我发现了 books2skill：一个能跨多本书整合 AI Skills 的开源项目 先回答你可能会问的问题：这跟 cangjie-skill 有什么区别？ cangjie-skill 是「把一本书蒸馏成 skills」，books2skill 是加了一个新维度——把多本书联动起来。 简单说就是：你读了《影响力》+《疯传》+《文案创作完全手册》，books2skill 不仅能把每本书分别变成 skill，还能让你问一个跨三本书的问题（如「怎么写一篇能让人转发的内容？」），它会从三本书里召回相关内容、解决冲突、输出整合后的答案。 （来源：GitHub README - books2skill 项目） 项目概览 属性 值 项目 books2skill 作者 ClayDong 语言 Python 许可 MIT 状态 早期开发中（2026-06 创建） 基座 Fork 自 cangjie-skill（kangarooking） 它做了什么扩展 cangjie-skill 的 RIA-TV++ 流水线已经覆盖了单本书的蒸馏全过程（理解 → 提取 → 验证 → 构造 → 链接 → 测试）。book.... books2skill：把多本书的知识蒸馏成可联动的 AI Skills 的开源项目 ai
我找到了把一本书蒸馏成 AI Skill 的开源项目：Cangjie Skill（4592 Star） 事情是这样的。我们之前装了一套 /cangjie skill，可以把书籍、长视频、播客蒸馏成可调用的 AI Skills。但直到上周，我才发现这个 skill 背后有一个完整的开源项目——Cangjie Skill。 这个项目在 GitHub 上有 4592 星标，用 Python 写的，MIT 许可。它的目标很明确：把书、长视频、播客里的方法论，蒸馏成 AI agent 可以直接调用的技能包。 这篇文章不是 README 翻译——我把项目跑了一遍，实测了几个输出结果，说说真实感受。 这篇是按 [基于 GitHub 开源项目 & 技术博客的综合创作规范] 生成的开源项目评测类博客。相关项目可以看 WorldMonitor 部署指南。 这个项目解决什么问题 项目 README 里说了一个很真实的痛点：你看了很多书、收藏了很多视频、听过很多播客，但就是运用不起来。 我太有体会了。我的 Instapaper 里躺着 200+ 篇收藏文章，B 站收藏夹有 50+ 个长视频，很多都是读.... Cangjie Skill 项目评测：4592 Star 的开源知识蒸馏工具，把书籍方法论变成 AI Skills ai
达尔文.skill：让你的 AI Skills 自动进化的开源项目（5087 Star） 之前写了 Cangjie Skill（蒸馏内容）和 nvwa-skill（蒸馏人），这两个项目负责「生成」Skills。那生成之后呢？谁来保证这些 Skills 的质量？ 答案是这个系列的第三块拼图——达尔文.skill（Darwin Skill），一个让 AI Skills 自动进化的系统。 项目概览 属性 值 星标 5087 ⭐ 许可 MIT 版本 2.0（2026-05-28） 安装 npx skills add alchaincyf/darwin-skill 亮点 微软研究院 SkillOpt 官方集成 核心能力：像训练模型一样优化你的 Agent Skills。评估 → 改进 → 测试 → 保留或回滚。一个只能向前转的棘轮。 （来源：GitHub README - darwin-skill） 它解决了什么问题 当你有 10 个 Skills 时可以手动维护；当你有 60+ 个 Skills 时，你需要一个系统。 传统的 Skill 审查是纯结构性的：检查格式对不对、步骤有没有编号、路径能.... 达尔文.skill：5087 Star 的开源 AI Skill 自动进化系统，微软研究院官方集成 ai
