文章列表 on 指尖魔法屋

用 GolemBot 把 Codex 接到飞书机器人

Tue, 09 Jun 2026 22:19:21 +0800

想在飞书里直接 @ 一个机器人，然后让它帮我问 Codex，还能顺手去飞书文档、需求清单、bug 清单里翻资料。

这个需求一开始很容易被带偏：自己写一个飞书 Bot Gateway，接事件、调模型、维护会话、处理权限、再封装飞书 OpenAPI。

但这事其实不太值得从零写。飞书机器人入口有现成工具，Codex 本身有 CLI，飞书也有官方 CLI。把这几块拼起来，就能得到一个相对省事的版本。

下面这张图先把调用链画清楚，后面的安装和配置基本都是围绕这条链路展开。

flowchart LR A[飞书用户] --> B[飞书机器人] B --> C[GolemBot<br/>Feishu Channel] C --> D[GolemBot<br/>Codex Engine] D --> E[Codex CLI] E --> F[AGENTS.md<br/>项目规则] E --> G[lark-cli<br/>飞书 CLI Skills] G --> H[飞书 Docs] G --> I[Base / Sheets] G --> J[Tasks / Wiki]

这篇文章就按这个思路写一版可操作的教程。

先说结论

我会选这套组合：

GolemBot：负责把飞书机器人消息接进来，并转给 Codex。
Codex CLI：负责真正的 Agent 推理、命令调用和上下文处理。
AGENTS.md：负责告诉 Codex 该怎么查飞书资料、哪些事情不能乱做。
lark-cli：负责读取飞书 Docs、Base、Sheets、Tasks、Wiki。
larksuite/cli Skills：让 Codex 更知道飞书 CLI 该怎么用。

这样做的好处是少写胶水代码。GolemBot 处理 IM 渠道，Codex 处理 Agent，飞书 CLI 处理数据访问。

调试 OpenAI Responses API 的 Web Search 踩坑记录

Thu, 30 Apr 2026 10:30:00 +0800

最近在做一个投资研究 Agent，其中有个很具体的需求：监控腾讯控股 0700.HK 的估值指标，尤其是 trailing PE 或 TTM PE。

这个需求看起来不复杂，但实际做下来踩了几个坑。直接访问 Yahoo Finance 的接口，在当前运行环境里会返回 403 Forbidden；换用模型的 web search 又遇到了 Responses API 请求格式、流式响应解析和第三方 provider 兼容性问题。

这篇文章记录一下这次调试过程。重点不是“怎么让模型搜索网页”，而是：当你真的把 OpenAI 新版 Responses API 里的 web_search 接到工程代码里时，哪些地方最容易出错。

需求背景

腾讯 PE 监控任务需要拿到 0700.HK 当前的 trailing PE 或 TTM PE。

最开始的思路很直接：从常见财经数据源获取结构化数据。但是 Yahoo Finance 在当前环境里不稳定，接口返回 403 Forbidden。后来通过 web search 找到一个当前可访问、页面结构也比较容易解析的数据源：

https://stockanalysis.com/quote/hkg/0700/statistics/

所以最后的数据源策略变成了两层：

优先直接抓取 StockAnalysis 页面，解析 P/E Ratio；
如果网页结构变化、抓取失败，才使用 Responses API 的 web_search 作为兜底。

这个顺序很重要。模型搜索适合发现信息和兜底，不适合作为首选的结构化行情接口。

官方写法和实际差异

OpenAI 官方文档里，Web Search 是 Responses API 的内置工具。官方示例大致是这样的：

Harness Engineering 的介绍与编程实践

Thu, 23 Apr 2026 15:20:00 +0800

同样是用 AI 编程，有的团队已经能让 Agent 稳定改代码、跑测试、收敛结果；有的团队却还停留在“写得挺像，但一跑就炸”。差距往往出在模型外面那套工程系统，也就是让 AI 能安全干活的 Harness。

为什么会有 Harness Engineering

这两年 AI 编程工具变化很快。

最早大家更多是在“问模型”：解释代码、生成函数、补一段脚本。这个阶段最重要的是 Prompt Engineering，也就是把需求讲清楚，减少模型理解偏差。

后来大家发现，只会写提示词还不够。模型如果不知道项目目录、接口约定、历史设计和运行方式，就很容易一本正经地瞎猜。于是 Context Engineering 开始被反复提起：该给模型哪些文件、日志、文档和规则，才能让它少幻觉。

但当 AI 真的开始改文件、跑命令、修测试，问题又变了。

这时最让人头疼的，开始变成这些事：

破坏已有结构；
不按既定文档开发；
规避失败，假装成功；
顺着错误假设越修越远；

这些问题，光加一句“请谨慎操作”没什么用。你需要一套外部机制，让 AI 的行为有边界、有反馈、能收敛。这套机制，就是 Harness。

一个很好记的公式是：

Agent = Model + Harness

模型负责推理和生成，Harness 负责环境、工具、约束、状态和反馈。没有 Harness，模型更像一个会说话的大脑；有了 Harness，它才更像一个能在工程环境里干活的代理。

OpenAI 在 2026-02-11 发布的官方文章里，对这套“模型之外的工程系统”有一套比较完整的展开，本文很多整理也受它影响。

Harness 到底在管什么

可以把Harness 理解成"控制与治理层", 通俗来说就是: “护栏” + “工具链” + “运行框架”。

别把它理解成某个单独工具，也别理解成一个提示词模板。更准确地说，它是一层围着模型搭起来的工程控制系统。

落到 AI 编程场景，Harness 一般要把几件事管起来：

上下文管理：让代理知道项目结构、任务目标、相关文件和编码约束；
工具接口：让它能读文件、搜代码、跑测试、打补丁，少靠猜；
执行沙盒：让命令运行在受限环境里，出错也别伤到真实环境；
规则约束：用架构规则, skills, Hooks限制越界动作；
验证循环：把测试失败、构建报错、审查意见重新喂回去，让它继续修；
人工闸门：删文件、改生产配置、发版部署这类动作，必须有人点头。

所以我现在更倾向于把 Harness Engineering 看成一件工程活。它要解决的是环境问题：就算模型犯错，错误也尽量落在可控范围内。即：用流程与规范来约束模型。

边缘设备RK3588下RKNN的推理适配

Wed, 08 Apr 2026 10:30:00 +0000

这篇文章主要梳理一件事：如何把训练侧模型，稳定地落到 RK3588 上跑起来。

RKNN 是什么

RKNN 是瑞芯微（Rockchip）围绕自研 NPU 推出的完整软件栈，用来解决模型从训练框架到板端推理的落地问题。

常用到的核心组件有两个：

RKNN-Toolkit2

运行在 PC 端（通常是 Ubuntu）的开发工具链，负责把第三方框架模型（如 PyTorch、TensorFlow、ONNX）转换、量化、优化为 .rknn 文件。

