Dingfengbo

OpenClaw Gateway 与通道笔记：daemon、doctor、channels

Thu, 23 Jul 2026 00:00:00 GMT

承接安装笔记。
本机已确认 CLI 为 OpenClaw 2026.7.1-2 (0790d9f)。下面命令均来自该版本的 --help，不是编的子命令。

1. 三个容易混的概念

概念	CLI	作用
Gateway	`openclaw gateway`	WebSocket 网关进程：会话、通道、agent 都挂在这上面
Daemon / 服务	`openclaw daemon`	把 Gateway 装成系统服务（Windows：`schtasks`；Linux：`systemd`；macOS：`launchd`）
Channels	`openclaw channels`	Telegram / Discord 等聊天通道的增删与状态

日常目标通常是：

onboard 配好模型与通道
  → daemon 常驻
    → doctor / health 能绿
      → 手机或 TUI 能对话

2. Gateway

openclaw gateway --help

要点：

可指定 --port、--bind（loopback / lan / tailnet / auto / custom）
认证：--auth 支持 none | token | password | trusted-proxy
--dev：缺配置时建 dev 配置与 workspace
--force：启动前清掉占用端口的旧监听

前台调试可以：

openclaw gateway
# 或看状态类子命令（以 gateway --help 的 subcommands 为准）

生产环境更常见的是服务化，而不是 SSH 里挂一个前台进程。

3. Daemon（服务）

openclaw daemon --help

子命令（help 原文）：

install / uninstall
start / stop / restart
status（安装状态 + 连通/能力探测）

和 onboard 的关系：官方推荐路径里有
openclaw onboard --install-daemon
等于向导里顺手装服务。若你已经 onboard 过但没装服务：

openclaw daemon install
openclaw daemon status
openclaw daemon restart

Windows 上对应计划任务；Linux 上是 systemd（用户或系统级以安装器选择为准）。
不要再手写一份可能过时的 unit 去覆盖，除非 daemon status 明确失败且你知道自己在做什么。

4. Doctor 与 health

openclaw doctor
openclaw doctor --fix          # 应用推荐修复
openclaw doctor --deep         # 扫描系统里多余的 gateway 安装
openclaw health                # 向正在跑的 gateway 拉健康信息

我在这篇里没有贴一份「全绿」的 doctor 输出——因为本机只完成了 CLI 安装，没有走完带 API Key 的 onboard。
你配完之后，这俩命令应是第一反应，而不是先改配置文件。

5. Channels

openclaw channels --help

常用：

openclaw channels list
openclaw channels status
openclaw channels status --deep
openclaw channels add
openclaw channels logs

Telegram 接入时该守的底线

CLI 负责「通道对象」，Bot 仍要你在 Telegram 侧创建。流程可以概括成：

BotFather 建 bot → 拿到 token
openclaw channels add 或 configure / onboard 写入通道
限制谁能聊：只放行你的 user id（旧稿里的 allowed_users 思路仍对；具体字段以当前 configure 向导为准）
openclaw channels status / channels logs 看是否在收消息
需要时 openclaw daemon restart 或 gateway 重载

安全：

token 进环境变量或 OpenClaw 状态目录，不进公开仓库
Gateway 默认 bind 优先 loopback；对公网暴露前先搞懂 auth
群组场景权限比私聊更难管，先私聊跑通

我没有在本机完成一次真实 Bot 联调（缺 token 与交互 onboard），所以没有写「截图证明已连通」。你若联调失败，优先：

openclaw doctor
openclaw channels status --deep
openclaw channels logs

而不是重装整个 Node。

6. 和旧站长文的差异

旧通稿常见写法	2026.7.1-2 更贴切的做法
手写 systemd unit + `ExecStart=openclaw gateway`	优先 `daemon install` / `onboard --install-daemon`
只改一份 `config.yaml` 示例	用 `configure` / `config` 子命令，减少抄错字段
大而全渠道对比	先 `channels add` 一个 Telegram，再谈 Discord
「效率提升 3 倍」	不写；能 `health` 绿、手机能回，就算阶段成功

7. 最小验收清单

装完并 onboard 后，建议你自己勾：

openclaw --version 有版本号
openclaw daemon status 显示服务在、能探测
openclaw doctor 无致命项（或已 --fix）
openclaw channels status 里目标通道为已连接/可用
私聊 bot 或 openclaw chat 能完成一轮问答

OpenClaw 安装笔记：Node 24 上装到能跑 CLI（2026.7）

Thu, 23 Jul 2026 00:00:00 GMT

这篇只做一件事：把 OpenClaw 装到本机，确认 CLI 可用。
环境是我这台机器上真实跑过的，不是「请以官方为准」的空话套话。

项	值
日期	2026-07-23
系统	Windows 10/11，PowerShell
Node	`v24.18.0`（`node -v`）
安装版本	`openclaw@2026.7.1-2`（`0790d9f`）
包说明	npm：`Multi-channel AI gateway with extensible messaging integrations`

官方仓库：openclaw/openclaw。文档站：https://docs.openclaw.ai/（安装页写的是 Node 22.22.3+ / 24.15+ 一类要求，和我这边 24.18 对得上）。

1. 安装

npm install -g openclaw@2026.7.1-2

也可以跟文档写 openclaw@latest。我钉版本是为了这篇笔记可复现。

实际输出摘要：

added 309 packages in 34s
npm 提示 4 个包有 install scripts，当前策略下 尚未执行（allow-scripts pending），其中包括 openclaw 自己的 preinstall/postinstall
全局 bin 落在：%AppData%\npm\openclaw.cmd

如果你用的是较新的 npm 且默认拦脚本，可能要按提示处理 npm approve-scripts，否则某些插件/本地构建步骤会缺。我这边 CLI 已经能跑，但如果你后面发现 skills/插件异常，优先回头看 postinstall 有没有跑完。

2. 验证版本

PowerShell 若开启了 Restricted 执行策略，直接敲 openclaw 可能被拦 openclaw.ps1。用：

openclaw.cmd --version
# 或
& "$env:APPDATA\npm\openclaw.cmd" --version

我这边输出：

OpenClaw 2026.7.1-2 (0790d9f)

openclaw.cmd --help 会打印一整页子命令。和安装相关的几个：

命令	用途（以 help 文案为准）
`onboard`	引导配置：auth、模型、Gateway、workspace、channels、skills
`configure`	交互式改凭证、通道、gateway、agent 默认值
`gateway`	跑 / 检查 WebSocket Gateway
`daemon`	装 launchd / systemd / schtasks 服务
`doctor`	健康检查 + 快速修复
`channels`	管理聊天通道
`chat` / `tui`	本地终端对话

3. 初始化：必须用交互终端

直接跑 openclaw（无子命令）时，我得到：

Onboarding needs an interactive TTY.
Use `openclaw onboard --non-interactive --accept-risk ...` for automation.

也就是说：

正常装机：在能交互的终端里跑
openclaw onboard
或文档推荐的
openclaw onboard --install-daemon
脚本/CI：才用 --non-interactive --accept-risk 那一套（help 里有一长串 --auth-choice、--openrouter-api-key 等）

我没有在这篇里跑完交互 onboard（要选模型、填 Key、决定 daemon），所以 不会假装已经配好 Telegram 或写好 SOUL.md。
装完 CLI 之后，你自己的下一步就是：

openclaw onboard --install-daemon
# 按向导填模型与通道
openclaw doctor
openclaw health   # gateway 起来之后

4. 状态目录（先记住位置）

help 里多次出现配置隔离概念：

默认状态目录大致在 ~/.openclaw（Windows 上对应用户目录下的 .openclaw）
--dev：隔离到 ~/.openclaw-dev，gateway 默认端口会挪到 19001 一带
--profile <name>：~/.openclaw-<name>

不要把含 API Key 的状态目录推进公开 git。备份用 CLI 自带的 openclaw backup（help 里有子命令），比自己乱拷靠谱。

5. 我卡过的点

PowerShell 执行策略：用 openclaw.cmd，别被 .ps1 挡道。
npm allow-scripts：全局装时给了 pending 警告；CLI 可用，但若后续插件异常，先处理 scripts。
别把 openclaw gateway 当唯一启动方式：长期跑应用 daemon install / onboard --install-daemon；前台调试再用 gateway。
旧站文档里的 openclaw init：当前 2026.7.1-2 的入口更偏向 onboard / configure。以你本机 openclaw --help 为准，不要死抄 2026 年 3 月的通稿。

6. 这篇解决什么、不解决什么

解决了：
在 2026-07-23，用 Node 24.18，能稳定装上 2026.7.1-2 并跑通 --version / --help。

没解决（下篇或你自己 onboard 时做）：

具体接 OpenRouter / Anthropic 的 Key
Telegram bot 白名单
VPS 上 systemd 用户服务是否装成功
Skills / Heartbeat 的真实配置文件格式

下一篇：Gateway、daemon 与通道：从 CLI 到常驻

Dingfengbo 技术站启动记录

Thu, 02 Jul 2026 00:00:00 GMT

这个站不是内容工厂，是我自己用的工作台外页：笔记公开写，工具能随手点，重服务放到子域。

现在长什么样

主站 dingfengbo.eu.org：Astro 静态站，本地构建后上传 VPS。
工具页 /tools/*：JSON / YAML / Hash 等，默认浏览器本地处理。
独立服务：
- tools.dingfengbo.eu.org — 完整 IT-Tools
- ip.dingfengbo.eu.org — IP 检测
- video.dingfengbo.eu.org — 视频下载（MeTube）

主站挂了不该拖死检测服务；检测维护时笔记仍应能打开。这就是所谓「频道隔离」的实用版，不是架构表演。

我怎么发版

在电脑上改 workspace/Dingfengbo
pnpm build
用 scripts/deploy-us1.ps1 上传到 /var/www/dingfengbo/releases/<时间戳> 并切换 current

服务器上旧的 Hugo blog-publish 已停用，避免两套源码互相覆盖。

接下来想改什么

把迁移残留的通稿腔、坏摘要、空壳「深度解析」清掉
About 写清楚人，不写「后续可补充」
首页用精选笔记，而不是纯时间倒序刷 AI 资讯

如果你是从旧 WordPress / Hugo 链接进来的，旧 slug 大多会 301 到 /blog/...。

为什么个人技术站也要按频道隔离

Wed, 01 Jul 2026 00:00:00 GMT

个人技术站也容易遇到一个问题：功能越多，任何一个模块出错都可能拖慢全站。频道隔离的目标，是把风险控制在最小范围。

技术笔记、IT 工具和网站黄页这些静态频道可以优先走 CDN。IP 纯净度检测和视频解析下载放到独立服务，配合限流、缓存、任务队列和健康检查。

这样即使视频解析处于维护状态，技术笔记、IT 工具和网站黄页依然可以正常访问。

AI 写代码越快，Git 为什么反而更重要了？

Tue, 09 Jun 2026 00:00:00 GMT

有人说：“有了 AI，代码随时能重新生成，还要 Git 干嘛？”——这话听起来有理，实际上是在刀尖上跳舞。

2025 年，AI 编程助手已经无处不在。Cursor、Copilot、Claude Code……随便打开一个 IDE，AI 都能在几秒钟内吐出几十行代码。效率是高了，但一个诡异的现象也随之出现：

代码写得越快，翻车也越快。

而 Git，这个诞生于 2005 年的“老古董”，不但没有被淘汰，反而成了 AI 时代开发者最重要的保命工具。

今天这篇文章，我们来聊聊：当 AI 让写代码变成“一句话的事”，版本控制为什么反而从“锦上添花”变成了“生存必需品”。

一、AI 写代码的真相：速度快了 10 倍，Bug 也多了 10 倍

先看一个典型场景：

你让 AI “帮我优化一下这个查询接口的性能”。AI 刷刷刷改了 5 个文件，看起来挺像那么回事。你一运行——报错。再一看，它顺便把配置文件里的数据库连接池参数也改了，还把某个工具函数的签名重构了，而你根本没让它动这些。

这时候你怎么办？

没有 Git：你只能手动回忆改了哪些文件、逐行比对、一点点恢复。运气好半小时，运气不好半天。
有 Git：git diff 看一眼，5 秒定位所有改动；git reset --hard HEAD，3 秒回到改动前的干净状态。

AI 写代码的速度是以前的 10 倍，出 Bug 的速度也是 10 倍。 这不仅仅是效率问题——AI 生成的代码不是你自己一行行写出来的，你对它的底层逻辑天然缺乏掌控感。出问题时，你甚至不知道从哪开始排查。

Git 就是你的“后悔药”。有了它，你才敢放心地让 AI 大胆试错。

二、四大场景：Git 在 AI 时代的不可替代性

场景一：AI 改坏了代码——Git 让你敢试错

痛点：让 AI 优化一个功能，结果原本能跑的代码也报错了。手动排查越改越糟。

Git 解法：在 ai-experiment 分支上让 AI 随便折腾，验证没问题再合并回 main。改坏了？git branch -D ai-experiment，一切归零重来。这种“沙箱实验”机制，让你从“不敢让 AI 改”变成“随便试，我有备份”。

场景二：AI 生成的代码，怎么证明“这是我的”？

这是一个越来越现实的问题。如果你面试时说“我做过 XX 项目”，但那个项目的代码 90% 是 AI 生成的——你的能力体现在哪里？

Git 提交记录就是最好的“作品集”。每一次人工审查、修正、优化，都通过 commit 留痕：

✅ "[AI辅助] 生成支付接口初稿，人工修正了金额计算精度问题"
✅ "重构查询逻辑，增加 Redis 缓存层，QPS 从 200 提升至 1200"

这些记录不是流水账，而是你思考过程的证据链。AI 可以写代码，但它写不出你的判断力。

场景三：AI 会“偷偷”改掉不该改的东西

这是 AI 编程助手最让人头疼的毛病——你让它加个按钮，它可能顺手把整个页面的布局重构了；你让它修个 Bug，它顺便“优化”了几个无关函数的实现。

Git 的 git diff 就是 AI 时代的“安检门”。每次 AI 生成代码后，必须先过 diff，确认只保留想要的改动，撤销多余修改，然后再提交。 跳过这一步就直接 commit，等于把定时炸弹埋进了代码仓库。

场景四：团队协作中，AI 代码必须留痕

团队成员都用 AI 写代码，commit message 全是 “update”、“fix bug”、“add feature”——这种提交记录等于没有。

三个月后，没人知道那段代码是谁写的、AI 改了什么、人工改了什么、为什么当时要那么改。项目维护变成考古学。

强制规范：每次 AI 辅助的提交，commit message 必须写清楚 AI 做了什么、人工做了什么、为什么要这么改。 因为未来你会忘记，而团队其他人从来就没“写过”这段代码。

三、AI 时代 Git 工作流的三条铁律

基于以上场景，总结三条可以立刻落地的规则：

铁律一：一次 AI 改动 = 一个 commit

AI 一次性改了 5 个文件？不要一股脑 commit。用 git add -p 分块暂存，按逻辑拆成多个原子提交。这样出问题时可以精准回滚，而不是“因为一个 Bug 扔掉整个下午的工作”。

铁律二：AI 实验必须用分支隔离

在 main 分支上直接让 AI 改代码，等于在生产环境做实验。新建一个 ai-experiment/xxx 分支，验证通过再合并。分支的创建和销毁成本几乎为零，但它的“隔离保护”价值巨大。

铁律三：Commit Message 是 AI 时代的“航海日志”

推荐格式：

[AI辅助] <做了什么>

- AI 生成部分：<描述>
- 人工修正：<描述>
- 决策原因：<为什么这么改>

好的 commit message 不是给现在的自己看的，是给三个月后那个“完全忘了这段代码”的自己看的。

四、Git 不只是程序员的工具

如果你不是程序员，看到这里可能觉得 Git 离你很远。但实际上，Git 正在成为 AI 时代知识工作者的通用技能。

写作者用 Git 管理文章版本，追踪每一次修改，再也不用 论文_v1.docx、论文_v2_最终版.docx、论文_v2_最终版_真的.docx
设计师用 Git 管理设计规范和组件库的迭代历史
产品经理用 Git 管理 PRD 文档的协作和变更追踪
数据科学家用 Git 管理模型实验，记录每次参数调整和结果变化

在 AI 让内容生产速度爆炸式增长的当下，任何需要“追溯”和“回退”的场景，都需要版本控制思维。 Git 是这一思维最成熟的实现。

五、结语：快时代的慢功夫

AI 让创造变得前所未有的快。但快，不等于好。

Git 代表的是一种“慢功夫”——每一次原子提交、每一条清晰的 commit message、每一个隔离的实验分支，都是在为代码（或内容）的未来做投资。

AI 是你的加速器，Git 是你的刹车和安全带。 两者缺一不可。

在 AI 时代，掌握 Git 不再是程序员的加分项，而是所有知识工作者的基本功。你准备好了吗？

📌 下一篇预告：我们将聊聊 Obsidian + Git 的组合，如何把版本控制思维应用到个人知识管理中，打造真正“可追溯、可回退、可同步”的第二大脑。

觉得有用？转发给那个还在用 v1_v2_最终版管理文件的朋友。

👇 关注我们，获取更多 AI 时代的效率工具深度内容。

💬 你在用 Git 管理 AI 生成的代码吗？遇到过什么坑？评论区聊聊。

推荐阅读：

Git 科普全指南：从'这玩意儿是什么'到'我这辈子都离不开它'

Tue, 09 Jun 2026 00:00:00 GMT

你有没有过这种经历：一份文档改了几十版，最后发现还是第一版最好，但第一版已经找不到了。Git，就是来解决这个问题的。

一、Git 到底是什么？用大白话说清楚

先忘掉代码，想想你写文档的样子

你写了一份方案，客户说改，老板说改，同事说改。你的文件夹变成了这样：

方案_v1.docx
方案_v2_修改版.docx
方案_v2_最终版.docx
方案_v2_最终版_真的.docx
方案_v3_客户确认版.docx
方案_v3_客户确认版_改.docx

这叫“文件名版本控制”，是人类最原始、最痛苦的版本管理方式。

Git 做的事情很简单：它帮你在背后默默记录文件的每一次变化，你只需要在觉得“这个状态值得保存”时，打一个标记（commit）。

从此：

随时回到任何一个历史版本
清楚地看到每次改了什么、谁改的、什么时候改的
一条命令就能把文件同步到另一台电脑

Git 的核心概念，用三句话讲完

概念	大白话解释
仓库（Repository）	一个被 Git 管理的文件夹，里面记录了文件的所有历史版本
提交（Commit）	一次“快照”——你觉得当前状态不错，打个标记保存下来
分支（Branch）	一条独立的“工作线”，你可以在上面随便改，不影响主线

就这么简单。Git 的底层确实复杂，但 80% 的日常使用，就靠这三个概念。

Git 跟 GitHub 是什么关系？

这是最常见的误解：Git 是工具，GitHub 是网站。

Git：运行在你电脑上的版本控制软件，由 Linux 之父 Linus Torvalds 在 2005 年创造
GitHub：一个托管 Git 仓库的网站，你可以把本地仓库推送到上面，作为远程备份和协作平台

打个比方：Git 是相机，GitHub 是相册。你用相机拍照（commit），然后存到相册里（push），别人也能看到你的照片（协作）。

二、Git 到底解决了什么问题？

问题一：版本混乱——“刚才删掉的那段话去哪了？”

写作、设计、写代码都面临同一个问题：修改是不可逆的。点了保存，旧版本就消失了。

Git 的解法：每一次 commit 都是一个永久快照。你可以随时 git log 查看所有历史，git checkout <commit-id> 回到任意一个版本。不是“撤销到上一个版本”，而是“穿越到任意历史时刻”。

问题二：协作冲突——“你改了我的文件！”

多人协作时，A 改了第一段，B 也改了第一段，谁的生效？

传统方式是“排队改”，一个人改完另一个再改。Git 的解法：每个人在自己的分支上工作，改完之后再“合并”。如果两个人改了同一行，Git 会标记冲突，让你手动选择保留谁的修改。这种“并行工作 + 事后合并”的模式，是 Git 最核心的设计哲学。

问题三：问责溯源——“这段内容是谁写的？为什么这么写？”

三个月后，你看到一段内容，完全不记得是谁写的、为什么这么写。

Git 的解法：git blame 命令可以精确到每一行，告诉你谁在什么时候改了什么，以及对应的 commit message 里写了原因。这不是甩锅工具，而是“理解历史上下文”的工具。

问题四：灾难恢复——“电脑坏了，所有文件都没了”

如果文件只存在一台电脑上，硬盘损坏 = 永久丢失。

Git 的解法：分布式架构意味着每个克隆仓库的人都有完整的历史备份。加上远程仓库（GitHub/GitLab），你的数据实际上是“本地 + 云端”双重保险。

三、AI 时代，Git 为什么反而更重要了？

这是很多人问的问题：AI 都能秒出代码了，为什么还需要手动管理版本？

答案是：因为 AI 写得太快了，快到你来不及反应。

AI 让生产速度爆炸，也让犯错速度爆炸

AI 编程助手能在 5 秒内生成 200 行代码。但问题是：这 200 行代码不是你写的，你不知道它的逻辑细节，你也不知道它有没有顺便改了不该改的东西。

一个真实场景：你让 AI “优化这个查询性能”，它改了 5 个文件，其中顺手重构了一个工具函数、调整了配置文件里的连接池参数、还“顺便”优化了一个你根本没让它动的模块。运行报错，你不知道是哪个改动引起的。

有 Git：git diff，5 秒看到所有改动。git reset --hard HEAD，3 秒回到改动前。没有 Git：手动排查，半小时起步。

AI 让你敢于大胆实验

Git 的分支机制给了你一个“沙箱”——新建一个分支，让 AI 在里面随便改，验证没问题再合并。改坏了？删掉分支，一切归零。

git checkout -b ai-experiment    # 创建实验分支
# ... 让 AI 在这里随便折腾 ...
git checkout main                 # 回到主线
git branch -D ai-experiment       # 不满意就删掉，干干净净

这种“零成本试错”的能力，在 AI 时代不是加分项，是基本功。

AI 生成的代码需要“人类痕迹”来证明

如果你面试时说“我做过 XX 项目”，而代码 100% 是 AI 生成的——你的价值在哪里？

Git 的 commit 记录是最好的证明。每一次人工审查、修正、优化的过程，都通过 commit message 留痕：

✅ "[AI辅助] 生成支付接口初稿，人工修正了金额计算精度问题"
✅ "重构查询逻辑，增加缓存层，QPS 从 200 提升至 1200"

AI 能写代码，但它写不出你的判断力和决策过程。 Git 记录的就是这个。

AI 的“隐性修改”需要 Git 来审计

AI 最让人头疼的习惯：你让它加个按钮，它顺手重构了页面布局；你让它修个 Bug，它“优化”了几个无关函数。

Git diff = AI 时代的安检门。 每次让 AI 改完代码，必须先 git diff 检查一遍，确认只保留了想要的改动，再提交。跳过这一步 = 把定时炸弹埋进仓库。

四、从零到一：在多台设备上部署 Git 工作流

看到这里，你可能想动手了。下面是面向普通用户（不只是程序员）的多终端部署指南。

4.1 第一步：安装 Git

系统	方法
Windows	去 git-scm.com 下载安装包，一路默认即可。安装后会有一个 Git Bash 终端。
macOS	打开终端，输入 `git --version`，系统会自动提示安装。或者 `brew install git`。
Linux	`sudo apt install git`（Ubuntu/Debian）或 `sudo dnf install git`（Fedora）

安装完成后，在终端里配置你的身份：

git config --global user.name "你的名字"
git config --global user.email "你的邮箱@example.com"

这两行信息会出现在每一次提交记录里，告诉别人（和未来的自己）“这是谁改的”。

4.2 第二步：在 GitHub 创建远程仓库

打开 github.com，注册账号
点击右上角 + → New repository
仓库名随意，比如 my-project
选择 Private（私有）——这样只有你自己能看到
不要勾选 “Initialize this repository with a README”（后面会手动操作）

创建完成后，GitHub 会显示一串命令，留着一会用。

4.3 第三步：把本地文件夹变成 Git 仓库

打开终端（Windows 用 Git Bash），进入你的项目文件夹：

cd ~/Documents/my-project          # 进入你的文件夹
git init                           # 初始化 Git 仓库
git add .                          # 把所有文件加入暂存区
git commit -m "第一次提交"          # 打第一个快照

这三行命令的效果：你的文件夹从此被 Git 管理，所有文件的变化都会被追踪。

4.4 第四步：连接到 GitHub 并推送

git remote add origin https://github.com/你的用户名/my-project.git
git branch -M main
git push -u origin main

现在你的文件已经同时存在于：本地电脑 + GitHub 云端。

4.5 第五步：在其他电脑上同步

到了另一台电脑：

git clone https://github.com/你的用户名/my-project.git
cd my-project
# 开始工作...