我试了 nvwa-skill：把马斯克、乔布斯、芒格蒸馏成 AI Skills 的开源项目 事情是这样的。之前装了 /nvwa skill，一直以为是随便玩玩的东西。直到我用「乔布斯的视角」问了一个问题——它给我的回答完全不像角色扮演，更像乔布斯本人会说的话。 这个项目叫 nvwa-skill（女娲.skill），MIT 许可，在 GitHub 上几千星。目标是：输入一个人名，自动调研、提炼其思维框架，生成可调用的 AI Skill。 不是角色扮演，是把一个人的认知操作系统提取出来——他怎么说话、怎么思考、怎么做决策。 这篇是基于 [GitHub 开源项目 & 技术博客的综合创作规范] 生成的项目评测类博客。如果你对 Skill 生态感兴趣，可以看之前写的 Cangjie Skill，两者是互补的——一个蒸馏内容，一个蒸馏人。 这个项目做了什么 项目 README 说了一句让我印象很深的话：「你想蒸馏的下一个员工，何必是同事？」 已经有同事.skill 证明了把一个人蒸馏成 skill 是可行的。那与其蒸馏同事，不如直接蒸馏乔布斯、芒格、费曼、马斯克。 nvwa-skill 自.... nvwa-skill 实测：把乔布斯、芒格、马斯克蒸馏成 AI Skills 的开源项目 ai
我部署了 Star 72.8k 的 WorldMonitor：一个开源版 Palantir 事情是这样的。上周我在 GitHub Trending 上看到一个项目——WorldMonitor，72.8k 星标，号称"开源版 Palantir"。 Palantir 是美国情报界用的数据分析和态势感知平台，普通人根本没机会接触。但这个项目把类似的能力开源了：AI 驱动的全球情报仪表盘，实时聚合新闻、地缘政治事件、基础设施状态，统一在一个界面里展示。 我花了一个周末部署和体验，这篇文章是把过程记录下来了。 这篇是 AI 编程工具与大模型终极指南 的延伸篇——AI 开发工具的实战应用，可以看作是 AI 落地的一个典型案例。 WorldMonitor 是做什么的 一句话：这是一个用 AI 聚合全球信息、帮你做态势感知的开源仪表盘。 功能 说明 多源新闻聚合 自动抓取全球主流新闻源，AI 提取关键信息 地缘政治追踪 监控各国政策变化、冲突热点、外交动态 基础设施监控 能源、交通、通信等关键基础设施状态 AI 分析摘要 用 LLM 对原始新闻做摘要和归类 可视化仪表盘 地图热力图、趋势图表、事件时间.... 我部署了 Star 72.8k 的 WorldMonitor：一个开源版 Palantir 的完整部署和使用指南 ai
AI会完全取代程序员吗？我的真实看法 先说结论：AI不会完全取代程序员，但会取代「只会写代码」的程序员。 这不是贩卖焦虑。我做了10年Java开发，这两年看着AI从只能写个Hello World到能写完整的CRUD+单元测试+配置文件，变化确实大。但变化的方向不是「程序员失业」，而是「程序员的工作内容变了」。 这篇是 AI 编程工具与大模型终极指南 的观点篇。如果你正在担心自己的职业前景，可以结合 ChatGPT和Claude哪个更适合写代码 一起看，了解AI现在的真实能力边界。 先看事实：AI现在能做什么，不能做什么 我拿自己团队遇到的真实情况来说。 AI能做的： 任务 AI完成度 说明 写CRUD接口 90% 标准的增删改查，AI直接生成，你审一遍就行 写单元测试 80% 正常路径覆盖很好，边界场景需要你补 写SQL查询 85% 标准SQL几乎完美，复杂查询需要你优化 写配置文件 90% YAML/JSON/XML配置，AI基本不会错 解释代码 95% AI解释代码比大部分人都清楚 Bug排查 60% 简单bug很快，复杂bug需要你定位 生成注释/文档 80% 中规中矩，但符合规.... AI会完全取代程序员吗？10年Java后端开发的真实看法 ai
我每天用AI省下2小时的具体方法 先放结论：AI提升工作效率，不是花里胡哨的自动化，而是把你每天重复做的那几件事交给AI。 我统计了自己一个月的工作时间分布，发现70%的时间花在四类事情上，而这四类恰恰是AI最擅长的。 场景1：会议记录 & 摘要（每天省20分钟） 每次开完会，用AI把录音转成文字+自动摘要： # 用Whisper转录音频 whisper meeting.mp3 --language zh --output_format txt # 处理过的文本喂给AI提取摘要 Prompt：这是一段会议录音的文字稿，请帮我提取： 会议结论（3条以内） 待办事项（负责人+截止时间） 争议点（如果存在） （实测）原来每次会后要花30分钟整理会议纪要，现在AI 5分钟出初稿，我花5分钟审核，省了20分钟。一天平均2个会，就是40分钟。 场景2：邮件 & 消息回复（每天省15分钟） 日常工作中大量消息是重复类型：确认收到、安排会议、回复常见问题。 我用AI生成了一个提示词模板，专门处理这类消息： 你是一个职场沟通助手。下面是我的工作场景，帮我写出回复草稿： - 对方：[描述].... 如何用AI提升工作效率？打工人每天省2小时的4个具体方法 ai
