Showing Posts From
工具分享
ChatGPT_Exporter：一键导出 ChatGPT 聊天记录
为什么需要导出 ChatGPT 聊天记录？ 随着 AI 对话工具的普及，我们在 ChatGPT 中积累了大量有价值的对话。但 ChatGPT 官方并未提供批量导出功能，一旦账号出现问题或需要迁移，这些记录将面临丢失风险。 ChatGPT_Exporter 正是为了解决这一痛点而诞生的开源工具。 项目介绍 ChatGPT_Exporter 是一个基于 Tampermonkey（油猴）的浏览器脚本，可以一键导出 ChatGPT 的全部聊天记录，并自动打包为 ZIP 文件保存到本地。 GitHub 地址：https://github.com/zjt666666zjt/ChatGPT_Exporter 主要特性✅ 自动批量导出所有对话（包括归档记录） ✅ 支持多种格式：JSON、Markdown、HTML ✅ 自动生成美观的 HTML 页面（含代码高亮） ✅ 支持团队空间 (ChatGPT Team / Enterprise) ✅ 导出过程带有重试与断点机制，防止导出失败 ✅ 一键打包成 ZIP 文件下载详细安装步骤 第一步：安装 Tampermonkey 浏览器插件 Tampermonkey 是一个浏览器扩展，用于管理用户脚本。根据你使用的浏览器选择对应的安装链接：Chrome / Edge：https://tampermonkey.net/?ext=dhdg&browser=chrome Firefox：https://tampermonkey.net/?ext=dhdg&browser=firefox安装完成后，浏览器右上角会出现 Tampermonkey 图标。 第二步：选择并安装脚本版本 项目提供两个版本： 稳定版（推荐） 适合只需要稳定、可靠的「全量导出」功能的用户。 一键安装链接：https://raw.githubusercontent.com/zjt666666zjt/ChatGPT_Exporter/main/chatgpt-exporter.user.js 点击链接后，Tampermonkey 会自动弹出安装提示，点击「安装」即可。 Beta 版（功能增强） 适合想体验新功能的用户，新增特性包括：支持「最近 N 条」导出 支持项目（Project / Gizmos）文件单独导出 全新弹窗配置 UI 按钮内嵌进度条一键安装链接：https://raw.githubusercontent.com/zjt666666zjt/ChatGPT_Exporter/main/chatgpt-exporter-beta.user.js 第三步：使用脚本导出聊天记录登录 ChatGPT 或 chatgpt.com 等待页面加载完成后，右下角会出现绿色的「Export」按钮 点击按钮： 稳定版：直接开始导出流程 Beta 版：先弹出配置窗口，选择导出范围/格式/空间，然后点击「开始导出」等待脚本自动遍历所有会话，生成 ZIP 文件并自动下载到本地导出文件结构 导出后的 ZIP 文件包含以下结构： ChatGPT_backup_2025-11-05.zip ├── 对话A_xxx.json ├── 对话A_xxx.md ├── 对话A_xxx.html ├── 对话B_xxx.md ├── Project_工作项目1/ │ ├── 对话1_项目相关.md │ └── 对话2_调试记录.html └── Project_学习笔记/ ├── AI原理研究.md └── AI原理研究.html注意事项请确保已登录 ChatGPT，否则脚本无法获取会话数据 导出前建议先打开任意一个聊天页面，确保 Access Token 有效 若导出失败，可刷新页面后重试 所有数据均保存于本地，不会上传到任何服务器总结 ChatGPT_Exporter 是一个非常实用的开源工具，可以帮助我们轻松备份和迁移 ChatGPT 聊天记录。无论你是个人用户还是团队用户，都能找到适合自己的使用方式。强烈推荐给所有 ChatGPT 用户！
使用清华大学开源软件镜像站下载JDK
为什么选择清华大学开源软件镜像站？ 清华大学开源软件镜像站（TUNA）提供了一个快速、稳定且免费的软件源镜像服务，支持众多流行的开源项目，包括 Adoptium 提供的 JDK。使用 TUNA 镜像站可以显著提高下载速度，特别是在中国大陆地区。 下载步骤 步骤 1：访问 TUNA Adoptium 镜像站 首先，打开浏览器并访问以下链接： https://mirrors.tuna.tsinghua.edu.cn/Adoptium/ 步骤 2：选择 JDK 版本 在页面上，可以看到不同版本的 JDK 目录。根据需要选择相应的版本，例如 JDK 8、JDK 11 或 JDK 17。 步骤 3：选择操作系统和架构 进入 JDK 版本目录后，选择适合的操作系统和架构目录。例如，对于 64 位 Windows 系统，可以进入： 8/jdk/x64/windows/步骤 4：选择安装包格式 在操作系统目录下，可以选择不同的安装包格式。对于 Windows 系统，通常有以下选择：MSI 安装包：Windows 的标准安装格式 ZIP 压缩包：免安装版本，解压后可直接使用步骤 5：下载 JDK 选择好需要的安装包格式后，点击下载链接即可开始下载。例如，JDK 8 的 Windows 64 位版本： OpenJDK8U-jdk_x64_windows_hotspot_8u422b05.msi或 ZIP 格式： OpenJDK8U-jdk_x64_windows_hotspot_8u422b05.zip不同操作系统的选择方式Windows：选择 windows/ 目录，然后根据需要选择 MSI 或 ZIP 格式 Linux：选择 linux/ 目录，通常提供 .tar.gz 格式的压缩包 macOS：选择 mac/ 目录，提供 DMG 格式的安装包注意事项在下载和安装 JDK 之前，确保系统满足 JDK 的最低系统要求 安装 JDK 后，可能需要配置环境变量，以便在命令行中使用 java 命令 如果遇到下载速度慢或无法下载的问题，可以尝试更换网络环境或稍后重试总结 通过以上步骤，您可以轻松从清华大学开源软件镜像站下载并安装适合的 JDK 版本。如果有任何问题，可以访问镜像站的帮助文档或社区论坛寻求帮助。希望这篇文章能帮助您快速获取所需的 JDK 版本。
Excel 求和求出 #VALUE!？先看单元格是不是文本
Excel 里写： =SUM(VALUE(E5:E8))老版本直接 #VALUE!。原因是 VALUE 老版本只能吃单个单元格，不能吃区域——只有 Microsoft 365 / Excel 2021+ 的动态数组特性才让它自动对区域生效。 单元格已经是数字：直接 SUM =SUM(E5:E8)先分辨到底是数字还是文本：左对齐通常是文本，右对齐是数字 或者选中一个单元格看编辑栏——文本会显示 '123单元格是文本型数字："--" 双负号 -- 会把文本转成数字，兼容所有 Excel 版本： =SUMPRODUCT(--E5:E8)SUMPRODUCT 天生支持数组运算，比 SUM 更宽容。 Microsoft 365 也能用： =SUM(--E5:E8) =SUM(VALUE(E5:E8))老版本上面这两个会挂，用 SUMPRODUCT 版本最稳。 带货币符号 / 千分位逗号 单元格长这样： $1,234.56 $789.00要先剥掉 $ 和 ,： =SUMPRODUCT(VALUE(SUBSTITUTE(SUBSTITUTE(E5:E8,"$",""),",","")))嵌套 SUBSTITUTE 依次替换，最外层 VALUE 转数字，SUMPRODUCT 一次性求和。 混合了数字和文本的列 只想对文本型数字求和，跳过其它文本： =SUMPRODUCT(IFERROR(VALUE(E5:E8), 0))IFERROR 把无法转换的当 0，避免整个公式失败。 一劳永逸：转成真数字 如果整列都是文本数字，可以一次性转过来：选中一个空单元格，输入 1，复制 选中要转的整列 右键 → 选择性粘贴 → 乘（Multiply）之后就是真数字，SUM 直接用。 一句话总结 老 Excel：SUMPRODUCT(--range)。新 Excel：SUM 直接吃。带货币符号：套两层 SUBSTITUTE 剥掉符号再求和。
2026 年 Hexo 还香吗：Astro / VitePress / Hugo 替代对比
Hexo 在 2015-2018 那几年真是"个人博客默认选择"。但 2026 年再新开一个博客，它不是最好的选择。列几个替代方案。 Hexo 现在的问题Node.js 生态里很多老插件已经无人维护 构建速度一般——几百篇文章还行，上千篇明显变慢 Markdown 扩展能力不如新框架（MDX 之类） SEO、SSR、图片优化都要自己折腾 官方更新频率越来越低不是不能用，只是新开项目性价比不高。 替代方案对比框架 推荐度 学习曲线 主要卖点Astro ⭐⭐⭐⭐⭐ ★★★ 性能最好、组件生态最活跃VitePress ⭐⭐⭐⭐⭐ ★★ Vue 官方栈，文档站体验极佳Hugo ⭐⭐⭐⭐☆ ★★★ Go 编译，构建速度极快Next.js ⭐⭐⭐⭐☆ ★★★★ 全功能，可扩展成完整网站Docusaurus ⭐⭐⭐⭐☆ ★★★ 专业文档站首选Hexo ⭐⭐⭐ ★ 老牌博客，简单但落伍个人博客：首选 Astro Astro 已经成了当前的默认选择： 优点：页面速度非常快（Islands Architecture，默认零 JS） Markdown / MDX 支持一流 默认 SEO 友好、图片自动优化 可以插 React / Vue / Svelte / Solid 组件（"用啥框架不限"） 部署到 GitHub Pages / Cloudflare Pages / Vercel 都是一键 社区活跃，主题多例子： npm create astro@latest模板选 blog / minimal / portfolio 都行，都跑得起来。 Astro 对我这种"技术博客写 Markdown 加代码块"的场景友好度非常高。 Vue 生态：VitePress 如果你熟 Vue（或者不想学新东西），VitePress 是最平滑的： docs/ ├── index.md ├── blog/ │ ├── first.md │ └── second.md └── .vitepress/ └── config.ts零配置能跑，自带：数学公式（KaTeX） Mermaid 流程图 代码高亮 + copy 按钮 暗色模式 全文搜索（Algolia / local） RSS / Sitemap特别适合技术文档 + 博客混合站。Vue 官方文档、Vite 官方文档都是它。 文章特别多：Hugo 一个博客攒了 3000 篇以上文章的时候，Hugo 优势明显——Go 编译，1000 篇文章从 30 秒（Hexo）降到 3 秒。 不足：模板语法（Go template）比较别扭 主题生态没 Astro/Next.js 火 前端集成能力较弱选 Hugo 的场景：内容极多 + 不需要复杂前端 + 追求极致构建速度。 完整网站：Next.js 想做的不只是博客——加登录、评论、订阅、AI 搜索、API、数据库、支付……直接上 Next.js： 能做：博客 用户系统 / 认证 CMS 后台 支付订阅 AI 集成（Vercel AI SDK） API 路由（无服务器函数） SSR / SSG / ISR 混用代价：学习成本明显高于 Hexo，React 生态得吃透。 专业文档：Docusaurus 或 VitePress 大型开源项目文档站——React 生态选 Docusaurus，Vue 选 VitePress。 两者都自带：侧边导航 版本管理（v1 / v2 / v3 切换） 多语言 搜索 团队 / 客户展示Meta 的 React 文档、字节的部分开源文档站都用 Docusaurus。 从 Hexo 迁移 大部分 Hexo 博客的 source/_posts 里都是标准 Markdown + YAML frontmatter。迁移到 Astro / VitePress 通常改一下 frontmatter 字段就行： Hexo： --- title: xxx date: 2024-01-01 12:00:00 tags: [foo, bar] categories: [tech] ---Astro 差异不大： --- title: "xxx" date: 2024-01-01T12:00:00Z tags: ["foo", "bar"] categories: ["tech"] ---写个脚本批量改字段名 + 转日期格式就完事，正文完全不用动。 我的推荐 按目标推荐一次：纯个人博客，追求现代化 + 长期可维护：Astro Vue 用户，写文档 + 博客：VitePress 文章上千篇，追求快构建：Hugo 想做完整产品站：Next.js 大项目开源文档：Docusaurus 只想快速开始，不想学新东西：Hexo 也能用一句话总结 Hexo 还能用但不是首选。个人技术博客现在的默认答案是 Astro——性能、Markdown 支持、组件生态、部署便利全都优秀。
Python 拿 CPU 型号，以及 Windows 注册表里的 CPU 信息
想在 Python 里拿到完整的 CPU 型号——比如 Intel(R) Xeon(R) CPU E5-2680 v4 @ 2.40GHz 或 12th Gen Intel(R) Core(TM) i5-12400。看着简单，跨平台其实要三条路径。 首选：platform.processor() 标准库一行： import platform print(platform.processor())Linux/macOS 通常能给出可读的字符串。Windows 上经常返回空或者只有个 Intel64 Family 6 Model 158 Stepping 10——CPUID 的原始编码，不是人看的。 Windows：WMI 或注册表 方式 1：wmic import subprocessout = subprocess.check_output("wmic cpu get name", shell=True, text=True) name = out.split("\n")[1].strip() print(name) # 12th Gen Intel(R) Core(TM) i5-12400注意 wmic 在 Windows 11 24H2 之后被标注为已弃用（虽然还能用一段时间）。 方式 2：PowerShell out = subprocess.check_output( ["powershell", "-Command", "(Get-CimInstance Win32_Processor).Name"], text=True, ) print(out.strip())这个在新版 Windows 上更稳。 方式 3：读注册表 Windows 启动时会把 CPUID 结果缓存到注册表： HKLM\HARDWARE\DESCRIPTION\System\CentralProcessor\0 ProcessorNameString REG_SZ 12th Gen Intel(R) Core(TM) i5-12400 VendorIdentifier REG_SZ GenuineIntelPython 读： import winregwith winreg.OpenKey( winreg.HKEY_LOCAL_MACHINE, r"HARDWARE\DESCRIPTION\System\CentralProcessor\0", ) as k: name, _ = winreg.QueryValueEx(k, "ProcessorNameString") print(name)三种方式底层都来自 CPUID 指令，注册表算是"启动时缓存好的解析结果"，速度最快，也不依赖外部命令。 Linux：/proc/cpuinfo with open("/proc/cpuinfo") as f: for line in f: if line.startswith("model name"): print(line.split(":", 1)[1].strip()) break或者 shell 一行： grep "model name" /proc/cpuinfo | head -1 lscpu | grep "Model name"macOS：sysctl import subprocess out = subprocess.check_output( ["sysctl", "-n", "machdep.cpu.brand_string"], text=True ) print(out.strip()) # Apple M2 Pro / Intel(R) Core(TM) i7-...跨平台通用函数 import os import platform import subprocessdef get_cpu_name() -> str: system = platform.system() if system == "Windows": try: import winreg with winreg.OpenKey( winreg.HKEY_LOCAL_MACHINE, r"HARDWARE\DESCRIPTION\System\CentralProcessor\0", ) as k: name, _ = winreg.QueryValueEx(k, "ProcessorNameString") return name.strip() except Exception: pass try: out = subprocess.check_output( ["powershell", "-Command", "(Get-CimInstance Win32_Processor).Name"], text=True, ) return out.strip() except Exception: return platform.processor() or "unknown" if system == "Darwin": try: return subprocess.check_output( ["sysctl", "-n", "machdep.cpu.brand_string"], text=True, ).strip() except Exception: return platform.processor() or "unknown" # Linux / *BSD try: with open("/proc/cpuinfo") as f: for line in f: if line.startswith("model name"): return line.split(":", 1)[1].strip() except Exception: pass return platform.processor() or "unknown"if __name__ == "__main__": print(get_cpu_name())CPU 信息会被缓存吗 有个常见疑问："CPU 型号会不会被系统缓存到什么地方？" 答案分两层：CPU 本身没有"存型号信息"——型号信息是 CPUID 指令的返回值，来自硬件里的固化电路 操作系统会缓存 CPUID 的解析结果：Windows 存在 HKLM\HARDWARE\DESCRIPTION\System\CentralProcessor 注册表下、Linux 通过 /proc/cpuinfo 动态生成、macOS 通过 sysctl 暴露所以你读注册表 / /proc/cpuinfo 拿的是"系统解析过一次的缓存"，实时性和 CPUID 指令等价，但在虚拟机 / 容器里可能被覆盖或伪造——CPU 型号做设备指纹是很弱的信号，容易被伪装。 一句话总结 跨平台就 Windows 读注册表、Linux 读 /proc/cpuinfo、macOS sysctl。platform.processor() 在 Linux/macOS 上够用，Windows 上不行。做指纹别只靠 CPU 型号，太容易伪装。
Python 模拟键盘输入：中文乱码和 Citrix 场景的应对