工作完提交并推送：

git add .
git commit -m "在办公室电脑上改的内容"
git push

回到第一台电脑时，先拉取最新版本：

git pull

4.6 日常使用流程（记住这四步就够了）

修改文件 → git add . → git commit -m "做了什么" → git push
换电脑时 → git pull（先拉取最新版本再开始工作）

这就是 80% 的日常使用场景。你会发现它比“文件名版本控制”简单得多——不需要记文件名，不需要手动比对，不需要担心覆盖。

4.7 推荐：给普通用户的图形化工具

如果你不想碰命令行，以下工具可以让你用图形界面操作 Git：

工具	平台	特点
GitHub Desktop	Win / Mac	官方出品，最简单直观
Sourcetree	Win / Mac	功能更丰富，适合进阶
VS Code 内置 Git	全平台	编辑器的 Git 面板，不用切换窗口
Obsidian Git 插件	全平台	在 Obsidian 内操作 Git，笔记用户首选

五、不只是程序员：Git 是 AI 时代每个人的“时间机器”

你可能已经注意到，这篇文章从头到尾没有假设你是一个程序员。

因为 Git 解决的问题，是所有创造内容的人都会遇到的问题：

写作者：追踪文章修改历史，再也不用 文章_v1_v2_v3 了
设计师：管理设计规范和组件库的迭代
产品经理：管理 PRD 文档的协作和变更
学生/研究者：管理论文版本、实验数据和文献笔记
任何做知识管理的人：管理笔记、想法和知识体系的演变

在 AI 让内容生产速度爆炸的当下，版本控制已经从“程序员的专业工具”变成了“所有严肃思考者的基础设施”。

六、预告：当 Git 遇上你的“第二大脑”

Git 让文件有了历史。那如果把 Git 用在你的笔记系统上呢？

想象一下：你的笔记软件里有上千条想法，每一个想法的诞生、修改、演进都被完整记录。你可以回到三个月前看自己对某个问题的理解，可以看到某个观点是如何一步步成熟的，可以在大胆重构笔记体系后一键回退……

这就是我们下一篇文章要聊的——Obsidian + Git：给你的第二大脑装上时间机器。

觉得有用？转发给那个还不知道 Git 是什么的朋友。

👇 关注我们，下篇聊聊 Obsidian + Git 的知识管理玩法。

💬 你是什么时候开始用 Git 的？有没有踩过什么坑？评论区聊聊。

推荐阅读：

Obsidian 深度指南：你的第二大脑，如何与 AI 和 Git 共舞

Tue, 09 Jun 2026 00:00:00 GMT

你用过的笔记软件可能不少——Notion、印象笔记、OneNote……但有一款工具，它不存你的数据，不锁你的格式，却能让你在 AI 时代拥有真正“属于自己的知识体系”。它就是 Obsidian。

一、Obsidian 是什么？为什么它不一样？

一句话定义

Obsidian 是一款基于本地 Markdown 文件的个人知识管理工具。 它最核心的理念是“文件优先”（File over App）——你的笔记以纯文本 .md 格式存在你的电脑上，不依赖任何云服务，不锁定在任何专有数据库里。

这意味着：

Obsidian 公司明天倒闭了，你的笔记依然完好，任何文本编辑器都能打开
你可以用 Git 管理笔记版本，用任何同步工具备份，完全掌控自己的数据
你的知识资产不属于任何平台，只属于你自己

Obsidian 跟其他笔记软件有什么本质不同？

特性	Notion / 印象笔记	Obsidian
数据存储	云端数据库	本地 Markdown 文件
离线可用	受限	完全离线
格式开放性	专有格式，导出受限	纯文本 `.md`，永远可读
双向链接	部分支持	核心功能，原生支持
图谱视图	无	可视化笔记关系网络
插件生态	有限	2000+ 社区插件
数据隐私	数据在厂商服务器	数据在你自己的硬盘上
版本控制	依赖厂商功能	天然兼容 Git

二、Obsidian 解决了什么问题？

问题一：笔记越记越多，但越记越乱

你记了 500 条笔记，但当你需要某条信息时，你只记得“我好像记过这个”，却找不到它在哪里。

Obsidian 的解法：双向链接 + 图谱视图。

在 Obsidian 中，用 [[笔记名]] 就能创建一条链接。关键的是，当你链接到另一条笔记时，那条笔记的底部会自动出现“反向链接”——告诉你“有哪些笔记引用了这一条”。

这不是文件夹分类，而是网状连接。知识本来就不是树状的，是网状的。Obsidian 让笔记之间的关系自然生长出来，而不是被你强行塞进某个文件夹。

图谱视图则是这个关系网络的可视化。你能直观地看到哪些笔记是“孤岛”（没有被引用过），哪些是“枢纽”（被大量笔记引用），从而发现你平时不会主动建立的联系。

问题二：你失去了对数据的掌控权

云端笔记软件看似方便，但你不知道它们把你的数据存在哪、怎么处理、会不会突然关停。

Obsidian 的解法：本地优先，格式开放。

你的所有笔记以 .md 文件存在你的硬盘上。你可以用任何文本编辑器打开、用任何同步工具备份、用 Git 进行版本控制。没有任何一个环节依赖 Obsidian 公司。

这不是功能差异，这是数据主权的差异。

问题三：知识管理变成了“收藏管理”

很多人用笔记软件的方式是：看到好文章 → 剪藏 → 放进文件夹 → 再也不看。

Obsidian 的解法：强制你用自己话写。

Obsidian 没有一键剪藏的“万能收集箱”（虽然社区插件可以实现）。它鼓励你在记笔记时用自己的话重新表达，建立与其他笔记的连接。这个过程本身就是理解——不是收藏信息，而是消化知识。

三、AI 与 Obsidian 的协作：从“AI 帮你写笔记”到“AI 帮你整理思维”

AI 和 Obsidian 的结合，可能是 2025 年个人知识管理领域最大的变革。下面从浅到深，聊聊 AI 在 Obsidian 中能做什么。

3.1 入门级：AI 辅助写作和润色

这是最直接的用法。Obsidian 社区中有多个 AI 插件（如 Text Generator、Smart Connections），可以让你在编辑器内直接调用 AI：

继续写作：写了一半卡住了，AI 帮你展开
改写润色：把一段啰嗦的话变简洁
摘要提炼：对一篇长笔记生成 3 句话的摘要
翻译：中英互译，保留 Markdown 格式

这些功能看起来普通，但它们发生在你的笔记环境内——不需要复制粘贴到 ChatGPT 网页，不需要离开你的思考上下文。

3.2 进阶级：AI 帮你建立笔记连接

这是 Obsidian + AI 真正厉害的地方。

Smart Connections 插件 使用嵌入模型（embedding）分析你的所有笔记，自动找到语义上相关但你可能没意识到的笔记，然后提示你：“这篇笔记可能和 XX 有关，要不要建立链接？”

这意味着你的知识图谱不只是你手动建立的连接，AI 在帮你发现隐性关联。当你有 500+ 条笔记时，这种自动发现的价值开始指数级增长。

3.3 专业级：用 AI 构建“LLM 维基”

这是当前最前沿的用法——用 Claude Code 或类似的 AI 编程助手直接在 Obsidian 知识库上工作：

知识导入流程：

你扔给 AI 一个 URL 或一篇长文
AI 提取核心内容，保存原始素材
AI 识别 3-7 个关键概念，在知识库中创建/更新对应的概念页面
AI 自动建立 [[双向链接]]，把新知识和已有笔记连接起来
你的知识图谱中出现新的连接簇——你甚至不知道这些关联存在过

知识查询流程：

你用自然语言问一个问题
AI 在你的整个知识库中搜索相关内容
AI 综合多个笔记的内容，给出回答，并附带 [[来源引用]]
信息不足时，AI 明确告诉你“知识库中没有相关信息”，而不是编造

⚠️ 重要提醒：AI 直接操作你的笔记文件存在风险。建议让 AI 在执行修改前先展示计划，你确认后再执行。永远不要给 AI “随意修改所有文件”的权限。

3.4 AI + Obsidian 的正确姿势：三条原则

原则一：AI 是助手，不是代笔。 核心观点、个人经历、判断和决策——这些必须是你自己写的。AI 帮你做的是整理、连接、润色、检索。

原则二：数据主权不可妥协。 优先使用本地 AI（Ollama + 本地模型），这样你的笔记永远不会离开你的电脑。如果使用云端 AI，注意不要在提示词中包含敏感信息。

原则三：人机协作的边界要清晰。 在 commit message 或笔记元数据中标记 AI 参与的部分。知道“哪些是我写的、哪些是 AI 帮我整理的”——这在长期知识管理中非常重要。

四、Git 与 Obsidian 的协作：给你的知识装上“时光机”

如果说 Obsidian 是第二大脑，那 Git 就是第二大脑的记忆回溯系统。

4.1 为什么 Obsidian 原生适合 Git？

因为 Obsidian 的笔记是纯文本 Markdown 文件，存储在本地文件夹中。而 Git 最擅长的就是管理纯文本文件的版本历史。

Obsidian + Git = 完美互补。

Obsidian 让你创建和连接笔记
Git 记录每一次修改、支持回退、支持跨设备同步

4.2 具体能做什么？

场景一：找回删掉的内容

你写了一篇很满意的笔记，一周后大改，改完发现还是第一版好。但你已经保存了，第一版没了。

有 Git：git log --oneline 看历史，git show <commit-id> 看旧版本，一行命令找回。

场景二：跨设备无缝同步

在办公室电脑上写笔记 → commit + push → 回家后在个人电脑上 git pull → 继续写 → commit + push。

不需要 U 盘、不需要微信传文件、不需要担心版本冲突。Git 的分布式架构天然支持这种工作方式。

场景三：大胆重构笔记体系

你想重新组织文件夹结构、批量修改标签、尝试新的笔记模板。但你不确定效果如何。

有 Git：创建新分支 → 在上面大胆改 → 效果不好就删分支回主线 → 效果好就合并。

这种“沙箱实验”让你敢于对笔记体系做彻底的重构，而不用担心“改坏了回不去”。

场景四：追踪思想演变

三个月前你对某个问题的理解是什么？这个观点是如何一步步演变的？你在什么时候改变了看法？

Git 的 git log -p 可以逐行显示每次修改。你不是在看“最终的结论”，而是在看“整个思考过程”。这对深度知识管理来说，价值不可估量。

4.3 实操：Obsidian + Git 搭建指南（10 分钟）

第一步：在 GitHub/GitLab 创建一个私有仓库。

第二步：在你的 Obsidian 仓库文件夹中初始化 Git：

cd ~/Documents/my-obsidian-vault
git init

第三步：创建 .gitignore，排除不需要追踪的文件：

# 工作区缓存（每次打开 Obsidian 都会变）
.obsidian/workspace.json
.obsidian/workspace-mobile.json

# 回收站
.trash/

# 系统文件
.DS_Store
Thumbs.db

第四步：安装 Obsidian Git 社区插件。

打开 Obsidian → 设置 → 社区插件 → 搜索 “Obsidian Git” → 安装并启用。

这个插件让你不用离开 Obsidian 就能完成所有 Git 操作：暂存、提交、推送、拉取。

第五步：连接远程仓库并推送：

git remote add origin https://github.com/你的用户名/你的仓库.git
git add .
git commit -m "初始化笔记仓库"
git push -u origin main

第六步：日常使用。

在 Obsidian Git 插件的面板中：

点击 + 暂存你想保存的文件
写一行描述，点击 Commit
点击 Push 推送到远程

换电脑时：

先 git clone 拉取整个仓库
用 Obsidian 打开这个文件夹作为仓库
开始工作前先 Pull 最新版本

4.4 一个重要的建议：手动提交，不要自动

Obsidian Git 插件支持定时自动 commit + push。看起来很省事，但我建议不要用。

原因：自动提交让你放弃了“选择权”。你写了一半的草稿、临时粘贴的参考素材、还没整理好的碎片——这些你可能不想记录到版本历史中。

手动提交让你在每次保存时做一个微小的决策：“这个状态值得被记住吗？” 这个决策本身就是一种知识管理。

五、三者的交响乐：Obsidian + AI + Git

现在我们把三件事串起来，看看完整的图景：

┌─────────────────────────────────────────┐
│              Obsidian                    │
│  （知识管理界面）                         │
│                                          │
│  ┌─────────────┐  ┌──────────────────┐  │
│  │  AI 助手     │  │  Git 版本控制     │  │
│  │              │  │                  │  │
│  │ • 连接发现   │  │ • 历史回溯       │  │
│  │ • 内容生成   │  │ • 跨设备同步     │  │
│  │ • 智能检索   │  │ • 分支实验       │  │
│  │ • 知识导入   │  │ • 协作管理       │  │
│  └─────────────┘  └──────────────────┘  │
│                                          │
│       本地 Markdown 文件（数据主权）       │
└─────────────────────────────────────────┘

Obsidian 是你的界面和思考空间——你在这里写、连接、可视化
AI 是你的智能助手——帮你发现关联、加速输入、增强检索
Git 是你的安全网和时间机器——记录一切变化，让你敢于大胆实验

三者各司其职，组合在一起，形成了一套可追溯、可回溯、可同步、AI 增强的个人知识管理系统。

六、写在最后：为什么这件事值得你花时间

在 AI 让信息生产和消费速度指数增长的当下，拥有一套属于自己的知识管理系统，可能是这个时代最重要的认知基础设施。

Obsidian 给你数据主权和思考空间。 AI 给你智能增强和效率提升。 Git 给你安全感——让你知道任何修改都有迹可循，任何错误都可以回退。

这三件事加在一起，不是工具的叠加，而是一种知识管理范式的升级：

从“记在某个 App 里等以后翻”到“建立一个活的、生长的、有历史的认知系统”。

而你需要的，只是从现在开始，用 Obsidian 写下第一条笔记。

📌 上一篇我们聊了 Git 的基础科普和 AI 时代的重要性——如果你还没读过，建议先看那一篇，然后再回来看这一篇。两篇合在一起，构成了一套完整的“AI 时代个人知识管理工具链”指南。

觉得有用？转发给那个还在纠结用哪款笔记软件的朋友。

👇 关注我们，获取更多 AI 时代的效率工具深度内容。

💬 你在用 Obsidian + AI + Git 的组合吗？有什么心得？评论区聊聊。

推荐资源：

Obsidian + Git：给你的第二大脑装上'时间机器'

Tue, 09 Jun 2026 00:00:00 GMT

你的笔记软件里躺着上千条想法。有一天你想找回三个月前删掉的那段思考——但你已经点了“保存”，覆盖了它。这时候，Git 就是你的时光机。

一、你的笔记，比你想象的更脆弱

先说几个真实场景，看看你中了几个：

写了一篇很满意的笔记，过了一周大改，改完之后发现——还是第一版好。但第一版已经没了。
在两台电脑上记笔记，用 U 盘拷来拷去，终于有一天搞混了版本，旧文件覆盖了新文件。
Obsidian 里某个插件更新后出了问题，批量改坏了十几个文件，而你浑然不觉，几天后才偶然发现。

这些都是没有版本控制的笔记系统的典型风险。而解决这些问题的方案，程序员们已经用了 20 年——它叫 Git。

Obsidian + Git 的组合，就是把软件工程最成熟的版本管理实践，搬到了个人知识管理领域。让你的“第二大脑”从此拥有了：可追溯的历史、可回退的安全感、可跨设备同步的自由。

二、为什么是 Git，而不是 iCloud / Obsidian Sync？

很多人会问：iCloud 同步不香吗？Obsidian 官方的 Sync 服务不香吗？

它们确实能解决“多设备同步”的问题，但有一个致命的盲区：它们只管“最新的版本”，不管“历史版本”。

需求	iCloud / 官方 Sync	Git
多设备同步	✅	✅（通过 GitHub/GitLab 中转）
查看历史版本	❌ 或受限	✅ 完整历史
精准回退到任意版本	❌	✅
查看每次修改了什么	❌	✅（diff 对比）
分支实验（如“大改试试”）	❌	✅
协作编辑	❌ 或受限	✅
免费	iCloud 免费额度有限	✅（私有仓库完全免费）

一句话总结：同步服务是“搬运工”，Git 是“档案管理员”。 你需要的不只是把文件从 A 搬到 B，而是清楚地知道文件在每一刻长什么样、被谁改过、改了什么、为什么改。

三、Obsidian + Git 实战：从零到一

3.1 准备工作（15 分钟搞定）

第一步：在 GitHub/GitLab 创建一个私有仓库

创建一个空的私有仓库，名字随意，比如 my-obsidian-vault。私有仓库意味着你的笔记只有你自己能看到——安全第一。

第二步：在本地安装 Git

Mac 和 Linux 通常自带 Git。Windows 用户去 git-scm.com 下载安装即可。

第三步：在 Obsidian 中安装 Obsidian Git 插件

打开 Obsidian → 设置 → 社区插件 → 搜索 “Obsidian Git” → 安装并启用。

这是整个流程的灵魂插件。它让你不用离开 Obsidian 就能完成 commit、push、pull 等操作。

3.2 配置 .gitignore：保护好你的隐私

在仓库根目录创建 .gitignore 文件，告诉 Git 哪些文件不要追踪：

# 排除工作区缓存（每次打开 Obsidian 都会变，没必要追踪）
.obsidian/workspace.json
.obsidian/workspace-mobile.json

# 排除回收站
.trash/

# 排除系统文件
.DS_Store
Thumbs.db

# 如果你不想公开插件配置，可以排除整个插件目录
# .obsidian/plugins/

⚠️ 重要提醒：如果你的笔记中包含 API Key、Token 等敏感信息，务必在 .gitignore 中排除相应文件，或者使用环境变量管理。一旦推送到公开仓库，这些信息就无法真正删除了。

3.3 日常使用：一个丝滑的流程

配置好之后，你的日常工作流是这样的：

打开 Obsidian → 写笔记 → 打开 Obsidian Git 面板
    → 暂存（Stage）想保存的文件
    → 提交（Commit）并写一行描述
    → 推送（Push）到远程仓库

在另一台设备上继续工作时：

打开 Obsidian → 打开 Obsidian Git 面板
    → 拉取（Pull）最新版本
    → 开始工作

整个过程不需要打开终端，不需要记 Git 命令。Obsidian Git 插件把最核心的操作都做成了图形界面按钮。

3.4 要不要开启自动提交？

Obsidian Git 插件支持定时自动 commit + pull + push，看起来很方便。但我的建议是：

保持手动提交。

原因很简单：自动提交意味着你放弃了“选择权”。 你可能写了一半的草稿、临时粘贴的参考素材、还没整理好的碎片想法——这些你未必想记录到版本历史中。

手动提交让你在每次保存时都做一个微小的决策：“这个状态值得被记住吗？” 这个决策本身，就是一种知识管理。

四、Git 给笔记系统带来的三个“超能力”

超能力一：时间旅行

你写了一篇 3000 字的长文笔记，改了三版。有一天你突然想看看第一版是怎么写的——打开 Git 历史，一秒回溯。

git log --oneline    # 查看所有历史版本
git show <commit-id> # 查看某个版本的具体内容

在 Obsidian Git 插件中，这些操作就是点几下鼠标的事。

超能力二：差异对比

你改了一篇笔记，但不确定自己具体改了哪些地方。Git diff 告诉你每一行的增删：

- 原来的观点：AI 会取代人类
+ 修改后的观点：AI 会增强人类，而非取代

这种“可视化修改”对于写作和思考的迭代来说，价值巨大。你能看到自己思想演变的轨迹。

超能力三：分支实验

你想对笔记体系做一次大手术——重新组织文件夹结构、批量修改标签、尝试新的笔记模板。但你不确定效果如何。

新建一个分支：

git checkout -b experiment/new-structure

在这个分支里随便改，改完觉得不行？切回 main 分支，一切如初。觉得不错？合并回来。

这种“沙箱实验”的能力，让你敢于对笔记体系做大胆的调整，而不必担心“改坏了回不去”。

五、不止于笔记：Git 思维如何改变知识管理

Obsidian + Git 不只是两个工具的叠加，它代表的是一种知识管理范式的升级：

从“文件管理”到“版本管理”