项目地址：

https://github.com/airockchip/rknn-toolkit2

RKNN Runtime

运行在嵌入式板卡端（如 RK3588）的运行时库，负责加载 .rknn 模型并调用 NPU 执行推理。

如何判断我的设备是否支持RKNN

看型号，如rk3588，就是支持的
使用命令sudo cat /sys/kernel/debug/rknpu/load

该结果表示有3个RK npu

RKNN 的典型工作流

从开发到部署，一般可以分成 4 个阶段：

模型转换

把 .onnx 或 .pt 模型导入 Toolkit，完成图转换与算子适配。

量化与优化

这是 RKNN 提速的关键步骤。NPU 更擅长整数计算（INT8），通常会把 FP32 模型量化为 INT8，在保证精度可接受的前提下换取更高吞吐和更低延迟。

模型导出

导出目标模型文件：.rknn。

板端推理

在 RK3588 上通过 C/C++ 或 Python 接口调用 Runtime，完成加载、预处理、推理和后处理。

性能优化（1）— 模型的int8量化

众说周知，通用模型的精度是FP32的，而量化就是将FP32精度的权重降低至FP16，甚至是INT8，或者更极端一点的INT4。这样模型的计算量就会大幅减少，与之带来的后果也是准确度的下降。

使用python实现动量量化策略监控面板

Mon, 22 Dec 2025 10:00:00 +0000

使用python实现动量量化策略监控面板

1. 什么是动量策略？

在金融市场中，动量效应（Momentum Effect）被誉为“金融界的牛顿第一定律”。它的核心逻辑是：强者恒强。

动量策略不关注公司的财务报表，也不关心基本面估值，它只看价格趋势。

它假设过去一段时间表现最好的资产，在未来的一段时间内大概率会继续表现良好；反之，过去表现最差的资产，未来大概率会继续下跌。这是一种**“追涨杀跌”**的策略，但不同于散户的情绪化操作，它是基于严格的数据回测和纪律执行的。

2. 标的选择：构建“微型全天候”组合

为了提高策略的稳健性，我们不建议只在单一股市内部寻找动量。在本次实践中，我们选取了五个低相关性的跨国、跨类别资产作为池子：

创业板 ETF (159915)：代表 A 股高弹性、科技成长风格。
沪深 300 ETF (510300)：代表 A 股大盘、价值蓝筹风格。
纳指 100 ETF (513100)：代表全球科技龙头，与 A 股周期错位。
黄金 ETF (518880)：经典的避险资产，在股市动荡时常有独立行情。
货币 ETF (511880)：作为“防御港湾”，当上述风险资产全部熄火时，用来保护本金。

3. 策略逻辑设计

我们设计的量化看板遵循以下双重逻辑：

相对动量（优中选优）：计算这四个风险资产过去 $N$ 天（如 20 天）的涨幅，找出表现最强的那一个。
绝对动量（止损风控）：如果表现最强的资产收益率依然为负（或者低于货币基金收益），说明市场整体环境极差，此时策略强制切换至 货币 ETF 进行空仓避险。

4. 技术栈实现

为了保证环境的纯净和运行的性能，我们推荐使用以下配置方案：

环境管理：Conda (推荐 Python 3.11 版本)。
数据来源：AkShare (免费开源的金融数据接口库)。
前端展示：Streamlit (极速构建 Web 数据看板的利器)。
交互绘图：Plotly (提供响应式的缩放图表)。

核心代码实现逻辑

创建环境

conda create -n quant_lab python=3.11 -c conda-forge -y
conda activate quant_lab

安装相关依赖

使用智谱api将长语音转文本

Tue, 16 Dec 2025 19:40:00 +0000

智谱AI语音识别API在准确性和响应速度方面表现出色，但受限于单次请求最大30秒的音频长度限制。本文基于pyannote.audio的语音活动检测(VAD)技术，实现了智能音频分块策略：在语音段落间隙处精确切割，避免截断语义单元；通过批量异步调用API接口，实现对长音频文件的完整转写；最终拼接处理结果输出。从Conda环境配置到生产代码实现，提供完整的可复现解决方案。

一、长语音转文本的核心挑战

主要的挑战是目前的条件没有合适的API。正好智谱API有token和API，先拿来用了。但是智谱API只能支持25M以下以及30s以内的语音。所以我们需要语音文件先断句，再分块，接着调用智谱API，最后拼接成最终结果。

三、关键技术：实现智能音频分块

这是自建系统的核心技术，也是本实践的重点。目标是在静音处切分音频，避免截断单词。

3.1 核心思想

加载音频：读取长音频文件。
检测静音：遍历音频，识别出静音段（声音能量低于阈值）。
标记边界：以静音为边界，切分语音。
生成音频块：保存为独立的短音频文件。
添加保护垫：在切分点两边保留一小段音频作为缓冲，防止截断。

3.2 三种实现方案

方案	优点	缺点	推荐场景
`pydub`	极其简单，代码少	精度一般，噪音敏感	快速原型验证、干净录音
`webrtcvad`	精度高，轻量快速	API底层，代码复杂	对准确率有要求、生产环境
`pyannote.audio`	效果最好，功能强大（含说话人分离）	依赖重，资源消耗大	需要说话人分离、追求最佳效果

