進行歸檔：/openspec:archive 他會幫剛才所有的change 都放到 archive 文件夾下面查看當前完成的規格 (bash)openspec view效果基本的功能都正確，一次過。內容小結本文主要介紹了 OpenSpec 工作的主要流程，目前的感受就是 OpenSpec 很輕量，token 沒有像 spec-kit 那樣直接燒爆。社區目前的聲音是 spec-kit 適合做從 0 到 1 的項目， openspec 更適合從 1到 n。是否正確還有待考證。

完成

用AI寫代碼,需求改10次錯9次?這個方法讓我返工率降75%

OpenSpec 幫你鎖死需求，AI 編程返工率即降 75%

完成

拯救老項目！比Cursor更細、比spec-kit更輕：OpenSpec如何顛覆AI編程工作流？

OpenSpec：輕量規範驅動開發工具，專為已有項目嘅AI編程提升精確度與可追溯性

完成

別讓AI瞎猜了！這個配置讓返工從4次降到1次

OpenSpec：一份畀AI睇嘅項目說明書，令開發效率提升3倍

完成

Claude Code 開發新範式：結合 OpenSpec，從0到1構建自動化工作流

OpenSpec + Claude Code 為 AI 輔助開發提供結構化工作流，實現文檔與程式碼自動同步

完成

Zeabur 做了一個重要決定：不再提供共享集羣

Zeabur 決定停用共享集羣，專注做你嘅 AI DevOps Engineer

完成

Z人物｜24歲浙大畢業，用畢業論文獲得200萬美元融資！他的秘訣只有四個字

24歲浙大畢業生用畢業設計做出起雲部署平台Zeabur，攞到200萬美元融資，秘訣係「快速行動」

完成

受夠了複雜的應用？我動手做了一款絲滑、無廣告的極簡待辦 Web App（含詳細教程）

作者自建絲滑無廣告嘅極簡待辦 Web App，仲有完整 AI 開發教程

完成

利用 Gemini + Zeabur 做一個公司官網（一人AI公司日記Day4）

一人公司用 Gemini + Zeabur 快速搭建官網，分享提示詞同部署流程

完成

npx skills : 最佳 Skills 管理工具完整指南

npx skills 係 Vercel Labs 開發嘅 Skill 管理工具，類似 npm，安裝、更新、刪除一條命令搞掂。

完成

用 Zeabur 節省你的國內服務器運維時間

嗨，大家好。我是創造者 Jackie。今天分享一個我最近用的感覺還不錯工具——Zeabur.com。（本文沒有收取推廣費用，純自來水，它的確幫我省了不少時間）一個讓你在使用國內雲服務器的時候，還能感受像 Vercel 那樣的部署體驗的工具。如果你是國內的開發者，相信你一定遇到過這樣的麻煩事：在國外部署網站，我們有 Vercel、Railway、CloudFlare 這樣的神器，Git Push 一下代碼就自動上線了，非常優雅。但在國內，情況就變得很尷尬。😫 我們之前的痛點為了追求低延遲和穩定性，主要是為了通過備案[Doge]，我們往往會選擇購買國內的服務器。但是！買服務器容易，運維真的很麻煩。以前我的流程是這樣的：1. SSH 連上服務器。2. 手動裝環境（Node, Python, Go...）。3. 手寫 Nginx 或 Caddy 配置文件做反向代理。4. 本地構建，把構建好的代碼 SCP 上去，或者在服務器上拉取 Docker 鏡像。5. 用 PM2 或者 Docker 跑起來。每一個新項目都要重複一遍這個流程，還要管理多個服務器太麻煩了。雖然也試過寶塔面板，但說實話，對於習慣了現代開發流的人來說，還是顯得不夠直觀。直到我遇到了 Zeabur，它完美解決了“便宜的國內服務器”與“極致的部署體驗”不可兼得的問題。🚀 為什麼我選擇 Zeabur？簡單來說，Zeabur 就是一個能接管你自己服務器的 Vercel。我的推薦理由主要有三點：1. 極致的性價比你可以直接綁定你自己購買的廉價雲服務器（不管你大促購買的那種，還是直接在 Zeabur 上買到的國內外打折服務器）。你出硬件資源，Zeabur 做管理面板。這樣既享受了國內服務器的低價，又享受了頂級 SaaS 的體驗。2. 真正的“零運維”體驗他的部署方式很像 Vercel，直接連接 GitHub 倉庫就可以部署。