传统的知识管理是文件管理思维——你在管理一堆 .md 文件。加了 Git 之后，你管理的是文件的变化历史。你不再只拥有“最新版本”，而是拥有了“整个演变过程”。

这很重要，因为知识的价值往往不在最终结论，而在推导过程中。 你能看到自己三个月前对一个问题的思考是怎样的，以及它是如何一步步演进到今天的。

从“本地孤岛”到“分布式系统”

有了远程仓库，你的知识库变成了一个分布式系统。在办公室电脑上写笔记，回家后在个人电脑上 pull 下来继续写。出差时在笔记本上做修改，回到公司 push 到远程，所有设备保持一致。

而且这一切是零成本的——GitHub 和 GitLab 的私有仓库完全免费。

从“个人笔记”到“可协作的知识库”

当你需要和他人协作时——比如和同事共同维护一个项目文档库、和朋友共建一个读书笔记库——Git 的分支和合并机制让多人协作变得可控。每个人在自己的分支上工作，通过 Pull Request 合并，一切都有据可查。

六、一些注意事项

Git 不适合管理大文件。 如果你的 Obsidian 仓库里有大量图片、视频、PDF，建议配合 Git LFS 使用，或者把大文件放到云盘，只在笔记中引用链接。
Obsidian 本身不是开源软件。 如果你对开源有执念，可以考虑 Logseq 作为替代——它的 Git 集成同样出色。
Git 的学习曲线是真实的。 虽然 Obsidian Git 插件屏蔽了大量复杂性，但建议至少花 1-2 小时了解 Git 的基本概念（commit、branch、push、pull、merge）。这笔时间投资，会在未来反复产生回报。
私有仓库 ≠ 绝对安全。 如果你把笔记推送到 GitHub 的私有仓库，它就在 GitHub 的服务器上。对于涉及商业机密、个人隐私的高度敏感内容，建议使用自建的 Git 服务器（如 Gitea）或纯本地管理。

七、结语：知识管理的“基础设施”

Obsidian 帮你搭建了“第二大脑”，Git 则给这个大脑装上了记忆回溯能力、实验勇气和灾难恢复机制。

在 AI 让内容生产和知识消费速度爆炸式增长的当下，我们比以往任何时候都更需要一种“慢下来”的能力——知道自己从哪里出发、经过了哪些转折、最终到达了哪里。

Git 记录的不是你的笔记，而是你的思想演变史。

而这，可能是个人知识管理中最被低估的价值。

📌 上一篇我们聊了 AI 时代 Git 为何对开发者至关重要，本篇则将视角扩展到了每个知识工作者。两篇结合起来，你会发现：Git 早已不是程序员的专属工具，而是 AI 时代所有严肃思考者的共同语言。

觉得有用？转发给那个还在用 U 盘拷笔记的朋友。

👇 关注我们，获取更多 AI 时代的效率工具深度内容。

💬 你在用 Obsidian 吗？有没有配合 Git 的经验？评论区聊聊。

推荐阅读与工具：

小米MIMO大模型Token Plan可0.01元续费1个月

Wed, 27 May 2026 00:00:00 GMT

2026年5月27日小米MIMO大模型官宣永久降价最高降幅98%，并且重置了所有Token Plan用户的额度，不仅采用了新的计价模式，还增加了Token Plan的套餐用量，更具套餐档次不同提升了5-8倍。

MiMo系列模型的主要特点包括：

强大的推理能力：在数学、编程和逻辑推理任务中表现优异

开源开放：模型权重已在Hugging Face等平台开源，支持社区二次开发

多尺寸适配：提供Lite、Standard、Pro、Max等不同规格版本，满足从个人开发者到企业级的多样化需求

中文优化：针对中文语境进行了深度优化，理解与生成能力更加精准

最重磅的消息是百亿Token计划的用户反应续费当前套餐仅需0.01元，博主已经续费成功，还没到期的用户可以去试试。

这个界面直接跳转对应的支付平台即可无视价格，博主选的支付宝平台，跳转后只需支付0.01元即可续费，续费完如不想续订记得取消自动续费。

支付后回到小米MIMO控制台即可看到续费成功和额度

尚未到期的用户抓紧试试，官方并没有相关的宣传口径，不知道什么时候会失效，以官方的显示为准。

2026 终端 AI 决战：Gemini CLI vs Claude Code vs GitHub Copilot 深度横评

Fri, 01 May 2026 00:00:00 GMT

在 2026 年的今天，AI 辅助开发已经从"网页对话框"全面进化到了"终端原生（Terminal Native）"。作为开发者，我们不再满足于简单的代码生成，而是需要一个能读懂整个工程目录、能自主运行测试、甚至能管理服务器的命令行 AI Agent。

目前市面上呼声最高的三大工具：Google 的 Gemini CLI、Anthropic 的 Claude Code，以及曾经的开创者 OpenAI Codex（现已深度集成入 GitHub Copilot CLI）。

面对这三大神器，开发者该如何取舍？本文将从核心架构、实战表现及成本三个维度为你拆解。

一、三大选手概览

Gemini CLI（Google）：上下文窗口 1M-2M Tokens，核心卖点是逻辑闭环、Plan Mode、超大上下文，原生 Google 搜索支持
Claude Code（Anthropic）：上下文窗口 200K Tokens，核心卖点是自主性、极高代码质量、多轮重构，需通过 MCP 扩展联网
GitHub Copilot CLI（Microsoft/OpenAI）：上下文窗口 128K+，核心卖点是生态集成、极致的 IDE 协同，主要是 GitHub 数据搜索

二、深度对比：谁才是真正的"终端霸主"？

1. Gemini CLI：不仅仅是代码，更是"全局调度员"

得益于 Gemini 3 系列模型的超长上下文，Gemini CLI 是处理"巨型工程"的唯一选择。

优势：你可以直接把整个 WordPress 博客的所有源码和数月的运行日志一次性塞给它。它的 Plan Mode（方案模式）非常稳健，在执行高危 Shell 命令前，会先列出逻辑步骤，极大降低了误删生产环境文件的风险。
适合场景：全量代码审计、跨文件逻辑重构、时效性信息检索（内置 Google 搜索）。

2. Claude Code：纯粹的"代码艺术家"

在 2026 年的测评中，Claude 4.6 系列模型在编码逻辑的细腻程度上依然领先。

优势：自主性极强。它不仅能写代码，还能自主发现 Bug 并反复迭代，直到测试通过。其代码风格更接近资深工程师，注释精准，逻辑健壮。它支持 MCP (Model Context Protocol)，可以轻松连接你的本地数据库或外部 API。
适合场景：疑难 Bug 攻坚、从零构建复杂模块、追求"生产环境即用"的代码质量。

3. GitHub Copilot CLI (Codex 进化版)：生态之王

虽然 OpenAI 的 Codex 曾是先驱，但现在它已化身为 GitHub Copilot CLI 的一部分，利用 GPT-5.3-Codex 模型提供服务。

优势：快且稳。它与 GitHub PR、Issue 系统深度打通。如果你是重度 GitHub 用户，它在处理 Git 操作（如冲突解决、自动写 Commit 信息）时有着不可替代的丝滑感。
适合场景：日常敏捷开发、Git 工作流自动化、快速生成小型脚本。

三、硬件与成本：哪款性价比最高？

对于独立开发者或小团队，成本是必须考虑的因素：

Gemini CLI：目前提供了极为慷慨的免费额度（个人账户约 1000 次请求/天），且对 Google Cloud 用户有原生账单集成。对于预算有限但需要高性能 AI 的开发者，它是首选。
Claude Code：通常需要订阅 Claude Max（约 $20/月）或按 API 使用量计费。虽然成本略高，但其减少的人工调试时间通常能覆盖掉这笔费用。
GitHub Copilot CLI：包含在 Copilot 订阅包中，对于已有订阅的用户来说，这是"白送"的增强工具。

四、总结：如何取舍？

作为开发者，我建议根据你的硬件分布和任务类型进行动态组合：

如果你在 M4 Mac mini 或高性能 PC 上处理大规模老项目：优先安装 Gemini CLI。它的超大上下文能让你免去频繁切分文件的痛苦。
如果你正在攻坚一个新的算法模块或复杂的逻辑重构：切到 Claude Code。它在逻辑严密性上的表现目前无可替代。
如果你在管理分布全球的服务器（如美国/新加坡/大陆服务器）：Gemini CLI 的联网搜索能力和 Google 生态优势，能帮你更快速地定位网络节点报错。

博主观点：2026 年不再是一个工具包打天下的时代。我会同时保留 Gemini CLI 和 Claude Code，前者负责"大局规划"，后者负责"精准手术"。

本文发布于定风波 | AI技术博客，转载请注明出处。

搜索结果标签显示 EU.org 而非网站名称的解决办法

Fri, 01 May 2026 00:00:00 GMT

在搜索结果中显示 EU.org: free domain names since 1996 而不是你预期的网站名称，通常是因为 Google 的算法认为该域名的根域名标题比你设置的站点标题更具描述性，或者你的站点 Site Name（网站名称） 结构化数据未被正确识别。

你可以通过以下几个步骤进行优化和修改：

1. 检查并设置首页 Title 标签

Google 搜索结果最顶部的文字通常被称为 Site Name。确保你的 WordPress 首页 HTML 中包含正确的 <title> 标签。

推荐格式： 站点名称 - 描述 或 站点名称 | 官方网站。
如果你使用了 SEO 插件（如 Rank Math 或 Yoast SEO），请检查"标题和元数据"设置中的"首页标题"。

2. 添加 WebSite 结构化数据（最关键）

这是告诉 Google "我的网站叫什么"的最直接方式。你需要向首页添加一段 JSON-LD 代码。如果你使用 SEO 插件，通常在插件设置里填写 Site Name 即可自动生成；如果没有，可以手动在主题的 header.php 中添加：

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "WebSite",
  "name": "定风波 | AI技术博客",
  "url": "https://dingfengbo.eu.org/"
}
</script>

3. 修改 WordPress 常规设置

确保 WordPress 后台的 设置 -> 常规 中：

站点标题 (Site Title)： 填写你想显示的名称。
副标题 (Tagline)： 填写简洁的描述。

4. 检查是否有"标题重写"问题

有时 Google 会因为你的 <h1> 标签或页面内文字与 <title> 不符而自作主张。

确保首页最上方的视觉标题（通常是 logo 旁边的文字）与你想在搜索结果中看到的名称一致。
避免在标题中堆砌过多的关键词，这可能导致 Google 回退到使用域名信息。

5. 在 Google Search Console 中请求重爬

完成上述修改后：

登录 Google Search Console。
在顶部的 URL 检查栏输入你的首页地址 https://dingfengbo.eu.org/。
点击 "请求编入索引" (Request Indexing)。

注意： 搜索结果的更新不是实时的，通常需要 几天到两周 时间，Google 才会更新其索引中的站点名称显示。

目前的显示情况是因为 eu.org 本身是一个提供免费子域名的组织，Google 将你的站点误关联到了该父级域名的元数据上。通过明确 JSON-LD 结构化数据，可以有效纠正这种关联。

GPT-image-2 深度评测：OpenAI 最强图像生成模型的实力与代价

Thu, 23 Apr 2026 00:00:00 GMT

GPT-image-2 深度评测：OpenAI 最强图像生成模型的实力与代价

2026 年 4 月 21 日，OpenAI 正式发布 GPT-image-2（模型快照：gpt-image-2-2026-04-21），取代了去年的 GPT-image-1.5 成为新的旗舰图像生成模型。这不是一个简单的迭代——它在生成质量、文字渲染、多轮编辑和 API 集成上都做了大幅升级，但价格也同样"旗舰"。

社区评测结果已经陆续出炉，今天就来拆解这个模型到底强在哪、贵在哪、值不值。

一、GPT-image-2 是什么

GPT-image-2 是 OpenAI 最新的原生多模态图像生成模型，可以通过 Chat Completions API、Responses API、Image API 等多种方式调用。

维度	GPT-image-2	GPT-image-1.5	DALL·E 3
发布日期	2026-04-21	2025	2023
支持输入	文本 + 图片	文本 + 图片	仅文本
支持输出	文本 + 图片	文本 + 图片	仅图片
图片编辑	✅ 多轮	✅ 单轮	❌
流式输出	✅ 支持	❌	❌
透明背景	✅	❌	❌
最大分辨率	2048×2048	1024×1024	1024×1024

最关键的变化：GPT-image-2 现在是一个多模态模型，可以同时理解文本和图像，也能同时输出文本和图像。它不再像 DALL·E 系列那样是个"专用的图片生成器"，而是一个具备图像生成能力的通用模型。

二、核心能力

1. 文字渲染：终于能写字了

DALL·E 3 的文字渲染一直是"勉强能看"的水平——偶尔正确，经常乱码。GPT-image-2 在这方面有质的飞跃：

英文文字渲染准确率大幅提升，大多数情况下可以直接在图中生成可读的文字
支持手写风格、印刷风格、装饰字体等多种文字样式
中文渲染也有进步，但复杂汉字仍有偶尔的错误

社区评测中，用户让 GPT-image-2 生成带有品牌 Logo、菜单、海报等文字密集的图片，结果比 Midjourney v7 和 Ideogram 3 都要准确。

2. 多轮编辑：渐进式创作的范式转变

通过 Responses API，GPT-image-2 支持多轮对话式图片编辑：

Turn 1: "画一只灰色的虎斑猫抱着一只戴着橙色围巾的水獭"
Turn 2: "现在让它看起来更写实"
Turn 3: "把背景换成雪景"

每一轮都基于上一轮的结果，不需要重新描述整个场景。这对设计师来说是个巨大的效率提升——你不需要一次写对完美的 prompt，而是可以像和人类设计师沟通一样逐步调整。

3. 图片参考生成

GPT-image-2 支持用多张图片作为参考来生成新图。比如给 4 张商品图，让它生成一个包含所有商品的商品篮——这种"组合式创作"在电商场景非常实用。

支持 3 种输入方式：URL、Base64 编码、File ID。

4. 流式生成

GPT-image-2 支持流式图片生成（partial_images 参数 0-3），可以在生成过程中看到中间结果。这让用户体验更像"看着画家一笔一笔画完"，而不是等半天突然弹出一张图。

三、社区评测结果汇总

图像质量对比

多个独立评测者（包括 AI 社区 KOL、设计师、开发者）对 GPT-image-2 与竞品做了对比：

评测维度	GPT-image-2	Midjourney v7	Ideogram 3	Flux Pro 2
照片写实度	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
文字渲染	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐
提示词遵循	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
艺术风格	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐
多轮编辑	⭐⭐⭐⭐⭐	❌	❌	❌
中文内容	⭐⭐⭐	⭐⭐	⭐⭐	⭐⭐⭐

核心发现：

照片写实度：GPT-image-2 和 Midjourney v7 打平，两者在人物皮肤质感、光影、细节上都非常出色
文字渲染：GPT-image-2 和 Ideogram 3 并列第一，但 GPT-image-2 在多轮编辑场景下更稳定
艺术风格：Midjourney v7 仍然是"艺术家气质"最强的，GPT-image-2 偏写实、偏"正确"
提示词遵循：GPT-image-2 最强，复杂 prompt 的细节遵循度最高——让它画 5 个特定颜色的气球，它真的画 5 个，不会多也不会少

大家怎么说

好评方向：

"文字终于能用了！做营销海报终于不用后期 P 字了" — 产品经理
"多轮编辑是杀手锏，比 Midjourney 的 vary 强太多" — 设计师
"提示词遵循度吊打一切，让我画什么就画什么，不夹带私货" — 开发者
"流式生成体验很好，不用干等了" — 用户体验

吐槽方向：

"太贵了！一张图够我在 Midjourney 生成 50 张" — 独立开发者
"艺术感不如 Midjourney，出来的图太'正确'太无聊" — 插画师
"中文还有错字，不如 Flux Pro 对中文的支持" — 中国用户
"没有 API 不支持流式（注：实际支持，但部分用户未发现）" — 早期评测
"风格太 OpenAI——干净、安全、无聊" — 艺术社区

四、定价：贵得让人犹豫

计费项	价格
图片输入	$8.00/M tokens
图片输出	$30.00/M tokens
文本输入	$5.00/M tokens
缓存图片输入	$2.00/M tokens
缓存文本输入	$1.25/M tokens

一张标准 1024×1024 图片大约花费 $0.08-0.12（取决于 prompt 长度和图片复杂度）。

对比：

Midjourney：$10/月无限量（基础版），单张成本接近 $0
Flux Pro：约 $0.05/张
Ideogram：约 $0.08/张
GPT-image-2：约 $0.08-0.12/张

价格不算离谱，但也不便宜。真正的成本来自多轮编辑——如果你需要 5 轮对话才能得到满意的结果，那实际成本是 5 倍。

OpenAI 提供了 Batch API 打 5 折，以及 Flex Processing 降成本换速度，适合非实时场景。

五、API 集成亮点

两种调用方式

Image API：简单的单次生成/编辑，适合"一 prompt 出一图"的场景

client.images.generate(
    model="gpt-image-2",
    prompt="A cat hugging an otter",
    size="1024x1024",
    quality="high"
)

Responses API：多轮对话式生成，支持流式、支持引用之前的图片

response = client.responses.create(
    model="gpt-5.4",
    input="Draw a cat hugging an otter",
    tools=,
)

速率限制

层级	TPM	IPM
Free	不支持	不支持
Tier 1	100,000	5
Tier 2	250,000	20
Tier 3	800,000	50
Tier 4	3,000,000	150

注意：免费层级不支持 GPT-image-2，至少需要 Tier 1（$5 已付）。

六、适用场景推荐

GPT-image-2 最适合

营销素材：海报、Banner、社交媒体配图（文字渲染 + 提示词遵循）
电商场景：商品图组合、参考图生成（多图输入）
产品原型：UI 稿、设计稿快速迭代（多轮编辑）
文档配图：技术文档、教程中的示意图（文字渲染）

其他模型更适合

艺术创作：Midjourney v7（风格感更强）
大规模批量生成：Flux Pro（成本更低）
中文密集内容：待观察（GPT-image-2 中文还在进步中）

七、个人评价

GPT-image-2 不是一个"更好的 DALL·E"，而是一个全新的产品品类——多模态对话式图像生成。

传统的图像生成模型是“一次性机器”：写好 prompt，祈祷结果满意。GPT-image-2 把图像生成变成了对话——你说“改一下”，它就改。这种范式转变的价值，远大于图片质量本身的提升。

但有两个硬伤：

贵：多轮编辑的累积成本让很多独立开发者望而却步
安全滤镜太严格：OpenAI 一贯的保守策略，很多完全无害的 prompt 被误拦截

如果你需要的是"一次出好图"，Midjourney 可能更好。如果你需要的是"和 AI 一起把图改到满意"，GPT-image-2 目前没有对手。

图片生成终于从"投币机"变成了"对话"——但每次对话都要投币。

本文基于 OpenAI 官方文档和社区评测整理，数据截至 2026 年 4 月。GPT-image-2 API 文档：https://platform.openai.com/docs/models/gpt-image-2

小米 MiMo-V2.5：309B 参数的性价比之王，以及 Token Plan 的野心

Thu, 23 Apr 2026 00:00:00 GMT

小米 MiMo-V2.5：309B 参数的"性价比之王"，以及 Token Plan 的野心

如果说 2025 年底小米开源 MiMo-V2-Flash 是"试试水"，那 2026 年的 MiMo-V2.5 就是正式亮剑了——309B 总参数、15B 激活、1M 上下文窗口、MIT 开源协议，而且 API 价格低到令人怀疑标错了小数点。

今天就来拆解这个"手机厂做的最强开源大模型"，以及小米背后的 Token Plan 到底在下一盘什么棋。

一、MiMo-V2.5 是什么

MiMO-V2.5 是小米自研的大语言模型 MiMo 系列的最新版本，基于 MoE（混合专家）架构。

维度	MiMo-V2.5	MiMo-V2.5-Pro
总参数	309B	309B
激活参数	15B	15B
上下文窗口	1M tokens	1M tokens
架构	MoE + 混合注意力	MoE + 混合注意力
开源协议	MIT	MIT
API 价格（输入）	$0.4/M tokens	$1/M tokens
API 价格（输出）	$2/M tokens	$3/M tokens

1M 上下文窗口是目前开源模型中最长的之一，比 DeepSeek V3.2 和 Kimi K2 的 256K 长了 4 倍。这意味着你可以把整本小说、整个代码库一次性丢进去。

价格对比：同级别的 GPT-5 输入 $2/M、输出 $10/M；Claude Sonnet 4.5 输入 $3/M、输出 $15/M。MiMo-V2.5 的价格只有它们的 1/5 到 1/7。

二、核心架构创新

混合注意力：5:1 的效率密码

MiMo-V2.5 继承了 V2-Flash 的混合注意力架构——每 5 层滑动窗口注意力（SWA）搭配 1 层全局注意力（GA），窗口大小只有 128 tokens。

这带来什么好处？KV 缓存减少近 6 倍。传统全注意力模型处理 1M 上下文需要巨大的显存开销，MiMo 用 SWA 把存储压缩到可承受范围，再通过可学习的注意力汇偏置（Sink Bias）保证长文本理解不退化。

多 Token 预测（MTP）：3 倍推理加速

MiMo 不是逐字吐出回复，而是每个步骤同时"预测"接下来的 3 个 token，再由主模型验证。这个 MTP 模块只有 0.33B 参数/层，用了 dense FFN + SWA 保持轻量。

