咕咕鸽爱学习

登录

推荐文章

推荐

拼团设计模式

项目

1年前
0 13 0
推荐

拼团交易系统

项目

1年前
0 44 1
推荐

Smile云图库

项目

1年前
0 68 0

热门文章

157 ℃

同步本地Markdown至Typecho站点

项目

1年前
0 157 0
48 ℃

微服务

后端学习

1年前
0 48 0
48 ℃

动态图神经网络

论文

1年前
0 48 0

最新发布

2026-04-29
claude_code_快速上手 Claude Code 快速上手指南是什么 Claude Code 是 Anthropic 官方的命令行 AI 编程助手。直接在终端里和它对话，让它帮你写代码、改 bug、重构、查代码库。 # 安装 & 启动 npm install -g @anthropic-ai/claude-code claude 基本用法直接输入自然语言就行，比如： > 帮我看看这个项目的目录结构 > 修复 utils.py 里的那个 bug > 给 login 接口加参数校验它有权限控制，执行危险操作（删文件、推送代码）前会问你确认。常用斜杠命令命令以 / 开头，随时可输入：命令作用 /help 查看所有可用命令 /status 查看版本、模型、登录状态 /clear 清空对话，重新开始 /compact 压缩对话上下文，释放空间（对话太长时用） /cost 查看本次会话花了多少钱 /model 切换模型（Opus / Sonnet / Haiku） /init 在当前项目生成 CLAUDE.md 配置文件 /memory 编辑 CLAUDE.md，给项目添加持久记忆 /config 设置主题、输出格式等偏好 /permissions 管理工具权限规则 /diff 查看当前未提交的改动 /review 审查 PR /doctor 诊断安装是否正常 /resume 恢复之前的对话快捷键快捷键作用 Esc 中断当前生成 Ctrl+C 取消当前输入 Ctrl+D 退出 Claude Code Tab 自动补全 ↑ / ↓ 浏览历史输入 Shift+Tab 切换权限模式 Ctrl+G 用外部编辑器写 prompt（写长需求时好用） Skills（技能） Skills 是可扩展的自定义命令，本质上是放在特定目录下的 SKILL.md 文件。Claude Code 自带了一些内置 skill（如 /review、/simplify），你也可以安装社区或自己写。查看 & 使用 /skills — 列出当前所有可用 skills 直接输入 /<skill名称> 即可调用，比如 /review 某些 skill 会根据对话上下文自动触发，无需手动输入安装 Skills 的三种方式方式一：GitHub 下载，手动粘贴从 GitHub 上把 skill 文件夹下载下来，直接复制到 skills 目录即可： # 全局安装（所有项目可用） cp -r 下载的skill文件夹 ~/.claude/skills/ # 项目级安装（仅当前项目，可 Git 提交共享给团队） cp -r 下载的skill文件夹 .claude/skills/ 方式二：npx skills 命令行安装（社区生态）社区维护的命令行工具，一条命令搞定安装和管理： # 安装社区 skill npx skills add vercel/frontend-design # 从 GitHub 仓库中安装特定 skill npx skills add anthropics/skills --skill document-skills # 静默安装（跳过交互确认） npx skills add <仓库> --skill <名称> -g -y # 管理已安装的 skills npx skills list # 查看已安装 npx skills update # 更新 npx skills remove <名> # 删除 -g 表示安装到全局（所有项目可用），不加则仅当前项目。安装时会提示选择 AI 工具（选中 Claude Code 即可）。技能市场：skills.sh — 5 万+ 可复用技能方式三：自己手写每个 skill 就是一个文件夹，核心是里面的 SKILL.md 文件： ~/.claude/skills/my-skill/ ├── SKILL.md # 必需：技能定义 ├── scripts/ # 可选：辅助脚本 └── resources/ # 可选：资源文件 SKILL.md 格式示例： --- name: my-skill description: 一句话描述，用于 Claude 自动匹配触发 --- ## 使用步骤 1. 第一步做什么 2. 第二步做什么写好放到 ~/.claude/skills/（全局）或 .claude/skills/（仅当前项目），重启 Claude Code 即可使用。注意事项项目级 > 全局级：同名 skill，项目级优先 Skills 是"教模型怎么做事"（行为规范），MCP 是"给模型工具"（能力供给），两者不同但互补从非可信来源安装前，建议看一眼 SKILL.md 内容，确认没有恶意指令几个核心概念（一句话版） CLAUDE.md — 项目级配置文件，告诉 Claude 这个项目的约定和规则，类似 .cursorrules Memory — 自动记忆你的偏好和项目上下文，下次对话也能用 Hooks — 在特定事件（工具调用前后）自动执行的脚本 MCP Servers — 连接外部工具（数据库、API 等）的协议，扩展 Claude 的能力 settings.json — 权限、环境变量等底层配置新手建议不知道问什么就 /help，上面列了所有命令对话太长时 /compact，不然会变慢变贵项目根目录跑一下 /init，生成 CLAUDE.md 后 Claude 会更懂你的项目写长需求用 Ctrl+G，打开编辑器慢慢写比在终端里敲舒服大胆用自然语言描述，不需要写得很精确，它理解能力很强 @文件名可以在 prompt 里直接引用文件，比如 @src/main.py 帮我重构这个文件

