炒股、赌博、买房都有可能让你一夜暴富，也有可能让你的净资产清零，但是它们本质上并不是同一种游戏。

游戏​

任何一种金融活动，本质上都属于三种游戏之一：

• 正和 → 整个蛋糕在变大，所有参与者可以同时获益
• 零和 → 蛋糕大小不变，谁赚多就有人赚少
• 负和 → 扣掉摩擦成本,参与者整体在变穷

股市​

股市是最容易让人混淆的一个——因为它同时是正和、零和、和负和。

股票本质上是对公司未来现金流的所有权。当公司经营产生利润、提高生产效率时，蛋糕在变大——所有股东可以同时变富，不需要谁亏才有谁赚。美股 S&P 500 从 1928 年至今年化总回报约 10%，这是企业实际生产出来的财富。

但任何一笔具体交易都是零和的。$200 卖出 NVDA，对手方以$200 买入，未来涨到 $250 时他赚$50，原卖方少赚 $50。

如果加上佣金、印花税、买卖价差、滑点、税收——短期博弈整体上是负和的。

抽水​

但在生活里，纯负和的系统其实比股市更常见。先看两个数据：博彩和彩票，谁抽得更狠？

博彩是"吃流水的薄利多销"，必须给你较高的回报率，否则没人愿意一直玩。彩票是"收智商税的暴利垄断"，卖的是希望。

为什么彩票能抽这么狠？因为它是非刚需，民众可以选择不买——不买的人不会暴动。

这是所有抽水系统的潜规则：剥削率的上限，由"愤怒的临界点"决定，而不是由经济效率决定。

垄断​

把这个逻辑反过来用。国家机器最暴利的产品，都满足三个条件：

• 刚需或强诱惑（盐、烟、油、房、希望、货币）
• 替代品被政策切断（专营、牌照、外汇管制）
• 政治上不可挑战（公共财政依赖 + 民众接受度高）

按隐蔽度从低到高：

烟草：中国烟草总公司年上缴税利约 1.2 万亿元，占中央财政 6–7%。一包零售价 ¥20 的烟里 55–65% 是税，利润率比 Apple 还高。

燃油税：欧洲一升汽油里 50–65% 是税（英国 ~60%、法国 ~58%、意大利 ~62%）。它躲在"市场油价"的浮动里，绝大多数人不会觉得是在交税。这是政治学意义上最聪明的税——隐蔽 + 普遍 + 无替代品。

土地出让金：2021 年中国土地出让金 8.7 万亿元，占地方政府收入 40%+，是当年彩票销售（3700 亿）的 23 倍。本质上是"刚需税"——把 70 年土地租金一次性折现卖给开发商，开发商再加价卖给购房者。

盐：人类历史上最长寿的国家垄断。中国从公元前 119 年汉武帝盐铁专营开始，到 2017 年才彻底放开。盐之所以特殊，是因为它不是奢侈品，而是生存品：做饭要盐，腌肉要盐，保存食物也要盐。垄断越深，财政收益越高；但盐税有一个天然上限，一旦越过临界点，它就是起义的导火索。

彩票抽走 50%，没人造反，因为你可以不买。

烟草税很高，没人造反，因为你可以戒烟。

燃油税很重，民众会抗议，但还能忍，因为它不是每天入口的生存品。

盐税很重，黄巢起义和法国大革命就是例子。

这些垄断之上，还有一个更深的——一个几乎从不被讨论的终极抽水机。

印钞​

铸币税 / 通胀税——这是所有政府垄断里最深、最不被讨论的一个，印钞权本身。

机制很简单：

• 央行发行货币，新印的钱进入经济
• 流通中的钱变多 → 同样的资产 / 商品要更多钱去买 → 通胀
• 持有现金的人对应的购买力下降 → 等于被"征税"
• 这部分价值被政府（通过财政赤字货币化）和最先拿到新钱的人吃掉

明面上全世界政府通过税收拿走 GDP 的 20–40%，而长期通胀会让你每 10 年的购买力损失 20%。

它跟前面所有抽水系统最大的区别在于它是温水煮青蛙式的：

只要你在这个国家生活、领工资、消费——你的购买力就被绑定在它的贬值轨道上。没有出口，也没有"愤怒的临界点"——因为它的剥削是缓慢的、累积的、被通胀曲线掩盖的，永远不会引发民变。

这是为什么有钱人想方设法持有非现金资产（房产、股票、黄金、加密货币）。如果你不参与，便是在让通胀吃掉你的财富。

成功的反面不是失败，而是长期无所作为。

轮次​

现在我们知道了如何决策：

• 避开负和系统：博彩、彩票、超杠杆衍生品、长期持有纯现金
• 承认结构性垄断：烟、油、地、税、通胀无法回避，把它当成"生活成本"接受
• 少做零和游戏：短线交易、择时博弈，没有信息或速度优势就别玩
• 多做正和事情：长期持有优质企业 / 指数、自身能力建设、生产力工具

但这里还有一个更现实的问题：人在不同阶段，对财富的态度就不该一样。

穷则求变，福则求稳。

对于一个还在上升期的人来说，过早追求资产的均匀配置——黄金、现金、债券、股票各来一点——看起来很成熟，实际上本金太小的时候，分散配置最大的作用不是分散风险，而是分散阶级跃升的希望。

当本金还小，真正能在相对短期内积累原始资本的正和机会并不多。大多数看似"快钱"的东西，本质上是零和甚至负和：短线追涨杀跌、杠杆合约、彩票式炒币、情绪化赌博。

相对而言，普通人能接触到的进攻型正和游戏，主要只有两类：

• IPO 打新 / 新股申购
• 美股优质企业 / 指数

港股 IPO 现在不是稳赚不赔，过去新股总体破发率并不低，约四成破发意味着失败概率始终存在；但反过来看，胜率仍然大于一半。再加上主要持股人通常有一段禁售期，上市初期至少不用立刻面对核心股东集中砸盘。

但 IPO 的窗口也不是无限的。保荐人、承销商、早期资金都有自己的退出节奏，市场也会提前交易这种预期。很多新股如果前期涨得太猛，几个月后的解禁和业绩验证都会导致有短期盈利压力的承销商退潮。散户如果要参与，就必须明白打新是一场有时间限制的概率游戏。要跑，请趁早。

股票也是一样。长期指数化持有是正和，但这不代表任何时候闭眼买入都舒服。对于想更主动一点的人，能做的不是每天猜涨跌，而是围绕几个周期观察市场：

• 财报周期 → 大约 3 个月一次，验证公司增长是否还在
• 估值周期 → 判断价格是否已经透支未来
• 情绪周期 → 观察市场是在恐慌、平静，还是过度贪婪

换句话说，普通人不需要成为华尔街交易员，但至少要知道自己正在追什么。如果没有纪律，很容易滑回零和游戏。

加密货币则更特殊。它不像股票那样有清晰的利润表，也不像 IPO 那样有固定的发行、禁售和解禁节奏。它更像是把"货币""技术""能源""社区共识"揉在一起的市场，所以不能简单地把它理解成"股票的高波动版本"。

从普通人的视角，可以把它拆成三层：

• 比特币 → 对抗货币贬值的叙事，接近数字黄金
• 以太坊 → 智能合约与链上应用的底层资产，接近数字世界的基础设施
• 山寨币 → 叙事、社区、流动性和情绪的混合博弈

比特币的核心不是"公司赚钱"，而是"法币长期贬值"这个大背景。前面讲印钞，本质上就是解释为什么一部分人愿意相信比特币：如果现金注定被缓慢稀释，那么一个总量受限、全球流通、无法被单一政府随意增发的资产，就天然会拥有一部分避险叙事。

以太坊则不只是"另一个币"。它更像一个链上系统的底座：有人在上面发行资产、做交易、写合约、搭应用。它的价值来源不是单纯稀缺，而是生态是否真的有人用。换句话说，比特币更像"货币叙事"，以太坊更像"产业叙事"。

但山寨币要单独看。绝大多数山寨币没有长期现金流，也没有稳定护城河，更多靠社区、故事、交易所流动性和短期情绪推动。涨的时候像改变命运，跌的时候像彩票刮完。它可能给人暴富机会，但从系统属性看，更接近高波动的零和游戏，甚至是负和游戏。

所以加密货币不是不能碰，而是必须分清自己在买什么：

• 买比特币 → 买的是通胀对冲和长期共识
• 买以太坊 → 买的是链上基础设施和生态增长
• 买山寨币 → 买的是叙事扩散、社区热度和退出速度

其中最容易被忽略的，就是政策边界。股票市场虽然也有监管差异，但大体上都是被国家承认的金融资产；加密货币不一样，它在不同国家和地区的身份差异极大。

可以粗略分成三类：

• 禁止型 → 中国大陆：认定虚拟货币相关业务活动属于非法金融活动，交易、撮合、代币发行都被严格限制
• 承认型 → 美国、日本、德国、新加坡、瑞士、阿联酋：允许持有或交易，但通过牌照、税务、反洗钱规则纳入监管
• 观望型 → 香港、俄罗斯、印度：并非简单放开，也不是完全禁止，而是在税务、牌照、资本流动或立法框架里试探边界

这意味着，加密货币的风险不只来自价格波动，还来自你能不能合法、安全、低摩擦地买入、持有、交易和出金。

它的机会在于：当全球流动性宽松、技术叙事成立、社区共识扩散时，价格弹性会远大于股票。它的危险也在于：当流动性退潮、叙事证伪、社区互相踩踏时，下跌同样没有底线。

因此，加密货币更适合放在"原始资本阶段"的进攻仓位里，而不适合作为全部身家的底仓。它可以是年轻人追求非线性机会的一部分，但不能成为用来证明自己勇敢的赌桌。

所以年轻时完全求稳，可能错过改变命运的窗口；有钱后还只会冒险，则可能把前半生的积累一次还给市场。

变量​

知道了游戏属性，也知道了自己在哪一轮，还有一个问题：每天的信息那么多，你到底该追什么？

• 长期且关键、但消息最少 → 利率、人口结构、能源成本、技术范式
• 短期且高噪音、但消息最多 → IPO 热度、概念题材、短线行情、社交平台情绪

更重要的是知道信息的重要性，并比别人更快的知道或推测出你要的信息。

AI、新能源、机器人，这些是互联网之后最大的一轮技术变革。是上一代周期里不具备的新变量。但 AI 也是噪声最大的赛道。每天的新模型、新 demo、新概念股，绝大部分属于"短期且高噪音"。真正值得跟踪的是少数几个慢变量：底层模型能力的代际、计算成本曲线、能源约束、产品分发效率。

改进蜡烛得不到电灯，马训练得再好也变不成汽车，新问题强迫我们回到第一性原理重新思考，对于AI来说，只有每天高强度的使用AI，才能更好的评估出其价值。

能力​

变化加速的时代，几条值得长期建设的能力：

• 执行能力：知道和做到之间永远有一道鸿沟。跑步成绩不会因为"知道"而提升，只会因为"训练"而提升。让 AI 替你学习，就像请机器人替你健身。
• 英语：越来越像驾照。不是高门槛技能，但长期有用。
• 学习判断：用"30 法则"过滤新技术——30 小时、30 个月、30 年后，它分别给给我的生活带来怎样的影响？

