@clawhub-smseow001-3aec381dd2
提供混沌理论核心知识,解释非线性敏感初值导致短期可测、长期不可测及混沌与随机的区别。
# 混沌理论指南
> 确定性规律 × 敏感性混沌 × 不可测量子 = 真实世界的运行逻辑
---
## 一、核心定位
本技能整合混沌理论的完整知识体系,解答:
| 问题 | 答案 |
|------|------|
| 为什么长期预测不可能? | 初值敏感性 + 非线性放大 |
| 混沌与随机的区别? | 混沌有规则,随机无结构 |
| 真实世界的运行逻辑? | 确定规律 + 敏感混沌 + 不可测量子 |
---
## 二、混沌理论核心三要素
### 2.1 三大核心规则
```
1. 确定不变 → 规则是严格的科学定律
2. 初值极度敏感 → 微小差异被指数级放大(蝴蝶效应)
3. 乱中自有秩序 → 表观混沌下隐藏稳定底层结构
```
### 2.2 数学表达:logistic map
$$x_{n+1} = r \cdot x_n \cdot (1 - x_n)$$
| 参数 | 含义 |
|------|------|
| $r$ | 增长系数 |
| $x_n$ | 第 $n$ 步状态值 |
| $x_{n+1}$ | 第 $n+1$ 步状态值 |
**混沌区间**:当 $r \in [3.57, 4]$ 时,系统进入混沌状态。
### 2.3 初值敏感实验
```python
# 初始值仅差 0.0000001
x0 = 0.1
y0 = 0.10000001
for n in range(20):
x1 = 3.7 * x0 * (1 - x0)
y1 = 3.7 * y0 * (1 - y0)
print(f"n={n}: x={x1:.15f}, y={y1:.15f}, diff={abs(x1-y1):.2e}")
x0, y0 = x1, y1
# 输出:
# n=0: diff=1.00e-07
# n=5: diff=1.23e-05
# n=10: diff=7.25e-03
# n=15: diff=2.17e-01
# n=20: diff=9.99e-01 ← 完全无关
```
---
## 三、混沌 vs 随机
### 3.1 核心区别
| 维度 | 混沌系统 | 纯粹随机 |
|------|---------|---------|
| **规则** | ✅ 每一步严格遵循科学定律 | ❌ 无规律、无固定结构 |
| **底层结构** | ✅ 隐藏的稳定秩序(如Sierpinski三角形)| ❌ 无线性结构 |
| **可预测性** | ⚠️ 短期可测,长期不可测 | ❌ 完全不可预测 |
| **数学描述** | 非线性微分/差分方程 | 概率分布 |
| **初始值敏感** | ✅ 是 | ❌ 否 |
### 3.2 混沌的隐藏秩序:Sierpinski 三角形
```
混沌游戏中随机点位分布 → 最终汇聚成规整分形
↓
表观混沌 → 隐藏秩序
```
**分形维度**:
$$\dim_H(\text{Sierpinski}) = \dfrac{\log 3}{\log 2} \approx 1.585$$
---
## 四、两类系统对比
| 系统类型 | 特征 | 预测能力 | 例子 |
|---------|------|---------|------|
| **线性系统** | 变量单一、干扰微弱 | ✅ 长期精准 | 行星轨道、简谐运动 |
| **非线性系统** | 多变量、非线性反馈 | ❌ 仅短期可测 | 天气、人生、股市 |
### 4.1 线性 vs 非线性
```
线性系统:
y = kx → 可加性 → 可预测性强
非线性系统:
y = kx(1-x) → 反馈项 → 初值敏感 → 混沌
```
### 4.2 真实世界的双重约束
```
┌────────────────────────────────────┐
│ 复杂非线性系统受到: │
│ │
│ ① 混沌放大效应 │
│ → 初值误差指数级放大 │
│ │
│ ② 量子不确定性 │
│ → 微观层面的物理极限 │
│ │
│ → 永远无法长期精准锁定 │
└────────────────────────────────────┘
```
---
## 五、现实系统应用
### 5.1 自然界混沌系统
| 系统 | 混沌机制 | 应用 |
|------|---------|------|
| **鸟群飞行** | 局部规则 → 群体涌现行为 | 无人机编队 |
| **森林生态** | 物种相互制约 → 种群涨落 | 生态保护模型 |
| **气候系统** | 大气非线性反馈 → 天气混沌 | 气象预报(10天极限)|
| **湍流** | Navier-Stokes 非线性 → 混沌流动 | 航空设计 |
### 5.2 社会混沌系统
| 系统 | 混沌机制 | 应用 |
|------|---------|------|
| **人际关系** | 情感反馈非线性 → 关系演化 | 社交网络分析 |
| **事业发展** | 机遇/能力非线性叠加 → 职业轨迹 | 职业规划模型 |
| **股市** | 多因素反馈 → 价格混沌 | 量化投资风险管理 |
| **城市发展** | 交通/经济/人口非线性耦合 | 城市规划 |
### 5.3 人生作为混沌系统
```
微小变量(读一本书、认识一个人、做一个小决定)
↓
时间叠加 + 反馈循环
↓
彻底改写人生轨迹
```
**结论**:无法预测人生,但可以"塑造概率"。
---
## 六、三大世界运行逻辑
```
┌────────────────────────────────────────────────┐
│ 真实世界运行逻辑 │
├────────────────────────────────────────────────┤
│ │
│ 确定规律 ───→ 物理定律、化学定律、数学规则 │
│ ↕ │
│ 敏感混沌 ───→ 非线性系统、初值放大、蝴蝶效应 │
│ ↕ │
│ 不可测量子 ─→ 海森堡不确定性原理、测量极限 │
│ │
└────────────────────────────────────────────────┘
```
| 世界类型 | 代表 | 可预测性 |
|---------|------|---------|
| **确定规律** | 牛顿力学、行星轨道 | 长期精准 |
| **敏感混沌** | 天气、股市、人生 | 仅短期可测 |
| **不可测量子** | 电子位置、量子态 | 本质不可测 |
---
## 七、数学工具箱
### 7.1 混沌判定工具
| 工具 | 用途 |
|------|------|
| **李雅普诺夫指数** $\lambda$ | $\lambda > 0$ → 混沌 |
| **分形维度** $D$ | 混沌吸引子维度量化 |
| **庞加莱截面** | 可视化相空间结构 |
| **Feigenbaum常数** $\delta$ | $\delta \approx 4.669$ 普适常数 |
### 7.2 关键常数
| 常数 | 值 | 意义 |
|------|------|------|
| **Feigenbaum $\delta$** | $4.6692...$ | 从周期到混沌的普适比率 |
| **Lyapunov $\lambda$** | $>0$ 混沌 | 指数级发散率 |
### 7.3 经典混沌系统
| 系统 | 方程 | 特征 |
|------|------|------|
| **Logistic Map** | $x_{n+1} = rx_n(1-x_n)$ | 通往混沌的经典模型 |
| **Lorenz系统** | $\dot{x} = \sigma(y-x), \dot{y} = rx - y - xz, \dot{z} = xy - bz$ | 混沌吸引子 |
| **Rossler系统** | 非线性化学动力学 | 混沌化学振荡 |
| **Chua电路** | 电子电路混沌 | 工程应用最广 |
---
## 八、与已有技能的关联
| 本技能 | 关联技能 | 关系 |
|--------|---------|------|
| 混沌理论 | `math-theory-notes` | 拓扑流形、泛函分析工具 |
| 混沌理论 | `thinking-knowledge-system` | 思考四层次(分析复杂系统)|
| 混沌理论 | `knowledge-system-guide` | 知识体系构建(非线性知识网络)|
| 混沌理论 | `mckinsey-frameworks` | 战略规划(复杂系统管理)|
| 混沌理论 | `investor-reading-list` | 投资不确定性(塔勒布随机性)|
---
## 九、使用方式
### 触发场景
```
用户说「什么是混沌理论」→ 展示核心三要素
用户说「混沌和随机有什么区别」→ 混沌 vs 随机对比
用户说「为什么天气不能长期预测」→ 双重约束(混沌 + 量子)
用户说「人生是混沌系统吗」→ 人生混沌分析
用户说「有哪些混沌系统的例子」→ 自然/社会混沌系统
用户说「混沌理论有什么用」→ 数学工具 + 投资/管理应用
```
### 组合使用
```
用户:「我想用混沌理论理解股市」
→ 混沌系统特征 → 短期可预测/长期不可测
→ Lyapunov指数 → 风险量化
→ 杠杆铃策略(塔勒布)→ 风险管理
→ 建议:不做长期预测,做概率管理
```
---
## 十、深度思考问题
| 问题 | 思考方向 |
|------|---------|
| 为什么神经网络训练也是混沌系统? | 梯度下降的非线性反馈 |
| 为什么长期经济预测注定失败? | 经济系统的混沌特性 |
| 如何在混沌世界中做出好的决策? | 概率塑造 vs 精准预测 |
| 混沌与复杂性理论的关系? | 同为非线性科学分支 |
---
*本技能整合混沌理论核心概念、现实应用与哲学意义*
整合多智能体协作与接口标准化,实现科研数据快速获取、论文复现、审稿回复及报告自动生成,提升AI辅助学术效率。
# AI 科研工具全景指南
> 论文复现 · 自主研究 · 审稿提效 · 多智能体协作
---
## 一、核心定位
本技能整合 AI 科研工具完整生态,覆盖:
- 数据获取提速 · 论文复现实战 · 审稿回复提效 · 多智能体系统 · 聚合平台
⚡ **核心理念**:AI 是科研效率放大器,承担耗时基础工作,研究者保留核心判断。
---
## 二、数据获取提速
### 2.1 MCP 接口方案
| 项目 | 详情 |
|------|------|
| **核心能力** | 对接国内外多类学术、政府数据源 |
| **效率提升** | 找数据:1个月 → 1次 MCP 操作 |
| **代表工具** | MCP 协议(Model Context Protocol)|
**MCP 优势**:
- 标准化接口,一次配置多源调用
- 支持中文环境(人大 DeepAnalyze)
- 实时更新数据源
### 2.2 人大 DeepAnalyze
| 项目 | 详情 |
|------|------|
| **出品** | 中国人民大学 |
| **核心能力** | 自主完成:找数据 → 跑分析 → 写报告 |
| **适用环境** | 中文环境(国内数据/政策研究)|
**典型流程**:
```
用户输入研究问题 → DeepAnalyze 自动找数据
→ 跑统计分析 → 生成完整报告 → 输出结论
```
---
## 三、论文复现实战
### 3.1 Stata Skill 复现方案
| 项目 | 详情 |
|------|------|
| **速度** | 10 分钟复现 AER 顶刊论文 |
| **方法** | Stata 代码 → Python 转译 |
| **验证结果** | 核心系数、标准误、显著性水平全部匹配 ✅ |
**技术细节**:
- 保留原始 Stata 逻辑
- Python 语法等价转换
- 自动对标显著性阈值
### 3.2 三大自主研究系统
#### 🧪 Agent Laboratory
| 项目 | 详情 |
|------|------|
| **Star** | 5500+ ⭐ |
| **效果** | 降低研究成本 **84%** |
| **定位** | 端到端研究助手 |
#### 🧪 AI-Scientist-v2
| 项目 | 详情 |
|------|------|
| **突破** | 首篇 AI 撰写且通过同行评审的论文 ✅ |
| **意义** | AI 科研产出获学术界认可 |
#### 🧪 ARIS
| 项目 | 详情 |
|------|------|
| **能力** | 隔夜完成自主研究 |
| **适用** | 紧急研究任务 / 快速文献综述 |
---
## 四、审稿回复提效
### 4.1 三大提效工具
#### 📝 review-response
| 功能 | 说明 |
|------|------|
| **自动分类** | 智能识别审稿意见类型 |
| **起草回复** | 按类别生成回复草稿 |
| **效率提升** | 审稿周期 6-8 个月 → **2 周** |
#### 📝 ai-research-feedback
| 功能 | 说明 |
|------|------|
| **AI 审稿模拟** | 6 个 AI 代理模拟顶刊审稿流程 |
| **覆盖维度** | 方法论 / 数据 / 创新性 / 写作 |
#### 📝 paper-slide-deck
| 功能 | 说明 |
|------|------|
| **一键转 PPT** | 论文内容自动生成演示文稿 |
| **适用场景** | 会议报告 / 答辩 / 组会分享 |
### 4.2 审稿回复周期对比
```
传统方式:6-8 个月
↓
AI 辅助:2 周
效率提升:10-20x
```
---
## 五、多智能体系统
### 5.1 角色分离分工模式
#### CoPaper.AI
```
Supervisor(统筹)
├── 选题代理
├── 分析代理
├── 写作代理
└── 审核代理
```
**优势**:各司其职,减少 AI "幻觉",提高整体质量
#### 港大 AI-Researcher
| 能力 | 说明 |
|------|------|
| **端到端** | 从文献 → 论文全流程 |
| **适用** | 英文论文 / 国际期刊 |
#### 人大 DeepAnalyze
| 能力 | 说明 |
|------|------|
| **中文环境** | 国内数据/政策研究 |
| **自主实证** | 自动建模 + 分析 + 报告 |
### 5.2 多智能体架构优势
| 传统方式 | 多智能体协作 |
|---------|-------------|
| 单 AI 输出,质量不稳定 | 角色分工,互相校验 |
| 人工协调多个工具 | Supervisor 自动调度 |
| 容易出现 AI 幻觉 | 审核代理降低错误率 |
---
## 六、聚合生态平台
### 6.1 三大平台对比
| 平台 | Skills 数量 | Star 数 | 特色 |
|------|------------|---------|------|
| **ClawHub** | 13,729+ | - | OpenClaw 官方生态 |
| **VoltAgent** | 5,400+ | 44,791 ⭐ | 多智能体框架 |
| **antigravity** | 1,340+ | 30,578 ⭐ | 轻量级聚合 |
### 6.2 配套资源
| 资源 | 说明 |
|------|------|
| 官方指南 | 快速上手教程 |
| 学术讲座 | 视频教学 |
| 因果推断入门教材 | 方法论基础 |
---
## 七、AI vs 人类分工
### 7.1 AI 承担的工作
| 类型 | 占比 | AI 能力 |
|------|------|--------|
| **数据查找** | 80% | MCP 接口自动抓取 |
| **代码转译** | 90% | Stata → Python |
| **文献整理** | 70% | 自动摘要 + 分类 |
| **统计分析** | 75% | 自动化建模 |
| **审稿分类** | 80% | NLP 智能分类 |
| **PPT 生成** | 85% | 一键转换 |
### 7.2 人类保留的工作
| 工作 | 原因 |
|------|------|
| **研究问题定义** | 需要领域直觉和创造力 |
| **结论解读** | 需要判断实际意义 |
| **学术贡献定性** | 需要主观评估创新性 |
| **同行评审** | 人类信用背书 |
---
## 八、使用场景速查
| 场景 | 推荐工具 |
|------|---------|
| 复现 AER 顶刊论文 | Stata Skill + Python 转译 |
| 快速文献综述 | ARIS(隔夜完成)|
| 审稿回复 | review-response + ai-research-feedback |
| 论文转 PPT | paper-slide-deck |
| 中文实证研究 | 人大 DeepAnalyze |
| 全流程自主研究 | Agent Laboratory |
| AI 生成论文(首篇同行评审)| AI-Scientist-v2 |
| 多智能体协作写论文 | CoPaper.AI |
| 数据获取 | MCP 接口 |
---
## 九、快速上手指南
### 第一步:配置数据源(MCP)
```bash
# 安装 MCP 工具
npx clawhub@latest install mcp-tools
# 配置学术数据源
openclaw mcp add academic --connector arxiv --connector semantic-scholar
```
### 第二步:选择复现工具
```bash
# 安装 Stata Skill
npx clawhub@latest install stata-skill
# 使用 Python 转译
stata-to-python --input paper.do --output paper.py
```
### 第三步:使用审稿工具
```bash
# 安装审稿回复助手
npx clawhub@latest install review-response
# 一键转 PPT
npx clawhub@latest install paper-slide-deck
```
---
## 十、注意事项
```
✅ 正确姿势:
- AI 承担耗时基础工作
- 人类保留核心判断
- 交叉验证 AI 生成的结论
⚠️ 注意事项:
- AI 可能产生"幻觉",需人工审核
- 论文中使用 AI 生成内容需声明
- 遵守各平台使用条款
```
---
## 十一、与其他技能的关联
| 本技能 | 关联技能 | 关系 |
|--------|---------|------|
| AI科研工具 | `mckinsey-frameworks` | 战略分析框架辅助研究设计 |
| AI科研工具 | `thinking-knowledge-system` | 思考四层次(问题定义)|
| AI科研工具 | `knowledge-system-guide` | 知识体系构建(文献管理)|
| AI科研工具 | `investor-reading-list` | 投资研究(金融论文复现)|
---
## 十二、使用方式
### 触发场景
```
用户说「复现一篇 AER 论文」→ Stata Skill + 转译流程
用户说「快速做文献综述」→ ARIS 工具
用户说「帮我回复审稿意见」→ review-response
用户说「论文转 PPT」→ paper-slide-deck
用户说「AI 能帮我做研究吗」→ 展示完整工具链
用户说「多智能体研究系统」→ CoPaper.AI / 港大 AI-Researcher
```
### 组合使用
```
用户:「我想做一篇关于中国资本市场的实证论文」
→ 人大 DeepAnalyze(数据 + 分析)
→ Stata Skill(复现方法)
→ review-response(审稿回复)
→ paper-slide-deck(答辩展示)
```
---
*本技能整合 AI 科研工具完整生态,助力高效学术研究*
系统解读塔勒布《黑天鹅》和《随机漫步的傻瓜》,揭示不确定性认知偏误及应对策略如杠铃策略与反脆弱。
# 塔勒布不确定性问题解》
> 《黑天鹅》 + 《随机漫步的傻瓜》| 纳西姆·塔勒布 不确定性思维经典
---
## 一、核心定位
本技能整合塔勒布两部经典的核心思想,系统解答:
| 问题 | 答案 |
|------|------|
| 为什么统计学无法预测黑天鹅? | 极端事件不在正态分布范围内 |
| 为什么我们总把运气当技能? | 人类有"事后归因"的认知缺陷 |
| 如何在不确定性中生存? | 杠铃策略 + 反脆弱 |
---
## 二、《黑天鹅》| The Black Swan
### 2.1 核心命题
> 为什么统计学无法预测那些真正改变世界的"随机"事件?
