1. 拿你喜欢的 ai 图，
我这里拿这位佬的现成的图打个样

(你也可以像我一样把这提示词做成 gem 或者 gpt 会更好用。)

把图上传到哈基米或者 chatgpt，输入以下提示词:

将此图像转换为 JSON 提示字符，包括尺寸和所有视觉细节

2, 拿到 json 后，就可以对 ai 提出要求，要修改的，随便你怎么发挥吧 (本文主要就是分享提取，下面的演示只是用法之一)
一般在上一步解析出来之后 ai 会友情提示

我比较直接 我对 ai 提出的要求如下:

3. 复制 ai 按你要求修改后的 json，咱们直接新建对话直接粘贴，记得开启 "大香蕉" 或 "创建图片"

至此，艺术已成

over .

如图所示，今日处理注释任务的时候发现的真的是太棒了.

怀念免费使用 kiro 中 opus 每一天，kiro 的 claude 是真的快 但是一定要写好项目提示词有时候不是他降智了，是因为 kiro 的项目规则提示词太弱智了。

触发教程就是让他直接用子代理就行 嘿嘿 没想到的佬留个赞再走叭

日常问很多生活问题和一些小代码问题一般很喜欢用 Google Ai Studio，里面的回复也很不错，冬天的时候上了一个可以打开雪花特效的按钮，雪花特效挺好看的，但是每次都需要手动打开，刷新一下又没有了，让 AI 写了个脚本可以自动打开，每次刷新会自动打开，挺不错的

// ==UserScript==
// @name         Google AI Studio - Auto Snow
// @namespace    http://tampermonkey.net/
// @version      1.0
// @description  自动开启 Google AI Studio 的 Let it snow 特效
// @author       You
// @match        https://aistudio.google.com/*
// @icon         https://www.google.com/s2/favicons?sz=64&domain=google.com
// @grant        none
// ==/UserScript==

(function() {
    'use strict';

    // 定义检测器
    const clickSnowButton = () => {
        // 在页面中查找所有可能的按钮或菜单项
        // 因为 Google 的类名经常变，我们直接找包含 "Let it snow" 文字的元素
        // 或者查找特定的图标/按钮位置（这里使用最通用的文本匹配法）
        const allElements = document.querySelectorAll('button, div[role="button"], span, li');

        for (let el of allElements) {
            // 忽略大小写，查找包含 Let it snow 的元素
            if (el.textContent && el.textContent.toLowerCase().includes('let it snow')) {
                // 找到后点击
                console.log('Found Snow button, clicking...', el);
                el.click();

                // 只有点击成功后才清除定时器，防止元素还没加载出来
                return true;
            }
        }
        return false;
    };

    // 使用定时器循环检查，因为 AI Studio 是动态加载的，按钮可能不会一开始就出现
    const checkInterval = setInterval(() => {
        const success = clickSnowButton();
        if (success) {
            // 如果成功点击了，就停止检查，避免重复点击（导致又关掉了）
            clearInterval(checkInterval);
        }
    }, 1000); // 每秒检查一次

    // 设置一个超时，比如 30 秒后还没找到就停止，省点资源
    setTimeout(() => {
        clearInterval(checkInterval);
    }, 30000);

})();

Antigravity 反代其实论坛里很多人都写过手把手教程，我前端时间也亲自跑通了，并且整理成了这篇从 0 到 1 的教程。

我还录了个视频教程发到 B 站，但可能涉及引流？就不发到这里了，需要的佬自行搜索标题获取吧。

我的这篇教程可以帮大家用默认配置从 0 到 1 先跑通流程，因为是默认设置会导致跑通后能用，但是比较粗糙。

然后大家可以继续学论坛中的详细配置和用法做到从 1 到 100，比如这个系列帖子：

以下为正文

零、前提

你能成功的登录并使用 Antigravity，各种账号或网络问题你需要提前搞定。我个人是美国账号 + 美国 IP+TUN 模式。

当然新加坡或其他受支持的地区也行，看佬的自身情况。

一、安装 / 升级 反代工具 CLIProxyAPI

Windows

直接下载最新的文件，解压后就能使用，如果有更新，也是从这个链接中查找就行。

比如写文章时的最新版为：CLIProxyAPI_6.6.84_windows_amd64.zip

https://github.com/router-for-me/CLIProxyAPI/releases

本教程中我解压到了 D:\Tools\CLIProxyAPI_6.6.84_windows_amd64 目录下，你可以解压到自己需要的目录，路径要全英文的，并且不能有空格。