3.3 使用 `pyannote.audio` 进行分块（本实践选择）

pyannote.audio 是一个基于 PyTorch 的开源神经语音工具包，效果最好，且能同时完成说话人分离。选型原则：条件允许范围内，选最好！

但是本实践没有进行说话人分离

四、完整实践：使用pyannote.audio切割并调用API转写

实现一个完整的流程：使用 pyannote.audio 切割音频，然后调用智谱AI的API进行转写。

4.1 环境准备

首先，为了避免系统环境冲突，强烈建议创建一个虚拟环境。

安装依赖

依赖文件

name: audio_env
channels:
 - conda-forge
 - defaults
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
 - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
dependencies:
 - _libgcc_mutex=0.1
 - _openmp_mutex=5.1
 - aom=3.9.1
 - bzip2=1.0.8
 - ca-certificates=2025.12.2
 - cairo=1.18.0
 - dav1d=1.2.1
 - expat=2.7.3
 - ffmpeg=7.1.0
 - font-ttf-dejavu-sans-mono=2.37
 - font-ttf-inconsolata=3.000
 - font-ttf-source-code-pro=2.038
 - font-ttf-ubuntu=0.83
 - fontconfig=2.15.0
 - fonts-conda-ecosystem=1
 - fonts-conda-forge=1
 - freetype=2.14.1
 - fribidi=1.0.16
 - gdk-pixbuf=2.42.12
 - gmp=6.3.0
 - graphite2=1.3.14
 - harfbuzz=9.0.0
 - icu=73.2
 - lame=3.100
 - ld_impl_linux-64=2.44
 - lerc=4.0.0
 - libabseil=20240722.0
 - libass=0.17.3
 - libdeflate=1.22
 - libdrm=2.4.125
 - libegl=1.7.0
 - libexpat=2.7.3
 - libffi=3.4.4
 - libfreetype=2.14.1
 - libfreetype6=2.14.1
 - libgcc=15.2.0
 - libgcc-ng=15.2.0
 - libgl=1.7.0
 - libglib=2.84.0
 - libglvnd=1.7.0
 - libglx=1.7.0
 - libgomp=15.2.0
 - libhwloc=2.12.1
 - libiconv=1.18
 - libjpeg-turbo=3.1.2
 - libnsl=2.0.0
 - libopenvino=2024.4.0
 - libopenvino-auto-batch-plugin=2024.4.0
 - libopenvino-auto-plugin=2024.4.0
 - libopenvino-hetero-plugin=2024.4.0
 - libopenvino-intel-cpu-plugin=2024.4.0
 - libopenvino-intel-gpu-plugin=2024.4.0
 - libopenvino-intel-npu-plugin=2024.4.0
 - libopenvino-ir-frontend=2024.4.0
 - libopenvino-onnx-frontend=2024.4.0
 - libopenvino-paddle-frontend=2024.4.0
 - libopenvino-pytorch-frontend=2024.4.0
 - libopenvino-tensorflow-frontend=2024.4.0
 - libopenvino-tensorflow-lite-frontend=2024.4.0
 - libopus=1.6
 - libpciaccess=0.18
 - libpng=1.6.53
 - libprotobuf=5.28.2
 - librsvg=2.58.4
 - libstdcxx=15.2.0
 - libstdcxx-ng=15.2.0
 - libtiff=4.7.0
 - libuuid=1.41.5
 - libva=2.23.0
 - libvpx=1.14.1
 - libwebp-base=1.6.0
 - libxcb=1.17.0
 - libxml2=2.13.9
 - libzlib=1.3.1
 - ncurses=6.5
 - ocl-icd=2.3.3
 - opencl-headers=2025.06.13
 - openh264=2.5.0
 - openssl=3.6.0
 - pango=1.54.0
 - pcre2=10.44
 - pip=25.3
 - pixman=0.46.4
 - pthread-stubs=0.3
 - pugixml=1.14
 - python=3.10.19
 - readline=8.3
 - setuptools=80.9.0
 - snappy=1.2.2
 - sqlite=3.51.0
 - svt-av1=2.3.0
 - tbb=2022.3.0
 - tk=8.6.15
 - wayland=1.24.0
 - wayland-protocols=1.47
 - wheel=0.45.1
 - x264=1!164.3095
 - x265=3.5
 - xorg-libice=1.1.2
 - xorg-libsm=1.2.6
 - xorg-libx11=1.8.12
 - xorg-libxau=1.0.12
 - xorg-libxdmcp=1.1.5
 - xorg-libxext=1.3.6
 - xorg-libxfixes=6.0.2
 - xorg-libxrender=0.9.12
 - xorg-xorgproto=2024.1
 - xz=5.6.4
 - zlib=1.3.1
 - zstd=1.5.7
 - pip:
 - aiohappyeyeballs==2.6.1
 - aiohttp==3.13.2
 - aiosignal==1.4.0
 - alembic==1.17.2
 - antlr4-python3-runtime=4.9.3
 - anyio=4.12.0
 - asteroid-filterbanks==0.4.0
 - async-timeout==5.0.1
 - attrs==25.4.0
 - certifi==2025.11.12
 - cffi==2.0.0
 - charset-normalizer==3.4.4
 - click==8.3.1
 - colorlog==6.10.1
 - contourpy==1.3.2
 - cycler==0.12.1
 - docopt==0.6.2
 - einops==0.8.1
 - exceptiongroup==1.3.1
 - filelock==3.20.1
 - fonttools==4.61.1
 - frozenlist==1.8.0
 - fsspec==2025.12.0
 - googleapis-common-protos==1.72.0
 - greenlet==3.3.0
 - grpcio==1.76.0
 - h11==0.16.0
 - hf-xet==1.2.0
 - httpcore==1.0.9
 - httpx==0.28.1
 - huggingface-hub==0.23.5
 - hyperpyyaml==1.2.2
 - idna==3.11
 - importlib-metadata==8.7.0
 - jinja2==3.1.6
 - joblib==1.5.3
 - julius==0.2.7
 - kiwisolver==1.4.9
 - lightning==2.6.0
 - lightning-utilities==0.15.2
 - mako==1.3.10
 - markdown-it-py==4.0.0
 - markupsafe==3.0.3
 - matplotlib==3.10.8
 - mdurl==0.1.2
 - mpmath==1.3.0
 - multidict==6.7.0
 - networkx==3.4.2
 - numpy==1.26.4
 - nvidia-cublas-cu12==12.1.3.1
 - nvidia-cuda-cupti-cu12==12.1.105
 - nvidia-cuda-nvrtc-cu12==12.1.105
 - nvidia-cuda-runtime-cu12==12.1.105
 - nvidia-cudnn-cu12==9.1.0.70
 - nvidia-cufft-cu12==11.0.2.54
 - nvidia-cufile-cu12==1.13.1.3
 - nvidia-curand-cu12==10.3.2.106
 - nvidia-cusolver-cu12==11.4.5.107
 - nvidia-cusparse-cu12==12.1.0.106
 - nvidia-cusparselt-cu12==0.7.1
 - nvidia-nccl-cu12==2.20.5
 - nvidia-nvjitlink-cu12==12.8.93
 - nvidia-nvshmem-cu12==3.3.20
 - nvidia-nvtx-cu12==12.1.105
 - omegaconf==2.3.0
 - opentelemetry-api==1.39.1
 - opentelemetry-exporter-otlp==1.39.1
 - opentelemetry-exporter-otlp-proto-common==1.39.1
 - opentelemetry-exporter-otlp-proto-grpc==1.39.1
 - opentelemetry-exporter-otlp-proto-http==1.39.1
 - opentelemetry-proto==1.39.1
 - opentelemetry-sdk==1.39.1
 - opentelemetry-semantic-conventions==0.60b1
 - optuna==4.6.0
 - packaging==25.0
 - pandas==2.3.3
 - pillow==12.0.0
 - primepy==1.3
 - propcache==0.4.1
 - protobuf==6.33.2
 - pyannote-audio==3.1.1
 - pyannote-core==5.0.0
 - pyannote-database==5.1.3
 - pyannote-metrics==3.2.1
 - pyannote-pipeline==3.0.1
 - pyannoteai-sdk==0.3.0
 - pycparser==2.23
 - pydub==0.25.1
 - pygments==2.19.2
 - pyparsing==3.2.5
 - pysocks==1.7.1
 - python-dateutil==2.9.0.post0
 - pytorch-lightning==1.9.5
 - pytorch-metric-learning==2.9.0
 - pytz==2025.2
 - pyyaml==6.0.3
 - requests==2.32.5
 - rich==14.2.0
 - ruamel-yaml==0.18.16
 - ruamel-yaml-clib==0.2.15
 - safetensors==0.7.0
 - scikit-learn==1.7.2
 - scipy==1.15.3
 - semver==3.0.4
 - sentencepiece==0.2.1
 - shellingham==1.5.4
 - six==1.17.0
 - socksio==1.0.0
 - sortedcontainers==2.4.0
 - soundfile==0.13.1
 - speechbrain==1.0.3
 - sqlalchemy==2.0.45
 - sympy==1.14.0
 - tabulate==0.9.0
 - tensorboardx==2.6.4
 - threadpoolctl==3.6.0
 - tomli==2.3.0
 - torch==2.4.0+cu121
 - torch-audiomentations==0.12.0
 - torch-pitch-shift==1.2.5
 - torchaudio==2.4.0+cu121
 - torchcodec==0.7.0
 - torchmetrics==0.11.4
 - torchvision==0.19.0+cu121
 - tqdm==4.67.1
 - triton==3.0.0
 - typer==0.20.0
 - typer-slim==0.20.0
 - typing-extensions==4.15.0
 - tzdata==2025.3
 - urllib3==2.6.2
 - yarl==1.22.0
 - zipp==3.23.0