杂项

zy123 7小时前
0 0 0
2026-04-29
agent-browser - AI 专用浏览器自动化工具 title: agent-browser - AI 专用浏览器自动化工具 date: 2026-01-24 tags: 技术学习浏览器自动化 Vercel Rust AI工具 Agent status: learning source: 归档/Clippings/完爆 Playwright？Vercel 开源 agent-browser，Context 节省 93%.md github: https://github.com/vercel-labs/agent-browser author: Chris Tate (Vercel Labs) agent-browser - AI 专用浏览器自动化工具 Vercel Labs 开源的浏览器自动化 CLI，专为 AI Agent 设计。核心思路是返回可访问性树（Accessibility Tree）代替完整 HTML，大幅降低 Token 消耗。核心优势节省 93% Context：相比 Playwright MCP 语义化交互：返回可访问性树而非 HTML，AI 更好理解 Ref 引用系统：自动为元素打标签（@e1、@e2），AI 可直接引用 Rust CLI + Node 守护进程：首次启动 ~2s，后续命令 <100ms 核心工作流 # 1. 打开网页 agent-browser open example.com # 2. 获取 Snapshot（可访问性树 + 引用） agent-browser snapshot -i # - heading "Welcome" [ref=e1] # - button "Sign In" [ref=e4] # 3. 用 Ref 操作（不需要 CSS 选择器） agent-browser fill @e2 "user@example.com" agent-browser click @e4 安装 npm install -g agent-browser agent-browser install # 下载 Chromium 与 Claude Code 集成已安装到 ~/.claude/skills/agent-browser/，Claude 会自动在需要的场景加载。也可手动调用使用。对比特性 agent-browser Playwright MCP 输出可访问性树（~7% Tokens）完整 HTML（100%）选择器 Ref + 语义 + CSS CSS/Text/XPath 性能 Rust CLI + Node 守护进程纯 Node AI 友好度 ⭐⭐⭐⭐⭐ ⭐⭐⭐ 原理传统方式：返回完整 HTML（几千行）→ AI 自行解析 DOM agent-browser：返回可访问性树 → "这里有个按钮叫 Submit" AI 不需要在装饰性 HTML 中找关键信息，语义化输出让 Context 更聚焦。场景 AI Agent 控制浏览器表单自动填写 / 数据抓取 / 自动化测试 Electron 桌面应用自动化（VS Code、Slack 等）学习总结核心理念：不给 AI 看代码，给 AI 看"语义"。93% 的 Context 节省来自这个思路转变。适用：AI Agent 场景强烈推荐；传统自动化测试 Playwright 生态更成熟，按需选择。相关资源 GitHub：https://github.com/vercel-labs/agent-browser 本地 Skill 位置：~/.claude/skills/agent-browser/