自动化脚本里想模拟键盘输入——听着简单，一遇到中文、遇到 Citrix / RDP / 游戏窗口，坑就一个接一个来。列一下常用方案和各自适用场景。 方案对比库 优点 缺点pyautogui 跨平台、简单 中文经常挂、后台窗口不响应keyboard 全局事件、监听热键 Windows 常需管理员、后台无效pywin32 支持后台 WM_CHAR 某些程序（浏览器、游戏）不响应 WM_CHARctypes + WinAPI 无依赖、最底层 需要处理 scan code、代码稍长剪贴板 + Ctrl+V 中文、长文本最稳 会覆盖用户剪贴板最简单：pyautogui import pyautogui, time time.sleep(3) # 3 秒切窗口 pyautogui.write("hello world") # 输入英文 pyautogui.press("enter") # 按键 pyautogui.hotkey("ctrl", "c") # 组合键interval 参数控制打字间隔： pyautogui.write("hello", interval=0.05)中文乱码怎么办 pyautogui.write("你好") 本质是把字符串拆成一个个按键事件。中文没有对应的物理按键，很多环境（尤其 Citrix、RDP、游戏、浏览器某些输入框）会输入乱码或干脆吞掉。 最稳的做法是 走系统剪贴板 + Ctrl+V： import pyperclip, pyautogui, timepyperclip.copy("你好世界，长文本也行") time.sleep(2) # 切窗口 pyautogui.hotkey("ctrl", "v")优点：支持中文 / emoji / 特殊字符 支持超长文本（比逐字模拟快百倍） 兼容大多数远程桌面 / Citrix缺点：会覆盖用户当前剪贴板（可以备份再还原） 需要目标窗口支持 Ctrl+V带备份还原的完整版本： import pyperclip, pyautogui, timedef paste_text(text): backup = pyperclip.paste() pyperclip.copy(text) time.sleep(0.1) pyautogui.hotkey("ctrl", "v") time.sleep(0.1) pyperclip.copy(backup)后台发送到指定窗口 前台切换太打扰人，想在不抢焦点的情况下往某个窗口发内容： import win32gui, win32api, win32conhwnd = win32gui.FindWindow(None, "记事本") for ch in "hello": win32api.SendMessage(hwnd, win32con.WM_CHAR, ord(ch), 0)局限：浏览器 / 游戏 / Citrix / 远程桌面通常不响应 WM_CHAR（安全考虑） 只对纯 Win32 原生窗口有效不响应的目标只能回到"抢焦点 + 真实按键"路线。 Citrix 里传大数据 场景：本机 → Citrix → 内网服务器，想把一个几 MB 的文件传过去，只能靠键盘输入。 技巧：本机 base64 编码文件（比 hex 省一半体积） 分块用 pyautogui.write 发（每块 4 KB 左右） 内网服务器上再解码import pyautogui, base64, timewith open("payload.bin", "rb") as f: data = base64.b64encode(f.read()).decode()time.sleep(3) # 切到 Citrix 窗口 CHUNK = 4096 for i in range(0, len(data), CHUNK): pyautogui.write(data[i:i + CHUNK], interval=0.001) time.sleep(0.1) pyautogui.press("enter")内网服务器上有 Python / Bash 就 base64 -d 还原。 监听全局热键 想按 F8 触发某个动作： import keyboard keyboard.wait("f8") print("触发")Windows 上需要管理员运行才能读到全局键盘事件。 一句话总结 英文短文本用 pyautogui.write；中文和长文本用剪贴板 + Ctrl+V；Citrix/RDP 传大数据用 base64 + 分块 write。后台无焦点发送只对纯 Win32 窗口有效。
Citrix Gateway 三种模式：Full VPN / Clientless / ICA Proxy 怎么区分
在公司里用 Citrix Gateway（以前叫 NetScaler Gateway）远程办公，能不能 ping 内网、能不能 mstsc 到某台内网机器——完全取决于管理员开的是哪种模式。三种模式差别很大： 三种模式 1. Full VPN（完整 VPN） 登录 Gateway 后建立 VPN 隧道，你的电脑相当于接进了公司内网。 能做的： ping 10.0.0.1 mstsc 10.0.0.100 \\10.0.0.50\share内网 API、SMB 共享、RDP 都能直接连。最接近传统 VPN。 2. Clientless VPN（无客户端 VPN） 只能通过 Gateway 的网页入口访问管理员发布过的内网网站： https://gateway.company.com/vpn/index.html ├─ OA 系统 ├─ JIRA ├─ GitLab └─ Exchange OWAGateway 帮你反向代理到内网。只有网页可访问——ping / RDP / SMB 全都不行。 3. ICA Proxy（最常见） 登录 Gateway 后看到的不是网页应用列表，而是远程桌面 / 应用： [Windows 桌面] [SAP] [Outlook] [Chrome]点击后：浏览器下载 .ica 文件 Citrix Workspace 客户端打开 连到内网一台服务器上运行你本机没进内网——只是远程操作一台内网机器。所有操作都在那台远端上完成，本机能看到的只是画面像素。 怎么判断自己是哪种 登录 Gateway 之后： 方法 1：看网卡 ipconfigFull VPN 会多出： 以太网适配器 Citrix Secure Access: 以太网适配器 Citrix VPN Adapter:看到就是 Full VPN。 方法 2：看路由 route printFull VPN 里有内网网段被路由到 Citrix 虚拟网卡： 10.0.0.0 255.0.0.0 10.0.0.1 <Citrix 网卡 IP>方法 3：直接 ping 内网 ping 10.x.x.x telnet 10.x.x.x 3389通 = Full VPN，不通 = Clientless 或 ICA Proxy。 方法 4：登录后看到什么 登录 Gateway 网页后：看到 大概率是一堆网页链接 Clientless VPN桌面 / 应用图标（点了下 ica） ICA Proxy什么都没看到，只有 VPN 状态 Full VPNICA Proxy 想访问其它内网资源 基本上不行。ICA Proxy 的设计初衷就是"给远程用户桌面 / 应用"，不给完整内网访问权限。安全模型里这是"最小暴露面"的选择。 想访问需要管理员：开启 Full VPN 策略（Citrix Secure Access Client） 或者把你需要的服务发布成 Clientless 应用 或者给你专门开一个 RDP 会话，你从那台机器上操作传大文件的坑 ICA Proxy 模式下想把本机文件传到远端会话：Citrix Workspace 支持"客户端驱动映射"，可以把本地磁盘挂进远端会话，管理员可能禁用 剪贴板：可能双向、可能单向、可能禁用，也是策略控制的 上传下载按钮：Citrix Workspace 本身有，但公司常常禁真被卡住只能靠在远端邮箱收发、通过 WebOA 上传中转等等。或者直接找 IT 开权限。 Full VPN 的坑 即使有 Full VPN 也不等于什么都能访问：分段路由：管理员可能只给部分内网网段路由，比如只给你 10.10.0.0/16，其它照样不通 应用层过滤：Gateway 可以按端口 / 协议限制，明明有路由但 RDP 不通 DNS：需要用公司内 DNS，否则内网域名解析不了route print 看到给了哪些网段，就只能访问那些网段。 一句话总结 Citrix Gateway 三种模式—— Full VPN 拿到内网路由、Clientless 只发布网页、ICA Proxy 只是远端桌面像素。看 ipconfig 有没有 Citrix 网卡最快分辨。想要更多权限，只能找管理员改策略。
AI 控制浏览器的四种方案：插件 / Playwright / CDP / Browser Use
"AI 控制浏览器"目前有四类方案，权限差异非常大。做爬虫 / 自动化 / Agent 时选错方案会撞墙——比如插件方案下想调试 JS 是不可能的。 权限矩阵方案 操作 DOM 读 DOM 执行 JS 调试 JS Chrome DevTools 全权限 保留登录态Chrome 扩展 ✅ ✅ ✅ ❌ ❌ ✅Playwright / Puppeteer ✅ ✅ ✅ 部分 ❌ 需配置Chrome DevTools Protocol (CDP) ✅ ✅ ✅ ✅ ✅ ✅Browser Use / Open Operator ✅ ✅ ✅ 部分 部分 ✅方案一：Chrome 扩展 适合：日常使用中的 AI 助手（Sider、Harpa、Monica 等）、需要长期挂在浏览器里的工具。 做法：写一个 Chrome/Edge 扩展，通过 content script 读写 DOM： // content.js document.querySelector("input.search").value = "hello"; document.querySelector("button.submit").click();或者用扩展 API 拿到当前 tab 的 DOM 快照喂给 LLM： chrome.tabs.sendMessage(tabId, { type: "getDOM" }, response => { callLLM(response.html); });局限：无法调试 JS（没 DevTools 权限） 无法访问 Network / Sources / Performance 某些反爬网站可能识别扩展环境方案二：Playwright / Puppeteer 适合：爬虫、自动化测试、CI 里跑的一次性任务。 from playwright.sync_api import sync_playwrightwith sync_playwright() as p: browser = p.chromium.launch(headless=False) page = browser.new_page() page.goto("https://example.com") # 读 DOM html = page.content() # 执行 JS result = page.evaluate("() => document.title") # 点击 page.click("button.submit")配合 LLM：Playwright 抓页面 → 传 DOM 给模型 → 模型返回下一步操作 → Playwright 执行。 局限：每次启动是全新 profile，没登录态（除非 launch_persistent_context） 反自动化检测（Cloudflare、Datadome 之类）会挂 网站升级 selector 就崩有个绕检测的插件叫 playwright-stealth，能过大多数入门反爬。 方案三：Chrome DevTools Protocol（权限最高） 适合：需要完整 DevTools 能力的场景——JS 调试、Network 拦截、Performance profiling、逆向分析。 先以 debug 模式启动 Chrome： chrome.exe --remote-debugging-port=9222 --user-data-dir="D:\chrome-cdp"然后 Playwright 连过去（这里 Playwright 是 CDP 的高层封装）： browser = p.chromium.connect_over_cdp("http://127.0.0.1:9222")或者直接用底层 CDP： from pychrome import Browser b = Browser(url="http://127.0.0.1:9222") tab = b.list_tab()[0] tab.start() tab.Runtime.evaluate(expression="document.title")# 拦截 Network tab.Network.enable() tab.call_method("Fetch.enable")# 设置断点 tab.Debugger.enable() tab.Debugger.setBreakpointByUrl(url=".../app.js", lineNumber=100)能力和你按 F12 一样。 方案四：Browser Use / Open Operator 类项目 近一两年新出的一批"给 LLM 用的浏览器 SDK"——比如 browser-use、Anthropic 的 Computer Use、OpenAI Operator： from browser_use import Agent from langchain_openai import ChatOpenAIagent = Agent( task="打开 GitHub 搜索 langchain 项目的最新 star 数", llm=ChatOpenAI(model="gpt-4o"), ) result = agent.run()这类 SDK 帮你封装好：页面截图 + 元素编号 Vision 模型选元素 Playwright 执行操作 失败自动重试写业务代码不用管 selector，直接说自然语言。代价：慢（每步 LLM 调用）、贵（大量 vision token）、有时候错。 怎么选场景 推荐用户浏览时给 AI 助手能力 Chrome 扩展定时任务 / CI 里跑 Playwright需要 JS 断点、Network 拦截、逆向 CDP想让 LLM 自主完成复杂多步任务 Browser Use 类反爬严的网站 CDP + stealth + 真实 profile一句话总结 日常插件、爬虫 Playwright、逆向调试 CDP、Agent 用 Browser Use——四种方案权限从低到高，按需要选。CDP 是"能上 F12 就能做的一切"的上限。
NVM 环境配置与 npm 找不到的排查
macOS / Linux 上配 nvm 先确认 nvm 安装位置： echo $NVM_DIR通常是 ~/.nvm。在 ~/.zshrc（zsh）或 ~/.bashrc（bash）末尾加： export NVM_DIR="$HOME/.nvm" [ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh" [ -s "$NVM_DIR/bash_completion" ] && \. "$NVM_DIR/bash_completion"生效并验证： source ~/.zshrc nvm -vWindows 上配 nvm-windows 先看 nvm 目录： nvm root通常输出： C:\Users\<你>\AppData\Roaming\nvm系统环境变量里加两条： NVM_HOME = C:\Users\<你>\AppData\Roaming\nvm NVM_SYMLINK = C:\Program Files\nodejs再把 Path 里追加： %NVM_HOME% %NVM_SYMLINK%新开一个 CMD 窗口，验证： nvm version node -v npm -v常用命令速查 nvm install 22 # 装 Node 22 nvm list # 已装版本 nvm use 22 # 切换版本 nvm alias default 22 # 设默认（macOS/Linux） nvm current # 当前使用版本which node 有输出，但 npm not found 碰到这种情况： $ which node /Users/you/.nvm/versions/node/v22.21.1/bin/node$ which npm npm not found有六种可能，从概率高到低排： 1. 只装了 nvm 没装 Node nvm list # 一片空 nvm install 22 nvm use 222. 版本没激活 nvm current # 显示 none / N/A nvm use 223. PATH 没指向当前 Node echo $PATH # 看有没有 .nvm/versions/node/v22.x.x/bin4. Node 目录里 npm 文件真的没了 ls -lah /Users/you/.nvm/versions/node/v22.21.1/bin/正常应该有 node、npm、npx、corepack。只有 node 说明安装被中断过，重装： nvm uninstall 22 nvm install 225. Windows：nvm-windows 软链坏了（最常见） dir "C:\Program Files\nodejs"看到目录是空的或者链接指向失效版本，重新 nvm use： nvm use 22.19.0之后 where node / where npm 都会有结果。 6. Homebrew 装的 nvm 没加载环境 nvm use default # 或 nvm install --lts一句话总结 nvm 有问题时按这个顺序自检：nvm list → nvm current → which node / which npm → 检查 bin 目录是否完整。95% 的问题都是"没 use 版本"或"软链坏了"。
Python 多线程批量检查 URL 状态码：ThreadPoolExecutor + Session
一个真实场景：data/*.json，每个 JSON 是数组，数组元素里有 imgHttpUrl。想批量检查这些 URL 是不是 403（图片失效），是的话把整个 JSON 文件删掉。文件几千个，单线程要跑一天，加多线程。 单线程版本先跑通 import json from pathlib import Path import requestsfor json_file in Path("data").glob("*.json"): try: data = json.loads(json_file.read_text(encoding="utf-8")) if not data: continue url = data[0].get("imgHttpUrl") if not url: continue r = requests.get(url, stream=True, timeout=10) if r.status_code == 403: print(f"删除 {json_file}") json_file.unlink() except Exception as e: print(json_file, e)要点：只检查数组第一个元素（假设整个文件的图片来自同一源，一个 403 全体 403） stream=True — 只拿响应头，body 不下载，快 用 pathlib.Path.unlink() 删文件，比 os.remove 干净加多线程 IO 密集，直接 ThreadPoolExecutor 就行，不用协程： import json from pathlib import Path from concurrent.futures import ThreadPoolExecutor, as_completed import requestsDATA_DIR = Path("data") MAX_WORKERS = 100session = requests.Session()def check_file(json_file: Path): try: data = json.loads(json_file.read_text(encoding="utf-8")) if not data: return None url = data[0].get("imgHttpUrl") if not url: return None r = session.get(url, stream=True, timeout=10, allow_redirects=True) if r.status_code == 403: json_file.unlink() return json_file except Exception as e: print(f"[错误] {json_file}: {e}") return Nonefiles = list(DATA_DIR.glob("*.json")) deleted = []with ThreadPoolExecutor(max_workers=MAX_WORKERS) as ex: futures = {ex.submit(check_file, f): f for f in files} for fut in as_completed(futures): result = fut.result() if result: deleted.append(result)print(f"完成，共删除 {len(deleted)} 个文件")Session 为什么关键 用 requests.Session() 而不是每次 requests.get()：复用 TCP 连接 + TLS 握手，快 5~10 倍 连接池自动管理 全局默认 headers / cookies批量请求同一个域名，Session 是必配的。 HEAD 还是 GET？ 只判状态码，不需要 body，理论上 HEAD 更快： r = session.head(url, timeout=10, allow_redirects=True)但：CDN / 图片服务器可能不支持 HEAD，返回 405 Method Not Allowed（常见于阿里 OSS 未开该权限、部分反爬策略） 有些服务器 HEAD 返回和 GET 不同的状态码保险起见先 HEAD、失败降级 GET： def check(url): try: r = session.head(url, timeout=10, allow_redirects=True) if r.status_code == 405: r = session.get(url, stream=True, timeout=10, allow_redirects=True) return r.status_code except requests.RequestException: return None线程数怎么调CPU 密集：os.cpu_count() 一般顶 IO 密集（网络请求）：可以开几十甚至几百 目标服务器扛得住多少：看它——同源打 100 并发容易被 WAF ban，不同源随便开试起来：从 20 开始，看服务器响应正常、CPU 也没打满、就慢慢加。100 是 Python requests 常见上限。 更快：httpx + asyncio 千 URL 级别 ThreadPoolExecutor 够用。上万级建议改 asyncio： import asyncio, httpx, json from pathlib import Pathasync def check(client, json_file): try: data = json.loads(json_file.read_text(encoding="utf-8")) if not data: return url = data[0].get("imgHttpUrl") if not url: return r = await client.head(url, follow_redirects=True, timeout=10) if r.status_code == 403: json_file.unlink() print(f"删除 {json_file}") except Exception as e: print(json_file, e)async def main(): files = list(Path("data").glob("*.json")) limits = httpx.Limits(max_connections=200) async with httpx.AsyncClient(limits=limits) as client: await asyncio.gather(*(check(client, f) for f in files))asyncio.run(main())asyncio + httpx 可以轻松跑到 1000+ 并发，机器压力更小。 一句话总结 IO 密集批量请求 = ThreadPoolExecutor + Session。开 50-100 线程，先 HEAD 再降级 GET。上万量级换 asyncio + httpx。