下注​

长期看，收益来自承担可理解的风险；短期看，偶尔会出现收益风险比极高的窗口。真正重要的是：出现窗口时，你是否已经准备好。

下注之前，先分清两类决策：

• 单向门 → 不可逆。例：辞职、迁居、All-in、加杠杆、私钥外泄
• 双向门 → 可逆。例：开账户、试用工具、定投试水、读一本新领域的书

对单向门保持极度谨慎，对双向门保持极度宽容——这是把"试错预算"花对地方的关键。最常见的错误，是把双向门当单向门来纠结（"我该不该学这个"），又把单向门当双向门来冲动（"All-in 这个币吧，反正能再来一次"）。

压力管理可以降低冲动决策概率，和精力分配一样，都是成年人的必修课。

最后，普通人的经济学，就是勇敢地为自己的判断下注。

我是 Docusaurus^? 的老用户了。这次我想实现一个小需求：在文档标题旁出现一个“复制为 Markdown”按钮。

我刻意模仿传统用户、有基础的用户、深度用户，想看看强模型下，用户的技术深度是否还有很好的影响力。

本文使用的是 Cursor 版的 Opus 4.6^?。每次都用 Cursor Agent 模式。因为 Opus 4.6 比较贵，我给自己加了一个限制：每个阶段只问 7 次。这样一个小需求，7 次应该差不多了吧。

小白​

https://github.com/FlyNumber/markdown_docusaurus_plugin

这个项目的样式很不错，我希望像它这样实现。你看能不能仅在本地实现？

• 我的点评：普通的开局。
• Gemini3点评：典型的“甩手掌柜”式开局。只给参考链接而不说明具体逻辑，强行让 AI 进行逆向工程。虽然 Opus 4.6 能够读取网页，但这种缺乏上下文的提问会让 AI 生成大量通用代码，而非针对你现有项目的适配方案。
• GPT5.3点评：目标存在，但约束不足。没有说明当前项目结构、技术路径或限制条件，模型只能进行高层猜测，容易走向泛化方案而非可执行实现。
• Opus 4.6(当事人)点评：给了一个参考项目链接，但没有说清楚"像它这样"具体指哪部分——是按钮的位置、交互方式、还是视觉风格？"仅在本地实现"的约束也比较模糊（是指不发布 npm 包？还是不依赖外部服务？）。模型只能靠猜测来填补这些空白，第一步的方向偏差就此埋下。

https://www.npmjs.com/package/docusaurus-plugin-includes?activeTab=code

我模仿这个插件设置了我的 Markdown Copy Button，但是按钮位置不正确。

请你获取这个包，查看并比较其代码，尤其是关于如何定位按钮元素的部分，帮我分析可能的原因并修复。

• 我的点评：继续等待结果。
• Gemini3点评：此时用户陷入了“找参考”的循环。试图通过让 AI 比较两个第三方库来解决本地的样式问题，这其实增加了 AI 的推理成本，容易导致它在处理 DOM 选择器时产生幻觉。
• GPT5.3点评：明显提升。开始提供对比对象 + 具体问题 + 分析任务。但仍缺少当前代码片段，模型需要“想象你的实现”，错误概率较高。
• Opus 4.6(当事人)点评：引入了第二个参考项目来做对比分析，思路不错。问题在于：用户自己也不清楚按钮位置为什么不对，把"诊断"和"修复"同时甩给模型，相当于让模型在两个未知代码库之间做 diff 推理——这对上下文窗口和推理准确度都是很大的压力。

https://github.com/FlyNumber/markdown_docusaurus_plugin

请你仔细参考官方样式，确保 1:1 复刻。

• 我的点评：开始着急，语气也更强硬了。
• Gemini3点评：情绪化提示词。这里的“1:1 复刻”是一个非常模糊的指令，因为 CSS 表现受到父级容器、全局样式和 Docusaurus 版本的共同影响。对 AI 施压通常无法获得技术上的突破。
• GPT5.3点评：需求变得严格，但信息反而减少。强调结果而非路径，会导致模型反复调整样式层，而不是定位架构问题。
• Opus 4.6(当事人)点评：典型的"加压式提示"——用"仔细""确保""1:1 复刻"来强调期望，但没有提供任何新的技术信息。模型并不会因为你说"仔细"就变得更仔细；它缺的是具体的 CSS 选择器或 DOM 结构差异描述，而不是更高的情绪压力。

我将其调整至 Markdown 的顶部，但样式上应该与标题横向对齐，请你思考如何处理。

• 我的点评：这个提示词开始有用，但如果方向不对，只会让注意力越跑越偏。
• Gemini3点评：终于开始描述具体的 UI 布局问题。但由于没有提供 HTML 结构片段或 CSS 现状，AI 只能靠猜（例如猜测是 Flex 布局还是 Absolute 定位）。
• GPT5.3点评：开始进入“具体问题空间”，这是有效转折点。但仍停留在 CSS 层，未验证是否属于组件挂载层错误。
• Opus 4.6(当事人)点评：终于给出了一个具体的布局约束——"与标题横向对齐"。这是整个小白阶段最有技术含量的一句提示。遗憾的是，此时模型可能已经在错误的实现路径上走了三轮，积累了大量错误上下文，纠偏成本已经很高。

还有其他方案吗？

• 我的点评：意识到方向不对，开始发散思维。
• Gemini3点评：在没有解决前一个方案 Bug 的情况下开启新方案，是“小白模式”失败的预兆。这会让 Agent 在文件系统中创建更多冗余代码，增加项目混乱度。
• GPT5.3点评：良好的纠偏行为，但过于开放。模型会生成多个架构级方案，反而增加试错成本。
• Opus 4.6(当事人)点评：短小但关键的一个转折。主动让模型跳出当前方案是正确的直觉。但更好的做法是附上"当前方案的问题是什么"——比如"当前方案用了绝对定位导致响应式布局错位，有没有用 flex 布局的方案？"这样模型才能真正换一条路，而不是在同一棵树上换根枝。

试试：方案 2

• 我的点评：继续尝试。
• Gemini3点评：盲目试错。此时已经完全失去了对技术实现的掌控感，纯粹在靠 AI 的随机性碰运气。
• GPT5.3点评：典型“AI 驱动试错”。没有重新校验问题定义，只是在既定错误路径上继续前进。
• Opus 4.6(当事人)点评：极度简短，完全依赖上一轮模型给出的方案列表。如果模型上一轮的"方案 2"本身描述就有歧义，这一轮就是在盲选。一个更稳妥的做法是用自己的话复述方案 2 的核心思路，确认双方理解一致后再执行。

Module not found: Error: Can't resolve '@theme/PwaReloadPopup' in 'C:\Users\jiang\Desktop\github\jiangyangcreate.github.io\node_modules\@docusaurus\plugin-pwa\lib'

• 我的点评：直接丢报错。遗憾的是，修复后样式依然不正确，7 次机会用完了。
• Gemini3点评：典型的“报错驱动开发”。当对话进入修 Bug 环节时，如果底层逻辑（方案 2）本身就不适配 Docusaurus 的架构，即便消除了报错，功能依然无法达成。
• GPT5.3点评：属于被动调试阶段。模型只能修补表层错误，无法回溯最初的设计偏差。
• Opus 4.6(当事人)点评：直接粘贴报错是最省力的提示方式，对于明确的编译错误来说效率很高。但此时核心问题已经不是这个 import 错误，而是整体架构方向的偏差。7 轮中有 5 轮都在"修补"而非"重新审视"，这是小白阶段失败的根本原因：缺乏在中途叫停、重新定义问题的能力。

基础​

我再模仿“有技术背景、但不熟悉 Docusaurus 用户^?”的提示词：

目前这个项目 https://www.flynumber.com/docs/，点击按钮获取 Markdown 的逻辑是什么，怎么实现的？

• 我的点评：看到这个项目已经有“加按钮”的实现，于是我引导模型去分析这个网站。
• Gemini3点评：比小白阶段聪明的一点是：先问逻辑。理解逻辑后再动手，比直接要代码更稳健。
• GPT5.3点评：这是明显升级。开始利用现成正确实现作为 ground truth，减少模型幻想空间。
• Opus 4.6(当事人)点评：比小白阶段高明得多的开局——先"理解"再"动手"。让模型分析一个已经跑通的实现，相当于做逆向工程，能帮自己建立对技术方案的全局认知。不过，让模型分析线上网站存在一个风险：模型可能只能看到前端代码，看不到构建配置和插件注册逻辑，分析结果可能不完整。

这是我的按钮定位思路：

插件接入层：通过 index.js 的 getThemePath() 暴露 theme/，让 Docusaurus 使用自定义的 theme/Root.js 作为根组件入口。
页面 & DOM 选择：在 Root.js 中用 useLocation() 拿到 pathname，仅在以 /docs/ 开头的文档页执行逻辑；通过 document.querySelector('article .markdown header') 精确找到文档标题所在的 header。
挂载点注入：在该 header 内新建一个 div.markdown-actions-container，并作为最后一个子节点 append 进去，再用 createRoot(container).render(<MarkdownActionsDropdown />) 把按钮组件挂载到这个容器。
样式层定位：在站点 CSS 中把 article .markdown header 设为 display: flex，h1 设为 flex: 1 1 auto，并给 .markdown-actions-container 设置 margin-left: auto（以及移动端、RTL 的补充样式），从而实现「标题在左，按钮在右，且在不同布局下表现良好」。

请你按照我的思路，修改现有的 CopyMarkdownButton 组件。

• 我的点评：根据模型给出的分析结果继续执行。这里其实有个问题：模型会出错。上一步分析结果也可能是错的；如果你没有能力判断其正确性，反而应该先让模型“直接模仿目标网站”把功能跑通。
• Gemini3点评：这是一个结构化指令的范本。它包含了“注入层、逻辑层、挂载点、样式层”的完整思考。虽然用 querySelector 操作 DOM 在 React 框架中不是最优解，但其工程描述非常清晰。
• GPT5.3点评：高质量提示词。提供完整架构推理链，使模型进入“执行模式”。但风险在于：若前提分析错误，后续全部建立在错误基础上。
• Opus 4.6(当事人)点评：信息密度最高的一条提示词。四层架构（插件层、页面层、挂载层、样式层）描述得非常清晰，模型几乎不需要猜测。问题在于：这个方案本身用了 querySelector + createRoot 的命令式注入，绕开了 Docusaurus 的声明式主题体系，这意味着会遇到 SSR/hydration 不一致、路由切换时组件不刷新等问题。方案的"结构化程度"很高，但"方向正确性"存疑——有时候，过早地给出详细方案反而会锁死模型的探索空间。

试着给 Blog 插件下的文档页注入这个按钮。

• 我的点评：由于模型实现有误，此时发现不对劲，于是继续引导到插件层。
• Gemini3点评：开始探索 Docusaurus 的多实例特性。用户意识到仅靠 Root.js 这种“全局补丁”方式可能在不同路由下有兼容性问题。
• GPT5.3点评：正确的方向修正。从页面层开始上移到插件生命周期，是工程思维提升的表现。
• Opus 4.6(当事人)点评：开始意识到 docs 和 blog 是两套不同的插件体系，需要分别处理。提示词本身简洁合理，但"试着"这个词暗示用户自己也不确定可行性——如果能补一句"Blog 插件的布局组件是哪个？"先确认技术可行性，会更稳。

如何给 docs 也注入这个按钮？

• 我的点评：给一个开放式问题，让模型自由发挥。
• Gemini3点评：提示词略显后退，变得模糊了。但在经历过报错后，给模型一定的“自主权”有时能激发它找到更符合官方推荐（Best Practice）的路径。
• GPT5.3点评：开放式探索适合此阶段，但最好附带限制（swizzle / theme override / plugin API）。
• Opus 4.6(当事人)点评：在前几轮过于具体的指导之后，这里切换成开放式问题是一个很好的节奏调整。让模型自己选择 docs 插件的注入方式，可能会发现比用户预设方案更好的路径。这体现了一个重要的提示技巧：在你不确定的领域，给模型自由度比给模型指令更有效。

Compiled with problems:
×
ERROR in ./src/theme/BlogPostPage/index.js
...