杂项

zy123 7小时前
0 0 0
2026-04-29
planning-with-files - 复刻 Manus 上下文工程的开源插件 title: planning-with-files - 复刻 Manus 上下文工程的开源插件 date: 2026-02-02 tags: 技术学习 Agent Claude-Code 上下文工程 Manus 开源项目 status: learning source: 归档/Clippings/暴涨11.7k Star！复刻Manus上下文工程的开源Skills，Claude code等多个平台即插即用.md github: https://github.com/OthmanAdi/planning-with-files planning-with-files - 复刻 Manus 上下文工程的开源插件开源插件，复刻了 Manus 的上下文工程方法论——用磁盘文件代替上下文窗口做"工作记忆"，解决 AI 智能体失忆、迷航、重复犯错三大痛点。GitHub 11.7k+ Stars。核心思想任何重要信息都应写入磁盘，而非依赖易失且有限的上下文窗口。 LLM 上下文窗口 = 内存（易失、有限）磁盘文件 = 硬盘（持久、无限）三文件架构文件作用更新时机 task_plan.md 阶段划分、进度状态、错误记录每个阶段完成后 findings.md 调研结果、关键发现查看/搜索/浏览操作后 progress.md 会话日志、测试结果整个过程中持续记录六大原则先计划后执行：复杂任务必须先有 task_plan.md 及时写入发现：每 2 次查看/搜索/浏览后，立即写入 findings.md 决策前回顾目标：关键决策前重新读取 task_plan.md 阶段完成必更新：标记完成状态、记录错误和修改的文件记录所有错误：持久化错误日志，避免重复踩坑绝不重复失败：同一操作失败后换方案，记录尝试历史安装已通过 ~/.claude/skills/planning-with-files/ 安装。包含中文 SKILL.md、辅助脚本和模板文件。也可在 Claude Code 内通过命令安装： /plugin marketplace add OthmanAdi/planning-with-files /plugin install planning-with-files@planning-with-files 使用场景多步骤任务（3 步以上）研究型任务（信息收集、分析、整理）涉及大量工具调用的复杂工作流研究或开发，需要断点续做的场景学习总结 Manus 的方法论本质是用工程约束弥补模型缺陷——不追求让 AI 更聪明，而是让它更可靠地执行流程。三个文件看似简单，但 hooks 机制在每次工具调用前后自动读/写计划文件，形成了"读→做→写→审"的执行闭环，这是真正有效的关键。参考资源 GitHub：https://github.com/OthmanAdi/planning-with-files 本地 Skill 位置：~/.claude/skills/planning-with-files/

杂项

zy123 7小时前
0 0 0
2026-04-11
证明 ... 当且仅当权值服从均匀分布时，$\eta$ 取得理论最大值： $$\eta_{\max} = \frac{1}{2(K-1)}. \] **上述分析确立了重构算法的理论性能上界。** 然而，物理网络显著的低幅值密集特性使得其实际容限 $\eta(\mathcal{C}_{\text{phy}}) \ll \eta_{\max}$。这一**“容限鸿沟（Tolerance Gap）”**揭示了线性策略在长尾分布下的失效机制，并直接导出了本文的核心思路：利用非线性 $\mu$ 律变换将物理空间的密集分布映射为变换域内的类均匀分布，从而逼近理论最优容限。$$