Ubuntu/Linux

使用一键脚本安装或升级，都用这个命令就行

curl -fsSL https://raw.githubusercontent.com/brokechubb/cliproxyapi-installer/refs/heads/master/cliproxyapi-installer | bash

MacOS

使用 brew 安装命令

brew install cliproxyapi

后续升级命令

brew upgrade cliproxyapi

二、修改配置文件，启用后台管理

Windows

安装目录下把 config.example.yaml 复制一份，复制的改名为 config.yaml，然后修改里面的内容。

Ubuntu/Linux

家 (Home) 目录下找 cliproxyapi/config.yaml，即 ~/cliproxyapi/config.yaml，然后修改里面的内容。

MacOS

/opt/homebrew/etc 目录下找 cliproxyapi.conf，即绝对路径为：/opt/homebrew/etc/cliproxyapi.conf，然后修改里面的内容。

修改文件如下内容 (登录密码最好改成你自己的，我这里设置的是 my-password)

allow-remote: true secret-key: "my-password" 

三、 启动 CLIProxyAPI， 并登录网页后台查看：

Windows

进入到刚才解压后的目录下直接 exe 执行就可以了，比如我刚才安装到了 D:\Tools\CLIProxyAPI_6.6.84_windows_amd64 下。

Ubuntu/Linux

进入到 ~/cliproxyapi/ 目录后，启动。

cd ~/cliproxyapi/
./cli-proxy-api 

MacOS

不需要进入任何目录，直接启动即可。

brew services restart cliproxyapi

登录网页后台

注意地址，本机的直接访问右边这个地址就行，首次登录密码是刚才设置的 my-password ：http://localhost:8317/management.html
服务器的话要填服务器的地址或域名，比如你部署到了服务器的 ip 是 1.2.3.4，则访问：http://1.2.3.4:8317/management.html

登录后台成功后，可以看到仪表盘。建议把使用统计打开，这样后面用模型我能能看到用了多少的 Tokens。

四、从网页登录 Antigravity，成功后拷贝网址:

按照图示登录 Antigravity，并等待自动认证成功，认证成功后登录网页会自动关闭。
如果登录界面没有自动关闭 (如图)，需要你手动把登录成功的网址复制粘贴回来，然后手动点击提交回调URL。
如果还登录不上，可以尝试重启机器，然后别的软件先别开，这时打开反代服务 + 开启 TUN 魔法 + 挂到美国 IP，再登录下试试。

你还可以登录 Gemini CLI ，这样就有更多的 Gemini 额度了。

登录认证成功后，后台就能看到认证信息了。我这里即反代了 Antigravity，也反代了 Gemini CLI, 如图：

反代出来的模型，可以在中心信息中查看到。后面使用模型时，需要来这里复制模型名，不能随便写模型名。

五、Claude Code 中使用

从网页后台获取 api key，配置 claude

注意 your-api-key-1 要配置成网页后台中的真正的 api key，我这里演示的是默认的。
模型的名称也要从网页后台拷贝，不要自己手写。
base url 填写为 "http://localhost:8317"

 { "env": { "ANTHROPIC_BASE_URL": "http://localhost:8317", "ANTHROPIC_AUTH_TOKEN": "your-api-key-1", "ANTHROPIC_DEFAULT_OPUS_MODEL": "gemini-claude-opus-4-5-thinking", "ANTHROPIC_DEFAULT_SONNET_MODEL": "gemini-claude-sonnet-4-5-thinking", "ANTHROPIC_DEFAULT_HAIKU_MODEL": "gemini-claude-sonnet-4-5", "ANTHROPIC_MODEL": "gemini-claude-opus-4-5-thinking" } } 

