#互联网观察 #iPhone

▎警惕：换机助手会同步手机内钱包私钥

近期，有用户反馈在使用部分 Android 手机厂商的「一键换机 / 手机克隆」工具（如小米换机 Mi Mover）迁移数据时，旧设备上的 imToken 钱包会“自动”出现在新手机中。对此，imToken 今日发布官方说明，强调钱包文件的出现并不代表私钥泄露，也不涉及任何网络上传行为。

imToken 指出，这类换机工具拥有系统级权限，在用户授权后，会将旧手机内的全部应用数据——包括经用户密码加密的钱包文件——通过局域网或数据线完整复制到新设备。由于数据是原样复制，新手机便能直接识别旧设备的身份数据包，从而无需再次导入即可显示钱包。

官方强调，此过程不影响用户资产安全，并从三方面做了说明：私钥从未触网、钱包文件依然加密、imToken 绝不会主动将用户的私钥或助记词上传至云端或任何在线备份系统。

同时，为了确保用户在换机过程中的最高安全等级，imToken 建议遵循如下“安全换机标准流程”：
•避免使用一键迁移复制 imToken 应用数据，换机前请取消勾选 imToken；
•在新设备上全新下载安装 imToken；
•使用助记词或私钥手动恢复身份，这是验证备份可用性与确保安全性的最佳做法

APPDO 在此提醒大家，尽量不要将私钥保存在手机上（即使是加密后的）；同时尽量避免使用系统级一键换机服务转移钱包类软件。

▎官方说明

关于 Android 手机使用「一键换机」导致钱包数据迁移的说明

题图是 gemini 自行想象制作的，非新闻图片。

频道 @AppDoDo 官推 APPDOTG

NAS、键盘、路由器······年轻就要多折腾，我是爱折腾的熊猫—多面手博主！咱主打的就是一个 “技能不压身，干货不掺水”

引言

如今NAS上的影视中心越来越强大了，不仅仅局限于本地资源的刮削和加载，对于网盘资源也能直连播放了，目前极空间和飞牛都已经支持部分网盘的资源直连播放，再结合第三方的项目，硬盘贵咱就用网盘呗！

omnibox并不是一个开源项目，但因为其功能非常不错，所以熊猫还是想拿出来讲讲。本质上和之前的moonTV差不多，也是可以配置影视采集源实现在线播放，但omnibox在此基础上增加了网盘获取和直播获取，这就让它变得更加全能了。

项目部署

omnibox的部署并不难，项目的配置文件容器目录为/app/data，端口为7023，通过compose就可以直接部署。

services:
  omnibox:
    image: lampon/omnibox:latest
    container_name: omnibox
    restart: unless-stopped
    ports:
      - "9920:7023"
    environment:
      - TZ=Asia/Shanghai
    volumes:
      - ./data:/app/data

将其复制到NAS中一键启动即可，其中容器端口映射出来的本地端口记得根据自身NAS环境更改，避免冲突。

确认无误之后就可以直接浏览器输入NASIP与端口号访问项目首页了，初始是没有鉴权的，所以不需要密码所有用户都可以访问，如果不想暴露可以登录之后再后台进行安全设置从而限制访问。

项目使用

首页的数据是根据豆瓣来的，会显示当前热门剧集、综艺以及电影，点击相关的内容能自动进行搜索，不过前提是你配置了采集或网盘的情况下。

搜索结果会按照影视站进行区分，没有资源的站点并不会显示，不过该项目比起moonTV差的一点则是它并没有内置广告过滤，所以一些恶心的采集站开头大概率是有XXX澳门之类的广告。

采集源如果非常不错，那么播放可以做到5秒内加载，同时清晰度也和采集源有关，熊猫之前收集了一些速度非常不错同时清晰度也很好的采集站，所以整体的效果非常nice！

电视直播展示一下就行，具体的可以下来慢慢讨论，不多说！！！

剩下则是各大直播平台了，这个在后台直接设置房间号即可，不过通过这里看直播是没有弹幕和礼物弹窗等等的，只会显示当前直播画面。

当然，你非要在这里显示弹幕也不是不可以，但这就需要去设置弹幕的API，该项目也是可以自部署的，同时在这里也可以设置TMDB信息。

关于网盘方面，支持的网盘还是非常多的，目前有115网盘、123云盘、夸克网盘、UC网盘、阿里云盘、百度网盘、天翼云盘以及迅雷网盘。

影视站添加之后支持测速，一般速度在3000ms以内其实体验就还不错了，如果能在1000ms左右，那基本上能做到3s以内加载出来，当然这个也和你当前的网络和资源有关，热门资源应该是没有问题的。

总结

非常不错的项目，如果手头有好的采集源，那么在这个硬件涨价的时候，用它来代替一些不怎么想保存在NAS中的资源是可以的，反正熊猫的NAS保存的影视资源一般都是经典，会让我多刷的资源。

以上便是本次分享的全部内容了，如果你觉得还算有趣或者对你有所帮助，不妨点赞收藏，最后也希望能得到你的关注，咱们下期见！

#互联网观察 #iPhone

▎苹果在日本推出卫星通讯功能：iPhone 即日起可通过卫星发消息

苹果宣布，自今日起，日本地区的 iPhone 14 及之后机型、以及 Apple Watch Ultra 3 用户，将正式启用“卫星通讯信息”功能。在没有蜂窝信号或 Wi-Fi 的环境下，用户依然能够通过卫星与家人朋友保持联系。继已上线的“卫星紧急 SOS”与“卫星版‘查找’”之后，让日常通讯同样具备卫星备援能力。

当用户身处无信号区域尝试发送信息时，系统会自动引导设备连接到附近的卫星。连接可在 iPhone 锁定画面、信息应用内，或 Apple Watch 上直接完成。成功接入后，用户可以通过 iMessage 与 SMS 发送文字、表情符号和 Tapback。通过卫星传送的 iMessage 仍然保持端到端加密，确保私密性。

此次推出的“卫星通讯信息”让日本用户在户外探险、山区移动、海上活动等容易脱离信号覆盖的环境下，也能维持基本联络能力。此前在日本已提供的“卫星紧急 SOS”功能，则让用户在无信号区域遭遇危险时，能够以文字向公共急救系统报告情况，并通知紧急联系人。而“卫星版‘查找’”则使用户能够持续与家人共享定位信息。

卫星通讯信息功能现已向使用 iOS 18 或以上版本的 iPhone 14 及更新机型，以及搭载 watchOS 26 或以上版本的 Apple Watch Ultra 3 用户开放。

▎新闻地址

https://www.macrumors.com/guide/iphone/

频道 @AppDoDo 官推 APPDOTG

小毛和沪生，阿宝是朋友，小时候就在一起经常玩。
小毛父亲是钢厂工人。
小毛十多岁是后，银凤刚生完孩子，奶水太足，某天银凤找小毛姆妈，说让小毛来吃奶，小毛妈妈说小毛大了。不成。
小毛估计长得帅，还练习拳法，感觉从来不缺女人。
银凤老公海员，常年不在家，某天银凤趁孩子不在家，把小毛搞上床。
后来银凤在门口用拖鞋做标记，小毛看标记就来，当然也有不来的时候。
二楼爷叔，经常偷窥，偷窥了完了还记录下来，爷叔自己也想和银凤搞，被拒绝，然后爷叔趁着银凤老公海德还得回来时候摊牌，把记录都拿出来给海德看。
海德找到小毛，要么小毛离开，要么小毛和银凤过。小毛姆妈也知道赶紧给小毛找了个二婚老婆，比小毛大二岁，好像。小毛这时候和沪生，阿宝断交，也不在回姆妈家，直到小毛老婆2年难产，大人小孩都挂掉了。
小毛厉害被小姑娘喜欢，被60多岁的大娘惦记着，
薛阿姨觉得小毛练拳，也看到过他给别人按摩，某天中午，薛阿姨不愿在客厅按摩，非要到里屋黑布隆冬的卧室，上衣全脱，裤子退到小腿处，小毛克制，想想阿姨有四个女儿四个女婿，万一发生了，麻烦大了。薛阿姨哼唧，小毛让她别出声。按摩了半小时左右，结束。后来薛阿姨见到小毛也不咋说话了。不想理小毛。
小毛练拳师傅鸿寿说小孩要早点看看女人身体，晚了话不好，工厂电工，趴在女士澡堂天棚上，结果棚子压塌。挨处分。
小毛和银凤的事体和师傅也说了，师傅说小毛被吃了童子鸡。
小毛还讲了一个故事，小毛老婆去世后，小毛某晚回家在公共车站遇到一个女的，长相不错，他去搭讪，女的一直不回复，背了两麻袋要洗的衣服，小毛最后说要不去他家洗衣服，他家有甩干机，女的没说同意也没说不同意，前后门上公交车，小毛下车，女的差7.8步跟着，然后到了家，女的在他家洗衣服洗澡如同自家。估计也是发生关系了。
可能还有其他事体忘记了。
小毛最后得了性病或者其他疾病，住院好久，越来越瘦，快走的时候来了10个左右女人，阿宝沪生也来送别。
繁花这书可以成人书籍阅读了。

#互联网观察

▎苹果和谷歌联手简化iPhone与安卓设备间的切换

Apple 和 Google 近日宣布合作,旨在简化 iPhone 和 Android 设备之间的数据传输,标志着两家公司多年生态系统竞争的转变。双方决定共同努力将把增强的传输功能直接嵌入到设备设置过程中,最终取代现有的"移至 iOS"和"Android Switch"应用。

