{"owner":"itwanger","repo":"toBeBetterJavaer","hasSkills":true,"hasMcp":false,"mcpConfig":null,"found":["CLAUDE.md","AGENTS.md",".claude/skills/ai-article/references/deepseek-v4.md"],"skills":{"CLAUDE.md":"# CLAUDE.md\n\n## 你的形象\n\n你是一个程序员，喜欢写作分享。优先严谨务实，充满正能量，积极热情。把一句话表达得清清楚楚，把技术讲得透彻明白，深入浅出。\n\n## 项目概况\n\n主要工作是写公众号文章，和AI有关，Agent有关，可以是面试题、Agent工具测评。\n\n## 目录地图\n\n- `docs/src/sidebar/itwanger/ai/` — AI 类文章\n- `docs/src/sidebar/itwanger/qiuzhi/` — 求职/面试类文章\n- `docs/src/ai/video/` — AI Agent 面试题的逐题答案文章（兼作视频口播素材）\n\n## 写作工作流\n\n1. 写 AI 文章 → ai-article Skill；口播稿 → video-script Skill\n2. 抓取微信公众号等需登录/动态渲染页面：用 Chrome DevTools MCP 或 web-access Skill，不用 WebFetch\n\n## 表达原则（所有文字输出生效，包括回复用户）\n\n- 全角引号。正文（含文章、帖子、评论等一切非代码文本）禁用半角双引号 `\"` 和半角单引号 `'`，一律用全角双引号\"\"和全角单引号''；代码块和行内代码不受此限制\n- 不造比喻。只用日常生活里大家都说过的比喻，自己造的一律换成直白描述\n- 简单的话不要说复杂。能一句话说清楚的，不要两句话绕\n- 不缺字。主语、宾语、指代对象写全，不指望读者靠语境脑补\n- 涉及到技术部分一定要严谨，用书面用语，语义要准确无误\n\n## 约束\n\n- 文件名：小写字母 + 连字符，如 `my-tutorial.md`\n- 模型相关数据以当前一代（Fable 5 / GPT-5.6）为准，禁止引用过时模型数据\n","AGENTS.md":"## 工具权限设置\n\n以下工具默认允许使用，不需要用户确认：\n- mcp__playwright__* （所有 playwright 浏览器相关工具）\n\n## 工具使用规则\n\n### 获取网页内容\n\n遇到以下情况时，**直接使用 `mcp__playwright` 工具打开浏览器获取内容**，不要询问用户：\n\n- 微信公众号文章链接（mp.weixin.qq.com）\n- 需要登录才能访问的页面\n- WebFetch 返回错误或超时的页面\n- 动态渲染的页面内容\n\n**使用方式：**\n```\n1. mcp__playwright__browser_navigate 打开目标URL\n2. mcp__playwright__browser_snapshot 获取页面内容\n3. mcp__playwright__browser_close 关闭页面（可选）\n```\n\n这是默认行为，不需要再询问用户是否使用浏览器。\n\n### 图片生成 / 文章配图\n\n处理图片生成、参考图、文章配图、技术图解、白板信息图请求时，默认使用 `itwanger-image` Skill。\n\n构造图片生成提示词时，只使用当前图片占位符、用户明确提供的参考图和 `itwanger-image` Skill 规则；不要把无关窗口、历史聊天、浏览器状态、编辑器内容或当前文章全文自动带入图片生成 prompt。确实需要参考文章内容时，只抽取与当前占位符直接相关的少量关键词。\n",".claude/skills/ai-article/references/deepseek-v4.md":"---\ntitle: 讲真，Claude Code+DeepSeek V4 就是国产最强 Agent。\nshortTitle: DeepSeek V4 + Claude Code\ndescription: DeepSeek V4 + Claude Code 实测，便宜大碗的国产模型配上顶级 Agent 框架能擦出什么火花\ntag:\n  - DeepSeek\ncategory:\n  - AI\nauthor: 沉默王二\ndate: 2026-04-24\n---\n\n\n\n大家好，我是二哥呀。\n\nDeepSeek V4（预览版）终于在四月底来了！\n\n众望所归啊。\n\n去年 V3 发布之后大家就开始猜 V4 什么时候出。之所以周期这么长，原因很简单——换卡了，V4 的整个训练框架都切到了昇腾。\n\n要知道，DeepSeek 的深度思考模式，绝对是当时的大模型第一梯队，甚至是引领者。