六、其它 OpenAI 兼容接口中使用

注意！base url 要改为： http://localhost:8317/v1
api key 和模型名和刚才一样，从网页后台复制就行了。
vscode 中可以通过 oai 插件 (OAI Compatible Provider for Copilot) 来添加到 copilot 中。

Q&A

Q1：有没有被封号的风险？

正面回答是有风险，但我个人觉得风险更多的还是获取账号的渠道不合规，比如闲鱼买的成品号、各位佬薅羊毛的教育认证号等。。。我也没足够的统计数据，只能说不建议用自己的大号搞，因为确实逆向了有风险，建议用小号搞吧。

Q2：需要 Google AI 会员吗？

免费版的每周都有额度，但是额度很少，可以先试一下，把流程跑通了。付费会员或教育优惠会员，都是每 5 小时刷新额度，自己用一般是足够的，并且 Gemin Pro\Gemini Flash\Claude 这三组额度是独立的。

Q3：我高强度使用，5 小时额度不够怎么办啊？

最快速的是把谷歌的 Gemini CLI 工具也反代了，这个工具中只有 Gemini 系列的模型，并且额度和 Antigravity 中的不互通，是独立的。

其次有个被社区称为升天的方法：其实就是家庭组，Pro 账号可以邀请最多 5 个人进入家庭 (算上自己共 6 人)。家庭里每个账号的 Antigravity 和 Gemini CLI 的额度是独立的，所以可以创建几个小号，来组建家庭后把小号也反代了。

最后，还是那句话，不建议用自己的主号这么搞，最好拿某鱼买的号来搞。

Q4：API KEY (API 密钥) 是怎么生成的，从哪里拿？

API KEY 在我们安装时，配置文件中会默认携带 2 个，你可以从网页上直接编辑 - 复制后使用。也可以在网页上把这两个 KEY 修改掉，或者自己新建后使用。

Q5：OAI 插件是什么？

OAI 插件是搭配 vscode copilot 使用的，因为官方的 copilot 不支持自定义的模型和地址，所以需要这个插件来实现。

Q6：OAI 安装后没有右下角的 Ready 显示怎么办？

首次安装后可以按 Ctrl + Shift + P，然后输入 oai 关键字，点击 Open Configuration UI 进入。

Q7：OAI 配置好了地址和模型，从 copilot 中访问失败怎么办？

大概率是地址配置错误，记得 OpenAI 格式的请求都需要加上 /v1 后缀，比如 http://10.126.12.162:8317/v1。

Q8: Windows 上第二天就不能用了，访问不到模型了？

可能是关机了，或 CLIProxyAPI 被关掉了，然后反代的登录信息就失效了，下次开机或启动后，还需要重新登陆以下。
如果是在服务器上部署的，并且一直执行，是不会失效的，因为 CLIProxyAPI 会周期性的去刷新下登录信息，保持一直登陆的状态。

Q9: 能用 Nano Banana Pro 画图吗？

可以，添加这行参数可以绘制 4K 图像。

如图让 AI 总结的使用方法：

• 【开源】开源版本的 Cowork，但不仅是 Cowork。CodeConductor V1.7.2 更新：bug 修复与 UI / 交互优化
• 人人都是全栈工程师系列第三弹：CC IS ALL YOU NEED !!!

1.7.3 版本新特性

• 增强 ACP 适配器，更好地将 agent 思维转换为可显示的聊天消息。
• 实现 CLI 提供商设置，支持 Codex 和 Claude 的预设与存储。
• 改进协作功能，支持多角色通信和通知机制。
• 优化进程管理和孤儿进程清理，提升资源处理能力。
• 增强 IPC 通信机制，提升稳定性。
• 集成 electron-updater 实现自动增量更新。
• 改进 GitHub Actions 自动化构建和发布流程