### 2.2 三大支柱概念
#### 🔷 黑天鹅事件
| 特征 | 说明 |
|------|------|
| **稀有性** | 发生概率极低,但并非为零 |
| **极大影响** | 一旦发生,后果极其严重 |
| **事后可解释** | 事后回头看,似乎可以预测 |
**例子**:
- 9/11 恐怖袭击
- 2008 年金融危机
- COVID-19 疫情
- 互联网的诞生
#### 🔷 极端斯坦 vs 普通斯坦
| 世界 | 定义 | 例子 |
|------|------|------|
| **普通斯坦** | 少数影响多数,个体差异小 | 身高、体重、智商 |
| **极端斯坦** | 极少数支配绝大多数,不确定性大 | 财富、知名度、网络效应 |
> 📌 **关键洞察**:统计学擅长描述普通斯坦,但无法预测极端斯坦。
#### 🔷 叙事谬误
- **定义**:人类大脑事后为事件编造合理解释,造成"可预测"的幻觉
- **后果**:我们以为理解了世界,实际上只是看到了故事
- **例子**:分析师在危机后给出"合理"解释,但危机发生前无人预测到
### 2.3 核心建议
#### 杠铃策略(Barbell Strategy)
```
投资配置:
85-90% 极低风险资产(国债、现金)
10-15% 极高风险资产(期权、加密货币)
结果:
- 完全损失上限:10-15%
- 潜在上涨空间:无上限
```
#### 反脆弱(Antifragile)
| 类型 | 定义 | 例子 |
|------|------|------|
| **脆弱** | 压力 → 损坏 | 玻璃碎 |
| **强韧** | 压力 → 不变 | 岩石 |
| **反脆弱** | 压力 → 增强 | 人体肌肉 |
> 🎯 **核心**:不要追求"强韧",要追求在不确定性中成长。
---
## 三、《随机漫步的傻瓜》| Fooled by Randomness
### 3.1 核心命题
> 人类(和 AI)如何错误地将随机性归纳为统计规律。
### 3.2 五大核心概念
#### 🔷 存活者偏差(Survivorship Bias)
- **定义**:只看到赢家,看不到大量输家
- **例子**:
- 10 个基金经理,1 个表现极佳 → 杂志报道,但另外 9 个都已破产
- 成功创业者分享经验,但失败者没有舞台
- **后果**:误以为随机成功是能力
#### 🔷 游戏美梦(Ludic Fallacy)
- **定义**:把现实世界的问题误认为是可以用赌场规则解决的问题
- **例子**:
- 拉斯维加斯的轮盘赌有明确概率
- 真实世界的"随机"没有明确边界和已知概率分布
- **后果**:用错误的模型描述真实世界
#### 🔷 幸运的傻瓜
- **定义**:在随机事件中暂时获得成功,但把成功归因于自己的能力
- **识别方法**:
```
问:"如果这个人的策略完全相反,他还会成功吗?"
如果答案是"不确定" → 很可能只是幸运
```
#### 🔷 牙医的嫉妒(The Dentist's Benchmark)
- **故事**:牙医收入不错但羡慕投行的高薪,最终发现:
- 投行员工靠运气
- 牙医靠稳定技能
- 牙医更幸福
- **核心**:稳定技能 > 随机高收入
#### 🔷 冷静冷静(Still Calm)
| 场景 | 错误反应 | 正确反应 |
|------|---------|---------|
| 连续成功 | "我很厉害" | 检查是否随机性 |
| 一次大赚 | 全押 | 冷静分析 |
| 看到别人成功 | 模仿 | 研究失败率 |
### 3.3 认知偏误清单
| 偏误 | 定义 | 后果 |
|------|------|------|
| **事后归因** | 事后认为可以预测 | 高估自己的能力 |
| **确认偏误** | 只看支持自己观点的证据 | 忽视反驳 |
| **可利用性偏误** | 用易记住的事件评估概率 | 过度担心小概率事件 |
| **情感偏差** | 让情绪影响概率判断 | 乐观或悲观偏差 |
---
## 四、两书的内在联系
| 维度 | 《黑天鹅》| 《随机漫步的傻瓜》|
|------|-----------|-----------------|
| **核心敌人** | 统计学的盲区 | 人类认知的缺陷 |
| **主题** | 极端事件不可预测 | 把运气当技能的谬误 |
| **解决方法** | 杠铃策略 + 反脆弱 | 意识到随机性 + 存活者偏差 |
| **升级关系** | 第一层:事件不可测 | 第二层:连我们的理解都错了 |
```
《随机漫步的傻瓜》→ 《黑天鹅》
↓ ↓
认知随机性 应对极端事件
└──────────┬──────────┘
↓
塔勒布不确定性思维体系
```
---
## 五、投资实践应用
### 5.1 《黑天鹅》实践
```
❌ 不要做:
- 杠杆化押注"不会发生危机"
- 用历史数据预测极端事件
- 相信"这次不一样"
✅ 应该做:
- 杠铃策略:大部分无风险 + 小部分极高风险
- 保持冗余(现金储备)
- 买保险不买预测
```
### 5.2 《随机漫步的傻瓜》实践
```
❌ 不要做:
- 看到一个基金经理赚钱就模仿
- 听了成功创业者的分享就相信他的方法
- 用短期业绩评估能力
✅ 应该做:
- 问:"这个人的失败率是多少?"
- 评估决策过程,而非只看结果
- 建立自己的判断标准
```
---
## 六、塔勒布核心语录
| 语录 | 出处 | 含义 |
|------|------|------|
| "我认识的富有交易员,几乎都经历过一次以上的几乎破产" | 《随机漫步》| 风险意识 |
| "在手里拿着锤子的人看来,什么都像钉子" | 《穷查理宝典》| 框架限制 |
| "预测预测者" | 《黑天鹅》| 不确定性 |
| "不要把能力误认为运气" | 两书通用 | 自我评估 |
---
## 七、与其他技能的关联
| 本技能 | 关联技能 | 关系 |
|--------|---------|------|
| 塔勒布不确定性 | `investor-reading-list` | 投资风险认知 |
| 塔勒布不确定性 | `mckinsey-frameworks` | 战略决策框架 |
| 塔勒布不确定性 | `thinking-knowledge-system` | 思考四层次(分析根源)|
---
## 八、使用方式
### 触发场景
```
用户说「什么是黑天鹅」→ 展示黑天鹅三大特征
用户说「为什么统计学预测不了金融危机」→ 展示极端斯坦概念
用户说「如何不被随机性欺骗」→ 展示存活者偏差 + 认知偏误
用户说「如何在不确定中做决策」→ 展示杠铃策略 + 反脆弱
用户说「塔勒布的投资思维」→ 展示两书投资实践
```
### 组合使用
```
用户:「我最近看到很多基金经理业绩跑赢大盘,要跟着投吗?」
→ 《随机漫步的傻瓜》:先问存活者偏差
→ 《黑天鹅》:杠铃策略
→ 建议:不盲目跟风 + 保持风险分散
```
---
*本技能整合塔勒布两部经典的核心思想与投资实践*
提供合规的国家免费教育平台资源下载方案,辅助配置开源工具,实现半自动个人学习用途下载,不涉及生成爬虫代码。
# 教育资源下载助手 > 国家免费教育平台 · 半自动下载方案 · 合规使用指南 --- ## 一、核心定位 本技能提供**合规、稳妥**的国家免费教育平台资源下载方案,采用「现成工具 + AI辅助配置」的半自动模式。 ⚠️ **原则**:仅供个人学习使用,不传播、不商用。选择已有开源工具,不生成完整爬虫代码。 --- ## 二、两大目标平台 ### 2.1 国家中小学智慧教育平台 | 项目 | 详情 | |------|------| | **网址** | basic.smartedu.cn | | **资源类型** | 视频课程 · PDF课件 · 习题 | | **免费** | ✅ 完全免费(国家公益平台) | ### 2.2 学堂在线 | 项目 | 详情 | |------|------| | **网址** | xuetangx.com | | **资源类型** | 大学课程 · 视频 · 课件 | | **免费** | ✅ 部分课程免费 | --- ## 三、为什么不能全自动? | 原因 | 说明 | |------|------| | 🚫 **版权红线** | 国家公益平台资源受版权保护,AI不能生成攻击性爬虫 | | ⚠️ **技术动态性** | 平台防爬机制频繁更新,通用脚本极易失效 | | 🔒 **账号风险** | 批量爬取可能触发平台封号 | **AI 的正确角色**:帮你解读配置文档 + 解决技术报错,而非生成爬虫代码。 --- ## 四、推荐工具与 AI 辅助方式 ### 4.1 国家中小学智慧教育平台 | 工具 | 用途 | AI 能帮你做什么 | |------|------|--------------| | **knowledge-grab** | 批量下载智慧教育平台资源 | 解读 config.yaml,修改保存路径、线程数等参数 | | **FlyEduDownloader** | 另一个开源下载器 | 解决 FFmpeg 环境问题 | | **IDM + 浏览器插件** | 辅助抓取视频流 | 配置 User-Agent 和抓取规则 | ### 4.2 学堂在线 | 工具 | 用途 | AI 能帮你做什么 | |------|------|--------------| | **xuetangx-downloader** | 课程视频批量下载 | 写批处理脚本(.bat)实现一键启动 | | **yt-dlp** | 通用 m3u8 视频流下载 | 配置下载参数、处理报错 | | **IDM** | 浏览器集成下载 | 配置浏览器抓取规则 | ### 4.3 通用方案 | 工具 | 适用平台 | AI 能帮你做什么 | |------|---------|--------------| | **yt-dlp** | 通用视频流(m3u8) | 写下载命令、处理 FFmpeg 报错 | | **IDM** | 浏览器内嵌视频 | 配置 User-Agent、批量任务 | | **JDownloader2** | 多平台批量下载 | 配置连接数、文件类型过滤 | --- ## 五、AI 辅助配置提示词模板 ### 5.1 解读配置文件 ``` 你是一个配置专家。请帮我解读 [工具名] 的配置文件(config.yaml), 我需要修改以下参数: - 保存路径:D:\MyCourses - 并发线程数:3 - 文件格式过滤:mp4/pdf 请告诉我具体需要修改哪些字段。 ``` ### 5.2 解决 FFmpeg 环境问题 ``` 我在使用 [工具名] 时遇到 FFmpeg 报错: [粘贴错误信息] 我的环境是 Windows 11,请给出解决步骤。 ``` ### 5.3 写批处理脚本 ``` 请帮我写一个 Windows 批处理脚本(.bat),实现: 1. 调用 xuetangx-downloader 下载课程 2. 指定保存路径:D:\Courses\xuetangx 3. 指定并发数:2 4. 下载完成后自动关闭 请给出完整脚本。 ``` ### 5.4 配置 IDM 抓取规则 ``` 请教我如何在 IDM(Internet Download Manager)中: 1. 配置 User-Agent 模拟浏览器 2. 设置自动抓取 [平台名] 的视频链接 3. 配置批量任务队列 请给出详细步骤。 ``` --- ## 六、快速上手流程 ### 6.1 第一步:环境准备 ```bash # 1. 安装 Python 3.10+ python --version # 2. 安装 FFmpeg(视频流处理必需) # Windows: 下载 ffmpeg-release-essentials.zip,解压到 C:\ffmpeg # 添加到 PATH:setx PATH "%PATH%;C:\ffmpeg\bin" # 3. 安装 yt-dlp pip install yt-dlp # 4. 安装 git(克隆开源工具) git --version ``` ### 6.2 第二步:克隆工具 ```bash # 智慧教育平台下载器(示例) git clone https://github.com/xxx/knowledge-grab.git cd knowledge-grab pip install -r requirements.txt # 学堂在线下载器(示例) git clone https://github.com/xxx/xuetangx-downloader.git cd xuetangx-downloader pip install -r requirements.txt ``` ### 6.3 第三步:AI 辅助配置 ``` 用上面的提示词模板,让 AI 帮你: 1. 解读 config.yaml 2. 修改保存路径和线程数 3. 解决环境问题 ``` ### 6.4 第四步:执行下载 ```bash # 智慧教育平台(示例) python knowledge-grab/main.py --url "课程URL" --output "D:\MyCourses" # 学堂在线(示例) python xuetangx-downloader/main.py --url "课程URL" --output "D:\Courses" ``` --- ## 七、合规使用声明 ``` ✅ 允许: - 个人学习用途离线观看 - 课堂教育用途 - 学术研究用途 🚫 禁止: - 公开传播或二次分享 - 商业用途 - 批量爬取导致平台服务受影响 ``` --- ## 八、常见报错与 AI 求助模板 | 报错 | 可能原因 | AI 求助模板 | |------|---------|-----------| | `FFmpeg not found` | FFmpeg 未安装或未加入 PATH | 见 5.2 节 | | `403 Forbidden` | 被平台防爬拦截 | "我的 IP 被封了吗?