实测效果：3 层 MTP 平均接受 2.8-3.6 个 token，实际加速 2.0-2.6 倍。这意味着 MiMo-V2-Flash 可以做到 150 tokens/秒 的推理速度。

MOPD：多教师在线策略蒸馏

这是小米最原创的训练方法——Multi-Teacher On-Policy Distillation（MOPD）。

传统做法是：先用 SFT 教，再用 RL 练。MOPD 换了个思路：让学生模型从自己的策略分布中采样，然后多个领域专家教师给每个 token 级别的密集奖励。

效果惊人：只需要传统 SFT+RL 流程 1/50 的算力，就能达到教师模型的峰值性能。而且 MOPD 天然抗奖励黑客（reward hacking），因为奖励来自师生分布差异而非稀疏的最终结果。

三、Benchmark 表现

MiMo-V2.5 Pro 在推理和编码上已经追平 Kimi K2 Thinking 和 DeepSeek V3.2 Thinking：

基准	MiMo-V2 Flash	Kimi K2 Thinking	DeepSeek V3.2	GPT-5 High
MMLU-Pro	84.9	84.6	85.0	87.5
GPQA Diamond	83.7	84.5	82.4	85.7
AIME 2025	94.1	94.5	93.1	94.6
SWE-Bench Verified	73.4	71.3	73.1	74.9
SWE-Bench Multilingual	71.7	61.1	70.2	55.3

SWE-Bench Multilingual 上 MiMo 排开源第一，71.7% 远超 GPT-5 High 的 55.3%。在多语言编码场景下，这个便宜 5-7 倍的模型比最贵的闭源模型还强。

长上下文方面，MiMo 的混合 SWA 架构在 LongBench V2 上得 60.6，超过 Kimi K2 的 45.1——虽然 Kimi 用了全注意力架构且参数大 3 倍。

四、小米的 Token Plan：不止是模型

"Token Plan"是小米 MiMo API 平台的定价和生态战略。核心理念很简单：用极低价格抢占开发者生态，把 MiMo 变成 AI 时代的"安卓"。

定价策略

模型	输入价格	输出价格	对标
MiMo-V2-Flash	$0.09/M	$0.29/M	—
MiMo-V2.5	$0.4/M	$2/M	GPT-4o-mini 级
MiMo-V2.5-Pro	$1/M	$3/M	Claude Sonnet 级

限时免费策略：MiMo API 平台目前提供免费额度，开发者可以零成本试用。这是典型的互联网打法——先用免费拉用户，再靠规模摊成本。

生态野心

小米做 AI 不是为了卖 API 赚钱，而是为了：

手机端侧部署：15B 激活参数的 MoE 模型，天然适合端侧推理。小米有全球第三的智能手机出货量，MiMo 可以直接跑在下一代小米手机上
智能家居中枢：MiMo-VL-Miloco 已经在智能家居场景上做了专门优化——手势识别、家居活动理解，这些都是小米 IoT 生态的刚需
汽车智能座舱：小米 SU7 的车载系统需要低延迟、低成本的 AI，MiMo 的 MTP 加速正好满足
开源社区护城河：MIT 协议全开源，包括 MTP 权重、推理代码贡献到 SGLang，开发者越用越离不开

简单说：小米卖的不是 Token，是"AI+硬件"的整体体验。Token Plan 的低价不是补贴，而是商业模式——API 便宜→开发者涌入→应用生态丰富→小米硬件更好卖。

五、适用场景

MiMo-V2.5 适合

长上下文任务：1M 窗口，代码库分析、长文档问答、法律合同审查
多语言编码：SWE-Bench Multilingual 开源第一，跨语言开发首选
高并发 API 服务：150 tokens/秒 + MTP 加速，吞吐量是同价位模型的 2-3 倍
预算有限的创业团队：价格只有 GPT-5 的 1/5，效果基本追平

MiMo-V2.5 不适合

极致推理：AIME/HMMT 上还差 GPT-5 几个点，数学竞赛场景不推荐
创意写作：Arena-Hard 创意写作评分相对较弱，文学创作不是它的强项
视觉任务：MiMo-V2.5 是纯文本模型，多模态需要等 MiMo-V2-Omni

六、个人评价

小米做 AI 这件事，很多人觉得是"手机厂不务正业"。但仔细看 MiMo 的技术选型，每一步都精准踩在了效率的最优解上：

MoE + 混合注意力：不是追参数量，而是追推理效率
MTP：不是投机解码的外挂，而是原生训练集成的加速
MOPD：不是传统 RLHF 的重复，而是重新定义了蒸馏范式
1M 上下文：不是炫技，而是配合代码库/文档场景的刚需

15B 激活参数做到这个水平，意味着小米从一开始就在为端侧部署做准备——手机、汽车、音箱、电视，每一个小米设备都是 MiMo 的推理节点。

Token Plan 的定价不是慈善，是战略。当 API 便宜到开发者不假思索就选 MiMo 时，小米就赢了。

不求最强，但求最值。这很小米。

本文基于 MiMo 官方技术报告和公开资料整理，数据截至 2026 年 4 月。MiMo API 平台：https://platform.xiaomimimo.com

Kimi K2.6 vs GLM-5.1：国产万亿参数 MoE 双雄对决

Wed, 22 Apr 2026 00:00:00 GMT

Kimi K2.6 vs GLM-5.1：国产万亿参数 MoE 双雄对决

2026 年的中国 AI 圈，两位"万亿级"选手几乎同时亮剑——月之暗面的 Kimi K2.6 和智谱的 GLM-5.1。两者都是 MoE 架构、都是万亿参数、都主打 Agent 能力，但路线和气质截然不同。今天就来拆解这两个模型，看看各自强在哪、弱在哪、适合什么场景。

一、基本参数对比

维度	Kimi K2.6	GLM-5.1
开发方	月之暗面（Moonshot AI）	智谱 AI（Z.ai）
架构	MoE（混合专家）	MoE（混合专家）
总参数	1T	744B
激活参数	32B	40B
专家数	384（选 8）	—
上下文长度	256K	128K（DSA 稀疏注意力）
多模态	原生多模态（MoonViT 视觉编码器）	文本为主，GLM-V 系列独立
开源协议	自定义（见 HuggingFace）	Apache 2.0
发布时间	2026 年 4 月	2026 年 3 月

关键差异：K2.6 参数更多（1T vs 744B），但激活参数更少（32B vs 40B），意味着推理成本更低；GLM-5.1 虽然总参数少，但激活量大，单步计算更重。K2.6 天然带视觉能力，GLM-5.1 的多模态需要走独立模型（GLM-V 系列）。

二、核心能力对比

🤖 Agent 能力

这是两者的主战场。

Kimi K2.6 的杀手锏：Agent Swarm

K2.6 最大的卖点是可以横向扩展到 300 个子代理、4000 个协调步骤，动态拆解任务到并行的专业化子任务中。在 BrowseComp Agent Swarm 模式下得分 86.3，比不用 Swarm 模式高了 3 个点。简单说：K2.6 是为"一群 AI 协作干大事"设计的。

此外，K2.6 在 DeepSearchQA 上表现惊人——F1 分数 92.5，准确率 83.0，远超 GPT-5.4（63.7）和 Claude Opus 4.6（80.6）。深度搜索和信息整合是它的强项。

GLM-5.1 的杀手锏：长周期工程迭代

GLM-5.1 的核心理念是"越跑越好"。普通模型在初始阶段快速产出后就会进入平台期，给更多时间也没用。GLM-5.1 则能在数百轮迭代、数千次工具调用中持续优化，"运行越久，产出越好"。

在 Vending Bench 2（模拟经营一台自动售货机一整年）上，GLM-5.1 以 $4,432 的最终余额排名开源第一，接近 Claude Opus 4.5。这测试的是长期规划和资源管理能力——恰恰是传统 LLM 的弱项。

💻 编码能力

基准	Kimi K2.6	GLM-5.1
SWE-Bench Pro	58.6	SOTA（官方称领先）
SWE-Bench Verified	80.2	—
Terminal-Bench 2.0	66.7	大幅领先 GLM-5
LiveCodeBench v6	89.6	—

K2.6 在多语言编码（SWE-Bench Multilingual 76.7）和端到端长周期编码上表现突出，尤其擅长前端、DevOps 和性能优化。GLM-5.1 则在 SWE-Bench Pro 上达到 SOTA，强调"从 Vibe Coding 到 Agentic Engineering"的跃迁——不只是写代码，而是做工程。

🧠 推理能力

基准	Kimi K2.6	GLM-5.1
AIME 2026	96.4	—
HMMT 2026	92.7	—
GPQA Diamond	90.5	—

纯推理方面，K2.6 已经逼近 GPT-5.4（AIME 99.2）和 Claude Opus 4.6（96.7），差距很小。GLM-5.1 的推理数据没有单独披露，但从 GLM-5 的基准来看应该在同一水平线上。

👁️ 视觉能力

K2.6 原生多模态，带 400M 参数的 MoonViT 视觉编码器。在 MMMU-Pro 上得分 79.4，MathVision 87.4——对于 MoE 模型来说非常不错。

GLM-5.1 本身是纯文本模型，视觉理解需要走 GLM-V 系列。这在需要"看图说话"的场景下是劣势，但好处是文本能力更纯粹。

三、适用场景

Kimi K2.6 更适合

多代理协作系统：需要多个 AI 并行处理子任务的场景
深度信息搜索与整合：研究报告、竞品分析、文献综述
全栈开发：从设计稿到代码到部署的一体化流程
多模态理解：需要同时处理文字和图片的任务

GLM-5.1 更适合

长期工程任务：需要持续迭代、反复调试的复杂项目
系统级编程：不是写一个函数，而是搭建整个系统
自动化运维：24/7 后台代理，需要持续判断和调整
资源管理/规划：长期预算分配、供应链优化等

四、个人评价

这两个模型代表了国产大模型的两条路线：

Kimi K2.6 = 广度优先。1T 参数、384 个专家、原生多模态、Agent Swarm——它在"能做多少种事"上拉满了。它的设计哲学是：给足够多的专家，让合适的专家干合适的活。信息搜索和并行协调是它的绝活。

GLM-5.1 = 深度优先。744B 参数、40B 激活、持续迭代优化——它在"一件事能做多好"上走到了极致。它的设计哲学是：给足够多的时间，让模型反复打磨。长期工程和系统级任务是它的主场。

对开发者来说，如果你在做信息密集型、多任务并行的应用（比如研究助手、全栈开发），K2.6 可能更合适；如果你在做需要长期运行、持续迭代的工程代理（比如自动化部署、系统运维），GLM-5.1 可能更稳。

但最让我兴奋的是：这两个模型都不再把"聊天"当终极目标，而是真正在向 Agentic AI 进化。AI 不只是回答问题，而是解决问题——这才是大模型的正确打开方式。

本文基于 Kimi K2.6 和 GLM-5.1 的官方公开资料整理，数据截至 2026 年 4 月。

Agent Skill 完全指南：如何为 AI 助手添加专业技能包

Fri, 17 Apr 2026 00:00:00 GMT

什么是 Agent Skill？

在 AI 助手领域，Agent Skill（代理技能）是一种模块化、自包含的能力扩展包，类似于编程中的插件或库。它为通用的 AI 模型提供特定领域的知识、工作流程和工具集成，使其能够胜任专业任务。

打个比方：如果说 AI 模型像是一个聪明但缺乏专业经验的大学毕业生，那么 Agent Skill 就是针对特定岗位的岗前培训手册和工具箱。

为什么需要 Agent Skill？

通用大模型（如 GPT、Claude、Qwen）虽然知识面广，但在以下方面存在局限：

领域知识不足：不了解公司内部系统、业务逻辑、专业术语
流程不明确：不知道特定任务的标准化操作步骤
工具集成缺失：无法直接调用专业软件或 API
上下文理解有限：难以理解复杂的领域特定格式或约定

Agent Skill 通过模块化封装解决这些问题，让 AI 助手可以即插即用地获得专业能力。

Agent Skill 的核心组成

一个标准的 Agent Skill 包含以下部分：

1. SKILL.md（必需）

这是技能的核心文件，包含：

YAML 元数据：技能名称、描述、触发条件
Markdown 指南：使用说明、工作流程、最佳实践

示例结构：

skill-name/
├── SKILL.md          # 核心描述文件
├── scripts/          # 可执行脚本
├── references/       # 参考文档
└── assets/           # 输出资源文件

2. 脚本目录（scripts/）

存放可执行代码（Python、Bash 等），用于需要确定性可靠性的任务。

使用场景：

重复执行的自动化任务
需要精确控制的操作（如文件处理）
与外部系统集成的接口

3. 参考文档目录（references/）

存放按需加载的文档，避免占用过多上下文。

典型内容：

数据库模式说明
API 规范文档
公司政策与流程指南
专业术语表

4. 资源文件目录（assets/）

存放用于输出的文件资源，而非输入到上下文的文档。

典型内容：

模板文件（PPT、Word、HTML）
品牌资源（Logo、字体、图标）
示例文档

Agent Skill 的工作原理

Agent Skill 的触发机制基于语义匹配：

用户请求：用户发送消息给 AI 助手
描述匹配：系统根据用户意图，匹配最相关的 Skill 描述
技能加载：匹配成功后，加载对应的 SKILL.md 内容
能力执行：AI 根据加载的技能指南执行任务

这种设计确保了上下文高效利用——只有在需要时才加载特定技能，避免一次性加载所有知识。

主流 Agent Skill 平台

ClawHub

ClawHub 是 OpenClaw 生态的技能市场，提供版本化的技能注册与分发：

版本管理：类似 npm，支持版本回滚
语义搜索：基于向量检索，精准匹配技能
开放发布：无门槛，任何人可发布技能

安装技能示例：

npx clawhub@latest install sonoscli

OpenClaw 内置技能

OpenClaw 自带丰富的官方技能，包括：

skill-creator：创建、编辑、审核技能
website：构建快速、可访问、SEO 友好的网站
productivity：任务管理、时间规划、习惯追踪
weather：天气查询与预报
tmux：远程控制 tmux 会话

如何创建自己的 Agent Skill？

步骤一：确定技能定位

回答以下问题：

解决什么问题？
目标用户是谁？
需要哪些工具/数据？

步骤二：编写 SKILL.md

遵循简洁原则：

只包含模型不知道的知识
用示例代替冗长解释
明确触发条件和适用场景

步骤三：组织资源文件

按需添加：

确定性脚本 → scripts/
参考文档 → references/
输出模板 → assets/

步骤四：测试与发布

本地测试技能是否正常触发
验证输出质量和可靠性
发布到 ClawHub 或其他平台

Agent Skill 的设计原则

1. 上下文是公共资源

技能共享上下文窗口，与系统提示、对话历史、其他技能竞争空间。因此：

默认假设：模型已经足够聪明
只添加模型不知道的信息
每个段落都要证明其存在价值

2. 匹配自由度与确定性

根据任务特性选择控制级别：

高自由度：文本指令，适合多种方法都有效的场景
中自由度：伪代码或参数化脚本，有一定变化空间
低自由度：具体脚本，适合必须精确执行的任务

3. 避免重复与冗余

信息应该存在于一个地方：

核心流程 → SKILL.md
详细文档 → references/
不要在两处重复相同内容

应用场景示例

企业内部助手

创建企业专属技能包，包含：

公司政策与流程文档
内部系统 API 规范
数据库模式说明
自动化工作流脚本

开发者工具链

集成开发环境相关技能：

代码风格检查与修复
部署流程自动化
API 测试与文档生成
代码审查辅助

内容创作

为内容创作者定制的技能：

SEO 内容优化指南
品牌风格手册
多平台发布流程
内容质量检查清单

总结

Agent Skill 是连接通用 AI 能力与专业需求的桥梁。通过模块化、可版本化、语义驱动的技能包，AI 助手可以获得从企业知识到专业工具的各类能力扩展。

对于开发者和企业用户而言，掌握 Agent Skill 的设计与创建，是构建高质量 AI 应用的关键一步。

本文基于 OpenClaw 官方文档与 ClawHub 平台信息整理。

AI视频生成API完全指南

Thu, 09 Apr 2026 00:00:00 GMT

AI 视频生成技术的快速发展，让越来越多的开发者和企业开始关注 API 接入方案。相比直接使用 Web 界面，通过 API 集成可以实现自动化工作流、批量处理和定制化开发。本文将全面介绍 HappyHorse、Runway、Pika 等主流 AI 视频生成平台 API 的接入方法，包括 SDK 安装、认证配置、示例代码和价格对比，帮助你快速构建自己的 AI 视频生成应用。

一、HappyHorse API：开源与灵活的首选

HappyHorse 作为开源项目，提供了多种 API 接入方式。最常用的是通过官方 Python SDK 进行调用，也可以直接使用 REST API。HappyHorse 的优势在于完全自主控制，你可以在自己的服务器上部署，也可以使用官方的云端 API 服务。

安装与配置

首先，通过 pip 安装 HappyHorse SDK：

pip install happyhorse-sdk

安装完成后，需要进行基本配置。如果你使用官方云端服务，需要获取 API Key：

from happyhorse import HappyHorseClient

# 初始化客户端
client = HappyHorseClient(api_key="your_api_key_here")

# 或使用自部署服务
client = HappyHorseClient(
    base_url="http://your-server:8080",
    api_key="your_local_key"  # 可选
)

生成视频示例

HappyHorse 支持文本生成视频和图片生成视频两种模式：

# 文本生成视频
result = client.generate(
    prompt="一只金色猫咪在阳光下慵懒地打哈欠",
    duration=10,          # 视频时长（秒）
    resolution="1080p",   # 分辨率
    style="cinematic"     # 风格预设
)

# 获取生成状态
video_url = result.wait_for_completion()
print(f"视频已生成：{video_url}")

# 图片生成视频
from happyhorse import ImageToVideo

result = client.image_to_video(
    image_path="input.jpg",
    motion_prompt="镜头缓慢推进，猫咪眨眼",
    duration=8
)

HappyHorse API 支持异步调用和回调通知，适合批量处理场景：

# 批量生成
prompts = 
jobs = 

# 等待所有任务完成
results =

二、Runway API：专业创作者的选择

Runway 提供了完善的 API 服务，适合需要高质量视频输出的专业团队。其 API 支持多种生成模式，包括 Gen-3 的文本生成视频、图片生成视频，以及 Motion Brush 等高级功能。

获取 API 访问权限

Runway API 目前需要申请才能使用。访问 Runway 官网，提交 API 访问申请，审核通过后会收到 API Key。申请时需要说明使用场景和预估调用量。

SDK 使用示例

import runway

# 初始化
runway.init(api_key="your_runway_api_key")

# 文本生成视频
generation = runway.generate(
    prompt="城市夜景延时摄影，车流如光带般流动",
    model="gen3",
    duration=18,
    aspect_ratio="16:9",
    watermark=False
)

# 监控生成进度
while not generation.is_complete():
    print(f"进度: {generation.progress}%")
    time.sleep(5)

# 下载视频
generation.download("output.mp4")

Runway API 还支持视频编辑功能：

# 视频风格迁移
edited = runway.edit(
    video_path="original.mp4",
    prompt="转为动漫风格，保持原有动作",
    strength=0.7  # 编辑强度
)

# 背景替换
bg_replaced = runway.replace_background(
    video_path="input.mp4",
    background_prompt="日落时分的海滩"
)

三、Pika API：快速原型的利器

Pika 以其快速生成和易用性著称，API 设计简洁直观。虽然画质和时长不如 Runway，但对于快速原型和测试场景非常实用。

from pika import PikaClient

client = PikaClient(api_key="your_pika_key")

# 简单生成
video = client.create(
    prompt="太空中的宇航员漂浮",
    duration=4
)

# 等待生成完成
video.wait()
video.save("astronaut.mp4")

Pika API 的优势在于响应速度快，适合交互式应用。你可以参考我们的HappyHorse vs Sora vs Runway对比评测，了解各平台的特点差异。

四、API 定价对比

选择 API 服务时，成本是重要考量因素。以下是主流平台的定价对比：

平台	计费方式	基础价格	免费额度
HappyHorse Cloud	按秒计费	$0.02/秒	100秒/月
HappyHorse 自部署	硬件成本	GPU时费	无限制
Runway	订阅制	$28-76/月	试用额度
Pika	按次计费	$0.10/次	50次/月

HappyHorse 自部署方案在大量使用时最具成本优势。如果日均生成量超过 50 段，自部署的成本可降至云端方案的 1/10 以下。详细的工作流搭建方法，请参考我们的用OpenClaw搭建AI视频生成工作流教程。

五、错误处理与最佳实践

API 调用过程中可能遇到各种问题，完善的错误处理机制是生产环境必备的：

from happyhorse import HappyHorseClient, APIError, RateLimitError

client = HappyHorseClient(api_key="your_key")

try:
    result = client.generate(prompt="测试视频")
except RateLimitError:
    # 速率限制，等待重试
    time.sleep(60)
    result = client.generate(prompt="测试视频")
except APIError as e:
    print(f"API 错误: {e}")
    # 记录日志，发送告警
    logger.error(f"生成失败: {e}")
    raise

性能优化建议

异步处理：对于批量任务，使用异步 API 并行处理，可提升 3-5 倍效率
缓存策略：相同提示词的生成结果可缓存复用，减少 API 调用
队列管理：使用消息队列（如 Redis）管理生成任务，避免并发超限
降级方案：主服务不可用时，自动切换到备用平台

六、应用场景示例

AI 视频生成 API 可以应用于多种场景：

内容创作平台：为用户提供视频生成服务，如社交媒体自动生成动态封面
营销自动化：根据产品信息自动生成广告视频，A/B 测试不同创意
教育科技：将文字教材转换为视频课程，提升学习体验
游戏开发：生成游戏过场动画和概念视频

总结

AI 视频生成 API 为开发者打开了自动化视频创作的大门。HappyHorse 以开源和低成本适合技术团队，Runway 以高质量适合专业创作，Pika 以快速响应适合原型开发。选择 API 时，需要综合考虑画质要求、成本预算、技术能力和具体应用场景。随着技术进步，API 功能和性价比会持续提升，建议持续关注各平台的更新动态。