npm cb() never called 别再瞎清缓存：先看 Node 和 npm 匹不匹配
老项目上手，npm install 直接崩： npm ERR! cb() never called!npm ERR! This is an error with npm itself. Please report this error at: npm ERR! <https://npm.community>网上一搜全是"清缓存、删 node_modules、换镜像"这种模板答案。真去清了，然后再跑就变成： ERROR: npm v11.17.0 is known not to run on Node.js v14.21.3. This version of npm supports the following node versions: `^20.17.0 || >=22.9.0`SyntaxError: Unexpected token '&&='这才是真面目——Node 版本和 npm 版本对不上。 症状识别 看到这两种就是版本冲突：cb() never called（npm 内部逻辑走到不该走的分支） SyntaxError: Unexpected token （npm 用了新语法，老 Node 不认识，比如 &&= 是 Node 15+ 才有的）不是包坏了、不是 registry 挂了、也不是缓存的锅。 Node 与 npm 的兼容表Node 版本 兼容的 npmNode 14 npm 6 ~ 8Node 16 npm 7 ~ 8Node 18 npm 9 ~ 10Node 20 npm 10 ~ 11Node 22 npm 10 ~ 11跨太多档就会互相不认。npm 11 明确要求 Node >= 20.17 或 >= 22.9。 正确修法 方案一：直接升 Node（推荐） 用 nvm： nvm install 22 nvm use 22 nvm alias default 22 node -v npm -vNode 22 + npm 10/11，是现在最省事的组合。 方案二：必须用老 Node，就降 npm 比如项目锁死 Node 14： npm install -g npm@6 # 或 npm install -g npm@8但注意——大部分现代依赖已经放弃了 Node 14，长远还是得升。 方案三：项目里锁定引擎（推荐） package.json 里加： { "engines": { "node": ">=20.17" } }结合 nvm use 和 .nvmrc： echo "22" > .nvmrc nvm use # 自动读 .nvmrc新人 clone 下来 nvm use 就切对了。 如果只是普通 cb() never called Node/npm 版本没问题，仍然报的情况下才走"缓存派"步骤： npm cache clean --force rm -rf node_modules package-lock.json npm install --legacy-peer-deps顺带换个镜像加速： npm config set registry https://registry.npmmirror.com一句话总结 看到 cb() never called 别急着删 node_modules，先 node -v && npm -v 对一下兼容表。绝大多数是 Node 版本跟不上 npm。
Python 环境管理工具选谁：uv / conda / poetry / pixi 对比
Python 世界的环境管理工具太多——pip、virtualenv、pipenv、poetry、conda、mamba、rye、uv、pixi、hatch……哪个最适合现在（2026 年）用？简单结论：大多数项目 uv，AI/CUDA 项目考虑 pixi 或 conda。 对比表工具 环境管理 包管理 速度 主要适用 现状uv ✅ ✅ 🚀 最快 大多数 Python 项目 活跃、事实标准pixi ✅ ✅ 🚀 很快 AI/CUDA/科学计算 新兴，快速崛起conda ✅ ✅ 慢 AI、科学计算 稳定但笨重mamba ✅ ✅ 快 conda 生态替代 活跃poetry ✅ ✅ 中 库/应用打包 成熟，用户多pipenv ✅ ✅ 慢 老项目 维护缓慢rye ✅ ✅ 快 曾是首选 已合并入 uvhatch ✅ ✅ 快 多环境测试 小众pip + venv ✅ ✅ 慢 兜底 官方最基础方案uv：默认选它 uv 是 Astral（写 Ruff 的那家）用 Rust 实现的一体化工具，把这些的能力都整合了：pyenv（Python 版本管理） virtualenv（虚拟环境） pip（包管理） pip-tools（依赖锁定） pipx（全局工具）日常操作： uv init # 初始化项目 uv python install 3.11 # 装 Python 3.11 uv add requests # 加依赖 uv add --dev pytest # 开发依赖 uv sync # 同步依赖到 .venv uv run main.py # 用项目环境跑 uv tool install ruff # 全局装工具（类似 pipx）速度上，pip 装 20 个包要 30 秒，uv 通常 2-3 秒。CI 尤其明显。 什么时候不用 uv CUDA 依赖复杂 + 遇到 wheel 找不到： 比如：Windows 上装 triton — 直接没轮子（见 uv 依赖冲突） OpenCV 特殊构建（Contrib、GPU） CUDA 版本要精确匹配 PyTorch Intel MKL / Nvidia cuDNN 直接依赖这些场景conda / pixi 生态里有预编译好的二进制，uv 从 PyPI 拿不到就得自己编译（往往编不过）。 Pixi：AI 项目的新选择 Pixi 由 conda 生态团队做的下一代工具——Rust 实现，速度接近 uv，能力接近 conda： pixi init pixi add python=3.11 pytorch=2.4 pixi add opencv # 自动解决 cuda / mkl pixi run python main.py优势：兼容 conda-forge 生态（大量预编译二进制） 自动解 CUDA / MKL / OpenCV 类非 Python 依赖 支持多语言（Python、Rust、C++、Julia） 速度快，比 conda 快得多已经有相当多 AI 开发者从 conda 迁移到 pixi。 Conda / Mamba：老牌 AI 首选 conda 的最大优势是 conda-forge 里几十万个预编译二进制包——包括 CUDA、cuDNN、MKL、OpenCV、FFmpeg 等 Python 生态之外的东西。 问题：解依赖巨慢（几分钟起步） 环境臃肿（一个 base 就几个 G） 私有仓库通常不支持Mamba 是 conda 的兼容替代，速度快 10 倍，用法一样： mamba install pytorch cudatoolkit=11.8 mamba env create -f environment.yml新项目直接上 pixi，比 conda + mamba 都简单。 Poetry：库开发 写 Python 库、要发 PyPI，poetry 还是很好的选择： poetry init poetry add requests poetry publish优势：强项在依赖锁定 + 发布 wheel pyproject.toml 规范 依赖冲突处理清晰uv 现在也能做发布（uv build + uv publish），但生态积累不如 poetry。 Rye 呢 Rye 之前是 Astral 主推的项目，2024 年宣布功能合并到 uv，Rye 只维护不新增。已经用 Rye 的可以直接迁到 uv，语法几乎一样。 场景推荐场景 首选 备选Web / 脚本 / 日常开发 uv poetry库开发 + 发 PyPI uv poetryYOLO / PyTorch / LLM 训练 uv（先试） pixi / mamba科学计算 + CUDA + MKL pixi mamba老项目改造 保持原有工具 逐步迁 uvCI 加速 uvuv 装全局工具 uv 不太强调"全局环境"，但支持全局工具（类似 pipx）： uv tool install ruff uv tool install pre-commit uv tool install pyinstalleruv tool list uv tool upgrade ruff uv tool uninstall ruff装完直接命令行可用。想真的用一个全局 Python 解释器写脚本，可以： uv python install 3.11 uv run --python 3.11 script.py一句话总结 默认 uv，CUDA 复杂就上 pixi。conda/mamba 老 AI 项目继续维护，poetry 专注库发布。Rye 已经并入 uv，不用再学。
油猴脚本加 IndexedDB 本地备份：掉线也不丢数据
在油猴脚本里做数据备份，通常只往本地服务器 POST 一份。但服务器挂掉或网络问题时，这批数据就丢了。IndexedDB 可以作为本地兜底——不管服务器是否正常，先把数据存本地一份。 IndexedDB 基础封装 const DB_NAME = "localBackupDB"; const STORE_NAME = "backups"; let db;function initDB() { return new Promise((resolve, reject) => { const req = indexedDB.open(DB_NAME, 1); req.onupgradeneeded = (e) => { const d = e.target.result; if (!d.objectStoreNames.contains(STORE_NAME)) { d.createObjectStore(STORE_NAME, { keyPath: "id" }); } }; req.onsuccess = (e) => { db = e.target.result; resolve(db); }; req.onerror = (e) => reject(e); }); }function saveToIndexedDB(fileName, content) { if (!db) return; const tx = db.transaction(STORE_NAME, "readwrite"); const store = tx.objectStore(STORE_NAME); store.put({ id: fileName, content, timestamp: Date.now() }); }function getAllBackups() { return new Promise((resolve, reject) => { if (!db) return resolve([]); const tx = db.transaction(STORE_NAME, "readonly"); const req = tx.objectStore(STORE_NAME).getAll(); req.onsuccess = () => resolve(req.result); req.onerror = (e) => reject(e); }); }集成到备份队列 已有服务端备份逻辑时，在 enqueueSave 里同时存 IndexedDB： const savedSet = new Set(); const queue = []; let timer = null;function enqueueSave(fileName, content) { if (savedSet.has(fileName)) return; savedSet.add(fileName); // 本地 IndexedDB 兜底（不管服务端是否正常） saveToIndexedDB(fileName, content); queue.push({ fileName, content }); if (!timer) timer = setTimeout(flushQueue, 1000); }function flushQueue() { const batch = [...queue]; queue.length = 0; timer = null; batch.forEach(({ fileName, content }) => saveToServer(fileName, content)); }这样即使 saveToServer 失败，IndexedDB 里还有一份。 可视化面板 挂到 window.showPanel，在控制台调用即可弹出历史备份列表： function showPanel() { if (document.getElementById("__backup_panel")) return; const panel = document.createElement("div"); panel.id = "__backup_panel"; Object.assign(panel.style, { position: "fixed", top: "20px", right: "20px", width: "320px", maxHeight: "420px", overflowY: "auto", background: "#fff", border: "1px solid #ccc", boxShadow: "0 0 10px rgba(0,0,0,.3)", padding: "12px", zIndex: 99999, fontSize: "12px", fontFamily: "monospace" }); panel.innerHTML = `<div style="font-weight:bold;margin-bottom:8px">📦 历史备份</div> <div id="__backup_list"></div> <button id="__backup_close" style="margin-top:10px">关闭</button>`; document.body.appendChild(panel); document.getElementById("__backup_close").onclick = () => panel.remove(); getAllBackups().then(backups => { const list = document.getElementById("__backup_list"); backups.sort((a, b) => b.timestamp - a.timestamp); backups.forEach(item => { const row = document.createElement("div"); row.style.cssText = "display:flex;justify-content:space-between;margin-bottom:4px"; const name = document.createElement("span"); name.textContent = item.id; name.style.cssText = "flex:1;overflow:hidden;text-overflow:ellipsis;white-space:nowrap"; const btn = document.createElement("button"); btn.textContent = "恢复"; btn.onclick = () => { try { console.log("🔄 恢复备份:", item.id); console.log(JSON.parse(item.content)); } catch { console.log(item.content); } }; row.appendChild(name); row.appendChild(btn); list.appendChild(row); }); }); }window.showPanel = showPanel;使用时在浏览器控制台输入 showPanel() 即可查看。 初始化调用 initDB() .then(() => console.log("IndexedDB 已就绪")) .catch(console.error);注意事项IndexedDB 存储受同源策略限制，每个域名独立，跨域无法访问 浏览器私有模式下 IndexedDB 数据在关闭标签页后会清除 存储上限一般是磁盘空间的 50% 左右（浏览器决定），备份大量 JSON 不用担心空间 用 store.put()（不是 add()），同 key 会覆盖而不报错 可以在 DevTools → Application → IndexedDB 直接查看和清理数据
Playwright 接管本地 Chrome：四种方式对比