如何解决?" | | `Login failed` | Cookie 过期 | "如何更新登录态 Cookie?" | | `m3u8 parse error` | 视频流加密 | "这个平台用了什么加密?如何处理?" | | `Rate limit exceeded` | 请求频率过高 | "如何降低请求频率?" | **通用报错求助模板**: ``` 我在使用 [工具名] 下载 [平台名] 课程时遇到报错: [粘贴完整错误信息] 我的环境: - 操作系统:Windows 11 - Python 版本:3.x - 网络环境:[公司网络/家庭宽带/代理] 请帮我分析原因并给出解决步骤。 ``` --- ## 九、工具清单 ### 9.1 推荐工具列表 | 工具 | 平台 | 地址 | |------|------|------| | **knowledge-grab** | 智慧教育平台 | GitHub 搜索 | | **FlyEduDownloader** | 智慧教育平台 | GitHub 搜索 | | **xuetangx-downloader** | 学堂在线 | GitHub 搜索 | | **yt-dlp** | 通用 m3u8 | `pip install yt-dlp` | | **IDM** | 通用浏览器下载 | idmchina.net | | **JDownloader2** | 多平台批量 | jdownloader.org | ### 9.2 备选方案 | 场景 | 方案 | |------|------| | 临时下载单课 | 浏览器开发者工具 → Network → 找 m3u8 链接 → yt-dlp 下载 | | 无代码能力 | IDM 浏览器插件自动拦截 + 手动添加任务 | | 遇到技术报错 | 用第六节的 AI 求助模板咨询 | --- ## 十、使用方式 ### 触发场景 ``` 用户说「下载教育课程」→ 展示平台和工具选项 用户说「帮我配置 knowledge-grab」→ 执行 AI 辅助配置流程 用户说「解决 FFmpeg 报错」→ 按 5.2 节模板回答 用户说「写一个下载脚本」→ 按 5.3 节模板生成 用户说「遇到报错:[信息]」→ 按第八节模板分析解决 ``` ### 组合使用 ``` 用户:「我想下载智慧教育平台的初中数学课程」 → 确认平台(智慧教育平台) → 推荐工具(knowledge-grab 或 IDM) → 引导 AI 辅助配置 → 提供合规使用声明 ``` --- *本技能帮助合规、稳妥地获取国家免费教育资源*
指导搭建AI驱动的一人公司运营体系,涵盖内容生产、产品交付、营销获客、财务管理与客户服务的标准化流程。
# 一人公司实战指南(2026)
> AI + 自动化 + 标准化工作流 | 低风险 × 高效率创业
---
## 一、核心定位
本技能整合「2026 一人公司实战指南」完整内容,帮助快速搭建**一人公司运营体系**。
---
## 二、核心定义
### 2.1 一人公司 ≠ 个体户
| 对比维度 | 一人公司 | 个体户 |
|---------|---------|--------|
| **核心** | 单人决策 + AI/自动化/外包整合资源 | 时间换钱 |
| **赚什么** | 判断力赚钱 | 体力/时间变现 |
| **扩展性** | 可放大 3-10 倍 | 受限于个人时间 |
| **风险** | 低风险 | 低/中风险 |
### 2.2 趋势数据
```
🇺🇸 美国单人创始人占比:36.3%(2026)
🇨🇳 国内政策扶持 + 搜索量暴涨
📈 成为主流创业模式
```
### 2.3 核心优势
```
✅ 轻资产:无需办公空间、员工
✅ 快决策:一人拍板,无需开会
✅ 低成本:启动成本极低
✅ 低失败风险:失败损失小
✅ 适配赛道:知识付费 / 创意 / 服务
```
---
## 三、五大核心工作流
### 3.1 内容生产流
```
选题研究 → AI辅助生产 → 多平台分发 → 数据复盘
↑ ↓
└─── 一鱼多吃,流量复用 ◄──────────────┘
```
**详细步骤**:
1. **选题研究**:竞品调研 + 平台热点 + 用户痛点挖掘
2. **AI辅助生产**:Claude/GPT 生成初稿,人工精调
3. **多平台分发**:公众号 / 知乎 / 小红书 / B站 / 抖音
4. **数据复盘**:阅读量 / 点赞 / 转化 → 优化选题策略
### 3.2 产品交付流
| 产品类型 | 交付方式 | 维护成本 |
|---------|---------|---------|
| **数字产品** | 自动售卖(小程序/网站) | ⭐ 最低 |
| **1V1咨询** | 标准化 SOP | ⭐⭐ 中 |
| **社群/训练营** | 低维护 SOP | ⭐⭐⭐ 中 |
**SOP 标准流程示例(1V1咨询)**:
```
1. 预约表单( Calendly / 微信)
2. 预付费(定金)
3. 咨询前问卷(收集背景信息)
4. 咨询会话(录播/直播)
5. 交付物发送 + 跟进回访
```
### 3.3 营销获客流
```
内容引流 → 免费钩子 → 私域沉淀 → 信任培育 → 转化裂变
│ ↑
└─── 80% 价值输出 + 20% 转化引导 ◄────────────┘
```
**漏斗各层策略**:
| 层级 | 策略 | 工具 |
|------|------|------|
| **内容引流** | 干货文章 / 短视频 / 播客 | 公众号 / 抖音 / B站 |
| **免费钩子** | 免费资料 / 工具 / 课程片段 | 即梦 / 剪映 |
| **私域沉淀** | 企业微信 / 微信群 | 企业微信 |
| **信任培育** | 定期分享 / 案例展示 | 朋友圈 / 社群 |
| **转化裂变** | 限时优惠 / 推荐奖励 | 小鹅通 / 爱发电 |
### 3.4 财务管理流
**三表追踪**:
```
📊 收支表:每月收入 / 支出明细
📊 利润表:收入 - 成本 = 净利润
📊 现金流量表:现金进出流水
```
**合规注册**:
- 国内:个体工商户 / 有限责任公司(税收优惠)
- 成本发票可抵扣(设备 / 软件 / 课程)
**工具轻量化**:
- 用 Excel / Notion 追踪,无需财务软件起步
### 3.5 客户服务流
```
FAQ自动解决 80% 问题 → AI辅助回复 15% → 人工处理 5% 高价值问题
```
**FAQ 自动解决示例**:
```
Q: 如何预约咨询?
→ 自动回复:点击 [链接] 填写预约表
Q: 支持退款吗?
→ 自动回复:我们的退款政策是 [...]
Q: 产品如何使用?
→ 自动回复:[教程链接]
```
---
## 四、必备工具栈
### 4.1 AI 工具
| 用途 | 推荐工具 |
|------|---------|
| **AI 写作/对话** | Claude / ChatGPT |
| **AI 知识管理** | Notion / Obsidian |
| **AI 设计图片** | Canva / 即梦 |
| **AI 视频剪辑** | 剪映 |
| **AI 数字人** | HeyGen / 万兴播爆 |
### 4.2 自动化工具
| 用途 | 推荐工具 |
|------|---------|
| **工作流自动化** | Zapier / Make |
| **支付变现** | 小鹅通 / 爱发电 / PayPal |
| **私域运营** | 企业微信 / 微信群 |
| **邮件营销** | Mailchimp / 邮件群发 |
| **数据分析** | Google Analytics / 友盟 |
### 4.3 工具使用原则
```
✅ 先免费后付费:先用免费版验证再付费
✅ 成本 ≤ 收入 10%:工具成本不超过营收 10%
✅ 少而精:不囤工具,用好核心 3-5 个
```
---
## 五、AI 赋能关键
### 5.1 AI 可承担的工作
| 重复性工作 | AI 替代比例 |
|-----------|------------|
| 选题研究 | 70% |
| 素材生成(文/图/视频) | 80% |
| 客服FAQ | 80% |
| 财务管理 | 50% |
| 多智能体协作 | 60% |
| 个性化营销 | 70% |
**效果**:个人效率放大 **3-10 倍**
### 5.2 AI 与人的分工
```
人类专属:
- 判断力 + 决策
- 深度创意 + 战略规划
- 高价值关系维护
- 复杂问题处理
AI 承担:
- 重复性、标准化任务
- 初稿生成 + 多版本尝试
- 数据整理 + 分析
- 自动化流程执行
```
---
## 六、启动清单
### 6.1 第一阶段(第 1-2 周)
```
☐ 明确变现方向(产品/服务/内容)
☐ 注册主体(个体工商户 / 公司)
☐ 开通支付(微信 / 支付宝收款)
☐ 配置 AI 工具(Claude API / ChatGPT Plus)
```
### 6.2 第二阶段(第 3-4 周)
```
☐ 搭建内容生产 SOP
☐ 创建至少 3 个平台账号
☐ 建立私域沉淀渠道(企微 / 微信群)
☐ 配置自动化工具(Zapier / Make)
```
### 6.3 第三阶段(第 5-8 周)
```
☐ 内容发布 + 数据追踪
☐ 优化转化漏斗
☐ 搭建客户 SOP
☐ 财务追踪 + 合规
```
---
## 七、标准化 SOP 模板
### 7.1 内容生产 SOP
```markdown
# 内容生产 SOP
## 1. 选题(AI辅助)
- 来源:竞品热点 / 平台趋势 / 用户反馈
- AI提问:「帮我分析[平台]近30天热门内容」
## 2. 生产
- AI初稿:提供大纲 → Claude生成
- 人工精调:观点 + 案例 + 个人经历
- 最终审核:价值观 / 法律法规
## 3. 分发
- 主平台:公众号(深度)
- 副平台:知乎/小红书(短内容)
- 视频化:剪映剪辑 + 多平台
## 4. 复盘
- 阅读量 / 点赞 / 转发 / 评论
- 3天/7天/30天数据追踪
- 下一步优化点记录
```
### 7.2 客户服务 SOP
```markdown
# 客户服务 SOP
## 问题分类
- L1(80%):FAQ → 自动回复
- L2(15%):简单问题 → AI辅助回复
- L3(5%):复杂问题 → 人工处理
## 响应时效
- L1:即时
- L2:< 2小时
- L3:< 24小时
## 升级流程
人工处理 → 记录FAQ → 更新自动回复库
```
---
## 八、使用方式
### 触发场景
```
用户说「一人公司怎么起步」→ 展示启动清单
用户说「内容生产流是什么」→ 展示内容 SOP
用户说「AI 能帮我做什么」→ 展示 AI 赋能表
用户说「营销获客怎么做」→ 展示获客漏斗
用户说「帮我搭一人公司体系」→ 执行三阶段计划
```
### 组合使用
```
用户:「我想做知识付费一人公司」
→ 确认变现方向(知识产品)
→ 执行内容生产流 + 产品交付流
→ 配置 AI 工具 + 自动化
→ 搭建客户 SOP
```
---
## 九、与其他技能的关联
| 本技能 | 关联技能 | 关系 |
|--------|---------|------|
| 一人公司实战 | `obsidian-handbook` | 知识管理工具 |
| 一人公司实战 | `thinking-knowledge-system` | 思考心法 + 知识库闭环 |
| 一人公司实战 | `mckinsey-frameworks` | 战略分析框架 |
| 一人公司实战 | `investor-reading-list` | 投资思维 + 财务规划 |
---
*本技能帮助快速搭建一人公司 AI 驱动的高效创业体系*
整合10本投资经典,系统讲解不确定性与价值根源,助力构建全面且科学的投资认知体系。
# 投资者认知基石书单(2026)
> 10 本构建投资底层认知的经典著作 | 不确定性 + 价值根源
---
## 一、核心主旨
本技能整合「投资人的 2026 书单,10 本认知基石」全部内容,旨在帮助建立投资世界中最根本的两个概念的认知体系:
| 核心主题 | 说明 |
|---------|------|
| 🎲 **不确定性** | 市场本质是随机的,如何在不确定中做出合理决策 |
| 💎 **价值的根源** | 资产价值从何而来,如何评估 |
---
## 二、书单总览
| # | 书名 | 作者 | 核心命题 |
|---|------|------|---------|
| 1 | 《证券分析》 | 格雷厄姆/多德 | 资产评估的硬核逻辑 |
| 2 | 《聪明的投资者》 | 格雷厄姆 | 市场波动的哲学 |
| 3 | 《投资价值理论》 | 威廉姆斯 | 现金流折现模型的理论源头 |
| 4 | 《周期》 | 霍华德·马克斯 | 金融世界的"钟摆"运动 |
| 5 | 《随机漫步的傻瓜》 | 塔勒布 | 运气与概率的决定性作用 |
| 6 | 《股市真经》 | 费雪 | 成长投资最深刻的定义 |
| 7 | 《金融炼金术》 | 索罗斯 | 反身性理论挑战传统均衡假设 |
| 8 | 《与天为敌》 | 伯恩斯坦 | 风险与概率的思想史 |
| 9 | 《资本主义与自由》 | 弗里德曼 | 理解市场运作的宏观背景 |
| 10 | 《穷查理宝典》 | 芒格 | 跨学科的多元思维框架 |
---
## 三、逐本详解
### 3.1 《证券分析》| Security Analysis
- **作者**:Benjamin Graham & David L. Dodd(1934)
- **核心命题**:资产评估的硬核逻辑