• 我的点评：这里模型多次报错，最后还是人工介入才解决。
• Gemini3点评：AI 在自动修改 node_modules 或 swizzle 出来的文件时，经常会发生重复声明或导入路径错误。这里的人工介入体现了“基础”用户虽然懂代码，但被 AI 的粗心带进了坑里。
• GPT5.3点评：说明模型已进入复杂重构区。缺乏上下文完整性时，AI 很难维持大型文件的一致性。
• Opus 4.6(当事人)点评：重复声明错误说明模型在修改文件时没有正确处理已有的 export——这是 Agent 模式下常见的"部分覆盖"问题。直接贴报错让模型修是对的，但如果能同时说一句"你在追加代码时没有删除原有的 default export"，模型定位问题会快一个数量级。

为什么我打开网页，没有第一时间出现这个按钮，反而是刷新一下就有了？

• 我的点评：新的 BUG 出现了。
• Gemini3点评：这是一个非常深刻的单页应用（SPA）生命周期问题。这种观察力是区分小白与基础用户的关键：小白只会说“不行”，而基础用户能发现“路由切换不触发，刷新才触发”的规律。
• GPT5.3点评：优秀的问题类型。开始关注生命周期与 hydration，而非表面功能。
• Opus 4.6(当事人)点评：这个问题描述非常精准——"首次加载没有，刷新后有"直接指向了客户端渲染时机的问题（大概率是 useEffect + querySelector 在 SPA 路由切换时没有重新执行）。好的 bug 描述就是最好的提示词，这一轮做得很到位。

改成「不用 querySelector，直接在 Docusaurus 的文档布局里声明式渲染」

• 我的点评：最终结论是：这个阶段并没有在 7 轮对话内完成项目。
• Gemini3点评：这是一个极其关键的转折。用户意识到“命令式（DOM操作）”走不通，开始要求转向“声明式（React组件注入）”。可惜 7 次额度已满，否则这一步将是通往成功的曙光。
• GPT5.3点评：这是关键跃迁：从 DOM 操作 → 框架声明式扩展。说明用户开始主导架构，而不是让模型主导。
• Opus 4.6(当事人)点评：这条提示词本质上是在第 7 轮推翻了第 2 轮的整体架构——从命令式注入转向声明式渲染。方向完全正确，这正是 Docusaurus 的正统做法（swizzle 主题组件）。遗憾的是来得太晚了：如果这条出现在第 2 或第 3 轮，整个基础阶段大概率能在 7 轮内完成。这再次印证了一个规律：越早纠正架构方向，越省后续的调试轮次。

熟悉​

作为熟悉 Docusaurus 的用户，我最终的提示词是：

Docusaurus 通常把一些组件/插件隐式运行，但用户可以在 swizzle（导出）后进行替换。这段话在官方文档哪里？

• 我的点评：引导注意力机制到合适的技术方案上。
• Gemini3点评：降维打击。 专家级用户不直接要代码，而是先确认“底层规则”。通过 Swizzle（Docusaurus 的核心机制）来切入，这直接排除了前两个阶段中所有“暴力操作 DOM”产生的无效路径。
• GPT5.3点评：优秀的“注意力校准提示词”。不是解决问题，而是先定位正确知识源。
• Opus 4.6(当事人)点评：高手开局。不是直接说"帮我加按钮"，而是先让模型定位到 swizzle 机制的官方文档。这一步的价值在于：(1) 确认模型对 swizzle 的理解是否正确；(2) 把模型的注意力锚定在 Docusaurus 的官方扩展范式上，避免它走弯路去搞 querySelector 注入。用一个"知识确认"问题来校准模型的认知基线，是非常老练的提示技巧。

请你接管我的电脑，找到合适的组件，让我可以在博客标题旁渲染 "复制为 Markdown" 这个按钮。

• 我的点评：再次引导注意力机制到合适的技术方案上，给出模糊的目标。
• Gemini3点评：基于第一步确立的 Swizzle 共识，专家给出了极大的自由度。因为路径正确，此时的“模糊目标”反而能让 AI 精准找到 DocItem/Header 或 BlogPostPage 等核心组件。
• GPT5.3点评：高阶提示方式。目标明确但路径开放，使模型执行搜索与决策，而非生成代码。
• Opus 4.6(当事人)点评：在第 1 轮已经锚定了 swizzle 范式后，这里故意给出模糊目标——"找到合适的组件"。这不是偷懒，而是策略：让模型自己去判断该 swizzle 哪个组件（DocItem/Layout？BlogPostPage？），这比用户硬指定一个可能错误的组件要安全得多。在正确的框架约束下给出模糊目标，是让模型发挥最大价值的甜蜜点。

思考下，@custom.css (1719-1721) 这个样式会被应用到 @index.js (13-15) 的 title 吗？如果不会，如何调整最优雅？

• 我的点评：精准给出 AI 能理解的样式异常。
• Gemini3点评：这是最高级的反馈：“代码行级别的精准定位”。不再泛泛而谈“样式不对”，而是直接指出 CSS 选择器与 JS 组件的对应关系。这消除了 AI 的所有猜测空间。
• GPT5.3点评：接近专家级提示词。特点：明确作用域 + 指定文件位置 + 明确假设验证
• Opus 4.6(当事人)点评：教科书级别的提示词。三个亮点：(1) 用 @文件名 (行号) 精确引用代码位置，消除歧义；(2) 问题本身是一个可验证的 yes/no 判断（"会不会被应用到"），模型容易给出准确答案；(3) 追问"如何调整最优雅"而不是"帮我修"，给了模型设计空间。整个"熟悉"阶段只用了 3 轮就接近完成，和小白阶段的 7 轮未果形成鲜明对比。

体会​

不得不说，Opus 4.6 还是相当强悍。模型是 本体放大器^?：你越能提出结构化问题、越能判断中间结果，模型就越强。

• 我的点评：这次实验非常真实地展示了“提示词质量决定上限，工程判断力决定下限”。如果把 AI 当成一个高水平但会犯错的搭档，而不是“全自动执行器”，效率会更高、返工会更少。2026 年，你依然值得深入学习编程。
• Gemini3点评：完全赞同。小白在“求药”，基础用户在“开方”，而专家用户在“定规矩”。2026 年的编程，不再是手写每一行代码的体力活，而是从海量可能性中快速“剪枝”的判断力竞争。
• GPT5.3点评：实验核心结论成立：模型不是替代工程能力，而是放大工程能力的乘数。用户水平越高，AI 从“代码生成器”越接近“协同架构师”。
• Opus 4.6(当事人)点评：这篇博客最有价值的发现是：三个阶段使用的是同一个模型、同一个需求，但轮次消耗差异巨大（7轮失败 → 7轮未完成 → 3轮接近完成）。这说明在强模型时代，提示词的边际收益远高于模型能力的边际收益。小白阶段的核心问题不是"模型不够强"，而是用户无法在中途判断方向对不对、该不该推翻重来。"本体放大器"这个比喻非常精准——模型放大的不只是知识，更是你的"元认知能力"：知道自己不知道什么、知道什么时候该叫停、知道该把哪些决策权交给模型。2026 年学编程的意义，或许正在从"会写代码"转向"会驾驭写代码的 AI"。

题外话：我也试着让Qwen3.5-Plus点评，但是同样的提示词只点评全文，不点评每一次的提示词，国产模型依然任重道远。

学习​

学习可以分为两个核心过程：记忆与抽象。

传统观点认为，记忆依赖重复：

• 短时间内重复的内容越少、重复次数越多，记忆越牢固；
• 反之，若一次塞入大量内容，即使重复，也难以深入记忆。

因此，人们常通过精简信息来提升记忆效率。例如，将"long double 在不同平台上的长度不一致"简化为一句结论，以减少认知负担。

比如，了解以下背景：

1980年代初，Intel 推出了 x87 浮点协处理器（8087），采用 80 位（10 字节）扩展精度格式，显著提升了科学计算的精度。
Linux 和 GCC 选择充分利用这一硬件特性，将 long double 实现为 80 位；
而 Microsoft 在 Visual Studio 中则采取保守策略，兼容性优先。将 long double 等同于 64 位的 double。

这段看似"额外"的信息，因其具有历史脉络、技术动机和对比逻辑，反而更容易被记住——甚至比孤立的结论记得更牢。

建立联系​

这让我意识到：有效的记忆不仅依赖重复，更依赖"联系"。

这种联系有两种关键形式：

向外连接（教学视角）​

将新知识与学习者已有的知识网络通过故事性、情境化的方式连接起来。例如，用"Intel 为何设计 80 位？"这个问题，把抽象的数据类型与真实的技术演进挂钩。

关键在于：找到那个能触发共鸣的"锚点"——它可能是历史事件、生活类比，或一个引人好奇的矛盾。

向内连接（自我解释视角）​

在尝试向他人解释前，先自问：

• 我会问自己哪些问题？
• 是否用陌生术语解释了另一个陌生术语？
• 小学生能听懂吗？
• 能否换一种更直观的说法？

这个过程迫使你反复梳理逻辑、提炼本质，本质上是在重复中完成抽象，在抽象中强化记忆。

正反馈机制​

因此，好的学习规划必须包含可衡量的标记：

• ✅ 好的标记：

  • "本段需全文背诵"（可自我检测）
  • "能独立写出一个使用 long double 的示例程序"（行为可验证）
  • "能向同学解释为什么 GCC 和 MSVC 对 long double 处理不同"（输出即检验）

• ❌ 模糊的标记：

  • "重要知识点"（重要到什么程度？怎么验证？）
  • "理解即可"（"理解"是主观感受，容易自我欺骗）

这些明确的反馈节点，不仅提供成就感，还能划定学习边界——知道何时该深入，何时该暂停、转向下一模块。

高效学习​

真正的学习不是被动重复，也不是无边界的探索，而是在建立联系的过程中，通过有反馈的重复与抽象，逐步构建可验证、可迁移的知识网络。

技术​

𝝅ython​

现在的Python 就像是这几年的英雄联盟，你想新手入门到大师，需要了解上百个英雄和技能和游戏机制。

面向服务器管理环境​

所以首先我要反思的就是我花了太多时间在windows的环境管理和设计上。所有的工作都应该基于Linux，面向服务器。

过早设计项目​

但现在回过头来看，当年设计的项目其实都非常的愚蠢，就是你在学习了一些基本的代码知识之后，然后你用它去实现完成的项目往往包含着：

• 大量的重复；
• 没有做到一处修改，处处生效；
• 非常长的if else；
• 相同函数的复制粘贴。

随着年纪的增长，你对项目的结构会有相当大的变化。

专注​

许多有价值的项目都有着大量的成熟产品的替代，在发展过程当中也有可能有别人会来抢你的饭碗，应该坚持找一个方向持续不停的把它做下去。即便大厂和你相似，你也能够聚焦某一个细分领域，把它做得出彩。

很多人在大学期间就开始尝试构建自己的影响力，比如说做自媒体或者是做技术科普或者做产品，那么我的方法是写博客，那这种影响力其实相对比较低的。他也和我自身的性格有关，我认为我只有在某一个领域走得非常深入，我才有资格向别人传授一些东西。