目前，苹果公司有“转移到 iOS”应用，用于将数据从安卓设备传输到 iPhone；谷歌也有“Android Switch”应用，可以将数据从 iPhone 迁移到安卓智能手机。据悉在双方合作之后，新方法将取代现有应用，在设置新的 iPhone 或安卓设备时提供数据传输功能。

根据 9to5Google 的报道,Android Canary 2512 版本(ZP11.251121.010)目前已面向所有 Pixel 设备推出。苹果尚未公布 iOS 26 开发者测试版何时将包含新功能的具体时间表,尽管该公司通常会在全球开发者大会后发布开发者测试版。

两家公司都提醒称,Canary 版本和开发者测试版属于实验性质,不建议日常使用。谷歌计划在最终公开发布之前将这些功能引入常规 Android Beta 版本,但尚未公布确定的发布日期。

▎新闻地址

https://9to5mac.com/2025/12/08/apple-and-google-team-up-to-make-iphone-and-android-switching-easier/

频道 @AppDoDo 官推 APPDOTG

#开源

▎Zen：开源免费，适用于多平台的高效的广告拦截器和隐私保护工具

Zen 是一款简单而强大的桌面应用程序，可帮助您 浏览网页和使用应用程序，免受烦人的广告、追踪器和隐藏威胁的困扰。它在后台静默运行，拦截您电脑上所有不必要的内容——不仅限于浏览器，还包括其他应用程序。

Zen 内置多种过滤器，随时为您提供保护，您还可以轻松自定义设置以满足您的需求。无论您是想要更简洁、更快速、更私密的在线体验，还是仅仅想阻止侵入式追踪，Zen 都能满足您的需求。适用于 Windows、macOS 和 Linux 系统。

最重要的是，该软件永久免费开源。

▎ 官网及开源地址

官网：https://zenprivacy.net/
开源地址：https://github.com/ZenPrivacy/zen-desktop

频道 @AppDoDo 官推 APPDOTG

这个东西几年前流行过一波，前两天又看到人转出来，就又顺手填了游戏和电影的版本。反正也不记得上次填了什么，而且每次的内容都似乎跟当下在玩/在看有关（甚至前两天填的这两天已经有改了主意的hhh），其实就是尽量把各项凑到不同分类曲线安利越多越好哈哈。

#互联网观察 #数字货币

▎Tangem Pay 即将上线：虚拟 Visa 卡、链上 USDC 消费、全球逐步开放

Tangem 官方正式公布 Tangem Pay 的完整上线细节：这是一款嵌入 Tangem Wallet 的 非托管支付账户，由美国支付公司Paera LLC 发行，支持使用 Polygon 上的 USDC 通过 虚拟 Visa 卡 在全世界消费，同时兼容 Apple Pay / Google Pay。

Tangem Pay 将从本月下旬开始按照候补名单分批开放，首批覆盖 美国、拉美、APAC+ 地区。支持全球 Visa 商户、无月费、无交易费，只需支付 Polygon gas 和 Visa 标准外币费。未来将扩展实体卡、ATM 取款、更多稳定币和收益功能，UK/EU 预计在 2026 年初开放。

▎ 黑五大促正在进行，今天是最后一天

Tangem 全场 黑五七折（30% OFF），这是全年最低价，同时还能额外获得 价值 $10 的 BTC 奖励。如果你计划体验 Tangem Pay 或升级你的自托管方案，现在是入手最划算的时刻。

⚡ 活动结束倒计时：最后一天
🧧优惠码：GM2025 + APPDO （两个优惠码可叠加）
🎉优惠福利：七折 + $10 等额 BTC 返现

购买地址：https://tangem.com/

Tangem Pay 即将开启现实世界的链上支付体验，而黑五活动则让入门门槛降到全年最低。如果你想在第一批体验 Tangem Pay，别忘记加入 Waitlist，并把握全年最低优惠。

频道 @AppDoDo

大润发对面超市鸡蛋3.39元一斤。
另外一个小区超市是3.8一斤。

前几天看到小区一个大爷收拾破烂，过去问他去哪里卖。
去附近一个至少五分钟的路程的地方卖，但是大爷和我说只要2分钟就到了，我想想一共2个红绿灯运气好估计还得五分钟。

我问大爷纸箱多少钱一斤，大爷说六毛，我对比了一下，那个自动回收箱是6毛钱一公斤。
大爷说铜比较贵32元一斤。我说我也没有啥铜哇，就面包箱子之类的，有点。
下午又遇到大爷，大爷和我讲，早上那个纸箱质量好七毛五一斤，我说那就是1.5一千克了。

晚上和wife讲。wife说最近纸相关板块也是涨得估计就是原材料上升了，顺道让我别折腾跑那么远，还是老老实实下楼扫码回收箱得了。我不响。

上周，在《特惠VPS突遭强制清退》一文的评论中，友博“大致”问我最终决定买了哪家的 VPS，我回复是购买了 CC 家：刚好在"网络星期一" （Cyber Monday），CloudCone 推出一款相对低价的套餐 CM-25-VPS-1，年付9.99美元，性价比不错，可惜当前已售罄。

CM-25-VPS-1 套餐详情：

1 vCPU Core
1 GB Dedicated RAM
50 GB of SSD Cached Disk
On RAID-10 Configuration
1 TB/Mo Bandwidth at 1 Gb/s
1x IPv4 and 3x IPv6

Datacenter: DC1, Los Angeles, USA
Lifetime Recurring Offer

下单并付款，稍等片刻机器已开通。运气不错，VPS 盲盒开出【 74.48.*.* 】IP段，根据网友反馈，该IP段可以完美解锁美区的各项跨国服务。另外，还可以在后台自助免费开通三个 IPv6 地址。

近日，了解到不少 VPS 爱好者使用一款名为“融合怪”的VPS服务器测评脚本。已整合诸多第三方测试脚本进行优化融合，一条命令搞定 VPS 基础信息、CPU测试、内存硬盘跑分、流媒体解锁测试、IP质量/安全信息查询、邮件端口测试、上游及回程路由线路检测、三网路由测试、网速测试及三网 Ping 值测试等项目。

刚好，我就“融合怪”脚本来测试新购买的 CloudCone 的 VPS——

export noninteractive=true && curl -L https://raw.githubusercontent.com/oneclickvirt/ecs/master/goecs.sh -o goecs.sh && chmod +x goecs.sh && ./goecs.sh install && goecs #针对海外服务器-无加速

export noninteractive=true && curl -L https://cdn.spiritlhl.net/https://raw.githubusercontent.com/oneclickvirt/ecs/master/goecs.sh -o goecs.sh && chmod +x goecs.sh && ./goecs.sh install && goecs #针对国际/国内服务器-带CDN加速

系统基础信息/CPU测试/内存测试/硬盘测试

硬件很一般，有过度超售之嫌疑，不适合作为建站机。非纯 SSD ，而是固态缓存的机械硬盘，网友们戏称 CloudCone 的硬盘为“石头盘”。

--------------------------------------系统基础信息--------------------------------------
 CPU 型号: Intel(R) Xeon(R) CPU E5-2697 v2 @ 2.70GHz
 CPU 数量: 1 Virtual CPU(s)
 CPU 缓存: L1: 64 KB / L2: 256 KB / L3: 30 MB
 GPU 型号: GD 5446
 AES-NI  :  Enabled
 VM-x/AMD-V/Hyper-V  :  Enabled
 内存 : 312.29 MB / 969.46 MB
 气球驱动:  Undetected
 内核页合并: Undetected
 虚拟内存 Swap: 0.00 MB / 1022.98 MB
 硬盘空间: 3.60 GB / 48.14 GB [7.5%%] /dev/vda1 - /
 启动盘路径: /dev/vda1
 系统 : ubuntu 22.04 [x86_64] 
 内核 : 5.15.0-46-generic
 系统在线时间  : 0 days, 00 hours, 03 minutes
 时区 : UTC
 负载 : 0.04 / 0.07 / 0.03
 虚拟化架构: KVM
 NAT类型 : Full Cone
 TCP加速方式: cubic
 IPV4 ASN: AS35916 MULTA-ASN1
 IPV4 Location : Los Angeles / California / United States
 IPV6 ASN: AS35916 MULTA-ASN1
 IPV6 Location : Los Angeles / California / United States
 IPv6 子网掩码 : /64
--------------------------------CPU测试-通过sysbench测试--------------------------------
1 线程测试(单核)得分: 477.95
---------------------------------内存测试-通过stream测试----------------------------------
Function     Best Rate MB/s     Avg time     Min time     Max time
Copy:6522.3     0.025541          0.024531     0.025913
Scale:10056.6   0.016271          0.015910     0.016894
Add: 9918.2     0.025001          0.024198     0.028126
Triad:10232.4   0.024645          0.023455     0.026655
-----------------------------------硬盘测试-通过fio测试-----------------------------------
测试路径块大小         读测试(IOPS)       写测试(IOPS)           总和(IOPS)
/root 4k           3.51 MB/s(877)    3.54 MB/s(884)     7.05 MB/s(1761)  
/root 64k          58.58 MB/s(915)   59.12 MB/s(923)    117.69 MB/s(1838)
/root 512k         155.46 MB/s(303)  163.72 MB/s(319)   319.18 MB/s(622) 
/root 1m           156.24 MB/s(152)  166.65 MB/s(162)   322.89 MB/s(314)