OpenChamber
如图，迫于 opencode 官方插件真的有点小差劲，这个侧边栏，还是丝滑。

短剧剧本生成器.zip

简单教程：

从需求收敛 → 规范固化 → 语料准备 → 换元骨架 → 类型校准 → Frankentexts 拼接 → 最小润色 → 多维质检 → 归档复用

同时给出 “小说改编” 和 “语料建库” 两条可插拔分支

1. 使用前准备（你需要提供的最少信息）
为了让 step1 输出的 project_config 足够可执行，建议至少准备：
目标题材 / 受众 / 风格：例如 “都市情感 + 身份反转 + 打脸”
总集数与单集字数：例如 “80 集；每集 500-700 字”
卡点与钩子口径：例如 “第 8-10 集付费卡点；免费集集末必有钩子”
源故事输入：小说全文 / 章节 / 梗概 / 旧剧本（至少一个）
语料来源：是否已有可用语料库（没有也能先做骨架，但无法完成高 Copy 率拼接）

2. 流程地图（你如何 “用到全部 step1-20”）
本体系的 “全量使用版” 通常是这样：
需求与规范层：step1 → step2 → step3
语料层（可选）：step4 →（step5/step6 按素材类型增强）
改编层（按源文本体量分支）：step6 → step7/8/9（小说改编路线）
换元骨架层（融合生成主路线）：step10 → step11
市场校准层（可选）：step19
生成与质检层（上线）：step12 → step13 → step14 → step15 → step16 → step17 → step18
编排与复用层：step20（可在开始用，也可在结束做归档编排）

3. 标准执行规则
无论你在哪个大模型网页端执行，都遵守：
每一步只输出该 step 要求的 “预期输出格式”（通常 JSON）；不要混入解释性文字.
上一步输出 JSON 必须原样粘贴给下一步（不要自然语言总结代替）
缺失信息用 null/待补充 占位，
格式规则以 step2 为准，特殊标注以 step3 为准；质检以 step14-18 为准

#step1：生成项目配置（ProjectConfig）

你给模型的输入（建议结构）：

创作目标：
题材/元素：
总集数：
单集字数：
付费卡点：
钩子规则：
特殊标注要求（os/vo/闪回/互切）：
是否使用Frankentexts（Copy率目标）：
源故事输入（全文/章节/梗概/旧剧本）：
语料库情况（有/无，来源说明）：

你得到的输出：
project_config JSON（后续所有步骤都引用它）

#step20（第一次使用）：生成 “你该走的步骤链路”

把 step1 的 project_config 粘贴进去，让 step20 输出 step_sequence + io_mapping + checkpoint + rollback

你得到的输出：
workflow JSON（告诉你下一步跑哪些 step、怎么传火，哪里要人审、哪里要返回查看）

#step2：固化剧本格式规则

把最终 “剧本长什么样” 固定成 format_rules

你得到的输出：
format_rules JSON（后续生成正文与格式质检都依赖）

#step3：固化特殊场景标注策略

固定 os/vo/ 闪回 / 互切 的使用条件与格式

你得到的输出：
special_scene_policy JSON（后续提取、骨架、拼接、专项质检都依赖）

#step4-6：准备语料库（没有语料库就先建）

如果你已经有高质量语料库：跳到 step10。
如果你没有语料库：建议至少跑 step4（再按素材类型跑 step5 或 step6）

##step4：通用语料提取

输入：
project_config、special_scene_policy
原始文本（一次一段 / 一章 / 一集）
source_reference

输出：
corpus_chunks[]（JSON 数组语料块）

#step5：剧本专项增强（如果语料来自剧本

输出增强点：
场景头、人物列表、卡点标注、对话密度等，用于提升检索精度

#step6：小说专项增强（如果语料来自小说）

输出增强点：
可视化潜力、可外化改编提示、章节 / 叙事视角等（把所有语料块 JSON 数组按文件归档，最终合并为一个 corpus.json，并确保每条有 source_reference。）

#step10：六源分析 + 核心动作程序抽取

对源故事做六源拆解（事件 / 结构 / 主体 / 背景 / 人物 / 道具）
抽取核心 “动作程序”（骨骼层）
给出哪些事件适合 os/vo/ 闪回 / 互切

输入：
project_config
special_scene_policy
源故事文本 / 梗概

输出：
source_analysis JSON

#step11：换元方案 + 新剧本场次功能表（Framework）

选择一度置换 / 二度置换，产出 substitution_plan
把新剧本拆成 “每集每场” 的功能表 new_script_framework（含信息点 / 情绪 / 标注计划 / 钩子 / 卡点）