安装依赖

将上述内容保存为 environment.yml 文件，然后执行以下命令安装所有依赖：

一些在Jetson设备的开发经验

Mon, 27 Oct 2025 10:30:00 +0000

一些在Jetson设备的开发经验

NVIDIA Jetson系列设备作为边缘AI计算的重要平台，在计算机视觉和深度学习应用中发挥着关键作用。本文将详细介绍Jetson设备的刷机、SDK安装、YOLO模型部署以及TensorRT优化等开发经验，帮助开发者快速上手并实现高性能的AI应用部署。

一、Jetson设备概述

1.1 什么是NVIDIA Jetson？

NVIDIA Jetson是一系列基于ARM架构的嵌入式AI计算平台，专为边缘计算和机器人应用设计。Jetson设备集成了高性能的GPU、CPU和深度学习加速器，能够在低功耗环境下运行复杂的AI模型。

1.2 Jetson系列对比

设备型号	GPU	CPU	内存	功耗	适用场景
Jetson AGX Orin (64GB)	2048-core Ampere	12-core Arm Cortex-A78AE	64GB LPDDR5	60W	高性能AI推理
Jetson Orin NX 16GB	1024-core Ampere	8-core Arm Cortex-A78AE	16GB LPDDR5	25W	中等性能应用
Jetson Orin Nano	1024-core Ampere	6-core Arm Cortex-A78AE	8GB LPDDR5	15W	入门级AI应用

二、JetPack SDK安装与配置

2.1 什么是NVIDIA JetPack？

JetPack是NVIDIA为Jetson设备提供的软件开发套件，包含了完整的操作系统、CUDA、cuDNN、TensorRT等深度学习框架和工具链。

2.2 刷机步骤

2.2.1 准备工作

下载JetPack SDK Manager
准备USB线缆和电源适配器

2.2.2 刷机流程

下载JetPack SDK Manager

探索 Python 的 Typing 库：增强代码健壮性

Mon, 29 Sep 2025 14:19:00 +0000

探索 Python 的 Typing 库：增强代码健壮性

Python 的 typing 库自 Python 3.5 引入，为动态类型的 Python 带来了静态类型注解功能，使开发者能够编写更健壮、可维护的代码。本文将深入探讨 typing 模块的主要功能、优势以及实用示例。

为什么使用类型注解？

类型注解通过明确声明变量、函数参数和返回值的预期类型，提升了代码的可读性、可维护性和可靠性。它们支持像 mypy 这样的静态类型检查工具，在运行前捕获潜在错误。此外，类型注解还能增强 IDE 对自动补全和重构的支持，提高开发效率。

开始使用 Typing 库

typing 模块提供了丰富的工具来定义类型注解。以下是一些常用功能的介绍。

基本类型注解

类型注解可用于变量、函数参数和返回值，语法简单直观。

from typing import List, Dict

# 变量注解
name: str = "Alice"
age: int = 30

# 带类型注解的函数
def greet(person: str) -> str:
 return f"你好，{person}！"

在此例中，name 声明为 str 类型，age 为 int 类型，greet 函数接受一个 str 参数并返回一个 str。使用 mypy 等静态类型检查工具可以确保类型使用正确。

集合类型的复杂注解

typing 模块支持对列表、字典和元组等集合类型的复杂注解。

from typing import List, Dict, Tuple

# 整数列表
numbers: List[int] = [1, 2, 3, 4]

# 字符串键和浮点值字典
scores: Dict[str, float] = {"Alice": 95.5, "Bob": 87.0}

# 指定类型的元组
point: Tuple[int, int, str] = (10, 20, "原点")

这些注解清楚地表明了集合内元素的预期类型，减少歧义和潜在错误。

使用CloudFlare反向代理七牛云存储实现SSL自由

Wed, 19 Mar 2025 14:19:00 +0000

基于CloudFlare Workers的七牛云HTTPS代理方案

一、方案背景与核心价值

1.1 问题场景

七牛云存储作为国内主流对象存储服务，其HTTP直连访问存在两大痛点：

SSL证书成本：自定义域名HTTPS服务需单独购买证书
混合内容风险：主站HTTPS页面加载HTTP资源触发安全警告

1.2 技术选型

通过CloudFlare Workers实现四大核心能力：

协议转换层：将用户HTTPS请求转换为对七牛HTTP源站的请求
动态内容改写：实时替换响应中的HTTP资源链接
全局缓存加速：利用全球CDN节点提升访问速度
零运维成本：无需维护服务器基础设施

二、原理说明

Cloudflare Worker 是一个无服务器计算平台，通过拦截请求并修改响应实现代理。核心思路是：

将用户 HTTPS 请求转发到原始 HTTP 站点。修改响应头，强制 HTTPS 协议并修复混合内容问题。

三、操作步骤

1. 创建 Cloudflare Worker

登录 Cloudflare 控制台 → Workers & Pages → 创建新 Worker。
进入代码编辑界面。

2. 编写代理脚本

addEventListener('fetch', event => {
 event.respondWith(handleRequest(event.request));
});

async function handleRequest(request) {
 // 替换为你的 HTTP 源站地址
 const originUrl = 'http://your-http-site.com';
 const url = new URL(request.url);

 // 构建指向 HTTP 源站的新请求
 const newRequest = new Request(originUrl + url.pathname + url.search, {
 headers: request.headers,
 method: request.method,
 body: request.body
 });