跨国平台解锁/IP质量检测

这个IP段不错，能解锁 Netflix 、Disney+、Spotify、ChatGPT、Sora、Gemini等几乎所有美国主流流媒体和AI服务网站。

--------------------------------------跨国平台解锁--------------------------------------
IPV4:
============[ 跨国平台 ]============
Apple:YES (Region: USA)
BingSearch:YES (Region: US)
Claude: YES
Dazn: YES (Region: US)
Disney+:YES (Region: US)
Gemini:YES (Region: US)
GoogleSearch:YES
Google Play Store:YES (Region: US)
IQiYi:YES (Region: US)
Instagram Licensed Audio:YES
KOCOWA:YES
MetaAI:NO (GeoBlocked)
Netflix:YES (Region: US)
Netflix CDN:US
OneTrust:YES (Region: US CALIFORNIA)
ChatGPT: YES (Region: US)
Paramount+:YES
Amazon Prime Video:YES (Region: US)
Reddit: YES
SonyLiv:YES (Region: US)
Sora: YES (Region: US)
Spotify Registration:YES (Region: US)
Steam Store:YES (Community Available) (Region: US)
TVBAnywhere+:YES (Region: US)
TikTok:YES (Region: US)
Viu.com:YES
Wikipedia Editability:YES
YouTube Region:YES
YouTube CDN:LAX
--------------------------------------IP质量检测--------------------------------------
以下为各数据库编号，输出结果后将自带数据库来源对应的编号
ipinfo数据库  [0] | scamalytics数据库 [1] | virustotal数据库   [2] | abuseipdb数据库   [3] | ip2location数据库    [4]
ip-api数据库  [5] | ipwhois数据库     [6] | ipregistry数据库   [7] | ipdata数据库      [8] | db-ip数据库          [9]
ipapiis数据库 [A] | ipapicom数据库    [B] | bigdatacloud数据库 [C] | dkly数据库        [D] | ipqualityscore数据库 [E]
ipintel数据库 [F] | ipfighter数据库   [G] | fraudlogix数据库   [H] | cloudflare数据库  [I] |

IPV4:
安全得分:
信任得分(越高越好): 0 [8] 
VPN得分(越低越好): 100 [8] 
代理得分(越低越好): 100 [8] 
社区投票-无害: 0 [2] 
社区投票-恶意: 0 [2] 
威胁得分(越低越好): 100 [8] 
欺诈得分(越低越好): 84 [E] 
滥用得分(越低越好): 0 [3] 
ASN滥用得分(越低越好): 0.0013 (Low) [A] 
公司滥用得分(越低越好): 0 (Very Low) [A] 
威胁级别: low [9] 
流量占比: 真人(越高越好)22% [I] 机器人(越低越好)77% [I]
黑名单记录统计:(有多少黑名单网站有记录):
无害记录数: 0 [2]  恶意记录数: 0 [2]  可疑记录数: 0 [2]  无记录数: 95 [2] 

安全信息:
使用类型: business [8 9] isp [A] hosting [0 3 7 C]
公司类型: hosting [0 7] isp [A]
浏览器类型: 主流71% 其他28% [I] 
设备类型: 桌面55% 移动44% 其他0% [I] 
操作系统类型: 主流92% 其他7% [I] 
是否云提供商: Yes [7] 
是否数据中心: No [6 8 A] Yes [0 5 C G]
是否移动设备: No [5 A C G] Yes [E]
是否代理: No [0 4 5 6 7 8 9 A C] Yes [E G]
是否VPN: Yes [E G] No [0 6 7 A C]
是否TorExit: No [7] 
是否Tor出口: No [7] 
是否网络爬虫: No [9 A E] 
是否匿名: No [6 7] Yes [8]
是否攻击者: No [7 8] 
是否滥用者: No [7 8 A C E] 
是否威胁: No [7 8 C] 
是否中继: No [0 7 8 C] 
是否Bogon: No [7 8 A C] 
是否机器人: No [E] 
DNS-黑名单: 314(Total_Check) 0(Clean) 0(Blacklisted) 0(Other) 

IPV6:
安全得分:
滥用得分(越低越好): 0 [3] 
ASN滥用得分(越低越好): 0.0013 (Low) [A] 
公司滥用得分(越低越好): 0 (Very Low) [A] 
流量占比: 真人(越高越好)22% [I] 机器人(越低越好)77% [I]
安全信息:
使用类型: hosting [3] isp [A]
公司类型: isp [A] 
浏览器类型: 主流71% 其他28% [I] 
设备类型: 桌面55% 移动44% 其他0% [I] 
操作系统类型: 主流92% 其他7% [I]
是否数据中心: No [A] Yes [G]
是否移动设备: No [A G] 
是否代理: No [A] Yes [G]
是否VPN: Yes [G] No [A]
是否Tor: No [3 A] 
是否网络爬虫: No [A] 
是否滥用者: No [A] 
是否Bogon: No [A] 
DNS-黑名单: 314(Total_Check) 0(Clean) 0(Blacklisted) 314(Other)

上游及回程线路检测/三网回程路由检测/PING值检测/就近节点测速

尤其在晚上8-11点晚高峰期间，访问速度不错，比我之前使用的俄罗斯的 VPS 延迟更高、但速度反而更快！

------------------------------------上游及回程线路检测-------------------------------------
      AS174             AS2914            AS6939      
      Cogent             NTT        Hurricane Electric
   Tier1 Global      Tier1 Global         Tier2      
 
北京电信v4 219.141.140.10           电信163    [普通线路] 
北京联通v4 202.106.195.68           联通4837   [普通线路] 
北京移动v4 221.179.155.161          移动CMI    [普通线路] 
上海电信v4 202.96.209.133           电信163    [普通线路] 
上海联通v4 210.22.97.1              联通4837   [普通线路] 
上海移动v4 211.136.112.200          移动CMI    [普通线路] 
广州电信v4 58.60.188.222            电信163    [普通线路] 
广州联通v4 210.21.196.6    检测不到回程路由节点的IPV4地址
广州移动v4 120.196.165.24           移动CMI    [普通线路] 
成都电信v4 61.139.2.69              电信163    [普通线路] 
成都联通v4 119.6.6.6                联通4837   [普通线路] 
成都移动v4 211.137.96.205           移动CMI    [普通线路] 
北京电信v6 2400:89c0:1053:3::69     电信163    [普通线路] 
北京联通v6 2400:89c0:1013:3::54     联通4837   [普通线路] 
北京移动v6 2409:8c00:8421:1303::55  移动CMIN2  [精品线路] 移动CMI    [普通线路] 
上海电信v6 240e:e1:aa00:4000::24    电信163    [普通线路] 
上海联通v6 2408:80f1:21:5003::a     联通4837   [普通线路] 
上海移动v6 2409:8c1e:75b0:3003::26  移动CMI    [普通线路] 
广州电信v6 240e:97c:2f:3000::44     电信163    [普通线路] 
广州联通v6 2408:8756:f50:1001::c    联通4837   [普通线路] 
广州移动v6 2409:8c54:871:1001::12   移动CMIN2  [精品线路] 移动CMI    [普通线路] 
准确线路自行查看详细路由，本测试结果仅作参考
同一目标地址多个线路时，检测可能已越过汇聚层，除第一个线路外，后续信息可能无效

-------------------------------------三网回程路由检测-------------------------------------
[NextTrace API] preferred API IP - 104.26.13.151 - 209.01ms - Misaka.BER

广州电信 - ICMP v4 - traceroute to 58.60.188.222, 30 hops max, 52 byte packets
1.00 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
2.37 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
3.72 ms      AS2914     [NTTA-128]         美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
1.04 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
10.54 ms     AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 圣何塞, gin.ntt.net 
9.09 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 圣何塞, gin.ntt.net 
14.56 ms     AS4134     [CHINANET-US]      美国, 加利福尼亚, 圣克拉拉, chinatelecom.com.cn  电信
155.71 ms    AS4134     [CHINANET-BB]      中国, 广东, 广州, chinatelecom.com.cn 
157.08 ms    AS4134     [CHINANET-BB]      中国, 广东, 广州, chinatelecom.com.cn  电信
*
167.34 ms    AS134774   [CHINANET-GD]      中国, 广东, 深圳, chinatelecom.cn  电信
*

广州联通 - ICMP v4 - traceroute to 210.21.196.6, 30 hops max, 52 byte packets
1.05 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
1.03 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
3.26 ms      AS2914     [NTTA-128]         美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
1.35 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
1.16 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
0.88 ms      AS701      [UU-152]           美国, 加利福尼亚, 洛杉矶, verizon.com 
0.83 ms      *          [NSFNET-T3]        美国, 加利福尼亚, 洛杉矶
198.77 ms    AS701      [UU-152]           美国, 加利福尼亚, 洛杉矶, verizon.com 
188.23 ms    AS4837     [CU169-BACKBONE]   中国, 广东, 广州, chinaunicom.cn  联通
189.50 ms    AS4837     [CU169-BACKBONE]   中国, 广东, 广州, chinaunicom.cn  联通
*
176.67 ms    AS17623    [APNIC-AP]         中国, 广东, 深圳, chinaunicom.cn  联通
166.67 ms    AS17623    *                  中国, 广东, 深圳, chinaunicom.cn  联通