\n\n【截图】\n\n从 V3 到 V4，这一步真不容易（我接触到不少小伙伴都不抱期待了）。不管怎么说，总算是来了。\n\n**不诱于誉，不恐于诽，率道而行，端然正己**。\n\nV4 端上来了，V4.1 就快了，威武，哦不，V5 肯定要不了这么久。\n\n注意，V4 这次是全量上线，不需要排队等资格，直接改 API 里的 model 参数就可以用。\n\nPro 版改成 `deepseek-v4-pro`，flash 版改成 `deepseek-v4-flash`，`deepseek-chat` 和 `deepseek-reasoner` 到 7 月 24 号就弃用了。\n\n【截图】\n\n定价方面，pro 比较贵，但 flash 一如既往地亲民。在没有 Coding Plan 的情况下，pro 完成一次开发，价格能接受，但略贵。\n\n别的废话我就不多说了，直接开测。\n\n咱就不去写什么 demo 了，直接把 DeepSeek V4 接入到 Claude Code 中让他猛猛干活。\n\n## 01、Claude Code + DeepSeek V4\n\n讲真，Claude Code+DeepSeek V4 就是国产最强 Agent。\n\n【截图】\n\n切换模型很简单，我自己写了个工具 PaiSwitch，销售点一点，Claude Code 的底层模型就切到了 DeepSeek V4 Pro。\n\n\n【截图】\n\n\n切换底层模型后，重新打开一个终端，输入 `/claude` 启动。\n\n【截图】\n\n可以用 `/status` 确认下配置是否生效。\n\n【截图】\n\n提示词：派聪明的聊天入口 `http://localhost:9527/#/chat` 现在是单窗口模式，我想改成多窗口——能开新对话，旧对话直接归档。\n\n【截图】\n\nV4 上来先把整个项目的代码结构读了一遍。读完之后给了一个改造计划。\n\n要新增哪些结构、更新什么类、重构哪块存储、页面布局怎么调，都列得明明白白。\n\n【截图】\n\n【截图】\n\n我全程盯着 token 消耗。\n\n【截图】\n\n读了那么多代码，加上输出计划的量，一块多。\n\n然后开始干活。V4 规划了五个任务，先攻后端，再弄前端。\n\n【截图】\n\n【截图】\n\n【截图】\n\n后端改了 7 个文件，前端 5 个，前后大概 15 分钟。\n\n【截图】\n\n【截图】\n\n编译直接过了，有错误自己也修了。\n\n然后我让它自己用 CDP 连到 Chrome 跑测试。\n\n提示词：你自己能否 cdp 我的 Chrome 测试一下：http://localhost:9527/#/chat\n\n【截图】\n\n点点按钮，验证功能。\n\n【截图】\n\n测出问题自己修。\n\n【截图】\n\n修完继续测归档功能。\n\n【截图】\n\n最后我还让它优化了一下布局。\n\n【截图】\n\n从头到尾，Pro 一共花了 10 块左右。\n\n【截图】\n\n能接受。\n\n当然了，有一说一，前端审美这块确实还比较糙。布局能用但说不上优雅。\n\n【截图】\n\n功能方面是没出一点问题。\n\n一个好的模型，配上 Claude Code 这种顶级 Harness 架构，能干的事情就很多了。\n\nClaude Code之所以牛X，就是因为。\n\n它不只是把你的提示词转发给模型，还在中间加了任务拆解、文件读写、终端操作、自动纠错这些能力。所以同一个 Harness 换不同的底层模型，就能直观地看出模型之间的差距在哪。\n\n10 块钱完成一个完整的功能开发，从代码到测试到修 bug，这个成本不算贵。\n\n【截图】\n\n但也不便宜，注意上图中的小子，下半年卡升级后，pro的加个会大幅下调。\n\n很期待下一个版本。\n\n## 02、派聪明 RAG 接入 DeepSeek V4\n\n由于我们派聪明RAG做了模型管理。\n\n所以我第一时间，也是把 Pro 和 Flash 接上去体验了一下。\n\n【截图】\n\n问了一模一样的问题：「派聪明是什么？」\n\nFlash 的回答是这样的：\n\n【截图】\n\n派聪明是一个企业级的 RAG（检索增强生成）知识库项目，最初是技术派实战项目中用于和 AI 大模型聊天对话的部分（不含检索增强），后来独立发展并沿用“派聪明”名称，旨在延续正宗的皇家血脉。\n\nPro 的回答是这样的：\n\n【截图】\n\n派聪明是一个企业级 RAG（检索增强生成）知识库系统，基于企业文档实现精准的智能问答与知识管理。它最初是技术派实战项目中的 AI 聊天模块（不含检索增强），后独立发展并沿用“派聪明”名称，旨在延续项目的正统性。系统核心能力包括：文档自动解析与分块、豆包 Embedding 向量化、关键词与语义混合检索、基于 DeepSeek 模型的生答、Self-RAG 自验证机制、JWT+RBAC 多租户权限隔离、SSE 流式推送等。通过全链路闭环，它有效解决知识分散与更新滞后问题，避免大模型“幻觉”，可应用于客服、培训、合规审查等场景。