输入：
project_config（集数、字数、卡点、钩子口径）
special_scene_policy
source_analysis

输出：
substitution_plan JSON
new_script_framework JSON

同时审核（是否符合题材定位与受众预期第 8-10 集是否有明确付费卡点策略每集末尾是否都有钩子
每场是否写清信息点与情绪目标（否则 step12 会乱拼））

#step19：类型库匹配校准

把 “骨架方向” 对齐市场趋势：主用模式 + 辅助模式 + 融合建议
给出关键场景、台词要点、情感触发点、推荐标注策略

输入：
project_config
source_analysis（可选）
substitution_plan + new_script_framework

输出：
matched_patterns[] + adaptation_recommendations + creation_guidance

用法建议：
将其作为 step12 的检索排序偏好（例如优先召回 “打脸 / 身份揭示” 片段、控制 os 使用密度等）

#step12：Frankentexts 检索与拼接生成正文

按 new_script_framework 逐场检索候选片段、选择拼接
严格遵守 Copy 率目标与最小化修补
输出：选片记录、编辑日志、Copy 率估算、标注保真检查 + 标准格式剧本正文

输入：
project_config（Copy 率 / 禁用操作）
format_rules
special_scene_policy
corpus_json（语料库；来自 step4/5/6）
new_script_framework
（可选）step19 的创作指导作为检索偏好

输出：
场次级 JSON 结果
标准格式剧本正文（可直接给制作）

关键建议（避免一次跑崩）：
按 “集” 为单位生成（例如先生成第 1-3 集），通过质检后再批量推进

#step13：最小润色与终稿准备

只做桥接 / 纠错 / 格式 / 归一 / 标注规范化
保持 Copy 率与原片段风格

输出：
终稿正文 + 润色日志 + 校验准备摘要

#step14-18 是质检线建议跑完

#step14：格式质检

#step15：逻辑一致性（因果 / 时间线 / 信息点覆盖）

#step16：风格一致性（声纹 / 语体 / 节奏 / 题材）

#step17：Copy 率校验（Frankentexts 指标）

#step18：特殊标注专项校验（os/vo/ 闪回 / 互切）

常用回退策略：
Copy 率不足：回退 step12 重选片段（不要继续润色）
格式问题：按 step14 修复后复检
逻辑漏洞：按 step15 给的 “最小修补策略” 修复，避免重写
标注问题：按 step18 规范化（补齐闪回起止 / 明确互切切换点）

#step20（第二次使用）：归档复用与流程固化

一份可复用的 workflow JSON（你下一次可以直接照着跑）

分支流程：小说转剧本（step6 → step7/8/9）

step1 /step2 /step3（全局规范）
step6 小说专项语料提取（产出可外化与可标注提示）
按体量选择：
长篇：step7 主线提纯 → 得到分集结构 / 梗概
中篇：step8 节奏倍速 → 得到反转 / 爽点 / 钩子密度规划
短篇：先 step10+11 做扩充骨架，再 step9 落地分集结构
若需要正文：把改编结果转成 new_script_framework（可由 step11 生成或人工映射），再进入 step12/13/14-18（备注：step7-9 的主要产出是 “大纲与分集梗概”；若要可拍剧本正文，最终仍需进入 step12/13）

分支流程：语料建库（step4/5/6）

建库链路：step1 → step2 → step3 → step4（→ step5/6）→ corpus.json
生产链路：step10 → step11 → step19 → step12 → step13 → step14-18

特别感谢 @jianhuaguiyi

大概就是这样了 呵呵！

特别声明

1. 无商业推广：本方案纯属个人运维心得分享，不涉及任何商业利益。
2. 纯免费工具：所涉及的工具（ttyd、沉浸式翻译插件等）均为目前市面上现有的开源或免费工具组合，不存在任何付费下载或订阅引导。

