用的是站里大佬的项目2api出来的https://linux.do/t/topic/1227895?u=zhizhang31415926-ops：

sk-2_u80BxkTnsNByeeFLWa20RCppWEUlRE0y-urWrMA3AnF6d2ZgK5dD2PUEp4zxce

api地址：https://api.mortis.edu.kg

省流：
自主备用免费节点，支持 hy2 和 argo, 无限流量，脚本一次性保活，娱乐项！

福利地址：https://www.hidencloud.com/service/free-server

系统要求 7 天续费，忽略后面教你！！！

申请账号后需要加入 Discord 才能创建成功，这就不啰嗦了自己搞定

下面选节点，我刚才注册的时候只有澳大利亚，就选了这个，你们自己看运气，随时会漏，运气好可以选到新加坡

进入后点击管理，去搭建节点

文件上传 github 上的脚本 3 个文件

切换到 console，点击运行即可，运行结束控制台会提示订阅链接，直接可以用

重点来了 - 保活：

进入你的服务器续费界面

https://dash.hidencloud.com/service/ 你的服务器 ID/manage

打开 F12 - 控制台
输入下面代码：

(async function() {
    // === 配置区域 ===
    const orderId = '87057';
    const maxDaysPerRequest = 84; // 服务器允许的最大天数
    const targetLoopCount = 1;   // 你想循环多少次？ (12次 * 84天 ≈ 1008天)
    const delayMs = 1500;
    // ================

    const input = document.getElementById('renew-presets-input-' + orderId);
    if (!input) return console.error('❌ 找不到输入框');
    const form = input.closest('form');

    // 延时函数
    const sleep = (ms) => new Promise(r => setTimeout(r, ms));

    console.log(`🚀 准备开始！计划执行 ${targetLoopCount} 次续费，每次 ${maxDaysPerRequest} 天。`);

    for (let i = 1; i <= targetLoopCount; i++) {
        console.log(`\n--- 正在执行第 ${i} / ${targetLoopCount} 次请求 ---`);

        // 每次都需要重新构建 FormData，以防 token 过期或状态变化
        const formData = new FormData(form);
        formData.set('days', maxDaysPerRequest.toString());
        formData.delete('custom_date');

        try {
            const response = await fetch(form.action, {
                method: 'POST',
                body: formData,
                headers: { 'X-Requested-With': 'XMLHttpRequest' }
            });

            const text = await response.text();
            console.log(`📡 第 ${i} 次状态码: ${response.status}`);

            // 尝试解析结果
            try {
                const json = JSON.parse(text);
                if (response.ok) {
                    console.log(`✅ 第 ${i} 次成功！`);
                } else {
                    console.error(`❌ 第 ${i} 次失败:`, json.message || json.errors);
                    // 如果遇到错误（比如余额不足），通常应该停止脚本
                    if (response.status === 422 || response.status === 403) {
                        console.error('🛑 遇到严重错误，脚本停止执行。');
                        break;
                    }
                }
            } catch (e) {
                console.log('📄 服务器响应:', text.substring(0, 50) + '...');
            }

        } catch (err) {
            console.error(`❌ 网络请求出错:`, err);
        }

        if (i < targetLoopCount) {
            console.log(`⏳ 等待 ${delayMs}ms ...`);
            await sleep(delayMs);
        }
    }

    console.log('\n🎉 所有任务执行完毕！去支付账单。');
})();

执行完毕后，刷新页面，你会在账单里面找到未支付账单，进去支付就行，0 元，然后，嗨呗！

自己克制一点，续费太多自己找不痛快！！！

给你们看看娱乐测速：

有小伙伴对使用量没有概念，我分享下自己用的，统计每日 token 使用量的 statusline 插件，适用于官方标准输出结构，有些 2api 结构不符合标准，响应缺少 token 使用量的字段，会导致无法统计。

Claude Pro 用量统计

一个五小时周期差不多可以使用 15-20M 的总 token 数，算上读写缓存的计费方式，一个五小时周期差不多可以使用 8-12 刀的用量

插件代码

文件路径以及文件名： ~/.claude/statusline-tokens.sh

#!/bin/bash

# Status line with daily token usage tracking for Claude Code
input=$(cat)

# Extract basic info
cwd=$(echo "$input" | jq -r '.workspace.current_dir')
transcript_path=$(echo "$input" | jq -r '.transcript_path')
base_dir=$(basename "$cwd")

# Git info
git_info=""
if git -C "$cwd" rev-parse --git-dir > /dev/null 2>&1; then
  branch=$(git -C "$cwd" --no-optional-locks rev-parse --abbrev-ref HEAD 2>/dev/null)
  if ! git -C "$cwd" --no-optional-locks diff --quiet 2>/dev/null || \
     ! git -C "$cwd" --no-optional-locks diff --cached --quiet 2>/dev/null; then
    git_info=$(printf "\033[1;34mgit:(\033[0;31m%s\033[1;34m) \033[0;33m✗\033[0m " "$branch")
  else
    git_info=$(printf "\033[1;34mgit:(\033[0;31m%s\033[1;34m)\033[0m " "$branch")
  fi
fi

# Daily token tracking file
DAILY_TOKENS_FILE="$HOME/.claude/daily_tokens.json"
TODAY=$(date +%Y-%m-%d)

# Initialize or load daily tokens data
if [ ! -f "$DAILY_TOKENS_FILE" ]; then
  # Create initial structure
  echo "{\"date\":\"$TODAY\",\"sessions\":{}}" > "$DAILY_TOKENS_FILE"
fi

# Check if we need to reset for a new day
stored_date=$(jq -r '.date // ""' "$DAILY_TOKENS_FILE" 2>/dev/null)
if [ "$stored_date" != "$TODAY" ]; then
  # New day, reset the file
  echo "{\"date\":\"$TODAY\",\"sessions\":{}}" > "$DAILY_TOKENS_FILE"
fi

# Token info - parse JSONL format
token_info=""
if [ -f "$transcript_path" ]; then
  # Calculate tokens from current session's JSONL file - separate by type
  session_input_tokens=$(jq -s '
    [.[] | select(.type == "assistant") |
     .message.usage.input_tokens // 0
    ] | add // 0
  ' "$transcript_path" 2>/dev/null)

  session_cache_creation_tokens=$(jq -s '
    [.[] | select(.type == "assistant") |
     .message.usage.cache_creation_input_tokens // 0
    ] | add // 0
  ' "$transcript_path" 2>/dev/null)

  session_cache_read_tokens=$(jq -s '
    [.[] | select(.type == "assistant") |
     .message.usage.cache_read_input_tokens // 0
    ] | add // 0
  ' "$transcript_path" 2>/dev/null)

  session_output_tokens=$(jq -s '
    [.[] | select(.type == "assistant") |
     .message.usage.output_tokens // 0
    ] | add // 0
  ' "$transcript_path" 2>/dev/null)

  # Update session tokens in the daily file (overwrite, not add)
  if [ -n "$session_input_tokens" ] && [ -n "$session_output_tokens" ] && \
     [ "$session_input_tokens" != "null" ] && [ "$session_output_tokens" != "null" ]; then

    # Escape the transcript path for use as JSON key
    escaped_path=$(echo "$transcript_path" | sed 's/\\/\\\\/g; s/"/\\"/g')

    # Update the session data with all token types
    jq --arg path "$escaped_path" \
       --argjson inp "$session_input_tokens" \
       --argjson cr "$session_cache_creation_tokens" \
       --argjson rd "$session_cache_read_tokens" \
       --argjson outp "$session_output_tokens" \
       '.sessions[$path] = {"input": $inp, "cache_create": $cr, "cache_read": $rd, "output": $outp}' \
       "$DAILY_TOKENS_FILE" > "${DAILY_TOKENS_FILE}.tmp" && \
       mv "${DAILY_TOKENS_FILE}.tmp" "$DAILY_TOKENS_FILE"

    # Calculate total from all sessions - separate by type
    input_tokens=$(jq '[.sessions[].input] | add // 0' "$DAILY_TOKENS_FILE" 2>/dev/null)
    cache_create_tokens=$(jq '[.sessions[].cache_create] | add // 0' "$DAILY_TOKENS_FILE" 2>/dev/null)
    cache_read_tokens=$(jq '[.sessions[].cache_read] | add // 0' "$DAILY_TOKENS_FILE" 2>/dev/null)
    output_tokens=$(jq '[.sessions[].output] | add // 0' "$DAILY_TOKENS_FILE" 2>/dev/null)

    # Format and display if we have valid data
    if [ "$input_tokens" != "0" ] || [ "$cache_create_tokens" != "0" ] || [ "$cache_read_tokens" != "0" ] || [ "$output_tokens" != "0" ]; then
      total_tokens=$((input_tokens + cache_create_tokens + cache_read_tokens + output_tokens))

      # Function to format number with K (thousands) and M (millions)
      format_number() {
        local num=$1
        if [ "$num" -ge 1000000 ]; then
          # Convert to M with 1 decimal place
          local m_value=$(echo "scale=1; $num / 1000000" | bc | sed 's/\.0$//')
          echo "${m_value}M"
        elif [ "$num" -ge 1000 ]; then
          # Convert to K with 1 decimal place
          local k_value=$(echo "scale=1; $num / 1000" | bc | sed 's/\.0$//')
          echo "${k_value}K"
        else
          echo "$num"
        fi
      }

      # Format with K/M suffix for all token types
      input_fmt=$(format_number $input_tokens)
      cache_create_fmt=$(format_number $cache_create_tokens)
      cache_read_fmt=$(format_number $cache_read_tokens)
      output_fmt=$(format_number $output_tokens)
      total_fmt=$(format_number $total_tokens)

      token_info=$(printf "\033[0;35m[📊 今日用量 |\033[0m In:\033[0;36m%s\033[0m CW:\033[0;33m%s\033[0m CR:\033[0;32m%s\033[0m Out:\033[0;35m%s\033[0m Total:\033[1;32m%s\033[0;35m]\033[0m " \
        "$input_fmt" "$cache_create_fmt" "$cache_read_fmt" "$output_fmt" "$total_fmt")
    fi
  fi
fi

# Output final status line
printf "\033[1;32m➜\033[0m  \033[0;36m%s\033[0m %s\n%s" "$base_dir" "$git_info" "$token_info"

配置方法

1. 设置状态栏脚本

在 ~/.claude/settings.json 文件中添加以下配置：

{ "statusLine": { "type": "command", "command": "bash ~/.claude/statusline-tokens.sh" } } 

2. 确保脚本可执行

chmod +x ~/.claude/statusline-tokens.sh

3. 重启 Claude Code

配置完成后，重启 Claude Code 即可看到新的状态栏显示。

显示效果

状态栏格式

➜  项目名称 git:(分支名)
[📊 今日用量 | In:12.5K CW:5K CR:8K Out:6.3K Total:31.8K]

各部分说明

2026 新年快乐～

这次 V1.2 更新大幅加强了较弱模型的绘图能力，此前往往只有类似于 claude-sonnet 这样对 drawio 内容特殊训练的模型才能有效地绘制 drawio。这次更新引入了知识和主题的概念，同时重构了操作的工具来解决这个问题。

直接放一个使用 deepseek-chat(v3.2，非思考) 下展示下效果：

这一次的更新内容 electron/web 双端都能使用 详细介绍下这次更新内容：

自定义绘图主题 / 颜色风格 / 知识

可以在单次会话或在设置中指定要生成图标的整体风格和配色。同时也可以选择附加的 drawio 元素相关的知识，如在要绘制托管框架图时，勾选上 Azure 知识，这样提示词中就会自动附带 Azure 相关元素的使用说明了。

画布增强

更多的画布增强功能，现在还支持进行布局检查，避免非视觉 LLM 对连接线位置理解不佳导致的线与元素重叠 (视觉 LLM 直接以视觉方式查看画布在做了 )

drawio 画布自定义

支持了自定义显示主题 / 编辑器服务地址 / URL 参数等更多自定义功能

WEB 部署优化

支持了直接在 vercel 上部署：

或者可以直接访问 https://drawio2go.vercel.app/ 试用。所有 LLM 的配置都是直接保存到浏览器端的 (但是请求由于 CORS 的原因只能走服务端，不能从网页直接请求)。

欢迎各位佬友体验捉虫，感觉有意思或者未来可期的话顺手 star 一下吧

2026.1.1 日 发布新版本，能否被称为卷王

本项目基于 VocabMeld 深度改进的沉浸式语言学习插件，智能替换网页词汇，在阅读中自然习得外语

由于原项目存在一些问题，功能不够完善，且迭代更新较慢，提 pr 也不反馈，故自行 fork 进行维护和功能改进

本次更新的核心亮点

多节点故障转移系统

这是本次更新的最大亮点。支持配置多个 API 节点，实现：

• 自动故障转移 - 节点失败（网络异常、额度耗尽、RPM 限制）时自动切换
• 智能健康检查 - 5 分钟内 3 次失败标记异常，定期自动恢复
• 速率限制轮询 - 多节点轮流处理请求，突破单节点 RPM 限制
• 自定义优先级 - 按顺序配置节点优先级，优先使用最优节点

典型场景：

• 配置多个魔搭社区账号（每天 2000 次 / 账号），轮询叠加免费额度
• 配置不同服务商（DeepSeek + 魔搭）互为备份，提升可用性
• 免费节点优先，额度用完自动切换付费节点兜底

智能语义分词优化

针对不同语言优化分词策略，避免错误切分：

• 中文优化 - 按语义边界识别，避免「对方面无表情」被错误切分为「方面」
• 英文优化 - 识别短语动词（give up、look forward to）和固定搭配
• 提示词自定义 - 支持自定义 AI 翻译提示词，完全控制翻译效果
• 完整预览 - 可预览发送给 AI 的完整提示词，包含所有动态参数

用户可个性化自定义提示词：

工程化能力增强

• OpenSpec 集成 - 引入规范管理系统，支持结构化的变更提案
• GitHub Actions - 自动化构建和发布流程
• 完善文档 - 新增功能演示截图、API 配置说明、提示词设置说明

推荐配置：魔搭社区免费额度

魔搭社区（ModelScope）提供免费的 AI 推理服务，非常适合 Lingrove：

• 单账号每天 2000 次总额度
• 单模型限制 500 次
• 可配置 4 个节点使用不同模型（DeepSeek-V3、DeepSeek-V3.2、Qwen2.5-72B、Qwen3-235B）
• 充分利用 2000 次额度，完全免费！

进阶玩法：申请多个魔搭账号，配置多节点轮询，叠加免费额度

隐私优先

• 所有数据存储在浏览器本地，不上传任何服务器
• 仅在翻译时发送文本片段到您配置的 AI 服务
• API 密钥由您自行提供和管理
• 无追踪、无分析、无广告代码

开源信息

• 许可证：MIT License

• GitHub：Lingrove - 让语言学习融入日常浏览

• 原项目：VocabMeld by @lzskyline

  欢迎 Star 和贡献代码！

快速开始

安装

1. 前往 Releases 页面 下载最新版本

2. 解压 zip 文件到本地目录

3. 打开 Chrome，访问 chrome://extensions/

4. 开启 "开发者模式"

5. 点击 "加载已解压的扩展程序"，选择解压后的文件夹

配置

1. 点击扩展图标 → 设置

2. 选择预设服务（推荐魔搭社区）或自定义配置

3. 填入 API 密钥，测试连接

4. 开始享受沉浸式学习！

2025 年跨年之际，国内量化私募巨头九坤投资（Ubiquant）创始团队发起的 AI 研究机构 —— 至知研究院（IQuest Research）正式发布其首代开源代码大模型系列 IQuest-Coder-V1。该系列模型在多项权威编程评测中表现强劲，尤其在反映真实软件工程能力的 SWE-bench 指标上，以 81.4% 的成绩刷新了开源模型纪录。

至知研究院由九坤投资创始团队设立，是一个独立于量化交易业务的研究平台。继幻方量化旗下的 DeepSeek 在全球 AI 领域声名鹊起后，九坤背景的至知研究院此番动作被市场视为量化圈在 AGI 领域的又一次 “降维打击”。至知研究院表示，其目标是致力于原创性 AI 技术研究，加速 AI 在垂直领域的工业化落地。

技术突破：从 “静态代码” 到 “动态流”
IQuest-Coder-V1 放弃了传统的静态代码训练模式，转而采用创新的 Code-Flow 训练范式。该模型通过学习代码库的历史演变和 Commit 记录，掌握了软件开发的动态逻辑。此外，研究院同步推出了 “Thinking” 推理模型 与 “Loop” 循环架构 模型，前者通过强化学习模拟人类程序员的思考过程，后者则在有限的参数规模下实现了性能的跨越式提升。

目前，IQuest-Coder-V1 已在 GitHub 和 Hugging Face 平台全面开源，涵盖从 7B 到 40B 不同参数规模的版本。技术社区普遍认为，IQuest-Coder-V1 的发布将直接挑战 DeepSeek-Coder 在开源代码界的统治地位，为开发者提供更具竞争力的自主编程助手。

介绍页 demo

模型仓库

Upstage 发布了其专有的人工智慧 (AI) 模型 “Solar-Open-100B”，并表示它将建立 “最了解韩国文化甚至韩语细微差别的韩国人工智慧”。

Solar Open 是 Upstage 的旗舰型 102B 参数大规模语言模型，完全从零开始训练，并在 Solar-Apache 许可证 2.0（参见 LICENSE）下发布。作为一种专家混合（Mixture-of-Experts, MoE）架构，它在推理、指令遵循和代理能力方面提供企业级表现，同时优先考虑对开源社区的透明性和可定制性。

亮点

• MoE 架构（102B / 12B）：基于专家混合架构，总参数量为 1020 亿 / 活跃参数为 120 亿。该设计在提供大型模型知识深度的同时，兼顾了更小模型的推理速度和成本效率。
• 大规模训练：在 19.7 万亿（19.7 trillion）Token 上进行了预训练，确保在多个领域具有广泛的知识覆盖和稳健的推理能力。

Upstage 首席执行官金成勋在 30 日于首尔三成洞 COEX 礼堂举行的独立人工智能基金会模式项目首次简报会上表示：“与大型企业不同，Upstage 在过去的五年里一直专注于一个目标：构建能够帮助每个人的人工智能。”

这次首发版本展示的 Solar-Open 模型是一个 1000 亿级（1000 亿）的大型语言模型（LLM）。 Kim 表示：“该模型已超越简单的实验阶段，并已完善到可以部署到实际服务和工作环境中的水平。” 他还补充道：“我们同时注重验证其性能和效率。”

Upstage 强调了 Solar-Open 基于高品质数据的韩语理解能力是其竞争优势。 Kim 表示：「我们的目标不仅是精通韩语，而是要建构能够理解语境、情感和细微差别的 AI。」他着重强调了敬语和非正式用语之间的区别、根据情境变化的表达方式，以及对需要逐步推理的问题的回答。

在训练过程中，资源效率和训练稳定性被认定为核心任务。 Kim 表示：“由于我们使用政府支持的 GPU 进行训练，因此我们优先考虑资源效率。” 他补充道：“通过自动故障检测和故障转移系统以及训练优化，即使在大规模 GPU 环境下，我们也显著缩短了整体训练时间。”

Upstage 也强调，该模式是透过联盟内部的角色分工来实现的。 Upstage 联盟是五支菁英团队中唯一完全由新创公司组成的团队。

Upstage 也公布了下一代模型的计划。明年，该模型将扩展到 2000 亿级语言学习模型 (LLM)，使用 15 兆个代币进行训练，支援 25.6 万个上下文，并新增韩语、英语和日语三种语言。最终，该公司计划专注于模型的泛化能力和普及性，将模型扩展到 3000 亿级，同时扩大训练资料和上下文的范围。

金补充道：“我们的目标只有一个，” 他说，“我们将与众多联盟一起，利用太阳能 LLM 技术，帮助打造一个能够与谷歌和 OpenAI 竞争的全球人工智能三大巨头。”

明年 1 月，政府将对参与自主人工智慧基础模型计画的团队进行第一阶段评估，全面检视其表现和未来规划，并根据评估结果筛选出四支菁英团队。之后，每六个月进行一次评估，每次减少一支精英团队，最终在 2027 年选出两支球队。

图像生成：{“质量”：“照片级真实感，4K 分辨率，电影级光照，杰作”，“面部”：{“保留原始面部”：true，“参考匹配”：true}，“主体”：{“描述”：“一位面容姣好的时尚女性，身穿优雅的白色露肩婚纱，婚纱上饰有精致的蕾丝纹理。”，“姿势”：“这位女性亲密地依偎在一只巨大的、栩栩如生的北极熊身上；他们像老朋友一样站在一起。”，“表情”：“这位女性脸上带着一丝调皮的微笑；北极熊则流露出一种深情、聪明、快乐的拟人化表情。”}，“角色元素”：{“名称”：“逼真的可口可乐北极熊”，“细节”：[“真实的北极熊解剖结构，拥有浓密、乳白色半透明的皮毛”，“毛发清晰可见，皮毛呈现柔和自然的色泽”，“湿润的黑色鼻子和逼真深邃的眼睛，眼角带有细微的鱼尾纹”，“脖子上围着一条磨损的红色针织围巾，上面绣有复古的可口可乐标志和‘2026’字样”，“这只北极熊俏皮地模仿着这位女性的姿势，一只爪子轻轻地搭在她的肩膀附近”]}，“环境”：{“背景”：“简约干净的灰蓝色工作室背景，柔和的体积光和地面阴影，上方摆放着巨大的雪雕，构成数字‘2026’。”，“渲染风格”：“国家地理野生动物肖像与高端时尚杂志风格相结合，皮毛具有次表面散射效果，浅景深”}，“负面提示”：“3D 渲染、卡通、毛绒玩具、填充动物、玩偶、塑料纹理、低分辨率、CGI、动画、插图、假皮毛”}

今天刷微信公众号看到的

Skills 聚合网站

• https://skillsmp.com/

• Claude Code Templates - Supercharge Your AI-Powered Development with Anthropic's Claude Code

• https://claudemarketplaces.com/

开源仓库

1. 官方出品

ChatGPT/Skills

2. 民间开源

• superpowers/skills at main · obra/superpowers · GitHub
• GitHub - ComposioHQ/awesome-claude-skills: A curated list of awesome Claude Skills, resources, and tools for customizing Claude AI workflows
• GitHub - BehiSecc/awesome-claude-skills: A curated list of Claude Skills.
• GitHub - VoltAgent/awesome-claude-skills: The awesome collection of Claude Skills and resources.
• GitHub - travisvn/awesome-claude-skills: A curated list of awesome Claude Skills, resources, and tools for customizing Claude AI workflows — particularly Claude Code
• claudekit-skills/.claude/skills at main · mrgoonie/claudekit-skills · GitHub
• GitHub - K-Dense-AI/claude-scientific-skills: A set of ready to use scientific skills for Claude
• my-skills/skills at master · bear2u/my-skills · GitHub
• GitHub - czlonkowski/n8n-skills: n8n skillset for Claude Code to build flawless n8n workflows
• GitHub - huggingface/skills
• GitHub - yusufkaraaslan/Skill_Seekers: Convert documentation websites, GitHub repositories, and PDFs into Claude AI skills with automatic conflict detection

如何写

先安装官方的 skill-creator 的元 Skill：

然后在会话中，告诉 AI 自己要创建一个什么样的 Skill，它会自自动调用 skill-creator 来和你一起创建一个初稿出来。

但是，但是，不要把初稿当成终稿，要自己多调试、测试使用效果，把效果再反馈给 AI，让他帮忙迭代优化 Skill。

可以试试，刚部署的，也不确定好不好用:

API: https://cliproxyapi.ipacel.cc
API: https://cliproxyapi.ipacel.cc/v1/chat/completions
TOKEN: __IpacEL_CLIProxyAPI_API_TOKEN__

这个好像每天配额有限，不推荐用来做翻译之类的服务.

项目地址: GitHub - router-for-me/CLIProxyAPI: Wrap Gemini CLI, Antigravity, ChatGPT Codex, Claude Code, Qwen Code, iFlow as an OpenAI/Gemini/Claude/Codex compatible API service, allowing you to enjoy the free Gemini 2.5 Pro, GPT 5, Claude, Qwen model through API

如果你恰好有 AI 浏览器（我这里是 Comet），又恰好在用 web 版的 interactive-feedback-enhanced，那有一个小技巧：

接管和控制我的浏览器以润色文本。

原本在输入框里写的大段、口语化的 Promt，能快速变成有逻辑且清晰的 Prompt，非常舒服。

（比不上 Augment 的 Prompt Enhancer 那么强劲，但值得一试～）

想象一下这样的场景：你正在和一个 AI 医疗助手聊天，它刚刚帮你记录了头痛的症状。第二天，你再次咨询时，它竟然完全忘记了你是谁，还要你重新介绍一遍病情…… 是不是很抓狂？这就是传统 AI 应用的 “金鱼记忆” 问题 —— 每次对话都是 “初次见面”，永远记不住历史信息。

今天，为大家介绍一款我最近开发的两款 AI 记忆存储产品 —— PowerMem + seekdb，一个让 AI 拥有 “超强记忆力” 的持久化记忆系统。

• PowerMem：https://github.com/oceanbase/powermem

• seekdb：https://github.com/oceanbase/seekdb

传统的 AI 对话系统每次会话都是 “失忆” 的。用户每次都需要重复说明自己的信息、偏好和历史，体验割裂、效率低下。开发者想要构建 “有记忆的 AI”，却面临数据持久化、智能提取、多模态支持、权限控制等诸多复杂问题，往往需要从零开始构建记忆系统，重复造轮子。

PowerMem 应运而生 —— 一款开源的 AI 记忆管理 SDK，致力于解决 80% 的 AI 记忆管理问题。我们相信，通过提供一套完整、易用、高性能的记忆管理解决方案，可以让开发者专注于业务创新，而不是重复造轮子。

不是简单的 "记事本"，而是 "最强大脑"

PowerMem 是什么？

PowerMem 建立在这样一个原则之上：AI 系统应该能够像人类一样随着时间积累知识和经验。这一理念驱动了 PowerMem 设计和实施的每个方面：

• 智能提取和保留：PowerMem 通过 LLM 模型进行记忆的提取，根据重要性和相关性确定哪些信息值得记住。

• 上下文理解：PowerMem 维护跨交互的上下文以实现有意义的个性化体验。

• 持续学习：PowerMem 使 AI 系统能够从每次交互中学习并随着时间的推移而改进。

• 自适应遗忘：像人类记忆一样，PowerMem 实现了自适应遗忘机制以防止信息过载。

PowerMem 的核心特性包括：

1. 开发者友好：轻量级接入方式，提供简洁的 Python SDK / MCP 支持，让开发者快速集成到现有项目中

2. 智能记忆管理：记忆的智能提取，通过 LLM 自动从对话中提取关键事实，智能检测重复、更新冲突信息并合并相关记忆，确保记忆库的准确性和一致性。举个例子：还记得上学时老师让你划重点吗？PowerMem 就是 AI 的学霸助手，不需要你手动标注，AI 自动帮你划重点。

    # 用户说了一堆话
   
   messages = [
   
   {"role": "user", "content": "Hi, my name is Alice. I'm a software engineer at Google."},
   
   {"role": "assistant", "content": "Nice to meet you, Alice!"},
   
   {"role": "user", "content": "I love Python programming and machine learning."}
   
   ]
   
   # PowerMem 自动提取关键事实
   
   memory.add(messages=messages, user_id="alice", infer=True)
   
   # 结果：自动提取出 4 条关键记忆 # 1. Name is Alice # 2. Is a software engineer at Google # 3. Loves Python programming # 4. Loves machine learning 

3. 艾宾浩斯遗忘曲线：基于认知科学的记忆遗忘规律，自动计算记忆保留率并实现时间衰减加权，优先返回最近且相关的记忆，让 AI 系统像人类一样自然 “遗忘” 过时信息。还记得那个著名的遗忘曲线吗？PowerMem 把它用在了 AI 记忆上，简单来说，就像人类大脑一样，重要的、最近的信息记得更牢。

   • 最近的信息：权重高，优先召回

   • 久远的信息：权重低，自然衰减

   • 过时信息：自动清理，保持记忆库新鲜

4. 多智能体支持：智能体共享 / 隔离记忆，为每个智能体提供独立的记忆空间，支持跨智能体记忆共享和协作，通过作用域控制实现灵活的权限管理。

5. 多模态支持：不仅记得文字，还看得懂图片。文本、图像、语音记忆：自动将图像和音频转换为文本描述并存储，支持多模态混合内容（文本 + 图像 + 音频）的检索，让 AI 系统理解更丰富的上下文信息。

    # 存储图片记忆
   
   memory.add(
   
   messages=[{"role": "user", "content": "这是我的X光片"}],
   
   images=["xray_image.jpg"],
   
   user_id="patient_001"
   
   )
   
   # 搜索时，文字 + 图片一起检索
   
   results = memory.search("X光片结果", user_id="patient_001")
   
   

6. 深度优化数据存储：支持子存储（Sub Stores），通过子存储实现数据的分区管理，支持自动路由查询，显著提升超大规模数据的查询性能和资源利用率。

7. 混合检索：融合向量检索、全文搜索和图检索的多路召回能力，通过 LLM 构建知识图谱并支持多跳图遍历，精准检索复杂的记忆关联关系。

seekdb 是什么？

OceanBase seekdb 是 OceanBase 打造的一款开发者友好的 AI 原生数据库产品，专注于为 AI 应用提供高效的混合搜索能力，支持向量、文本、结构化与半结构化数据的统一存储与检索，并通过内置 AI Functions 支持数据嵌入、重排与库内实时推理。 seekdb 在继承 OceanBase 原核心引擎高性能优势与 MySQL 全面兼容特性的基础上，通过深度优化数据搜索架构，为开发者提供更符合 AI 应用数据处理需求的解决方案。

PowerMem + seekdb (1 + 1>2 ) 的持久化记忆解决方案

PowerMem 的架构旨在模块化、可扩展，包括如下层：

• 核心记忆引擎 (core)：管理所有记忆操作，包括智能记忆处理器、分层记忆管理、全生命周期记忆管理模块

• 模型层：提供与流行 LLM 和嵌入模型的无缝集成

• 存储层：支持多种存储后端的灵活接口（特别地，我们在 seekdb /oceanbase 上做了深度适配，充分利用了 seekdb 的混搜能力）。

所以，PowerMem + seekdb 的组合不是简单的数据存储，而是一个真正智能的持久化记忆系统。

1 分钟快速上手：让 AI 秒变 "记忆大师"

第一步：安装

pip install powermem

第二步：使用

 from powermem import Memory, auto_config

# 自动从 .env 加载配置

memory = Memory(config=auto_config())

# 添加记忆（自动提取事实）

memory.add("用户喜欢喝咖啡", user_id="user123")

# 搜索记忆（智能检索）

results = memory.search("用户偏好", user_id="user123")

就这么简单！4 行代码，让你的 AI 拥有 "记忆力"！

结语：

还在为 AI 的 “金鱼记忆” 而烦恼吗？

还在为 Token 成本居高不下而头疼吗？

还在为检索准确率低而困扰吗？

是时候给 AI 装个 “外挂记忆” 了～

相关资源

• PowerMem GitHub 仓库

• seekdb GitHub 仓库

• PowerMem 官方网站

• seekdb 官方网站

青龙面板版本

编辑器打开～/.antigravity/extensions/eamodio.gitlens-17.8.1-universal/dist/webviews/graph.js
全局查找

.webroot=${this.graphState.webroot}

在这行后面增加一行

style="display: none" 

保存即可

相比于 8 月份发布的 Qwen-Image 基础模型，Qwen-Image-2512 进行了如下更新：

• 更真实的人物质感 相比于 Qwen-Image，Qwen-Image-2512 大幅度降低了生成图片的 AI 感，提升了图像真实性

• 更细腻的自然纹理 相比于 Qwen-Image，Qwen-Image-2512 在风景构图，动物毛发更加细腻。

• 更复杂的文字渲染 相比于 Qwen-Image，Qwen-Image-2512 提升了文字渲染的质量，图文混合渲染更准确，排版更好

模型地址：

Qwen/Qwen-Image-2512 · Hugging Face ，

博客介绍： Qwen

一些官方图：

地址：

release 已发布，可直接安装

在 arxiv，IEEE Xplore 网站上搜索论文的时候，怎么能一下子知道论文是否有阅读的价值呢？论文所在的期刊 / 会议的 CCF 分区是一个重要的指标。本 Script 可以在检索的时候在论文标题后面附一个 Badge，显示 CCF 分区，还会进行 DBLP 的查询，效果如图

可以选中分区进行高亮

未来会尝试添加在 Google Scholar 上显示的功能

目前已知的问题：DBLP 查询可能会出 429

欢迎各位佬提 Issue，PR

Meeting Mind 是一个智能会议记录与分析系统，结合了实时语音识别（ASR）、说话人分离（Diarization）和本地大语言模型（LLM）智能分析功能。它能够实时转录会议内容，区分不同的发言者，并利用本地部署的 LLM 自动生成会议标题、总结、关键要点和行动项，确保数据隐私和安全。

核心功能

技术栈

后端

• 框架：Python 3.10+, FastAPI
• ASR：FunASR (SenseVoiceSmall, FSMN-VAD, CAM++)
• LLM：Transformers /vLLM (GPU 加速), Qwen2.5-1.5B-Instruct
• 依赖管理：uv

前端

• 框架：React 18, Vite, React Router
• 通信：WebSocket (实时语音流)

京东超市 超市对暗号赢超市卡

【答案】运气好 8.88
第一轮：马
第二轮：炽热出发号 ​​​​
第三轮：王星越 ​​​​
第四轮：陶喆 ​​​
第五轮：王心凌
第六轮：孟子义
最后一轮：倪萍

linux 系统下的这个学习版的 PDF 编辑工具，有需要的可以一块学习

适用环境：Debian 系
已测试环境：Ubuntu24.04/Xubuntu24.04

下载及安装

wget https://code-industry.net/public/master-pdf-editor-5.9.35-qt5.x86_64.deb

sudo apt install -y ./master-pdf-editor-5.9.35-qt5.x86_64.deb

石皮解方法

# 在001b7b70处，将88替换成FE sudo perl -pi -e 's/(\xE8...\xFF)\x88(..\xBF\x30)/$1\xFE$2/g' /opt/master-pdf-editor-5/masterpdfeditor5

就可以见证奇迹了

明早我啥时候醒来啥时候就关

第一次下放 1 级的开放 key（三级也没开放过（Bushi

元旦快乐呀！点点赞～