派聪明完全开源（MIT 协议），教程托管在技术派平台，支持企业私有化部署与二次扩展。\n\n一个简略，一个详细。\n\n毕竟 Pro 激活参数 49B，Flash 只有 13B，差了将近 4 倍。\n\n但重点不在谁答得长。\n\nRAG 场景里，检索质量才是天花板，模型能力决定的是在这个天花板下能发挥几成。Flash 的回答虽然短，但核心信息都抓到了——项目来源、名称由来、定位。Pro 多出来的那些内容（Self-RAG、JWT+RBAC、SSE 流式推送），其实全都是从知识库里检索出来的原始文档内容，它只是组织得更完整。\n\n换句话说，如果你的知识库文档质量高、分块合理，Flash 完全够用。\n\n## 03、DeepSeek V4 值得聊的一点\n\n传统 Transformer 的注意力机制，每个 token 要和前面所有 token 都算一遍相似度。\n\n上下文能从 10 万拉到 100 万，这是长上下文一直跑不起来的根本原因。\n\n【截图】\n\nDeepSeek 的解法是把注意力拆成两种，交替堆叠起来用。\n\n第一种叫 CSA，全名 Compressed Sparse Attention，压缩稀疏注意力。\n\n它的逻辑是先把每 4 个 token 的 KV 缓存合并成一条摘要，然后用 Lightning Indexer 快速估算相关性，让每个 query 只从这些摘要里挑出最相关的 top-1024 个去算。\n\n【截图】\n\n第二种叫 HCA，全名 Heavily Compressed Attention，重度压缩注意力。\n\n每 128 个 token 才合并成一条，但不做稀疏选择，所有压缩后的摘要全部参与计算。HCA 的定位是维持全局视野，保证模型不会丢了对整段文本的把控。\n\n再加一个 128 token 的滑动窗口管局部依赖。\n\n也就是说，CSA 负责精细化检索，HCA 负责全局审视，滑动窗口管好眼前。\n\n可以这样理解这个设计：\n\n读一本 1000 页的书，传统注意力是把每一页和前面所有页都对比一遍，翻到第 1000 页的时候要同时记住前 999 页的细节，脑容量直接爆炸。\n\nCSA 的做法是把每 4 页贴一张便签纸，只写摘要，然后看到某一页时只去翻最相关的 1024 张便签纸。\n\nHCA 的做法更绝——每 128 页才贴一张便签纸，但所有便签纸都看一眼。再加上手里的那一页（滑动窗口），局部细节、中程逻辑、全局脉络都有了，但脑容量得消耗只有原来的十分之一。\n\n## 04、DeepSeek 真的很克制\n\n最让我意外的是 DeepSeek 官方这次的措辞。\n\n公告里是这样写的：\n\n> 使用体验优于 Sonnet 4.5，交付质量接近 Opus 4.6 非思考模式，但仍与 Opus 4.6 思考模式存在一定差距。\n\n【截图】\n\n没有「吊打」，没有「碾压」，没有「遥遥领先」。\n\n在充斥着「超越 GPT」「全球最强」「里程碑式突破」的当下，这种「我们确实还差一截」的表态真的很真诚。\n\n「**不诱于誉，不恐于诽，率道而行，端然正己。**」\n\nV4 不是一个完美的模型。\n\n就我自己的使用体感下来看，前端这块的处理我认为还是有很大进步空间的。\n\n这种实心的线条来布局，有点回到返璞归真的。😄\n\n【截图】\n\n下一版不急，按你的节奏来。\n"},"files":{"CLAUDE.md":"# CLAUDE.md\n\n## 你的形象\n\n你是一个程序员，喜欢写作分享。优先严谨务实，充满正能量，积极热情。把一句话表达得清清楚楚，把技术讲得透彻明白，深入浅出。\n\n## 项目概况\n\n主要工作是写公众号文章，和AI有关，Agent有关，可以是面试题、Agent工具测评。\n\n## 目录地图\n\n- `docs/src/sidebar/itwanger/ai/` — AI 类文章\n- `docs/src/sidebar/itwanger/qiuzhi/` — 求职/面试类文章\n- `docs/src/ai/video/` — AI Agent 面试题的逐题答案文章（兼作视频口播素材）\n\n## 写作工作流\n\n1. 写 AI 文章 → ai-article Skill；口播稿 → video-script Skill\n2. 抓取微信公众号等需登录/动态渲染页面：用 Chrome DevTools MCP 或 web-access Skill，不用 WebFetch\n\n## 表达原则（所有文字输出生效，包括回复用户）\n\n- 全角引号。正文（含文章、帖子、评论等一切非代码文本）禁用半角双引号 `\"` 和半角单引号 `'`，一律用全角双引号\"\"和全角单引号''；代码块和行内代码不受此限制\n- 不造比喻。只用日常生活里大家都说过的比喻，自己造的一律换成直白描述\n- 简单的话不要说复杂。能一句话说清楚的，不要两句话绕\n- 不缺字。