Playwright 默认下载并使用自带的 Chromium。想用本机装的 Google Chrome（自动化登录时保留 cookie、复用插件），有四种方式，各自适用场景不同。 方式一：channel = "chrome" 最省事——channel: "chrome" 告诉 Playwright 用系统装的稳定版 Chrome： from playwright.sync_api import sync_playwrightwith sync_playwright() as p: browser = p.chromium.launch(channel="chrome", headless=False) page = browser.new_page() page.goto("https://example.com") input("回车退出") browser.close()优点：跨平台一行搞定 局限：不会用你日常那个 profile，不带 cookie、不带插件其它可选 channel：msedge、chrome-beta、chrome-dev、msedge-beta。 方式二：executable_path 指定路径 Chrome 装在非默认路径，或者想用 Chromium 兼容分发（Brave、Edge、Vivaldi）： Windows： browser = p.chromium.launch( executable_path=r"C:\Program Files\Google\Chrome\Application\chrome.exe", headless=False, )macOS： browser = p.chromium.launch( executable_path="/Applications/Google Chrome.app/Contents/MacOS/Google Chrome", headless=False, )Linux： browser = p.chromium.launch( executable_path="/usr/bin/google-chrome", headless=False, )跟方式一一样，不带 cookie / 插件——只是换了浏览器可执行文件。 方式三：launchPersistentContext 复用 profile 想让 Playwright 用日常那个 Chrome 用户目录（复用登录态、书签、扩展）： browser = p.chromium.launch_persistent_context( user_data_dir=r"C:\Users\<你>\AppData\Local\Google\Chrome\User Data", channel="chrome", headless=False, ) page = browser.pages[0] if browser.pages else browser.new_page() page.goto("https://example.com")注意：这个方式要求 Chrome 没在运行，否则报： Failed to launch: browser closed. Profile is already in use解法：关掉所有 Chrome 窗口再跑 或者复制一份 profile 出来单独用：xcopy "C:\...\User Data" "D:\pw-profile" /E /I想只用某个 Profile（不是 Default）： browser = p.chromium.launch_persistent_context( user_data_dir=r"D:\pw-profile", args=["--profile-directory=Profile 1"], channel="chrome", headless=False, )方式四：CDP 连接已启动的 Chrome（推荐） 方式三最大的痛点是"Chrome 必须关闭"。想在 Chrome 正常开着的情况下让 Playwright 接管它，走 CDP（Chrome DevTools Protocol）。 第一步：以 debug 模式启动 Chrome，指定端口： "C:\Program Files\Google\Chrome\Application\chrome.exe" ^ --remote-debugging-port=9222 ^ --user-data-dir="D:\pw-chrome-profile"--user-data-dir 指向一个专用目录，避免和日常 Chrome 抢占用。 第二步：Playwright 连上去： from playwright.sync_api import sync_playwrightwith sync_playwright() as p: browser = p.chromium.connect_over_cdp("http://127.0.0.1:9222") ctx = browser.contexts[0] page = ctx.pages[0] if ctx.pages else ctx.new_page() page.goto("https://example.com")优势：Chrome 一直开着，做完自动化 Playwright 断开就行 保留登录态、插件、cookie 可以边脚本操作边人工插手（做半自动化）生产爬虫、账号自动登录场景基本用这个。 四种方式对比方式 Chrome 需关闭 保留 profile 使用场景channel="chrome" 否 否 简单自动化，无需登录态executable_path=... 否 否 用其它 Chromium 分发launch_persistent_context 是 是 一次性用现有 profileconnect_over_cdp (CDP) 否 是 推荐：常驻 Chrome + 脚本联动顺带：无痕、隐身、下载路径 无痕模式： browser = p.chromium.launch(channel="chrome", args=["--incognito"])指定下载目录： context = browser.new_context(accept_downloads=True) page = context.new_page() async with page.expect_download() as info: await page.click("a#download") download = await info.value await download.save_as("D:/downloads/file.zip")忽略证书错误（内网自签证书）： context = browser.new_context(ignore_https_errors=True)一句话总结 普通自动化用 channel="chrome"、要复用登录态用 CDP 连接（先手动启动 Chrome + --remote-debugging-port=9222）。launch_persistent_context 只在 Chrome 关闭时才能用。
开源网盘工具对比：AList / Cloudreve / go-drive
想把 Google Drive 变成自己的网盘前端，有几款成熟的开源工具可以选。 AList（最推荐，个人使用） 定位：单用户多存储聚合，支持在线播放和分享 支持的存储后端：Google Drive、OneDrive、S3、WebDAV、阿里云盘、百度网盘等，几乎覆盖所有主流云存储。 Docker 一键部署： docker run -d \ --name alist \ -p 5244:5244 \ -v /opt/alist:/opt/alist/data \ xhofe/alist:latest初始密码： docker exec -it alist ./alist admin random特点：部署极简，资源占用极低 支持视频在线播放、图片预览 支持目录密码、分享链接 WebDAV 挂载（可接 rclone、Infuse）适合：个人云盘聚合展示，或用 WebDAV 将 Google Drive 挂载到本地工具。 Cloudreve（多用户场景） 定位：完整的网盘系统，支持用户注册和管理 比 AList 功能更重，适合做小型共享网盘站：多用户注册/管理 文件分享链接（有效期、访问次数） WebDAV 支持 离线下载（Aria2 集成） 后台管理面板 存储策略（本地/OneDrive/S3/七牛等）docker run -d \ --name cloudreve \ -p 5212:5212 \ -v /opt/cloudreve:/cloudreve/uploads \ cloudreve/cloudreve:latest适合：需要用户系统、搭建私有云盘分享站的场景。 go-drive（多云聚合） 定位：专注将多个云盘聚合成统一视图 支持：Google Drive、OneDrive、Dropbox、S3、WebDAV、本地存储。 特点：前后端分离，Docker 部署 支持直接上传到各云盘（不经过中转服务器） 断点续传适合：纯聚合需求，不需要用户系统。 功能对比功能 AList Cloudreve go-driveGoogle Drive 支持 ✅ ✅ ✅多用户 ❌ ✅ ❌离线下载 ❌ ✅ ❌视频在线播放 ✅ ✅ ✅部署复杂度 低 中 低资源占用 极低 中 低选择建议个人用：AList，Docker 部署 5 分钟搞定 小团队共享：Cloudreve，有用户管理 多云盘统一入口：AList 或 go-drive 需要离线下载：Cloudreve + Aria2Google Drive 授权配置 以 AList 为例，管理后台 → 存储 → 添加 → Google Drive：在 Google Cloud Console 创建 OAuth 2.0 凭据 填入 Client ID 和 Client Secret 点击授权，完成 OAuth 流程 授权后即可访问 Google Drive 的全部内容注意：Google Drive API 有每日配额限制（默认 100 次/秒、每日 10 亿次查询），个人使用基本不会触及。
Clash 用 PROCESS-PATH-REGEX 让特定 App 直连
日常科学上网走 Clash 系客户端，大多数应用没问题。但有些特殊 App 不适合走代理：远程控制类（ToDesk、向日葵、AnyDesk、TeamViewer）：走代理会连不上或黑屏 微信 / QQ：中转导致延迟大或者协议对不上 游戏：延迟敏感、部分反作弊系统会怀疑 IP 一些内网 App：需要局域网直连Clash Meta（含 Verge Rev、ClashX Meta、OpenClash）提供 PROCESS-PATH-REGEX 规则，按进程路径匹配后强制直连。 规则语法 - 'PROCESS-PATH-REGEX,<正则>,<策略>'例： - 'PROCESS-PATH-REGEX,/Applications/WeChat.app.*,DIRECT'匹配路径包含 /Applications/WeChat.app 的进程，直连。 常用配置（macOS） prepend: # 远程控制软件 - 'PROCESS-PATH-REGEX,/Applications/ToDesk.app.*,DIRECT' - 'PROCESS-PATH-REGEX,/Applications/UURemote.app.*,DIRECT' - 'PROCESS-PATH-REGEX,/Applications/SunloginClient.app.*,DIRECT' - 'PROCESS-PATH-REGEX,/Applications/TeamViewer.app.*,DIRECT' - 'PROCESS-PATH-REGEX,/Applications/AnyDesk.app.*,DIRECT' # 通讯软件 - 'PROCESS-PATH-REGEX,/Applications/WeChat.app.*,DIRECT' - 'PROCESS-PATH-REGEX,/Applications/QQ.app.*,DIRECT' # 开发工具（可选） - 'PROCESS-PATH-REGEX,/Applications/Docker.app.*,DIRECT'append: [] delete: []prepend 表示加到规则最前面（优先级最高，第一个匹配到就返回）。 Windows 上路径 Windows 版路径不同： - 'PROCESS-PATH-REGEX,.*\\WeChat\.exe$,DIRECT' - 'PROCESS-PATH-REGEX,.*\\ToDesk\.exe$,DIRECT' - 'PROCESS-PATH-REGEX,.*\\SunloginClient\.exe$,DIRECT'或者用 PROCESS-NAME（更省心）： - 'PROCESS-NAME,WeChat.exe,DIRECT' - 'PROCESS-NAME,ToDesk.exe,DIRECT'PROCESS-NAME 只匹配文件名，不用管路径，跨平台更方便。 放哪儿 Clash Verge Rev： 配置界面 → 配置 → 脚本 / Rules 覆写。规则放在 prepend 数组里。 ClashX / ClashX Meta： ~/.config/clash/config.yaml 的 rules: 数组开头（或用 mixin/override）。 Clash for Windows（已停止更新）： Parsers → 编辑 YAML 覆写规则。 想让某 App 走特定节点 改成策略组名字： - 'PROCESS-PATH-REGEX,/Applications/Chrome.app.*,🚀 节点选择'前提是策略组里有这个名字： proxy-groups: - name: 🚀 节点选择 type: select proxies: - 🇺🇸 美国 - 🇯🇵 日本 - 🇭🇰 香港查真实进程路径 不确定 App 的路径，先查一下（macOS）： # 按名字找 PID pgrep -x WeChat# 用 PID 查完整路径 lsof -p <PID> | head -5# 或者一句话 ps -ax -o command | grep WeChat | grep -v grepWindows： Get-Process | Where-Object Name -like "*WeChat*" | Select-Object Name, Path规则匹配优先级 Clash 从上往下匹配，第一个命中就返回。所以 prepend 里的规则会覆盖后面的常规规则。 要精细控制某类流量的策略： rules: # 高优先级：某个 App 强制直连 - PROCESS-NAME,WeChat.exe,DIRECT # 中优先级：国内 IP 直连 - GEOIP,CN,DIRECT # 中优先级：广告拦截 - DOMAIN-SUFFIX,doubleclick.net,REJECT # 兜底：所有其它走代理 - MATCH,🚀 节点选择顺序错了效果就变了。 常见问题 1. 规则没生效Clash Meta 才支持 PROCESS-* 系列规则，老版 Clash 不支持。看客户端版本，升级到 Meta 内核。 2. macOS 上要给 Clash 权限系统偏好 → 安全性与隐私 → 隐私 → 允许 Clash 访问其他应用的进程信息。 3. 路径匹配正则要转义. 在正则里是任意字符，严格匹配要写 \.： - 'PROCESS-PATH-REGEX,/Applications/WeChat\.app.*,DIRECT'4. 微信直连了还是登不上微信是走多个域名的，有的不在国内。除了 App 直连，可能还要加域名规则： - DOMAIN-SUFFIX,weixin.qq.com,DIRECT - DOMAIN-SUFFIX,wechat.com,DIRECT一句话总结 远程控制、微信、游戏这类"不适合走代理"的应用，用 PROCESS-PATH-REGEX 或 PROCESS-NAME 走直连。规则要放在 prepend（最高优先级），只有 Clash Meta 内核才支持这类规则。
Windows 杀进程：按 PID / 按名字 / 按端口
Windows 上要杀个后台跑的进程，图形界面点半天不如命令行一条搞定。 按 PID 杀（最常用） CMD taskkill /PID 1234 /F1234 换成你的 PID /F 强制结束，不加有时杀不掉PowerShell Stop-Process -Id 1234 -Force不知道 PID 怎么办 按名字找 tasklist | findstr nginx按端口找（比如 8080 被占了） netstat -ano | findstr :8080最后一列就是 PID。也可以直接： Get-NetTCPConnection -LocalPort 8080 | Select-Object OwningProcess按进程名批量杀 嫌一个个找 PID 麻烦： taskkill /IM nginx.exe /F或者 PowerShell 通配： Stop-Process -Name "nginx" -Force杀不掉的情况 碰到 拒绝访问 / Access is denied，先看是不是这几种：权限不够——右键 CMD/PowerShell "以管理员身份运行" SYSTEM 保护进程——比如 System、Registry 是杀不掉的，动它系统会重启 进程被驱动挂钩——某些安全软件会保护自身进程，得先从安全软件里退出进程有子进程且需要一起清理时： taskkill /PID 1234 /T /F/T = 连同子进程一起杀。 一张表速查目的 命令按 PID 杀 taskkill /PID <pid> /F按进程名杀 taskkill /IM <name>.exe /F连子进程一起杀 taskkill /PID <pid> /T /F查端口占用 netstat -ano | findstr :<port>查进程名 tasklist | findstr <name>PowerShell 版本 Stop-Process -Id <pid> -Force
PID 和端口互查：Linux 和 Windows 的常用命令
调试服务、清理端口占用、看某个进程到底连了哪儿——PID 和端口互查是日常操作。整理一份速查。 Linux：按端口找 PID 现代系统首选 ss（netstat 老了，很多发行版默认不装）： ss -lntp | grep :8080输出： LISTEN 0 128 *:8080 *:* users:(("java",pid=12345,fd=45))PID 就是 12345。要看 UDP 加 -u，全协议 ss -tulnp。 lsof 也行，输出更清楚： sudo lsof -i:8080Linux：按 PID 找端口 ss -tunp | grep "pid=12345"或者： sudo lsof -Pan -p 12345 -i后者会同时列出该进程的所有连接（监听 + 已连接），排查网络问题特别顺手： COMMAND PID USER FD TYPE DEVICE NAME java 12345 root 45u IPv4 TCP *:8080 (LISTEN) java 12345 root 46u IPv4 TCP 10.0.0.5:8080->8.8.8.8:443 (ESTABLISHED)Linux：查所有监听端口 ss -lntp # TCP ss -lunp # UDP ss -tulnp # 全部Windows：按端口找 PID netstat -ano | findstr :8080输出最后一列是 PID。看进程名： tasklist | findstr 12345PowerShell 版本更直观： Get-NetTCPConnection -LocalPort 8080 | Select-Object LocalAddress, State, OwningProcess | Format-TableWindows：按 PID 找端口 netstat -ano | findstr 12345PowerShell： Get-NetTCPConnection | Where-Object OwningProcess -eq 12345Docker 里的进程 服务在容器里跑，宿主机 ss 只看到 docker-proxy。有两种方式： 宿主机上看容器映射： docker ps --format 'table {{.Names}}\t{{.Ports}}'进容器里看真实进程： docker exec -it <container> ss -lntpWindows：把占端口的进程杀掉 一条链： for /f "tokens=5" %a in ('netstat -ano ^| findstr :8080 ^| findstr LISTENING') do taskkill /PID %a /F或者 PowerShell： Get-NetTCPConnection -LocalPort 8080 | ForEach-Object { Stop-Process -Id $_.OwningProcess -Force }Linux：一条命令连查带杀 sudo fuser -k 8080/tcpfuser 会把所有占用 8080/TCP 的进程直接杀掉，慎用。 一个小坑：找不到 PID Linux 上 ss 或 lsof 有时看不到 PID： users:(("java",pid=?,fd=?))多半是没加 sudo——别的用户的进程只有 root 能看。 Windows 上 netstat -ano 看到 PID 4 的东西一般是内核网络栈（System 进程），不是你的应用。 一句话总结 Linux 用 ss -lntp + lsof，Windows 用 netstat -ano + tasklist。PowerShell 用户直接上 Get-NetTCPConnection 更顺。
2026 年 AI Agent 框架选谁：LangGraph / Mastra / PydanticAI 对比