 // 发送请求并获取响应
 const response = await fetch(newRequest);

 // 修改响应头强制 HTTPS
 const modifiedHeaders = new Headers(response.headers);
 modifiedHeaders.set('Content-Security-Policy', "upgrade-insecure-requests");
 modifiedHeaders.delete('Content-Security-Policy-Report-Only');

 // 返回处理后的响应
 return new Response(response.body, {
 status: response.status,
 headers: modifiedHeaders
 });
}

3. 部署并配置路由

点击 Deploy 部署 Worker。
在 Worker 设置中绑定自定义域名（如 https://proxy.your-domain.com ）。

4. 调整 SSL/TLS 模式

进入 Cloudflare 域名控制台 → SSL/TLS → 概述。
选择 Flexible 模式（允许 Cloudflare 通过 HTTPS 连接用户，但到源站使用 HTTP）。

stabilityai/stable-diffusion-3-medium 试用体验

Fri, 21 Jun 2024 23:23:30 +0000

在当今的科技领域，人工智能和深度学习技术的发展日新月异。其中，稳定扩散模型（Stable Diffusion Model）作为一种强大的生成模型，在图像生成、视频处理等领域展现出了巨大的潜力。而 ComfyUI 则是一款功能强大的图形用户界面，为用户提供了便捷的操作和可视化的工作流程。

本文将详细介绍如何在 ComfyUI 中安装和使用稳定扩散模型，并通过实际案例展示其在图像生成方面的应用。无论你是初学者还是有一定经验的开发者，都可以通过本文了解到稳定扩散模型的基本原理和使用方法，从而为你的研究和项目提供有力的支持。

背景知识-名词解释

Stable Diffusion: 是一种强大的人工智能图像生成模型。它的主要功能是根据用户输入的文本描述，生成逼真、富有创意和多样化的图像。用户可以通过输入详细的描述，如主题、场景、颜色、风格、物体的特征等，Stable Diffusion 能够理解这些文本信息，并运用其学习到的知识和算法，生成相应的图像。
ComfyUI: 是一个用于生成图像的用户界面。它通常与图像生成模型（如 Stable Diffusion）结合使用，为用户提供了一种更直观、更易于操作的方式来控制和调整图像生成的参数和设置。ComfyUI 允许用户通过图形化的界面，以拖放、选择、输入数值等方式来定制图像生成的各种条件，例如模型选择、提示词权重、采样方法、步数、分辨率等。
CLIP（Contrastive Language-Image Pre-Training）是一种多模态预训练神经网络，由OpenAI在2021年发布。它的核心思想是使用大量图像和文本的配对数据进行预训练，以学习图像和文本之间的对齐关系。

官方地址

https://huggingface.co/stabilityai/stable-diffusion-3-medium

安装教程

下载模型，我这里先直接下载16位的试试水

下载comfy UI

https://github.com/comfyanonymous/ComfyUI?tab=readme-ov-file#installing

解压下载好的 comfy UI 7z包

运行run_nvidia_gpu.bat

出现工作流界面则说明安装成功

导入checkPoint

将下载好的SD模型导入到，ComfyUI的checkpoint文件夹ComfyUI\models\checkpoints

当在工作流界面可以选择到下载的模型的时候，则说明导入成功

导入工作流

下载SD3官方的3个流程图文件

点击load选择要导入的流程图

流程图文件解释

sd3_medium_example_workflow_basic.json – 基础工作流
sd3_medium_example_workflow_multi_prompt.json – 多prompt工作流
sd3_medium_example_workflow_upscaling.json – 带图片放大的工作流

配置流程图

切换模型，切换到下载的模型

删除原Clip节点，从模型节点中拖出clip指向prompt。

因为我上面下载的模型自带Clip能力，从模型中引入即可。

运行SD3模型

输入prompt

运行生图队列

Python 虚拟环境与包管理完整指南

Fri, 07 Jun 2024 22:15:03 +0000

在使用 Python 进行开发时，我们需要处理包管理、依赖隔离等问题。本文将介绍如何在 Windows 系统中配置 pip 源、创建虚拟环境，以及管理项目依赖，帮助你高效地进行 Python 开发。

第一部分：配置 pip 清华源

为什么要配置镜像源？

在使用 Python 进行开发时，我们经常会用到 pip 来安装各种包。但有时默认的源下载速度可能较慢，这时候配置国内的镜像源就很有必要了。

配置步骤

第一步：创建配置文件

在你的用户目录下（一般是 C:\Users\你的用户名），可以通过在资源管理器的地址栏输入 %appdata% 后回车快速打开 appdata 文件夹。创建一个名为 pip 的文件夹，然后在该文件夹内创建一个名为 pip.ini 的文件。

第二步：编辑配置文件

用文本编辑器打开 pip.ini 文件，在其中添加以下内容：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

第三步：验证配置

打开命令提示符，输入 pip install 某个包，观察下载速度是否有所提升。如果配置成功，下载速度应该会比之前快很多。

第二部分：Python venv 虚拟环境

什么是 Python venv？

Python venv 是 Python 标准库中的一个模块，用于创建虚拟环境。虚拟环境是一个独立的 Python 运行环境，它包含了项目所需的 Python 解释器和所有依赖包。通过使用虚拟环境，我们可以在不同的项目中使用不同的依赖版本，从而避免依赖冲突。

如何创建 Python venv？

在 Windows 环境下，我们可以使用以下命令创建 Python venv：

打开命令提示符（CMD）或 PowerShell。
进入项目目录。
运行以下命令创建虚拟环境：

python -m venv venv

其中，venv 是虚拟环境的名称，你可以根据需要修改。

路由器openwrt安装python

Mon, 25 Dec 2023 21:10:14 +0000

使用u盘当路由器的系统盘，一不小心碰到它，路由器又挂了。决定把U盘作为挂载盘安装软件

挂载U盘

启用挂载的设备

opkg包配置安装目录

增加一个opkg安装路径

配置PATH路径

export PATH=$PATH:/mnt/sda/opkg/usr//bin
echo 'export PATH=$PATH:/mnt/sda/opkg/usr/bin' >> /etc/profile

指定路径安装okpg包

opkg update
opkg -d usb install python3 
opkg -d usb install python3-pip

请注意：-d usb为必需的，否则依旧会安装到根目录

打开对应目录可以看到，已经多了一个opkg目录

输出python3，测试是否安装成功

安装pip

python -m pip install -U --force pip

安装python依赖

pip3 install requests

换国内源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

后记

现在换成挂载overlays了，直接在系统盘上面再套一层，避免u盘掉线后的系统启动不了的情况

参考文章

OPKG 软件包管理

游戏设计模式之组件模式

Sun, 04 Jun 2023 16:20:04 +0000

前言

我第一次接触到组件模式是在饥荒的mod开发过程中了解到的。在组件模式下，一系列的能力（如灯光，buff）将会被抽象为组件，组件内部实现这种能力。不同的对象都可以使用这一个组件，提高代码的复用性，避免耦合性过强。