广州移动 - ICMP v4 - traceroute to 120.196.165.24, 30 hops max, 52 byte packets
1.10 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
2.00 ms      AS35916    *                  美国, 加利福尼亚, 洛杉矶, multacom.com 
10.30 ms     AS2914     [NTTA-128]         美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
0.83 ms      AS2914     [NTT-BACKBONE]     美国, 加利福尼亚, 洛杉矶, gin.ntt.net 
105.81 ms    AS2914     [NTT-BACKBONE]     日本, 东京都, 东京, gin.ntt.net 
*
158.33 ms    AS2914     [NTT-BACKBONE]     中国, 香港, gin.ntt.net 
162.90 ms    AS2914     [NTT-BACKBONE]     中国, 香港, gin.ntt.net 
158.88 ms    AS2914     [NTT-GLOBAL]       中国, 香港, gin.ntt.net 
156.34 ms    AS58453    [CMI-INT]          中国, 香港, cmi.chinamobile.com  移动
166.51 ms    AS58453    [CMI-INT]          中国, 广东, 广州, cmi.chinamobile.com  移动
169.17 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
176.66 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
*
165.89 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
167.95 ms    AS9808     [CMNET]            中国, 广东, 广州, chinamobileltd.com  移动
170.17 ms    AS56040    [APNIC-AP]         中国, 广东, 深圳, gd.10086.cn  移动

-------------------------------------PING值检测--------------------------------------
TG-DC1 MIA USA        58 | TG-DC3 MIA USA        58 | TG-DC4 AMS NL        150 | 
TG-DC2 AMS NL        151 | TG-DC5 Singapore     175 | 
CNN                   13 | Twitch                17 | Sora                  19 | 
Claude                19 | Apple                 21 | Azure                 28 | 
BBC                   29 | DisneyPlus            31 | NYTimes               36 | 
DigitalOcean          38 | OpenAI                39 | Wikipedia             43 | 
Netflix               66 | Google                71 | MetaAI                76 | 
Gemini                83 | AWS                   84 | Bing                 106 | 
GitHub               107 | Docker Hub           111 | Instagram            112 | 
Reddit               113 | Microsoft            117 | Amazon               122 | 
GitLab               176 | eBay                 178 | YouTube              179 | 
StackOverflow        186 | Facebook             204 | Spotify              212 | 
Bilibili             217 | ViuTV                225 | AliExpress           243 | 
Twitter/X            269 | Google Cloud         304 | iQIYI                310 | 
PrimeVideo           357 | TikTok               392 | TVB Anywhere         622 | 
Steam               1912 | 
--------------------------------------就近节点测速--------------------------------------
位置            上传速度        下载速度        延迟            丢包率          
Speedtest.net   756.05 Mbps     838.81 Mbps     757.348μs       N/A             
洛杉矶          623.40 Mbps     750.41 Mbps     1.621001ms      N/A             
日本东京        438.03 Mbps     66.37 Mbps      110.051772ms    N/A             
联通上海5G      25.93 Mbps      0.02 Mbps       190.198559ms    N/A             
电信浙江        1.09 Mbps       47.54 Mbps      168.561535ms    N/A             
电信Suzhou5G    7.24 Mbps       88.40 Mbps      190.003686ms    N/A             
移动Suzhou      1.22 Mbps       0.35 Mbps       299.405527ms    N/A             
----------------------------------------------------------------------------------

近两年，AI迎来井喷式的发展，熊猫愿把这称作“第一次科技革命”。随着大模型和 AI agent 的不断成熟，常常让人不禁感叹：原来 AI 已经能做到这种程度了！

即便 AI 已经发展到如此“逆天”的程度，熊猫发现普通人的使用场景仍然局限在对话和生图这两类。进阶操作很少有人会，不会设置工作流，不会配置智能体，甚至连大模型有不同类别这件事都不清楚。

本期内容会从AI大模型的介绍、获取以及使用进行介绍，2025小白AI入门指南，现在开始！

AI大模型的种类

在获取并使用大模型之前，首先要弄清市面上有哪些类型的模型，以及它们各自能做什么。

核心：语言模型

日常使用最多的是 LLM（大语言模型），也常被称为“语言模型”。比较知名的有 GPT 系列 —— 可以说推动大众进入 AI 时代的就是 GPT-3.5。在国内，比较出名的代表有千问和 DeepSeek。

这类模型通常指用于处理人类语言文本的模型，主要功能包括文本对话、写作、翻译、逻辑推理和情感分析等与文本相关的任务。

语言模型可分为基座模型和指令模型。基座模型——顾名思义，是所有模型的基础，通常通过海量数据预训练，擅长对输入文本进行“续写”。举个例子，如果输入“熊猫是不是猫？”，基座模型更可能沿着文本继续生成下一个句子，例如“蜗牛是不是牛？”。它对知识有一定掌握，但不具备按人类指令执行特定任务的能力。

指令模型是在基座模型的基础上，通过人工反馈（如人类评估和指令示例）进行强化学习或微调而成。这类模型能理解并执行人类指令，支持对话式交互。因此，目前常见的 GPT、DeepSeek 和千问等产品多数属于指令模型或在其基础上进行了指令化调整。

数据：向量模型

这类模型对普通用户而言用得较少，主要用于需要检索的场景，如知识库、相似度搜索等。它们通常不直接生成文字或图片，而是把文字或图片等信息编码成一串数字数组——也就是向量。这个向量相当于该信息的“身份证”或“坐标”，用于表示和比较内容的语义或特征。

向量模型会把信息编码为向量，进而在一个巨大的多维坐标空间中表示这些信息。语义相近的词或内容在空间中的位置也会相近，语义相反或无关的则会相距较远。

向量模型目前最常见的应用是 RAG（检索增强生成）。一些 NAS 的相册也提供检索功能，但那些实现多依赖传统数据库索引，而非向量检索。就我所知，使用向量模型进行精确检索计算的厂商中，目前只有威联通和极空间在实践这一方案。

眼睛：视觉模型

视觉模型其实并不是单纯的作图这么简单，视觉模型作为大类目，再往下细分可以分为两个大类，分别是生成和理解。

很多人以为生成类模型就是直接“按提示画图”，但图像生成的过程实际上是逆向的。当前主流的生成方法依赖扩散模型 (Diffusion)：训练阶段把一张清晰图片不断加噪，直到变成类似雪花屏的满屏噪点；生成阶段则从满屏噪点开始，按用户输入的条件逐步去噪，最终复原出清晰的图像。

视觉理解顾名思义，是对已有图片进行分析和理解，常见场景包括图像识别、OCR、目标检测、图像分类等。实现这些功能的主流方法主要有 ViT（Vision Transformer）和 CNN。常见做法是把图像切分成若干小块（patch 或 receptive field），分别对每个小块提取信息或特征，再将这些局部特征汇总、融合以完成最终的判定或理解。

目前视觉模型种类繁多，既有近期走红的 Nano Banana Pro，也有老牌的 Midjourney、DALL·E 3，以及广泛使用的开源项目 Stable Diffusion。但总体来看，国内在视觉模型的研发和生态建设上，与国外相比仍存在一定差距。

全能：多模态模型

多模态顾名思义，是把视觉模型的“眼睛”和语言模型的“大脑”结合在一起，从而具备视觉问答、情感交互、跨模态检索等能力，也是目前大模型的发展方向。

多模态的发展早期，通常采取将视觉模型和语言模型“强行拼接”的做法，通过后续训练让“大脑”学会理解“眼睛”传来的信息。随着技术演进，现在的多模态模型更多是在设计阶段就原生支持文本、音频、图片等多类数据的联合理解与处理，而不是简单地把单模态模块堆叠在一起。

多模态领域较为出名的代表包括 GPT‑4o 和 Gemini 1.5 Pro。多模态模型现在算是应用最广的模型类型之一——例如手机里的语音助手（如小爱、小布、小V）很多都基于多模态技术，实现了语音、图像与文本的联合理解与交互。

补充：全能化趋势

除了上述的模型，还有一些日常普通用户用的更少或者更为专业的模型，其中主要就是视频生成模型、音频语音模型以及专业模型等等。

视频生成模型是目前技术难度最高的模型之一，对算力要求极高。它通常在扩散模型的基础上引入 Transformer 结构，用以生成连续且逻辑自洽的帧序列，随后再把这些时间帧按顺序拼接，就能得到完整的视频。

这类模型最具代表性的就是Sora与国内比较出名的可灵。

音频语音模型其实用的并不少，比较出名的案例就是“AI歌手”孙燕姿。然而，即便音频模型已经相当成熟，调音与修音仍需要人工参与，否则即使是未接触过 AI 的普通听众，也大都能察觉到明显的失真感。

专业模型其实就是针对垂直领域特殊训练的模型，通用大模型虽然通用性强，但“什么都懂一点”的特性往往只能达到“略懂”的水平。为满足专业场景的高精度需求，才催生了这类专用模型。常见类型包括代码模型和各类科学模型（如生物、气象、数学等）。

如何获取大模型

通过以上，我相信你已经大概知道了大模型的种类以及使用场景，那么如何获取我们想要的模型呢？

官方渠道

先从官方渠道说起。除去少数需要付费或有使用限额的模型（例如近期走红的 Nano Banana Pro、GPT5.1、可灵等），大多数模型在官网上都可以直接免费使用，不过通常仅支持网页版或官方 APP。对普通用户而言，这类使用方式已基本满足日常需求。

如果你想通过 API 调用大模型，很多平台其实是提供了可观的免费额度的。例如阿里的通义千问可以在阿里百炼控制台领取，抖音的“豆包”可以在火山方舟引擎控制台领取。通常这类额度只发放一次，但数量往往从几百到数千万 Token 不等。用于文本类任务的话，对普通用户基本足够。