我用AI辅助编程的真实项目案例：从需求到上线，AI帮我省了一半时间 先说结论：AI辅助编程不是"让AI替你写代码"，是"让AI帮你把重复劳动省掉，你专注在设计和决策上"。 下面用我最近的一个真实项目来说明。 项目背景：一个企业内部的知识库管理系统（Spring Boot + Vue），需求是： 文档的增删改查、全文搜索 用户权限管理（管理员/编辑者/阅读者三级） Markdown编辑器集成 文档版本历史记录 传统做法预估工期：约4周（1人）。实际工期：2.5周。 第一阶段：脚手架搭建（AI贡献度：80%） 项目启动，我先用AI生成了项目基础结构： # Prompt: 生成一个Spring Boot项目，包含 # - user、doc、category三个模块 # - MyBatis-Plus + MySQL # - Spring Security + JWT认证 # - RESTful API规范 （实测）脚手架代码AI一次性生成了大约70%的代码量。需要手动调整的地方主要是项目包名、配置文件里的数据库连接参数、以及一些自定义异常类的位置——这些都是AI不可能知道你项目具体配置的，改一.... AI辅助编程实际项目案例：从需求到上线，AI帮我省了一半时间 ai
Copilot 和 Cursor，我为什么两个都装着 先放结论：两个不是"谁替代谁"的关系，是"什么场景用哪个"的关系。 我 Java 后端主力用 IntelliJ + Copilot，前端/脚本/个人项目用 Cursor。两个都装着，互不冲突。 这篇文章写给还没决定买哪个的人，帮你对应自己的场景做选择。 这篇是 AI 编程工具与大模型终极指南 的对比篇。详细的 Cursor vs Copilot 单篇对比可以看 Cursor vs GitHub Copilot 2026 对比，这篇是更简洁的"决策版"。 先看你的主力场景 场景 推荐 理由 主力 Java / IDEA Copilot IDEA + Copilot 的补全体验比 Cursor 好一档 主力前端 / 全栈 Cursor Composer 跨文件改代码是杀手级功能 混合（都写） 两个都用 日常切着用，互补 预算有限 Copilot $10/月 更便宜，覆盖大部分场景 经常做重构 Cursor Composer 一次改 30+ 文件 五个维度速测 1. 行内补全 写 Java 的时候，Copilot 的补全准确率更高——它特.... AI代码助手Copilot和Cursor区别：5个维度速测帮你选 ai
我同时用 ChatGPT 和 Claude 写代码两个月后的结论 先放结论：写代码这件事，Claude 比 ChatGPT 强，但不是全面碾压——是场景化的碾压。 过去两个月我做了一个实验：同一个 Java Spring Boot 项目，相同的 8 个编程任务，分别用 ChatGPT（GPT-4o）和 Claude 3.5 Sonnet 跑一遍，记录生成代码的质量、需要改多少、完成时间。 结果让我自己都意外——Claude 在复杂逻辑上赢了，但某些日常场景里 ChatGPT 反而更好。 这篇是 AI 编程工具与大模型终极指南 的对比评测篇。如果你还没决定用哪个 AI 助手，看完这篇应该心里有数了。 测试设计 任务 难度 测什么 CRUD 生成 简单 标准的 Controller + Service + DTO 单元测试 简单 为一个 Service 类生成 JUnit 测试 Bug 排查 中等 找出一段代码里的 5 个 bug 状态机设计 中等 实现订单状态转换逻辑 代码重构 中等 把 Date 批量替换为 LocalDateTime 多线程并发 困难 实现生产者消费者队列 架构设计 .... ChatGPT 和 Claude 哪个更适合写代码？8 个编程任务实测对比 ai