现在看来，其实你并不用做到像Python核心开发者那样才可以去教一些Python内容，你只要把某一个基础的东西讲的很清楚，你就可以去做自己的影响力内容，比如说很简单的列表。你可以用动画的方式把它呈现出来，你可能没有那么专业，但特别好懂。

低代码工作流平台​

所有的数据通信都是通过网络来完成的，也就是一个再简单的图片拼接，这样用opencv几行代码就能完成的工作，你也需要配置一台服务器，然后给他写上各种参数，无疑是增加了一些成本的。

有一定成本的免费服务往往不可靠，在低代码平台当中想要编写一个健壮的工作流，需要额外增加许多节点。 而一旦有一个节点失效，他就会整个工作流崩溃。

低代码工作流不可靠，玩一下可以。别当真了。

风险​

谁承担风险，谁做主要决策。避免不对称的风险，是我们的必修课。如果你承担大部分风险，但是仅获取少部分利润。

例如公司希望你调整自己的职业发展（你承担大部分风险），但是利润并没有额外分配给你，这就是风险不匹配。

世界是熵增的​

加速的变化，混沌的信息 如果不加干预，不施改变，熵增不停。

如何干预？设置信息过滤系统。

• 1.可信度（屏蔽不加核实仅转载的媒体）
• 2.传播度（关注跨行业出圈的信息）
• 3.相关度（聚焦自身领域的信息，实时整理，确保知识成体系）

对信息要使用自主筛选机制，即:我需要什么，而不是使用视屏流或被动接受信息推送

生活​

南方装修建议​

再进一步便是客餐厅

客厅设有电脑连接大屏电视，供游戏娱乐。

客厅、卧室外通阳台。大阳台方便晾晒大量衣物。

AI眼镜的一些坏处​

普通话​

我每天都在说普通话，应该考个证书证明，查了一下才发现，普通话一级的通过率不到2%。

于是我找了一个一级甲等的老师，每次1个小时的课程，加课后3个小时的练习。通过5次授课提升到了普通话一级。可以满足省级播音员及出镜记者的要求了，以后参与线下活动也更有话语权了。

旅行​

湛江​

在一个记不清的小吃街里，出于好奇买了一个炸虾饼，饼又硬又嚼不动，虾更是毫无新鲜可言，于是我得出了虾饼很难吃的结论。

上周去了趟湛江，在一家舌尖上的中国打卡店铺里吃海鲜面，同事发现有虾饼可以卖，想尝一下。老板从桶里抓出三只鲜虾，用特别的器皿混着面糊在油锅中晃荡。随后沥油切块。面饼酥脆，虾仁Q弹鲜香。

澳门​

口岸到机场有免费的往返接驳车，叫"发财车"。一到MGM就看到了一辆劳斯莱斯小金人。Peoebe在车上很害怕，一路上问我会不会拉到赌场里就不让出来了，我说这里又不是东南亚。

进去赌场，phoebe 被要求查验身份，一问知道如果年纪太小不让进。这里赌博的地方叫娱乐区。连成片的赌场穷奢极欲。这些娱乐场不仅提供西式博彩，还融合酒店、购物、表演等元素，大量的艺术装置随处摆放。

赌场外连着其他赌场，连成一片的澳门威尼斯人、巴黎人、伦敦人建了对应城市的模拟地标：大本钟、埃菲尔铁塔、水道。

官也街的手信店很大方，试吃都是一大块一大块的。

即便不博彩，也是很好的购物采风的好地方。

香港​

香港随处可见东南亚、欧美国家的游客，比例要比北上广深更多，这次没备现金，不过全程主要消费区都支持微信支付宝。

由于刚下车时乘务员听不懂普通话，所以后面问路啥的都是优先说英语。路边还能看到外国人摆摊儿，外国人开的便利店，真有出国的感觉了。有些店似乎看出来我们是大陆游客（这么明显吗），也会主动说普通话。

两人一日游花费​

加速​

2021年，我第一次接触AI编程：GitHub Copilot，当时AI的能力主要体现为：输入注释或部分代码，即可生成整段优质的代码。

2025年，氛围编程让更多的人可以在不了解细节的情况下完成项目的搭建。

4年过去了，给我感觉是：AI加速了整个社会的差距。

• 在学校，优秀学生与垫底学生的效率相较从前更大了。

之前差生至少需要通过搜索引擎查找资料，再整理加工才能完成作业。而现在只要问题描述足够具体那差生只需要两次复制粘贴就能完成作业，差生提交完的第二天，都复述不出作业的要求。

• 在公司，2个初级程序员的工资约20k，反而不如聘请一个15k的中级程序员配合成本不到1k的AI助手

AI能力线以下的工作岗位将更加稀缺。这意味着毕业生需要在某个领域达到超越AI的水平。这种要求客观上进一步加速了学习周期的延长，把普本计科学生推向继续教育。

思维​

那为什么AI能完成的事情还要去学习呢？

我最近很喜欢出一些最潮流的技术项目，其一是较为有趣，其二是更能锻炼学生思维。

学习的过程大脑神经元应该是活跃的，如果很顺利的吸收了某个知识，那么大概率很快就会忘记。

如果通过发问、追问、试错、反思、总结，曲折的吸收了某个知识，神经元被激活的更加充分，理解也会更强。

如果你直接AI生成了答案，记忆效果会大大降低，只用AI生成你不想记忆的内容。

因此，给自己试错的时间，给大家试错的时间。

我们人类的学习是有结构的，要想会 AI 不能完成的事，要先学那部分 AI 也能完成的事。

AI不是领导​

AI会有一些愚蠢的低级错误，例如在cmd命令行中，这个命令报错：

PS C:\Users\allen> bcdedit /delete /f {f7f65faa-5515-11ef-b3e2-d8359383915d}

指定的删除命令无效。

运行"bcdedit /?"获取命令行帮助。

参数不正确。

即使是当前最先进的AI模型也无法正确解答，例如claude-4.5-sonnet-thinking、deepseek-r1、gork、gpt5-high。

但如果你系统学习过终端命令，很快就能意识到问题所在：{}在PowerShell中是特殊字符（表示脚本块），需要加上双引号：

bcdedit /delete /f "{f7f65faa-5515-11ef-b3e2-d8359383915d}"

和公司新来的实习的大学生一样，有一腔热情，部分也愿意学习，但是往往没有系统的学习缺少DEBUG的直觉。

人应该系统的学习相关的知识，不要通过AI编程补充所有的知识性的细节，不要过度依赖其DEBUG能力，当一次无法成功时，后续追问的成功率会大打折扣，立刻人工接管。

推荐调试流程：

1. 理解问题：翻译错误信息+自主思考
2. 验证思路：与AI交流你的分析

他人的想法​

在部分领导和自媒体眼中，AI近乎无所不能，认为有了AI加持就像拥有神笔的马良。这种认知会导致他们分配超出实际负荷的工作量。

而为了赶工期，你不得不变本加厉地使用AI，陷入无暇系统思考的恶性循环。

和一个赌徒不停的拉动老虎机的拉杆一样，你输入提示词然后等待，期待下次AI给出答案是终极大奖。

我们都知道赌徒的下场。

思考​

需要避免的变化​

随着年龄的增长，有两种变化需要避免：

• 固执自己的世界观，忽视其他年龄段人群的需求与视角。
• 夸夸其谈自己的想法，却对事情的真相一无所知。

教育供应商​

原本用于考核学生的标准被用来考核指导老师，导致老师倾向于选择提供答案的厂商。机构与教师的核心目标是消课，提供适合长度的 PPT/教案。

在 AI 时代，可以采用 AI 智能课的形式辅助学生学习：将电脑屏幕二分，一侧显示课件，另一侧提供 AI 助手，便于学生提问。这样，机构和教师的工作量转变为考核学生及处理问题。

飞轮​

为了实现某个场景学习技术 这个场景强化技术 取得的收益会持续提供正向奖励并提供新的场景

譬如英语。为了看懂国外的科技文献，学习了英语。因此获得了出国留学的机会。留学的经历又会进一步强化英语。不断向前，最终形成了正向循环。

常见的飞轮还有：技术、建模、驾车

维度​

有些事情对生活帮助很大，但是对工作帮助很小。 譬如读书、旅游、运动。

有些事情对生活帮助很小，但是对工作帮助很大。 譬如技术、项目、方案。

换个角度，有的技术改变对自己提升很大，但是对产品帮助很小。 譬如异步、K8S、Docker。你花了大部分时间，但是大部分情况下用户感知不到。

在选择做事的时候，选择每个维度都能收益的，才是最优解。一些技术革新不易推动或者手下的人忙活许久产品没有起色的原因，可能就是没有让每个人的每个维度都收益。

整理​

项目的高度重复性促使我创建一个通用的第三方库。在开发中，代码的简洁易读是首要任务。

2024 年做了很多碎片化的工作，这里花了一周的时间把可以复用的功能整理到 etool 工具库中了。

2024 年出游了国内的一些 4A、5A 景区。

搬回了深圳，换了新家，花了很多心思装点这个家。

我喜欢未知，愿意接受新事物。 在别人的车上，别人放什么歌我就听什么歌。不会想着切自己的音乐。聚餐吃饭，除了很特别的食物（如折耳根）我都可以接受并愿意尝试。随手拿起一本书，一部电影，我都愿意发现它们有价值的一面。

我觉得人生是一种经历，我会期待更丰富的经历。 走路会更喜欢去没去过的路线、没吃过的小吃，同样一部很好看的电视剧或者综艺，我也最多会刷两遍，当然对应的，我会在第一次看它们的时候，就全神贯注，努力记住并体会它们的优秀。

我会把有价值的经历长久记录下来。 譬如读书、方案、照片。并且定期回看至少每年都会回顾、复读。确保经历对自己的长久影响，不让这些有价值的记忆在角落蒙尘。

我会定期整理收藏夹。 一段时间内（一个月）不清空收藏夹就停止新知识的学习，以此来不让自己成为收藏夹大师。

我做事喜欢全神贯注。 吃饭过程中想到一个方案会马上放下食物，去完成这个方案。我觉得饭每天都吃，但灵感不是每刻都有。

我讨厌无意义的制度。 因为我珍惜并享受我的生命，我也热爱智能家居并做了很多研究，因为我觉得这在节省我的时间，让我能全身心投入到生活中。

我会记大账，不喜欢记细账。 譬如这个月最主要花销是哪些，不会在意今天这顿饭多吃一点少吃一点

我只能学习当下能学以致用的知识。 因为过于长远的未来总是不确定的，当下 5 年以内的未来是确定的。

学习​

这里重点的学习了大模型相关的知识，并尝试了使用大模型来解决一些问题。

2025 年，我想放慢更新博客的频率，每个季度更新一次，并尝试写一些有深度的项目和文章，毕竟项目在优不在多。

日常​

学习建模技术​

最近我间歇性学习建模技术，发现自己更倾向于选择中间款软件，它能快速生成及格的作品。

一些阅读摘要​

• “愿意自由换取保障的人，既得不到自由，也得不到保障。”——哈耶克

• “只有金钱会向穷人伸手，而权力不会。”——哈耶克

• “如果允许人类自由迁徙，那么人流的方向，就是文明的方向。”——哈耶克

房间布网​

网络知识 核心知识 1: 信号在穿墙后会衰减 核心知识 2:路由器的信号芯片优于大部分手机/电脑的天线

主路由器发射穿墙信号，墙另一侧，无线中继路由器接收到的信号大于设备 A 大于设备 B。于是，可以让设备 A、设备 B 连接无线中继路由器，实现与无线中继路由器一样的网速。