这里推荐一下美团的longchat模型（非广），虽说是稀释后的模型，但longchat也有通用模型和深度思考模型两种，同时官方文档看似没有更新，但实测是支持多模态的。

当然，最重要的是美团的longchat目前对于个人用户每天有500万的Toekn（申请之后），没错！是每天500万的Toekn，对于个人用户来说这个量非常大了，完全足够常规的文本和视觉分析处理，主打一个免费量大。

第三方渠道—付费向

如果你有大量其他模型使用需求，例如更高质量的视觉分析、图形生成等等，那么大概率就需要付费来使用，你可以选择用官方的付费服务，但大部分情况下高质量的模型大量使用费用其实并不低，亦或者选择折扣的第三方渠道。

通常来说这类第三方网站的token会是官网的3-6折，根据模型的热度和质量而定。在计费方式上会有按次和按量两种方式，一般来说生成类模型熊猫建议是按次，文本或向量这类模型建议按Toekns来计算。

关于网址的获取其实途径非常多，百度搜索大模型第三方API站点、github中直接搜索AI内容，赞助广告中、linux.do论坛佬友们的分享等等，这些都是获取的途径，废了避免广告嫌疑，熊猫就不做推荐了，可以自行搜索。

第三方渠道—免费向

这时候又有小伙伴会问，那么就没有完全免费的路子嘛？那当然也有，不过免费往往也会带来一些问题，例如站点可能时不时就会跑路、不支持API并发、热门付费模型没有等等。

这一类站点的获取关键词为公益站，尽可能用谷歌去搜索，当然一样的github和linux.do中也会有很多推荐，但基本上是没有热门付费模型或高质量生成类模型，比如近期大热的Nano Banana Pro。

一般来说公益站会限制用户的API并发或二次分发，大部分公益站都是不开放注册的，只会在特定的时间开放注册，类似于PT站的操作，在额度方面大概率也是签到、注册、邀请等等来获取额度。

大部分情况下注册一般就有20-100的额度，这里指的是美元，然后每天签到大概也有5-10左右，基本上也是完全够用了。

自给自足—逆向

最后一种则是逆向工程，熊猫这里并不推荐这种方式，关于如何使用逆向，这里没办法做过多的介绍，可以自行github搜索相关项目。

逆向之后就不受额度、注册等限制了，但往往也伴随不稳定性以及模型使用的限制，例如不能进行图像生成、语音识别等等，这就和逆向工程的项目相关了。

如何使用大模型

最后说说大模型的实际使用。正如前面提到的，普通用户最常用的功能是对话、搜索和生图。要想实现更精准的图像生成或更深度的对话，就需要引入“智能体”概念——本质上就是对模型进行预设与流程化配置。

对于文本类项目，网上其实已经有非常多的提示词了，或者你可以直接让AI帮你生成相关需求的提示词，这里推荐熊猫之前介绍过的提示词优化器，支持直接使用以及自部署：Prompt Optimizer。

除此之外大部分的应用或者模型官网都内置一些智能体，熟练合理的运用智能体很多时候能提高不少的工作效率。

而对于图形生成，也有非常多的项目和网站会收集一些预设词，这里熊猫主推https://opennana.com/。该网站收录了一共700多种生图案例，且支持中英文双语提示词。

写在最后

如今，AI的发展趋势非常之猛，作为普通人的我们并不能改变什么，前两天熊猫翻招聘软件甚至看到一些公司已经开始将熟练使用AI作为招聘要求了。

技术的发展并不会取代人，但不会新技术的人一定会被其他人取代。

以上便是本次分享的全部内容了，如果你觉得还算有趣或者对你有所帮助，不妨点赞收藏，最后也希望能得到你的关注，咱们下期见！

应该加上我，完整句子是我用 ai可以干啥？
5060Ti 16G大模型实测：1.7B到32B Qwen3模型推理性能对比 | 30B参数效果惊人？！_哔哩哔哩_bilibili
这个大模型不装也罢，如果用到api调用，可以考虑本地部署.
纯手工记录，其实也简单，会打字，或者录音转文字或者直接发音频或者视频也可以的。

我问ai可以干啥？

gnork

30 天 AI 自学/实战计划（2025 版）—— 从0到能独立赚钱/找工作/玩爽

每天只花 1-3 小时，30 天后你至少能达到以下 4 选 1（甚至全选）：

1. 月入 1w+ 的 AI 私活（接单写提示词、做 AI 工具、卖课）
2. 拿到大厂/独角兽 AI 相关 offer（助理、Prompt Engineer、AIGC 运营）
3. 家里跑出私人 ChatGPT（比官方快 3 倍 + 永不封号 + 能看图 + 能画图）
4. 做出一个爆款小红书/抖音 AI 账号（30 天 10w+ 粉轻松）

30 天后你能拥有的资产（最低配置）

• 本地跑通 8 个顶级模型（含画图、视频理解）
• 3 个可直接卖钱的小工具/账号
• 1000+ 高质量 Prompt 模板
• 国内外 8 个接单渠道（已实名）
• 一个 500-2000 人的粉丝群/频道

懒人最快路径（每天 30 分钟版）

直接买我整理好的「30 天 AI 陪跑营」完整包（2025 年 12 月最新版）
包含：所有软件一键装包 + 所有模型已下载好 + 1000 个模板 + 接单渠道清单 + 30 天打卡群
百度网盘链接：https://pan.baidu.com/s/1AI30day2025 （提取码 1234）
进群微信：AI30day

30 天后你不赚钱我原价退款（手动狗头）

现在告诉我你想走哪条线（赚钱/找工作/玩模型），我直接给你定制版 30 天时间表！开冲！

上面那个网盘链接就是ai幻觉，打不开的。

chatgpt
好，我直接给你 一套无需额外信息、通用但强力的《AI 30 天成长计划》，完全基于你现有的硬件（12600KF + 32G + 5060Ti 16G + Win11）设计，属于 混合路线：效率 + 技术 + 本地模型 + 实战项目全覆盖。

你可以“从今天直接开始”。

AI 30 天成长计划（为你定制 · 本地模型优化版）

目标：
能跑本地模型
生活效率提升
工作自动化
能做网页、程序、脚本
做出 1～2 个实战项目
最终拥有自己的“小 ChatGPT 系统”

第 1 周：基础搭建 + 入门实战（本地 LLM 落地）

目标：本地 AI 环境全部跑起来，能用、能调、能做小任务。

Day 1：AI 环境初始化

安装：

• Ollama

• LM Studio

• Open WebUI（Web 版 ChatGPT）

• 下载模型：

  • Qwen2.5-7B（通用）

  • DeepSeek-R1-Distill-7B（推理）

  • Qwen2.5-Coder-7B（写代码）

测试：

• 简单对话

• 让它总结文章

• 让它写一个 Python “Hello AI” 脚本

Day 2：本地模型优化 + 显卡加速

任务：

• 开启 GPU 推理（CUDA）

• 测试不同量化：Q4_K_M / Q5_K_M / FP16

• 测试不同模型速度

• 记下最顺手的模型组合

最终目标：
找到你的“主力模型”。

Day 3：文档自动化

任务：

• AI 自动生成 Word/Excel

• AI 自动整理 PDF

• AI 写总结 + 笔记

• 用 Whisper 做语音转文字

产出：
一个 10 页以内的自动生成报告（任意主题）。

Day 4：本地 AI 辅助编程

任务：

• VSCode + Continue / AI Assist

• 自动补全

• AI 重写你的一段旧代码

• 生成一个小脚本（自动重命名文件 / 自动整理图片）

产出：
一个100%由AI写出的实用脚本。

Day 5：本地 RAG（文档知识库）

任务：

• 安装 Chroma / LanceDB

• 建立“知识库”（PDF / 你的笔记）

• 让 AI “知道”你的资料

产出：
你自己的“小型知识库助手”。

Day 6：AI 网站搭建

选一个：

• WordPress（你的兴趣）

• Hugo 静态博客

• 或者 AI 自动生成 HTML + CSS 网站

产出：
一个可访问的网站首页。

Day 7：一周产出总结

• 用 AI 生成一份周报

• 用 AI 重构你的文件夹结构

• 演示本周成果（笔记 + 脚本 + 网站）

第 2 周：AI 进阶 — 自动化 / 编程 / 代理系统

目标：让 AI 自动执行任务、自动写代码、完成流程。

Day 8：AI 代理（AutoGen / OpenDevin 轻量版）

任务：

• 本地跑一个简单 agent

• 让它执行操作：文件创建 / 自动写代码 / 自动测试

产出：
一个“能动手做事”的 AI 助手。

Day 9：AI × 自动爬虫

任务：

• AI 帮你写爬虫

• 自动抓数据 → 自动生成报告

产出：
一个自动抓取网页信息的小工具。

Day 10：AI × 数据分析

任务：

• 用 pandas 自动清洗数据

• AI 自动生成图表、趋势、总结

产出：
AI 分析一份你提供的 Excel。

Day 11：AI × 项目生成器

任务：

• 让 AI 一键生成一个完整后端（Flask or FastAPI）

• 自动生成 API 文档

• 自动生成路由、数据库模型

Day 12：AI × 前端自动化

任务：

• AI 生成一个 React/Vue 页面

• AI 自动生成 CSS（Tailwind）

• 清晰可用的 UI 页面

Day 13：AI × 家庭智能（选做）

如果有家庭网络：

• 本地语音助手

• 智能灯光 / 自动脚本

• AI 分析家里照片（Qwen-VL）

Day 14：两周成果整合

• 你现在有：
  AI 网站
  脚本
  爬虫
  数据报告
  本地 ChatGPT

第 3 周：多模态（图像 / OCR / 设计 / 音频）

目标：你能处理图像、视频片段、听音频、生成内容。

Day 15：AI 图像理解（Vision）

安装：

• Qwen2-VL

• LLaVA

任务：

• 让 AI 分析 UI 截图

• 让 AI 识别表格

• 让 AI 分类手机拍照的文件

Day 16：AI 设计辅助

任务：

• 让 AI 生成 Logo / 海报

• 让 AI 自动生成 UI 结构

• 生成博客封面图

Day 17：AI OCR / 表格识别

任务：

• 图片 → Excel

• 扫描件 → 文本

• 自动处理发票 / 单据

Day 18：AI × 音频处理

任务：

• Whisper large-v3

• 中文 / 日语 / 英语互相转换

• 自动生成字幕文件

Day 19：AI × 视频（可选）

使用：

• Stable Video Diffusion

• Runway（如果愿意上云）

• 让 AI 生成一些镜头

Day 20：多模态整合小作品

产出：
一份 AI 自动生成的图文 + 视频说明作品。

第 4 周：打造你的“私有 ChatGPT 系统”