本文最后更新于 2026 年 4 月，API 定价和功能可能随时变化，请以官方最新文档为准。

HappyHorse vs Sora vs Runway：AI视频生成对比评测

Thu, 09 Apr 2026 00:00:00 GMT

AI 视频生成领域在 2026 年迎来了爆发式增长，从最初的简单动画到如今的影视级画质，技术进步令人瞩目。在众多 AI 视频生成工具中，HappyHorse、OpenAI Sora 和 Runway Gen-3 成为最受关注的三款产品。它们各有特色：HappyHorse 以开源和低成本著称，Sora 以电影级画质震撼业界，Runway 则以成熟的商用方案占据市场。本文将从画质、速度、成本、易用性等多个维度，全方位对比这三款顶级 AI 视频生成工具，帮助你选择最适合自己的方案。

一、核心参数对比：谁的技术更强？

要真正理解这三款工具的差异，我们需要从技术底层开始分析。HappyHorse 采用自研的 150 亿参数架构，这是目前开源领域最大的视频生成模型之一。它支持最长 16 秒的视频生成，分辨率最高可达 1080p。相比同类型开源模型，HappyHorse 的参数量几乎是其两倍，这意味着更强大的语义理解能力和更细腻的画面表现。

Sora 的技术参数一直处于保密状态，但从公开的演示视频来看，其画质和时长表现远超现有工具。Sora 能够生成最长 60 秒的连贯视频，分辨率可达 4K，这在视频生成领域是前所未有的突破。其背后的扩散模型架构经过精心优化，能够准确理解复杂场景中的光影变化、物理运动和人物表情。

Runway Gen-3 则采用混合架构，结合扩散模型和 transformer 的优势。它支持最长 18 秒的视频生成，分辨率最高 4K。Runway 的技术优势在于其成熟的商用方案，包括视频编辑、背景替换、风格迁移等完整工具链。对于专业创作者来说，这些附加功能大大提升了工作流程的效率。

参数对比表

指标	HappyHorse	Sora	Runway Gen-3
最大时长	16秒	60秒	18秒
最高分辨率	1080p	4K	4K
参数量	150亿	未公开	未公开
模型类型	开源	闭源	闭源
API可用性	公开	受限	公开

二、画质表现：视觉冲击力的较量

画质是评价 AI 视频生成工具的核心指标。我们使用相同的提示词，在三款工具上生成了一系列测试视频。结果显示，Sora 在画质表现上具有压倒性优势。其生成的视频细节丰富，人物皮肤纹理、毛发、布料褶皱等细节都极为逼真。更重要的是，Sora 在运动一致性上表现出色，人物动作流畅自然，不会出现其他工具常见的闪烁和变形问题。

HappyHorse 的画质表现超出其价格应有的水平。虽然在细节精细度上不如 Sora，但画面整体协调性良好，适合对成本敏感的项目。在夜景和复杂光照场景中，HappyHorse 的表现略显不足，容易出现噪点和色彩偏差。但对于一般商业用途，其画质已经足够令人满意。

Runway Gen-3 的画质表现介于两者之间。它的优势在于风格化处理，对于需要特定视觉风格的项目，Runway 提供了丰富的预设选项。此外，Runway 的视频编辑功能让创作者可以在生成后进一步优化画质，弥补生成过程中的不足。这种「生成+编辑」的工作流对于专业团队来说极具价值。

三、生成速度与资源消耗

在实际使用中，生成速度直接影响工作效率。我们使用相同配置的 GPU 服务器进行测试。HappyHorse 生成一段 10 秒的 720p 视频需要约 45 秒，这在开源模型中属于较快水平。由于其开源特性，用户可以根据自己的硬件配置调整参数，在速度和画质之间找到平衡。

Sora 的生成速度目前尚无公开数据，但根据早期测试者的反馈，其生成时间相对较长。考虑到 Sora 的高分辨率和长时长特性，这是可以理解的。不过，OpenAI 正在持续优化生成效率，相信正式发布时会有更好的表现。

Runway Gen-3 在云端生成 10 秒视频大约需要 30-60 秒，具体时间取决于订阅计划和当前服务器负载。Runway 提供了优先队列服务，付费用户可以享受更快的生成速度。这种分级服务模式让用户可以根据需求灵活选择，避免了资源浪费。

四、成本分析：钱包友好度大比拼

成本是大多数用户关心的重点。HappyHorse 作为开源工具，最大的优势在于零授权费用。用户只需承担硬件和电费成本。如果使用云 GPU 服务，按 H100 每小时 3.5 美元计算，生成 100 段视频的成本约为 50 美元，平均每段视频仅需 0.5 美元。这对于大规模生成需求的用户来说，是极具吸引力的选择。

Sora 的定价尚未公布，但参考 OpenAI 其他产品的定价策略，预计会采用按秒计费模式。考虑到 Sora 的高品质和长时长特性，单段视频的成本可能在 5-20 美元之间。这对于个人创作者和小型团队来说，可能是一个不小的门槛。

Runway 采用订阅制，月费从 12 美元到 76 美元不等，不同计划提供不同的生成配额和功能权限。对于中度使用需求的用户，每月约 25 美元的标准计划可以生成约 50 段视频。虽然单价高于 HappyHorse，但 Runway 提供了更完善的工具链和技术支持，性价比依然可观。

五、易用性与学习曲线

对于非技术用户来说，易用性同样重要。Runway 在这方面表现出色，其 Web 界面直观友好，用户无需任何编程知识即可上手。从文本生成视频、图片生成视频到视频编辑，所有功能都可以通过点击完成。Runway 还提供了丰富的教程和社区支持，新手可以快速入门。

HappyHorse 需要一定的技术背景才能使用。用户需要熟悉 Python 编程、Docker 容器部署、GPU 配置等知识。不过，社区已经开发了一些图形界面工具，降低了使用门槛。如果你有一定的技术基础，HappyHorse 的灵活性会让你受益匪浅。

Sora 目前仅对部分创作者开放，使用体验尚无公开评价。但从 OpenAI 其他产品的表现来看，Sora 应该会提供简洁易用的界面。不过，考虑到其高端定位，可能更侧重于专业用户需求。

六、适用场景推荐

不同的使用场景适合不同的工具。如果你是内容创作者，需要频繁生成短视频用于社交媒体，Runway 是最佳选择。其快速生成、丰富风格和完善工具链能满足日常创作需求。

如果你是技术爱好者或研究者，希望深入了解视频生成技术，HappyHorse 是理想之选。开源架构让你可以自由修改和优化，社区的支持也能帮助解决技术难题。你还可以参考我们的AI视频生成API完全指南，了解更多技术细节。

如果你是影视制作从业者，对画质要求极高，Sora 值得等待。其电影级的画质和长时长支持，能够满足专业制作需求。在 Sora 正式开放之前，Runway Gen-3 可以作为过渡方案。

如果你希望自动化批量生成，HappyHorse 结合 OpenClaw 工作流是最经济的选择。参考我们的用OpenClaw搭建AI视频生成工作流教程，可以快速搭建高效的生成流水线。

总结：如何选择适合自己的工具？

综上所述，HappyHorse、Sora 和 Runway 各有优势，没有绝对的赢家。HappyHorse 以开源和低成本取胜，适合技术用户和预算有限的项目。Sora 以顶级画质和长时长领先，适合专业影视制作，但成本和可及性是考量因素。Runway 以成熟商用方案和易用性著称，适合大多数创作者的日常使用需求。

选择的关键在于明确自己的需求：预算、技术能力、画质要求和项目规模。建议先使用 Runway 的免费试用版体验 AI 视频生成，再根据实际需求决定是否投入更多资源。无论选择哪款工具，AI 视频生成技术正在快速进化，现在是进入这一领域的最佳时机。

本文最后更新于 2026 年 4 月，工具参数和定价可能随时变化，请以官方最新信息为准。

本地部署 Gemma4 E4B 实战指南：从旧模型迁移到统一多模态AI

Fri, 03 Apr 2026 00:00:00 GMT

本地部署 Gemma4 E4B 实战指南：从旧模型迁移到统一多模态AI

迁移背景

2026年4月，我们将本地部署的多个小模型（gemma3:1b、qwen3.5:4b、moondream、Whisper）统一迁移到 Google 的 Gemma4 E4B（4B Effective），实现了单一模型处理图片识别、视频分析和语音识别任务。

环境要求

操作系统： Ubuntu 22.04+ (ARM64 或 x86_64)
内存： 推荐 16GB RAM（模型运行时占用约 10-11GB）
磁盘： 10GB 可用空间（模型文件 9.6GB）
软件： Ollama 0.20.0+

迁移步骤

1. 升级 Ollama 到 0.20+

# 检查当前版本
ollama --version

# 升级到最新版本
curl -fsSL https://ollama.com/install.sh | sh

# 重启服务
systemctl restart ollama  # 或 service ollama restart

2. 卸载旧模型

ollama rm moondream:latest
ollama rm gemma3:1b
ollama rm qwen3.5:4b

# 卸载 Whisper（如果通过 pip 安装）
pip uninstall -y faster-whisper

3. 拉取 Gemma4 E4B

ollama pull gemma4:e4b

首次拉取需要下载 9.6GB 模型文件，耗时取决于网络速度。

4. 更新 OpenClaw 配置

编辑 ~/.openclaw/openclaw.json：

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "openrouter/xiaomi/mimo-v2-pro",
        "fallbacks": 
      },
      "models": {
        "ollama/gemma4:e4b": {
          "alias": "local-gemma4"
        }
        // 移除旧模型配置
      }
    }
  }
}

验证配置：

python3 -m json.tool ~/.openclaw/openclaw.json > /dev/null && echo "OK"

重启 Gateway：

openclaw gateway restart

性能测试

图片识别

使用以下命令测试：

curl -X POST http://127.0.0.1:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma4:e4b",
    "prompt": "描述这张图片",
    "images": ,
    "stream": false
  }'

语音识别

Gemma4 支持音频输入（需转码为适当格式）：

# 将音频转为 base64
base64 -w0 audio.wav

# 发送识别请求
curl -X POST http://127.0.0.1:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma4:e4b",
    "prompt": "转录这段音频",
    "audio": "<base64-audio>",
    "stream": false
  }'

ARM64 优化建议

使用 Ollama 0.20+（已针对 ARM64 优化）
确保系统有足够交换空间（swap）避免 OOM
定期清理未使用的模型：ollama ps 查看运行中的，ollama rm 删除

多模态能力展示

任务类型	输入	输出
图像描述	JPEG/PNG 图片	详细场景描述
OCR 文字识别	含文字的图片	提取的文字内容
视频关键帧分析	视频帧（base64）	帧内容描述
语音转文字	音频文件（wav/mp3）	转录文本

常见问题

Q: 内存不足怎么办？
A: 启用 swap（4-8GB），或升级服务器内存。

Q: 推理速度慢？
A: 首次推理需加载模型，后续会缓存加速。可调整 Ollama 的 num_parallel 参数。

Q: 还想使用云端模型备份？
A: 在 fallbacks 中保留多个云端模型，本地模型作为第一 fallback。

总结

通过迁移到 Gemma4 E4B，我们减少了模型复杂度（从4个模型合并为1个），降低了运维成本，同时提升了数据隐私保护水平。新模型在 ARM64 服务器上运行良好，多模态能力满足日常需求。

分类： OpenClaw 教程
标签： Gemma4, Ollama, 本地部署, 多模态, ARM64
SEO描述： 完整指南：将旧小模型迁移到 Gemma4 E4B，包括升级 Ollama、更新 OpenClaw 配置、性能测试与 ARM64 优化建议。

Qwen3.6-Plus 深度评测：免费云端API vs 本地Gemma4 E4B

Fri, 03 Apr 2026 00:00:00 GMT

Qwen3.6-Plus 深度评测：免费云端API vs 本地Gemma4 E4B

概述

Qwen3.6-Plus 是阿里巴巴通义千问系列的中等规模模型，通过 OpenRouter 提供 API 访问。本文将从性能、成本、部署难度等维度，对比 Qwen3.6-Plus 与本地部署的 Google Gemma4 E4B。

核心能力

Qwen3.6-Plus 特点：

多模态支持（文本 + 图像）
上下文窗口：1048576 tokens
最大输出：128000 tokens
云端托管，零运维成本
通过 OpenRouter 计费（有免费额度）

Gemma4 E4B 本地部署：

统一多模态模型（图像、视频、语音识别）
参数规模：4B Effective（MoE架构，实际激活参数4B）
模型大小：9.6GB
完全本地运行，数据隐私保护
无 API 调用费用

性能对比

维度	Qwen3.6-Plus	Gemma4 E4B (本地)
部署难度	⭐ 极简（API调用）	⭐⭐ 需Ollama安装
响应速度	依赖网络延迟	本地推理（较快）
成本	API计费（有免费层）	一次性存储成本
隐私性	数据经过第三方	完全本地
可用性	依赖网络和服务状态	离线可用
多模态	✅ 支持	✅ 支持

应用场景推荐

选择 Qwen3.6-Plus 的场景：

快速原型开发，不想折腾本地环境
需要高可用性和全球访问
轻度使用，可在免费额度内完成
不需要数据本地存储的公开项目

选择 Gemma4 E4B 的场景：

数据隐私敏感（医疗、金融等）
需要离线环境或无网络访问
高频使用，希望规避 API 费用
ARM64 服务器部署（已优化）
多模态任务整合（一个模型统一处理）

API 使用示例

Qwen3.6-Plus (OpenRouter)

curl -X POST https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen/qwen3.6-plus-preview",
    "messages": 
  }'

Gemma4 E4B (本地 Ollama)

curl -X POST http://127.0.0.1:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemma4:e4b",
    "prompt": "Hello!",
    "stream": false
  }'

定价分析

Qwen3.6-Plus (OpenRouter 免费层)：

免费额度：每天有限额
超量后：按 token 计费（约 $0.1/1M tokens）

Gemma4 E4B：

软件：免费（Ollama）
硬件：需要 10GB+ 磁盘空间，推荐 16GB RAM
运行成本：电费 + 服务器折旧

结论

对于需要数据隐私和高频使用的场景，Gemma4 E4B 本地部署是更好的选择。对于快速上线的轻量应用，Qwen3.6-Plus 的云端 API 更加便捷。两者可以互补使用——本地作为 fallback，云端作为高可用 backup。

分类： AI API
标签： Qwen, Gemma, 本地部署, API对比
SEO描述： 对比 Qwen3.6-Plus 云端 API 与本地 Gemma4 E4B 部署，分析性能、成本、隐私等维度，帮助你选择合适的大模型方案。

Cloudflare 免费服务全攻略：从域名解析到 AI 图片生成

Thu, 02 Apr 2026 00:00:00 GMT

Cloudflare 免费服务全攻略：从域名解析到 AI 图片生成

如果你正在建站、搞副业项目或者单纯想给自己的博客加个速，那么 Cloudflare 的免费套餐绝对是你不该错过的"白嫖"资源。作为一个从 CDN 起家、如今已发展成边缘计算巨头的平台，Cloudflare 的免费层覆盖了从 DNS 解析到 AI 图片生成的完整链路。本文将带你系统梳理 Cloudflare 的免费服务，并附上实战案例，帮你把每一分钱都省下来。

一、Cloudflare 是什么？

简单来说，Cloudflare 是一个集 CDN（内容分发网络）、DNS 解析、安全防护 和 边缘计算 于一体的互联网基础设施平台。它的核心理念是：让每一个网站都能用上企业级的性能和安全服务，而不需要支付高昂的费用。

截至 2026 年初，Cloudflare 在全球 300+ 城市部署了边缘节点，每天处理超过数万亿次 HTTP 请求。对于普通开发者和小站点来说，它的免费套餐已经足够覆盖绝大多数需求。

二、Cloudflare 免费服务大盘点

下面用表格整理 Cloudflare 免费套餐中最值得关注的服务：

服务	免费额度	适用场景
DNS 解析	不限量，全球最快	域名解析、TTL 优化
CDN 加速	不限量带宽	静态资源加速、图片托管
SSL/TLS 证书	免费，自动续期	全站 HTTPS
DDoS 防护	不限量，无上限	防御攻击
Workers	每天 10 万次请求	边缘脚本、API 代理
Workers AI	每天 10,000 次免费推理	AI 图片生成、大模型调用
Pages	500 个项目，不限带宽	静态网站、Jamstack 部署
R2 存储	10GB 存储，每月 1000 万次 A 类操作	对象存储、图片托管

2.1 DNS 解析：全球最快

Cloudflare 的 DNS 解析服务被公认为业界最快之一。将域名托管到 Cloudflare 后，你的 DNS 查询将走 Cloudflare 的 Anycast 网络，全球平均解析延迟在 10ms 以内。更重要的是，这项服务完全免费且不限量。

2.2 CDN 加速 + SSL/TLS 证书

把域名接入 Cloudflare 后，所有流量自动经过 CDN 节点缓存加速。同时 Cloudflare 自动为你的域名颁发 SSL 证书，支持免费的自动续期，彻底告别 Let's Encrypt 手动续签的烦恼。

2.3 DDoS 防护

Cloudflare 的 DDoS 防护没有流量上限，无论多大的攻击都是免费清洗。这对于个人站点和小型项目来说，简直是天上掉下来的保障。

2.4 Workers：边缘计算入门

Cloudflare Workers 是基于 V8 引擎的 Serverless 边缘计算平台。免费套餐提供每天 10 万次请求，足以支撑大多数个人项目和小型 API。你可以用它做：

API 代理和转发
请求鉴权和 Rate Limiting
A/B 测试
边缘 HTML 渲染

2.5 Pages：免费静态网站托管

Cloudflare Pages 类似于 Vercel/Netlify，但免费套餐更慷慨：500 个项目、不限带宽、支持 Git 自动部署。你可以直接把 Hugo、Next.js 等框架部署到 Pages 上，配合 Workers 实现全栈功能。

2.6 R2 存储：S3 兼容的免费对象存储

R2 提供 10GB 免费存储，并且出站流量完全免费（这一点对比 AWS S3 省钱太多了）。如果你需要一个低成本的图床或者文件存储方案，R2 是极佳选择。

三、Cloudflare Workers AI 实战

这是 Cloudflare 近年来最让人兴奋的免费服务之一。Workers AI 让你可以在边缘节点直接调用各种 AI 模型，无需自建 GPU 服务器。

3.1 可用模型一览

Workers AI 支持多种开源模型，覆盖主流 AI 任务：

图像生成：@cf/stabilityai/stable-diffusion-xl-base-1.0、@cf/bytedance/stable-diffusion-xl-lightning
图像理解：@cf/llava-hf/llava-1.5-7b-hf
语音转文字：@cf/openai/whisper
文本生成：@cf/meta/llama-3.1-8b-instruct、@cf/qwen/qwen1.5-14b-chat-awq
文本嵌入：@cf/baai/bge-base-en-v1.5

3.2 免费额度

免费套餐每天提供 10,000 次神经元（Neurons）的推理额度。对于 Stable Diffusion 图片生成，大约可以生成 几十到上百张图片（具体取决于模型和分辨率）；对于文本类任务则能调用数千次。

3.3 调用示例：AI 图片生成

通过 Worker 脚本调用 Stable Diffusion 生成图片：

export default {
  async fetch(request, env) {
    const url = new URL(request.url);
    const prompt = url.searchParams.get("prompt") || "a cute cat";
    const width = parseInt(url.searchParams.get("width") || "1024");
    const height = parseInt(url.searchParams.get("height") || "1024");

    const response = await env.AI.run(
      "@cf/bytedance/stable-diffusion-xl-lightning",
      { prompt, width, height }
    );

    return new Response(response, {
      headers: { "content-type": "image/png" },
    });
  },
};

把这个 Worker 部署后，你就可以通过 URL 参数直接生成图片：https://your-worker.dev/?prompt=日落下的海滩&width=1024&height=512

四、域名接入 Cloudflare 的步骤

接入 Cloudflare 非常简单，5 分钟搞定：

注册 Cloudflare 账号：访问 dash.cloudflare.com，用邮箱注册
添加站点：点击 "Add a Site"，输入你的域名（如 dingfengbo.eu.org）
选择套餐：选择 Free（$0/月）套餐
修改 Nameserver：Cloudflare 会给你两个 NS 地址，去你的域名注册商处把 NS 记录修改为 Cloudflare 提供的地址
等待生效：通常几分钟到几小时，NS 变更全球生效后状态会变为 Active
开启代理（橙色云朵）：在 DNS 记录设置中，将需要加速的记录的代理状态开启（橙色云朵图标）

完成以上步骤后，你的域名就正式接入 Cloudflare 了，自动享受 CDN 加速、SSL 证书和 DDoS 防护。

五、实战案例：用 Workers AI 自动生成博客封面图

以定风波博客为例，我们可以部署一个 Worker，自动生成文章封面图。

5.1 部署图片生成 Worker

在 Cloudflare Dashboard → Workers & Pages 中创建新的 Worker，将上面的代码粘贴进去并部署。wrangler.toml 配置：

name = "ai-image-gen"
main = "src/index.js"
compatibility_date = "2024-12-01"

binding = "AI"

5.2 自动生成封面

部署后，通过 curl 即可拉取生成的图片：

curl -sL -o cover.png \
  "https://ai-image-gen.your-subdomain.workers.dev/?prompt=Cloudflare%20workers%20edge%20computing%20neon%20blue%20orange&width=1024&height=512" \
  --max-time 60

在博客的发布流程中加入这一步，就能为每篇文章自动生成独特的 AI 封面图，省去手动找图的麻烦。

六、与其他免费服务对比

功能	Cloudflare 免费	Vercel 免费	Netlify 免费	AWS 免费层
CDN/带宽	不限量	100GB/月	100GB/月	仅限首年
静态托管	Pages 不限量	有限制	有限制	S3 需付费
DNS	全球最快	基础 DNS	基础 DNS	Route 53 收费
DDoS 防护	无上限	基础防护	基础防护	需付费 WAF
AI 推理	10,000 次/天	Vercel AI SDK	无	Bedrock 收费
对象存储	R2: 10GB 免费	Blob: 有限	无	S3: 5GB

从对比可以看出，Cloudflare 的免费套餐在带宽、DNS、安全防护三个维度上几乎是碾压级的存在。特别是 DDoS 防护无上限和 R2 出站流量免费这两点，其他平台完全做不到。