2026 年做 AI Agent / 自动化助手 / 工具编排，可选的框架不少。按技术栈和使用场景推荐。 一句话选型场景 / 栈 首选生产级多 Agent、复杂流程 LangGraphNext.js / TypeScript 栈 MastraPython + 类型安全 PydanticAI多角色协作模拟 CrewAI微软生态 AutoGen轻量 + 只用 OpenAI OpenAI Agents SDKLangGraph（生产级首推） LangGraph 是 LangChain 团队的新一代框架——基于状态机而不是 chain，比传统 LangChain Agent 稳定很多。 核心概念：一个 Agent 是一张有向图，节点是"要做什么"，边是"下一步去哪儿"。 from langgraph.graph import StateGraphdef planner(state): return {"plan": llm(state["query"])}def executor(state): return {"result": tool_call(state["plan"])}graph = StateGraph(dict) graph.add_node("plan", planner) graph.add_node("execute", executor) graph.add_edge("plan", "execute") graph.set_entry_point("plan") app = graph.compile()app.invoke({"query": "帮我订机票"})优势：显式状态机、执行流程可视化 支持 Human-in-the-Loop（中断、审核、恢复） 支持 checkpoint 持久化 复杂 workflow 也能表达 生产环境案例最多——很多公司已经从 LangChain Agent 迁到 LangGraph缺点：学习曲线不低，Python + TS 双语言。 Mastra（Next.js 生态首选） Mastra 是全 TypeScript 的 Agent 框架，跟 Vercel AI SDK 生态贴合。 import { Agent } from "@mastra/core"; import { openai } from "@ai-sdk/openai";const agent = new Agent({ name: "Assistant", model: openai("gpt-5"), tools: [webSearch, calculator], });const result = await agent.text("北京今天多少度？");优势：TS 全栈，类型贯穿 Agent / Workflow / Memory / RAG 一站式 部署到 Vercel / Cloudflare Workers 都方便 学习曲线比 LangGraph 低适合：Next.js 项目里直接嵌 Agent、Vercel/Cloudflare 部署、快速迭代。 PydanticAI（Python 类型党） PydanticAI 是 Pydantic 团队做的——Structured Output 特别强，走类型驱动。 from pydantic_ai import Agent from pydantic import BaseModelclass Answer(BaseModel): city: str temp: float condition: stragent = Agent("openai:gpt-5", result_type=Answer)result = agent.run_sync("北京今天多少度？") print(result.data.city, result.data.temp) # 强类型输出优势：输出直接是 Pydantic 模型，编辑器自动补全 支持 OpenAI / Anthropic / Google / Ollama 依赖注入优雅 适合科研 / 数据分析 / 代码 AgentCrewAI（多 Agent 协作） CrewAI 把 Agent 组织成"团队"，每个 Agent 有角色： from crewai import Agent, Task, Crewresearcher = Agent(role="研究员", goal="找资料") writer = Agent(role="写作", goal="写报告") reviewer = Agent(role="审校", goal="审核")task1 = Task(description="研究 xxx", agent=researcher) task2 = Task(description="写报告", agent=writer) task3 = Task(description="审核", agent=reviewer)crew = Crew(agents=[researcher, writer, reviewer], tasks=[task1, task2, task3]) crew.kickoff()适合：复杂业务流程模拟——产品-开发-测试-运维流水线；市场调研 → 分析 → 报告。 缺点：抽象层多、开销较大、生产环境案例不如 LangGraph。 AutoGen（微软） AutoGen 强项在多 Agent 对话： from autogen import AssistantAgent, UserProxyAgentassistant = AssistantAgent("assistant", llm_config={...}) user = UserProxyAgent("user", code_execution_config={...})user.initiate_chat(assistant, message="写个爬虫爬 GitHub trending")Agent 之间"对话"完成任务，还能自动执行代码。学习曲线较高，生产环境案例相对少。 OpenAI Agents SDK OpenAI Agents SDK 是 OpenAI 官方的轻量 Agent 框架： from agents import Agent, Runneragent = Agent( name="Helper", instructions="回答问题", tools=[web_search, calculator], )result = Runner.run_sync(agent, "北京今天多少度？")适合：只用 OpenAI 模型 + 简单场景。想接 Claude / Gemini 就得考虑其它。 对比矩阵框架 语言 状态管理 多 Agent 生产案例 学习曲线LangGraph Python/TS 状态机 ✅ 最多 中偏难Mastra TypeScript 简单 ✅ 中 低PydanticAI Python 简单 有限 中 低CrewAI Python 简单 ✅ 中 低AutoGen Python 对话 ✅ 少 高OpenAI SDK Python 简单 有限 少 极低建议一开始就要上生产、多 Agent、需要审核流程 → LangGraph 和 Next.js 网站集成、要部署到 Vercel → Mastra 科研 / 数据分析、追求类型安全 → PydanticAI 只做 demo / 内部工具、就用 OpenAI → OpenAI Agents SDK 要模拟一个团队协作 → CrewAIMCP 生态 不管选哪个，都建议同时接入 MCP（Model Context Protocol）——一层协议，让所有 Agent 框架能共享工具（Context7、Playwright MCP、Slack MCP 等）。所有主流框架都有 MCP client 支持。 一句话总结 LangGraph 是当前生产 Agent 的最佳选择。TS 栈用 Mastra、Python 类型党用 PydanticAI、多角色模拟用 CrewAI。Agent 生态在 MCP 出来后开始有统一入口，选框架同时接 MCP 是长期正确的方向。
Redis 在 Windows 上注册为系统服务的两种方式
Redis 官方本身不出 Windows 版，只能靠社区移植版或者 WSL / Docker。想让它随开机启动，两条路。 方式一：tporadowski 移植版自带的服务参数 先下载 tporadowski/redis 的 zip，解压到 D:\Redis，目录里应该有： redis-server.exe redis-cli.exe redis.windows.conf管理员打开 CMD： cd /d D:\Redis redis-server.exe --service-install redis.windows.conf --service-name Redis redis-server.exe --service-start查看服务状态： sc query Redis或者 services.msc 里能看到"Redis"服务。 设置自动启动（默认就是）： sc config Redis start= auto注意 start= 和 auto 之间必须有空格。 测试： redis-cli.exe ping返回 PONG 说明装好了。 停止 / 卸载： redis-server.exe --service-stop redis-server.exe --service-uninstall版本不支持 --service-install 的情况 装某些新版本时（例如 Redis 7.4.x 的某些 Windows 编译版）执行 --service-install 会报： *** FATAL CONFIG FILE ERROR (Redis 7.4.7) *** Reading the configuration file, at line 2 >>> 'service-install "redis.conf"' Bad directive or wrong number of arguments原因：这个版本不支持 --service-* 参数，redis-server.exe 直接把 --service-install 当成配置项塞进 conf 里解析，才报"错误指令"。 验证一下： redis-server.exe --help帮助里没有 --service-install / --service-start 就说明确实不支持。这时候上方式二。 方式二：NSSM 包装（通用兜底） NSSM 是个通用的 "把任何程序包成 Windows 服务" 的小工具。 管理员 CMD： nssm install redis弹出 GUI，填三项： Path: D:\Redis\redis-server.exe Startup directory: D:\Redis Arguments: D:\Redis\redis.conf保存后： nssm start redis日志、重启策略、依赖都能在 NSSM 里配。 验证 Redis 真的在监听 netstat -ano | findstr 6379看到： TCP 0.0.0.0:6379 LISTENING就通了。 一句话总结 有 --service-install 就用它、没有就用 NSSM，Windows 上把 Redis 装成开机服务这事就这两条路。
Mermaid 复杂流程图渲染失败？五个改起来最快的写法
Mermaid 是文档利器，画时序图、流程图不用切工具。但节点文本里稍微带点特殊字符——冒号、括号、中文——渲染就报错。总结几个"看着简单但真被咬"的改法。 症状：节点文本有 : 或 () 写： HN[Hardhat Node :8545] Backend[Go Backend :8080] RP[rpc-proxy :8546]有些 Mermaid 版本会把 : 当分隔符炸掉。改成用引号包住整段文本，或者换成 (8545) 这种： HN["Hardhat Node (8545)"] Backend["Go Backend (8080)"] RP["rpc-proxy (8546)"]通用规则：节点文本里出现非字母数字字符（中文除外），一律用双引号包起来。 症状：中文 + 特殊形状节点 圆柱体节点 [(...)]： OS[(OrderStore 内存)]某些渲染器对中文 + 圆柱体混用敏感。加引号： OS[("OrderStore 内存")]不行就退回矩形： OS[OrderStore]症状：subgraph 名字带空格 写： subgraph Backend[Go Backend :8080]改成： subgraph Backend["Go Backend (8080)"]subgraph 的显示名称和标题一样，遇到特殊字符必须引号。 症状：边上的中文文字 有些老版本对边文字里的空格敏感： UI -->|9. 轮询 processedOrders| RP用引号： UI -->|"9. 轮询 processedOrders"| RP或去空格： UI -->|9.轮询processedOrders| RP引号版本更清晰。 症状：复合 arrow 之间冲突 -.->|"文字"| 和 -->|"文字"| 混用时，某些版本解析 -. 的 dashed 箭头出错。检查每个箭头的正确写法：想要 语法实线箭头 -->虚线箭头 -.->粗线箭头 ==>无箭头连线 ---带文字 `-->不要在 -. 中间插空格，- . -> 是错的。 一个可复用的修复清单 复制过去一份混乱的流程图，按这四步过一遍：所有节点文本都用 ["..."] 双引号包 subgraph 用 subgraph X["Y"] 引号包 边上文字全部 |"..."| 引号包 把 : 换成 () 或去掉改完再渲染基本就通了。 快速验证工具 不用等博客/Notion 重新渲染，直接：mermaid.live 官方在线编辑器，实时看错误 VSCode 装 "Mermaid Preview" 插件本地预览一句话总结 "Mermaid 报错 = 有特殊字符没加引号"。四类地方都用 "..." 包起来（节点、subgraph、边文字、特殊符号周围），复杂图也不容易崩。
Docker 里配代理：容器运行时和 build 阶段的正确写法
一份 docker-compose.yml，改造成让容器 和 构建过程都能走代理，看起来简单，实际上分两层——很多人只加了一层就以为好了。 场景一：容器运行时走代理 只要在 environment 里加 4 个变量（大小写都写一份最保险）： services: web: build: context: . dockerfile: Dockerfile environment: http_proxy: http://host.docker.internal:7890 https_proxy: http://host.docker.internal:7890 HTTP_PROXY: http://host.docker.internal:7890 HTTPS_PROXY: http://host.docker.internal:7890 extra_hosts: - "host.docker.internal:host-gateway"host.docker.internal 是宿主机地址（Mac / Windows 原生支持） Linux 需要显式声明 extra_hosts——不然容器里根本不认这个名字宿主机上代理是 Clash / v2ray，默认端口通常 7890。用之前先在宿主机测： curl -x http://127.0.0.1:7890 https://www.google.com场景二：build 阶段也要走代理 environment 只影响运行时。build 阶段 apt install、git clone、pecl 这些走的还是宿主机网络。要让它们也走代理，得从 args 传进去，再在 Dockerfile 里 ARG + ENV。 docker-compose.yml： services: web: build: context: . dockerfile: Dockerfile args: http_proxy: http://host.docker.internal:7890 https_proxy: http://host.docker.internal:7890 extra_hosts: - "host.docker.internal:host-gateway"Dockerfile 顶部： FROM php:7.4-apacheARG http_proxy ARG https_proxyENV http_proxy=$http_proxy ENV https_proxy=$https_proxy ENV HTTP_PROXY=$http_proxy ENV HTTPS_PROXY=$https_proxy# 之后所有 apt / curl / git / composer 都会走代理写在最前面很重要——ENV 只对后续 RUN 生效。 Linux 老坑：host.docker.internal 不通 Linux 上 host.docker.internal 默认解析不了。有两种解法： 推荐：extra_hosts + host-gateway extra_hosts: - "host.docker.internal:host-gateway"这是 Docker 20.10+ 的标准写法，比手动填 IP 稳。 兜底：用 docker0 网桥 IP environment: http_proxy: http://172.17.0.1:7890前提是宿主机代理监听 0.0.0.0 或者 172.17.0.1——只监听 127.0.0.1 是不行的。 构建后清掉代理（可选） 代理只用于 build 阶段，不希望被镜像继承的话： FROM baseARG http_proxy ARG https_proxyENV http_proxy=$http_proxy https_proxy=$https_proxy RUN apt-get update && apt-get install -y curl git# 用完就抹掉 ENV http_proxy= https_proxy= HTTP_PROXY= HTTPS_PROXY=镜像跑起来后就不会带代理设置了。 一句话总结 environment 只管跑起来之后，build 阶段的代理要靠 args + ARG + ENV。Linux 上别忘 extra_hosts: host-gateway。
进程联网监控工具：WFN / Sniffnet / Picosnitch / LuLu
想知道"哪个进程偷偷联网"并实时弹通知，不同系统有不同的成熟开源方案。 Windows：Windows Firewall Notifier（WFN） 最接近需求的工具：进程发起网络连接时弹窗，可以选择允许或拒绝。 特点：基于 Windows 自带防火墙（WFP） 实时弹窗通知：显示进程名、目标 IP/域名、端口 允许/拒绝并记住规则 免费开源（GlassWire 的免费替代）安装后运行即可，不需要修改系统设置。 Windows / Linux / macOS：Sniffnet（流量可视化） Rust 编写，UI 现代，侧重流量监控而非拦截：显示哪个程序在联网、发送/接收了多少流量 支持桌面通知 可过滤特定协议或国家 跨平台（Windows/Linux/macOS）# Windows/macOS 下载安装包 # Linux cargo install sniffnet适合：想了解整体网络情况，而不是逐个审批连接请求。 Linux：Picosnitch eBPF 实现，低开销，功能最强： pip install picosnitch sudo picosnitch start功能：新进程联网时立即通知（systemd/D-Bus 通知） 按可执行文件统计流量 关联父进程（识别子进程发起的连接） 可选接入 VirusTotal 检查新进程 hash Web UI 查看历史记录配置文件（~/.config/picosnitch/config.json）： { "Desktop notifications": true, "VT API key": "your_virustotal_api_key" }适合：需要安全审计，或在服务器上追踪异常网络行为。 macOS：LuLu macOS 下最受欢迎的免费联网防火墙：新连接弹窗（允许/拒绝/记住） 显示进程路径和目标地址 支持规则管理 Objective-See 出品（macOS 安全工具知名团队）下载安装包后启用，效果类似 Little Snitch（商业软件）的免费替代。 对比选择工具 系统 特点 是否可拦截WFN Windows 弹窗审批，集成防火墙 ✅Sniffnet 跨平台 流量可视化，UI 好看 ❌Picosnitch Linux eBPF，安全审计，VirusTotal ❌（仅监控）LuLu macOS 弹窗审批，免费 ✅根据场景选择 想控制哪些程序能联网：WFN（Windows）、LuLu（macOS） 想看流量统计和来源：Sniffnet（跨平台） 服务器安全审计/发现异常进程：Picosnitch（Linux） 排查可疑进程（如挖矿木马）：先用 Picosnitch/WFN 发现网络连接，再配合 ss -antp | grep <PID> 查目标 IP
Windows 开机自启：脚本、EXE、Python 服务的四种做法