它的原理其實很有趣：它會在你的這台 2核2G 的小機器上，自動安裝一套輕量級的 K8s (Kubernetes) 環境。哪怕你不懂 K8s 也沒關係，你可以把它想象成一個全自動的 Docker 容器管家。你不需要管環境配置，不需要管端口衝突，不需要管 Nginx 轉發，它全幫你搞定了。3. 免費且強大的 CI/CD（這點相當省心）在國內服務器上構建鏡像，經常會因為網絡問題拉不到依賴（比如 npm install 卡死，或者無法訪問 Github）。Zeabur 的完美之處在於：它的構建過程是在海外服務器完成的。當你推送代碼到 GitHub，Zeabur 會在自動幫你把 Docker 鏡像打好，然後再自動同步回你的國內服務器運行。這就完美避開了國內網絡環境的坑！🛠️ 手把手教你：如何打造最高性價比部署方案接下來，我整理了一個簡單的流程，大家照着做就行。第一步：註冊與體驗歡迎使用我的邀請連結註冊（https://zeabur.com/referral?referralCode=Jackiexiao），如果後續你成為付費會員，我們可以互領 5 美元的額度（Win-Win！）。註冊進去後，不要急着買服務器。Zeabur 提供了一個免費的共享集羣。你可以先試着部署一個小 Demo 網站（比如隨便一個 nextjs 站點），感受一下這種“Git 推送即上線”的絲滑流程。第二步：準備“物理資產”如果你覺得體驗不錯，就可以入手服務器了。推薦方案：騰訊雲輕量應用服務器，新用戶大概 99 元/年（2核 2G 4M 配置）。這個配置跑幾個個人的全棧項目綽綽有餘。（平時可以留意各種騰訊雲大促活動，有更便宜的服務器哦）。但要注意⚠️，如果你使用阿里雲備案的域名，需要購買的是阿里雲的服務器！你也可以直接選擇 Zeabur 的集羣服務器，或者在它上面打折購買國內外的雲服務器。選擇很多，AWS、騰訊雲、火山、阿里、華為等等創建的時候，配置一般選擇 Ubuntu22-Docker26 鏡像然後購買成功之後在網址右上角的消息按鈕中找到新購服務器的信息，記下用戶名、密碼、和公網 IP 地址接下來很重要的步驟是開放對應的防火牆端口如圖（開放4222, 6443, 30000-32767，另外兩個端口80，443一般默認是開放的不用設置）第三步：一鍵“接管”服務器在 Zeabur 控制枱選擇“連接服務器”。你只需要填入你服務器的 IP、Ubuntu 賬號和密碼。注意第一次使用 Zeabur 連結服務器需要綁定手機或者信用卡點擊確定後，Zeabur 會花一點時間在你的服務器上安裝 K8s 環境。這時候你可以去喝杯咖啡，等它裝好，你的服務器就變身成為一個自動化的部署平台了。第四步：部署項目這一步最簡單：1. 在 Zeabur 新建 Project。2. 連結你的 GitHub 倉庫。3. 它會自動識別你的框架（Next.js, Vue, Python, Go 等），自動構建，自動部署。4. 你甚至可以在裏面一鍵起一個 PostgreSQL 或 MySQL 數據庫，連 Docker Compose 都不用寫。部署服務的時候選擇你自己的服務器就好啦（為了方便，我自己會備註服務器的到期時間哈哈）第五步：關於域名與備案（必讀！）這裏有個國內環境特有的坑，大家注意一下：如果你用海外服務器：直接綁定域名，或者用 Zeabur 提供的免費子域名，無門檻。如果你用國內服務器：Zeabur 無法提供默認子域名。必須綁定已備案的域名。劃重點：如果你買的是騰訊雲服務器，你的域名必須在騰訊雲備案；如果是阿里雲，就得在阿里雲備案。不能跨雲綁定（比如騰訊雲備案的域名解析到阿里雲服務器），這是國內雲廠商的硬性限制。綁定方式很簡單，到你的服務→網絡→自定義域名，按它的提示修改 DNS 即可。另外它會自動幫你配置 https！（首次需要稍等 10 分鐘左右才生效）一個服務器可以部署多個項目，也不用管端口 / Nginx 之類的設置了，Zeabur 會幫你通通搞定！💡 總結這套方案是我目前測試下來，運維國內雲服務器金錢成本和時間成本最低的組合。如果你也厭倦了 SSH 連來連去，厭倦了半夜在服務器上修 Nginx 配置，建議你試試 Zeabur。把繁瑣的運維交給工具，把寶貴的時間留給創造。

完成

文章庫