什么是组件模式

允许一个单一的实体跨越多个不同域而不会导致耦合。

为什么需要组件模式

组件模式的目的是减少代码耦合性，提高代码复用率。

可以拿饭店菜单打比方。如果每个实体是一个类，那就只能订套餐。我们需要为每种可能的组合定义各自的类。为了满足每位用户，我们需要十几种套餐。

组件是照单点菜——每位顾客都可以选他们想要的，菜单记录可选的菜式。

参考文档

nestjs配置swagger教程

Fri, 16 Dec 2022 20:58:16 +0000

本文记录如何在nestjs框架下配置swagger。OpenAPI是一个与语言无关的RESTful API定义说明，Nest提供了一个专有的模块来利用装饰器生成类似声明。

安装

npm install --save @nestjs/swagger swagger-ui-express

引导

import { NestFactory } from "@nestjs/core";
import { AppModule } from "./modules/app.module";
import { Logger } from "@nestjs/common";
import { SwaggerModule, DocumentBuilder } from '@nestjs/swagger';

async function bootstrap() {
 const app = await NestFactory.create(AppModule);

 const options = new DocumentBuilder()
 .setTitle('api-collect')
 .setDescription('API文档')
 .setVersion('1.0')
 .build();
 const document = SwaggerModule.createDocument(app, options);
 SwaggerModule.setup('doc', app, document);

 await app.listen(3001);
}

bootstrap().then(() => {
 Logger.log("启动成功");
});

这里主要引入了两个模块，SwaggerModule和DocumentBuilder。其中DocumentBuilder建立一个遵循OpenAPI 标准的基础文档。它提供了不同的方法来配置类似标题、描述、版本等信息属性。

（SwaggerModule#createDocument()方法返回)是一个遵循OpenAPI文档的序列化对象。除了HTTP，你也可以以JSON/YAML文件格式保存和使用它。

SwaggerModule.setup(‘api’, app, document);

此行代码标记你的文档最终挂载的路径。

运行体验

此时我们就可以看到熟悉的swagger界面啦。

类型和参数

如果我们想设置swagger对应的参数请求类型，那么也可以使用它的反射来创建响应模型。

使用ts声明一个参数请求dto

export class ParamsDto {
 params?: string[];
}

接口上声明对应的入参

import { Body, Controller, Post, Query } from "@nestjs/common";
import { SqlService } from "../service/sql.service";
import { CodeDto } from "../entity/code.dto";
import { ParamsDto } from "../entity/params.dto";
import { PathDto } from "../entity/path.dto";

@Controller("api-collect")
export class SqlController {
 constructor(private readonly sqlService: SqlService) {
 }

 @Post("/execute-by-path")
 executeByPath(@Query() pathDto: PathDto, @Body() paramsDto: ParamsDto) {
 return this.sqlService.executeSqlByPath(pathDto.path, paramsDto.params);
 }

 @Post("/execute-by-code")
 executeByCode(@Query() codeDto: CodeDto, @Body() paramsDto: ParamsDto) {
 return this.sqlService.executeSqlByCode(codeDto.code, paramsDto.params);
 }
}

激活swagger ts类型扫描插件（Nestjs框架自带）

Vue3使用customRef()主动触发响应更新

Mon, 12 Dec 2022 22:11:09 +0000

前言

在vue3中（尤其是setup语法）vue框架会自动处理事件响应。但是假设有个场景，我们实现了一个数据结构，只要触发对应操作时，就刷新视图。这个问题在选项式API有个公共API，提供强制刷新能力，那就是$forceUpdate()。$forceUpdate()会全量刷新，而且组合式API不支持该方法，这个时候如果我们想主动触发视图更新，可以使用Vue3提供的customRef()自定义一个ref。

介绍

customRef()，创建一个自定义的 ref，显式声明对其依赖追踪和更新触发的控制方式。

形如

function customRef<T>(factory: CustomRefFactory<T>): Ref<T>

type CustomRefFactory<T> = (
 track: () => void,
 trigger: () => void
) => {
 get: () => T
 set: (value: T) => void
}

其中，track函数告诉框架这是一个需要追踪变更的变量，一般在get里面调用。trigger则是数据变化时调用，用以通知框架，该变量已发生变化触发视图更新。

示例

实现一个日志展示功能，当日志增加时，触发视图更新

这是一个简陋的日志系统，永远展示最后十条日志(截图少了个.slice(-10))。而且我在程序最后加了个定时器，每隔一秒定时增加一条日志。

从图中的结果可以发现，对应的数据变化并未相应的渲染在视图上。这个使用我们就需要customRef实现一个自定义的ref，当日志增加时主动触发trigger通知视图更新

使用customRef改造

总结

使用customRef的好处就是可以把trigger暴露到外部，直接触发trigger就会触发刷新，实现按需加载的效果。

Google Adsence广告拦截收入挽回

Mon, 12 Dec 2022 20:54:51 +0000

前言：很久未关注Google Adsence了，发现谷歌出了个《Google Adsence广告拦截收入挽回》功能。该功能通过提醒用户允许在您的网站上展示广告，挽回您可能会因用户启用了广告拦截器而损失的收入。这边主要介绍该功能的配置流程和使用效果。

自研到放弃

本站最开始的博客系统，使用的是自研的防广告拦截功能。当遇到广告被拦截时，直接跳转至特定的页面，阻断用户访问。具体技术细节见《让你的网站防广告屏蔽》。但该方案对用户侵入性过强，且有绑架用户的嫌疑。后在权衡再三的情况之下，便将其放弃。

Google Adsence广告拦截收入挽回

开通流程

进入隐私权和消息菜单

选择广告拦截收入挽回

创建一个新的挽回消息

设置文本和样式

展示效果

再来看看开启广告拦截后的显示效果

这里用户可以进行两个操作

叉掉弹窗，继续访问（无影响）
点击允许广告，若用户使用的chrome广告插件adblock等，则会自动开启广告

tips: 自动开启广告需要进行如下设置

总结

Google Adsence广告拦截收入挽回功能，是一种非破坏的，友好挽回方式。如果用户实在不愿意接受广告，则可关闭弹窗继续访问。但若经过挽回后，用户愿意接受广告，则广告收入将会获得一定的提高，是一个两全其美的办法。