猫尿清洗说明​

猫尿具有留存时间长，渗透性高

若猫尿在沙发枕套上，需要拆开枕套、枕芯。

枕套使用专用除猫尿清洗剂+汰渍/奥妙，浸泡一夜+洗衣液洗净，自然阴干。

枕芯被污染需要直接更换，尺寸为枕套的尺寸+5cm（80cm50cm 的枕套，配 85cm55cm 的枕芯）

购车后​

买车了，买完车除了要交保险之外，还需买一些必要的物品：行车记录仪、实习车标、挪车号码牌、车载除甲醛香薰、手机导航支架。

侧方位停车复习：开至肩膀与库中齐平，向车库反向打成 45 度，倒车回方向直至左右两边距离合适停正。

通勤学习​

指定学习计划是利用碎片化时间的首要目标，阅读书籍、观看 TED 演讲或自己的收藏会让学习过程更有成就感。应避免泛信息输入（如新闻、推荐刷屏），而应选择适当的半精准信息输入（如读书、博客、GitHub 等）。通勤后及时整理记录。

随着职业地位的提升，不必要的内耗逐渐减少。高中时非常在意学校的排名，而如今在大厂面前都统一成了“双非”。想要进入世界一流的企业，需要有相应的世界排名。只有世界级的排名与项目才能证明你的价值。

每个阶段有不同的评价标准。从学生时期的院校评价，到工作初期的薪资待遇，再到中年的事业与家庭评价，均体现出人生的不同阶段。

平淡生活的解药​

平淡生活源于外部世界缺乏新输入。当工作多年没有变化，内部的平淡便开始显现，只有不断成长，才能支撑更远的目标与更好的生活。

如果我们把感情看作 0 和游戏。那么总会会有人因长期利益受损而对这段关系感到不满。

因此，只有当一方的所求不是另一方的付出时，0 和才会被打破。即：某一行为是二者都收益的。

企业与员工关系亦是如此，企业提供平台员工发挥，员工将在平台创造的利润与企业分成。

最近我发现迷你工作室非常适合我。迷你工作室通常由 1-5 人组成，项目可以是软件、游戏或网站。

成立工作室是为了开发票，能接到更多的项目。在 AI 时代，有两种发展方向：加入大公司研究通用人工智能，或选择中小型公司做垂类人工智能，专注于特定领域的模型开发。

除了开发人工智能模型外，还可以拓展其应用，如语音控制家庭设备。技术的爆发得益于高速通信和丰富的硬件资源。

经济下行时创业或找工作的挑战包括投资回报难、企业扩张减慢及岗位的消失，传统岗位正在逐步被淘汰，需尽早转型。

电脑新配​

最近新买了一台台式机，主要用于编程（高速大内存）、建模跑模型（显存优先）和数据分析（高速硬盘）。

对于大模型来说，显存优先。32B 的大模型本地需要 20G、常规的文生图模型本地需要 24G。

消费级显卡性价比更高，3090 Ti 支持 Nvlink 很适合后期组双卡，或升级5090。

工具推荐​

Windows 11 的 PowerToys 是一个非常强大的工具，它可以帮助你更高效地使用 Windows 系统。找到鼠标、窗口永久置顶、截图定格等功能。

Windows平台的显示键盘按键的产品

购买了一款云台摄像头，你可以在淘宝搜这个关键词知道它长什么样子。

它默认能通过 RS232 协议控制云台转动，但是现在新的主板已经没有这种圆形的接口了，基本都是 USB。

他也可以通过遥控器控制，但是我想尝试自己编写逻辑代码通过键盘控制。

效果是通过监听键盘上下左右等事件，调用对应云台运动的指令，运动到合适角度之后可以按下空格停止云台运动，按下 ESC 退出控制程序。

也可以按下某个按键如数字1，直接运动到预设角度。

咨询商家后，商家提供了 RS232 协议的指令集，所以这里通过 python 的 serial 库尝试通过 USB 口对其云台调用。

RS232 协议说明书​

这里有一些复合指令，譬如 UpRight：向上的同时向右，如果是手柄控制比较好，键盘控制比较鸡肋，所以这里我们实现：上下左右、暂停、复位、绝对定位这几个能用到与可能会用到的。

基数转换​

这里的绝对定位和相对定位部分，出现了0Y 0Y 0Y 0Y和 0Z 0Z 0Z 0Z,我希望传入一个 10 进制的角度，譬如0、90、180，怎么映射到其中呢？这就体现我们学完二进制之后的敏感度了，把 20 转成 2 进制的过程是：

20 ÷ 2 = 10 余数: 0
10 ÷ 2 = 5 余数: 0
5 ÷ 2= 2 余数: 1
2 ÷ 2=1 余数: 0
1 ÷ 2= 0 余数: 1
按余数倒序排列: 10100

这里我们观察范例，对数据做了拆分，即如果需要把10进制映射到16进制上，譬如17转成16进制是11，那么应该变成0101。每个位置之间插入0。

所以可以写出如下代码：

def calculate_pan_position_bytes(pan_pos_value):
    HEX_VALUES = [4096, 256, 16, 1]  # 定义常量
    pan_pos_ints = []
    for i, value in enumerate(HEX_VALUES):
        pan_pos_ints.append(pan_pos_value // value)
        pan_pos_value %= value
    # 转换为2位16进制字符串
    pan_pos_strs = [f"{i:02X}" for i in pan_pos_ints]
    return "".join(pan_pos_strs)
# 将17转化为16进制，应该是11，拆分加0，应该是0101
# 前方补0到总长度为8位，结果与我们预期一致
print(calculate_pan_position_bytes(17))
# 00000101

接下来通过代入0到6000这样的数值传输给串口后发现，只能向左转。

0对应居中，4500对应向左转180，数字再大也是转到底。

4500比180 = 25比1，所以我们输入角度，乘以25就得到了对应的信号值。

根据手册说明水平转动范围为355度，一半则是177.5度，与肉眼观察基本一致，Z轴的范围是上下各21度。

刚刚只能向左转，那么向右转的答案就呼之欲出了，要么是补码（异或运算后加1），要么是首位为符号位。我们添加上限位和映射，先用补码试试完成这个函数（结果直接成了）。

def calculate_pan_position_bytes(pan_pos_value, axis_type):
    """
    计算轴（旋转）的位置字节。

    参数:
    pan_pos_value (int): 位置值，
    axis_type (str): 轴的类型 ('y' or 'Y' for Y-axis, others for Z-axis)

    返回:
    pan_step_str (str): 计算得到的平移位置字节，格式为十六进制字符串。
    """
    if axis_type.lower() == "y":
        pan_pos_value = max(-177.5, min(pan_pos_value, 177.5))  # 限制取值范围
    else:
        pan_pos_value = max(-21, min(pan_pos_value, 21))  # 限制取值范围

    pan_pos_value = int(pan_pos_value * 25)  # 将角度转换为步长
    pan_direction = "-" if pan_pos_value < 0 else "+"  # 设定旋转方向
    pan_pos_value = abs(pan_pos_value)  # 取绝对值

    HEX_VALUES = [4096, 256, 16, 1]  # 定义常量

    pan_pos_ints = []
    for i, value in enumerate(HEX_VALUES):
        if pan_direction == "+":
            pan_pos_ints.append(pan_pos_value // value)
        else: # 异或操作
            pan_pos_ints.append((pan_pos_value // value)^ 0xF)
            if i == 3 : # 最后一个数字，取反后加1
                pan_pos_ints[-1] = pan_pos_ints[-1]+1
        pan_pos_value %= value

    # 转换为2位16进制字符串
    pan_pos_strs = [f"{i:02X}" for i in pan_pos_ints]
    return "".join(pan_pos_strs)

代码目标效果​

希望具体的指令都可以通过 Python 函数来实现，同时暴露出所有可能需要修改的参数。最后关联键盘事件。例如:

import keyboard
from usbcamera import  *
from usbcamera import move_to_absolute_position
"""
设备 "/dev/ttyUSB0" 的云台旋转至绝对定位：
Y轴转到180度，速度为9.
Z轴转到30度，速度为10
"""
move_to_absolute_position(vv=9, ww=10, Y=180, Z=30, device="COM16")

# 关联键盘事件和控制函数
keyboard.on_press_key("up", lambda _: turn_up(device="COM16"))
keyboard.on_press_key("down", lambda _: turn_down(device="COM16"))
keyboard.on_press_key("left", lambda _: turn_left(device="COM16"))
keyboard.on_press_key("right", lambda _: turn_right(device="COM16"))
keyboard.on_press_key("enter", lambda _: move_home(device="COM16"))
keyboard.on_press_key("space", lambda _: turn_stop(device="COM16"))
# 按下数字1则转动到水平最左，垂直最下，可以根据自己需要多预设几个目标角度。
keyboard.on_press_key("1", lambda _: move_to_absolute_position(vv=10, ww=10, Y=180, Z=-30, device="COM16"))

# 让脚本保持运行状态以捕获事件
keyboard.wait("esc")  # 按 'esc' 键退出

信号机制​

• 当收到左转信号时，摄像头会持续左转，直到到达限位位置或接收到新指令。

• 如果想要提前结束左转，可以在发送左转信号一定时间后发送停止指令，摄像头收到停止指令时会停止。

• 每个云台旋转操作会持续一定时间，如果在旋转期间收到其他指令，会终止旧指令，执行当前指令。

逻辑代码​

通常在 Windows 系统上，串口名称通常是 COMx（如 COM1、COM2），而在 Linux 系统上通常是/dev/ttyUSBx（如/dev/ttyUSB0）。

#!/usr/bin/env python3
# coding:utf-8

import serial
import serial.tools.list_ports
import time

# VISCA命令集
commands = {
    "stop": "81010601{vv}{ww}0303FF",
    "left": "81010601{vv}{ww}0103FF",
    "right": "81010601{vv}{ww}0203FF",
    "up": "81010601{vv}{ww}0301FF",
    "down": "81010601{vv}{ww}0302FF",
    "upleft": "81010601{vv}{ww}0101FF",
    "upright": "81010601{vv}{ww}0201FF",
    "downleft": "81010601{vv}{ww}0102FF",
    "downright": "81010601{vv}{ww}0202FF",
    "absolute_position": "81010602{vv}{ww}{Y}{Z}FF",
    "relative_position": "81010603{vv}{ww}{Y}{Z}FF",
    "home": "81010604FF",
    "reset": "81010605FF",
}


def send_visca_command(command, device):
    """
    通过串口向摄像机发送VISCA命令。

    参数:
    command (str): 要发送的VISCA命令，格式为十六进制字符串。

    返回:
    response (bytes): 从摄像机接收到的响应。
    """
    try:
        ser = serial.Serial(device, 9600, timeout=1)  # 初始化串口
        command_bytes = bytearray.fromhex(command)  # 将命令转换为字节
        ser.write(command_bytes)  # 发送命令
        response = ser.read_all()  # 读取响应
        ser.close()  # 关闭串口
        return response
    except:
        ports_list = list(serial.tools.list_ports.comports())
        if len(ports_list) <= 0:
            print("未发现端口")
        else:
            for comport in ports_list:
                if "USB" in str(comport):
                    print("发现USB端口：", comport.device, comport.description)


def calculate_pan_speed_bytes(pan_speed_value):
    """
    计算轴（旋转）的位置字节。

    参数:
    pan_speed_value (int): 速度值，0-16

    返回:
    pan_step_str (str): 计算得到的平移位置字节，格式为十六进制字符串。
    """

    pan_speed_value = max(0, min(pan_speed_value, 16))  # 限制取值范围

    # 转为2位16进制
    return f"{pan_speed_value:02X}"


def calculate_pan_position_bytes(pan_pos_value, axis_type):
    """
    计算轴（旋转）的位置字节。