- **关键概念**:
- **内在价值(Intrinsic Value)**:基于财务数据的客观估值
- **安全边际(Margin of Safety)**:价格低于内在价值时买入
- **市场先生(Mr. Market)**:市场每天报价,应利用而非追随
- **静态分析与动态分析结合**
- **核心公式**:
```
内在价值 = 未来现金流折现(DCF前身)
安全边际 = 内在价值 - 当前价格
```
- **适用场景**:价值投资的理论基础,适合深度基本面分析
---
### 3.2 《聪明的投资者》| The Intelligent Investor
- **作者**:Benjamin Graham(1949)
- **核心命题**:市场波动的哲学
- **关键概念**:
- **防御型投资者 vs 进攻型投资者**
- **市场先生寓言**:情绪化的市场提供买入/卖出机会
- **股价波动是机会**:别人恐惧时买入,贪婪时卖出
- **投资 vs 投机**:基于内在价值的分析 vs 基于价格波动的赌博
- **核心原则**:
```
防御型投资者:分散化 + 低估值 + 不频繁交易
进攻型投资者:深入分析 + 集中持仓 + 长期持有
```
- **适用场景**:建立正确的投资心态,避免被市场情绪左右
---
### 3.3 《投资价值理论》| The Theory of Investment Value
- **作者**:John Burr Williams(1938)
- **核心命题**:现金流折现模型的理论源头
- **关键概念**:
- **折现现金流(DCF)**:任何资产的价值 = 未来现金流折现到今天
- **永续年金公式**:V = D / r(D=股息,r=折现率)
- **内在价值只与未来股息相关**:剔除所有主观预期
- **核心公式**:
```
V = Σ(Dₜ / (1+r)ᵗ) + Vₜ / (1+r)ᵗ(终端价值)
```
- **适用场景**:估值理论基础,任何资产定价的核心方法
---
### 3.4 《周期》| Mastering the Market Cycle
- **作者**:Howard Marks(2018)
- **核心命题**:金融世界的"钟摆"运动
- **关键概念**:
- **钟摆理论**:市场在悲观与乐观之间来回摆动
- **过度涨跌**:泡沫和崩溃都源于情绪的极端化
- **周期自我强化**:上涨带来乐观 → 过度上涨,下跌带来悲观 → 过度下跌
- **两类周期**:经济周期 + 心理周期
- **核心原则**:
```
最重要的不是在周期中的位置,而是:
1. 我们在周期中的位置(钟摆摆到哪里)
2. 我们如何应对(逆向行动)
```
- **适用场景**:宏观择时、资产配置优化的理论基础
---
### 3.5 《随机漫步的傻瓜》| Fooled by Randomness
- **作者**:Nassim Nicholas Taleb(2001)
- **核心命题**:运气与概率的决定性作用
- **关键概念**:
- **黑天鹅**:不可预测的重大事件(市场暴跌、疫情等)
- **存活者偏差**:只看到赢家,忽略大量输家
- **随机性 vs 技能**:业绩好可能是运气,非能力
- **极度开放思维**:承认无知和不确定
- **核心警示**:
```
"我认识的富有交易员,几乎都经历过一次以上的几乎破产,
之后才学会防御性交易。"
```
- **适用场景**:风险认知,避免把运气当技能,敬畏不确定性
---
### 3.6 《股市真经》| Common Stocks and Uncommon Profits
- **作者**:Philip Fisher(1958)
- **核心命题**:成长投资最深刻的定义
- **关键概念**:
- **15 年定律**:找到能持续 15 年盈利增长 20% 的公司
- **成长股特征**:
- 行业前景好(Space,not Jigsaw puzzle)
- 高利润率和 ROE
- 管理层素质
- 技术壁垒
- **保守型投资(Conservative Investment)**:真正优秀的成长股
- **核心方法**:
- **闲聊法(Scuttlebutt)**:从竞争对手、供应商、客户处调研
- **高利润 → 高研发 → 高壁垒 → 高利润 正循环**
- **适用场景**:成长股投资、硅谷投资哲学的源头
---
### 3.7 《金融炼金术》| The Alchemy of Finance
- **作者**:George Soros(1987)
- **核心命题**:反身性理论挑战传统均衡假设
- **关键概念**:
- **反身性(Reflexivity)**:市场参与者的偏见会影响市场本身(非中立观察)
- 股价上涨 → 公司更易融资 → 业绩提升 → 股价上涨(自我强化)
- **主流偏向(Prevailing Bias)**:多数人共同的偏见
- **骨牌理论**:趋势自我强化,直到无法持续 → 逆转
- **与传统金融学的区别**:
```
传统金融学:市场是有效的,价格反映基本面
索罗斯:市场是参与者偏见的总和,价格可以影响基本面
```
- **适用场景**:理解金融泡沫的形成与崩溃,宏观对冲思维
---
### 3.8 《与天为敌》| Against the Gods: The Remarkable Story of Risk
- **作者**:Peter Bernstein(1998)
- **核心命题**:风险与概率的思想史
- **关键概念**:
- **风险的数学定义**:P(损失) × 损失量
- **从赌徒到数学家**:概率论发展史(帕斯卡、费马 → 卡尔玛普 → 现代组合理论)
- **人类战胜恐惧的历史**:通过数学而非直觉管理风险
- **个人观点 vs 数据**:决策应基于概率,而非确定性幻觉
- **核心主线**:
```
人类用概率论和对风险的量化理解,从"听天由命"进化到"与天为敌"
```
- **适用场景**:风险管理的思想基础,量化投资的核心思维
---
### 3.9 《资本主义与自由》| Capitalism and Freedom
- **作者**:Milton Friedman(1962)
- **核心命题**:理解市场运作的宏观背景与理念
- **关键概念**:
- **资本主义的核心**:自由价格体系 → 资源有效配置
- **弗里德曼原则**:
- 通货膨胀永远是货币现象
- 企业唯一社会责任:增加利润
- 自由市场是自由的必要条件
- **去中心化**:分散决策比集中决策更有效
- **核心论点**:
```
没有经济自由,就没有政治自由;
没有资本主义,就没有真正的自由。
```
- **适用场景**:理解自由市场的哲学基础,投资的制度背景
---
### 3.10 《穷查理宝典》| Poor Charlie's Almanack
- **作者**:Charlie Munger(巴菲特搭档)
- **核心命题**:跨学科的多元思维框架
- **关键概念**:
- **多元思维模型(Mental Models)**:从各学科提取的硬道理
- 心理学:激励机制、认知偏见、社会认同
- 经济学:机会成本、规模效应、竞争壁垒
- 物理学:临界质量、均衡、熵增
- 生物学:进化、适应、复杂性
- **Lollapalooza 效应**:多因素叠加产生的极端效果
- **逆向思考(Invert)**:想要成功?先研究如何失败
- **核心语录**:
```
"在手里拿着锤子的人看来,什么都像钉子"
"知道自己死在哪里,就永远不去那个地方"
```
- **适用场景**:跨学科决策框架、避免认知偏见的实用指南
---
## 四、双主题框架
### 4.1 「不确定性」主题
| 书籍 | 对不确定性的贡献 |
|------|----------------|
| 《随机漫步的傻瓜》 | 承认随机性,黑天鹅敬畏 |
| 《与天为敌》 | 概率论与风险量化 |
| 《周期》 | 承认周期不可预测 |
| 《金融炼金术》 | 反身性:预测本身影响结果 |
### 4.2 「价值根源」主题
| 书籍 | 对价值根源的贡献 |
|------|----------------|
| 《证券分析》 | 内在价值与安全边际 |
| 《投资价值理论》 | DCF 估值理论基础 |
| 《聪明的投资者》 | 市场波动中的价值发现 |
| 《股市真经》 | 成长股的定价逻辑 |
---
## 五、思维模型汇总
| 思维模型 | 书籍来源 |
|---------|---------|
| 安全边际 | 《证券分析》 |
| 市场先生 | 《聪明的投资者》 |
| DCF 估值 | 《投资价值理论》 |
| 钟摆理论 | 《周期》 |
| 黑天鹅/存活者偏差 | 《随机漫步的傻瓜》 |
| 闲聊法/15年定律 | 《股市真经》 |
| 反身性 | 《金融炼金术》 |
| 概率与风险量化 | 《与天为敌》 |
| 自由市场哲学 | 《资本主义与自由》 |
| 多元思维模型 | 《穷查理宝典》 |
---
## 六、使用方式
### 触发场景
```
用户说「推荐一本投资入门书」→ 《聪明的投资者》
用户说「什么是安全边际」→ 《证券分析》解释
用户说「怎么处理不确定性」→ 《随机漫步的傻瓜》+ 《周期》
用户说「怎么给成长股估值」→ 《股市真经》+ DCF
用户说「投资思维有什么模型」→ 展示十书思维模型汇总
```
### 组合使用
```
用户:「我想建立一个投资认知体系」
→ 先读《穷查理宝典》多元思维
→ 再读《证券分析》+ 《投资价值理论》打好估值基础
→ 然后《周期》+ 《随机漫步的傻瓜》理解市场不确定性
→ 最后《金融炼金术》理解反身性与泡沫
```
---
## 七、与其他技能的关联
| 本技能 | 其他技能 | 关联 |
|--------|---------|------|
| 投资认知基石 | `mckinsey-frameworks` | SWOT/BCG 等战略分析工具 |
| 投资认知基石 | `thinking-knowledge-system` | 思考四层次:拆分→归纳→联系→提炼 |
| 投资认知基石 | `knowledge-system-guide` | 体系建设方法论 |
---
*本技能包含 10 本投资经典的核心概念、关键公式与适用场景*
帮助用户理解知识体系的重要性,提供拆解、归纳、联系、提炼四步方法及外挂知识库搭建系统化知识结构。
# 知识体系建构指南
> 从知识焦虑到学以致用 | 为什么 + 是什么 + 如何做
---
## 一、核心定位
本技能整合两篇文档的核心理念,回答知识体系建设的**三个根本问题**:
| 问题 | 答案 |
|------|------|
| **为什么**需要知识体系 | 解决知识焦虑、学而无用、认知浅薄 |
| **是什么**知识体系 | 有机系统 + 要素关联 + 目标导向 |
| **如何**建立知识体系 | 拆 → 归 → 联 → 提 闭环 + 外挂知识库 |
---
## 二、为什么需要知识体系
### 2.1 知识学习的四大困境
```
❌ 知识无限 vs 生命有限
→ 面对海量信息,不知从何读起,陷入迷茫焦虑
❌ 学了很多但用不上
→ 问题解决能力弱,认知片面浅薄
❌ 碎片化导致混乱
→ 脑子满是孤岛信息,思考杂乱,表达混乱
❌ 越学越焦虑
→ 感觉永远学不完,形成恶性循环
```
**根源**:缺乏属于自己的知识体系
### 2.2 知识体系的三大价值
1. **化零散为系统**:孤立知识 → 相互关联的网络
2. **化模糊为深刻**:看清本质,避免人云亦云
3. **化焦虑为行动**:明确目标,学以致用
---
## 三、知识体系是什么
### 3.1 蒸馒头原理
> 知识体系不是知识的简单堆积,而是像「蒸馒头」一样:
```
馒头 =面粉 + 水 + 酵母 + 温度 + 时间
↓ ↓ ↓
相关要素 相互作用 目标导向
知识体系 = 核心概念 + 方法论 + 应用场景
↓ ↓ ↓
相互连接 动态反馈 明确目的
```
**关键洞察**:
- 做馒头不需要懂满汉全席 → **没有目标的学习是盲目的低效**
- 要素缺一不可 → **知识体系是有机的系统网络**
### 3.2 三大特征
| 特征 | 说明 |
|------|------|
| 🌱 有机系统 | 由众多相互关联的要素构成,缺一不可 |
| 🔄 要素联动 | 各部分相互配合、影响、共同作用 |
| 🎯 目标导向 | 服务于明确目的,而非盲目积累 |
---
## 四、如何建立知识体系
### 4.1 内在心法:思考四层次闭环
```
拆分 ──→ 归纳 ──→ 联系 ──→ 提炼
│ │ │ │
│ │ │ └──→ 直击本质(第一性原理)
│ │ └──→ 触类旁通(跨界迁移)
│ └──→ 化零散为体系(结构化知识网络)
└──→ 化混沌为清晰(MECE 原则)
```
| 层次 | 核心动作 | 产出 |
|------|---------|------|
| L1 拆分 | 分解问题(MECE) | 可执行清单 |
| L2 归纳 | 提取共性规律 | 结构化模型 |
| L3 联系 | 跨界类比迁移 | 创新洞察 |
| L4 提炼 | 第一性原理 | 本质洞见 |
### 4.2 外挂工具:知识库闭环系统
```
raw/ (原始资料)──→ wiki/ (结构化知识)
↑AI整理 ↓回写
AGENTS.md
↑
规则驱动持续生长
```
**七步运作流程**:
1. **建立目录**:raw/ + wiki/ + AGENTS.md
2. **编写规则**:明确页面类型 + 格式规范 + 回写要求
3. **准备资料**:3-5 份核心文档起步
4. **首次摄入**:AI 读取 raw/ → 按规则生成 wiki/
5. **跨资料问答**:驱动 AI 进行「联系」与「提炼」
6. **执行回写**:综合性答案写回 wiki/(关键动作!)