如何理解Promise

Fri, 09 Dec 2022 21:35:49 +0000

Promise是啥？异步函数？对象？怎么用才更自信？如何理解更好的理解Promise？本文将分享本人对于Promise的一些经验与想法。

背景知识

此段将介绍一些理解本文的背景知识，你可以很轻松愉快的阅读此段。

函数是一等公民

总所周知，在JavaScript里面，函数是一等公民。你可以用来赋值，传参，回调，包装，作为函数返回值return。

以下内容援引于JavaScript 为什么说函数是一等公民？

函数与数字一样可以存储到变量中

var fortyTwo = 42
var fortyOne = function() { return 41; }

函数与数字一样可以存储为数组的一个元素

var nums = [42, function() { return 41 }]

函数与数字一样可以在使用时直接创建出来

42 + (fuction() { return 41 })();
// 83

函数与数字一样可以被传递给另一个函数

function weirdAdd( n, fun) { return n + fun()}

weirdAdd(42, function() { return 41 })

函数与数字一样可以被另一个函数返回

function add() {
 var num1 = 42;
 return function(num2) {
 return num1 + num2
 }
}

fun = add();
fun(41);

// 83

函数就是变量，变量可以存放函数。就是玩~

链式调用

由于函数可以作为对象的属性值，那我们访问形如a.b时就相当与访问到了一个函数体。那么，给它再加上()不就执行了么，比如图：a.b();再拓展一下，如果这个函数又返回了一个同样的对象，那是不是可以继续执行下去了呢？比如: a.b().c().d()；这操作，实属放飞自我了。

var Person = function() {};
Person.prototype.setAge = function(age){
 this.age = age; 
 return this;
}
Person.prototype.setWeight = function(weight){
 this.weight = weight; 
 return this;
}
Person.prototype.get = function(){
 return `{age: ${this.age}, weight: ${this.weight}}`;
}

var person = new Person();
var des = person.setAge(10).setWeight(30).get();
console.log(des);

js的事件循环

详见js事件循环–指尖魔法屋

promise的用法

Promise 对象用于表示一个异步操作的最终完成（或失败）及其结果值。—来自《MDN》

const myPromise = new Promise((resolve, reject) => {
 resolve()
 reject()
});
myPromise.then(handleResolvedA, handleRejectedA)

我们要如何理解promise

从实现角度，我们可以这样理解。首先Promise是对象，然后呢，这个对象有三个属性一个叫then一个叫catch，最后一个叫做finally。构造函数会传递两个参数（resolve,reject)。这两个参数本身是个封装的函数，如果调用resolve，它就执行Promise.then()里面的函数，最后再执行Prmise.finally()。catch反之。

前端模块化

Wed, 15 Jun 2022 00:00:02 +0000

什么是模块化？

在程序设计领域，模块就是为完成某一个功能的一段程序或者子程序

一个文件可以是一个模块，一个文件夹也可以是一个模块。模块的思想完美的符合了设计模式中的单一职责原则。只做一件事，或者一类事，分清任务的边界。

为什么需要模块化？

模块化的目的是将任务细分，在现阶段的软件工程阶段，模块化的方式可以将一个大任务分给不同的人或组织，每个人所负责的模块相对独立而又互为依存关系。而在开源领域和工程复用阶段，模块化可以让我们更方便的站在人民群众的肩膀上，众人拾薪柴火高。使我们可以更多的关注业务逻辑，而不用过分在意实现细节。

现阶段前端有哪些模块化方式？

现阶段前端模块化规范有这几种，AMD（Asynchronous Module Definition，CMD（Common Module Definition），CommonJs，Es6 Moduel；

AMD(require.js)

AMD规范如其全名一致，异步模块定义。是require.js 在推广过程中对模块化定义的规范产出的。它的主要思想是前置依赖，让依赖先加载和执行，然后再之后后面的语句。所有依赖这个模块的语句，都定义在一个回调函数中，等到加载完成之后，才会运行这个回调函数。

CMD(sea.js)

CMD与AMD规范不一样，AMD是一种与预加载的方式，否管你有没有用到，先把依赖加载进来执行了再说。而CMD是按需依赖的形式，你先运行把，运行到哪里了缺啥你再告诉我，我给你按需依赖。

Commonjs

CommonJs，运行时加载，理论上来说，这个规范一般都是用于服务端的node环境，与前端可能相关性不大，但是作为Js的模块化规范的几大巨头之一，我们也应该了解其思想和实现逻辑。CommonJs模块都是对象，先读取加载整个模块，生成一个对象，然后再从这个对象上面读取方法。由于它是读取后深拷贝（对值的拷贝）这个时候你再进行模块内部变量的改变，是不会影响原依赖模块的使用。CommonJs是同步加载的，一般同步就意味着等待，而有效等待的前提就需要良好的运行环境，这在浏览器上变换莫测的网络环境显然是没法满足的，一个404的js，就造成页面的长时间等待。所以这个规范一般被用作服务端node环境。

ES6 module

在我学前端的心路历程中，但凡跟ES6扯上关系的，总得带点牛逼气息，ES6 module也是如此，它是从语言层面定义的模块化解决方案。ES6的模块不是对象，import命令会被 JavaScript 引擎静态分析，在编译时就引入模块代码，而不是在代码运行时加载，所以无法实现条件加载。也正因为这个，使得静态分析成为可能。

我该用哪种模块化方式？

答：当然是最牛逼的

理想上，我们应该全部使用ES6 module这种牛逼的方式。但是理想与现实总是存在着略微的差距，虽然我们平常写Vue组件，ES6 module 用得是肆无忌惮，风生水起。但这并不意味着我们现在生产环境上用的就是这个模式，所见有时并非所得。一方面并非所有的浏览器都能够支持ES6 module，另一方面则是由于，现如今磅礴的前端生态环境，巨额的嵌套引用入会导致额外的网络往返，在生产环境中发布未打包的 ESM 仍然效率低下（即使使用 HTTP/2）。实际上当我们run build时，聪明的打包器帮我们完成一系列操作，tree-shaking、懒加载和 chunk 分割（以获得更好的缓存），让我们以最淳朴的形式表现于浏览器，当真是反哺归真。

参考文档

在Colab上运行DeepfaceLab训练模型

Tue, 14 Jun 2022 23:59:41 +0000

环境

Colab：https://colab.research.google.com/

利用开源的DeepFaceLab_Colab

地址DeepFaceLab_Colab

打开最新版本V5

DeepFaceLab_Colab_V5.ipynb

操作步骤

1. 挂载谷歌云盘

运行第一步挂载云盘命令，会弹出谷歌云盘授权窗口，点击允许。

2. 初始化项目

该命令会在你的谷歌云盘上创建一个DeepFaceLab的文件夹，如果你使用的tensorflow 1还会安装cuda 10

3. 准备素材

该命令会从demo仓库下载一份示例数据。同时你可以指定上传文件，覆盖对应的素材。

4. 安装软件

我这里安装的是最新版本，静候安装完成。

然后我第一次安装失败了。莫慌，这里只需要重新点一下“重启运行时”重新运行即可。

重启时这里会发生变化

重新执行初始化项目,安装软件这两个命令操作

提取源面部和目标面部

开始训练

注意事项

colab上面使用的是linux平台，linux平台拥有更好的合成效果
训练时，可以直接在谷歌云盘workspace/model中查看最新的训练预览效果。
如果挂载的云盘上面已经安装了deepface的时候，可以修改初始化代码，如下：