Windows 上"开机自启"根据程序性质要选不同方式。一股脑塞启动文件夹经常出问题——GUI 程序有个 UAC 弹窗、脚本要读用户目录、长驻服务要跑在 SYSTEM 下——分类拆开来看。 方式一：启动文件夹（普通程序） Win + R 打开： shell:startup这是当前用户的启动目录。把 .exe 或 .lnk 快捷方式扔进去就行。全用户共用： shell:common startup局限：用户登录后才启动 弹 UAC 会需要手动点 关了窗口就没了适合：桌面小工具、常用软件（VSCode、Chrome 等已经自带这个）。 方式二：NSSM 把脚本包成服务（推荐） 长驻的 Python、Node、FastAPI、Uvicorn 等脚本，最省心是用 NSSM。它能把任何 exe/bat/脚本包装成 Windows 服务。 管理员 CMD： nssm install MyService弹出 GUI，填三项： Application → Path: C:\Python311\python.exe Application → Arguments: -m uvicorn main:app --host 0.0.0.0 --port 8000 Application → Startup directory: D:\project设自动启动： sc config MyService start= auto（start= 和 auto 之间必须有空格。） 启动 / 停止 / 删除： net start MyService net stop MyService nssm remove MyService confirmNSSM 的好处：崩溃自动重启（Details 里配 Exit Action） stdout / stderr 可以重定向到日志文件 支持环境变量、依赖、恢复策略 卸载干净方式三：原生 sc create（真 EXE 程序） 已经写成了 Windows Service 兼容的 EXE： sc create MyService binPath= "D:\app\server.exe" start= auto sc start MyService sc delete MyService局限：只能接已经实现了 ServiceMain 的 EXE 普通脚本用这个会秒退，要靠 NSSM方式四：任务计划程序（脚本 / GUI / 用户上下文） 需要在用户登录后启动、或者要 GUI、或者 SYSTEM 下跑不了的： schtasks /create /tn "MyTask" ^ /tr "C:\Users\me\bin\worker.py" ^ /sc onlogon场景：只登录时启动：/sc onlogon 每次开机（不管登录）：/sc onstart（需要管理员） 每天 03:00：/sc daily /st 03:00管理： schtasks /query /tn "MyTask" schtasks /run /tn "MyTask" schtasks /delete /tn "MyTask" /f选哪一种场景 推荐只想开机跑一次的桌面程序 启动文件夹Python/Node 长驻脚本、API、爬虫 NSSM（默认选它）已经是 Windows Service 兼容 EXE sc createGUI 程序、要用户桌面 session 任务计划 onlogon系统级、无用户登录也要跑 任务计划 onstart 或 NSSM一句话总结 长驻脚本 = NSSM，开机自动、崩溃自愈、日志齐全。其它类型再按上面表格分。
PyInstaller 打包 FastAPI + uvicorn：能跑起来的最小写法
想把 FastAPI 项目打包成一个 exe 发给非技术用户，直接： pyinstaller -F main.py跑一下崩得七七八八。因为 uvicorn 走的是字符串式导入，PyInstaller 环境下拿不到；再加上一堆子模块（uvicorn.loops.*、starlette.*）静态分析捞不全。 正确起步：写个 start.py 不要直接打 main.py，写个显式导入 app 对象的启动文件： # start.py from main import app # 直接拿对象，不用字符串 import uvicornif __name__ == "__main__": uvicorn.run(app, host="0.0.0.0", port=8000)对应的 main.py： from fastapi import FastAPI app = FastAPI()@app.get("/") async def root(): return {"hello": "world"}打包 start.py： pyinstaller -F start.pyCould not import module "main" 的原因 如果 start.py 里写： uvicorn.run("main:app", host="0.0.0.0", port=8000)main:app 是字符串，uvicorn 会在运行时 importlib.import_module("main")。PyInstaller 打包后 main 不在 sys.path 里，直接崩： Error loading ASGI app. Could not import module "main"改成直接 import + 传对象最省事： from main import app uvicorn.run(app, ...)或者告诉 PyInstaller 也带上 main： pyinstaller -F start.py --hidden-import=mainuvicorn 子模块丢失 跑起来抛： ModuleNotFoundError: No module named 'uvicorn.loops'uvicorn 有一堆按需加载的 loop / protocol / logger 子模块，PyInstaller 全漏了。一次性带上： pyinstaller -F start.py \ --collect-all fastapi \ --collect-all uvicorn \ --collect-all starlette \ --collect-all pydantic--collect-all X = 把 X 及其所有子模块、数据文件、二进制全打进去。 静态文件 / 模板 用了 StaticFiles 或 Jinja2Templates 得加数据： Windows： pyinstaller -F start.py ^ --add-data "templates;templates" ^ --add-data "static;static"Linux/macOS： pyinstaller -F start.py \ --add-data "templates:templates" \ --add-data "static:static"代码里读路径要兼容 PyInstaller 临时目录： import sys, os from fastapi.staticfiles import StaticFiles from fastapi.templating import Jinja2Templatesdef base_path(): return getattr(sys, "_MEIPASS", os.path.dirname(os.path.abspath(__file__)))app.mount("/static", StaticFiles(directory=os.path.join(base_path(), "static")), name="static") templates = Jinja2Templates(directory=os.path.join(base_path(), "templates"))后台运行、无 CMD 窗口 想双击不弹黑框： pyinstaller -F -w start.py --collect-all uvicorn ...-w 关控制台。注意：关了控制台，print / uvicorn 的日志就看不到了，改成写日志文件： uvicorn.run( app, host="0.0.0.0", port=8000, log_config={ "version": 1, "handlers": { "file": {"class": "logging.FileHandler", "filename": "app.log"}, }, "root": {"handlers": ["file"], "level": "INFO"}, }, )完整命令模板 一次搞定： pyinstaller -F -w start.py ^ --name myapi ^ --icon app.ico ^ --add-data "templates;templates" ^ --add-data "static;static" ^ --collect-all fastapi ^ --collect-all uvicorn ^ --collect-all starlette ^ --collect-all pydantic产物：dist/myapi.exe，双击就是一个后台服务。 什么时候别打包生产环境线上服务：Docker / systemd 更好 要热更新：exe 每次改代码都要重打 依赖 GPU / CUDA：打包体动辄几百 MB 多用户 / 高并发：exe 里塞 uvicorn 效率一般PyInstaller 更适合：内网小工具、给客户发一个"点两下就跑"的本地 API、演示 demo。 一句话总结 写 start.py + 直接 import app + --collect-all 四个关键字。字符串导入是坑，把 uvicorn 家族收全就通了。
tomcat:7.0-jre7 镜像不存在了？三条替代路
抄一份老教程写 Dockerfile： FROM tomcat:7.0-jre7Error response from daemon: manifest for tomcat:7.0-jre7 not found不是拼错了——Docker Hub 官方镜像库把老 tag 清掉了，尤其 Java 7 / Tomcat 7 / 旧 Debian 基础镜像这些 EOL 很久的组合。 现状 Docker Hub 上现在能拉到的 Tomcat 7： docker pull tomcat:7.0.109-jdk8 # 最后一个 7.x + JDK 8 docker pull tomcat:7.0.109-jdk8-openjdk docker pull tomcat:7.0.103 # 老一点的备选拉不到的：所有 -jre7 tag。Java 7 的 openjdk 基础镜像早就下架，官方 tomcat 镜像自然也不能再基于它构建。 方案一：换用 JDK 8（推荐） 绝大多数 Servlet 2.5 项目 JDK 8 兼容良好： FROM tomcat:7.0.109-jdk8COPY target/myapp.war /usr/local/tomcat/webapps/ROOT.warEXPOSE 8080 CMD ["catalina.sh", "run"]大多数老项目这样跑就好。只有极少数依赖 Java 7 特有行为的（比如 SSL cipher 顺序、某些反射细节），才需要坚持 Java 7。 方案二：自己构建 JRE 7 + Tomcat 7 镜像 必须坚持 Java 7 的情况，自己拼一个。Alpine 有历史包： FROM alpine:3.10# Java 7 需要 32-bit 兼容层 RUN apk add --no-cache openjdk7-jre wget tarENV TOMCAT_VERSION=7.0.109 ENV CATALINA_HOME=/usr/local/tomcat ENV PATH=$CATALINA_HOME/bin:$PATHRUN wget -q https://archive.apache.org/dist/tomcat/tomcat-7/v${TOMCAT_VERSION}/bin/apache-tomcat-${TOMCAT_VERSION}.tar.gz \ && tar -xzf apache-tomcat-${TOMCAT_VERSION}.tar.gz -C /usr/local \ && mv /usr/local/apache-tomcat-${TOMCAT_VERSION} $CATALINA_HOME \ && rm apache-tomcat-${TOMCAT_VERSION}.tar.gzEXPOSE 8080 CMD ["catalina.sh", "run"]Alpine 3.10 的 openjdk7-jre 包还能装。更新的 Alpine 都下架了 Java 7。 或者用 Eclipse Temurin 归档（Adoptium 前身）： FROM eclipse-temurin:7-jre-focal但目前 Adoptium 也不再维护 7.x 镜像，能拉到什么看运气。 方案三：第三方社区镜像 Docker Hub 上有些几年没维护的社区镜像还挂着： docker pull consol/tomcat-7.0这个镜像里是 Tomcat 7 + OpenJDK 7。缺点：9 年没更新，安全性堪忧 只适合内网 / 本地测试 生产用必须盯着 CVE我的推荐路线 按业务需求排序：能升 JDK 8 就直接升——tomcat:7.0.109-jdk8，80% 情况没兼容问题 必须 Java 7 且是内网/开发环境——用 Alpine 自建 Dockerfile 老 DSpace / 学术软件之类死绑 Java 7 的项目——尝试 consol/tomcat-7.0 或者自己拼迁移信号 看到这些错误就是要升级 JDK 了： Unsupported major.minor version 52.0 # class 是 JDK 8 编译的，JRE 7 跑不了反过来： Unsupported major.minor version 51.0 # class 是 JDK 7 编译的，JRE 6 跑不了老 JAR 里 class 版本对应表：Java 版本 class versionJava 6 50Java 7 51Java 8 52Java 11 55Java 17 61Java 21 65一句话总结 tomcat:7.0-jre7 已经从官方镜像库消失。首选 tomcat:7.0.109-jdk8，非要 Java 7 就自己拼 Alpine 镜像，社区镜像只做兜底。
PowerShell 设置环境变量：临时、当前用户、系统级
PowerShell 里改环境变量有三档：当前会话、当前用户永久、系统级永久，权限和作用范围各不相同。搞混了一堆脚本会失效。 临时（仅当前 PowerShell 窗口） $env:MY_TOKEN = "secret" echo $env:MY_TOKEN只影响当前会话 关掉窗口就没了 90% 的临时脚本调试用这个就够对子进程也生效： $env:PYTHONPATH = "D:\repo\src" python main.py # main.py 里能读到永久（当前用户） [System.Environment]::SetEnvironmentVariable("MY_TOKEN", "secret", "User")写到注册表 HKCU\Environment 新开的进程能读到 当前 PowerShell 窗口需要重开 才能通过 $env:MY_TOKEN 看到不重开也想立刻用的话： $env:MY_TOKEN = "secret" # 先本地设一份永久（系统级） 需要管理员 PowerShell： [System.Environment]::SetEnvironmentVariable("MY_TOKEN", "secret", "Machine")写到 HKLM\SYSTEM\CurrentControlSet\Control\Session Manager\Environment 所有用户都能读到 用于系统服务、多用户共享配置读取和删除 读： $env:MY_TOKEN [System.Environment]::GetEnvironmentVariable("MY_TOKEN", "User") [System.Environment]::GetEnvironmentVariable("MY_TOKEN", "Machine")删（把值设为空字符串就是删除）： [System.Environment]::SetEnvironmentVariable("MY_TOKEN", $null, "User")追加到 PATH 写 PATH 一定要先读旧的再拼，不然会把系统原本的 PATH 覆盖掉： $old = [System.Environment]::GetEnvironmentVariable("Path", "User") $new = "$old;C:\Users\me\bin" [System.Environment]::SetEnvironmentVariable("Path", $new, "User")去重和验证： $new.Split(";") | Sort-Object -Unique三档对比目标 写法 生效范围只当前窗口 $env:X = "v" 当前会话 + 子进程当前用户永久 [Environment]::SetEnvironmentVariable("X","v","User") 新开进程，用户级系统级永久（管理员） [Environment]::SetEnvironmentVariable("X","v","Machine") 新开进程，所有用户老 Windows API：setx 老一辈 Windows 用 setx： setx MY_TOKEN secret # 用户 setx MY_TOKEN secret /M # 系统（管理员）坑：有 1024 字符限制，PATH 老长了会被截断 也不影响当前窗口一般还是推荐 [Environment]::SetEnvironmentVariable。 一句话总结 会话内 $env:X；永久用 [Environment]::SetEnvironmentVariable，第三参数 "User" 或 "Machine" 决定作用域。改 PATH 记得先读再拼。
Windows 报 WinError 206 路径太长？三种彻底解法
Python 里跑数据集处理，Windows 突然崩： FileNotFoundError: [WinError 206] 文件名或扩展名太长。: 'cache\\vendor\\dataset_2026\\...\\CAM_FRONT_WIDE_H110_HR\\virtual_image'不是数据太大，是这个路径字符串太长——超过了 Windows 老古董的 MAX_PATH = 260 限制。分批读取、分段处理、分次遍历都没用，open() 那一刻就已经炸了。 方案一：开注册表长路径支持（一次性） Windows 10/11 内核其实支持长路径，但默认关着。管理员 PowerShell： New-ItemProperty ` -Path "HKLM:\SYSTEM\CurrentControlSet\Control\FileSystem" ` -Name "LongPathsEnabled" ` -Value 1 ` -PropertyType DWORD ` -Force或 CMD： reg add HKLM\SYSTEM\CurrentControlSet\Control\FileSystem ^ /v LongPathsEnabled /t REG_DWORD /d 1 /f重启电脑，或者至少重启 Python / IDE 让新进程读到设置。 注意：仅这一步对某些老 Python API、部分 C 扩展、zipfile、shutil 不一定生效——它们内部还在走 260 限制的老 API。 方案二：\\?\ 前缀（最稳） Windows 内核 API 支持超长路径，但要显式加 \\?\ 前缀： import osdef win_long_path(path: str) -> str: """把路径转成支持超长的形式""" p = os.path.abspath(path) if not p.startswith("\\\\?\\"): p = "\\\\?\\" + p return pwith open(win_long_path(long_path)) as f: ...关键点：必须是绝对路径，\\?\ 不认相对路径 全程用反斜杠 \，不能混用正斜杠 UNC 路径（\\server\share\...）要写成 \\?\UNC\server\share\...这是数据管线、爬虫抓文件时最常用的做法，不依赖系统设置。 方案三：从源头缩短 工程上最优雅的还是让路径变短，两个方向： 把项目往盘根挪 D:\workspace\company_project\data\cache\... ❌ D:\d\cache\... ✅ 少几十字符缩短目录命名 自动生成的目录名往往长得离谱： CAM_PBQ_FRONT_WIDE_RESET_OPTICAL_H110_HR ❌ CAM1 ✅用一个 mapping 文件记录原名 → 短名即可。 npm / git 也会踩 不止 Python：git clone 遇到超深仓库 → 加： git config --system core.longpaths truenpm install / pnpm install 的 node_modules 层级太深 → 系统开 LongPathsEnabled + 项目挪到盘根一句话总结 **能开注册表就开、能加 \\?\ 就加、能挪盘根就挪。** 三管齐下才彻底摆脱 WinError 206。
macOS 上 nc -l -p 报错：BSD netcat 的参数和 Linux 不一样