花了一周时间，我让 OpenCode（免费）和 Claude（付费）做了同一件事 先说结论：免费模型在日常 CRUD 级任务上能替代付费模型约 80% 的场景，剩下 20% 的复杂场景你必须用付费模型。 我的 Java 项目里，OpenCode + Qwen2.5-Coder 14B 本地跑的补全和 Claude 3.5 Sonnet 的差距，远没有价格差距那么大（0 vs $20/月）。 但问题在于很多人以为「免费模型能完全替代付费模型」，然后拿去写复杂的架构代码，翻车了就说「开源 AI 不行」。免费模型的定位不是「全面替代」，而是「日常轻活用它，重活才上付费」。 这篇是 OpenAI Codex 停用后免费平替 API 指南 的深入篇。如果你还没选好免费的替代 API，先看那篇。关于 OpenCode 的基础配置可以看 OpenCode 本地推理太慢怎么开启 GPU 独显加速。 测试方式 我拿同一个 Java Spring Boot 项目做了 8 个任务，分别用 OpenCode + Qwen2.5-Coder 14B（本地）和 Claude 3.5 Sonnet（付费）跑了一遍。.... 免费的 OpenCode 相比付费的 Claude 编程能力差多少？8 个任务实测对比 未分类
凌晨 2 点被 DBA 叫醒：“你的 AI 生成的 SQL 把库锁了” 事情是这样的。我写了一个自动化脚本——用 AI 批量生成 SQL 查询、数据分析，然后跑在公司的 MySQL 生产库上。用了两个月一直挺好，直到有一天凌晨 2 点，DBA 给我打电话：“你们那个自动化脚本，把订单表的写入锁了 45 秒，线上支付超时了一大片。” 我查了那段时间的运行日志，发现是 AI 生成的一条 SQL 导致的： -- ❌ AI 生成的死锁 SQL UPDATE orders SET status = 'paid' WHERE user_id IN ( SELECT user_id FROM orders WHERE DATE(created_at) = '2026-07-27' GROUP BY user_id HAVING COUNT(*) > 3 ); 这条 SQL 自己更新自己，子查询和主查询同时锁同一张表的同一行数据，直接死锁。 （实测）这不是 AI 故意写坏 SQL——它只是不知道你的表结构、索引情况、数据量和并发场景。它按照教科书式的写法生成了一条"功能正确但性能灾难"的 SQ.... AI 写的 SQL 导致数据库死锁？5 个优化方案让 AI 不再坑你 ai
新买的 Windows 笔记本，Copilot 装上了却激活不了 事情是这样的。上周我买了一台新笔记本（Windows 11），装好 VS Code 后第一件事就是装 GitHub Copilot。装好插件，点击「Sign in to GitHub」，浏览器弹出来让我登录 GitHub 账号——然后卡住了，页面一直在转圈。 等了 3 分钟，VS Code 弹出提示：「Request signin failed: Failed to authenticate with GitHub.」我点了几次重试，偶尔成功登录了，但 Copilot 依然显示「Sign in failed」。来回折腾了快一个小时，最后发现是网络问题。 （实测）这不是 Copilot 的 bug，是 GitHub 在国内的连接不稳定——Copilot 的认证流程需要访问 github.com 的 OAuth 服务，而你家宽带的 DNS 解析可能让这个流量被墙了。这篇文章就是给 Windows 开发者准备的排查和修复指南。 这篇是 OpenAI Codex 停用后 5 个免费平替 API 实测对比 的周边篇。如果你 Cop.... GitHub Copilot 激活失败提示 Request signin failed 怎么办？Windows 版 5 个修复方案 ai