一键训练

! /opt/bin/nvidia-smi

from google.colab import drive

drive.mount('/content/drive')

import os 

root = "/content/drive/MyDrive/" #@param {type:"string"}



%cd $root

deepfacelab=os.path.join(root,"DeepFaceLab")

workspace=os.path.join(deepfacelab,"workspace")

deepfacelab_cloab=os.path.join(deepfacelab,"DeepFaceLab_Colab")



#@title 训练模型

Model = "SAEHD" #@param ["SAEHD","AMP","Quick96","XSeg"]

%cd $deepfacelab_cloab

!pip install -r requirements-colab.txt 

cmd = "main.py train --training-data-src-dir ../workspace/data_src/aligned --training-data-dst-dir ../workspace/data_dst/aligned --model-dir ../workspace/model --model "+Model+" --no-preview"

!python $cmd

src素材库一定需要各种角度，光线的高清素材，此时训练效果最好

使用github Action自动部署博客

Tue, 14 Jun 2022 23:59:09 +0000

背景提要

为什么需要它？最开始我使用的是本地编译，然后手动上传的方式，后来发现过于麻烦。尤其是nuxt编译后，产生一大堆ouput文件，手动上传耗时费力。

再后来我在服务器上，设置了一个定时任务。每晚从github拉取最新的代码，然后在服务器上编译。实行了一段时间，感觉还行。但是，随着服务上的服务越来越多，资源占有越来越大，我发现偶尔会出现编译nuxt时内存溢出的情况（请原谅我1核2G的服务，它已经尽力了）。

然后便产生了，使用githu action编译目标产物ouput文件，通知服务器自动拉取的想法。那么，说干就干，试试吧！

创建GitHub Action

使用node.js模板，该模板会自动使用预装node.js的环境。模板中有三种node.js版本，如果保持预留配置，则会三个环境都执行一次。这里我只使用16.x版本（因为跟我服务器版本一致）

大致流程可分为

拉取代码
安装依赖
编译output
归档到特定分支（gh-pages）
web-hook通知服务器
服务接收事件，拉取编译后的文件，并重启

拉取代码

该步骤由github完成，只需声明使用的分支名称即可

安装依赖

编译output

 - run: yarn run build

归档到特定分支（gh-page）

我这儿随便在maket place选一个开源Action（GitHub Pages v3），配置对应的参数，如下：

- name: GitHub Pages v3
 uses: peaceiris/actions-github-pages@v3.1.12
 with:
 personal_token: ${{ secrets.ACCESS_TOKEN }}
 publish_dir: .output

请注意：关于这个personal_token，github有个坑。我也是折腾了两个多小时才总结出来的。生成的personal_token是不能明文存储在yaml文件中的，必须使用变量传递。否则一旦提交的时候，github出于安全考虑会自动静默删除对应person_token。

完整配置

# This workflow will do a clean installation of node dependencies, cache/restore them, build the source code and run tests across different versions of node
# For more information see: https://help.github.com/actions/language-and-framework-guides/using-nodejs-with-github-actions

name: Node.js CI

on:
 push:
 branches: [ main ]
 pull_request:
 branches: [ main ]

jobs:
 build:
 runs-on: ubuntu-latest

 strategy:
 matrix:
 node-version: [16.x]
 # See supported Node.js release schedule at https://nodejs.org/en/about/releases/

 steps:
 - uses: actions/checkout@v3
 - name: Use Node.js ${{ matrix.node-version }}
 uses: actions/setup-node@v3
 - run: yarn
 - run: yarn run build

 - name: GitHub Pages v3
 uses: peaceiris/actions-github-pages@v3.1.12
 with:
 personal_token: ${{ secrets.ACCESS_TOKEN }}
 publish_dir: .output

触发Action

提交代码，等待流水线执行。

文章列表 on 指尖魔法屋

用 GolemBot 把 Codex 接到飞书机器人

先说结论

调试 OpenAI Responses API 的 Web Search 踩坑记录

需求背景

官方写法和实际差异

Harness Engineering 的介绍与编程实践

为什么会有 Harness Engineering

Harness 到底在管什么

边缘设备RK3588下RKNN的推理适配

RKNN 是什么

如何判断我的设备是否支持RKNN

RKNN 的典型工作流

性能优化（1）— 模型的int8量化

使用python实现动量量化策略监控面板

使用python实现动量量化策略监控面板

1. 什么是动量策略？

2. 标的选择：构建“微型全天候”组合

3. 策略逻辑设计

4. 技术栈实现

核心代码实现逻辑

使用智谱api将长语音转文本

一、长语音转文本的核心挑战

三、关键技术：实现智能音频分块

3.1 核心思想

3.2 三种实现方案

3.3 使用 pyannote.audio 进行分块（本实践选择）

四、完整实践：使用pyannote.audio切割并调用API转写

4.1 环境准备

安装依赖

安装依赖

一些在Jetson设备的开发经验

一些在Jetson设备的开发经验

一、Jetson设备概述

1.1 什么是NVIDIA Jetson？

1.2 Jetson系列对比

二、JetPack SDK安装与配置

2.1 什么是NVIDIA JetPack？

2.2 刷机步骤

2.2.1 准备工作

2.2.2 刷机流程

探索 Python 的 Typing 库：增强代码健壮性

探索 Python 的 Typing 库：增强代码健壮性

为什么使用类型注解？

开始使用 Typing 库

基本类型注解

集合类型的复杂注解

使用CloudFlare反向代理七牛云存储实现SSL自由

基于CloudFlare Workers的七牛云HTTPS代理方案

一、方案背景与核心价值

1.1 问题场景

1.2 技术选型

二、原理说明

三、操作步骤

1. 创建 Cloudflare Worker

2. 编写代理脚本

3. 部署并配置路由

4. 调整 SSL/TLS 模式

stabilityai/stable-diffusion-3-medium 试用体验

背景知识-名词解释

官方地址

安装教程

导入checkPoint

导入工作流

配置流程图

运行SD3模型

Python 虚拟环境与包管理完整指南

第一部分：配置 pip 清华源

为什么要配置镜像源？

配置步骤

第一步：创建配置文件

第二步：编辑配置文件

第三步：验证配置

第二部分：Python venv 虚拟环境

什么是 Python venv？

如何创建 Python venv？

路由器openwrt安装python

挂载U盘

opkg包配置安装目录

配置PATH路径

3.3 使用 `pyannote.audio` 进行分块（本实践选择）