7. **人工核查**:Human owns verification(定期验证准确性)
### 4.3 知识库的增强循环
```
摄入 ──→ 整理 ──→ 问答 ──→ 沉淀 ──→ 核查
↑ │
└─────────────── 反馈循环 ←──────────────┘
```
---
## 五、与 Obsidian 的互补关系
| 工具 | 定位 | 适用场景 |
|------|------|---------|
| **Obsidian** | 本地笔记 + 双向链接 | 个人知识沉淀、手动记录 |
| **知识库闭环** | AI 辅助归纳 + 规则驱动 | AI 参与的知识生产、系统性提炼 |
| **思考四层次** | 内在认知心法 | 分析问题时的思维框架 |
**最佳实践**:
```
Obsidian(手动记录)
↓ 双向链接 + 图谱
沉淀为 raw/ 资料
↓ AI 整理
wiki/ 结构化知识
↓ 思考四层次
深度分析与洞见
↓ 回写闭环
知识体系持续生长
```
---
## 六、避坑指南
### ❌ 四大误区
| 误区 | 后果 | 正确做法 |
|------|------|---------|
| 无目标积累 | 学了用不上,低效焦虑 | 明确目的再学习 |
| 只积累不连接 | 知识孤岛,无法迁移 | 强制双向链接 |
| 忽视回写机制 | 洞见流失,无法积累 | 每次综合回答后回写 |
| 从不人工核查 | 错误累积,质量下降 | 定期验证准确性 |
### ✅ 正确姿势
1. **从小处着手**:先用每日记录养成习惯
2. **目标驱动**:围绕明确目的构建体系
3. **定期整理**:每周/每月复盘整理
4. **工具配合**:Obsidian + AI 知识库 + 思考框架
---
## 七、使用方式
### 触发场景
```
用户说「为什么我学的知识用不上」→ 展示知识体系重要性
用户说「帮我建立一个知识体系」→ 按七步流程执行
用户说「用思考框架分析这个」→ 触发思考四层次
用户说「帮我整理到知识库」→ 触发回写机制
```
### 组合使用
```
用户:「我最近学了很多但感觉很碎片化,怎么整合?」
→ 先用思考四层次分析问题
→ 再用知识库闭环沉淀
→ 最后用 Obsidian 做个人笔记沉淀
```
---
## 八、体系导航
### 已安装技能
| 技能 | 用途 |
|------|------|
| `thinking-knowledge-system` | 思考心法 + 知识库工具 |
| `obsidian-handbook` | Obsidian 本地笔记 |
| `mckinsey-frameworks` | 麦肯锡分析框架 |
| `math-theory-notes` | 数学理论知识 |
### 组合推荐
| 场景 | 技能组合 |
|------|---------|
| 系统学习新领域 | 思考四层次 + 知识库闭环 + 麦肯锡框架 |
| 笔记管理 | Obsidian + 知识库闭环 |
| 数学/AI 研究 | math-theory + 思考四层次 |
| 商业分析 | 麦肯锡框架 + 知识库闭环 |
---
*本技能回答「为什么需要知识体系」并提供「如何建立」的完整方案*
提供Obsidian本地笔记快速入门,涵盖核心概念、必备插件、模板方案及实用避坑指南。
# Obsidian 效率手册
> 本地笔记软件 Obsidian 快速上手 | 插件配置 + 模板方案 + 避坑指南
---
## 一、核心定位
本技能提供 Obsidian 的完整快速上手方案,涵盖:
- 三大核心概念 · 5 款必备插件 · 3 类常用模板 · 避坑指南
---
## 二、三大核心概念
### 2.1 仓库(Vault)
- **定义**:数据存储的核心单位 = 本地文件夹
- **组成**:笔记 + 附件 + 配置全部存在于此
- **同步方案**:
```
iCloud / OneDrive / Git(推荐)
```
- **优势**:数据完全自主,不依赖云服务
### 2.2 双向链接(Bi-directional Links)
- **语法**:`[[笔记名称]]`
- **核心价值**:让孤立文件 → 网状知识网络
- **应用场景**:
- 笔记间跳转
- 构建知识图谱
- 发现隐藏关联
### 2.3 关系图谱(Graph View)
- **功能**:可视化展示所有笔记的链接关系
- **价值**:
- 识别核心节点(高链接量)
- 发现孤立内容(无链接)
- 直观理解知识结构
---
## 三、必备插件(5款)
### 3.1 Templater(模板神器)
- **功能**:
- 自动插入日期/时间
- 变量替换
- 执行 JavaScript 脚本
- **优势**:减少重复性格式劳动
- **配置**:绑定快捷键,一键插入模板
### 3.2 Dataview(数据库查询)
- **功能**:
- 类 SQL 语法查询笔记库
- 按标签、状态、评分等条件筛选
- 动态汇总信息
- **示例**:
```
TABLE tag, date, rating
FROM ""
WHERE rating >= 3
SORT date DESC
```
### 3.3 Excalidraw(手绘画图)
- **功能**:
- 内置手绘风格画图工具
- 绘制流程图、架构图
- 可视化头脑风暴
- **优势**:与笔记无缝集成
### 3.4 Kanban(看板管理)
- **功能**:
- 笔记内直接创建看板
- 拖拽卡片管理任务
- **适用**:项目管理、任务跟踪
### 3.5 自动分类插件
- **功能**:
- 预设规则自动添加标签
- 自动归档整理
- **优势**:保持笔记库长期有序
---
## 四、常用模板(3类)
### 4.1 每日日记模板
```markdown
# {{date:YYYY-MM-DD}}
## 📋 今日待办
- [ ]
## 💼 工作记录
## 💡 灵感
## 📝 备注
---
```
### 4.2 读书笔记模板
```markdown
# 读书笔记:《书名》
## 📖 基本信息
- **作者**:
- **阅读日期**:
- **评分**:⭐⭐⭐⭐⭐
## 🎯 核心观点
1.
2.
3.
## 📌 摘录
>
## 💬 个人思考
## 🔗 相关笔记
- [[]]
```
### 4.3 项目复盘模板
```markdown
# 项目复盘:[项目名称]
## 📌 项目背景
## 🛠️ 技术方案
## ⚠️ 踩坑记录
1.
## 📈 个人收获
## 🔜 下一步行动
- [ ]
```
---
## 五、避坑指南
### ❌ 避免过度折腾
- **问题**:沉迷更换主题和外观
- **原则**:内容为王,工具为辅
- **建议**:选择主题后稳定使用 3 个月再评估
### ❌ 切忌无序堆积
- **问题**:不加选择地记录 → "数字废墟"
- **解决**:每周定期整理(建议周末 30 分钟)
```
归档 / 删除 / 链接 / 提炼
```
### ❌ 忽视移动端
- **问题**:只在电脑端使用,碎片时间浪费
- **解决**:
1. 配置 iOS/Android 客户端
2. 开启同步(iCloud/OneDrive)
3. 习惯用手机快速记录灵感
### ✅ 正确使用姿势
1. **从小处着手**:先用每日日记养成习惯
2. **逐步构建链接**:笔记 → 双向链接 → 知识网络
3. **善用模板**:减少重复劳动,专注内容
4. **定期回顾**:周/月整理,防止知识孤岛
---
## 六、使用方式
### 触发场景
```
用户说「帮我规划每日待办」→ 调起每日日记模板
用户说「记录这本书」→ 调起读书笔记模板
用户说「这个项目怎么复盘」→ 调起项目复盘模板
用户说「Obsidian 怎么用」→ 展示完整指南
```
### 组合工作流
```
每日记录 → 双链笔记 → Dataview 汇总 → 定期复盘
```
---
## 七、与知识库系统的对比
| 维度 | Obsidian | 知识库闭环(thinking-knowledge-system)|
|------|---------|--------------------------------------|
| 存储位置 | 本地优先 | AI 辅助管理 |
| 核心机制 | 双向链接 | AI 回写 + 规则引擎 |
| 适用场景 | 个人笔记沉淀 | AI 参与的知识生产 |
| 互补关系 | **手动记录为主** | **AI 辅助归纳联系** |
**最佳实践**:两者结合使用
- Obsidian:个人笔记 + 双向链接 + 图谱可视化
- 知识库闭环:AI 辅助归纳 + 跨资料联系 + 系统性提炼
---
*本技能帮助快速掌握 Obsidian 高效使用方法*
整合麦肯锡30多个经典思考框架,支持战略规划、项目管理、组织分析、市场营销、逻辑思考与创意解决。
# McKinsey Framework System
> 麦肯锡咨询经典思考框架全集 | 6大领域 × 30+框架
---
## 一、核心定位
本技能整合麦肯锡咨询中最经典的思考框架,涵盖:
- 战略规划 · 项目管理 · 组织分析 · 市场营销 · 逻辑思考 · 创意解决
---
## 二、战略规划与管理
### 2.1 SWOT 分析
- **维度**:内部(优势 S / 劣势 W)+ 外部(机会 O / 威胁 T)
- **输出**:SWOT 矩阵 → 对应策略组合
- **适用**:企业状况评估、战略制定
### 2.2 BCG 矩阵(波士顿矩阵)
- **维度**:市场增长率 × 相对市场份额
- **四象限**:
- ⭐ 明星(高增长 / 高份额)→ 投资扩张
- 💰 金牛(低增长 / 高份额)→ 稳定收割
- ❓ 问题(高增长 / 低份额)→ 选择性投资
- 🐕 瘦狗(低增长 / 低份额)→ 清理退出
- **适用**:业务组合管理、资源分配决策
### 2.3 PEST 分析
- **四维度**:政治(P) · 经济(E) · 社会(S) · 技术(T)
- **适用**:宏观外部环境分析
### 2.4 STP 模型
- **三步**:市场细分(Segmentation) → 目标选择(Targeting) → 定位(Positioning)
- **适用**:精准营销规划
### 2.5 安索夫矩阵
- **二维**:产品(新/旧)× 市场(新/旧)
- **四策略**:市场渗透 / 市场开发 / 产品开发 / 多元化
- **适用**:增长策略选择
---
## 三、项目管理与执行
### 3.1 七步问题解决法
```
定义问题 → 分解问题 → 排定优先级 → 制定计划
→ 分析议题 → 综合结果 → 提出建议
```
- **适用**:复杂问题的系统化解决流程
### 3.2 逻辑树
- **结构**:顶层问题 → 分层子问题 → 可执行步骤
- **原则**:遵循 MECE,相互独立、完全穷尽
- **适用**:问题拆解、方案推导
### 3.3 流程图
- **用途**:图形化展示流程顺序,识别瓶颈与优化点
- **适用**:业务梳理与效率优化
### 3.4 重要度/紧急度矩阵(艾森豪威尔矩阵)
```
│ 紧急 │ 不紧急 │
───────────┼───────────┼────────────│
重要 │ ★ 立即做 │ ◆ 计划做 │
───────────┼───────────┼────────────│
不重要 │ ● 委托做 │ △ 删除 │
```
- **适用**:时间管理、任务优先级排序
### 3.5 假设思考
- **流程**:提出假设 → 收集数据验证 → 快速聚焦
- **优势**:信息不全时也能推进决策
- **适用**:快速决策、咨询诊断
---
## 四、组织与文化分析
### 4.1 麦肯锡 7S 框架
```
软件要素:
- 战略 (Strategy)
- 共同价值观 (Shared Values)
- 风格 (Style)
- 人员 (Staff)
硬件要素:
- 结构 (Structure)
- 制度 (Systems)
- 技能 (Skills)
```
- **核心**:软硬件七要素必须协调一致
- **适用**:组织诊断、变革管理
### 4.2 PESTLE 分析
- 在 PEST 基础上增加:
- 法律 (Legal)
- 环境 (Environmental)
- **适用**:更全面的宏观环境分析
### 4.3 愿景与使命
- **愿景**:组织长远目标(Where to go)
- **使命**:存在意义(Why we exist)
- **适用**:战略聚焦、团队凝聚
---
## 五、市场营销与客户分析
### 5.1 五力分析(波特)
```
供应商议价能力
↓
新进入者 ─→ 行业内竞争 ← 替代品威胁
↑
购买者议价能力
```
- **适用**:行业竞争力结构分析
### 5.2 3C 分析
- **三维**:公司自身 (Company) · 顾客 (Customer) · 竞争对手 (Competitor)
- **适用**:市场环境全面评估
### 5.3 客户旅程图
- **阶段**:认知 → 考虑 → 购买 → 使用 → 忠诚
- **分析**:各阶段触点 · 情绪曲线 · 痛点识别
- **适用**:用户体验优化
### 5.4 用户画像分析
- **构建**:虚拟人物(Persona)→ 人口统计 + 行为特征
- **适用**:精准产品设计、营销定位
### 5.5 品牌资产金字塔
```
品牌共鸣
/ \
品牌判断 品牌感受
/ \ / \
品牌功效 品牌形象 品牌显著性
```
- **层次**:识别 → 含义 → 响应 → 关系
- **适用**:品牌战略规划
---
## 六、逻辑思考与结构化分析
### 6.1 MECE 原则
- **要求**:相互独立(Mutually Exclusive)+ 完全穷尽(Collectively Exhaustive)
- **应用**:问题分解、信息分类
- **适用**:金字塔原理基础
### 6.2 金字塔结构
- **原则**:结论先行,以上统下
- **结构**:
```
核心结论
/ \
论据1 论据2
/ | \ / |
子 子 子 子 子 子
```
- **适用**:商业表达、报告撰写
### 6.3 六顶思考帽
| 帽子 | 颜色 | 思维方向 |
|------|------|---------|
| 信息 | 白帽 | 客观事实、数据 |
| 直觉 | 红帽 | 情感、预感 |
| 逻辑 | 黄帽 | 正面价值、优点 |
| 批判 | 黑帽 | 风险、问题 |
| 创意 | 绿帽 | 新想法、替代方案 |
| 控制 | 蓝帽 | 流程管理、总结 |
- **适用**:团队高效讨论、避免思维偏见
### 6.4 归纳法与演绎法
- **归纳**:具体 → 一般(从现象总结规律)
- **演绎**:一般 → 具体(从原理推演结论)
- **适用**:分析推理结合使用
### 6.5 议题树
- **结构**:核心议题 → 分议题 → 子议题(树状)
- **原则**:MECE 分解 + 追溯根源
- **适用**:问题系统化追溯
---
## 七、创意与问题解决
### 7.1 书面头脑风暴法
- **流程**:安静书写 → 传递纸条 → 累积想法 → 集体讨论
- **优势**:避免口头讨论中的 dominance 问题
- **适用**:激发平等参与、更多创意产出
### 7.2 SCAMPER 法
| 维度 | 问法示例 |
|------|---------|
| 替代 (Substitute) | 什么可以替代? |
| 合并 (Combine) | 什么可以合并? |
| 适应 (Adapt) | 有什么类似的东西? |
| 修改 (Modify) | 能改变什么? |
| 另用 (Put to other uses) | 还有别的用途吗? |
| 消除 (Eliminate) | 能去掉什么? |
| 反向 (Reverse/Rearrange) | 能反过来吗? |
- **适用**:产品/服务创新
### 7.3 曼陀罗思考法(九宫格)
```
┌─────┬─────┬─────┐
│ ● │ │ │ ← 中心:核心问题
├─────┼─────┼─────┤ ← 周围8格:扩散维度
│ │ │ │
├─────┼─────┼─────┤
│ │ │ │
└─────┴─────┴─────┘
```
- **优势**:多角度系统化探索
- **适用**:创意思维发散
### 7.4 利弊均衡法
- **结构**:列出选项的 **优点** + **缺点** 清单
- **适用**:直观定性决策
### 7.5 决策矩阵
- **方法**:对多选项按加权评价标准量化打分
- **公式**:总分 = Σ(权重 × 选项得分)
- **适用**:多方案理性选择
---
## 八、框架选用指南
| 场景 | 推荐框架 |
|------|---------|
| 分析企业战略 | SWOT + BCG + 7S |
| 宏观环境分析 | PEST / PESTLE |
| 市场定位 | STP + 3C + 五力 |
| 项目问题解决 | 七步法 + 逻辑树 + 假设思考 |
| 团队讨论决策 | 六顶思考帽 + 决策矩阵 |
| 创意激发 | SCAMPER + 曼陀罗 + 书面头脑风暴 |
| 时间/任务管理 | 艾森豪威尔矩阵 + 流程图 |
| 表达与写作 | MECE + 金字塔结构 |
---
## 九、使用方式
### 触发框架分析
```
用户说「用 SWOT 分析这个公司」或「帮我用七步法解决问题」
→ 自动应用对应框架
```
### 组合使用
```
用户说「先用 PEST 分析宏观环境,再用 3C 评估市场」
→ 按序执行多框架组合
```
### 自动选择
```
用户说「帮我分析这个市场」