    参数:
    pan_pos_value (int): 位置值，
    axis_type (str): 轴的类型 ('y' or 'Y' for Y-axis, others for Z-axis)

    返回:
    pan_step_str (str): 计算得到的平移位置字节，格式为十六进制字符串。
    """
    if axis_type.lower() == "y":
        pan_pos_value = max(-177.5, min(pan_pos_value, 177.5))  # 限制取值范围
    else:
        pan_pos_value = max(-21, min(pan_pos_value, 21))  # 限制取值范围

    pan_pos_value = int(pan_pos_value * 25)  # 将角度转换为步长
    pan_direction = "-" if pan_pos_value < 0 else "+"  # 设定旋转方向
    pan_pos_value = abs(pan_pos_value)  # 取绝对值

    HEX_VALUES = [4096, 256, 16, 1]  # 定义常量

    pan_pos_ints = []
    for i, value in enumerate(HEX_VALUES):
        if pan_direction == "+":
            pan_pos_ints.append(pan_pos_value // value)
        else: # 异或操作
            pan_pos_ints.append((pan_pos_value // value)^ 0xF)
            if i == 3 : # 最后一个数字，取反后加1
                pan_pos_ints[-1] = pan_pos_ints[-1]+1
        pan_pos_value %= value

    # 转换为2位16进制字符串
    pan_pos_strs = [f"{i:02X}" for i in pan_pos_ints]
    return "".join(pan_pos_strs)


def create_command(command_key, vv=10, ww=10, Y=None, Z=None):
    """
    创建VISCA命令。

    参数:
    command_key (str): 命令键名。
    vv (str): 水平方向速度，取值范围为0-16
    ww (str): 垂直方向速度，取值范围为0-16
    Y (str): 控制水平旋转的位置。
    Z (str): 控制垂直旋转的位置。

    返回:
    command (str): 格式化后的VISCA命令字符串。

    异常:
    ValueError: 当命令需要Y和Z参数时，若未提供，则抛出异常。
    """
    if command_key in ["home", "reset"]:
        return commands[command_key]
    if command_key in ["absolute_position", "relative_position"]:
        if Y is None or Z is None:
            raise ValueError("Y和Z为位置命令,必须提供")
        return commands[command_key].format(
            vv=calculate_pan_speed_bytes(vv),
            ww=calculate_pan_speed_bytes(ww),
            Y=calculate_pan_position_bytes(Y, "y"),
            Z=calculate_pan_position_bytes(Z, "z"),
        )

    return commands[command_key].format(
        vv=calculate_pan_speed_bytes(vv),
        ww=calculate_pan_speed_bytes(ww),
    )


# 控制函数示例
def turn_stop(vv=0, ww=0, device="/dev/ttyUSB0"):
    return send_visca_command(create_command("stop", vv, ww), device)


def turn_left(vv=10, ww=10, device="/dev/ttyUSB0"):
    return send_visca_command(create_command("left", vv, ww), device)


def turn_right(vv=10, ww=10, device="/dev/ttyUSB0"):
    return send_visca_command(create_command("right", vv, ww), device)


def turn_up(vv=10, ww=10, device="/dev/ttyUSB0"):
    return send_visca_command(create_command("up", vv, ww), device)


def turn_down(vv=10, ww=10, device="/dev/ttyUSB0"):
    return send_visca_command(create_command("down", vv, ww), device)


def move_home(device="/dev/ttyUSB0"):
    return send_visca_command(create_command("home"), device)


def move_to_absolute_position(vv=10, ww=10, Y=0, Z=0, device="/dev/ttyUSB0"):
    return send_visca_command(create_command("absolute_position", vv, ww, Y, Z), device)

后话​

硬件相比软件来说，资料比较少，所以编写过程主要靠经验。

猜测轴旋转的角度和 4 个参数对应关系是最有意思的过程，有趣的功能背后全是数学。

如果你想要实现这样一个功能：当窗外开始下雨，窗户自动关闭

如果你想知道解决方案，可以直接跳到最后一部分。

我们仅看前半部分，那么你需要：检测窗外是否有雨水，并把这个信息传递给窗户控制器

这个过程中，你需要：

• 传感器：检测窗外是否有雨水/或者获取网络上的天气信息
• 单片机主控板：可以接收传感器的数据，并收发网络请求
• 执行器：窗户控制器，可以接收单片机的指令，控制窗户的开关
• 供电：保证传感器和主控板的正常工作

这个过程你需要知道以下内容：单片机如何烧录程序、传感器如何连接、如何获取传感器数据、如何发送网络数据、如何制作外壳（例如 3D 打印）。

传感器基础知识​

• 负极表示符号： - / G / Gnd / 黑色
• 正极表示符号：+ / V / Vcc / 红色
• 信号管脚： S 可以表示信号，根据传感器的不同，参数范围是 0-1023 或 0 1
• 模拟量信号管脚表示符号： A 参数范围在 0-1023
• 数字量信号管脚表示符号：D 参数为 0 或 1

对于绝大多数单片机来说，当单片机通电时，所有的引脚都带电（含信号管脚）。因此传感器的正负极理论上可以任意连接，只需保证信号管脚连接指定的即可。

A 口的功能比 D 口更加强大，因为 A 口可以接收模拟信号，而 D 口只能接收数字信号。因此部分传感器 D 接 A 也可以正常读数。

两管脚​

常见的有扬声器、电机（俗称马达）。

这类设备因为较为特殊，一般有专门的接口，或者占用 2 个信号端口，通过信号的变化来工作。

马达往往需要更大的工作电压，如果没有专门的连接口，有可能需要在板上使用跳针切换工作电压。

三管脚​

这类传感器数量最多，往往由 GVA 或者 GVD 组成。

使用时，正负极与单片机正负极连接，信号线与板上标注的 A 或 D 进行连接。

四管脚​

四管脚传感器分为很多类

特殊接口的，譬如：人体温度传感器

正负极与信号口一般都专门对应的位置供连接。

双信号接口的，譬如：超声波

一般有四个接口：GVTE，其中 GV 正常连接，T 和 E 都接在信号管脚上。

同时接收 AD 的，譬如：烟雾传感器

一般有四个接口：GVAD，其中 GV 正常连接，D 表示有没有烟雾，A 表示烟雾浓度。分别接在对应的信号管脚即可。

五管脚​

譬如：摇杆传感器

一般五个接口为：GVXYB，其中 GV 正常连接，X 表示 X 轴（是模拟量接 A）、Y 表示 Y 轴（是模拟量接 A）、B 表示按钮（是数字量接 D）

其他特殊类​

其他特殊的传感器一般有特殊接口，譬如：摄像头、屏幕等。

根据说明接入即可。

传感器一般原理​

传感器是一种信息转换装置，大部分传感器的工作原理是将非电量（力、速、声、光、热、磁等）通过敏感原件（光敏材料、热敏材料）感受，再通过转换原件转换为电参量（例如电压）。最后通过转换电路把电参量通过放大、过滤等方式转化为线性可读的电量。

• 敏感材料是传感器的灵魂，主要是材料学的范畴。
• 转换原件和转换电路需要一定的电路设计能力和算法能力。主要是嵌入式开发的范畴。

发展趋势​

传感器的分类​

按照工作原理分类​

生物传感器：利用生物酶、抗体、组织、细胞、微生物、生物等。譬如云南洱海的海菜花对水质要求极高，如果死亡则说明水质较差，可用于辅助测量水质。

化学传感器：利用各种化学吸附、化学反应的方式获取信息的，例如某些溶液测酸碱性。

物理传感器：数量最多，细分为结构性、物性型，光敏、声敏、热敏等等，不计其数。

按照工作特性分类​

能量控制型传感器：需要通过外部供能的传感器，例如电子称需要有电源才能工作。

能量转换型传感器：由被测物体供能，例如：水银式人体温度计，通过将人的体温转换为水银的膨胀读数，无需供能。

同个目的可能会有多种传感器：例如测距离有红外传感器、毫米波、超声波。

同个传感器也可能有不同目的：例如二氧化碳气体传感器也可以用于测量空气质量PM2.5。（因为其工作原理是检测空气中吸收红外的物质的量，二氧化碳和PM都吸收红外）

传感器的特性​

传感器的误差​

没有人在实验室环境下使用传感器，专业的传感器厂商会在不同温度、湿度、光照等环境下进行测试，并给出误差范围，不同的环境误差有大有小，被称为总误差带。

不确定传感器是否准确时，则需要校准，以温度传感器为例，需要在实验室构建三相点并保持：液态水、固态冰、气态水蒸气。此时温度为 0.01℃，此时读数为 0.01℃，则认为传感器准确。

但是这样的方式费时费力，因为在实验室中校准的传感器作为“标准传感器”，将待检测的传感器与标准传感器进行对比，以此评判待检测传感器的准确性。通常会测量：零点、满量程、中间点。

定期校准是保证传感器准确性的重要手段，也能避免重大事故的发生。

与单片机通信​

单片机（Microcontroller Unit，简称 MCU）是指一个微型计算机集成在一个单独的微型芯片中，它包括处理器（CPU）、内存（通常包括 RAM 和 ROM）、以及各种输入/输出（I/O）接口等在内的完整计算设备。

单片机设计用于嵌入式应用，通常在硬件设备中执行特定任务。例如，你的电视遥控器可能就是由一个单片机控制的，它可以接收你的输入，然后发送相应的信号到电视上。其他常见的单片机应用包括玩具、家用电器、医疗设备、汽车等。

有的单片机可以使用完整的 Python，譬如华硕的 thinker edge R、部分树莓派，有的 Arduino 板子、ESP32 等只能使用简化的 MicroPython。

在搜索引擎中搜 CH341SER 驱动

过程中所有弹窗有下一步点下一步，有确认点确认

在编程软件中识别单片机​

常用的编程软件有：Scratch、Mixly、Mixly2、MaixPy 等。

有的支持图形化编程与代码编程，有的需要仅支持代码编程。

下载对应的编程软件后，打开软件。

选择主控这个环节，不同软件的选择方式不同。

通过连接线连接电脑与单片机。此时可能会有多种情况：

1. 会提示：有串口连接，并弹出且仅弹出 1 个串口。
2. 识别计算机上的所有串口，需要自己选择（可以通过反复插拔确认新增的端口号）。
3. 不弹出任何串口，需要主控通电启动后才识别串口。
4. 也有的串口时有时无，此时可以考虑：连接线接触不良（更换连接线），或者是主控/USB 电压不稳定——常见于学校机房（主控或电脑独立供电）
5. 还有的默认的波特率需要调整，否则无法识别传输信号。