科研

zy123 4月11日
0 3 0
2026-04-11
PCA降维 PCA 1. 核心目的以少胜多：用最少的维度（特征），保留原始数据中最重要的信息。 2. 核心假设（PCA 的世界观）方差 = 信息：PCA 认为，数据变化越大（方差越大）的方向，包含的信息越多；反之，如果数据在某个方向上一动不动，那个方向就是无用的（或噪声）。数据挤在一起 = 没有信息：如果全班同学的数学成绩都是 90 分（数据不分散），那“数学成绩”这个特征就没法用来区分好学生和差学生，它就是无用的。数据分散 = 信息丰富：如果成绩从 30 分到 100 分都有（数据很分散），这个特征就非常有价值。线性关系：PCA 假设数据的主要特征是可以通过线性的坐标旋转找到的。 3. 运作逻辑（三步走）换视角（坐标变换）：不再沿用原来的 x, y, z 轴，而是重新建立一套坐标系。找主次（最大方差）：第一主成分 (PC1)：找到数据拉得最长、波动最大的方向。第二主成分 (PC2)：在与 PC1 垂直（正交）的方向中，找波动最大的。（以此类推，保证新特征之间互不干扰/无相关性）做减法（投影截断）：保留排在前面的几个主成分（比如前 2 个），把后面那些波动很小的主成分直接丢弃。示例学生数学 (x) 物理 (y) 特点 A 2 3 学渣 B 3 4 也是学渣 C 5 5 普通人 D 8 7 学霸 E 9 8 超级学霸第一步：中心化 (移到原点) PCA 不喜欢处理偏离原点的数据。我们算出平均分（数学 5.4，物理 5.4），然后把所有人的分数减去平均分。目的：让数据的中心变成 $(0,0)$，方便旋转坐标轴。效果：C 同学变成了 $( -0.4, -0.4)$，接近原点。学生新数学 (x′) 新物理 (y′) 含义解读 A -3.4 -2.4 比平均分低很多 (都在第三象限) B -2.4 -1.4 比平均分低一些 C -0.4 -0.4 非常接近原点 (0,0)，代表普通人 D 2.6 1.6 比平均分高一些 E 3.6 2.6 比平均分高很多 (都在第一象限) 第二步：找主成分 (寻找新坐标轴) 现在把这 5 个点画在图上。你会发现这些点并不是乱跑的，而是沿着一条斜线（左下到右上）排列。因为数学和物理在这个例子里同等重要，且变化幅度相似，PCA 算出的方向向量大约是：数学的权重 ($w_1$)：0.71 物理的权重 ($w_2$)：0.71 注：这两个数在数学上叫“特征向量”，且 $0.71^2 + 0.71^2 \approx 1$（单位向量）。 PCA 会自动找到两条新的坐标轴： PC1（第一主成分）：沿着数据分布最长的那条斜线。 $$PC1得分 = (\text{中心化数学} \times 0.71) + (\text{中心化物理} \times 0.71)$$ 含义：这代表了“理科综合能力”。（分数高的一起高，低的描述一起低）。方差：数据在这个方向上拉得很开（方差大），保留了 95% 的信息。 PC2（第二主成分）：垂直于 PC1 的方向。含义：这代表了“偏科程度”（比如数学比物理好多少）。方差：数据在这个方向上波动很小（大家数学物理差值都不大），只占 5% 的信息。第三步：投影与降维 (做减法) 现在我们决定从 2 维降到 1 维。因为 PC1 包含了 95% 的信息，而 PC2 只有 5%（可能是因为那天考试状态的小波动），我们决定保留 PC1，扔掉 PC2。我们将所有点垂直投影到 PC1 这条线上。第四步：得到新数据（1维）现在的学生数据不再是 $(x, y)$ 两个数了，而是一个新的数值 $z$（他们在 PC1 轴上的坐标）。学生中心化数学 (x′) 中心化物理 (y′) 计算过程 (投影) 新数值 (z) 状态 A -3.4 -2.4 $(-3.4 \times 0.71) + (-2.4 \times 0.71)$ -4.12 低 B -2.4 -1.4 $(-2.4 \times 0.71) + (-1.4 \times 0.71)$ -2.70 低 C -0.4 -0.4 $(-0.4 \times 0.71) + (-0.4 \times 0.71)$ -0.57 中 D +2.6 +1.6 $(+2.6 \times 0.71) + (+1.6 \times 0.71)$ +2.98 高 E +3.6 +2.6 $(+3.6 \times 0.71) + (+2.6 \times 0.71)$ +4.40 极高 **为什么可以这样？**只要两个特征之间有很强的关系，PCA 就可以把它们合并成一个维度。

科研

zy123 4月11日
0 3 0