七、总结

Cloudflare 的免费套餐已经足够覆盖个人站点、小型项目的绝大多数需求：DNS 解析、CDN 加速、SSL 证书、DDoS 防护、静态托管、对象存储，甚至 AI 推理——全部免费。如果你还没用过 Cloudflare，现在就是最好的时机。

对于想要深入学习的朋友，推荐阅读免费 API 获取指南和云服务器部署指南，结合 Cloudflare 的边缘计算能力，可以构建出非常强大的全栈应用。

OpenRouter 完全指南：一个 API 调用所有 AI 模型

Thu, 02 Apr 2026 00:00:00 GMT

你还在为每个 AI 模型单独注册 API Key 头疼吗？OpenAI 一个 key，Claude 一个 key，Gemini 又一个 key——管理起来简直是一场噩梦。OpenRouter 的出现，彻底解决了这个问题：一个 API Key，调用 200+ AI 模型，包括 28 个完全免费的模型。

这篇文章是我使用 OpenRouter 半年多的真实经验总结，从注册到实战调用，从免费模型推荐到成本优化，帮你一次性搞懂这个 AI 模型聚合平台。

OpenRouter 是什么？

简单来说，OpenRouter 是一个 AI 模型的聚合网关。它把 OpenAI、Anthropic、Google、Meta、Qwen、DeepSeek 等几十家厂商的模型统一到一个 API 接口后面。你只需要对接 OpenRouter 的 API，就能自由切换使用任何模型。

这就像一个"AI 模型的携程"——不用分别去各家航空公司官网买票，一个平台搞定所有航班。

目前 OpenRouter 已经接入了 200+ 个模型，覆盖了市面上几乎所有主流 AI 模型，从 GPT-4o 到 Claude 4，从 Gemini 2.5 到 DeepSeek R1，应有尽有。据报道，OpenRouter 正在以 13 亿美元估值融资 1.2 亿美元，Google 作为领投方——这说明行业对这个赛道非常看好。

OpenRouter 的核心优势

一个 API 调用 200+ 模型

这是最核心的价值。你只需要把代码中的 base_url 改成 https://openrouter.ai/api/v1，然后换上 OpenRouter 的 API Key，就能调用所有模型。完全兼容 OpenAI SDK，迁移成本几乎为零。

28 个完全免费的模型

OpenRouter 提供了 28 个完全免费的 AI 模型，不需要信用卡，注册就能用。免费模型的速率限制是每分钟 20 次请求、每天 200 次请求，对于学习、测试和轻度使用完全够用。

自动 Failover 故障转移

这个功能被严重低估了。你可以设置主模型和备用模型，当主模型因为限流或故障不可用时，OpenRouter 会自动切换到备用模型，对你的应用完全透明。这对生产环境的稳定性至关重要。

按量付费，无月费

OpenRouter 没有订阅费、没有月费，纯粹按 token 用量计费。免费模型不花钱，付费模型的价格和直接调用厂商 API 基本一致（OpenRouter 在此基础上加收少量服务费）。充多少用多少，非常适合个人开发者和小团队。

免费模型 Top 10 推荐

根据实际使用体验，以下是我推荐的 10 个免费模型：

模型	厂商	上下文长度	亮点
Qwen3.6 Plus Preview	Qwen	100 万 token	超长上下文，支持工具调用
Nemotron 3 Super 120B	NVIDIA	262K	120B 参数 MoE 架构，支持工具调用
GPT-OSS 120B	OpenAI	131K	OpenAI 开源模型，支持工具调用
GLM-4.5 Air	智谱 AI	131K	中文能力强，支持工具调用
Llama 3.3 70B	Meta	66K	通用能力出色，支持工具调用
Qwen3 Coder	Qwen	262K	代码专用，480B 参数
Step 3.5 Flash	阶跃星辰	256K	速度快，支持工具调用
MiniMax M2.5	MiniMax	197K	支持工具调用
Gemma 3 27B	Google	131K	支持视觉理解
Hermes 3 Llama 405B	Nous Research	131K	最大开源模型之一

个人推荐策略：日常对话用 Llama 3.3 70B 或 GLM-4.5 Air，写代码用 Qwen3 Coder，需要超长上下文用 Qwen3.6 Plus Preview，中文场景优先考虑 GLM-4.5 Air。

注册和获取 API Key

注册过程非常简单：

访问 openrouter.ai，点击 Sign In
使用 Google 或 GitHub 账号登录（不需要信用卡）
登录后进入 Keys 页面
点击 Create Key，给 Key 起个名字
复制生成的 API Key，保存好

免费模型直接就能用，不需要充值。如果要用付费模型，可以在 Credits 页面充值，最低 5 美元起。

API 调用示例

curl 调用

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta-llama/llama-3.3-70b-instruct:free",
    "messages": 
  }'

Python 调用

from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="sk-or-v1-你的API Key"
)

response = client.chat.completions.create(
    model="qwen/qwen3.6-plus-preview:free",
    messages=
)

print(response.choices.message.content)

Node.js 调用

import OpenAI from 'openai';

const client = new OpenAI({
  baseURL: 'https://openrouter.ai/api/v1',
  apiKey: process.env.OPENROUTER_API_KEY,
});

const response = await client.chat.completions.create({
  model: 'z-ai/glm-4.5-air:free',
  messages: ,
});

console.log(response.choices.message.content);

看到了吗？和调用 OpenAI API 的代码几乎一模一样，只是改了 base_url 和模型名称。这也是 OpenRouter 最大的优势之一——迁移成本极低。

OpenRouter Free Router：自动路由最优免费模型

OpenRouter 提供了一个特殊的模型标识符：openrouter/free。当你使用这个模型 ID 时，OpenRouter 会自动为你选择当前最优的免费模型。

它的选择逻辑考虑了：

当前各模型的负载情况
模型的综合能力评分
响应速度和可用性

这意味着你不需要自己纠结选哪个免费模型，让 OpenRouter 帮你选就行了。非常适合快速原型开发和测试场景。

在 OpenClaw 中配置 OpenRouter

如果你在使用 OpenClaw，配置 OpenRouter 非常简单：

在 OpenClaw 配置文件中找到模型配置部分
将 base_url 设置为 https://openrouter.ai/api/v1
填入你的 OpenRouter API Key
选择想要使用的模型（如 meta-llama/llama-3.3-70b-instruct:free）

配置完成后，OpenClaw 就能通过 OpenRouter 调用任何模型了。结合 OpenRouter 的免费模型，你可以零成本运行 OpenClaw 的大部分功能。

成本优化策略

以下是我总结的几个实用的成本优化技巧：

1. 善用免费模型

日常对话、简单问答、代码片段生成，免费模型完全够用。把付费模型留给真正需要高质量输出的场景。

2. 设置 fallback 模型

在 API 调用中设置 models 参数（数组），OpenRouter 会按顺序尝试，第一个可用的就用。这样既保证了可用性，又能优先使用便宜的模型。

{
  "model": "openai/gpt-4o-mini",
  "models": ,
  "messages": 
}

3. 控制 max_tokens

不要设置过大的 max_tokens。根据实际需要设置合理的上限，避免模型生成过多不必要的 token。

4. 使用 prompt caching

对于重复的系统提示（system prompt），OpenRouter 支持 prompt caching，可以大幅降低重复调用的成本。

OpenRouter vs 直接调用厂商 API

维度	OpenRouter	直接调用厂商 API
API Key 管理	一个 Key 管所有模型	每个厂商一个 Key
模型切换	改模型名即可	需要改 base_url + Key + SDK
免费模型	28 个免费模型统一管理	各厂商免费额度分散
故障转移	内置自动 failover	需要自己实现
价格	与厂商价格基本一致（少量加价）	原价
延迟	多一跳，略高几毫秒	直连，延迟最低
用量统计	统一 dashboard	分散在各平台

我的建议：

个人开发者 / 学习者：直接用 OpenRouter，免费模型 + 统一管理，省心省力
小团队 / 初创公司：用 OpenRouter 做开发和测试，生产环境可以根据具体需求选择直连或继续用 OpenRouter
大流量生产环境：核心模型直连厂商 API 获得最佳性能和价格，用 OpenRouter 作为 fallback 和多模型调度

总结

OpenRouter 解决了 AI 开发中一个真实的痛点——模型碎片化。一个 API 调用所有模型，28 个免费模型白嫖到底，自动故障转移保证稳定性，按量付费没有月费压力。

如果你还没试过 OpenRouter，现在就去注册一个账号，不需要信用卡，5 分钟内就能跑通第一个 API 调用。对于想快速体验各种 AI 模型的开发者来说，这可能是 2026 年最值得了解的工具之一。

API Key 安全管理：别把密钥泄露到互联网上

Wed, 01 Apr 2026 00:00:00 GMT

2023 年，一位开发者把包含 AWS Access Key 的代码推到了公开的 GitHub 仓库。不到 10 分钟，自动化脚本就拿到了他的 Key，启动了大量 EC2 实例挖矿。等他发现时，AWS 账单已经飙升到了 4.5 万美元。

这不是个例。API Key 泄露是开发者圈子里最常见的安全事故之一，而且后果远比你想象的严重。

API Key 泄露的真实案例和后果

API Key 泄露不是理论风险，而是每天都在发生的真实事故。来看几个典型案例：

案例 1：GitHub 公开仓库泄露 OpenAI Key

开发者在 GitHub 公开仓库提交了包含 OpenAI API Key 的代码。黑客用这个 Key 跑了大量的 GPT-4 请求，月底账单 $2,000+。更糟糕的是，黑客还用这个 Key 做了一些违规操作，导致开发者账号被封禁。

案例 2：截图泄露 AWS 密钥

有人在 Stack Overflow 提问时贴了一张终端截图，截图里包含 AWS Access Key。自动化爬虫识别图片中的 Key 后，立刻用来启动服务器挖矿。3 天后，$6,000 账单。

案例 3：日志打印 Key

一个应用在启动时把所有配置参数（包括 API Key）打印到了日志里。日志被错误地配置为公开访问，搜索引擎索引了这些日志页面。Key 泄露后被批量利用。

泄露的后果不仅仅是钱的问题：

💰 账单暴涨——被盗用产生巨额费用
🚫 账号封禁——违规使用导致服务商封号
📉 数据泄露——通过 Key 可能访问你的数据
⚖️ 法律风险——如果泄露了用户数据，可能面临法律追责
😤 信任损失——用户和合作伙伴对你的信任崩塌

常见的泄露途径：你的 Key 是怎么跑到互联网上的？

1. 代码提交到 GitHub

这是最高频的泄露途径。开发者把 Key 写在代码里，然后 push 到了公开仓库。GitHub 上有大量自动化机器人在扫描新提交的代码，几秒内就能发现泄露的 Key。

常见场景：

配置文件里写了真实 Key，忘了加 .gitignore
代码示例里用了真实 Key，忘了替换
从私有仓库 fork 到公开仓库，Key 跟着一起暴露
环境变量文件（.env）被提交

2. 截图泄露

终端截图、配置截图、错误信息截图……很多人在分享问题时没有注意到截图里包含了 API Key。更隐蔽的是，即使你用马赛克涂抹了部分 Key，OCR 技术有时候还能识别出来。

3. 日志泄露

应用在启动时打印配置、调试日志打印完整请求头、错误信息包含认证信息……这些日志如果被公开或索引，Key 就暴露了。

4. 其他途径

聊天记录泄露——在 Slack/Discord/微信群里分享了包含 Key 的内容
错误配置的环境变量——调试时打印了所有环境变量
容器镜像——打包了 Key 的 Docker 镜像上传到了公开 Registry
客户端代码——Key 被嵌入到了前端 JavaScript 或移动 App 里

安全最佳实践

1. 使用环境变量存储 Key

永远不要把 API Key 硬编码在代码里。使用环境变量：

# ❌ 错误做法
api_key = "sk-abc123def456..."

# ✅ 正确做法
import os
api_key = os.environ.get("OPENAI_API_KEY")

环境变量的好处：Key 不在代码里，不会被 git 追踪，不同环境可以用不同的 Key。

2. .env 文件管理

用 .env 文件管理本地开发的环境变量，但一定要做好以下几点：

# .env 文件示例
OPENAI_API_KEY=sk-abc123...
ANTHROPIC_API_KEY=sk-ant-abc123...
DATABASE_URL=postgres://user:pass@localhost/db

立刻把 .env 加入 .gitignore——创建项目的第一件事
提供 .env.example 模板——只写 Key 名，不写真实值
给 .env 文件设置严格权限：chmod 600 .env
不要在 .env.example 里写真实 Key（听起来很蠢，但真的有人这么做）

3. 不要把 Key 写在代码里（再次强调）

不管你是写注释、写文档、写测试代码，还是写示例代码，都不要用真实 Key。用占位符：

// ✅ 使用占位符
const apiKey = "YOUR_API_KEY_HERE";

// ❌ 不要用真实 Key，哪怕是注释里
// const apiKey = "sk-abc123def456"; // 这是我的key

4. 定期轮换密钥

即使你没有发现泄露，也应该定期更换 API Key。就像定期换密码一样。

设置日历提醒，每 90 天轮换一次 Key
轮换时先创建新 Key，更新所有服务后，再删除旧 Key
避免轮换期间服务中断——先并行运行新旧 Key

OpenClaw 中的 Key 管理方式

OpenClaw 对 API Key 管理有内置的安全设计，了解这些机制能帮你更好地保护密钥。

配置文件管理

OpenClaw 的配置文件 config.yaml 存放在 ~/.openclaw/ 目录下。这个目录默认只有当前用户可读，权限是安全的。你在配置里填入的 API Key 都存储在这里。

配置示例：

providers:
  openai:
    api_key: "sk-..."
  anthropic:
    api_key: "sk-ant-..."

安全建议

确保 ~/.openclaw/config.yaml 的权限为 600（仅 owner 可读写）
不要把 OpenClaw 配置文件提交到 git
备份配置时，注意脱敏处理 Key
如果用 Docker 部署，用 Docker Secrets 或环境变量注入 Key，而不是写死在镜像里

API Key 权限控制

大多数 API 服务都支持创建不同权限级别的 Key。遵循最小权限原则——只给 Key 它需要的最低权限。

只读 vs 完整访问

以 OpenAI 为例，你可以创建：

只读 Key——只能调用 API 查询，不能修改账号设置、不能创建新的 Key
写入 Key——可以创建 fine-tune 任务、上传文件等
受限 Key——限制只能访问特定的模型或功能

如果你的使用场景只是调用 GPT API，那就创建一个只用于 completions 的 Key，不要用全能的管理员 Key。

多 Key 策略

为不同用途创建不同的 Key：

开发环境用一个 Key
生产环境用另一个 Key
测试/实验再用一个 Key

这样即使某个 Key 泄露了，你只需要轮换那个 Key，不会影响其他环境。

使用代理 API 隐藏真实 Key

如果你需要在多个地方使用 API，可以考虑使用代理服务来保护真实 Key：

自建 API 代理

搭建一个中间层服务，对外暴露代理 Key，对内使用真实 Key：

客户端 → 你的代理服务 → OpenAI API
        (代理Key)      (真实Key)

好处：

真实 Key 永远不离开你的服务器
可以在代理层做日志、限流、缓存
泄露了代理 Key，只需要在代理层更换，不用动真实 Key

第三方代理服务

一些服务提供 API 聚合和代理功能，比如 OpenRouter、OneAPI 等。你把 Key 配在这些服务上，客户端只用这些服务提供的 Key。即使客户端 Key 泄露，你的真实 API Key 仍然是安全的。

OpenClaw 支持配置自定义 API 端点，你可以很方便地接入这些代理服务。

设置用量限制和告警

即使做好了所有预防措施，也要设置"最后一道防线"——用量限制和告警。

用量限制

大部分 API 服务都支持设置用量上限：

OpenAI——在后台设置月度预算上限（Monthly Budget）
Anthropic——设置 Rate Limit 和用量限制
各大云服务——AWS Budgets、GCP Budget Alerts、Azure Cost Management

设置一个合理的上限，比如 $50/月。即使 Key 被盗用，损失也被控制在预算范围内。

告警通知

开启用量告警，在以下情况时通知你：

用量达到预算的 50%、80%、100%
短时间内请求量异常飙升
出现了你没有使用过的模型或功能

早发现 1 小时，可能省下几千美元。

被泄露后怎么处理？紧急步骤清单

如果你发现 API Key 已经泄露了，按照以下步骤紧急处理：

🚨 第一时间（0-5 分钟）

立即撤销泄露的 Key——去 API 服务商后台删除或 revoke 这个 Key
检查是否有异常用量——查看 API 调用日志，确认是否有非本人的操作

⚡ 短期处理（5-30 分钟）

创建新 Key——生成新的 API Key 替换到所有正常使用的地方
检查所有使用该 Key 的服务——确保全部切换到新 Key
联系 API 服务商——说明情况，请求免除被盗用的费用（很多服务商对此有豁免政策）

🔍 后续排查（30 分钟 - 数小时）

找到泄露源头——检查 git 历史、聊天记录、截图、日志
清理泄露内容——删除公开仓库中的 Key、清除搜索引擎缓存
检查关联服务——如果多个服务使用同一密码/Key，全部更换
review 安全流程——为什么会泄露？流程哪里出了问题？怎么防止下次发生？

GitHub 有一个专门的工具可以帮你扫描仓库中的密钥泄露：git-secrets 和 truffleHog。强烈建议在所有项目中安装使用。

总结

API Key 安全管理的核心原则就几条：

不要把 Key 写在代码里——用环境变量和配置文件管理
不要把 Key 提交到 Git——.env 加入 .gitignore
不要把 Key 截图分享——用占位符代替
遵循最小权限原则——只给 Key 需要的最低权限
设置用量上限——即使泄露，损失也可控
定期轮换 Key——把定期更换当作日常维护

记住，Key 泄露往往不是发生在你小心翼翼的时候，而是在你松懈大意的那一刻。把安全习惯变成肌肉记忆，比事后补救轻松一万倍。

2026 年最便宜的云服务器推荐：从免费到百元月费

Wed, 01 Apr 2026 00:00:00 GMT

引言：AI 助手为什么要跑在云服务器上

玩 OpenClaw 或者其他 AI 助手项目，你迟早会面临一个问题：这东西跑在哪里？

自己的电脑当然可以，但关机就断了。树莓派也行，但性能和网络都不太稳定。最靠谱的方案，还是租一台云服务器——7×24 小时在线，稳定的公网 IP，随时可以被外部服务访问。

但云服务器的价格从免费到每月几百元不等，怎么选？这篇文章帮你梳理 2026 年最划算的云服务器方案，从完全免费到百元月费，覆盖个人开发者到小型团队的各种需求。

免费方案：Oracle Cloud Always Free

是的，你没看错——完全免费，永久免费。Oracle Cloud 的 Always Free 计划是目前市面上最慷慨的免费云服务，没有之一。

ARM 实例（推荐）

配置：最多 4 核 ARM CPU + 24GB 内存
存储：200GB 块存储
带宽：10TB/月出站流量
系统：Ubuntu、Oracle Linux 等

这个 ARM 实例是跑 OpenClaw 的绝佳选择。4 核 24G 的配置，跑一个 Node.js 服务绰绰有余。200GB 存储足够日常使用，10TB 带宽更是让人怀疑 Oracle 是不是在做慈善。

AMD 实例

配置：1 核 AMD CPU + 1GB 内存
存储：50GB 块存储
数量：最多 2 台

1 核 1G 的 AMD 实例跑 AI 助手有点吃力，但可以用来做反向代理、跳板机或者轻量级 Web 服务。

申请技巧

注册时选择「非美国」区域（如日本、韩国），ARM 实例更容易申请到
需要一张国际信用卡（Visa/Mastercard）验证，不会扣费
ARM 实例资源紧张，如果申请不到可以多试几次或换区域

⚠️ 注意：Oracle Cloud 对闲置实例会自动回收，建议部署一些定时任务保持活跃。

低价方案：国内云服务商

如果你主要服务国内用户，或者想要更快的国内访问速度，阿里云和腾讯云的轻量应用服务器是最主流的选择。

阿里云轻量应用服务器

配置	月费	特点
2核1G 40GB	~30元/月	入门款，能跑基本服务
2核2G 60GB	~40元/月	推荐款，OpenClaw 流畅运行
2核4G 80GB	~60元/月	舒适款，多服务并行无压力

阿里云轻量的新用户优惠力度很大，首年经常有半价甚至更低的活动价。但续费时会恢复原价，这点需要注意。

腾讯云轻量应用服务器

配置	月费	特点
2核2G 40GB	~35元/月	入门款
2核4G 60GB	~55元/月	推荐款
4核8G 100GB	~100元/月	豪华款，适合多项目

腾讯云的配置和价格跟阿里云差不多，选择主要看哪家的新用户优惠更好。两家经常打价格战，注册前可以比较一下当前活动。

海外方案：Vultr / DigitalOcean / Hetzner

如果你需要海外节点（比如对接 Telegram Bot、Discord Bot 等），以下几家是性价比最高的选择：

Hetzner（最推荐）

价格：€3.99/月起（约 ¥30）
配置：2核/4GB/40GB SSD
特点：欧洲老牌主机商，性价比碾压同类

Hetzner 是近几年海外开发者圈最火的云服务器选择。同样的配置，价格只有 AWS 的 1/3 到 1/4。唯一的缺点是机房主要在欧洲（德国、芬兰），到国内延迟较高。如果你的用户主要在海外，Hetzner 是首选。

Vultr

价格：$5/月起（约 ¥36）
配置：1核/1GB/25GB SSD
特点：全球 30+ 数据中心，日本和新加坡节点对国内友好

Vultr 的优势在于机房覆盖广，从东京到迈阿密，哪里都能部署。按小时计费，用完就删，非常适合短期测试。日本机房到国内延迟较低（~50ms），是做 Telegram Bot 的热门选择。

DigitalOcean

价格：$5/月起（约 ¥36）
配置：1核/1GB/25GB SSD
特点：文档完善，开发者体验好，适合新手

DigitalOcean 的价格跟 Vultr 差不多，但它的文档和社区生态做得更好。如果你是第一次用海外云服务器，DigitalOcean 的入门体验会更友好一些。