Linux 上抄来的教程： nc -l -p 1337在 macOS 直接报错。因为 macOS 自带的是 BSD 版 netcat，参数和 Linux 上常见的 GNU/OpenBSD 版有几处不兼容。 正确写法 nc -l 1337或者加日志： nc -lv 1337-l：监听 -v：verbose，显示连接信息 端口号直接跟在后面，不用 -p客户端连过来： nc 127.0.0.1 1337持续监听多个连接 单次 -l 处理完一个连接就退出。想常驻用 -k（keep-open）： nc -lk 1337老版本不支持 -k 的话，套一层循环： while true; do nc -l 1337; doneLinux vs macOS 差异速查目的 Linux (nmap-netcat 或 nc.openbsd) macOS BSD nc监听端口 nc -l -p 1337 nc -l 1337短参组合 nc -lp 1337 不支持 -p 监听持续监听 nc -k -l 1337 nc -lk 1337UDP 监听 nc -u -l -p 1337 nc -u -l 1337端口扫描 nc -zv host 20-30 一样指定源端口发送 nc -p 1234 host 80 一样-p 在 macOS 里只用于发送端指定源端口，监听时不能用。 检查你的 nc 是哪一版 which nc # 通常 /usr/bin/nc nc -h 2>&1 | head -3BSD 版的帮助会显示 usage: nc [-46...。GNU 版会显示 Ncat: Version 7.xx。 换成 ncat（可选） 如果不想记两套参数，直接装 nmap 自带的 ncat： brew install nmap ncat -l 1337 # 和 Linux 上写法一样 ncat -lk 1337ncat 参数在所有平台一致，还额外支持 SSL、SOCKS 代理，取代 BSD nc 很合适。 常见踩坑权限：监听 1024 以下端口需要 sudo 防火墙：macOS 系统偏好设置里的防火墙可能拦掉外部连接 AirDrop / IPv6：BSD nc -l 8080 可能只绑 IPv6（::）不绑 IPv4，测试时改用 nc -4 -l 8080 强制 v4一句话总结 macOS 的 nc 是 BSD 版，监听不用 -p：nc -l 1337 或 nc -lk 1337。要跨平台无差别用就装 ncat。
Context7 是什么：给 AI 编程助手补最新文档的动态知识库
用 AI 编程助手（Cursor、Claude Code、OpenCode、Cline 等）时，经常遇到一个尴尬：模型知识截止到某个日期，生成的代码用的是旧版 API——Next.js 14 的 middleware 写法在 15 里改了、OpenAI SDK v4 和 v5 API 完全不同、Playwright 每个小版本都在换东西。 Context7 就是解决这个问题的——给模型动态注入最新的官方文档。 它做什么 流程大致： 用户提问："Next.js 15 middleware 怎么写" ↓ AI 判断需要文档 ↓ Context7 拉取 Next.js 最新文档 ↓ 把相关片段塞进 prompt ↓ 模型基于真实文档生成代码不用它的差别：无 Context7：模型可能给出 Next.js 13/14 的老写法，甚至凭空造 API 有 Context7：读到 Next.js 15 最新文档，给现在正确的写法用户侧的触发方式通常是在 prompt 里加 use context7，或者在 MCP 层自动挂上。 覆盖范围 Context7 主要针对开源库和框架：前端：React、Next.js、Vue、Svelte、TanStack Router / Query 后端：Node.js、FastAPI、NestJS、Rails、Spring 语言 SDK：OpenAI、Anthropic、Google GenAI 工具链：Docker、K8s、Terraform、Cloudflare Workers 数据库 ORM：Prisma、Drizzle、SQLAlchemy AI Agent 相关：LangChain、LangGraph、Vercel AI SDK不覆盖：企业内部私有文档、闭源产品文档（那要走 RAG）。 和 RAG 的区别 看着都是"检索 + 生成"，实际定位不同：维度 Context7 通用 RAG目标数据源 公开的开源库官方文档 任意语料（企业文档、书、票据）更新频率 跟随上游 release 自动同步 需要自己维护索引检索粒度 按库版本和 API 检索 通用 embedding 相似度主要面向 AI 编程助手 各种问答场景部署方式 云服务 + MCP 客户端 自建向量库 + 应用集成企业内私有代码库还是要自己搭 RAG。Context7 专注公共库这个细分场景，做得比通用 RAG 更精准。 MCP 是怎么接的 Context7 走 MCP（Model Context Protocol）——Anthropic 提出的、给 LLM 用的工具协议。客户端配置例： { "mcpServers": { "context7": { "command": "npx", "args": ["-y", "@upstash/context7-mcp"] } } }放到 Claude Desktop / Cursor / OpenCode 的 MCP 配置里，模型就能调用两个工具：resolve-library-id — 把"Next.js" 之类的名字解析成内部 ID get-library-docs — 按 ID 拿具体文档MCP 客户端会把工具 schema 注入到模型的系统提示里，模型自主决定什么时候调用。 用 OpenCode / Claude Code 集成 ~/.claude.json 里加： { "mcpServers": { "context7": { "command": "npx", "args": ["-y", "@upstash/context7-mcp"] } } }重启客户端，让 Claude Code 认到工具，之后你可以：直接问："帮我按 Next.js 15 官方文档写一个 middleware" 或明确指令："use context7 查一下 Cloudflare Workers 最新的 D1 API"模型会自己调用工具、拿到文档片段、然后写代码。 局限只能查 Context7 收录的库，长尾库覆盖不到 文档质量取决于上游 README / docs 站的质量 有请求配额（免费额度足够个人用） 对版本切换很敏感——比如你项目锁死用 Next.js 14，模型可能拉了 15 的文档给你混淆一句话总结 Context7 = AI 编程助手的动态文档知识库。核心用途是修复"模型不知道最新 API"这个通病。走 MCP 一键接入，Claude Code / Cursor / OpenCode 都能用。
Playwright 定位网页元素：getByText / getByRole 比 CSS Selector 稳在哪
用 Playwright 自动化网页时，很多人习惯用 CSS selector（page.locator(".btn-submit")），但这类 selector 抗变化能力差——前端一改 class 名就失效。Playwright 提供了一套语义化定位器，稳定性高很多。 语义化定位器 getByText 按可见文本定位，最常用： await page.getByText('登录').click(); await page.getByText('提交订单').click();支持正则： await page.getByText(/确认.*订单/).click();getByRole 按 ARIA role 定位，最语义化： await page.getByRole('button', { name: '提交' }).click(); await page.getByRole('link', { name: '首页' }).click(); await page.getByRole('textbox', { name: '搜索' }).fill('hello');常用 role：button、link、textbox、checkbox、listbox、dialog、heading getByPlaceholder 按 input placeholder 定位： await page.getByPlaceholder('请输入手机号').fill('138xxxx'); await page.getByPlaceholder('密码').fill('password123');getByLabel 按 <label> 文本定位关联的 input： await page.getByLabel('邮箱').fill('test@example.com'); await page.getByLabel('记住我').check();getByTestId 按 data-testid 属性，测试环境最稳定的方案： // HTML: <button data-testid="submit-btn">提交</button> await page.getByTestId('submit-btn').click();为什么比 CSS Selector 稳定位方式 变化敏感度 说明.btn-primary-v2 高 class 名经常随版本变#submit > div > button 高 DOM 结构一变就失效getByText('提交') 低 文本变了才失效getByRole('button', {name: '提交'}) 低 语义稳定getByTestId('submit') 最低 开发者明确标记处理复杂场景 多个相同文本时，用 nth 或组合定位： // 第二个"删除"按钮 await page.getByText('删除').nth(1).click();// 在某个容器内查找 await page.locator('.order-list').getByRole('button', { name: '删除' }).first().click();等待元素可交互： await page.getByRole('button', { name: '提交' }).waitFor({ state: 'visible' }); await page.getByRole('button', { name: '提交' }).click();真正难处理的场景 语义化定位器解决不了的几种情况，才需要 AI Vision Agent：Canvas 元素（无 DOM 结构） Shadow DOM 内的元素 动态随机 class 名（某些 React 框架） 无文字的图标按钮 iframe 跨域内容对于这些场景，可以用 Stagehand 等 AI 驱动的自动化工具： await page.act("点击右上角的关闭按钮");让大模型看截图决定点击位置，不依赖 selector。 实际推荐策略优先用 getByRole + getByText，覆盖 80% 常规场景 次选 getByPlaceholder / getByLabel（表单场景） 开发阶段加 data-testid，测试最稳定 Shadow DOM / Canvas 等场景才用 AI Vision不要一开始就上 AI Vision，定位器够用的情况下更快、更稳、Token 消耗为零。
Windows 追加目录到 PATH：CMD 和 PowerShell 的正确姿势
Windows 上装完 Maven / Java / Python，最常做的一件事就是把 bin 目录塞进 PATH。老一辈教程都写 setx PATH "%PATH%;..."，看着能跑，实际有个特别坑的边界。 CMD 方式：setx 追加到当前用户 PATH： setx PATH "%PATH%;D:\soft\apache-maven-3.9.15\bin"追加到系统 PATH（需要管理员 CMD）： setx /M PATH "%PATH%;D:\soft\apache-maven-3.9.15\bin"新开的 CMD 才能读到。当前窗口立即用： set PATH=%PATH%;D:\soft\apache-maven-3.9.15\bin mvn -vsetx 的两个坑 1. 会展开 %PATH%，把用户和系统 PATH 混起来 %PATH% 在 CMD 里是 系统 + 用户 PATH 的合并结果。你 setx PATH "%PATH%;X" 会把两份合起来写到用户 PATH 里，重复且混乱。 2. 1024 字符截断 setx 有个硬伤：值超过 1024 字符会静默截断。老系统 PATH 已经很长，一次 setx 直接把后半段吞掉。 PowerShell 方式（推荐） [Environment]::SetEnvironmentVariable 更精确——读用户就读用户、写用户就写用户，也没 1024 字符限制。 追加到当前用户 PATH： $addPath = "D:\soft\apache-maven-3.9.15\bin" $current = [Environment]::GetEnvironmentVariable("Path", "User")if ($current -notlike "*$addPath*") { [Environment]::SetEnvironmentVariable("Path", "$current;$addPath", "User") Write-Host "已追加：$addPath" } else { Write-Host "PATH 已存在该目录" }-notlike "*X*" 防止重复添加 "User" 参数明确只改用户 PATH，不动系统 PATH追加到系统 PATH（管理员 PowerShell）： $addPath = "D:\soft\apache-maven-3.9.15\bin" $current = [Environment]::GetEnvironmentVariable("Path", "Machine") if ($current -notlike "*$addPath*") { [Environment]::SetEnvironmentVariable("Path", "$current;$addPath", "Machine") }当前会话立刻生效： $env:Path += ";D:\soft\apache-maven-3.9.15\bin" mvn -v通用检查 # 看用户 PATH [Environment]::GetEnvironmentVariable("Path", "User") -split ";"# 看系统 PATH [Environment]::GetEnvironmentVariable("Path", "Machine") -split ";"# 看合并后的 PATH $env:Path -split ";"去重： $env:Path -split ";" | Where-Object { $_ } | Sort-Object -Unique移除某条 用户 PATH 里删掉某条： $remove = "D:\soft\apache-maven-3.9.15\bin" $paths = ([Environment]::GetEnvironmentVariable("Path","User") -split ";") | Where-Object { $_ -ne $remove -and $_ } [Environment]::SetEnvironmentVariable("Path", ($paths -join ";"), "User")一句话总结CMD 只是想加一条：setx PATH "%PATH%;X"，小心 1024 截断 认真加：管理员 PowerShell + [Environment]::SetEnvironmentVariable 显式指定 User/Machine 加完记得新开终端才能读到；当前窗口用 $env:Path += ";X"
Python 自动安装 Chrome 插件：策略强制 vs 开发者模式加载
写脚本自动帮机器装个 Chrome 插件——听着简单。Chrome 团队故意不让你静默装本地 crx（安全策略，不是技术问题）。想绕开有几条现实可行的路。 路线一：企业策略强制安装（Web Store 上架的插件） Chrome 支持通过 Windows 注册表 / macOS plist / Linux JSON 策略，指定"必须自动装某扩展"。这是 IT 部门批量部署的标准做法。 前提是扩展在 Chrome Web Store 上架——策略只接受 update URL 拉取，不认本地 crx。 Windows 注册表方式 import winregEXT_ID = "aapocclcgogkmnckokdopfmhonfmgoek" # 举例：Google Docs Offline UPDATE_URL = "https://clients2.google.com/service/update2/crx"path = r"SOFTWARE\Policies\Google\Chrome\ExtensionInstallForcelist"key = winreg.CreateKey(winreg.HKEY_LOCAL_MACHINE, path) winreg.SetValueEx(key, "1", 0, winreg.REG_SZ, f"{EXT_ID};{UPDATE_URL}") winreg.CloseKey(key)写完重启 Chrome，扩展会自动安装、无法卸载。 注意：需要管理员权限 ExtensionInstallForcelist 的编号（"1"、"2" ...）要不重复 只支持 Web Store 上架的扩展；企业内部扩展需要自建 update.xml配套删除： import winreg key = winreg.OpenKey(winreg.HKEY_LOCAL_MACHINE, path, 0, winreg.KEY_WRITE) winreg.DeleteValue(key, "1")路线二：Selenium 启动时加载本地插件 不做正式安装，只是启动 Chrome 时把插件目录加载进来——最适合自动化脚本、爬虫、批量测试。 加载解压后的目录（源码形式）： from selenium import webdriver from selenium.webdriver.chrome.options import Optionsopts = Options() opts.add_argument(r"--load-extension=D:\extensions\my-plugin")driver = webdriver.Chrome(options=opts) driver.get("https://example.com")加载已打包的 crx： opts = Options() opts.add_extension(r"D:\extensions\my-plugin.crx")局限：不会真的"安装"，关闭浏览器就没了 需要 Selenium 控制的 Chrome，不影响用户日常浏览器 Chrome 每次启动会有"以开发者模式使用未打包扩展"警告条路线三：Playwright 加载扩展 Playwright 加载扩展要用 persistent context，且必须用 Chromium（Chrome 分发版不能通过所有测试）： from playwright.sync_api import sync_playwrightwith sync_playwright() as p: ctx = p.chromium.launch_persistent_context( user_data_dir="D:/tmp/pw-profile", headless=False, args=[ "--disable-extensions-except=D:\\extensions\\my-plugin", "--load-extension=D:\\extensions\\my-plugin", ], ) page = ctx.new_page() page.goto("https://example.com")不推荐的路线 UI 自动化拖 crx 到 chrome://extensions/：Chrome 会弹确认框、快捷键会变、chrome 版本升级后经常挂。别在这个方向上死磕。 改本地 Extensions 目录里的 Preferences JSON：Chrome 会检测校验和，第二次启动直接把你写进去的扩展禁用掉。 场景对应目的 用什么公司/网吧批量部署 Web Store 扩展 策略强制安装爬虫 / 自动化脚本用自己写的扩展 Selenium 加载需要长期挂着扩展，用户不能卸载 策略强制只是测试自己开发中的插件 Chrome 开发者模式手动一句话总结 要"真安装"就上企业策略（Web Store 扩展），要"临时加载"就 Selenium/Playwright --load-extension。Chrome 就是不让你静默装本地 crx，别硬撞。
让 AI 改写文本不像 AI 写的：提示词分级 + 三个关键技巧