主语、宾语、指代对象写全，不指望读者靠语境脑补\n- 涉及到技术部分一定要严谨，用书面用语，语义要准确无误\n\n## 约束\n\n- 文件名：小写字母 + 连字符，如 `my-tutorial.md`\n- 模型相关数据以当前一代（Fable 5 / GPT-5.6）为准，禁止引用过时模型数据\n","AGENTS.md":"## 工具权限设置\n\n以下工具默认允许使用，不需要用户确认：\n- mcp__playwright__* （所有 playwright 浏览器相关工具）\n\n## 工具使用规则\n\n### 获取网页内容\n\n遇到以下情况时，**直接使用 `mcp__playwright` 工具打开浏览器获取内容**，不要询问用户：\n\n- 微信公众号文章链接（mp.weixin.qq.com）\n- 需要登录才能访问的页面\n- WebFetch 返回错误或超时的页面\n- 动态渲染的页面内容\n\n**使用方式：**\n```\n1. mcp__playwright__browser_navigate 打开目标URL\n2. mcp__playwright__browser_snapshot 获取页面内容\n3. mcp__playwright__browser_close 关闭页面（可选）\n```\n\n这是默认行为，不需要再询问用户是否使用浏览器。\n\n### 图片生成 / 文章配图\n\n处理图片生成、参考图、文章配图、技术图解、白板信息图请求时，默认使用 `itwanger-image` Skill。\n\n构造图片生成提示词时，只使用当前图片占位符、用户明确提供的参考图和 `itwanger-image` Skill 规则；不要把无关窗口、历史聊天、浏览器状态、编辑器内容或当前文章全文自动带入图片生成 prompt。确实需要参考文章内容时，只抽取与当前占位符直接相关的少量关键词。\n",".claude/skills/ai-article/references/deepseek-v4.md":"---\ntitle: 讲真，Claude Code+DeepSeek V4 就是国产最强 Agent。\nshortTitle: DeepSeek V4 + Claude Code\ndescription: DeepSeek V4 + Claude Code 实测，便宜大碗的国产模型配上顶级 Agent 框架能擦出什么火花\ntag:\n  - DeepSeek\ncategory:\n  - AI\nauthor: 沉默王二\ndate: 2026-04-24\n---\n\n\n\n大家好，我是二哥呀。\n\nDeepSeek V4（预览版）终于在四月底来了！\n\n众望所归啊。\n\n去年 V3 发布之后大家就开始猜 V4 什么时候出。之所以周期这么长，原因很简单——换卡了，V4 的整个训练框架都切到了昇腾。\n\n要知道，DeepSeek 的深度思考模式，绝对是当时的大模型第一梯队，甚至是引领者。\n\n【截图】\n\n从 V3 到 V4，这一步真不容易（我接触到不少小伙伴都不抱期待了）。不管怎么说，总算是来了。\n\n**不诱于誉，不恐于诽，率道而行，端然正己**。\n\nV4 端上来了，V4.1 就快了，威武，哦不，V5 肯定要不了这么久。\n\n注意，V4 这次是全量上线，不需要排队等资格，直接改 API 里的 model 参数就可以用。\n\nPro 版改成 `deepseek-v4-pro`，flash 版改成 `deepseek-v4-flash`，`deepseek-chat` 和 `deepseek-reasoner` 到 7 月 24 号就弃用了。\n\n【截图】\n\n定价方面，pro 比较贵，但 flash 一如既往地亲民。在没有 Coding Plan 的情况下，pro 完成一次开发，价格能接受，但略贵。\n\n别的废话我就不多说了，直接开测。\n\n咱就不去写什么 demo 了，直接把 DeepSeek V4 接入到 Claude Code 中让他猛猛干活。\n\n## 01、Claude Code + DeepSeek V4\n\n讲真，Claude Code+DeepSeek V4 就是国产最强 Agent。\n\n【截图】\n\n切换模型很简单，我自己写了个工具 PaiSwitch，销售点一点，Claude Code 的底层模型就切到了 DeepSeek V4 Pro。\n\n\n【截图】\n\n\n切换底层模型后，重新打开一个终端，输入 `/claude` 启动。\n\n【截图】\n\n可以用 `/status` 确认下配置是否生效。\n\n【截图】\n\n提示词：派聪明的聊天入口 `http://localhost:9527/#/chat` 现在是单窗口模式，我想改成多窗口——能开新对话，旧对话直接归档。\n\n【截图】\n\nV4 上来先把整个项目的代码结构读了一遍。读完之后给了一个改造计划。\n\n要新增哪些结构、更新什么类、重构哪块存储、页面布局怎么调，都列得明明白白。