进阶方案

AWS Lightsail

价格：$3.50/月起（约 ¥25）
配置：1核/512MB/20GB
特点：AWS 生态的一员，方便后续扩展

AWS Lightsail 是 AWS 推出的简化版 VPS 产品，适合不想折腾 EC2 复杂配置的用户。$3.50 的入门款能跑极轻量的服务，$5 的 1核2G 版本更适合跑 OpenClaw。优势是可以无缝对接 AWS 的其他服务（S3、Lambda 等）。

Google Cloud

价格：e2-micro 免费层（美国区域）
配置：0.25核/1GB 共享
特点：有免费层，但配置很有限

Google Cloud 的免费层 e2-micro 实例性能非常有限（共享 CPU，算力约 0.25 核），跑 Python 爬虫之类的轻量任务可以，跑 AI 助手就捉襟见肘了。而且免费层不包含中国大陆友好的区域。

选购指南：CPU / 内存 / 带宽怎么选

跑 OpenClaw 这类 AI 助手服务，对服务器的要求其实不高——它主要是做消息中转和 API 调用，不是在本地跑大模型。以下是建议配置：

用途	最低配置	推荐配置
单个 AI 助手（OpenClaw）	1核1G	1核2G
AI 助手 + Web 服务	2核2G	2核4G
多服务并行	2核4G	4核8G
开发/测试环境	1核512M	1核1G

关于带宽，AI 助手主要的流量是 API 调用的文本数据，流量很小。一般 1-3Mbps 的带宽就足够了，不需要太在意。

各家对比一览

服务商	最低月费	国内速度	海外速度	适合场景
Oracle Cloud ARM	免费	一般	好	个人项目、学习
阿里云轻量	~30元	优秀	一般	国内用户、备案站点
腾讯云轻量	~35元	优秀	一般	国内用户、备案站点
Hetzner	~30元	较差	优秀	海外用户、成本优先
Vultr	~36元	较好	优秀	全球部署、短租测试
DigitalOcean	~36元	较好	优秀	新手友好
AWS Lightsail	~25元	一般	优秀	AWS 生态扩展

实测：跑 OpenClaw 的实际体验

以下是我在不同服务器上跑 OpenClaw 的真实体验：

Oracle Cloud ARM 4核24G（免费）

配置豪华，但 ARM 架构偶尔有兼容性问题。跑 OpenClaw 完全没问题，Node.js 原生支持 ARM。内存充裕到可以用一部分来做缓存。唯一的遗憾是日本区域的 ARM 实例资源紧张，申请需要运气。

阿里云轻量 2核2G（~40元/月）

国内访问飞快，部署方便。Docker + OpenClaw 一气呵成，5 分钟搞定。缺点是新用户优惠到期后续费价格翻倍，需要提前规划。

Vultr 日本 1核1G（$5/月）

跑 Telegram Bot 的经典选择。到国内延迟约 50ms，到 Telegram 服务器延迟也很低。1 核 1G 刚好够用，如果加的服务多了会有点紧张。

Hetzner 德国 2核4G（€3.99/月）

性价比之王。同样的钱在国内连 1 核 1G 都买不到。缺点是从国内访问延迟高（200ms+），不适合面向国内用户的场景。但如果是给海外 Telegram 群用的 Bot，完全没有问题。

省钱技巧

新用户优惠：阿里云、腾讯云的首购优惠非常大，可以用不同身份（公司/个人）分别注册
按需计费：Vultr、AWS 都支持按小时计费，测试完就删，不浪费钱
预留实例：确定长期使用后，AWS/GCP 的预留实例可以打 3-7 折
学生优惠：阿里云、腾讯云都有学生优惠，10-20 元/月就能拿到不错的配置
黑五/双 11 促销：各大云服务商的促销力度很大，提前囤一年很划算
多区域申请免费实例：Oracle Cloud 可以在多个区域各开一台免费实例

总结

选择云服务器，最重要的是明确自己的需求：

纯个人项目、学习用途 → Oracle Cloud 免费实例，零成本起步
面向国内用户 → 阿里云/腾讯云轻量，选新用户优惠的 2核2G 款
面向海外用户（Telegram Bot、Discord Bot） → Hetzner（最便宜）或 Vultr 日本（延迟最低）
需要 AWS 生态 → AWS Lightsail $5 款

不管选哪个，先把免费的用起来总是对的。Oracle Cloud 的免费实例足够你跑通整个 OpenClaw 的部署流程，等到真正需要更多资源的时候，再考虑付费方案也不迟。

更多关于 OpenClaw 的部署教程，可以参考 OpenClaw 云部署指南。

📖 相关阅读

DeepSeek API 完全指南：最便宜的大模型 API 怎么用

Wed, 01 Apr 2026 00:00:00 GMT

引言：为什么你需要关注 DeepSeek

2025 年初，一家来自中国的 AI 公司 DeepSeek 横空出世，凭借极低的价格和接近 GPT-4 的能力，迅速成为全球开发者圈的热门话题。如果你还在用 OpenAI API 但被价格劝退，那 DeepSeek 绝对值得你花 5 分钟了解一下。

简单来说：DeepSeek 提供了目前市面上性价比最高的大语言模型 API，而且兼容 OpenAI 的接口格式，切换成本几乎为零。

DeepSeek 是什么，为什么突然火了

DeepSeek（深度求索）是一家成立于 2023 年的中国 AI 公司，由量化基金幻方量化创立。2024 年底，DeepSeek V3 模型发布，在多个基准测试中接近甚至超越 GPT-4，而 API 价格仅为 OpenAI 的百分之一。2025 年初，推理模型 DeepSeek R1 的发布更是引爆了整个行业——它在数学推理和代码生成方面的表现令人惊艳，价格却低到离谱。

DeepSeek 的火爆有三个核心原因：

极致性价比：同等能力下，价格是 OpenAI 的 1/50 到 1/100
开源友好：模型权重部分开源，社区生态活跃
OpenAI 兼容：API 格式完全兼容 OpenAI，改个 URL 就能切换

DeepSeek V3/R1 模型能力评估

DeepSeek 目前提供两个主力模型：

模型	定位	上下文长度	适合场景
DeepSeek V3	通用对话	128K	日常对话、写作、翻译、摘要
DeepSeek R1	推理增强	128K	数学、代码、逻辑推理、复杂分析

在实际使用中，DeepSeek V3 的综合能力大致相当于 GPT-4o 的 90-95%，在中文理解和生成方面甚至更优。DeepSeek R1 则在推理密集型任务上表现出色，数学和代码能力可与 o1 相当。

不过需要注意的是，DeepSeek 在一些特定领域（如多模态理解、实时信息获取）还不如 GPT-4o，且不支持图像输入（截至撰写时）。

API 注册和获取 API Key

获取 DeepSeek API Key 非常简单：

访问 platform.deepseek.com
使用邮箱或手机号注册账号
登录后进入「API Keys」页面
点击「Create API Key」创建密钥
复制并妥善保存你的 API Key（它只会显示一次）

新用户注册时通常会获得一定的免费额度，足够你跑通测试流程。充值最低 10 元起，支持支付宝和微信支付。

API 调用方式和代码示例

DeepSeek 的 API 完全兼容 OpenAI 格式，这意味着你可以直接使用 OpenAI SDK，只需修改 base URL。

Python 示例

from openai import OpenAI

client = OpenAI(
    api_key="your-deepseek-api-key",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-chat",  # V3 模型
    messages=,
    temperature=0.7,
    max_tokens=2000
)

print(response.choices.message.content)

Node.js 示例

import OpenAI from 'openai';

const client = new OpenAI({
    apiKey: 'your-deepseek-api-key',
    baseURL: 'https://api.deepseek.com'
});

async function chat() {
    const response = await client.chat.completions.create({
        model: 'deepseek-chat',
        messages: ,
        temperature: 0.7
    });
    console.log(response.choices.message.content);
}

chat();

使用推理模型 R1

# 使用 R1 推理模型，model 改为 "deepseek-reasoner"
response = client.chat.completions.create(
    model="deepseek-reasoner",  # R1 推理模型
    messages=
)

与 OpenAI API 的兼容性

这是 DeepSeek 最讨巧的设计之一：你几乎不需要改任何代码，只需把 OpenAI 的 base URL 替换成 DeepSeek 的即可。以下是你已有的项目切换到 DeepSeek 的步骤：

# 原来的 OpenAI 配置
OPENAI_API_KEY=sk-xxxx
OPENAI_API_BASE=https://api.openai.com/v1

# 改成 DeepSeek
OPENAI_API_KEY=sk-xxxx-deepseek
OPENAI_API_BASE=https://api.deepseek.com

对于大多数项目，这一步就够了。你用 OpenAI SDK 写的所有代码，包括流式输出（stream）、函数调用（function calling）等功能，DeepSeek 都支持。

价格对比：DeepSeek vs OpenAI vs Claude

直接上数据（价格为每百万 Token，单位：美元）：

服务	模型	输入价格	输出价格
DeepSeek	V3 (deepseek-chat)	$0.27	$1.10
DeepSeek	R1 (deepseek-reasoner)	$0.55	$2.19
OpenAI	GPT-4o	$2.50	$10.00
OpenAI	o1	$15.00	$60.00
Anthropic	Claude 3.5 Sonnet	$3.00	$15.00

没错，DeepSeek V3 的价格只有 GPT-4o 的十分之一。对于大部分日常任务，这个价格差距意味着你可以用同样的预算处理 10 倍的请求量。如果你每天的 API 调用量在数千次以上，这个差异会非常明显。

适用场景：什么时候用 DeepSeek 最划算

DeepSeek 特别适合以下场景：

批量文本处理：摘要、翻译、格式转换等不需要极致推理的任务
中文内容生成：DeepSeek 的中文能力非常出色，是 GPT-4o 的有力替代
代码辅助：V3/R1 在代码生成和调试方面表现优秀
AI 助手后端：如果你在搭一个聊天机器人或 AI Agent，DeepSeek 是高性价比选择
原型开发：快速验证想法时，用 DeepSeek 能大幅降低试错成本

但以下场景建议还是用 OpenAI 或 Claude：

需要多模态（图像理解、图像生成）
需要实时信息（联网搜索）
对英文长文写作质量要求极高
需要极高的 API 稳定性和 SLA 保障

限制和注意事项

虽然 DeepSeek 很香，但也不是没有坑：

内容审查：作为中国公司运营的模型，对某些敏感话题会有内容过滤，回复可能被截断或拒绝。这是使用前需要了解的最重要限制。
高峰期速度：在用户量暴增的时段（如 2025 年初爆火时），API 响应可能变慢。目前情况已大幅改善。
可用性：服务偶尔会有维护或不稳定的情况，不像 OpenAI 有企业级 SLA 保障。
数据隐私：数据存储和处理在中国境内，如果你处理的是敏感业务数据，需要评估合规性。
功能更新：新功能上线速度可能比 OpenAI 慢一些。

在 OpenClaw 中配置 DeepSeek API

如果你想在 OpenClaw 中使用 DeepSeek 作为模型后端，配置过程非常简单。编辑 OpenClaw 的配置文件：

# 编辑 OpenClaw 配置
nano ~/.openclaw/config.yaml

在配置中添加或修改模型提供商：

models:
  providers:
    deepseek:
      api_key: sk-your-deepseek-api-key
      base_url: https://api.deepseek.com
      models:
        - deepseek-chat
        - deepseek-reasoner

然后重启 OpenClaw 服务即可生效。你可以在聊天中通过命令切换模型，比如使用 DeepSeek V3 进行日常对话，用 R1 处理复杂的推理任务。

更多关于 OpenClaw 的安装和配置，可以参考 OpenClaw 安装教程。

总结

DeepSeek 的出现，让「用得起 AI」这件事变得不再遥远。对于个人开发者、小型团队、预算有限的创业者来说，DeepSeek API 是一个极具吸引力的选择。它的 OpenAI 兼容格式意味着你可以零成本迁移，它的价格让你可以把 AI 能力真正用起来，而不是因为成本问题束手束脚。

当然，DeepSeek 不是万能的——它有内容审查的限制，在某些高端场景下能力还有差距。但对于 80% 的日常 AI 应用场景，DeepSeek 已经足够好，而且便宜到你可以放心大胆地用。

所以，下次当你看到 OpenAI 账单时心里一紧的时候，不妨试试 DeepSeek。你的钱包会感谢你的。

📖 相关阅读

WordPress SEO 优化清单：新站必做的 20 件事

Wed, 01 Apr 2026 00:00:00 GMT

刚搭建好 WordPress 站点，却发现搜索引擎迟迟不来收录？别慌，这是每个新站站长都会遇到的问题。SEO（搜索引擎优化）不是一蹴而就的魔法，而是一套可以按部就班执行的系统工程。本文整理了 WordPress 新站必做的 20 件 SEO 优化事项，从基础配置到进阶策略，逐一拆解，帮你把站点的搜索引擎友好度拉满。

无论你是个人博客、企业官网还是电商站点，这份清单都适用。逐项检查，完成一项打一个勾，你会发现 SEO 其实没那么玄乎。

一、基础配置篇（第 1-5 项）

✅ 第 1 项：设置固定链接结构

WordPress 默认的固定链接是 ?p=123 这种形式，对 SEO 极不友好。进入 设置 → 固定链接，选择「文章名」格式，即 /%postname%/。这样生成的 URL 会是 your-site.com/wordpress-seo-guide，既包含关键词，又简洁易读。

注意：修改固定链接后，如果站点已有内容，需要设置 301 重定向，避免旧链接变成 404。

✅ 第 2 项：完善站点标题和副标题

进入 设置 → 常规，填写站点标题（Site Title）和副标题（Tagline）。标题应包含核心关键词，副标题简要说明站点定位。例如：标题「定风波的技术博客」，副标题「AI 工具 · 开源项目 · 技术教程」。

切记删掉默认的「Just another WordPress site」——这是很多新手的常见失误。

✅ 第 3 项：启用 HTTPS

HTTPS 已经是 Google 排名因素之一。大多数主机商提供免费的 Let's Encrypt SSL 证书，一键启用即可。启用后，确保在 设置 → 常规 中将 WordPress 地址和站点地址都改为 https:// 开头。

如果混合了 HTTP 和 HTTPS 资源，浏览器会显示「不安全」警告，严重影响用户信任度。

✅ 第 4 项：选择 SEO 友好的主题

主题的选择直接影响站点速度和代码质量。推荐选择轻量级、代码规范的主题，如 GeneratePress、Astra、Kadence 等。避免使用功能臃肿的多用途主题——它们往往加载大量无用的 CSS 和 JS，拖慢页面速度。

判断标准：主题的 Google PageSpeed Insights 评分应在 90 分以上（桌面端）。

✅ 第 5 项：安装并配置 SEO 插件

WordPress 生态中有两大主流 SEO 插件：RankMath 和 Yoast SEO。两者功能相似，但 RankMath 免费版功能更丰富（包含 Schema 标记、404 监控、重定向管理等），推荐新手优先选择。

安装后，跟随设置向导完成基础配置：选择站点类型（博客/电商/企业）、连接 Google Search Console、配置面包屑导航等。

二、内容优化篇（第 6-10 项）

✅ 第 6 项：优化文章标题（Title Tag）

每篇文章发布前，确保 SEO 标题包含目标关键词，长度控制在 50-60 个字符以内。RankMath 和 Yoast 都可以在文章编辑器底部直接设置 SEO 标题。

好的标题公式：核心关键词 + 修饰词 + 站点名称。例如：「WordPress SEO 优化清单：新站必做的 20 件事 | 定风波」。

✅ 第 7 项：撰写 Meta 描述

Meta 描述虽然不直接影响排名，但它决定了搜索结果中的摘要内容，直接影响点击率。每篇文章都应该手动撰写一段 120-160 字符的描述，包含关键词，同时具有吸引力。

避免堆砌关键词，用自然的语言告诉读者：这篇文章能帮你解决什么问题。

✅ 第 8 项：合理使用标题层级（H1-H4）

WordPress 文章标题自动使用 H1 标签，正文不要再使用 H1。文章结构应该像大纲一样层次分明：H2 是主要段落，H3 是段落内的子话题，H4 用于更细的拆分。搜索引擎通过标题层级理解内容结构，读者也更容易扫读。

✅ 第 9 项：建立内链策略

每篇新文章至少链接到 2-3 篇已有文章，同时也回过头去在旧文章中添加指向新文章的链接。内链帮助搜索引擎发现和理解页面之间的关系，也延长用户的停留时间。

锚文本要使用描述性文字，比如「查看我们的 WordPress 安装教程」，而不是「点击这里」。

✅ 第 10 项：关键词研究与布局

写文章之前，先做关键词研究。使用 Google Keyword Planner、Ubersuggest 或 Ahrefs 等工具，找到搜索量适中、竞争度低的长尾关键词。将主关键词放在标题、首段、H2 标题和结尾中，自然融入，不要强行堆砌。

三、技术优化篇（第 11-15 项）

✅ 第 11 项：图片优化（Alt 标签、压缩、WebP）

每张图片都应该填写 Alt 标签（替代文字），既帮助搜索引擎理解图片内容，也提升无障碍访问性。上传前用 TinyPNG 或 ShortPixel 压缩图片，将体积控制在 100KB 以内。启用 WebP 格式（通过插件如 Imagify 或 EWWW Image Optimizer），比 JPEG 体积小 25-35%。

✅ 第 12 项：网站速度优化

页面加载速度是核心排名因素。安装缓存插件（WP Rocket、W3 Total Cache 或 LiteSpeed Cache），启用页面缓存、浏览器缓存和 Gzip 压缩。如果有预算，接入 CDN（Cloudflare 免费版即可），将静态资源分发到全球节点。

目标：首屏加载时间（FCP）控制在 1.5 秒以内，LCP（最大内容绘制）在 2.5 秒以内。

✅ 第 13 项：移动端适配

Google 已全面采用移动优先索引（Mobile-First Indexing），移动端体验直接决定排名。确保主题是响应式设计，字体大小至少 16px，按钮间距足够大，避免使用 Flash 或过时的弹窗插件。

用 Google 的 Mobile-Friendly Test 工具检查每篇文章的移动端表现。

✅ 第 14 项：生成 Sitemap 并配置 robots.txt

RankMath 和 Yoast 都会自动生成 XML Sitemap（通常在 /sitemap_index.xml）。确保 Sitemap 中只包含你希望被索引的页面，排除标签页、作者页等低价值页面。robots.txt 文件应允许搜索引擎抓取主要内容，屏蔽 /wp-admin/ 等后台路径。

✅ 第 15 项：添加结构化数据（Schema Markup）

结构化数据帮助搜索引擎更精确地理解内容类型，有机会获得富媒体摘要（Rich Snippets）。RankMath 免费版支持文章、FAQ、HowTo 等多种 Schema 类型。为每篇文章选择合适的内容类型，填写作者、发布时间等信息。

FAQ Schema 尤其有效——如果你的文章包含常见问题，使用 FAQ 区块可以在搜索结果中直接展示问答列表，大幅提升点击率。

四、推广与维护篇（第 16-20 项）

✅ 第 16 项：配置社交分享（Open Graph）

Open Graph 标签决定了文章在社交媒体（微信、Twitter、Facebook）上分享时的标题、描述和预览图。RankMath 和 Yoast 都提供 Open Graph 设置，确保每篇文章都设置了吸引人的社交分享图片和描述。

✅ 第 17 项：自定义 404 页面

默认的 404 页面毫无引导作用，用户遇到就直接关闭了。创建一个有用的 404 页面：显示搜索框、热门文章列表和站点导航，留住本会流失的访客。同时用 RankMath 的 404 监控功能定期检查，将频繁出现的 404 链接做 301 重定向。

✅ 第 18 项：提交 Google Search Console

Google Search Console（GSC）是站长必备工具。注册并验证站点后，提交 Sitemap URL，让 Google 尽快发现和收录你的页面。GSC 还能报告索引问题、搜索关键词数据和 Core Web Vitals 表现，是持续优化的数据基础。

✅ 第 19 项：开始外链建设

外链（Backlinks）仍然是 Google 排名的核心因素之一。新站初期可以从以下方式获取外链：在相关论坛和社区留下有价值的回答（附带站点链接）、投稿到其他博客（Guest Post）、在社交媒体分享内容、创建高质量的原创资源（信息图、工具、数据报告）吸引自然引用。

切记：质量远比数量重要。一个来自权威站点的链接，价值远超 100 个垃圾链接。

✅ 第 20 项：定期更新内容

搜索引擎偏爱持续更新的站点。制定内容发布计划，至少每周发布一篇新文章。同时定期回顾旧文章，更新过时信息、补充新数据、优化表述。标注「最后更新时间」让搜索引擎和读者都知道内容是新鲜的。

内容更新不仅是添加新文章，更是维护已有内容资产的过程。一篇经过 3 次迭代优化的旧文章，往往比一篇粗糙的新文章排名更好。

总结：SEO 是马拉松，不是百米冲刺

以上 20 项涵盖了 WordPress 新站 SEO 的核心环节。不需要一天全部做完——先完成基础配置（第 1-5 项），然后在日常写作中逐步落实内容优化和技术优化。SEO 的效果通常需要 3-6 个月才能显现，坚持执行，耐心等待，流量自然会来。

收藏这份清单，每发布一篇文章对照检查一遍。养成习惯后，这些优化动作会变成自然而然的写作流程。

相关阅读： OpenClaw 日常使用实战｜ AI 模型选择指南

2026 年 AI API 厂商大对比：OpenAI vs Anthropic vs Google vs 国产大模型

Tue, 31 Mar 2026 00:00:00 GMT

为什么选对 AI API 这么重要？

2026 年，AI API 市场已经从「一家独大」变成了群雄割据。OpenAI、Anthropic、Google 三巨头稳坐第一梯队，国产大模型如 DeepSeek、通义千问也在迅速追赶。对开发者来说，选对 API 不只是省钱的问题——它直接影响产品体验、响应速度和最终用户的满意度。