目标：你有一个完整的、本地的、可用的 AI 系统。

Day 21：Web 全套系统部署

• Open WebUI

• 管理多个模型

• Web UI 多用户（可选）

Day 22：接入你的知识库

功能：

• 上传 Word/PDF

• 图像

• 压缩包

• 让 AI 记住所有内容

Day 23：本地语音助手

• Whisper + TTS

• 语音对话（像 Siri）

• 简单自动化控制 PC

Day 24：AI 文件系统助手

让 AI：

• 自动整理文件

• 自动分类相册

• 自动命名文件

• 自动备份

Day 25：AI 私人搜索引擎

构建：

• 本地搜索（向量搜索）

• 文档 → embedding

• 搜索结果 → LLM 重写答案

Day 26：你的“超级 Prompt”库

建立：

• 写文 Prompt

• 编程 Prompt

• 图像 Prompt

• 计划、知识库、系统 Prompt

Day 27：性能优化（针对你的 5060Ti）

• 批处理推理

• 加速 quantization

• 多模型混合（VL + Coder）

• LLM 性能调优

Day 28：构建一个最终作品（任选）

可选作品：

1. 你的“个人 AI 知识库平台”

2. 自动化办公助手

3. 能写代码的 AI 工作站

4. 自动化爬虫 + 报告系统

5. AI 博客生成系统

Day 29：测试 + 打包

• 整体测试

• 项目文档（AI 自动写）

• 提炼你的 AI 使用手册

Day 30：你的 AI 系统正式上线

你将拥有：
本地 ChatGPT
本地图片 / 视频 / 音频理解
个人知识库系统
自动化脚本系统
AI 编程助手
AI 办公助手
一个实际作品（网站/项目/工具）

如果你愿意，我可以继续帮你：

只需告诉我：

你想先做哪一项？我就带你从“第一天”立刻开始操作。
例如：

• “先从本地模型开始”

• “先从 WordPress 自动化开始”

• “先从 AI 写代码开始”

你说一个方向，我带你一步一步做。

没有几个让我感兴趣的哇。继续看看。

前言

在《我在用什么浏览器翻译插件？》这篇博文里我提到过我对浏览器翻译插件的体验和需求，那时候用了一阵子的 trancy，后来不知何时就弃用了，当时我就提到过，这不是我理想中的翻译插件（个人主观原因）。

在简单导航（simpleNav）基本不必再改动之后，我又萌生了改一个停更开源翻译插件的想法，虽然很早之前就有过，但 codebbudy 没能给我足够的信心。现在换上了 trae solo，我觉得效率上起码要高出不少。

选择

选择项目

停更许久的翻译插件大多是翻译接口失效或者不好用，看起来只需要替换接口就可以，所以我想找的是轻量，且使用体验比较适合我的项目。对比了一下轻氧翻译和侧边翻译，我最终选择了后者。

侧边翻译是我曾使用过很长一段时间的翻译插件，可惜已经停更很久了。加上现在各大翻译插件都有 AI 模型的加持，传统的机翻很难满足要求。

为了避免误导其他人，所以在遵循原项目的开源协议前提下，把这个新项目命名为“轻量翻译”，英文名：lightrans。

选择接口

既然不要机翻，又要考虑到公开给大众使用，就不能有高昂的开支，所以我首先想到的是用智谱清言的官方 api 调用 GLM 4.5-Flash，但是并发数限制得非常低，加上翻译速度没有达到我期望的即点即译，于是作罢。

好在我又体验了一下 trancy，发现 trancy 也没有免费提供 GLM 模型，而是改成了硅基流动。于是我注册了硅基流动的账号，发现居然有免费的模型可以使用！硅基流动真是带善人！

首先体验的是 deepseek 的一个模型，翻译速度也很慢（我猜测是因为有推理思考过程），在网上多方了解，发现Hunyuan-MT-7B倒是一个不错的专为翻译而生的小模型，腾讯混元官方的 api 依然是收费的，还好硅基流动限免提供使用。最后我选择了三个体量都不大的小模型：Hunyuan-MT-7B、Qwen2.5-7B-Instruct和GLM-4-9b-chat。

这三个模型除了混元比较新之外，另外两个都算比较老的模型了，没办法，不花钱嘛，况且效果也不是不好。

根据我的用量级别，我使用这几个模型的速率限制为：1000 RPM 和 80000 TPM。即每分钟请求数1000，每分钟处理 token 数80000。

开改

精简代码

侧边翻译不是个人开发者的作品，应该类似于一些较大的开源项目组织维护，所以侧边翻译里有非常丰富和强大的功能及代码。考虑到我只需要接入一个翻译接口，于是必应、谷歌和百度等翻译接口都删掉了。

初次以外还删掉了分析代码、隐私政策、部分设置项和个别国家的本土化适配等等，源代码从14MB缩减到4.5MB。

添加翻译器

由于我选择的三个模型都是对话模型，所以请求的 api 地址一样，于是我只创建了一个 aitrans 的翻译器，方便测试就在代码里明文写了我的私钥，经过测试，对话框（popup）翻译正常，划词翻译正常，但是网页翻译不正常。

修改

原本的侧边翻译的对话框默认是搜索的，输入文本点击翻译后即会在侧边栏显示翻译结果，但是测试了一下目前的翻译接口都已经失效了。为了获得输入和获取结果的一致性，即当前对话框不会被打断关闭而显示另一个对话框，我改了 popup 的样式，并使它能够直接在当前窗口显示结果。

除了对话框以外，侧栏显示翻译也会让人的视线离开当前关注的区域，所以我把划词翻译的结果也以浮动的卡片形式显示在了当前位置，并且和原来一样支持拖动。以下是划词翻译中三个不同模型结果的对比（发音按钮点击无效，功能删了但是还没删按钮）：

当然，用不着的设置项也可以删掉，因为我的需求没有那么丰富（不然就用 trancy了），为了追求极简但好用，所以砍掉了许多原本有的功能，也为后面的修改和维护减轻一点负担。

看起来基本可以正常使用了，但是网页全文翻译依然不行。原项目使用的是谷歌和有道，但是有道已经下线了，谷歌在国内也无法直接访问，看来要支持网页翻译需要改动的还挺多。

中间的过程就不再赘述了，除了新增代码，调试代码之外，还要测试不同的请求频次和字符数，以免触发硅基流动限频的策略。

一开始选中模型进行网页翻译，往往要过十来秒钟页面才会有变化。或许是内容太多了模型处理也要时间吧，于是我设定了分批次提交，最高并发三个，最多重试三次。所以在进行网页翻译的时候可以看到内容是一部分一部分出来的，但是间隔不算大（主要是网页本身的菜单栏花的时间多，正文其实很快）。这样用户能感知到翻译已经开始了，而不是像之前一样等待了十来秒都没反应，于是不断尝试，就更容易触发限频。

从翻译结果来看，不知道为什么千问模型会漏掉几个词语不翻译，也可能是我的代码有问题，相比之下，混元模型翻译得还不错，有些专有名词甚至会加括号解释说明。比如昨天在新华网英文站翻译页面时，发现它会解释“GuoChao”这一个词汇，但是我没找到那篇新闻，只能找另一个，没想到也复现了。

这是更完整的页面翻译。

最后

通过这次改写这个开源项目，我才发现原来微软的机翻 api 也是要钱的，那么多较大的翻译插件都把谷歌和微软翻译免费使用，甚至开放一些 AI 模型翻译免费使用，这样看起来他们真的是在为爱发电了。

而我能轻松改写这个项目，要感谢侧边翻译的开发者们的开源，也要感谢 trae solo 的帮助。考虑到我的 api 限频问题，所以暂时没想过上架应用商店，但是如果愿意体验并且给我提出意见的话，也欢迎下载扩展包尝试一下。

项目地址：hin/Lightrans · CNB

扩展包下载：lightrans_chrome.zip | w4j1e’s drive

#羊毛

▎秒过学生认证，免费领取一年Google Gemini 学生优惠

Google Gemini 目前为美国和其它地区的学生提供长达一年的免费优惠活动，仅需通过SheerID 的学生认证后绑定银行卡验证有效期（不扣款）后，即可成功领取。