连接成功后记得初始化固件，使其恢复到软件对应的固件版本。类似 Android 手机的刷机/恢复出厂设置。

单片机编程​

这里的传感器特指狭义的通过半导体检测物理量的传感器，如温度传感器、湿度传感器、光敏传感器等。这些传感器的特点是：输出信号是数字/模拟信号。

数字量传感器的输出信号是数字信号，他的特点是只 返回/发出 两种状态：高电平和低电平。对应在代码中是 1 和 0 。

• 如声音传感器如果是数字量传感器，当检测到声音时输出高电平，否则输出低电平。

• 如小灯，输出高电平表示亮，输出低电平表示灭。

模拟量传感器的输出信号是模拟信号，他的特点是输出的电压值是连续变化的。对应在代码中是 0-1023（通常如此，并非绝对） 。

• 还是以声音传感器为例，如果是模拟量传感器，当检测到声音时输出的电压值会随着声音的大小而变化。

• 还是以小灯为例，输出最大值表示最亮，输出最小值表示最暗，亮度会随输出的电压值变化。

有的传感器同时支持数字量和模拟量输出，有的不是。

因此，对于不确认的传感器，我们一般先假设传感器是模拟量传感器，如果不是，再当作数据量处理。

单片机的运行内存往往很小，当创建一个非常复杂的代码时，有可能会导致内存问题，对应各种报错都有可能。

模拟量传感器读取​

下面以 32 接口为例

import machine
adc32 = machine.ADC(machine.Pin(32))
while True:
    print(adc32.read_u16())

模拟量传感器输出​

下面以 0 接口为例

import machine
pwm0 = machine.PWM(machine.Pin(0))
pwm0.duty_u16(0)
pwm0.duty_u16(255)

然而，有些动力类传感器需要设置占空比：占空比主要与脉冲宽度调制（Pulse Width Modulation，PWM）相关，它是一种模拟信号的数字化表示方法。在 PWM 中，一个周期内的高电平时间占总周期时间的比例就是占空比。

传感器的输出类型可以有多种，包括模拟电压、模拟电流、数字信号（如 I2C、SPI、UART 等）、频率、PWM 等。只有在使用 PWM 输出的传感器时，才需要设置占空比。例如，一些伺服电机会使用 PWM 信号来控制其位置，这时就需要设置占空比。

对于其他类型的传感器，如模拟电压输出的传感器、数字信号输出的传感器等，就不需要设置占空比。这些传感器的输出通常是连续的或者是特定的数字信号，不涉及到占空比的概念。

from machine import Pin, PWM
import time

# 创建一个PWM对象
pwm = PWM(Pin(2))

# 设置PWM信号的频率为50Hz
# 每秒50个周期，所以每个周期的时间是1秒/50，即20ms。
pwm.freq(50)

# 一般来说，当PWM信号的高电平时间为1ms时，舵机转到0度；
# 当高电平时间为2ms时，舵机转到最大角度。
# 这个范围内的其他高电平时间对应的是0到180度之间的其他角度。

# 转到0度（）
pwm.duty(52) # 1ms / 20ms * 1024 = 51.2 取不低于最小值的整:52
time.sleep(1) # 等待一段时间让舵机转到指定位置

# 转到180度
pwm.duty(102) # 2ms / 20ms * 1024 = 102.4 取不高于最大值的整：102
time.sleep(1) # 等待一段时间让舵机转到指定位置

# 关闭PWM
pwm.deinit()

数字量传感器读取​

import machine

pin0 = machine.Pin(0, machine.Pin.IN)
while True:
    print(pin0.value())

数字量传感器输出​

import machine
import time

pin13 = machine.Pin(13, machine.Pin.OUT)
while True:
    pin13.value(0)
    time.sleep_ms(50)
    pin13.value(1)
    time.sleep_ms(50)

单片机网络通信​

获取天气​

心知天气 API 分为免费版、付费版等多个版本，不同的版本返回的数据数量有所不同。

免费版仅返回三种基本数据，付费版可以返回多种数据。mixly 中默认的 KEY 为高级付费版，可返回全部数据。

数据返回的格式为字典，因此可以通过如下方式进行解包，下面的代码提供了部分数据解包的方法。

需要注意的是，该功能为联网功能，需要在联网环境下使用，确保 wifi 名和密码正确。

import mixiot
import machine
import seniverse_api


mixiot.wlan_connect('wifiname','wifipassword')
print(seniverse_api.weather_now('SGJl0ExVN-4j27msR','北京'))

onenet 物联网传输数据至云端​

onenet 物联网是中国移动推出的物联网交互平台，主要面向一般开发者，因此 AIbox 这款设备可以使用 onenet 物联网平台进行数据传输。

相比于 mixio 这样专注于单片机的物联网平台来说，onenet 的文档与接口可能会频繁变动，如有出入以官网教程为准。

onenet 物联网平台网址：https://open.iot.10086.cn/doc/

文档中提供了传输文本与文件 2 种方式

import json
import asyncio
import websockets
from uuid import uuid4

# 音频文件测试路径。
audioFile = "test.mp3"
# 使用自己产品Id和apikey替换下列参数。
productId = "x"
apikey = "x"

#发送文本请求
async def textRequest(ws):
    content = {
        "aiType":"dm",
        "topic": 'nlu.input.text',
        "recordId": uuid4().hex,
        "refText": "测试"  #修改文本请求的输入
    }
    try:
        await ws.send(json.dumps(content))
        resp = await ws.recv()
        print(resp)
    except websockets.exceptions.ConnectionClosed as exp:
        print(exp)

#发送音频请求
async def audioRequest(ws):
    content = {
        "aiType": "dm",  #可选dm/asr, dm获取对话结果，asr只获取asr结果
        "topic": "recorder.stream.start",
        "recordId": uuid4().hex,
        "audio": {
            "audioType": "mp3",  #修改为测试文件的类型
            "sampleRate": 16000, #修改为测试文件的sampleRate
            "channel": 1,    #修改为测试文件的channel
            "sampleBytes": 2   #修改为测试文件的sampleBytes
        },
        "asrParams": {
            "realBack": True,   #实时返回asr结果
            "enableVAD": True,   #启动VAD
            "enablePunctuation": True,   #返回结果是否带拼音
            "enableTone": True,   #返回结果是否带声调
            "enableConfidence": True,   #返回结果是否带置信度
            "enableNumberConvert": True,  #返回结果是否进行数字转换
        },
    }
    try:
        #发送文本消息
        await ws.send(json.dumps(content))
        # 发送音频消息
        with open(audioFile, 'rb') as f:
            while True:
                chunk = f.read(400) #wav buffsize=3200 其他的400
                if not chunk:
                    await ws.send(bytes("", encoding="utf-8"))
                    break
                print(len(chunk))
                await ws.send(chunk)
        async for message in ws:
            print(message)
            resp = json.loads(message)
            if 'dm' in resp:
                break
    except websockets.exceptions.ConnectionClosed as exp:
        print(exp)
        ws.close()

async def dds_demo():
    url = f"ws://botai-dsg.and-home.cn:4443/dsg/v1/prod?productId={productId}&apikey={apikey}"
    print(url)
    async with websockets.connect(url) as websocket:
        #await textRequest(websocket)  #发送文本请求
        await audioRequest(websocket)  #发送音频请求
asyncio.get_event_loop().run_until_complete(dds_demo())

后话​

最后，通过大量的学习和试错打样，你发现米家雨水传感器，淘宝 46 包邮，搞活动更便宜，这大概是你最后的选择。

内容为最近一年的个人硬件产品的结构设计的对比分析，作为 DIY 爱好者，必然会有不足之处，欢迎指正。

假设你想自己制作一个桥梁模型送给朋友，手工制作一个当然很好，使用木头、或者捏一个土坯然后烧制、又或者直接使用车床加工。但是这需要一定的技艺，以及各种器具。

但是除了手工制作之外，你依然有很多种方式可以选择：

• 乐高搭建，你只需要知道乐高拼搭基础，设计出图纸后导出并购买零件（正版与非正版价格差距极大）。

• 3D 打印，3D 打印有多种不同的原理，材料可选类型也比较多，设计出模型之后切片打印即可。

• 激光切割，使用激光切割机切割亚克力板或者木板，之后拼搭。

简短对比 ：

乐高类​

优点​

• 设计快速、简单，易于拆卸，非常适合快速验证创新想法。

• 乐高模型可以随时调整，拆解后的部件可再次使用，避免了材料的直接损耗。相比之下，3D 打印和激光切割等技术一旦出现错误，调整难度较大，材料利用率相对较低。

缺点​

• 乐高结构的强度有限，不适合承受较大的力，因此更适合轻量级的应用。

• 乐高零件种类有限，对复杂结构的设计造成一定限制。

• 乐高零件的精度也有限，主要的结构单位和半个单位，这意味着你的模型尺寸需要是 0.5 个单位长度的倍数。

学习心得​

搜索一些搭建图纸，可以帮助你更好地理解乐高的设计原理和技巧。不用管书籍的语言是德语还是英语。

软件​

乐高结构设计软件：https://studiohelp.bricklink.com/hc/en-us

优点：软件可以导出零件名称，一键跳转采购。

总结​

乐高设计快，但是采购之后自己拼搭比较耗时，遇到问题时可以先思考我之前有没有见过类似的图纸，没有见过而且比较复杂的话，一般选择 3D 打印。

3D 打印​

3D 打印是个人制造的一种重要方式，它可以将数字模型转化为实体物体。一张 A4 纸的大小大约是 210mm×297mm，可以在此基础上选购合适的成型尺寸。

3D 打印分为多种技术，常见的有 FDM（熔融沉积成型）、SLA（光固化成型）、SLS（激光烧结成型）等。其中 FDM 是最常见的 3D 打印技术，也是我使用的技术。

3D 打印目前主要有：

• 定制手办方向

需要深入的学习建模软件

学习调色与上色

• 工业设计

简单的学习建模软件

深入学习螺丝螺母磁铁钢针等材料的嵌入

在 3D 打印过程中，材料的选择对打印效果和性能有重要影响。下面是部分常见材料及其价格与特点。

建模软件​

建模软件是 3D 打印的基础，可选的非常多，譬如Fusion 360、Blender。

模型可以从 0 开始建，也在别人的基础上修改，由于家用3D打印机尺寸较小，工具物品难以一体成型，因此模块化设计思维较为重要。

成品模型库：

• https://www.crealitycloud.cn/

• https://makerworld.com/

• https://www.thingiverse.com/

• https://cults3d.com/

• https://www.printables.com/

优点​

• 只需要一个晚上就可以验证你的复杂创意。

• 提升空间大，可以选择一体成型，或者碳纤维材料，也可以使用暂停打印嵌入螺丝、螺母、磁石、金属棒等来创作一些强度极高的混合材质的工具。

缺点​

• 连接处的强度不够需要使用人工介入使用特殊手段提升。

• 打印时间长而且偶尔成品有瑕疵。

学习心得​

3D 打印的知识相对来说比较碎片化，需要持续学习与实战验证。可以关注一些 3D 打印博主、逛逛 3D 打印社区，可以学习到很多建模、切片、机器的调试、嵌入等技巧。

软件​

从 0 开始 3D 打印需要用到 3D 建模软件与切片软件

建模软件就是构建出你要打印的物品的模型的软件。

切片软件则是把这个模型切割为一层一层，控制 3D 打印机的喷嘴运动路径等参数的软件。目前我的 3D 打印机只认切片后的文件。

这里建模软件推荐找个教程，教程上用什么跟着学也用什么。

切片软件一般厂家有提供。

激光切割​

激光切割机主要用于切割和雕刻材料，如亚克力板、金属片、木板等。激光切割机通过激光束对材料进行加热，使其熔化或气化，然后通过气流将熔化或气化的材料吹走，从而实现切割。