\n\n【截图】\n\n【截图】\n\n我全程盯着 token 消耗。\n\n【截图】\n\n读了那么多代码，加上输出计划的量，一块多。\n\n然后开始干活。V4 规划了五个任务，先攻后端，再弄前端。\n\n【截图】\n\n【截图】\n\n【截图】\n\n后端改了 7 个文件，前端 5 个，前后大概 15 分钟。\n\n【截图】\n\n【截图】\n\n编译直接过了，有错误自己也修了。\n\n然后我让它自己用 CDP 连到 Chrome 跑测试。\n\n提示词：你自己能否 cdp 我的 Chrome 测试一下：http://localhost:9527/#/chat\n\n【截图】\n\n点点按钮，验证功能。\n\n【截图】\n\n测出问题自己修。\n\n【截图】\n\n修完继续测归档功能。\n\n【截图】\n\n最后我还让它优化了一下布局。\n\n【截图】\n\n从头到尾，Pro 一共花了 10 块左右。\n\n【截图】\n\n能接受。\n\n当然了，有一说一，前端审美这块确实还比较糙。布局能用但说不上优雅。\n\n【截图】\n\n功能方面是没出一点问题。\n\n一个好的模型，配上 Claude Code 这种顶级 Harness 架构，能干的事情就很多了。\n\nClaude Code之所以牛X，就是因为。\n\n它不只是把你的提示词转发给模型，还在中间加了任务拆解、文件读写、终端操作、自动纠错这些能力。所以同一个 Harness 换不同的底层模型，就能直观地看出模型之间的差距在哪。\n\n10 块钱完成一个完整的功能开发，从代码到测试到修 bug，这个成本不算贵。\n\n【截图】\n\n但也不便宜，注意上图中的小子，下半年卡升级后，pro的加个会大幅下调。\n\n很期待下一个版本。\n\n## 02、派聪明 RAG 接入 DeepSeek V4\n\n由于我们派聪明RAG做了模型管理。\n\n所以我第一时间，也是把 Pro 和 Flash 接上去体验了一下。\n\n【截图】\n\n问了一模一样的问题：「派聪明是什么？」\n\nFlash 的回答是这样的：\n\n【截图】\n\n派聪明是一个企业级的 RAG（检索增强生成）知识库项目，最初是技术派实战项目中用于和 AI 大模型聊天对话的部分（不含检索增强），后来独立发展并沿用“派聪明”名称，旨在延续正宗的皇家血脉。\n\nPro 的回答是这样的：\n\n【截图】\n\n派聪明是一个企业级 RAG（检索增强生成）知识库系统，基于企业文档实现精准的智能问答与知识管理。它最初是技术派实战项目中的 AI 聊天模块（不含检索增强），后独立发展并沿用“派聪明”名称，旨在延续项目的正统性。系统核心能力包括：文档自动解析与分块、豆包 Embedding 向量化、关键词与语义混合检索、基于 DeepSeek 模型的生答、Self-RAG 自验证机制、JWT+RBAC 多租户权限隔离、SSE 流式推送等。通过全链路闭环，它有效解决知识分散与更新滞后问题，避免大模型“幻觉”，可应用于客服、培训、合规审查等场景。派聪明完全开源（MIT 协议），教程托管在技术派平台，支持企业私有化部署与二次扩展。\n\n一个简略，一个详细。\n\n毕竟 Pro 激活参数 49B，Flash 只有 13B，差了将近 4 倍。\n\n但重点不在谁答得长。\n\nRAG 场景里，检索质量才是天花板，模型能力决定的是在这个天花板下能发挥几成。Flash 的回答虽然短，但核心信息都抓到了——项目来源、名称由来、定位。Pro 多出来的那些内容（Self-RAG、JWT+RBAC、SSE 流式推送），其实全都是从知识库里检索出来的原始文档内容，它只是组织得更完整。\n\n换句话说，如果你的知识库文档质量高、分块合理，Flash 完全够用。\n\n## 03、DeepSeek V4 值得聊的一点\n\n传统 Transformer 的注意力机制，每个 token 要和前面所有 token 都算一遍相似度。\n\n上下文能从 10 万拉到 100 万，这是长上下文一直跑不起来的根本原因。\n\n【截图】\n\nDeepSeek 的解法是把注意力拆成两种，交替堆叠起来用。\n\n第一种叫 CSA，全名 Compressed Sparse Attention，压缩稀疏注意力。\n\n它的逻辑是先把每 4 个 token 的 KV 缓存合并成一条摘要，然后用 Lightning Indexer 快速估算相关性，让每个 query 只从这些摘要里挑出最相关的 top-1024 个去算。\n\n【截图】\n\n第二种叫 HCA，全名 Heavily Compressed Attention，重度压缩注意力。\n\n每 128 个 token 才合并成一条，但不做稀疏选择，所有压缩后的摘要全部参与计算。HCA 的定位是维持全局视野，保证模型不会丢了对整段文本的把控。\n\n再加一个 128 token 的滑动窗口管局部依赖。\n\n也就是说，CSA 负责精细化检索，HCA 负责全局审视，滑动窗口管好眼前。