→ AI 自动选择最合适的框架组合
```
---
*本技能包含 30+ 经典框架 | 附 46 张图表解析指引*
融合拆分、归纳、联系、提炼四层思考法与结构化知识库管理,实现认知能力提升和系统化知识沉淀回写。
# Thinking & Knowledge Base System > 思考四层次 × 知识库闭环 = 认知增强外挂 --- ## 一、核心定位 本技能将「思考心法」与「知识工具」合为一体: - **内在能力**(如何想):拆 → 归 → 联 → 提四层思考闭环 - **外部系统**(如何记):raw → wiki → AGENTS 知识库架构 两者构成完整的「认知增强」方案。 --- ## 二、思考四层次 ### 2.1 四层模型 ``` 拆分 ──→ 归纳 ──→ 联系 ──→ 提炼 │ │ │ │ │ │ │ └──→ 直击本质(第一性原理) │ │ └──→ 触类旁通(跨界迁移) │ └──→ 化零散为体系(结构化知识网络) └──→ 化混沌为清晰(MECE 原则) ``` ### 2.2 每层详解 #### L1 拆分 —— 化混沌为清晰 - **核心**:将复杂问题按 MECE 原则分解为相互独立、完全穷尽的小单元 - **方法**: - 按结构拆(公司 → 部门 → 岗位) - 按流程拆(用户购物:浏览 → 下单 → 支付 → 物流) - **价值**:把焦虑转化为可执行清单 #### L2 归纳 —— 化零散为体系 - **核心**:从大量现象/案例中提取共性规律和模式 - **方法**:找共同点 → 分类分层 → 提炼可复用模型(如 SWOT、波特五力) - **价值**:构建结构化知识网络,便于迁移 #### L3 联系 —— 触类旁通 - **核心**:发现不同领域/事物的内在关联,实现跨界迁移 - **方法**: - 跨学科类比(生物学 → 市场竞争) - 寻找共享底层逻辑(二八法则、幂律分布) - **价值**:把孤立知识连成动态网络 #### L4 提炼 —— 直击要害 - **核心**:穿透表象,抓住最核心的本质与第一性原理 - **方法**: - 5Why 追问法(连续问 5 个为什么) - 回归公理推理(第一性原理) - 一句话概括复杂问题 - **价值**:形成深刻洞见,避免次要细节消耗精力 --- ## 三、知识库架构 ### 3.1 目录结构 ``` workdir/ ├── raw/ # 原始资料(只读,知识源) │ ├── doc1.md │ ├── doc2.md │ └── ... ├── wiki/ # AI 整理后的结构化知识 │ ├── index.md # 空间导航(总地图) │ ├── log.md # 时间更新记录 │ ├── 概念页.md │ ├── 对比页.md │ └── ... └── AGENTS.md # 规则手册(最核心) ``` ### 3.2 AGENTS.md 核心规则 ```markdown # AGENTS.md ## 页面类型 - 摘要页:单文档核心提炼 - 概念页:定义 + 例子 + 关联 - 对比页:多事物异同比较 - 流程页:步骤 + 注意事项 ## 格式规范 - 标题用 ## ,引用用 > - 链接格式:[标题](链接) - 每页底部标注来源 ## 回写规则(核心!) 每次给出有价值的综合性回答后: 1. 将新知识写回 wiki/ 对应页面 2. 更新 index.md 加入新页面入口 3. 在 log.md 记录本次更新 ``` ### 3.3 七步运作流程 ``` 1. 建立目录(raw/wiki/AGENTS.md) 2. 编写 AGENTS.md 规则 3. 准备初始资料(3-5份核心文档) 4. 首次知识摄入 → AI 阅读 raw/ → 按规则生成 wiki/ 页面 → 创建 index.md + log.md 5. 提出跨资料问题 → 驱动 AI 进行「联系」与「提炼」 6. 执行回写(关键动作) → 综合性答案写回 wiki/,生成新页面 7. 人工核查 → Human owns verification → 检查准确性、来源、链接完整性 ``` ### 3.4 增强循环 ``` 摄入 ──→ 整理 ──→ 问答 ──→ 沉淀 ──→ 核查 ↑ │ └─────────────── 反馈循环 ←──────────────┘ ``` --- ## 四、两篇文档的内在联系 | 文档一(思考心法)| 文档二(知识工具)| |----------------|----------------| | 归纳能力 | 自动化归纳:raw → wiki | | 联系能力 | 辅助固化:通过跨资料问题驱动 | | 提炼能力 | 记忆固化:回写机制保存洞见 | **知识库 = 外挂大脑** - 自动化「归纳」:零散信息 → 结构化知识 - 辅助「联系」:跨资料问题 → 深度连接 - 固化「提炼」:洞见 → 可检索页面 --- ## 五、使用方式 ### 触发思考四层次 ``` 用户说「分析 XXX」或「帮我理清思路」 → 自动应用四层思考模型 ``` ### 触发知识库操作 ``` 用户说「写入知识库」或「帮我整理」 → 按 AGENTS.md 规则执行回写 ``` ### 组合使用 ``` 用户说「用思考框架分析这个话题,然后存进知识库」 → 四层思考 + 回写 wiki/ ``` --- ## 六、骨架文件 ### index.md(空间导航) ```markdown # 知识库总览 ## 概念页 - [[概念页]] ## 对比页 - [[对比页]] ## 流程页 - [[流程页]] ``` ### log.md(时间记录) ```markdown # 更新日志 ## 2026-04-19 - 新增:思考四层次框架 - 新增:知识库搭建指南 - 关联:两文档内在联系分析 ``` --- ## 七、常见陷阱 - ❌ 规则模糊 → ✅ 明确页面类型和格式规范 - ❌ 忘记回写 → ✅ 每次综合回答后强制执行 - ❌ 从不核查 → ✅ 定期人工验证准确性 - ❌ 初期资料过多 → ✅ 从 3-5 份核心文档开始 --- *本技能整合「思考四层次」心法 + 「知识库闭环」工具*
AI辅助编程与低代码快速产品项目搭建。AI生成代码 + 低代码思路 + 完整项目落地。触发指令:开启AI编程项目搭建 / 帮我用低代码做项目 / AI编程助手
--- name: ai-programming description: AI辅助编程与低代码快速产品项目搭建。AI生成代码 + 低代码思路 + 完整项目落地。触发指令:开启AI编程项目搭建 / 帮我用低代码做项目 / AI编程助手 version: 1.0.0 tags: ai-programming, low-code, python, web, automation, rapid-development --- # AI编程与低代码产品项目搭建 ## 技能说明 用AI大模型辅助编程,快速搭建自己的产品项目。核心是**AI编程 + 低代码开发**。 ## 核心能力 1. **AI生成代码** - 根据需求直接生成可运行代码,支持 Python、网页、小程序、工具脚本 2. **低代码搭建** - 简化开发步骤,给出可直接复制使用的代码与配置 3. **完整项目落地** - 规划项目结构 → 生成代码 → 调试优化 → 部署说明 ## 触发指令 - 开启AI编程项目搭建 - 帮我用低代码做项目 - AI编程助手 - 帮我写个XXX脚本/工具/网站 ## 输出格式 ``` ① 项目整体规划 ② 核心功能拆解 ③ 完整可运行代码 ④ 使用与部署说明 ⑤ 优化建议 ``` ## 工作流程 ``` 需求分析 → 技术选型 → 项目结构 → 代码生成 → 调试优化 → 部署说明 ``` ## 支持项目类型 | 类型 | 说明 | 技术栈示例 | |------|------|-----------| | 🌐 网页应用 | 前端+后端Web应用 | Python Flask/FastAPI + HTML/JS | | 🤖 自动化脚本 | 数据处理、文件操作 | Python + pandas/openpyxl | | 📱 小工具 | 命令行工具、桌面应用 | Python TKinter/PyQt | | 🔌 API服务 | REST API接口 | FastAPI + Uvicorn | | 📊 数据看板 | 数据可视化 | Python + Plotly/ECharts | | 🤖 AI工具 | 调用大模型API | Python + OpenAI/MiniMax | ## 使用示例 ``` 你:帮我用低代码做一个股票数据查询工具 我: ① 项目规划:数据获取→处理→展示 ② 技术栈:requests + pandas + Flask ③ 完整代码:直接可运行的Python脚本 ④ 使用说明:运行方式、依赖安装 ⑤ 优化建议:增加缓存、错误处理 ```
Tailscale安全组网工具 - 基于WireGuard的虚拟组网,安全内网穿透,不暴露公网IP,点对点加密连接。适用于远程访问、居家办公、服务器管理。
---
name: tailscale-vpn
version: 1.0.0
description: Tailscale安全组网工具 - 基于WireGuard的虚拟组网,安全内网穿透,不暴露公网IP,点对点加密连接。适用于远程访问、居家办公、服务器管理。
keywords: [tailscale,vpn,wireguard,组网,安全,远程访问,内网穿透,network]
---
# Tailscale 安全组网
**触发词:** `Tailscale组网` / `Tailscale安装` / `安全远程访问`
**官网:** https://tailscale.com
---
## 什么是 Tailscale?
基于 **WireGuard** 的虚拟组网工具:
- 🌐 把你所有设备组成**虚拟安全网络**
- 🔒 端到端加密,不暴露公网IP
- ⚡ 点对点直连,延迟低
- 🔓 无需配置路由器/端口映射
---
## 核心优势
| 特性 | Tailscale | 传统VPN |
|------|-----------|---------|
| 连接方式 | WireGuard P2P | 中心服务器 |
| 公网暴露 | ❌ 不暴露 | ⚠️ 可能暴露 |
| 延迟 | 低(P2P直连) | 高(中转) |
| 配置 | 极简 | 复杂 |
| 设备数 | 100+免费 | 通常有限 |
---
## 工作原理
```
传统方式(危险):
你的设备 → 公网IP → 暴露风险 → 被攻击
Tailscale方式(安全):
你的设备 → Tailscale加密隧道 → 对方设备
↓
不暴露公网IP
```
---
## 安装步骤
### 1️⃣ 注册账号
1. 访问 https://login.tailscale.com
2. 用 GitHub/Google/Microsoft 注册
3. 免费版支持 **100台设备**
### 2️⃣ 安装客户端
**Windows:**
```powershell
# 下载安装
https://tailscale.com/download/windows
# 或用 winget
winget install Tailscale.Tailscale
```
**macOS:**
```bash
# 用 Homebrew
brew install tailscale
# 或 App Store 下载
```
**Linux:**
```bash
# 一键安装
curl -fsSL https://tailscale.com/install.sh | sh
# 启动服务
sudo tailscaled up
```
**iOS/Android:**
App Store / Play Store 搜索 "Tailscale" 下载
### 3️⃣ 连接登录
```bash
# 启动并登录
tailscale up
# 会自动打开浏览器授权
```
### 4️⃣ 查看网络
```bash
# 查看所有设备
tailscale status
# 示例输出:
# 100.x.x.x macbook
# 100.x.x.x desktop
# 100.x.x.x phone
```
---
## 常用命令
```bash
# 连接/断开
tailscale up
tailscale down
# 查看状态
tailscale status
# 分享设备给其他用户
tailscale share
# 访问另一台设备(像本地一样)
ssh 100.x.x.x
ping 100.x.x.x
\\100.x.x.x\c$ # Windows共享
# 退出登录
tailscale logout
```
---
## 高级功能
### 1️⃣ 子网路由(访问整个局域网)
```bash
# 假设局域网是 192.168.1.0/24
sudo tailscale up --advertise-routes=192.168.1.0/24
# 在管理后台批准路由
# https://login.tailscale.com/acls
```
### 2️⃣ Exit Node(用其他设备上网)
```bash
# 把某设备设为出口节点
tailscale up --exit-node=100.x.x.x
# 其他设备通过它上网
```
### 3️⃣ 配合远程桌面
**RustDesk + Tailscale:**
```bash
# 1. 两台设备都加入Tailscale网络
# 2. 获取对方IP(如 100.105.1.200)
# 3. RustDesk连接 100.105.1.200
```
**优势:**
- ✅ 不暴露公网IP
- ✅ 加密P2P连接
- ✅ 无需设置端口转发
---
## ACL 访问控制
在 https://login.tailscale.com/admin/acls 设置谁可以访问谁:
```json
{
"acls": [
{"action": "accept", "src": ["group:tech"], "dst": ["*:*"]}
]
}
```
---
## 安全优势
| 风险 | Tailscale解决方案 |
|------|-----------------|
| 公网IP暴露 | ✅ 使用100.x.x.x虚拟IP |
| 中间人攻击 | ✅ WireGuard端到端加密 |
| 未授权访问 | ✅ Tailscale认证 + ACL |
| 端口映射 | ✅ 无需端口映射 |
---
## 使用场景
| 场景 | 说明 |
|------|------|
| 🏠 居家办公 | 访问公司内网资源 |
| 🖥️ 远程桌面 | 连接家里/公司电脑 |
| 🖥️ 服务器管理 | SSH/远程管理服务器 |
| 📱 跨设备同步 | 文件共享、剪贴板 |
| 🔒 安全访问 | 不暴露公网的服务 |
---
## 搭配推荐
**最佳组合:**
```
Tailscale(安全组网)+ RustDesk(远程控制)
```
**优势:**
- 公网IP完全隐藏
- 端到端加密
- 无需配置路由器
- 延迟低,体验好
---
## 故障排除
| 问题 | 解决方案 |
|------|---------|
| 无法连接 | 检查 tailscale status |
| 延迟高 | 尝试不同出口节点 |
| 设备不在线 | 确保客户端运行中 |
| ACL限制 | 检查管理后台设置 |
---
## 安装状态
检查是否已安装:
```bash
which tailscale
tailscale version
```
---
*基于 WireGuard | 安全组网专家*
安全免费开源的ToDesk替代远程控制工具推荐。RustDesk/SPyRFC/UltraVNC等,主打安全、开源、无广告,适合程序员和电脑用户。