Copilot 装了三天，一直在转圈「Loading…」 事情是这样的。我一个同事刚入行，听说 GitHub Copilot 很好用，就在 VS Code 里装上了。结果装完后 Copilot 一直显示「Loading…」，等了五分钟还是转圈。点开右下角的 Copilot 状态栏，显示「Disconnected: GitHub Copilot is not connected to the server.」 他在群里问我：「哥，Copilot 装完了怎么一直在加载？」 我第一反应是：你网络被墙了。他人在国内，宽带是电信，VS Code 的插件市场虽然能访问，但 Copilot 的连接需要访问 GitHub Copilot 的 API 服务，这个服务在国内直连极其不稳定。 （实测）Copilot 一直「Loading…」的核心问题就一个——它在尝试连接 GitHub Copilot 的认证和补全服务，但你的网络连不到。不是装错了，不是插件坏了，就是网络问题。这篇文章就是写给国内用户看的——从最简单到最彻底的方案全列出来。 关于 Copilot 激活失败的另一种情况（认证阶段就报错），我写.... VS Code 插件 Copilot 无法联网一直 Loading 怎么挂代理？国内网络完整修复指南 ai
Copilot Chat 打开一个大项目，我泡了杯茶它还没加载完 事情是这样的。上周我打开一个老项目 —— 7 个模块、300 多个文件、Git 历史 3 年。我想让 Copilot Chat 帮我分析其中一个 Controller 的代码有没有安全漏洞。按下 Cmd+L 打开 Chat 面板，结果等了快一分钟才出现对话框。 我一看它加载的东西 —— 它在扫描整个项目的所有文件。我只要看一个 Controller，它把 300 多个文件全读了一遍。 （实测）这种「启动 Chat 先全量扫描」的行为在大型项目下会非常慢。如果你的项目有 10 万行代码以上，Copilot Chat 的启动时间可以达到 30-60 秒。它不是变慢了，是你项目变大了。 如果你是新人还不知道 Copilot 的基础用法，先看我之前写的 VS Code 插件 Copilot 无法联网一直 Loading 怎么挂代理。如果你还想知道更多 Copilot 的故障排查，看 GitHub Copilot 激活失败 Request signin failed 修复指南。 先搞清楚：Copilot Chat 扫描的范围到底有.... GitHub Copilot Chat 怎么让它只分析当前文件不扫描全局？大项目重构限制扫描范围的方法 ai
公司要求补齐单元测试覆盖率，我用了 Copilot 两个小时刷完 事情是这样的。上个月公司发了硬性要求：所有前端项目的单元测试覆盖率必须从当前的 23% 提升到 80% 以上，且通过 ESLint 规范检查。 截止日期两周。 我所在的组负责一个中型 React 项目（约 200 个组件 + 80 个 hooks + 40 个工具函数），手动补测试的话每个文件平均要 15-20 分钟，算下来至少 100 小时。两周的排期根本不可能。 我用 Copilot 批量生成测试，配合 ESLint 规范校验，实际用了大概 2 个小时完成全部 320 个文件的测试生成。当然不是全自动的——AI 生成后我还花了一天半的时间审核和修正——但相比「手写 100 小时」，AI + 人工审核的组合方案把时间压缩到了约 12 小时。 如果你是 ESLint 和测试框架的新手 本文假设你用的是 React + Jest + @typescript-eslint 这套技术栈。如果你是 Vue/Vitest 或者其他框架，工具名不同但思路完全相同。 关于 GitHub Copilot 的基础配置（代理、激活、限制扫描.... GitHub Copilot 怎么批量生成符合 ESLint 规范的单元测试？前端工程师 2 小时刷完 320 个文件的实战方案 ai
我靠 AI 批量生成 WordPress 插件，一个月上线了 12 个 事情是这样的。年初我接了个活——帮一个外贸公司做 12 个 WordPress 小插件，每个功能都不复杂（联系表单增强、图片懒加载、自定义短代码、数据库清理等），但每个都要独立开发、测试、打包。传统做法，一个插件至少 1-2 天，12 个做完至少半个月。 我用 Codex 的替代 API（DeepSeek/GLM）批量生成，每个插件的核心代码控制在 3-5 小时完成（含测试），12 个插件一共用了 12 天——但其中有 8 天是并行处理的。 （实测）这篇文章不是教你怎么写 PHP——是教你怎么用 AI 在 30 分钟内从一个需求描述变成一份可上架的 WordPress 插件包。 这篇是 OpenAI Codex 停用后免费平替 API 指南 的实战篇。如果你还没找到替代 Codex 的 API，先看那篇。 第一步：用 Prompt 模板生成插件结构 WordPress 插件的结构是固定套路——主文件头注释、激活/停用钩子、管理页面、短代码或小工具。不需要每次重复写，让 AI 一次性给你。 基础 Prompt 模板 .... 用 Codex API 批量生成 WordPress 插件代码实操教程：AI 做站变现指南 ai