\n\n可以这样理解这个设计：\n\n读一本 1000 页的书，传统注意力是把每一页和前面所有页都对比一遍，翻到第 1000 页的时候要同时记住前 999 页的细节，脑容量直接爆炸。\n\nCSA 的做法是把每 4 页贴一张便签纸，只写摘要，然后看到某一页时只去翻最相关的 1024 张便签纸。\n\nHCA 的做法更绝——每 128 页才贴一张便签纸，但所有便签纸都看一眼。再加上手里的那一页（滑动窗口），局部细节、中程逻辑、全局脉络都有了，但脑容量得消耗只有原来的十分之一。\n\n## 04、DeepSeek 真的很克制\n\n最让我意外的是 DeepSeek 官方这次的措辞。\n\n公告里是这样写的：\n\n> 使用体验优于 Sonnet 4.5，交付质量接近 Opus 4.6 非思考模式，但仍与 Opus 4.6 思考模式存在一定差距。\n\n【截图】\n\n没有「吊打」，没有「碾压」，没有「遥遥领先」。\n\n在充斥着「超越 GPT」「全球最强」「里程碑式突破」的当下，这种「我们确实还差一截」的表态真的很真诚。\n\n「**不诱于誉，不恐于诽，率道而行，端然正己。**」\n\nV4 不是一个完美的模型。\n\n就我自己的使用体感下来看，前端这块的处理我认为还是有很大进步空间的。\n\n这种实心的线条来布局，有点回到返璞归真的。😄\n\n【截图】\n\n下一版不急，按你的节奏来。\n"},"items":[{"name":"CLAUDE.md","path":"CLAUDE.md","title":"CLAUDE.md","content":"# CLAUDE.md\n\n## 你的形象\n\n你是一个程序员，喜欢写作分享。优先严谨务实，充满正能量，积极热情。把一句话表达得清清楚楚，把技术讲得透彻明白，深入浅出。\n\n## 项目概况\n\n主要工作是写公众号文章，和AI有关，Agent有关，可以是面试题、Agent工具测评。\n\n## 目录地图\n\n- `docs/src/sidebar/itwanger/ai/` — AI 类文章\n- `docs/src/sidebar/itwanger/qiuzhi/` — 求职/面试类文章\n- `docs/src/ai/video/` — AI Agent 面试题的逐题答案文章（兼作视频口播素材）\n\n## 写作工作流\n\n1. 写 AI 文章 → ai-article Skill；口播稿 → video-script Skill\n2. 抓取微信公众号等需登录/动态渲染页面：用 Chrome DevTools MCP 或 web-access Skill，不用 WebFetch\n\n## 表达原则（所有文字输出生效，包括回复用户）\n\n- 全角引号。正文（含文章、帖子、评论等一切非代码文本）禁用半角双引号 `\"` 和半角单引号 `'`，一律用全角双引号\"\"和全角单引号''；代码块和行内代码不受此限制\n- 不造比喻。只用日常生活里大家都说过的比喻，自己造的一律换成直白描述\n- 简单的话不要说复杂。能一句话说清楚的，不要两句话绕\n- 不缺字。主语、宾语、指代对象写全，不指望读者靠语境脑补\n- 涉及到技术部分一定要严谨，用书面用语，语义要准确无误\n\n## 约束\n\n- 文件名：小写字母 + 连字符，如 `my-tutorial.md`\n- 模型相关数据以当前一代（Fable 5 / GPT-5.6）为准，禁止引用过时模型数据\n","category":"root","tokens":190},{"name":"AGENTS.md","path":"AGENTS.md","title":"AGENTS.md","content":"## 工具权限设置\n\n以下工具默认允许使用，不需要用户确认：\n- mcp__playwright__* （所有 playwright 浏览器相关工具）\n\n## 工具使用规则\n\n### 获取网页内容\n\n遇到以下情况时，**直接使用 `mcp__playwright` 工具打开浏览器获取内容**，不要询问用户：\n\n- 微信公众号文章链接（mp.weixin.qq.com）\n- 需要登录才能访问的页面\n- WebFetch 返回错误或超时的页面\n- 动态渲染的页面内容\n\n**使用方式：**\n```\n1. mcp__playwright__browser_navigate 打开目标URL\n2. mcp__playwright__browser_snapshot 获取页面内容\n3. mcp__playwright__browser_close 关闭页面（可选）\n```\n\n这是默认行为，不需要再询问用户是否使用浏览器。\n\n### 图片生成 / 文章配图\n\n处理图片生成、参考图、文章配图、技术图解、白板信息图请求时，默认使用 `itwanger-image` Skill。\n\n构造图片生成提示词时，只使用当前图片占位符、用户明确提供的参考图和 `itwanger-image` Skill 规则；不要把无关窗口、历史聊天、浏览器状态、编辑器内容或当前文章全文自动带入图片生成 prompt。