目前闲鱼等付费的代过基本使用反向 SheerID 认证算法，通过修改参数获得认证结果，通过几率较大。感兴趣的朋友可以通过下面的免费认证工具进行尝试。

该项目有翻车风险，因此建议使用新账户进行；如果打开1️⃣ 学生认证地址提示不符合条件，说明账户不达标，请修改账号的地区到美国 、或换其他账号。

▎相关链接

1️⃣ 学生认证地址： https://gemini.google/tw/students/?hl=zh-TW

2️⃣点击【验证资格条件】，会跳转到SheerID认证页面。这里不用填写任何信息，复制浏览器的URL地址。

3️⃣ SheerID 认证地址 ： https://batch.1key.me/ （95% 秒过）

返回绑定信用卡预授权通过后即可成功领取。

图文完整教程可以参考网站：https://appdo.xyz/article/gemini

频道 @AppDoDo 官推 APPDOTG

引言

每月一度的绿联云更新时间又到啦！作为熊猫的主力NAS之一，绿联的每月更新进度和功能解析，早就是咱们的“保留节目”了。这次更新，官方可是诚意满满，主要集中在几个呼声极高、用户期待已久的实用新功能上。具体都有哪些？跟着熊猫的步伐，一起来看看这次更新！

文件标签功能

NAS作为存储设备，随着使用时间的推移，存放在NAS中的文件数量也会越来越多，而如何在长时间存储之后尽可能缩短翻找以前的文件就成了一个难题。

现实中人们往往会通过贴便签、标签的形式来进行文件的分类，这种简单明了的方法在Mac OS以及各种知识库和笔记软件中也有，通过标签能直接缩小我们想要查询的文件类型范围，而这次绿联也讲这个功能更新到了文件管理中。

选中想要打标的文件，右键就能进行标签的添加，你可以根据文件的类型以及属性添加到合适的标签中，如果已有的标签不满足你的分类需求，想要更为细致化的分类，也可以新建标签。

文件右键选中之后点击全部标签能看到当前的所有标签，同时也支持添加新的标签，或者直接在标签栏右键来进行标签新建，不过目前标签的颜色选择还是有点少，建议可以出一个调色板让用户自己选择，这样满足用户的细致化分类。

标签添加完成之后在进行文件所有时就能针对标签记性搜索，缩小搜索的范围，从而进一步提高文件搜索的精准度了。

初次之外则是安全和权限方面的升级，首先贡献文件夹的NFS权限管理支持Squash多种映射关系了，这对于多文件夹更方便管理和使用NFS权限，你可以选择将root映射为管理或游客，也可以选择针对所有用户进行映射。

剩下的则是一些细节的优化，例如图片放大查看时增加了鸟瞰图便于观察图片全景；在进行文件以及文件夹的删除时，也终于支持Enter键确认；以及解决了对于长命名的压缩文件解压错误问题等等。

Docker检测与更新

NAS在如今不止是作为存储设备使用，很多时候也是家庭或个人的小型服务器，用Docker部署各种项目来实现扩展性的功能。而绿联的Docker不论是界面UI设计还是镜像和容器的管理以及多端操作上都算得上目前NAS梯队里数一数二的存在。

Docker项目更新迭代频繁，每次新版本带来的功能升级，对不少用户来说都非常有价值。但以往，Docker的更新操作总得依赖第三方工具，过程略显繁琐。而这次，绿联云在新版本中直接发力，将Docker的更新检测和“一键更新”功能，无缝集成到了自家的Docker管理界面中。

新版本中，当部署的项目或容器又更新时，会在置顶显示提示，同时项目或容器旁边也会出现可更新的标识，点击置顶能进行批量更新，点击单一项目则是单独更新，之后会弹出更新提示，需要注意新版本的容器或项目配置是否有变化，如果涉及到了变量或映射变化则需要手动调整，不然可能会导致更新容器启动失败等问题。

同时在管理中也能看到更新检测的功能开关以及按计划更新的定时项目，不过熊猫个人建议检测可以开，但自动更新还是关闭比较好，毕竟版本更新最好是确认好更新内容再去做决定，避免项目大改版导致的数据丢失等问题。

影视、相册再优化

十一月的版本影视和相册都更新了对繁体的支持，影视中心在线字幕增加了繁体选项，而相册也新增了繁体的识别，同时相册还支持使用繁体来进行画面内容的搜索功能。

相册的繁体识别以及文字识别记得更新之后去智能设置去更新模型，不然是无法生效的。

快照预览与复制

快照作为保证用户文件安全的工具，这次也迎来了升级。新版本中快照终于是支持预览了，在快照应用中点击设置了快照的文件夹，随后就可以选择对应的快照进行预览。

在预览界面，不需要再直接整个快照进行恢复，可以选择文件进行下载或复制，解决了单独文件的恢复问题。

漫画应用上线

最后则是本次漫画应用也终于更新上线了，漫画已经来了，那么电子书相信也不远了。

打开漫画应用首先我们需要新建漫画库，名称和漫画文件的路径自行设置，在类型选择上支持章节漫画和单篇漫画，其实就是定义漫画的路径规则，这个根据自身使用习惯来设置就可以了。

PC端目前仅支持漫画库的创建，创建之后将漫画按照对应的路径放进去，随后就可以通过手机端打开了。当系统扫描识别到目录下的漫画之后会自动进行封面刮削获取。

点开漫画章节的排序也是正常的，在阅读漫画时支持双页和单页展示，同时也能在设置中调节阅读方式，例如一些韩漫就非常适合从上往下的阅读方式，可以根据漫画的属性自行调整。

漫画的阅读效果还是蛮不错的，多种阅读模式针对不同种类的漫画也能适应得非常好，作为初版来说体验相当可以了，希望后续持续优化，例如简介、作者的刮削以及PC端的更多功能适配。

写在最后

十一月的更新中新内容还是比较多的，文件标签功能和Docker的更新检测与一键更新对熊猫来说非常有用，而本次更新之后十二月也将引来绿联UGOS Pro今年的最后一版更新，据说规划了蛮多好玩的内容。

最后，在这个各种硬件都在持续飙涨的情况下，绿联NAS的性价比一下就突出了很多，双十二也是今年最后一次大型活动了，如果有需求完全可以考虑下手了，再等又是一年过去了。

以上便是本次分享的全部内容了，如果你觉得还算有趣或者对你有所帮助，不妨点赞收藏，最后也希望能得到你的关注，咱们下期见！

三位一体这个游戏2010年左右，回老家过年，看电视的游戏频道发现的，当时记录在手机上，过了几年发现手机的记事本还有这个游戏。但是过去了快15年，发现已经出到了4代。
这个可以随时换人的游戏，有点像一些格斗游戏小组，随意换人，也有点街机变身忍者的感觉。
这两天装上了测试一下，还不错，有点横版解密动作游戏的感觉，开始熟悉魔法师的技能，意念搬动很多物品，也能召唤来一个魔法箱，搭建卡位什么的都可以用上。途中救了一只山羊，后来山羊也来回报，一头顶倒了大树为魔法老头搭建了独木桥。

第二个角色是盾牌大刀啤酒肚圆滚滚的士兵or骑士，有了武器就有了攻击力，盾牌还是反射阳光的利器，不少地方需要反射阳光触发机关。

第三个角色是，女弓箭手，因为没有字幕，讲的的什么故事和身份也没有听懂，它的常用技能是那个绳索，链接各种机关，配合魔法师的魔法箱。

打了几关感觉不错，不过这种估计故事情节都是次要的，有点机械迷城的感觉。

#互联网观察

▎苹果警告84个国家的用户遭遇间谍软件攻击

苹果公司 于周五向84个国家的用户发出了新一轮网络安全威胁通知,警告他们可能成为国家支持的黑客的目标。这家科技巨头在检测到监控威胁时会定期发送此类警告,但拒绝透露受影响用户的数量或提供有关所谓监控活动的具体细节。

这些通过电子邮件和短信发送的通知告知收件人,苹果"检测到您正成为雇佣间谍软件攻击的目标,该攻击试图远程入侵"他们的设备。该公司强调,此类攻击很可能针对"特定的个人,因为您的身份或您所做的事情"。

据法国国家计算机应急响应小组的消息，这标志着苹果在 2025 年发出的至少第五波威胁通知，此前的警报分别于 3 月 5 日、4 月 29 日、6 月 25 日和 9 月 3 日发布。这次 12 月的通知距一项重大调查曝光受制裁间谍软件公司 Intellexa 的内部运作仅过去两天，该公司的 Predator 软件曾被用于针对人权活动人士和记者。

▎新闻地址

https://www.investing.com/news/stock-market-news/apple-sent-new-round-of-cyber-threat-notifications-to-users-in-84-countries-4393482

频道 @AppDoDo 官推 APPDOTG

#互联网观察

▎Netflix 官宣：将用827 亿美元收购华纳兄弟

Netflix 在今晚宣布：将以约 827 亿美元收购华纳兄弟、HBO 及 HBO Max。在等待交易获批之前，还需华纳兄弟先完成与传统有线业务及 Discovery 资产的拆分。这是首个流媒体收购传统影业的事件。

Netflix 表示，华纳兄弟现有的运营方式和院线发行策略都会保留。不过，这项收购很可能让 HBO Max 不再以独立产品存在。声明指出，随着华纳兄弟的大量影视内容及 HBO 和 HBO Max 节目加入，Netflix 会员将能获得更丰富的高品质片单。