痛点

各位在日常运维或者学习过程中，应该遇到过这些痛点：

• 执行 kubectl --help 或 docker --help 这类命令帮助文档时，面对满屏的英文参数看得头疼。
• 看到复杂的报错日志（如 Java StackTrace 或 K8s Event），想翻译却发现传统的 Terminal 不支持浏览器插件。
• 复制到网页翻译再切回来，来回折腾打断了操作流，效率极低。

折腾过程

有道翻译： （不符合需求，Pass 掉）

• 以前跟同事合租的时候见过他用过有道翻译的功能，给电脑装上之后发现它在终端里只能划词翻译单词，但是在其他场景下他的划词翻译有点像狗皮膏药会挡着自己的视线，要翻译长句子就得切换到软件界面，截图翻译比较费劲，其他的功能估计需要开 vip。

沉浸式翻译：

• 这是一个用的比较广泛的浏览器翻译插件，翻译功能比较好用，但是终端上又不支持。那是不是可以安装一个浏览器版本的 Terminal 插件？或者用代理转发到浏览器的界面上就可以用沉浸式翻译的功能了。

用过 Openwrt 软路由的大概从 web 界面连接过终端，它的终端是由一个叫 ttyd 的小插件实现的。问一下 Gemini 方案确实可行。

核心思路

1. ttyd: 一个简单的 C 语言编写的工具，可以将任意命令行程序（如 bash/zsh）通过 WebSockets 暴露到浏览器。
2. 沉浸式翻译: 浏览器插件，其 “悬浮球（小圆点）” 功能可以识别网页中的文本块并进行双语对照翻译。
3. 结合: 当终端内容以 Web 形式呈现时，它就变成了插件可触达的 “文本块”，翻译体验瞬间拉满。

快速上手

1. 安装 ttyd

大部分 Linux 发行版都可以直接安装：

# Ubuntu/Debian sudo apt install ttyd

# CentOS/RHEL sudo yum install ttyd

# macOS
brew install ttyd

2. 启动服务

运行以下命令开启一个 Web 终端（默认端口 7681）：

ttyd -W bash

注：-W 参数允许在浏览器中进行写入操作（输入命令）或者 ttyd -p port bash。

3. 浏览器访问

打开浏览器，访问 http://your-ip:7681。你会看到一个熟悉的终端界面。

4. 开启翻译

确保你安装了 沉浸式翻译 插件。

• 在插件设置中开启 “显示悬浮球”。
  
  
• 鼠标选中在那些复杂的 kubectl 帮助文档或者报错日志上。

• 点击小圆点，直接原地翻译！选择免费模型即可，普通用户翻译量应该不会大到哪里去，我这里选择的是硅基流动，它会对一些多义词也进行解释，用起来还不错。（选择其他的不太支持，不知道为啥，只有小圆点支持）
  
  

进阶：一键脚本 (alias)

为了方便使用，可以在 .bashrc 或 .zshrc 中添加一个别名：

# 自动获取本机 IP 并启动，限定端口防止冲突 alias webterm='ttyd -p 7681 -W bash' 

如果你是在远程服务器上操作，建议配合 ssh -L 做端口转发，或者在前端加个 Nginx 反代并开启 Basic Auth，确保安全：

ttyd -c user:password -p 7681 bash

实际效果展示

• 场景 A：查命令用法 输入 kubectl get pods --help，滚屏后直接点选大段的参数说明，中文释义紧随其后。
• 场景 B：看报错日志 当看到 Error from server (Forbidden): ... 等长难句时，一键翻译，秒懂权限缺失的具体原因。

小提示

• 性能: ttyd 非常轻量，几乎不占 CPU。
• 排版: 沉浸式翻译对 Web 终端的布局适配非常好，通常不会破坏排版。
• 安全: 如果在公网服务器上运行，务必加上验证密码 (-c) 或配置防火墙。
  大家还有什么终端增强的神器，欢迎在评论区交流。

原插件 hard code 了路径为 mac os 的，fork 添加了选项设置路径
需要安装 rust-analyzer
where rust-analyzer
的输出路径填到插件的设置选项即可 (需要重启插件)

不过正经人谁在 rider 中写 rust

fork 仓库

原插件:

原仓库:

原作者: