GNOME 体验增强

总表

• 增强使用体验
• Adwaita 风格调优
• 美化

增强使用体验

Bluetooth Battery Meter

• 显示蓝牙电量
  
  
  

Caffeine

• 关闭自动休眠
  
  

Proxy Switcher

• 快速开关代理
  
  
  
  
  

XWayland Indicator

非 Wayland 原生应用会在 panel 显示 X

Light Style

• 白色主题（我知道 dconf editor 可以开，但是开深色关掉又回 default）
  
  

Disable workspace switcher overlay

• 关掉切换工作区突兀的点
  
  
  
  以后没有了喵

Just Perfection

可以优化 Shell 的 Panel 的一些细节，比如关掉世界时钟

Adawaita 调优

• GTK3 的一个应用，接下来都会以它为例子
  
  

Adw-gtk3

• 给 GTK3 带来 GTK4 Adw 的主题
  
  

Rounded Window Corners Reborn

• 给 GTK3 GTK2 以及没用 libadwaita 的 GTK4 应用程序添加 adwaita 的圆角效果
  
  

MoreWaita

• Adw 风格图标
  
  

美化

Blur my Shell

• 用来添加透明效果的
  

Hanabi Extension

• 给 GNOME 带来动态壁纸（不放 gif 了）
  
  

把城市名替换成你所在的城市，或者你想去的城市，期待看到你们的作品

第一弹

Present a clear, side miniature 3D cartoon view of [YOUR CITY] tallest buildings. Use minimal textures with realistic materials and soft, lifelike lighting and shadows. Use a clean, minimalistic composition showing exactly the three tallest buildings in Sopot, arranged from LEFT to RIGHT in STRICT descending height order. The tallest must appear visibly tallest, the second must be clearly shorter than the first, and the third must be clearly shorter than the second.
All buildings must follow accurate relative proportions: if a building is taller in real life, it MUST be taller in the image by the same approximate ratio. No building may be visually stretched or compressed.
Each building should stand separately on a thin, simple ceramic base. Below each base, centered text should display:
Height in meters — semibold sans-serif, medium size
Year built — lighter-weight sans-serif, smaller size, directly beneath the height text
Provide consistent padding, spacing, leading, and kerning. Write "YOUR CITY NAME" centered above the buildings, using a medium

第二弹

Create a high-detail 3D isometric diorama of the entire China, where each state is represented as its own miniature platform. Inside each state, place a stylized, small-scale 3D model of that state's most iconic landmark. Use the same visual style as a cute, polished 3D city diorama: soft pastel colors, clean materials, smooth rounded forms, gentle shadows, and subtle reflections. Each landmark should look like a miniature model, charming, simplified, but clearly recognizable. Arrange the states in accurate geographical layout, with consistent lighting and perspective. Include state labels and landmark labels in a clean, modern font, floating above or near each model.

在 cherry studio 的助手配置里面加上自定义参数，关闭流式输出开关，cs 版本升级到最新

{"aspectRatio": "16:9", "imageSize": "4K"} 

4K 高清大图，17M，放在了 cf 的存储桶里

https://img.0rzz.ggff.net/china.png 20M

我个人偏好 GLM 4.7, 但是看到很多小伙伴反馈 MiniMax M2.1 也很强。现在你可以在 Kilo Code 上免费使用啦～

消息来源：官方 X

上线了，开源免费 XHS_Business_Idea_Validator - 小红书解析市场机会智能体

开源地址：

流程图：

agent_system/
├── models/                          # 数据模型
│   ├── __init__.py
│   ├── agent_models.py              # TaskResult, ProgressUpdate, ExecutionPlan
│   ├── context_models.py            # RunContext, ContextQuery
│   └── business_models.py           # KeywordModel, XhsNoteModel, etc.
│
├── agents/                          # Agent 核心
│   ├── __init__.py
│   ├── base_agent.py                # Agent 基类
│   ├── context_store.py             # 上下文存储
│   ├── config.py                    # 配置管理（支持 .env）
│   ├── orchestrator.py              # ✅ 主编排 Agent
│   ├── subagents/                   # ✅ 子 Agents
│   │   ├── __init__.py
│   │   ├── scraper_agent.py         # 数据抓取 Agent
│   │   ├── analyzer_agent.py        # 数据分析 Agent
│   │   └── reporter_agent.py        # 报告生成 Agent
│   └── skills/                      # ✅ Skills
│       ├── __init__.py
│       ├── scraper_skills.py
│       ├── analyzer_skills.py
│       └── reporter_skills.py
│
├── mcp_servers/                     # MCP 服务器
│   ├── __init__.py
│   ├── xhs_server.py                # 小红书 MCP 服务 ✅
│   ├── llm_server.py                # LLM MCP 服务 ✅
│   └── storage_server.py            # 存储服务 ✅
│
└── tests/                           # 测试
    ├── __init__.py
    ├── test_integration.py          # 集成测试 ✅
    └── test_e2e.py                  # 端到端测试 ✅

展示例子

生成的报告 reports 在根目录

整个过程的资料在 agent_context/checkpoints:

部署上线使用？

部署，要考虑安全，需要等等，暂时不上线。或者 谁想测试， 直接 email 给我，然后我会返回 全部资料。资料很丰富的，除了那个报告还有很多东西。是真正的调研市场的作用。 email 格式：【市场调研哪方面】

使用了什么服务 /api

1, openai 兼容的 api 就可以
2，https://tikhub.io/ 小红书等数据抓取

怎样使用

python run_agent.py 在香港卖陈皮
是否使用快速模式？(更少的数据，更快的执行)
输入 y 使用快速模式，其他键使用完整模式: y

怎样调试

在.env 增加 LOGGING_LEVEL=DEBUG
//DEBUG、INFO、WARNING、ERROR 级别的日志

开源地址：

欢迎 star 和提意见

阿里云的 无影云电脑

注册就可以领取 200 核时 可以一键部署 ai 绘画

每天签到可以获得 10 核时
点兑换功能 去 B 站搜索找兑换码 再领 200 核时
用 16g 显存部署 每小时消耗 30 核时 领取的 410 核时 可以玩 10 个小时
然后每天签到还可以用 20 分钟左右 可以用 api 调用 如果安全的话可以弄个共享 api 站 集合大家的核时 岂不是可以长期使用？

使用这个佬发的提示词

那些年，我写的 小说提示词从创作入门到入土 - 搞七捻三 / 搞七捻三，Lv1 - LINUX DO

集 Claude Code + Gemini CLI + Codex 之力开发

lingfengQAQ/webnovel-writer: AI 驱动的长篇网文辅助创作工具 - 基于 Claude Code，支持 200 万字连载管理，内置防幻觉机制和 5 维质量审查

把.claude 整个文件夹复制到你准备写小说的项目文件夹并在此文件夹打开 claude code 就可以使用。

发现 bug 又让 claude 改了下

大家好！

如果你在使用 Claude Code、Cursor 时配置了多个 MCP 服务，你一定能感受到上下文（Context）窗口的压力。

痛点：被工具定义吃掉的 Context

Anthropic 官方曾在 Advanced Tool Use
技术博客中披露过工具定义的开销数据：
・GitHub: 35 个工具占用约 26,000 tokens
・Slack: 11 个工具占用约 21,000 tokens

这意味着，如果你同时开启这两个 MCP 服务，还没开始对话，近 50,000 tokens 就已经消失了。这不仅让 API 成本激增，更会导致 AI 的推理能力因为背景噪声过多而下降，甚至出现指令遵循失败。

──────────────────────────────────────────

One MCP v1.0.1：两种方案帮你「减负」

One MCP 新版本增加了 服务组合 (Combo) 功能

针对不同场景提供两种瘦身方案：

方案一：导出为 Anthropic Skill (推荐)

Anthropic 近期将 Skill 定为开放标准，旨在解决大规模工具定义的开销问题。我也在 OpenCode 和 Droid 上完成了实测，效果非常理想。

・极低开销：AI 只读取一个精简的 SKILL.md（~500 tokens），替代数万 tokens 的 JSON 定义。
・按需加载：工具详情只有在 AI 决定调用时才会被实时读取，完美适配 Anthropic 的官方实践。
・零依赖：导出的 Python 执行器仅使用标准库，不需安装任何包，开箱即用。
・广泛适配：完美支持 Claude Code / Droid / OpenCode 等支持 Skill 协议的客户端。

方案二：精简版组合 MCP (适用于传统客户端)

如果你的软件尚未支持 Skill 协议，你可以将 N 个服务组合成一个统一端点：

・精简工具：Context 里只暴露 search_tools 和 execute_tool。
・动态调用：无论后台有多少工具，AI 的初始上下文里永远只有这两个入口。

──────────────────────────────────────────

性能实测

以我测试的一个包含 4 个服务（24 个工具）的组合为例：
・原生 MCP 模式：占用约 12,000+ tokens。
・One MCP Skill 模式：仅占用约 800 tokens。

Context 节省率达 93%！ 把宝贵的 Context 留给代码和真正的逻辑。

──────────────────────────────────────────
实战案例

• 1. 使用 Skill（工具：OpenCode）

这个例子，我创建了一个 cherry-studio 工具的组合，包含 exa,amap,whois 等 4 个 mcp, 导出 skill，再解压到 opencode 的 skill 目录

最终 LLM 按照 skill.md 的说明，使用 python 脚本调用了合适的 mcp 工具

• 2. 使用组合后的 MCP（工具：Cherry Studio）

一开始只占用 1000 个 token，然后查询时，这里会多调用一次查找合适的工具和参数

──────────────────────────────────────────

快速体验

1. Docker 一键启动：

docker run --name one-mcp -d \
-p 3000:3000 \
-v $(pwd)/data:/data \
buru2020/one-mcp:latest

# Access the application
open http://localhost:3000
# Default username/password
root/123456

2. 在后台安装所需的 MCP 服务，创建一个「服务组合」。
3. 导出 Skill：点击导出 zip 包，解压到对应的 Skill 目录即可使用。

──────────────────────────────────────────
也可以登录我的 demo 站点创建 skill 体验：
Demo: https://demo.one-mcp.com/

项目地址

GitHub: https://github.com/burugo/one-mcp

欢迎 Star 和试用，让我们一起终结 MCP 的 Context 焦虑！如果有使用上的问题，欢迎在评论区讨论。

前提：

1. 有一个基于 Docker Compose 编排，且包含 Nginx 部署的前端服务项目。
2. 有一个域名（证书会基于域名自动申请）。

配置流程：

1. 修改 docker-compose.yml 文件，确保前端服务映射了 443 端口。
   示例：

services: ruoyi-ui: container_name: ruoyi-ui build: context: . # Dockerfile.ui 及 nginx.conf 所在上下文路径 dockerfile: Dockerfile.ui ports: - "${FRONTEND_PORT}:80" - "443:443" # https端口 depends_on: xxx-service: condition: service_started # 后端服务及其它服务配置 xxx-service: ... 

2. 在 Dockerfile.ui 中使用正确的基础镜像，需要支持 ACME 的 nginx 镜像，如：ghcr.io/3az7qmfd/ngacme:main：

FROM ghcr.io/3az7qmfd/ngacme:main

# 移除 Nginx 默认配置
RUN rm /etc/nginx/conf.d/default.conf

# 复制自定义的 Nginx 配置文件
COPY ./nginx.conf /etc/nginx/conf.d/default.conf

# 从构建阶段复制构建好的静态文件到 Nginx 托管目录
COPY ./dist /usr/share/nginx/html

# 暴露 Nginx 端口
EXPOSE 80

# Nginx 默认会启动，也可以指定 CMD
CMD ["nginx", "-g", "daemon off;"]

3. nginx.conf 配置自动获取证书

# DNS 解析器（用于访问 ACME 服务器，推荐用可靠的如 Cloudflare 或 Google）
# 没有可用的 IPv6 出口时，可设置禁用ipv6：ipv6=off
resolver 8.8.8.8 1.1.1.1 ipv6=off valid=30s;

# ACME issuer 配置（这里用 Let's Encrypt 生产环境示例）
acme_issuer letsencrypt {
    uri         https://acme-v02.api.letsencrypt.org/directory;
    contact     xxx@qq.com;  # <----- 你的邮箱，用于通知
    state_path  /var/cache/nginx/acme-letsencrypt;  # 持久化存储路径，确保目录存在并可写
    accept_terms_of_service;
}

# 共享内存区（存储证书和挑战数据）
acme_shared_zone zone=ngx_acme_shared:1M;

server {
    listen 80;
    server_name xxx.com;  # 你的实际域名，证书会基于此自动申请

    # 可选：显式允许挑战路径
    # location /.well-known/acme-challenge/ { }

    location / {
        return 301 https://$server_name$request_uri;  # 重定向所有普通请求到 HTTPS
    }
}

server {
    listen 443 ssl; http2 on;
    server_name xxx.com;  # 你的实际域名，证书会基于此自动申请

    # ACME 自动管理证书
    acme_certificate letsencrypt;  # 使用上面定义的 issuer

    ssl_certificate       $acme_certificate;
    ssl_certificate_key   $acme_certificate_key;

    # 避免每次请求解析证书
    ssl_certificate_cache max=2;

    # 静态资源根目录（与原配置相同）
    root   /usr/share/nginx/html;
    index  index.html index.htm;

    # 处理前端 SPA 路由
    location / {
        try_files $uri $uri/ /index.html;
    }

    # API 请求反向代理
    location /api/ {
        proxy_set_header Host $http_host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_pass http://xxx-service:8080/; # <---- 你的后端服务
    }

    # 错误页面
    error_page   500 502 503 504  /50x.html;
    location = /50x.html {
        root   /usr/share/nginx/html;
    }

    # 其他 SSL 优化（可选推荐）
    ssl_protocols TLSv1.2 TLSv1.3;
    ssl_ciphers HIGH:!aNULL:!MD5;
    ssl_prefer_server_ciphers on;
}

参考连接：

1. 以 Nginx 为反代服务端时以 Certbot 自动申请 HTTPS 证书的流程
2. nginx-acme
   nginx-acme/README.md at main · nginx/nginx-acme · GitHub
3. Module ngx_http_acme_module
   Module ngx_http_acme_module
4. NGINX with ACME 模块 Docker 镜像
   Package ngacme · GitHub

之前刚做完的时候，在隔壁 (v2ex) 和知乎宣传了一下，有几个朋友反馈，最近又做了一些迭代

在这里也分享一下。

更新

1. 修改了 system-prompt 更规范一点
2. 前端 UI 做了升级，渲染了 todos 和 markdown, 增加了进度条，和 spinner

功能说明

体验地址 https://ankiany.starsou.com/
代码地址 GitHub - alingse/ankiany: Anki card generator powered by Claude Agent SDK

输入任何主题，就能得到关于这个主题的一套 anki 卡片。

(当然，我的目的还是能够服务更多的用户，到时候一个卡组 0.5 元 ？

效果

(qa) Q: [基础: 开发商] 原神的开发商是哪家公司？
A: miHoYo（米哈游）

(qa) Q: [基础: 游戏平台] 原神最初是作为什么类型的游戏开发的（后来移植多平台）？
A: 移动端游戏

(qa) Q: [世界观: 大陆] 原神的故事发生在哪个大陆？
A: 提瓦特大陆

(cloze) [世界观: 七国顺序] 提瓦特七国对应的元素是：蒙德{{c1::风}}、璃月{{c2::岩}}、稻妻{{c3::雷}}、须弥{{c4::草}}、枫丹{{c5::水}}、纳塔{{c6::火}}、至冬{{c7::冰}}

(qa) Q: [世界观: 蒙德] 蒙德的神明被称为“风神”，其魔神名是什么？
A: 巴巴托斯

开发体验

将一套流程整理成 system-prompt 并且提供必要的工具，这就得到了一个 agent

当然，代码都是 gemini 写的 一些 prompt

前言

FOFA 注册用户每月有 3000 次 Web 查询下载额度，每个月会刷新。

但手动注册太麻烦了：填信息 → 识别验证码 → 等邮件 → 点激活链接…

于是就有了这个脚本，全自动完成注册流程。

功能

• 自动识别图形验证码（ddddocr）
• 临时邮箱自动收验证码并激活账号
• 支持批量注册
• 验证码错误自动重试
• 固定密码 / 随机密码可选
• 成功账号自动保存到文件

安装

pip install curl-cffi ddddocr

使用

# 交互式
python fofa.py
# 或指定数量
python fofa.py 5

项目地址

手把手教学 aws 新用户白嫖服务金 $200 开通 kiro 会员
根据尤佬的思路，我发现了普通开发者用这个方法是最为省钱，但是还是有很多佬不知道怎么弄，于是我便弄一份保姆级教程，一张 1 刀的卡便可以搏取 $200，（前提是做任务，不做任务只有 $100）
首先打开这个网站免费云计算服务 - AWS 免费套餐
进入后

创建账户

填自己的信息（反正我填的是真实的 ），因为会有概率触发水电单

绑一张 1 刀的信用卡
绑定手机号

绑定好就会显示如下的信息

来这里搜索 IAM Identity Center

进来后是这样的

点击启用后跳转如下界面

继续启动，然后还是会跳转如下界面

点击组，新建一个组

随便填，新建之后去到用户

创建一个新用户，点击确定会让你选择一个组，就选择刚刚创建的

再来这里搜索 kiro

进来后是这样的

你的界面就会是这样的

点击 add user，选择你要的套餐

选择你刚刚创建的用户

你现在以及成功了百分之九十了，记住这些信息，等下要用

打开 kiro，登录红框位置登录

填上刚刚记住的信息，我的 us-east-1 这个是参考的哈，佬们填上你们自己的 IAM

会跳转登录，

填上你的用户名（没有设置密码的他会让你设置密码，并且绑定 2fa），然后就完成了
全套保姆，希望各位佬能用上低成本的 ai，再次感谢尤佬提供的思路！我只是将其细化。

卡不要用自己的，反正虚拟卡也不贵，到时候万一扣费了，也不用担心自己被扣款，你也可以用 200$ 的套餐，看个人需求量

200$ 的套餐也可以成功，不知道为啥，明明我只有 100$ 的免费额度

散会！

数据来源

Ookla 的城市精度阈值太高，漏掉了太多结果，故没有选取

众所周知，gpt5 系列的长思考一直被诟病，在之前，由于没有回传思考，导致 gpt 的每次对话都要重新思考，会导致时间的大幅浪费

然而目前 kilo roo 等对于 gpt 系列又不会回传思考签名，所以就只能自己做了

gpt 本身其实也提供了回传思考签名的方法，需要走 responses 格式的接口

实际体验来说，确实如预期那样，整体思考时间大幅缩减，只会在首次几轮存在长思考的情况，后续长思考就几乎没有了：

开头几轮：

之后：

和在 cursor 里的 gpt 表现一致，所以建议使用 gpt 时，尽量使用能支持回传思考签名的

gpt 本身 debug 的能力是比 claude 要更强的

一回合做出来的效果：

测试使用的插件来自：

如题，阿联酋的 Technology Innovation Institute (TII) 发表了新模型 Falcon-H1R
在得分上碾压了一众小模型

作为一个 7B 大小 256k context window 的模型跟 20B 乃至 32B 打的有来有回
而且混合模式会让模型在内存优化方面有着相当的潜力
有兴趣的朋友可以试看看

模型

线上使用

刚刚找到的站点
目测没有任何付费端口
注册也只是多了图片是否公开的选项
有兴趣可以看看

闲着没事搞了个神经网络架构，开源出来水一下

GitHub： GitHub - 1600822305/Fielix: A novel neural network architecture featuring Field Effect Propagation, Dynamic Topology, Spiral Memory, and Emergent Position Encoding. Achieves better learning efficiency than Transformer.

简单说就是用 "场效应" 替代注意力机制，实验下来学习效率比 Transformer 高不少：

实验结果 (27M 参数)

• 初始 Loss：Fielix 3.0 vs Transformer 7.9
• 最终 Loss：Fielix 1.66 vs Transformer 2.59
• 训练速度：慢 2x

缺点是训练慢 2 倍

没精力继续优化了，感兴趣的大佬随便玩

准备：

modal secret create qwen-auth QWEN_API_KEY=sk-123abc
modal secret create huggingface-secret HF_TOKEN=hf_…

import modal, os
MODEL_ID = "Qwen/Qwen3-VL-8B-Instruct-FP8"
MODEL_DIR = "/data/model"
vol = modal.Volume.from_name("qwen-storage", create_if_missing=True)
image = (modal.Image.debian_slim().apt_install("ffmpeg", "libsm6", "libxext6").run_commands("pip install -U pip").pip_install("vllm>=0.7.0").pip_install("huggingface_hub", "hf_transfer", "decord","torch-c-dlpack-ext").env({"HF_HUB_ENABLE_HF_TRANSFER": "1","PYTORCH_CUDA_ALLOC_CONF": "expandable_segments:True"}))
app = modal.App("qwen-vl-volume")
@app.function("/data": vol},timeout=1800,secrets=[modal.Secret.from_name("huggingface-secret")]) def download_model_to_volume():
    from huggingface_hub import snapshot_download
    snapshot_download(MODEL_ID,local_dir=MODEL_DIR,ignore_patterns=["*.pt", "*.bin"])
    vol.commit()
@app.cls(gpu="l4", image=image, volumes={"/data": vol}, scaledown_window=180, timeout=600, secrets=[modal.Secret.from_name("qwen-auth")]) class QwenServer:
@modal.web_server(port=8000, startup_timeout=600) def serve(self):
        import subprocess, sys
        if not os.path.exists(MODEL_DIR):
            return
        api_key = os.environ.get("QWEN_API_KEY", "sk-default")
        cmd = [sys.executable, "-m", "vllm.entrypoints.openai.api_server","--model", MODEL_DIR,"--served-model-name", MODEL_ID,"--trust-remote-code","--tensor-parallel-size", "1","--api-key", api_key,"--gpu-memory-utilization", "0.90", "--max-model-len", "8192", "--kv-cache-dtype", "auto","--limit-mm-per-prompt", '{"image": 16, "video": 4}',"--port", "8000"]
        subprocess.Popen(cmd, stdout=sys.stdout, stderr=sys.stderr)

效果：

原图：

29.0 tok/s

Bacloud 的云存储免费版提供 32 GB 空间，上传下载文件不限速，

可以创建分享链接，并且非常高级！！！可以设置仅查看权限，可以编辑；

自定义权限太强了，可以设置密码，可以设置过期时间，设置备注，还能限制下载，启用编辑；

教程
1. 访问 Bacloud 的存储界面，注册登录账号
地址：Free Cloud Storage | Personal Cloud disk - BaCloud.com

2. 点击免费套餐，查看配置

3. 设定电子邮件和密码，推荐电子邮件和密码和你注册 Bacloud 一样

4. 配置是 32GB 存储，费用 0 元，点击 Add to Today

5. 可选渠道包括 PayPal、PayPal Subscription（订阅）、银行转账、PaySera、CoinGate（虚拟货币）、支付宝、银联、Stripe 以及 Cryptomus
这个不必在乎，随便选择，不是真的要验证付款

6. 成功，邮件也会收到邮件确认

7. 开通成功去看看套餐， 点击 Login to Bacloud Drive

路径

跳往招行 APP
https://cmbt.cn/6h6dYE

耗时

3 个查询任务，约 1 分钟

从 这里好像没有讨论 java 技术的 继续讨论。
在前段时间公司要自己搞个电商平台，首选开发语言用 java, 架子用 springboot，我作为研发负责人。
在立项初期我准备上 cloud, 但是老板没同意，说后面再迭代，我因为刚来这家公司我也就没好说什么，单体就单体呗。
在后面的开发过程中产品提出要增加一个供应商服务端，两端会有频繁的数据交互，我思考了半天有几个方案，要么是谷歌的 grpc, 要么是阿里的 dubbo, 或者是 openfeign, 不过 grpc 要写 protobuf，dubbo 以前用的 2.8 版本遇到兼容性问题现在好多年不用而且时间给的少我怕来不及，openfeign 又没脱离 cloud 依赖，需要引入一堆 maven 依赖，思来想去总不能直接 http 吧，这不胶水架构了么。
最后吧，还是用了胶水架构，不过是好用一点的，这就是 HTTP Interface 啦，因为当时是我负责搭建架子的，所以我采用了基于 jdk17 的 boot3.5, 正好是基于 Spring Framework 6 的。
这个东西用起来门槛非常低，只需要一个配置：

@Configuration @RequiredArgsConstructor @Slf4j public class HttpInterfaceConfig {

    private final TenantPropagator tenantPropagator;

    @Value("${service.auth.secret-key}") private String secretKey;

    private WebClient.Builder createWebClientBuilder(String baseUrl) {
        return WebClient.builder()
                .baseUrl(baseUrl)
                .filter(this::addAuthHeaders) // 添加认证过滤器
                .defaultHeader(HttpHeaders.CONTENT_TYPE, MediaType.APPLICATION_JSON_VALUE);
    }

    /**

     * 为每次请求动态添加认证头

     */ private Mono<ClientResponse> addAuthHeaders(ClientRequest request, ExchangeFunction next) {
        // 每次请求时动态生成时间戳、随机数和签名 long timestamp = System.currentTimeMillis();
        String nonce = UUID.randomUUID().toString().replace("-", "").substring(0, 16);
        String signature = HmacSignUtils.generateTimestampSignature(timestamp, nonce, secretKey);
        log.debug("🔐 动态生成认证头 - timestamp: {}, nonce: {}, signature: {}",
                timestamp, nonce, signature);
        // 创建新的请求，添加认证头 ClientRequest newRequest = ClientRequest.from(request)
                .header("X-Internal-Service", "true")
                .header("X-Service-Timestamp", String.valueOf(timestamp))
                .header("X-Service-Nonce", nonce)
                .header("X-Service-Signature", signature)
                .build();
        return next.exchange(newRequest);
    }


    @Bean public OperationPlatFormApiClient operationPlatformApiClient(

            @Value("${service.operationPlatform.url}") String baseUrl) {
        log.info("=== operationPlatformApiClient 配置信息 ===");
        log.info("baseUrl: {}", baseUrl);
        log.info("secretKey: {}", secretKey != null ? "已配置" : "未配置");
        // 创建基础的 WebClient Builder
        WebClient.Builder webClientBuilder = createWebClientBuilder(baseUrl);
        // 传播租户信息
        webClientBuilder = tenantPropagator.propagateTenant(webClientBuilder);
        WebClient webClient = webClientBuilder.build();
        WebClientAdapter adapter = WebClientAdapter.create(webClient);
        HttpServiceProxyFactory factory = HttpServiceProxyFactory
                .builderFor(adapter)
                .build();
        OperationPlatFormApiClient client = factory.createClient(OperationPlatFormApiClient.class);
        log.info("✅ operationPlatformApiClient 创建成功");
        return client;
    }

    @Bean public SupplierApiClient supplierApiClient(

            @Value("${service.supplier.url}") String baseUrl) {
        log.info("=== SupplierApiClient 配置信息 ===");
        log.info("baseUrl: {}", baseUrl);
        log.info("secretKey: {}", secretKey != null ? "已配置" : "未配置");
        // 创建基础的 WebClient Builder
        WebClient.Builder webClientBuilder = createWebClientBuilder(baseUrl);
        // 传播租户信息
        webClientBuilder = tenantPropagator.propagateTenant(webClientBuilder);
        WebClient webClient = webClientBuilder.build();
        WebClientAdapter adapter = WebClientAdapter.create(webClient);
        HttpServiceProxyFactory factory = HttpServiceProxyFactory
                .builderFor(adapter)
                .build();
        SupplierApiClient client = factory.createClient(SupplierApiClient.class);
        log.info("✅ SupplierApiClient 创建成功");
        return client;
    }

    @Bean public CrowdsourcingApiClient crowdsourcingApiClient(

            @Value("${service.crowdsourcing.url}") String baseUrl) {

        log.info("=== CrowdsourcingApiClient 配置信息 ===");
        log.info("baseUrl: {}", baseUrl);

        // 创建基础的 WebClient Builder
        WebClient.Builder webClientBuilder = createWebClientBuilder(baseUrl);

        // 传播租户信息
        webClientBuilder = tenantPropagator.propagateTenant(webClientBuilder);

        WebClient webClient = webClientBuilder.build();
        WebClientAdapter adapter = WebClientAdapter.create(webClient);

        return HttpServiceProxyFactory
                .builderFor(adapter)
                .build()
                .createClient(CrowdsourcingApiClient.class);
    }
}

就可以了，然后就能像写 openfeign 那样:

@Resource private SupplierApiClient supplierApiClient;

@PostMapping("/createSupplier") @Operation(summary = "新增供应商用户") public Mono<CommonResult<Integer>> createSupplier(@Valid @RequestBody SuppLierUsersVO reqVO) {
    return ReactiveApiHandler.processReactive(supplierApiClient.createAccount(reqVO), "创建供应商账户");
}

要使用它只需要有 spring-webflux 就可以了，好像是 Spring Framework 6 自带的。

ps：
这东西有个坑，就是你的客户端里的接口越多，启动的时候就越慢，所以一般推荐做个懒加载，不然你客户端写上百个接口，启动就要占用你一分钟的时间。

Baserow 是一款对标 Airtable
但主打开源的无代码数据库软件
除了可以透过以下的 github 部属自己的本地服务外

也可以透过官方的平台创建云数据库
目前看起来价格确实比 Airtable 本身更多 (免费方案)

有兴趣可以试看看

Antigravity Manager 的简化版，去除客户端，增加 WebUI ，支持 docker 部署 与 非本地 Google Auth

AntiProxy