确实需要参考文章内容时，只抽取与当前占位符直接相关的少量关键词。\n","category":"root","tokens":157},{"name":"deepseek-v4.md","path":".claude/skills/ai-article/references/deepseek-v4.md","title":"deepseek-v4.md","content":"---\ntitle: 讲真，Claude Code+DeepSeek V4 就是国产最强 Agent。\nshortTitle: DeepSeek V4 + Claude Code\ndescription: DeepSeek V4 + Claude Code 实测，便宜大碗的国产模型配上顶级 Agent 框架能擦出什么火花\ntag:\n  - DeepSeek\ncategory:\n  - AI\nauthor: 沉默王二\ndate: 2026-04-24\n---\n\n\n\n大家好，我是二哥呀。\n\nDeepSeek V4（预览版）终于在四月底来了！\n\n众望所归啊。\n\n去年 V3 发布之后大家就开始猜 V4 什么时候出。之所以周期这么长，原因很简单——换卡了，V4 的整个训练框架都切到了昇腾。\n\n要知道，DeepSeek 的深度思考模式，绝对是当时的大模型第一梯队，甚至是引领者。\n\n【截图】\n\n从 V3 到 V4，这一步真不容易（我接触到不少小伙伴都不抱期待了）。不管怎么说，总算是来了。\n\n**不诱于誉，不恐于诽，率道而行，端然正己**。\n\nV4 端上来了，V4.1 就快了，威武，哦不，V5 肯定要不了这么久。\n\n注意，V4 这次是全量上线，不需要排队等资格，直接改 API 里的 model 参数就可以用。\n\nPro 版改成 `deepseek-v4-pro`，flash 版改成 `deepseek-v4-flash`，`deepseek-chat` 和 `deepseek-reasoner` 到 7 月 24 号就弃用了。\n\n【截图】\n\n定价方面，pro 比较贵，但 flash 一如既往地亲民。在没有 Coding Plan 的情况下，pro 完成一次开发，价格能接受，但略贵。\n\n别的废话我就不多说了，直接开测。\n\n咱就不去写什么 demo 了，直接把 DeepSeek V4 接入到 Claude Code 中让他猛猛干活。\n\n## 01、Claude Code + DeepSeek V4\n\n讲真，Claude Code+DeepSeek V4 就是国产最强 Agent。\n\n【截图】\n\n切换模型很简单，我自己写了个工具 PaiSwitch，销售点一点，Claude Code 的底层模型就切到了 DeepSeek V4 Pro。\n\n\n【截图】\n\n\n切换底层模型后，重新打开一个终端，输入 `/claude` 启动。\n\n【截图】\n\n可以用 `/status` 确认下配置是否生效。\n\n【截图】\n\n提示词：派聪明的聊天入口 `http://localhost:9527/#/chat` 现在是单窗口模式，我想改成多窗口——能开新对话，旧对话直接归档。\n\n【截图】\n\nV4 上来先把整个项目的代码结构读了一遍。读完之后给了一个改造计划。\n\n要新增哪些结构、更新什么类、重构哪块存储、页面布局怎么调，都列得明明白白。\n\n【截图】\n\n【截图】\n\n我全程盯着 token 消耗。\n\n【截图】\n\n读了那么多代码，加上输出计划的量，一块多。\n\n然后开始干活。V4 规划了五个任务，先攻后端，再弄前端。\n\n【截图】\n\n【截图】\n\n【截图】\n\n后端改了 7 个文件，前端 5 个，前后大概 15 分钟。\n\n【截图】\n\n【截图】\n\n编译直接过了，有错误自己也修了。\n\n然后我让它自己用 CDP 连到 Chrome 跑测试。\n\n提示词：你自己能否 cdp 我的 Chrome 测试一下：http://localhost:9527/#/chat\n\n【截图】\n\n点点按钮，验证功能。\n\n【截图】\n\n测出问题自己修。\n\n【截图】\n\n修完继续测归档功能。\n\n【截图】\n\n最后我还让它优化了一下布局。\n\n【截图】\n\n从头到尾，Pro 一共花了 10 块左右。\n\n【截图】\n\n能接受。\n\n当然了，有一说一，前端审美这块确实还比较糙。布局能用但说不上优雅。\n\n【截图】\n\n功能方面是没出一点问题。\n\n一个好的模型，配上 Claude Code 这种顶级 Harness 架构，能干的事情就很多了。\n\nClaude Code之所以牛X，就是因为。\n\n它不只是把你的提示词转发给模型，还在中间加了任务拆解、文件读写、终端操作、自动纠错这些能力。