想让 AI 改写一段文本、又不显得像"AI 味"很重——是很多人写作、内容运营、简历润色时的常见需求。核心是改写策略大于提示词模板。列几个能直接用的分级模板，和真正拉开差距的三个技巧。 分级提示词模板 基础版（简单改写） 请对以下内容进行改写，在不改变原意的前提下： 1. 调整句式结构，避免重复表达 2. 使用更自然的中文表达 3. 避免明显的 AI 写作风格 4. 保持逻辑清晰原文： {{文本}}轻度改写用。 进阶版（降 AIGC 痕迹） 请对以下内容进行深度改写，使其更像人类自然写作： 1. 打乱原有句式结构，避免连续相似句型 2. 适当增加口语化或过渡表达 3. 减少"首先、其次、最后"等明显结构词 4. 避免套话、空话和模板化表达 5. 可以适当重组段落顺序，但保持原意不变原文： {{文本}}反 AI 检测版（效果最好） 请将以下文本改写为更接近真实人类写作风格的版本： - 避免过于工整、对称的句式 - 适当加入不完全对称的表达 - 控制句长变化，让长短句交替出现 - 减少抽象表达，增加具体描述 - 避免连续使用同一结构开头不要解释，只输出改写后的内容。原文： {{文本}}三个真正关键的技巧 只用提示词效果最多 60 分。剩下 40 分是策略： 1. 多轮改写 一次改写效果有限。让 AI 改完后，再来一轮： 上面这段还有些 AI 味，帮我再改一遍，重点： - 削减"这一点""这类""从而""进而"这类连接词 - 一个短句 + 一个长句相邻，别让所有句子都差不多长 - 举一个具体例子，别只讲道理多来 2-3 轮，AIGC 检测分数会明显下降。 2. 长短句交错 AI 写的句子长度很均匀——都是 20-30 字的长句。人写的天然有变化： ❌ AI 味： 本方法通过对现有算法的优化，能够显著提高数据处理效率， 从而降低系统运行成本，进而提升用户体验，具有重要意义。✅ 人写感： 方法很简单——把老算法改了改。快了，成本降了。用户体验也 上来了。明确要求 AI："交替使用 8-15 字的短句和 25-40 字的长句"。 3. 加人为瑕疵 真实人写作会有一点点"不完美"：偶尔口语化：说白了 其实吧 我觉得 不完全对称：不是每次都并列三点 具体描述：温度很高 → 40 度出头 偶尔的语气词：嗯 倒是 不过要求 AI："适当加入口语表达和具体细节，避免每段结构都相同"。 AI 写作的典型特征清单 写完后自检——下面这些出现越多，AI 味越重："首先...其次...最后..." "随着 XX 的发展 / 随着 XX 的进步" "具有重要意义 / 具有重要价值" "综上所述 / 综合来看" "在 XX 领域 / 在 XX 方面" "值得注意的是 / 需要指出的是" 每段都是"背景 - 论点 - 论据"完美三段 所有句子长度相近 用词过于书面（旨在 致力于 诚然 毋庸置疑）一个好的降 AI 味提示词，会明确禁掉这几类。 组合模板（推荐直接用） 请把下面这段改成更像人写的风格，具体要求：1. 完全禁用这些词：首先、其次、最后、综上所述、值得注意的是、 随着...的发展、具有重要意义2. 句子长度变化：连续三句里至少有一个 10 字以内的短句3. 具体化：如果原文说"很多"就换成大概数字，如果说"效果好"就 补一个例子4. 段落结构别都一样，第二段可以直接引入例子，第三段可以以问句 开头5. 保持原意，但可以调整段落顺序不要说明改了什么，直接给最终版本。原文： {{文本}}检测工具 想验证效果，用GPTZero、Originality.ai、Copyleaks 这类工具跑一下。中文的可以试试知网 AIGC 检测、万方。不同工具算法不同，一个通过不代表都通过 分数不是 0 就绝对安全——大多数工具认为 20% 以内是可接受的 检测本身也在进化，去年管用的技巧今年可能被识别注意事项学术论文：AI 降重不能解决抄袭问题。核心思路和论据仍是别人的，改写只是躲检测，学术规范上仍然算问题 商业内容：用 AI 生成的内容做营销要留证据链（提示词 + 原始输出），出问题能溯源 简历 / 求职：过度包装容易被面试官看出来，"人味"多了反而更真实一句话总结 降 AI 味 = 禁用套话 + 长短句交错 + 具体化 + 多轮改写。提示词模板只是起点，真正的效果在策略上。用检测工具验证，别指望改一次就 0%。
一个 bat 脚本清 Windows 的 Temp 目录
Windows 用久了 C:\Users\<你>\AppData\Local\Temp 里能塞几 GB 垃圾——浏览器缓存、安装包解压残留、Office 恢复文件。用图形界面点很慢，一个 bat 脚本清完事。 最省事版本 用系统自带的 %TEMP% 变量，不用自己拼路径： @echo off setlocalecho 当前用户: %USERNAME% echo Temp 目录: %TEMP%del /f /s /q "%TEMP%\*" >nul 2>&1 for /d %%p in ("%TEMP%\*") do rmdir /s /q "%%p" >nul 2>&1echo 清理完成 pause拆开看：del /f /s /q — 强制、递归、静默删除文件 for /d ... rmdir /s /q — 遍历所有子目录并递归删除 >nul 2>&1 — 屏蔽所有输出（正在使用的文件删不掉会报一堆红字，太吵）存成 clean-temp.bat，双击就跑。 显式指定用户 Temp 有时想清另一个账户的 Temp，或者用完整路径更保险： @echo off setlocalset USER_NAME=%USERNAME% set USER_TEMP=C:\Users\%USER_NAME%\AppData\Local\Tempecho 清理目录: %USER_TEMP%del /f /s /q "%USER_TEMP%\*" >nul 2>&1 for /d %%p in ("%USER_TEMP%\*") do rmdir /s /q "%%p" >nul 2>&1echo 完成 pause顺便清系统 Temp（需要管理员） C:\Windows\Temp 里的东西也可以清，但必须以管理员运行： del /f /s /q "C:\Windows\Temp\*" >nul 2>&1 for /d %%p in ("C:\Windows\Temp\*") do rmdir /s /q "%%p" >nul 2>&1自动申请管理员权限 想双击就自动 UAC 提升，脚本开头加： @echo off :: 检查是否管理员，不是就重新以管理员启动 net session >nul 2>&1 if %errorlevel% neq 0 ( powershell -Command "Start-Process '%~f0' -Verb RunAs" exit /b )setlocal del /f /s /q "%TEMP%\*" >nul 2>&1 for /d %%p in ("%TEMP%\*") do rmdir /s /q "%%p" >nul 2>&1 del /f /s /q "C:\Windows\Temp\*" >nul 2>&1 echo 完成 pause计划任务：开机自动清 想让开机就跑： schtasks /create /tn "CleanTemp" /tr "C:\path\to\clean-temp.bat" /sc onlogon或者每天 3 点跑： schtasks /create /tn "CleanTemp" /tr "C:\path\to\clean-temp.bat" /sc daily /st 03:00删除任务： schtasks /delete /tn "CleanTemp" /f会看到的"报错" 跑完总有一堆"访问被拒绝"或"文件被占用"——这是正常的。有些文件是 Chrome、微信、系统服务在用，删不掉就是删不掉，重启后再跑一遍即可。 要看进度，把 >nul 2>&1 去掉就能看到每一步： del /f /s /q "%TEMP%\*"别做的事不要清 C:\Windows 下的其它目录，会把系统搞坏 不要开 del /q "C:\*" /s，字面意思 少用 rmdir /s /q C:\Windows\Temp 整个删掉目录本身——某些系统组件会因为找不到目录而报错一句话总结 del %TEMP%\* + for /d %%p rmdir %%p 就是 Temp 清理的核心两行。加个自动 UAC 和计划任务，就能忘掉这事。
Docker 拉镜像报 proxyconnect tcp: EOF 的正确解法
宝塔面板上一键部署一个项目，卡在拉镜像那步： Image mysql:8.2 Error Get "https://registry-1.docker.io/v2/": proxyconnect tcp: EOF Error response from daemon: Get "https://registry-1.docker.io/v2/": proxyconnect tcp: EOF关键词是 proxyconnect tcp: EOF——Docker 通过代理连 Docker Hub 时握手就断了。不是网络挂了，是代理配置有问题。 第一步：看 Docker 是不是走代理 docker info | grep -i proxy如果看到类似： HTTP Proxy: http://127.0.0.1:7890 HTTPS Proxy: http://127.0.0.1:7890说明 Docker daemon 被配了代理。接着验证代理是不是能用： curl -x http://127.0.0.1:7890 https://registry-1.docker.io/v2/返回 {} 或认证提示：代理正常 EOF / timeout：代理进程挂了 Connection refused：代理端口没开三个典型场景系统开了 Clash/v2ray，但 Docker daemon 拿不到——Docker 不会自动继承桌面代理，Mac 上尤其容易踩。 代理协议写错——把 http://127.0.0.1:7890 写成了 https://，直接握手失败。 代理软件本身抽风或被墙——重启一下代理再试。解决办法 方案一：临时不走代理 先确认到底是不是代理的锅： unset http_proxy https_proxy HTTP_PROXY HTTPS_PROXY docker pull redis:latest拉得下来就是代理问题，不用再折腾 Docker 本身了。 方案二：配国内镜像源（推荐） 编辑 daemon 配置： sudo mkdir -p /etc/docker sudo nano /etc/docker/daemon.json写入： { "registry-mirrors": [ "https://dockerproxy.com", "https://mirror.ccs.tencentyun.com", "https://registry.docker-cn.com" ] }重启： sudo systemctl daemon-reexec sudo systemctl restart docker再拉镜像基本就通了。注意公开镜像源可用性经常变化，实在拉不下来就换一个。 方案三：正确给 Docker 配代理 如果确实需要走代理，别改环境变量，改 systemd 单元： sudo mkdir -p /etc/systemd/system/docker.service.d sudo nano /etc/systemd/system/docker.service.d/http-proxy.conf写入： [Service] Environment="HTTP_PROXY=http://127.0.0.1:7890" Environment="HTTPS_PROXY=http://127.0.0.1:7890" Environment="NO_PROXY=localhost,127.0.0.1"然后： sudo systemctl daemon-reload sudo systemctl restart docker一句话总结 proxyconnect tcp: EOF = Docker 正在走一个 坏掉的代理。先 unset 代理确认锅在哪儿，然后要么配国内镜像源，要么正确写 systemd 代理配置。
PyInstaller 打包 GUI 程序：无 CMD、文件夹形式
用 PyInstaller 打包一个 Python GUI 程序，想要"启动不弹 CMD 黑框、也不打成单个大文件"，一条命令搞定： pyinstaller -w -D main.py参数解释 -w（或 --noconsole）：不开控制台窗口。适合 Tkinter、PyQt、PySide、wxPython 之类的 GUI。 -D（或 --onedir）：文件夹形式打包。产物结构： dist/ └── main/ ├── main.exe ├── python3x.dll └── ...(依赖 dll、pyd、资源)跟 -F 单文件相比，-D 启动快、崩溃少、易调试，就是需要发一整个文件夹。 加图标 pyinstaller -w -D -i app.ico main.py.ico 文件建议 256×256 或多尺寸 ico。 常见错误组合 GUI 忘了 -w： pyinstaller -D main.py # 会弹黑色 CMD 窗口GUI 只想单文件反而用了 -F -w： pyinstaller -F -w main.py能跑，但每次启动都要把打包体解压到临时目录，启动慢；sys._MEIPASS 拿资源要处理路径。 用 spec 文件更可控 第一次 pyinstaller 会生成 main.spec，之后修改这个文件重新构建： pyinstaller main.specspec 里控制"无 CMD"的字段： exe = EXE( pyz, a.scripts, name='main', console=False, # 无 CMD 窗口 icon='app.ico', ... )有 -w -D 起步足够，需要精细控制 hidden imports、数据文件、加签名时再上 spec。 加静态资源 程序里读了 templates/、assets/ 之类的目录，-D 只会打二进制，不带资源，运行时找不到。加 --add-data： Windows（分隔符 ;）： pyinstaller -w -D main.py ^ --add-data "templates;templates" ^ --add-data "assets;assets"macOS / Linux（分隔符 :）： pyinstaller -w -D main.py \ --add-data "templates:templates" \ --add-data "assets:assets"代码里读资源要用 PyInstaller 兼容路径： import sys, osdef resource_path(rel): base = getattr(sys, "_MEIPASS", os.path.dirname(os.path.abspath(__file__))) return os.path.join(base, rel)with open(resource_path("templates/index.html")) as f: ...找不到某个包 装了包但打包运行时抛 ModuleNotFoundError——PyInstaller 静态分析漏了动态导入。补 hidden-import： pyinstaller -w -D main.py --hidden-import=some_dynamic_module大量子模块可以直接 collect-all： pyinstaller -w -D main.py --collect-all fastapi --collect-all uvicorn一句话总结 pyinstaller -w -D main.py 是 GUI 程序打包最省心的一条命令。资源要 --add-data、动态导入要 --hidden-import 或 --collect-all。
Python 3.12+ 报 No module named 'distutils'：三种恢复姿势
Python 3.13 环境下跑 labelImg，直接崩： File ".../site-packages/labelImg/labelImg.py", line 5, in <module> import distutils.spawn ModuleNotFoundError: No module named 'distutils'uv / pip 装依赖时也可能顺带看到： Because there are no versions of distutils and you require distutils, we can conclude that your requirements are unsatisfiable.为什么消失了 distutils 从 Python 3.10 就被标注 deprecated，3.12 起彻底删除。它的角色被 setuptools 和 packaging 接管，但很多老库（labelImg、部分 setup.py、老工具链）里还是硬 import distutils.spawn 或 distutils.util。 方案一：让 setuptools 顶上 从 setuptools 60 开始，装 setuptools 时会顺手把 distutils 兼容层装回来： pip install --upgrade setuptools装完再跑一次原命令，八成的老库都能过。注意要装到 触发报错的那个 Python 里，虚拟环境别搞混。 方案二：改一行源码（最彻底） distutils.spawn.find_executable 其实就等价于 shutil.which。找到出错的文件： .venv\Lib\site-packages\labelImg\labelImg.py把顶部的： import distutils.spawn替换成： import shutil然后把用到的地方： distutils.spawn.find_executable("xxx") # 改成 shutil.which("xxx")一处不会漏。这个改法在 CI 环境里最省事——不用装额外依赖。 方案三：降回 3.11（保稳） 赶时间又不想改源码： py -3.11 -m venv .venv311 .\.venv311\Scripts\activate pip install labelImg labelImg3.11 保留 distutils，官方支持到 2027 年 10 月，够用很久。 三种方案怎么选场景 推荐自己项目、能改源码 方案二（shutil.which）老工具/labelImg 类第三方包 方案一 + 方案三兜底生产环境、要稳 方案三（Python 3.11）一句话总结 distutils 3.12 起被删。八成情况装 setuptools 就能过；不行就直接改 shutil.which；最保险的是回 Python 3.11。
Mysql快速导出命令
命令模板 {mysqldump_bin} --opt --hex-blob --skip-lock-tables --single-transaction --routines --events --skip-triggers --default-character-set='{db_charset}' --force --host='{db_host}' --port={db_port} --user='{db_user}' --password='{db_password}' '{db_name}'参数说明{mysqldump_bin} # mysqldump 可执行文件路径（比如 /usr/bin/mysqldump） --opt # 相当于开启一系列优化选项（--add-drop-table、--add-locks、--create-options、--quick 等） --hex-blob # 将二进制字段（BLOB）以十六进制导出，防止乱码 --skip-lock-tables # 不锁表（避免阻塞其他查询） --single-transaction # 使用单事务导出（对 InnoDB 无锁且一致性好） --routines # 导出存储过程和函数 --events # 导出事件调度器（EVENT） --skip-triggers # 不导出触发器 --default-character-set='{db_charset}' # 指定字符集，例如 utf8mb4 --force # 出错也继续执行 --host='{db_host}' # 数据库地址 --port={db_port} # 数据库端口 --user='{db_user}' # 用户名 --password='{db_password}' # 密码 '{db_name}' # 要导出的数据库名使用示例 导出一个名为 mydb 的数据库，MySQL 在本机 3306 端口，字符集 utf8mb4，用户是 root 密码 123456： mysqldump --opt --hex-blob --skip-lock-tables --single-transaction --routines --events --skip-triggers \ --default-character-set='utf8mb4' --force \ --host='127.0.0.1' --port=3306 --user='root' --password='123456' 'mydb' > mydb.sql