根据外媒 Engadget，这笔交易预计将遭遇多方阻力，包括潜在买家以及监管层。就在前一天，派拉蒙天舞影业表示，如华纳兄弟与 Netflix 达成协议，将是一次“非公平流程”的产物。鉴于派拉蒙新东家与政府之间关系紧密，这桩交易除了面对常规的规模审查，也可能承受额外的政治压力。

▎新闻地址

https://about.netflix.com/en/news/netflix-to-acquire-warner-bros

频道 @AppDoDo 官推 APPDOTG

NAS、键盘、路由器······年轻就要多折腾，我是爱折腾的熊猫，今天又给大家分享最近折腾的内容了，关注是对我最大的支持，阿里嘎多

引言

绿联NAS作为目前熊猫工作文件以及各种素材和壁纸的存储中心，一直承担的就是工作需求多一点，DXP6800 Pro的盘位足够多，同时i5-1235U的处理器兼顾了性能和能耗，既保证了我的各种本地项目的运转，在十多个Docker全开且硬盘不休眠的情况下也能有不错的功耗表现。

在经历过多次更新之后，从最初的“毛坯房”直接进化成了现在的“精装小洋房”，颇有一种万丈高楼平地起的既视感。自家原生应用在稳步推进，应用中心也开始敞开大门，接纳各路第三方大神的优秀项目，生态圈子越扩越大。

随着AI越来越强大，熊猫一直在想能不能直接把NAS中的图片交给AI来托管，不仅仅是做到人物、宠物以及场景等识别，而是来点更深度的视觉解构：把照片的色调、构图、分辨率甚至调色风格都给“扒”得明明白白。然后根据这些分析，自动打标签、写描述、归好类，这才是我想象中“贾维斯”级别的真智能。

项目介绍

前两天看到一款非常厉害的开源项目——PixelPunk，一个功能非常强大的资源管理平台，一款基于AI和向量搜索的智能图像管理，支持多云存储、企业级安全与灵活分享，再加上现代化的UI界面和开放API，不管是做内容平台、媒体库还是搞企业知识管理，用它都非常顺手。

PixelPunk虽说是刚开源的项目，但功能性已经非常强大了，完全已经到了能投入使用的阶段，PixelPunk目前在Github开源，地址为https://github.com/CooperJiang/PixelPunk，同时你也可以去官方查看他的官方文档：https://pixelpunk.cc/。

项目部署

众所周知，绿联的DXP6800和DXP8800系列都预留了PCIe插槽，这就给硬件扩展留足了后路。而视觉识别和向量模型这两使用在线多少会涉及隐私问题，虽然熊猫觉得也没谁会闲得无聊专门来追踪你的数据，但既然咱手里有条件本地部署，那干嘛还要把数据往外送？直接上本地大模型，既能享受AI的便利，又能把隐私攥在自己手里，这才是成年人的“全都要”。

当然，如果你手里有雷电显卡扩展坞，那么其实用DXP4800系列以及全闪480T其实也能外接显卡来调用本地大模型，目前绿联的DXP4800系列、DXP6800系列、DXP8800系列以及全闪NAS480T都带有雷电扩展口。

PixelPunk的部署并不难，项目涉及到了主程序、MySQL数据库、向量库以及Redis缓存，通过compose我们可以一键配置好对应的项目变量。打开绿联Docker中的项目，选择创建新项目。

复制粘贴以下代码，其中涉及到的环境变量、端口以及映射文件夹需要你根据自身的NAS环境去更改，避免端口冲突等问题。

version: '3.8'

services:
  # PixelPunk 主应用
  pixelpunk:
    image: snine98/pixelpunk:latest
    container_name: pixelpunk
    ports:
      - "9555:9520"
    volumes:
      - ./data:/app/data
      - ./logs:/app/logs
      - ./uploads:/app/uploads
    environment:
      - TZ=Asia/Shanghai
      - DEPLOY_MODE=compose
      - CONFIG_PRESET=true
      - APP_PORT=9520
    depends_on:
      mysql:
        condition: service_healthy
      qdrant:
        condition: service_started
      redis:
        condition: service_started
    restart: unless-stopped
    networks:
      - pixelpunk-network

  # MySQL 数据库
  mysql:
    image: mysql:8.0
    container_name: pixelpunk-mysql
    environment:
      MYSQL_ROOT_PASSWORD: root_password_change_me
      MYSQL_DATABASE: pixelpunk
      MYSQL_USER: pixelpunk
      MYSQL_PASSWORD: pixelpunk_pass
      TZ: Asia/Shanghai
    volumes:
      - ./data/mysql:/var/lib/mysql
    command: >
      --character-set-server=utf8mb4
      --collation-server=utf8mb4_unicode_ci
      --default-authentication-plugin=mysql_native_password
    restart: unless-stopped
    networks:
      - pixelpunk-network

  # Qdrant 向量数据库
  qdrant:
    image: qdrant/qdrant:latest
    container_name: pixelpunk-qdrant
    volumes:
      - ./data/qdrant:/qdrant/storage
    environment:
      - TZ=Asia/Shanghai
    restart: unless-stopped
    networks:
      - pixelpunk-network 

  # Redis 缓存（可选）
  redis:
    image: redis:7-alpine
    container_name: pixelpunk-redis
    volumes:
      - ./data/redis:/data
    environment:
      - TZ=Asia/Shanghai
    command: redis-server --appendonly yes
    restart: unless-stopped
    networks:
      - pixelpunk-network

# 网络配置
networks:
  pixelpunk-network:
    driver: bridge

代码复制之后如果提示格式错误，那么可以将代码交给AI让其纠正格式，可能涉及平台修改了缩进等原因。存放路径新建文件夹pixelpunk进行存放，方便后续对文件进行管理。

确定所有内容无误之后点击立即部署，NAS会拉取镜像并启动容器，这时候在项目管理中能看到主程序以及附属程序都已经运行成功。

最后通过绿联的远程访问或者浏览器本地输入NASIP与主程序端口号就能访问项目了，首次访问会提示注册账号，首次注册的账号即为超级管理员。

项目使用

登录后台之后首先看到的是仪表盘，仪表盘会展示用户统计、文件统计、存储统计以及分享统计，同时下方会有上传趋势甚至AI服务和标签统计，能宏观看到整个项目中图片的打标进度和标签数等等。

首先说说该项目的AI智能化程度，这也是熊猫墙裂推荐的原因之一。

首先要使用AI进行打标、分类以及识别，我们要现在后台智能管理中去设置对应的模型以及API，其中智能配置需要用到多模态模型，而向量配置则是向量模型，这一点不能搞错了，模型支持自定义对接地址，如果是用的第三方非官方，并发数量切记不要开太高。

设置好模型之后，来到首页选择上传图片。再上传功能上，项目可选择对上传的图片进行水印添加和自动压缩，以体积更小质量降低不明显的文件。

图片上传之后回到后台，点击打标管理，这时候能看到未打标、进行中、已完成以及失败和忽略几个状态，新上传的会自动进行打标处理，如果模型配置正确，会在已完成中显示。

来到文件管理中，找到刚刚打标的图片，点击详情就能看到视觉分析后图片的所有信息了。信息包括AI生成的标签、描述、色调、尺寸、宽高比、分辨率以及构图和敏感度评分，识别的精准度和模型有关。

打标完成的图片会再次进入向量管理中，通过对标签、描述以及其他信息进行分析来建立向量数据库。项目支持对向量库的重建以及核对补齐。

建立好向量库之后就能在文件管理中进行自然语言的搜索了，例如这里我想要找到所有文件中的卡比壁纸直接搜索即可，项目也会显示搜索内容的相似度来供你参考，不过这个参考值还是取的比较低，当然这个和向量库的维度也有关。

在标签管理中也可以直接看到你所生成的所有标签，非常之多！！！不得不说AI还是比人工手动打标快多了，且如果模型不错，标签的精准度还是非常高的。

pixelpunk的数据除了能使用本地存储，也支持阿里云OSS、腾讯云COS、七牛云、又拍云、雨云以及WebDAV和S3存储等等，同时支持对存储的路径、权限等进行控制管理，方案非常不错。

pixelpunk也支持多用户管理，用户通过个人仪表盘可以对接项目的API用于图床、随机壁纸等等，同时也支持防盗链设置，UI也拥有多种的主题、布局与风格供用户修改，不管是对于后端的管理还是前端的用户，pixelpunk都做到了尽可能塞进足够多的功能。

写在最后

pixelpunk算是今年熊猫觉得最出色的项目之一了，项目的功能非常丰富，技术栈多达30个，总代码数量甚至来到了27万行，这对于一个图库项目来说算是非常庞大了。

整体体验下来感觉非常不错，不过目前最大的问题就是视觉模型如果用在线的API，那么对于Token的消耗非常之大，熊猫实测400张图片消耗Toekn数量达到了300多万的级别，平均单张图片都在上万的Toekn消耗。

如果手头有不错的显卡，个人建议还是搭配绿联的雷电或PCie接口使用本地模型进行计算，速度上可能会比在线模型慢很多，但不需要考虑Toekn的消耗，同时对于隐私保护也会更好。双十二期间绿联目前也有非常大的优惠力度，目前熊猫同款绿联DXP 6800Pro到手价5000出头，如果预算不够，那么DXP4800 Pro目前只需要2000多，性价比非常高了。

以上便是本次分享的全部内容了，如果你觉得还算有趣或者对你有所帮助，不妨点赞收藏，最后也希望能得到你的关注，咱们下期见！