可以通过调整激光头的运行速度和激光强度来实现穿透切割和表面雕刻。

激光强度大，激光头移动速度慢，可以实现穿透切割，即将材料完全切断（速度：10 分钟级别）。

激光强度小，激光头移动速度快，可以实现表面雕刻，即在材料表面刻出图案或文字（速度：秒级别）。

优点​

• 刻字速度极快，立等可取。

• 支持材料多样。

缺点​

• 设备占地较大，气味明显需要单独通风，水冷型的需要偶尔换水。

• 部分材料切割容易边缘不光滑、发黑。

学习心得​

激光切割主要是调试激光能量强度与材料的关系。常见的材料有以下几种：

亚克力板，比较常见的像一块 30*30cm 5mm 厚的透明板材

个人很喜欢的材料，透明的材质用来装日用摆件类的单片机很有“探索版”的感觉。做工具用比较脆，有一定韧性，但保存不当会产生划痕。

金属片：强度比木板要好不少，相比于亚克力板的硬、脆,金属片可以在切割后折弯，用来制作需要弯曲且强度要求高的结构。

无可替代的优势，你永远可以相信金属。

木板：木板具有良好的硬度和强度，面积较大的区域有一定韧性，但细的地方极其容易断裂。另外木板在潮湿的环境下可能会变形，因此需要在适当的环境中存储和使用。

用来制作各种家居装饰、艺术品和模型。木板的颜色和纹理使得切割出来的产品具有自然的美感和温馨的氛围。此外，木板也可以通过砂纸或者涂料进行后期处理，以改变其颜色和质感，增加产品的美观性和耐用性。

有些材料理论上可行，但是我实际工作中没有使用，不便评价：玻璃和陶瓷、织物和皮革、塑料和橡胶

相比前面两项个人级别的制作，激光切割家用较少，其一是气味较大，需要单独通风，有些激光切割机还需要用水桶接冷凝水。其二是占地面积较大，3D 打印机可以放在桌子上，激光切割机需要放在地上，且需要有一定的安全距离。

在学校、工作室等场所，通常会有激光切割机，可以提供激光切割服务。

软件​

厂家附赠非开源软件。

群晖是一款非常优秀的 NAS 产品，它可以提供文件存储、多媒体服务、远程访问等功能。一般来说，一台群晖的寿命 4-6 年，折合下来比服务器便宜一点点。因此，我决定做云时代的逆行者，将服务器上的一些服务迁移到群晖上。

注意：云服务器的优点有很多，包括：更加安全、更加灵活、更加便宜等等，迁移需谨慎。

原环境分析​

租用的服务器是阿里云产品，选择了宝塔面板进行管理。

网站使用了前后端分离的设计模式，前端基于 Vue 生成的静态页面，后端则基于 Java。后端允许上传一些文件，使用的是 3000 端口进行通信，文件传输则在 8000 端口，路径设置为/upload/。通过 Nginx 进行了反向代理，将/upload/路径的请求转发到 8080 端口，将其他请求（80 端口）转发到 3000 端口。因此，对于这个网站，通信主要通过 80 端口和 8080 端口进行。

迁移策略​

服务器迁移​

创建一个 Docker 容器（如果原本用的是宝塔面板，那就继续使用宝塔面板），并按照原来的部署文档在容器内部重新运行服务。

将相关的命令设置为开机自启动。

另外，重要的文件等资料需要单独挂载，并可以设置为只读模式，以防止数据丢失同时更加安全。

端口映射​

Docker 的镜像可以通过端口映射的方式，将容器内的端口映射到宿主机（群晖）的端口上。

路由器可以将外网流量转发到宿主机（群晖）上，因此只需要在路由器上设置端口转发即可。

因此有了以下的端口映射规则（你可以先停止容器再设置）：

域名解析​

现在我们需要将域名解析到服务器上，由于 80 端口不能直接访问，并且小区和域名供应商都会要求备案，这就需要我们使用 Cloudflare 的 DNS 解析服务。Cloudflare 可以充当中间人，将流量转发到服务器上。

即无法通过 http://www.xxx.com 直接访问到服务器，只能通过域名+端口号如 http://www.xxx.com:8080 访问。

在 cloudflare 中添加域名，全程按照提示操作添加即可。

添加完成后，选择规则->回源（Origin Rules）。因为 Java 用到了两个端口，所以需要添加两个端口转发规则：

• 当满足条件时（访问域名且路径不以/upload/开头），将流量转发到服务器的 4080 端口。

• 当满足条件时（访问域名且路径以/upload/开头），将流量转发到服务器的 4880 端口。

结果​

通过以上步骤，我们成功地将网站迁移到了新服务器上。用户访问网站时，流程如下：

• 通过 DNS 解析，找到 cloudflare 的服务器。
• cloudflare 根据规则，把 80 流量转发到路由器的 4080 上。
• 服务器接收到流量，把流量转发到群晖的 4080 端口。
• 群晖接收到流量，把流量转发到容器的 80 端口。
• 容器接收到流量，通过 Nginx 分配数据。
• Nginx 根据规则，把流量转发到容器内的 8080 端口。
• 数据按照原本的路径逐一返回至 cloudflare。
• cloudflare 把数据返回给访问者。

如法炮制可以继续迁移其他站点。

这种迁移方式不仅保证了原有服务的连续性，也确保了服务器不会被外网直接访问，从而提高了网络安全性。即使网站被黑，也不会影响到其他服务，只需重启这个容器即可恢复原状。

后话​

这次的迁移过程体现了分层思想的重要性，这主要来自《白帽子讲 Web 安全》这本书。整个过程没有遇到什么问题，只需要对容器化和 Cloudflare 有一定的了解。我希望我的经验能给读者带来一些启示。

前段时间偶然间看到了一些生成式 AI 文本摘要项目，觉得很有意思。个人不太信任第三方服务，于是就加到待办里，想着自己也实现一个，最近终于有空了。

逻辑上的核心功能是：自动生成，无需人工干预，一次生成，再次生成消耗 key

样式上的核心功能是：逐字显示，好像是个机器人真的在实时生成。

本篇文章将记录如何实现这个功能。

原型​

博客是基于 Docusaurus 搭建的，而 Docusaurus 是基于 React 的，文章内容是通过 markdown 文件写的，所以需要设计一个 React 组件，传入 markdown 文件内的文本内容，每次有请求时，将文章内容转换为文本摘要。

但是这样做有一些问题，主要的是重复的每次请求都会消耗 key，因此需要储存已请求内容。

判断条件可以设为如果内容不存在，则直接调用，否则就重新生成，然后存储。

由此可知我们至少需要：内容（用来判断是否重复）、摘要（用来显示）

{
  "This is the text to summarize": "This is the summary",
  "This is the text to summarize 2": "This is the summary 2",
}

如果储存是需要成本的，我们可以使用hash值来判断内容是否相同，如果hash值相同，那么就不需要重新生成摘要了。这样不要存储一篇文章，只需要存储hash值和摘要就可以了。

{
    "248ae1890a0084b3bbc30bd3c0c2e17e": "summary"
}

如果有多个文章如何每次请求只请求指定的文章呢？

我们可以使用路径来区分不同的文章，在服务器上我们的方法就太多了。

但是静态的话我使用文件名来区分不同的文章。将文章路径中的/替换为_，然后加上.json后缀，就可以了。

{
    "248ae1890a0084b3bbc30bd3c0c2e17e": "summary"
}

把这个代码逻辑插入到 React 组件中就可以实现了，根据你调用的API不同，你也许可以设置返回的摘要长度等参数。

记得别直接把key写在代码里，而是通过环境变量传入。如果你的项目通过github pages部署，那么可以在项目的setting中设置环境变量REACT_APP_API_KEY，然后在代码中通过process.env.REACT_APP_API_KEY来获取。

实现​

当然，这只是一个比较粗糙的想法，接下来让我们完善下代码细节，让它优雅的同时，可以在博客中使用。

逻辑功能​

我在reflex-chat#20里提交了关于百度API的实现，在这个仓库里你应该能找到其他API的操作方式。

import os
import json
import time
import hashlib
import pathlib
import requests
import feedparser
from parsel import Selector
from datetime import datetime
from jinja2 import Environment, FileSystemLoader
class BaiduAI:
    def __init__(self):
        self.BAIDU_API_KEY = os.getenv("BAIDU_API_KEY")
        self.BAIDU_SECRET_KEY = os.getenv("BAIDU_SECRET_KEY")
        self.token = self.get_access_token()

    def get_access_token(self):
        """
        :return: access_token
        """
        url = "https://aip.baidubce.com/oauth/2.0/token"
        params = {
            "grant_type": "client_credentials",
            "client_id": self.BAIDU_API_KEY,
            "client_secret": self.BAIDU_SECRET_KEY,
        }
        return str(requests.post(url, params=params).json().get("access_token"))

    def get_result(self, text: str):
        messages = json.dumps(
            {
                "messages": [
                    {
                        "role": "user",
                        "content": "阅读下面的博文，然后尽可能接近50个词的范围内，提供一个总结。只需要回复总结后的文本：{}".format(
                            text
                        ),
                    }
                ]
            }
        )
        session = requests.request(
            "POST",
            "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions_pro?access_token="
            + self.token,
            headers={"Content-Type": "application/json"},
            data=messages,
        )
        json_data = json.loads(session.text)
        if "result" in json_data.keys():
            answer_text = json_data["result"]
        return answer_text


class Jsonsummary:
    def __init__(self):
        root = pathlib.Path(__file__).parent.resolve()
        self.json_file_path = os.path.join(root,"summary")
        self.url = "https://jiangmiemie.com/"
        self.pages = []
        
    def load_json(self):
        # 加载JSON文件
        loaded_dict = {}
        for file in os.listdir(self.json_file_path):
            with open(os.path.join(self.json_file_path, file), "r", encoding="utf-8") as json_file:
                loaded_dict[self.url + file.replace("_", "/").replace(".json", "")] = json.load(json_file)
        return loaded_dict

    def save_json(self,loaded_dict):
        # 将字典存入JSON文件
        for key in loaded_dict:
            key_path = key.replace(self.url, "").replace("/", "_") + ".json"
            save_path = os.path.join(self.json_file_path, key_path)
            with open(save_path, "w", encoding="utf-8") as json_file:
                json.dump(loaded_dict[key], json_file, indent=4)

    def clean_json(self):
        # 根据RSS结果清理JSON文件
        for file in os.listdir(self.json_file_path):
            if file not in self.pages:
                os.remove(os.path.join(self.json_file_path, file))

def blog_summary(feed_content):
    jsdata = Jsonsummary()
    loaded_dict = jsdata.load_json()

    for page in feed_content:
        url = page["link"].split("#")[0]
        jsdata.pages.append(url.replace(jsdata.url, "").replace("/", "_") + ".json")
        # 剪切掉摘要部分，仅保留正文
        content = page["content"][0]["value"]
        selector = Selector(
            text=content.split("此内容根据文章生成，仅用于文章内容的解释与总结")[1]
        )
        content_format = "".join(selector.xpath(".//text()").getall())
        content_hash = hashlib.md5(content_format.encode()).hexdigest()
        if (
            loaded_dict.get(url)
            and loaded_dict.get(url).get("content_hash") == content_hash
        ):
            continue
        else:
            ai = BaiduAI()
            summary = ai.get_result(content_format)
            loaded_dict.update(
                {url: {"content_hash": content_hash, "summary": summary}}
            )
    jsdata.save_json(loaded_dict)
    jsdata.clean_json()

def fetch_blog():
    content = feedparser.parse("https://jiangmiemie.com/blog/rss.xml")["entries"]
    blog_summary(content)


if __name__ == "__main__":
    fetch_blog()