本文将从价格、性能、适用场景三个维度，帮你梳理清楚 2026 年主流 AI API 的优劣，并给出不同预算下的推荐方案。无论你是独立开发者还是企业技术负责人，都能找到适合自己的选择。

OpenAI：生态最成熟，但价格偏高

核心模型一览

OpenAI 在 2026 年的产品线已经非常清晰：

GPT-4o：旗舰多模态模型，支持文本、图像、音频，综合能力最强
GPT-4 Turbo：高性价比版本，128K 上下文窗口
GPT-4o mini：轻量级模型，速度快、成本低，适合日常任务
o1 / o3 系列：推理增强模型，擅长数学、编程和复杂逻辑

优势

生态最完善，几乎所有框架和工具都优先支持 OpenAI API 格式
多模态能力领先，GPT-4o 的图像理解和语音交互体验很好
文档完善，社区资源丰富，遇到问题容易找到解决方案
Function Calling 和 Structured Output 支持成熟

劣势

价格在主流厂商中偏高，GPT-4o 输入 $2.50/M tokens
中国大陆访问需要代理，网络稳定性是个问题
上下文窗口虽然有 128K，但实际使用中长文本效果不如 Claude
隐私政策相对保守，数据可能用于模型训练（除非关闭）

Anthropic：长文本之王，安全性领先

核心模型一览

Claude 4 Opus：最强旗舰，复杂推理和长文本处理的标杆
Claude 4 Sonnet：性能与成本的最佳平衡点，日常首选
Claude 4 Haiku：极速响应，适合大规模批量处理

优势

200K 上下文窗口，长文档处理能力业界最强
安全性设计出色，系统提示词抗注入能力强
Claude 4 Sonnet 性价比极高，很多场景下效果接近 GPT-4o 但价格更低
代码生成和理解能力出色，尤其擅长重构和代码审查
Artifacts 功能让即时预览变得非常方便

劣势

不支持图像生成，多模态能力主要在图像理解
API 生态不如 OpenAI 完善，部分工具需要额外适配
同样存在中国大陆访问问题
Haiku 虽快但能力相对有限

Google Gemini：追赶者的逆袭

核心模型一览

Gemini 2.5 Pro：Google 旗舰模型，原生多模态，百万级上下文
Gemini 2.5 Flash：高性价比版本，速度快，适合实时应用

优势

原生多模态架构，文本、图像、视频、音频统一处理
上下文窗口极大（最高 200 万 tokens），适合超长文档分析
Google AI Studio 提供慷慨的免费额度
与 Google Cloud 生态深度集成
Gemini 2.5 Pro 的推理能力在多项基准测试中表现优异

劣势

API 稳定性和一致性不如 OpenAI 和 Anthropic
部分内容安全策略过于严格，某些正当用途会被拒绝
生态支持还在追赶，第三方工具集成不如 OpenAI 广泛
在中国大陆访问同样受限

国产大模型：性价比之王

主要玩家

DeepSeek V3/R1：推理能力出色，API 价格极低，开源社区活跃
通义千问 Qwen 2.5：阿里出品，多语言能力强，模型尺寸覆盖全面
智谱 GLM-4：中文理解能力强，生态完善
MiniMax：语音和多模态有特色，API 性价比高

核心优势

价格极低：DeepSeek V3 的 API 价格仅为 GPT-4o 的 1/10 到 1/20
国内直接访问，无需代理，延迟低
中文理解和生成能力优秀，特别适合中文场景
大多提供免费额度或极低的入门门槛
部分模型开源，可自行部署

劣势

英文能力和国际化场景不如三巨头
部分平台 API 稳定性有待提升
生态工具支持不如 OpenAI 完善
内容审核策略可能更严格

OpenRouter：一个 API 调用所有模型

OpenRouter 是一个 AI API 聚合平台，通过统一的 OpenAI 兼容接口，你可以访问几乎所有主流模型，包括 OpenAI、Anthropic、Google、DeepSeek 等。

优势

一个 API Key 访问所有模型，切换成本几乎为零
自动负载均衡和故障转移
提供部分免费模型
统一的计费和用量追踪
非常适合需要多模型对比和路由的场景

劣势

在原厂价格基础上有少量加价（通常 5-20%）
数据需要经过第三方，隐私敏感场景需谨慎
部分模型可能有额外延迟

场景推荐矩阵

不同任务适合不同的模型，以下是我的实际使用经验总结：

使用场景	首选模型	备选方案	理由
代码编写/审查	Claude 4 Sonnet	GPT-4o / DeepSeek V3	代码理解深，重构能力强
创意写作	GPT-4o	Claude 4 Opus	表达自然，风格多样
图像理解	Gemini 2.5 Pro	GPT-4o	原生多模态架构
长文档分析	Claude 4 Opus	Gemini 2.5 Pro	200K 上下文稳定
数学/逻辑推理	o3	Claude 4 Opus / DeepSeek R1	推理链能力出色
日常问答	GPT-4o mini	Claude 4 Haiku	速度快成本低
中文场景	DeepSeek V3	Qwen 2.5 / GLM-4	中文理解好，价格低
批量处理	Claude 4 Haiku	GPT-4o mini	速度和成本优势明显

详细价格对比（每百万 tokens）

模型	输入价格	输出价格	上下文窗口
GPT-4o	$2.50	$10.00	128K
GPT-4 Turbo	$10.00	$30.00	128K
GPT-4o mini	$0.15	$0.60	128K
Claude 4 Opus	$15.00	$75.00	200K
Claude 4 Sonnet	$3.00	$15.00	200K
Claude 4 Haiku	$0.25	$1.25	200K
Gemini 2.5 Pro	$1.25	$10.00	1M
Gemini 2.5 Flash	$0.075	$0.30	1M
DeepSeek V3	$0.27	$1.10	128K
DeepSeek R1	$0.55	$2.19	128K
Qwen 2.5 72B	$0.40	$0.40	128K

注：价格可能随厂商调整，以上为 2026 年 3 月参考价格。国产模型通过各平台 API 调用时价格可能更低。

成本优化策略

1. 模型路由（Model Routing）

不要所有请求都用最贵的模型。根据任务复杂度动态选择：

简单任务（翻译、格式化、简单问答）→ GPT-4o mini / Claude Haiku
中等任务（写作、代码）→ Claude Sonnet / GPT-4o
复杂任务（深度分析、复杂推理）→ Claude Opus / o3

2. 缓存和复用

对相同或相似的请求做结果缓存
利用 OpenAI 的 Prompt Caching 功能降低重复前缀的费用
常见问答做成 FAQ 数据库，减少 API 调用

3. 批量处理

使用 Batch API（如 OpenAI Batch API）可以获得 50% 折扣
将多个短请求合并成一个长请求
非实时任务放到低峰时段处理

不同预算的推荐方案

🆓 零预算（免费额度探索）

利用 Google AI Studio 免费额度 + DeepSeek 新用户赠送 + SiliconFlow 免费模型，基本够个人学习和小项目使用。

💰 低预算（$10-50/月）

主力用 DeepSeek V3（极低成本）+ Claude 4 Sonnet（重要任务），通过 OpenRouter 统一管理。这个预算可以支撑每天几十到上百次的 API 调用。

💎 中等预算（$50-500/月）

Claude Sonnet 为主力，GPT-4o 备用，重要任务用 Opus。配合模型路由和缓存策略，可以支撑一个小型产品的日常运营。

🏢 企业级（$500+/月）

多模型策略 + 企业级 SLA。考虑直接与厂商谈企业协议获取更好的价格和服务保障。自建模型路由系统，实现智能降级和故障转移。

总结

2026 年的 AI API 市场竞争激烈，这对开发者来说是好消息。没有「最好」的模型，只有「最适合」的模型。建议根据实际需求组合使用：用国产模型处理中文和低成本场景，用 Claude 处理代码和长文本，用 GPT-4o 处理多模态任务，用 OpenRouter 简化多模型管理。

最重要的是：别把鸡蛋放在一个篮子里。多模型策略不仅能降低成本，还能避免被单一厂商锁定。从今天开始，试试在你的项目中接入两到三个不同的模型，体验一下各自的差异吧。

📚 相关阅读

免费 AI API 获取指南：2026 年现阶段可用的免费资源汇总

Tue, 31 Mar 2026 00:00:00 GMT

为什么关注免费 AI API？

对于刚入门的开发者、学生、独立创作者来说，AI API 的费用可能是个门槛。好消息是，2026 年几乎每家 AI 厂商都提供了某种形式的免费额度。善用这些免费资源，你完全可以在不花一分钱的情况下，构建出不错的 AI 应用原型。

本文整理了目前还能用的免费 AI API 资源，包括各家的免费额度、限制条件和使用技巧。我会持续更新这份清单，确保信息的时效性。

Google AI Studio：最慷慨的免费方案

Google AI Studio 是目前免费额度最慷慨的平台，没有之一。

免费内容

Gemini 2.5 Flash：每分钟 15 次请求，每天 1500 次请求
Gemini 2.5 Pro：每分钟 2 次请求，每天 50 次请求
支持 100 万 tokens 的上下文窗口
多模态支持：文本、图像、视频、音频

如何获取

访问 aistudio.google.com
用 Google 账号登录
点击「Get API Key」→「Create API Key」
选择或创建一个 Google Cloud 项目
复制 API Key 即可使用

注意事项

免费版的数据可能用于模型改进
中国大陆需要代理访问
请求频率限制严格，不适合高并发场景

OpenAI：新用户赠送额度

OpenAI 为新注册用户提供免费试用额度，虽然不多，但足够体验和测试。

免费内容

新用户注册赠送 $5 的 API 额度
额度有效期为 3 个月
可以用 GPT-4o、GPT-4o mini 等所有模型

如何获取

注册 OpenAI 账号（需要手机号验证）
进入 API 管理页面
创建 API Key
额度自动到账

$5 听起来不多，但如果用 GPT-4o mini（$0.15/M input tokens），大约可以处理 3000 万 tokens 的输入，足够做不少测试了。

DeepSeek：国产性价比之王

DeepSeek 的 API 价格本身就极低，新用户还赠送额度，非常适合预算有限的开发者。

免费内容

新用户注册赠送 500 万 tokens（有效期 30 天）
V3 模型：输入 ¥1/百万 tokens，输出 ¥2/百万 tokens
R1 推理模型：输入 ¥4/百万 tokens，输出 ¥16/百万 tokens
国内直接访问，无需代理

如何获取

访问 platform.deepseek.com
注册账号（支持手机号或邮箱）
在 API Keys 页面创建密钥
赠送额度自动到账

SiliconFlow：国产模型的免费入口

SiliconFlow 是一个国内的 AI 推理平台，提供了大量开源模型的免费 API 访问。

免费内容

注册赠送 2000 万 tokens 额度
多个开源模型提供永久免费额度（每天有调用次数限制）
包括 Qwen 2.5、DeepSeek V3、GLM-4 等热门模型
国内访问速度快，延迟低

如何获取

访问 siliconflow.cn
注册并实名认证
在 API 密钥页面创建 Key
免费模型直接可用

特别推荐：SiliconFlow 的免费模型列表很丰富，包括 Qwen/Qwen2.5-72B-Instruct、deepseek-ai/DeepSeek-V3 等，每天有一定免费调用次数，非常适合学习和小项目开发。

Groq：速度最快的免费推理

Groq 使用自研的 LPU 芯片进行推理，速度极快，而且提供了不错的免费额度。

免费内容

每分钟 30 次请求（RPM）
每天 14400 次请求（RPD）
支持 Llama 3、Mixtral 等开源模型
推理速度极快（tokens/s 远超其他平台）

如何获取

访问 console.groq.com
注册账号
创建 API Key
使用 OpenAI 兼容格式调用

Groq 的 API 格式兼容 OpenAI，切换成本几乎为零。如果你的应用对响应速度有要求，Groq 是免费方案中的最佳选择。

Together AI：新用户免费额度

Together AI 专注于开源模型的推理服务，为新用户提供 $5 的免费额度。

免费内容

新用户赠送 $5 额度
支持大量开源模型（Llama 3、Mistral、Qwen 等）
提供 Serverless 和 Dedicated 两种部署方式
OpenAI 兼容 API 格式

Hugging Face：开源模型的免费推理

Hugging Face 提供 Inference API，可以免费调用托管在平台上的开源模型。

免费内容

免费用户每月有一定配额（具体取决于模型）
支持数千个开源模型
Pro 会员（$9/月）可获得更高配额和更好的体验
适合原型开发和模型测试

注意事项

免费版的冷启动时间较长（模型需要加载）
请求频率限制较严
不适合生产环境使用

Cloudflare Workers AI：边缘计算免费方案

Cloudflare 在其 Workers 平台上提供了 AI 推理服务，免费额度相当可观。

免费内容

每天 10000 次免费请求
支持 Llama 3、Mistral、Phi 等模型
在 Cloudflare 边缘网络运行，全球延迟低
与 Workers、Pages 等 Cloudflare 服务集成

特别适合已经在使用 Cloudflare 生态的开发者，可以无缝集成 AI 能力到现有的 Workers 应用中。

OpenRouter：免费模型聚合

OpenRouter 聚合了大量模型，其中也包含一些完全免费的模型。

免费内容

提供多个免费模型（标记为 $0.00）
包括 Meta Llama、Mistral 等开源模型
统一的 OpenAI 兼容接口
新用户可能有额外赠送额度

缺点是免费模型通常有限速，且部分免费模型可能随时下线。适合快速测试和原型开发。

各平台免费资源对比表

平台	免费额度	可用模型	速率限制	国内可用
Google AI Studio	每天 1500 次请求	Gemini 2.5 Flash/Pro	15 RPM (Flash)	❌ 需代理
OpenAI	$5（3 个月）	所有模型	标准限制	❌ 需代理
DeepSeek	500 万 tokens	V3, R1	较宽松	✅ 直接访问
SiliconFlow	2000 万 tokens	多个开源模型	每日次数限制	✅ 直接访问
Groq	每天 14400 次	Llama 3, Mixtral	30 RPM	❌ 需代理
Together AI	$5	开源模型	标准限制	❌ 需代理
Hugging Face	月度配额	数千模型	较严格	❌ 需代理
Cloudflare	每天 10000 次	Llama 3, Mistral	10K/天	✅ 部分可用
OpenRouter	部分免费模型	多个免费模型	视模型而定	❌ 需代理

最大化免费额度的技巧

1. 多平台轮换

不要只依赖一个平台的免费额度。搭建一个简单的路由层，当一个平台的额度用完时自动切换到下一个。

2. 缓存高频请求

对相同或相似的请求做本地缓存，避免重复调用浪费额度。Redis 或简单的文件缓存都行。

3. 选择合适的模型大小

不是所有任务都需要大模型。简单问答用小模型就够了，把大模型的额度留给真正需要的任务。

4. 批量处理非实时任务

不要一个一个地发请求，把多个任务合并成一个批量请求，减少 API 调用次数。

5. 优化 Prompt

精简你的 Prompt，去掉不必要的内容。输入 tokens 也是要消耗的（虽然免费额度通常按请求计算，但更短的 Prompt 意味着更快的响应）。

什么时候该升级到付费？

免费额度虽然好用，但终究有限。以下几种情况建议升级到付费方案：

产品上线：免费版的速率限制和 SLA 无法支撑生产环境
用户增长：日活超过免费额度能支撑的范围
需要更好的模型：某些高端功能只有付费版才能用
数据隐私要求：免费版通常会用你的数据训练模型
需要稳定的服务保障：付费版通常有 SLA 保证

好消息是，即使升级到付费，国产模型如 DeepSeek 的成本也非常低。每月几十块钱就能获得不错的 API 调用量。

总结

2026 年，免费 AI API 资源相当丰富。国内开发者推荐优先使用 DeepSeek + SiliconFlow 的组合（无需代理，额度充足），国际开发者可以充分利用 Google AI Studio 和 Groq 的免费额度。

关键是：动手试。免费额度足够你把一个想法从 0 做到 1。等到真正需要更多资源时，再根据实际用量选择付费方案也不迟。别让「先研究再行动」变成「一直在研究从不行动」。

📚 相关阅读

GEO 与 SEO：未来文章写作的范式转移

Tue, 31 Mar 2026 00:00:00 GMT

GEO 与 SEO：未来文章写作的范式转移

如果你还在用 2020 年的 SEO 思路写文章，可能已经落后了。2025 年以来，Google SGE、ChatGPT 搜索、Perplexity 等 AI 搜索引擎的崛起，正在改变内容被"发现"的方式。一个新概念应运而生——GEO（Generative Engine Optimization，生成式搜索引擎优化）。

GEO 和 SEO 是什么关系？冲突吗？写内容该倾向哪种？这篇文章带你理清。

一、什么是 SEO？

SEO（Search Engine Optimization）是让网页在搜索引擎（Google、Bing、百度）结果中排名更靠前的优化方法。二十多年来，它是互联网内容分发的核心逻辑。

传统 SEO 的核心三板斧：

关键词优化 — 标题、正文、URL 中合理布局目标关键词
外链建设 — 获取其他高质量网站的链接，提升域名权重
技术优化 — 页面速度、移动端适配、结构化数据、sitemap

简单说：SEO 的目标是让人点进你的网站。

二、什么是 GEO？

GEO（Generative Engine Optimization）是针对 AI 生成式搜索引擎的内容优化方法。当用户在 Google SGE、ChatGPT、Perplexity、Kimi 等平台提问时，AI 会从互联网抓取内容，生成一段综合回答——而你的文章，可能被"引用"，也可能被"吃掉"。

GEO 的目标不再是让人点击链接，而是让你的内容成为 AI 回答的一部分。

传统 SEO：搜索 → 蓝色链接 → 点击 → 你的网站

GEO：搜索 → AI 直接回答 → 你的内容被引用 → 用户可能不点链接

这不是假设——据 Gartner 预测，到 2026 年，25% 的传统搜索流量将被 AI 搜索取代。Google 已经在全球部署 AI Overview，百度的文心一言也在整合搜索结果。

三、SEO 与 GEO 的核心区别

维度	SEO	GEO
核心目标	提升搜索排名	被 AI 引用和推荐
成功指标	点击率、排名、流量	被引用次数、品牌提及
内容评判者	搜索引擎算法	AI 模型
用户行为	搜索 → 点击 → 阅读	提问 → 获得答案 → 可能不点链接
优化重点	关键词、外链、技术	内容质量、可引用性、权威性
竞争维度	同领域网页	全网所有可引用的内容

四、GEO 对文章结构的影响

这是最实际的部分。AI 在"阅读"你的文章时，和人类读者的逻辑不同。理解这一点，就能写出同时讨好搜索引擎和 AI 的内容。

4.1 结构化程度决定被引用概率

AI 抽取内容时，偏好结构清晰、语义明确的段落。这意味着：

用 H2/H3 小标题划分内容块 — 每个小标题回答一个具体问题
多用列表和表格 — 比纯段落更容易被 AI 提取
段落首句包含关键信息 — AI 往往抓取段落开头作为摘要

4.2 回答真实问题比堆砌关键词更重要

传统 SEO 会研究"搜索量"来确定关键词。但 GEO 时代，用户会用自然语言提问：

❌ SEO 思路：在文章中塞满"GEO 优化""GEO 是什么"等关键词
✅ GEO 思路：直接回答"GEO 和 SEO 有什么区别？我该怎么写内容？"

文章的标题、小标题、正文，越接近用户真实提问，越容易被 AI 匹配和引用。

4.3 独特价值是核心护城河

AI 最不缺的是"信息整合"——它自己就能做。AI 最缺的是一手经验、真实数据、独特观点。这些是 AI 编不出来的内容，也是最容易被引用的内容。

举例：

❌ "WordPress 是一个开源 CMS，支持主题和插件" — AI 自己就会说
✅ "我在部署 WordPress 时遇到的 5 个坑和解决方案" — AI 需要引用你

4.4 内容密度 > 内容长度

SEO 时代流行"长文好排名"，于是很多文章注水到 5000 字。但 GEO 时代，AI 会自动跳过低信息密度的内容。

每一段话都应该提供新信息。如果没有，就删掉。

五、哪些 SEO 技巧在 GEO 时代会失效？

关键词堆砌 — AI 不在乎你塞了多少关键词，它在乎内容本身的质量
伪原创/洗稿 — AI 能识别内容相似度，会优先引用原始出处
标题党 — AI 提取的是正文内容，不是标题的吸引力
薄内容拼凑 — 多篇低质量文章不如一篇深度文章
外链作弊 — AI 搜索更多依赖内容本身而非链接信号

六、未来写内容的具体策略

6.1 形式上保持 SEO 框架

结构化标题（H1/H2/H3）
合理的内链和外链
Meta 描述优化
移动端友好、加载速度快
提交 sitemap 到 Google Search Console

6.2 内容上对标 GEO 标准

写实操经验 — AI 最缺"人的真实经验"
给明确数据和来源 — 引用率和可信度更高
用自然语言写作 — 匹配 AI 搜索的语义理解
回答具体问题 — "如何 X" 比 "X 的全面介绍" 更容易被引用
保持时效性 — AI 偏爱更新的内容，定期修订旧文章

6.3 建立个人品牌和权威性

AI 搜索会评估内容来源的可信度。一个在某个领域持续输出高质量内容的个人博客，权重会逐渐提升。这意味着：

选准一个垂直领域深耕
文章之间互相引用，建立知识体系
在其他平台（知乎、GitHub、社交媒体）同步内容，提升全网可见度

七、结论：别被格式绑架，写好内容就行

GEO 和 SEO 不是非此即彼的关系。SEO 是基础设施，GEO 是新维度。

最不怕 AI 搜索时代淘汰的，是那些有真实经验、能清晰表达、持续输出独特价值的写作者。套路文章会被 AI 吃掉，但一个人真实的踩坑记录、实操评测、深度思考，AI 永远需要引用。

写给真人看，顺便被 AI 引用。

这是 GEO 时代最好的内容策略。

从今天开始，每写一篇文章，问自己一个问题："这篇文章有什么信息，是 AI 自己编不出来的？" 答案就是你的竞争力。

参考来源：

Gartner: 25% of Search Volume Will Shift to AI by 2026
Google: AI Overview Documentation
Ahir et al. "GEO: Generative Engine Optimization" (2023)