OpenAI Codex 停用那天，我还以为世界末日了 2026 年 3 月，OpenAI 正式宣布停用 Codex API。我在一个 Java 项目群里看到这个消息时，第一反应是"完了，我的自动化代码审查工具要废了"。那种感觉就像你用了三年的一把趁手工具被没收了，得重新找一把。 我在 Codex 上写了至少 2 万行辅助代码——自动补全、代码审查、单元测试生成。突然停用，我的整个工作流断了一半。 但半年后的今天回头看——Codex 的停用可能是 2026 年 AI 编程领域最好的事情。因为替代品的质量比 Codex 强了不止一个档次，而且大部分是免费的。这篇文章写给那些和我一样的老 Codex 用户，帮你找到最合适的替代方案。 这篇是 AI 编程工具与大模型 Ultimate 指南 的 Cluster 文章。如果你之前没用过 Codex，直接看后面的替代方案就行，不需要背景知识。 先搞清楚：Codex 停用后，你的工作流还剩什么 如果你是和我一样重度使用 Codex API 的开发者，你的工作流大概率是这样的： 工作场景 之前用 Codex 现在用什么 编辑器行内补全 Codex 补.... OpenAI Codex 停用后用什么？5 个免费平替 API 实测对比（DeepSeek / GLM / Qwen / Copilot / 本地模型） ai
我第一次跑 OpenCode，等了 3 分钟才收到一个字 事情是这样的。上个月我把 OpenCode 装上了，满心期待地用它帮我写一段 Java 代码。结果输入完 prompt 后，我在终端前等了足足 3 分多钟——然后屏幕上一个字一个字地往外蹦，比我自己写还慢。我忍不住骂了一句："这 AI 比我还菜，速度慢成这样怎么用？" 后来打开任务管理器一看——Ollama 进程的 GPU 占用率显示是 0%。它全程用 CPU 在跑。 （实测）这个坑估计 80% 的小白第一次部署都会踩到。Ollama 默认会把模型扔到 CPU 上推理，除非你手动配置让它用 GPU。这篇文章就是让你 5 分钟搞定这个问题。 这篇是 本地部署大模型实战：Ollama + Open WebUI 完整教程 的性能优化篇。先确保你的 Ollama 搭好了，再来看怎么加速。 先诊断：你的模型到底在用什么跑 在动手之前，先搞清楚目前的运行状态。不要瞎猜，直接用命令看。 # 查看当前运行的模型和使用的推理设备 ollama ps # 输出示例（CPU 模式——慢）： # NAME ID SIZE PROCESSOR # qwe.... OpenCode 本地推理太慢？5 分钟开启 GPU 独显加速指南（小白版） ai
我接手了一个 3000 行的老旧 Shell 脚本，差点辞职 事情是这样的。上个月换了一家公司，接手的第一天就被安排了一个任务——维护一个 3000 行的 deploy.sh。打开一看，200 多行没人知道是干什么的、变量名是 a b c、没有函数封装、一堆 cd /tmp && rm -rf 裸写。更离谱的是，整个公司的自动化脚本分布在 7 台服务器上，没有版本控制，没有任何注释。 这种场景我估计很多运维同行都遇到过。 我用 OpenCode 把整个公司的老旧脚本重构了一遍，从 3000 行缩减到 1200 行，全部标准化。这篇文章就是我踩完坑后整理出来的完整方案——用开源 AI 工具帮你清洗、重构、测试一键搞定。 这篇是 Ollama + OpenCode + VS Code 本地补全方案 的实战篇。如果你还没学会基础操作，先看那篇把环境搭起来。 第一步：用 OpenCode 扫描旧项目，自动识别哪些脚本需要重构 OpenCode 支持用自然语言直接扫描整个目录结构。不需要写复杂命令，对话式指挥就行。 # 先 cd 到你的旧脚本仓库 cd /data/deploy/.... OpenCode 一键重构旧项目脚本：运维老代码批量改写成标准 Linux Shell 实战 ai