--- name: todesk-alternatives version: 1.0.0 description: 安全免费开源的ToDesk替代远程控制工具推荐。RustDesk/SPyRFC/UltraVNC等,主打安全、开源、无广告,适合程序员和电脑用户。 keywords: [todesk,remote-desktop,rustdesk,open-source,remote-control,开源,远程控制] --- # ToDesk 开源平替推荐 **触发词:** `ToDesk平替` / `开源远程控制` / `远程桌面替代` --- ## 为什么需要替代? | ToDesk | 开源替代 | |--------|---------| | ❌ 有广告/付费 | ✅ 免费开源 | | ❌ 数据经过服务器 | ✅ 点对点直连 | | ❌ 闭源,有隐私风险 | ✅ 代码公开,可审计 | | ❌ 免费版限制多 | ✅ 功能完整 | --- ## 推荐工具 ### 1️⃣ RustDesk(最推荐) **特点:** Rust编写,全平台支持,开源免费 | 特性 | 说明 | |------|------| | 平台 | Windows/macOS/Linux/Android/iOS | | 连接 | 点对点 / 中继服务器 | | 开源 | ✅ 完全开源 | | 自托管 | ✅ 可搭建自己的中继服务器 | | 延迟 | 低(P2P直连) | **下载:** https://rustdesk.com/download **部署自建中继:** ```bash # Docker 一键部署 docker run --name rustdesk-server -d \ --network host \ rustdesk/rustdesk-server:latest ``` **适合人群:** 所有人,特别是注重隐私者 --- ### 2️⃣ UltraVNC **特点:** 老牌VNC改进,Windows最强 | 特性 | 说明 | |------|------| | 平台 | Windows为主 | | 连接 | VNC协议 | | 开源 | ✅ 开源 | | 文件传输 | ✅ 支持 | | 画质 | 高 | **下载:** https://www.uvnc.com/downloads/ultravnc.html **适合人群:** Windows用户,需要高画质传输 --- ### 3️⃣ TigerVNC **特点:** 高性能VNC替代 | 特性 | 说明 | |------|------| | 平台 | Windows/macOS/Linux | | 连接 | VNC协议 | | 开源 | ✅ 开源 | | 性能 | 优化过的渲染 | **下载:** https://tigervnc.org/ **适合人群:** Linux用户,需要高性能 --- ### 4️⃣ SPyRFC (自建方案) **特点:** 完全自建,零依赖 | 特性 | 说明 | |------|------| | 平台 | 需自己部署 | | 连接 | WebRTC P2P | | 开源 | ✅ 开源 | | 复杂度 | 高,需技术能力 | **适合人群:** 程序员/极客 --- ## 工具对比 | 工具 | 难度 | 隐私 | 平台 | 推荐度 | |------|------|------|------|---------| | RustDesk | ⭐ | ⭐⭐⭐⭐⭐ | 全部 | ⭐⭐⭐⭐⭐ | | UltraVNC | ⭐⭐ | ⭐⭐⭐⭐ | Windows | ⭐⭐⭐⭐ | | TigerVNC | ⭐⭐ | ⭐⭐⭐⭐ | 全部 | ⭐⭐⭐⭐ | | 自建 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | 全部 | ⭐⭐⭐ | --- ## 安全提示 ⚠️ **重要:** 1. **优先使用P2P直连**,不经过中继更安全 2. **自建中继服务器**,数据不经过第三方 3. **配合Tailscale**,组网后更安全 4. **强密码 + 2FA**,防止未授权访问 5. **定期更新**,修复安全漏洞 --- ## 最佳实践:RustDesk + Tailscale ``` Tailscale组网 → 获取虚拟IP → RustDesk连接 ``` **优势:** - ✅ 不暴露公网IP - ✅ 点对点加密 - ✅ 无需端口映射 - ✅ 低延迟 --- *安全开源远程控制 | 保护隐私*
BilldDesk远程桌面控制工具 - WebRTC技术,支持2K+60fps,自定义设备码,隐私屏,虚拟屏,屏幕墙,批量群控。免费无限制,配合Tailscale更安全。
--- name: billd-desk version: 1.0.0 description: BilldDesk远程桌面控制工具 - WebRTC技术,支持2K+60fps,自定义设备码,隐私屏,虚拟屏,屏幕墙,批量群控。免费无限制,配合Tailscale更安全。 keywords: [billd-desk,remote-desktop,remote-control,webrtc,tailscale,远程桌面] --- # BilldDesk 远程桌面 **官网:** https://desk.hsslive.cn **GitHub:** https://github.com/galaxy-s10/billd-desk **下载:** https://desk.hsslive.cn/#/download **快速体验:** https://desk.hsslive.cn --- ## 核心优势 vs ToDesk | 功能 | BilldDesk | ToDesk | |------|-----------|--------| | 连接限制 | ✅ 无限制免费 | ⚠️ 80h/月 | | 画质 | ✅ 2K+60fps免费 | ⚠️ 1080p限制 | | 帧率 | ✅ 无限制 | ⚠️ 30帧 | | 安卓被控 | ✅ 免费 | ❌ ¥24/月 | | 自定义设备码 | ✅ 免费 | ❌ 不支持 | | 隐私屏 | ✅ 免费 | ❌ ¥24/月 | | 虚拟屏 | ✅ 免费 | ❌ ¥95/月 | | 屏幕墙 | ✅ 免费 | ❌ ¥218/月 | | 批量群控 | ✅ 支持 | ❌ 不支持 | | Web控制 | ✅ 免费 | ❌ ¥24/月 | | 私有化部署 | ✅ 免费开源 | ❌ 企业版 | --- ## 支持平台 | 平台 | 状态 | 说明 | |------|------|------| | Windows 10/11 | ✅ 完全支持 | 推荐 | | Windows Server | ✅ 支持 | | | macOS 15+ | ✅ 支持 | | | Android 8-15 | ✅ 支持 | 被控/主控 | | Web浏览器 | ✅ 支持 | Chrome/Edge/Firefox/Safari | | Linux/WASM | ❌ 不支持 | | --- ## 功能列表 ### 基础功能 - ✅ 2K+60fps 高画质 - ✅ 自定义设备码/密码 - ✅ 剪贴板同步 - ✅ 分辨率同步 - ✅ 文件传输 - ✅ 开机自启(无人值守) - ✅ 进程保活 - ✅ 在线更新 - ✅ 系统托盘 ### 高级功能 - ✅ 隐私屏(图片/文字) - ✅ 虚拟屏 - ✅ 扩展屏 - ✅ 屏幕墙(单控/群控) - ✅ 多屏操作 - ✅ 多设备同时控制 - ✅ 批量群控 - ✅ 快捷键支持 ### 技术特性 - ✅ WebRTC P2P - ✅ H264/H265/VP8/VP9/AV1 - ✅ NVIDIA/AMD 硬件加速 - ✅ 自定义中继服务器 - ✅ 私有化部署 - ✅ Docker一键部署 --- ## 快速开始 ### 1. 下载客户端 访问:https://desk.hsslive.cn/#/download 下载对应平台的客户端 ### 2. 注册账号 免费注册,开始使用 ### 3. 添加设备 在要控制的电脑上安装并登录 ### 4. 开始控制 在控制端选择设备,开始远程 --- ## 配合 Tailscale 使用(推荐) **最佳安全方案:** ``` Tailscale组网 + BilldDesk远程控制 ``` ### 步骤: 1. **安装 Tailscale** ```bash # Linux curl -fsSL https://tailscale.com/install.sh | sh # Windows: https://tailscale.com/download # macOS: App Store # Android: Play Store ``` 2. **加入网络** ```bash tailscale up # 浏览器授权 ``` 3. **获取Tailscale IP** ```bash tailscale status # 显示所有设备的 100.x.x.x IP ``` 4. **BilldDesk使用Tailscale IP连接** 在BilldDesk中: - 输入对方设备码 - 或使用Tailscale IP直接连接 **优势:** - ✅ 公网IP完全隐藏 - ✅ WireGuard加密 - ✅ 无需端口映射 - ✅ P2P直连低延迟 --- ## 私有化部署 ### Docker一键部署 ```bash # 部署中继服务器 docker run -d \ --name billd-desk \ -p 3000:3000 \ -p 8000:8000 \ billd-desk-server:latest ``` ### 自定义配置 ```bash # 设置中继服务器地址 # 在BilldDesk设置中填入你的服务器地址 ``` --- ## 远程控制技巧 ### 快捷键 | 操作 | 快捷键 | |------|--------| | Ctrl+Alt+Del | 锁定/注销 | | 显示桌面 | 快速返回 | | 打开设置 | 远程配置 | | 任务视图 | 多任务切换 | | 任务管理器 | 系统监控 | | 资源管理器 | 文件管理 | ### 画质优化 在设置中调整: - 码率:越高越清晰 - 帧率:越高越流畅 - 编码:H265更省带宽 --- ## 适用场景 | 场景 | 推荐功能 | |------|---------| | 居家办公 | Tailscale + BilldDesk | | 远程服务器 | 开机自启 + 隐私屏 | | 多设备管理 | 屏幕墙 + 批量群控 | | 游戏串流 | 2K+60fps + 硬件编码 | | IT运维 | 私有化部署 + 自定义中继 | --- ## 开源版本 vs Pro版 | 版本 | 开源版 | Pro版 | |------|--------|-------| | 源码 | ✅ 完全开源 | ❌ 闭源 | | 价格 | 免费 | 订阅制 | | 隐私屏 | ❌ 无 | ✅ 有 | | 虚拟屏 | ❌ 无 | ✅ 有 | | 屏幕墙 | ❌ 无 | ✅ 有 | | 高码率 | ❌ 限制 | ✅ 无限制 | **开源版地址:** https://github.com/galaxy-s10/billd-desk --- ## 安全建议 1. **配合Tailscale**:隐藏公网IP 2. **设置强密码**:防止未授权访问 3. **私有化部署**:数据不经过第三方 4. **隐私屏**:远程时保护隐私 5. **定期更新**:修复安全漏洞 --- *WebRTC远程桌面 | 免费无限制*
MiniMax PPT演示文稿生成 - 内置4套视觉风格模板,自动对齐圆角阴影间距排版,按大纲一键生成结构完整、样式统一的.pptx演示文稿。
--- name: minimax-ppt version: 1.0.0 description: MiniMax PPT演示文稿生成 - 内置4套视觉风格模板,自动对齐圆角阴影间距排版,按大纲一键生成结构完整、样式统一的.pptx演示文稿。 keywords: [ppt,pptx,minimax,office,presentation,slides,template] --- # MiniMax-PPT 演示文稿生成 **来源:** MiniMax-AI/skills **触发词:** `生成专业PPT` / `用MiniMax PPT生成` --- ## 核心优势 | 特性 | 说明 | |------|------| | 模板 | 内置4套视觉风格 | | 排版 | 自动对齐 | | 细节 | 圆角、阴影、间距统一 | | 输出 | .pptx,结构完整 | --- ## 功能清单 ✅ **模板风格** - 商务简约风 - 科技感风格 - 学术严谨风 - 创意活泼风 ✅ **自动排版** - 圆角统一 - 阴影一致 - 间距标准化 - 字体统一 ✅ **页面结构** - 封面页 - 目录页 - 内容页 - 总结页 - 配图占位符 --- ## 输出标准 ``` ✅ .pptx 格式 ✅ 4:3 / 16:9 宽屏 ✅ 排版整齐划一 ✅ 细节到位 ✅ 适合汇报演示 ``` --- ## PPT结构模板 ```markdown # [演示标题] ## 封面 - 主标题 - 副标题 - 日期/作者 ## 目录 - 内容概览 ## 内容页1 - 标题 - 要点1 - 要点2 - 配图 ## 内容页2 - ... ## 总结 - 核心结论 - 致谢 ``` --- ## 适用场景 - 📊 工作汇报 - 🎓 学术演讲 - 💼 商业提案 - 📚 培训课件 - 🚀 产品发布 --- *Powered by MiniMax-AI/skills*
MiniMax PDF专业排版导出 - Playwright+ReportLab双引擎,HTML/CSS封面渲染,精准正文排版,输出印刷级、版式稳定的PDF文档。
--- name: minimax-pdf version: 1.0.0 description: MiniMax PDF专业排版导出 - Playwright+ReportLab双引擎,HTML/CSS封面渲染,精准正文排版,输出印刷级、版式稳定的PDF文档。 keywords: [pdf,minimax,office,playwright,reportlab,document,export] --- # MiniMax-PDF 高质量排版导出 **来源:** MiniMax-AI/skills **触发词:** `生成专业PDF文档` / `用MiniMax PDF生成` --- ## 核心优势 | 特性 | 说明 | |------|------| | 引擎 | Playwright + ReportLab 双引擎 | | 封面 | HTML/CSS渲染 | | 排版 | 精准,不错位 | | 稳定性 | 版式统一 | --- ## 功能清单 ✅ **渲染引擎** - Playwright:封面HTML/CSS渲染 - ReportLab:正文精准排版 - 双引擎协同,兼顾美观与精确 ✅ **文档结构** - 书签(Bookmarks) - 页码(自动编号) - 目录(超链接) - 交叉引用 ✅ **输出特性** - 表单填充(AcroForms) - 批量导出 - 多封面风格 - 无乱码 --- ## 排版标准 ``` ✅ 封面:HTML/CSS渲染,视觉精美 ✅ 正文:精准排版,无错位 ✅ 字体:嵌入字体,不丢失 ✅ 图片:高清不失真 ✅ 可直接打印交付 ``` --- ## 适用场景 - 📖 电子书 - 📑 报告文档 - 📄 合同协议 - 📋 表单文件 - 🎓 论文排版 --- *Powered by MiniMax-AI/skills*
MiniMax Excel专业表格生成 - 底层XML直操作,完整保留公式、宏、数据透视表、数据验证、条件格式,输出金融级.xlsx/.xlsm表格。
--- name: minimax-excel version: 1.0.0 description: MiniMax Excel专业表格生成 - 底层XML直操作,完整保留公式、宏、数据透视表、数据验证、条件格式,输出金融级.xlsx/.xlsm表格。 keywords: [excel,xlsx,xlsm,minimax,office,spreadsheet,formula,pivot-table] --- # MiniMax-Excel 数据表格生成 **来源:** MiniMax-AI/skills **触发词:** `生成专业Excel表格` / `用MiniMax Excel生成` --- ## 核心优势 | 特性 | 说明 | |------|------| | 技术 | 底层XML直操作(非轻量Python库)| | 公式 | 完整保留,无丢失 | | 宏 | 支持VBA宏 | | 透视表 | 数据透视表完整支持 | --- ## 功能清单 ✅ **公式与计算** - 单元格公式(SUM, VLOOKUP, INDEX/MATCH等) - 数组公式 - 自定义函数 ✅ **数据处理** - 数据验证(下拉菜单、范围限制) - 条件格式(颜色标注、数据条) - 数据透视表(切片器、钻取) ✅ **格式样式** - 单元格合并、边框、填充 - 数字格式(货币、百分比、日期) - 冻结窗格、自动筛选 ✅ **宏与自动化** - VBA宏代码保留 - .xlsm格式支持 - 自动化脚本嵌入 --- ## 输出标准 ``` ✅ .xlsx / .xlsm 格式 ✅ 公式计算逻辑完整 ✅ 宏功能可用 ✅ 数据透视表不失真 ✅ 适合金融级报表 ``` --- ## 适用场景 - 💰 财务报表 - 📊 数据汇总表 - 📈 分析报告 - 🔢 预算规划 - 📉 业绩追踪 --- *Powered by MiniMax-AI/skills*
MiniMax Word专业文档生成 - 基于.NET OpenXML SDK,完整保留页眉页脚目录、修订痕迹、复杂表格样式,输出可直接交付的.docx文档。
--- name: minimax-word version: 1.0.0 description: MiniMax Word专业文档生成 - 基于.NET OpenXML SDK,完整保留页眉页脚目录、修订痕迹、复杂表格样式,输出可直接交付的.docx文档。 keywords: [word,docx,minimax,office,document,openxml,.NET] --- # MiniMax-Word 专业文档生成 **来源:** MiniMax-AI/skills **触发词:** `生成专业Word文档` / `用MiniMax Word生成` --- ## 核心优势 | 特性 | 说明 | |------|------| | SDK | 微软官方 .NET OpenXML SDK | | 格式 | 完整保留,不丢失 | | 输出 | .docx,直接交付 | --- ## 格式保留清单 ✅ **页面布局** - 页眉、页脚、页码 - 目录(自动生成) - 页边距、纸张大小 - 分栏排版 ✅ **文字样式** - 多级标题(Heading 1-9) - 正文字体、字号、颜色 - 加粗、斜体、下划线 - 项目符号、编号列表 ✅ **复杂元素** - 嵌套表格、合并单元格 - 图片、图表、文本框 - 修订痕迹(Track Changes) - 批注(Comments) - 书签、交叉引用 --- ## 技术规则 1. **使用 .NET OpenXML SDK** 生成文档 2. **禁止** 使用简单字符串拼接生成 .docx 3. **确保** 格式不错位、内容不丢失 4. **验证** 输出文件可被 Microsoft Word/WPS 打开 --- ## 输出标准 ``` ✅ 无乱码 ✅ 格式完整 ✅ 可直接用于正式提交 ✅ 兼容 Microsoft Word 2007+ ``` --- ## 适用场景 - 📄 工作报告 - 📑 合同协议 - 📚 学术论文 - 📋 项目方案 - 📰 新闻稿 --- *Powered by MiniMax-AI/skills*