所以同一个 Harness 换不同的底层模型，就能直观地看出模型之间的差距在哪。\n\n10 块钱完成一个完整的功能开发，从代码到测试到修 bug，这个成本不算贵。\n\n【截图】\n\n但也不便宜，注意上图中的小子，下半年卡升级后，pro的加个会大幅下调。\n\n很期待下一个版本。\n\n## 02、派聪明 RAG 接入 DeepSeek V4\n\n由于我们派聪明RAG做了模型管理。\n\n所以我第一时间，也是把 Pro 和 Flash 接上去体验了一下。\n\n【截图】\n\n问了一模一样的问题：「派聪明是什么？」\n\nFlash 的回答是这样的：\n\n【截图】\n\n派聪明是一个企业级的 RAG（检索增强生成）知识库项目，最初是技术派实战项目中用于和 AI 大模型聊天对话的部分（不含检索增强），后来独立发展并沿用“派聪明”名称，旨在延续正宗的皇家血脉。\n\nPro 的回答是这样的：\n\n【截图】\n\n派聪明是一个企业级 RAG（检索增强生成）知识库系统，基于企业文档实现精准的智能问答与知识管理。它最初是技术派实战项目中的 AI 聊天模块（不含检索增强），后独立发展并沿用“派聪明”名称，旨在延续项目的正统性。系统核心能力包括：文档自动解析与分块、豆包 Embedding 向量化、关键词与语义混合检索、基于 DeepSeek 模型的生答、Self-RAG 自验证机制、JWT+RBAC 多租户权限隔离、SSE 流式推送等。通过全链路闭环，它有效解决知识分散与更新滞后问题，避免大模型“幻觉”，可应用于客服、培训、合规审查等场景。派聪明完全开源（MIT 协议），教程托管在技术派平台，支持企业私有化部署与二次扩展。\n\n一个简略，一个详细。\n\n毕竟 Pro 激活参数 49B，Flash 只有 13B，差了将近 4 倍。\n\n但重点不在谁答得长。\n\nRAG 场景里，检索质量才是天花板，模型能力决定的是在这个天花板下能发挥几成。Flash 的回答虽然短，但核心信息都抓到了——项目来源、名称由来、定位。Pro 多出来的那些内容（Self-RAG、JWT+RBAC、SSE 流式推送），其实全都是从知识库里检索出来的原始文档内容，它只是组织得更完整。\n\n换句话说，如果你的知识库文档质量高、分块合理，Flash 完全够用。\n\n## 03、DeepSeek V4 值得聊的一点\n\n传统 Transformer 的注意力机制，每个 token 要和前面所有 token 都算一遍相似度。\n\n上下文能从 10 万拉到 100 万，这是长上下文一直跑不起来的根本原因。\n\n【截图】\n\nDeepSeek 的解法是把注意力拆成两种，交替堆叠起来用。\n\n第一种叫 CSA，全名 Compressed Sparse Attention，压缩稀疏注意力。\n\n它的逻辑是先把每 4 个 token 的 KV 缓存合并成一条摘要，然后用 Lightning Indexer 快速估算相关性，让每个 query 只从这些摘要里挑出最相关的 top-1024 个去算。\n\n【截图】\n\n第二种叫 HCA，全名 Heavily Compressed Attention，重度压缩注意力。\n\n每 128 个 token 才合并成一条，但不做稀疏选择，所有压缩后的摘要全部参与计算。HCA 的定位是维持全局视野，保证模型不会丢了对整段文本的把控。\n\n再加一个 128 token 的滑动窗口管局部依赖。\n\n也就是说，CSA 负责精细化检索，HCA 负责全局审视，滑动窗口管好眼前。\n\n可以这样理解这个设计：\n\n读一本 1000 页的书，传统注意力是把每一页和前面所有页都对比一遍，翻到第 1000 页的时候要同时记住前 999 页的细节，脑容量直接爆炸。\n\nCSA 的做法是把每 4 页贴一张便签纸，只写摘要，然后看到某一页时只去翻最相关的 1024 张便签纸。\n\nHCA 的做法更绝——每 128 页才贴一张便签纸，但所有便签纸都看一眼。再加上手里的那一页（滑动窗口），局部细节、中程逻辑、全局脉络都有了，但脑容量得消耗只有原来的十分之一。\n\n## 04、DeepSeek 真的很克制\n\n最让我意外的是 DeepSeek 官方这次的措辞。\n\n公告里是这样写的：\n\n> 使用体验优于 Sonnet 4.5，交付质量接近 Opus 4.6 非思考模式，但仍与 Opus 4.6 思考模式存在一定差距。\n\n【截图】\n\n没有「吊打」，没有「碾压」，没有「遥遥领先」。\n\n在充斥着「超越 GPT」「全球最强」「里程碑式突破」的当下，这种「我们确实还差一截」的表态真的很真诚。\n\n「**不诱于誉，不恐于诽，率道而行，端然正己。**」\n\nV4 不是一个完美的模型。\n\n就我自己的使用体感下来看，前端这块的处理我认为还是有很大进步空间的。\n\n这种实心的线条来布局，有点回到返璞归真的。😄\n\n【截图】\n\n下一版不急，按你的节奏来。\n","category":".claude","tokens":947}]}