MiniMax Office办公技能包 - Word/Excel/PDF/PPT四大专业文档生成。基于.NET OpenXML SDK、底层XML直操作、Playwright+ReportLab双引擎。一键生成可直接交付的专业办公文档。
--- name: minimax-office version: 1.0.0 description: MiniMax Office办公技能包 - Word/Excel/PDF/PPT四大专业文档生成。基于.NET OpenXML SDK、底层XML直操作、Playwright+ReportLab双引擎。一键生成可直接交付的专业办公文档。 keywords: [office,word,excel,pdf,ppt,minimax,document,office-automation] --- # MiniMax Office Skills Pack MiniMax专业办公文档技能包 **来源:** MiniMax-AI/skills **Star:** 5000+ ⭐ **解决痛点:** AI生成文档格式乱、公式丢失、无法交付 --- ## 四大技能 | 技能 | 触发词 | 核心定位 | |------|--------|---------| | 📄 **MiniMax-Word** | 生成专业Word文档 | .NET OpenXML SDK,完整格式保留 | | 📊 **MiniMax-Excel** | 生成专业Excel表格 | 底层XML直操作,公式宏保留 | | 📑 **MiniMax-PDF** | 生成专业PDF文档 | Playwright+ReportLab双引擎 | | 📽️ **MiniMax-PPT** | 生成专业PPT | 内置模板,自动排版 | --- ## 1️⃣ MiniMax-Word 专业文档 **触发词:** `生成专业Word文档` / `用MiniMax Word生成` **核心优势:** - ✅ 基于微软官方 .NET OpenXML SDK - ✅ 完整保留页眉、页脚、目录、修订痕迹 - ✅ 复杂表格、多级标题、样式不丢失 - ✅ 输出 .docx,直接交付 **输出标准:** - 无乱码 - 格式不错位 - 可直接用于正式提交 --- ## 2️⃣ MiniMax-Excel 数据表格 **触发词:** `生成专业Excel表格` / `用MiniMax Excel生成` **核心优势:** - ✅ 底层XML直操作,非轻量Python库 - ✅ 完整保留公式、宏、数据透视表 - ✅ 支持数据验证、条件格式 - ✅ 输出 .xlsx/.xlsm **适用场景:** - 财务报表 - 数据汇总 - 分析表 - 金融级表格 --- ## 3️⃣ MiniMax-PDF 高质量排版 **触发词:** `生成专业PDF文档` / `用MiniMax PDF生成` **核心优势:** - ✅ Playwright + ReportLab 双引擎 - ✅ 封面HTML/CSS渲染 - ✅ 正文精准排版 - ✅ 保留书签、页码、表单填充 **输出标准:** - 无错位 - 无乱码 - 可直接打印交付 --- ## 4️⃣ MiniMax-PPT 演示文稿 **触发词:** `生成专业PPT` / `用MiniMax PPT生成` **核心优势:** - ✅ 内置4套视觉风格模板 - ✅ 自动对齐圆角、阴影、间距 - ✅ 按大纲生成封面、目录、内容页 - ✅ 输出 .pptx,排版整齐 --- ## 组合使用 **完整办公流程:** ``` Word文档 → Excel数据表 → PDF报告 → PPT演示 ``` --- *MiniMax Office Skills | 直接交付的专业文档*
四大AI思维方式工具包 - Chain of Thought思维链、Bird's Eye View鸟瞰视角、GranolaAI高效精简、MiroAI白板脑暴。一键切换模式,提升AI推理质量。
---
name: ai-thinking-tools
version: 1.0.0
description: 四大AI思维方式工具包 - Chain of Thought思维链、Bird's Eye View鸟瞰视角、GranolaAI高效精简、MiroAI白板脑暴。一键切换模式,提升AI推理质量。
keywords: [思维链,Chain of Thought,鸟瞰视角,Bird's Eye View,GranolaAI,MiroAI,AI思考方式,推理模式]
---
# AI Thinking Tools Pack
四大AI思维方式工具包
---
## 总览
| 技能 | 触发词 | 核心作用 |
|------|--------|---------|
| 🧠 Chain of Thought | 使用思维链 | 分步推理,严谨推导 |
| 🦅 Bird's Eye View | 使用鸟瞰视角 | 全局规划,框架先行 |
| ⚡ GranolaAI | 高效精简模式 | 简洁直接,快速输出 |
| 🎨 Miro AI | 开启白板脑暴模式 | 思维导图,结构可视化 |
---
## 1️⃣ Chain of Thought(思维链推理)
**触发词:** `使用思维链` / `思维链推理` / `分步分析`
**核心思想:** 不是直接给答案,而是一步步推导、拆解问题、列出逻辑步骤。
**输出格式:**
```
## 问题分析
[问题是什么]
## 已知条件
1. [条件1]
2. [条件2]
3. [条件3]
## 推导步骤
### 步骤1:[具体推导]
### 步骤2:[具体推导]
### 步骤3:[具体推导]
## 中间结果
[推导过程中的发现]
## 最终结论
[严谨的最终答案]
```
**适用场景:**
- 数学证明/计算
- 逻辑推理
- 复杂问题分析
- 代码调试
- 决策分析
**示例:**
```
用户:什么条件下公司应该扩张?
## 问题分析
判断公司扩张的最佳时机
## 已知条件
1. 现有市场份额稳定
2. 现金流充沛
3. 市场需求增长中
## 推导步骤
步骤1:分析内因(资源充足 ✓)
步骤2:分析外因(市场扩张 ✓)
步骤3:风险评估(竞争加剧 ⚠️)
## 最终结论
在资源充足且市场增长时,可考虑有限度扩张
```
---
## 2️⃣ Bird's Eye View(鸟瞰全局规划)
**触发词:** `使用鸟瞰视角` / `全局规划` / `先搭框架`
**核心思想:** 先站在高处整体梳理,搭框架、分模块、列结构,再填充细节。
**输出格式:**
```
## 🌐 整体框架
[一级标题 - 核心主题]
### 📦 模块一:[模块名]
- **定位:** [模块作用]
- **核心内容:**
1. [要点1]
2. [要点2]
3. [要点3]
### 📦 模块二:[模块名]
- **定位:** [模块作用]
- **核心内容:**
1. [要点1]
2. [要点2]
### 📦 模块三:[模块名]
- **定位:** [模块作用]
- **核心内容:**
1. [要点1]
## 🔗 模块关联
[模块之间的关系]
## 📝 补充细节
[后续可填充的具体内容]
```
**适用场景:**
- 项目规划
- 论文写作
- 方案设计
- 知识体系梳理
- 产品设计
**示例:**
```
用户:帮我规划一个App开发项目
## 🌐 整体框架
App开发项目规划
### 📦 模块一:需求分析
### 📦 模块二:技术选型
### 📦 模块三:UI/UX设计
### 📦 模块四:开发迭代
### 📦 模块五:测试上线
## 🔗 模块关联
需求 → 选型 → 设计 → 开发 → 上线
```
---
## 3️⃣ GranolaAI(高效精简模式)
**触发词:** `高效精简模式` / `简洁模式` / `快速输出`
**核心思想:** 简洁、直接、无废话,快速给出核心答案,减少修饰,优先实用结果。
**输出规则:**
- ❌ 不说"当然"、"其实"、"值得注意的是"
- ❌ 不冗余解释
- ✅ 直接给答案
- ✅ 一句话能解决的绝不说三句
- ✅ 用最少的字表达最多的意思
**输出格式:**
```
## 核心答案
[最简洁的答案]
## 关键点(如需)
- [要点1]
- [要点2]
- [要点3]
## 可选行动(如需)
1. [行动1]
2. [行动2]
```
**适用场景:**
- 日常问答
- 文本总结
- 快速查询
- 紧急问题
- 简单翻译
**示例:**
```
用户:Python怎么定义函数?
## 核心答案
def 函数名(参数):
函数体
return 返回值
## 关键点
- def 关键字
-缩进4空格
- return 可选
```
---
## 4️⃣ Miro AI(白板脑暴模式)
**触发词:** `开启白板脑暴模式` / `思维导图模式` / `结构化梳理`
**核心思想:** 以思维导图/框架结构输出,分点清晰,支持头脑风暴、流程梳理,大纲生成,结构可视化。
**输出格式:**
```
# [主题]
## 中心主题
[核心问题/概念]
## 一级分支
### 🌟 分支1:[方向名]
- 二级要点A
- 二级要点B
- 二级要点C
### 🌟 分支2:[方向名]
- 二级要点A
- 二级要点B
### 🌟 分支3:[方向名]
- 二级要点A
- 二级要点B
- 二级要点C
- 二级要点D
## 💭 头脑风暴区
[自由联想的点子]
## 🔄 关联与扩展
[分支之间的联系]
```
**Mermaid流程图格式(可选):**
````markdown
```mermaid
flowchart TD
A[开始] --> B[步骤1]
B --> C{判断}
C -->|是| D[结果1]
C -->|否| E[结果2]
D --> F[结束]
E --> F
```
````
**适用场景:**
- 头脑风暴
- 项目规划
- 流程设计
- 思维梳理
- 团队协作
- 会议记录
**示例:**
```
用户:帮我脑暴一个生日派对创意
# 生日派对创意
## 中心主题
生日派对
## 一级分支
### 🌟 主题选择
- 复古风格
- 户外露营
- 游戏主题
### 🌟 场地布置
- 气球拱门
- 彩带装饰
- 灯光氛围
### 🌟 活动环节
- 开场游戏
- 切蛋糕
- 抽奖环节
### 🌟 美食安排
- 主蛋糕
- 甜品台
- 饮料区
```
---
## 快速切换指南
| 需求 | 推荐模式 |
|------|---------|
| 推理/计算 | 🧠 Chain of Thought |
| 规划/设计 | 🦅 Bird's Eye View |
| 快速问答 | ⚡ GranolaAI |
| 脑暴/梳理 | 🎨 Miro AI |
---
## 组合使用
**复杂任务可以组合:**
1. 先用 🦅 Bird's Eye View 搭框架
2. 再用 🧠 Chain of Thought 深入推理
3. 最后用 ⚡ GranolaAI 精简输出
**示例指令:**
```
先用鸟瞰视角规划项目框架,再用思维链分析关键技术难点,最后简洁输出核心结论。
```
---
*四大AI思维方式工具包 | 提升AI推理质量*
Lightpanda is a lightweight, Zig-based headless browser 9x faster and 16x more memory-efficient than Chrome for web scraping and content extraction.
---
name: lightpanda
description: Lightpanda is a lightweight headless browser written in Zig. 9x faster and 16x less memory than Chrome. Perfect for web scraping, content extraction, and automation. 安装: curl -L -o lightpanda https://github.com/lightpanda-io/browser/releases/download/nightly/lightpanda-x86_64-linux && chmod a+x lightpanda | 轻量级无头浏览器,比Chrome快9倍,省内存16倍,适合网页抓取和内容提取
version: 1.0.0
---
# Lightpanda / 轻量级无头浏览器
## 简介 / Introduction
Lightpanda 是用 Zig 编写的轻量级无头浏览器,非 Chromium 分支。
**性能对比:**
| 指标 | Lightpanda | Headless Chrome | 差距 |
|------|------------|-----------------|------|
| 内存 (100页) | 123MB | 2GB | **16x 更省** |
| 速度 (100页) | 5s | 46s | **9x 更快** |
## 安装 / Installation
```bash
# Linux
curl -L -o lightpanda https://github.com/lightpanda-io/browser/releases/download/nightly/lightpanda-x86_64-linux && \
chmod a+x ./lightpanda
# macOS
curl -L -o lightpanda https://github.com/lightpanda-io/browser/releases/download/nightly/lightpanda-aarch64-macos && \
chmod a+x ./lightpanda
```
## 使用方法 / Usage
### 基本命令 / Basic Commands
```bash
# 查看版本
./lightpanda version
# 抓取网页为 HTML
./lightpanda fetch --obey-robots --dump html --log-format pretty --log-level info <URL>
# 抓取网页为 Markdown(推荐)
./lightpanda fetch --obey-robots --dump markdown --log-format pretty --log-level info <URL>
# 等待加载后再抓取
./lightpanda fetch --obey-robots --dump markdown --wait-ms 3000 <URL>
# 等待特定元素
./lightpanda fetch --obey-robots --dump markdown --wait-selector ".content" <URL>
```
### Python 调用 / Python Integration
```python
import subprocess
import re
def fetch_url(url, format="markdown", wait_ms=2000):
"""使用 Lightpanda 抓取网页"""
output_format = "markdown" if format == "markdown" else "html"
cmd = [
"./lightpanda", "fetch",
"--obey-robots",
"--dump", output_format,
"--wait-ms", str(wait_ms),
"--log-format", "pretty",
url
]
result = subprocess.run(cmd, capture_output=True, text=True)
return result.stdout
# 使用示例
content = fetch_url("https://example.com", "markdown")
print(content)
```
## 适用场景 / Use Cases
| 场景 | 说明 |
|------|------|
| 🌐 网页抓取 | 轻量快速,适合批量抓取 |
| 📄 内容提取 | 转 Markdown,方便后续处理 |
| 🔍 竞品分析 | 定期抓取页面内容 |
| 📰 新闻聚合 | 抓取文章内容 |
| 📊 数据监控 | 监控网页变化 |
## 注意事项 / Notes
- **无需 Chrome**:独立二进制,不依赖系统浏览器
- **CDP 协议**:支持 Puppeteer/Playwright 连接(高级用法)
- **遵守 robots.txt**:默认 `--obey-robots`
- **输出格式**:推荐使用 `--dump markdown` 便于后续处理
## Docker 部署 / Docker Deployment
```bash
docker run -d --name lightpanda -p 127.0.0.1:9222:9222 lightpanda/browser:nightly
```
## 示例 / Examples
### 抓取网页并保存
```bash
./lightpanda fetch --obey-robots --dump markdown --log-format pretty --log-level info https://news.ycombinator.com > output.md
```
### 批量抓取
```python
import subprocess
import time
urls = [
"https://example.com/page1",
"https://example.com/page2",
"https://example.com/page3"
]
for url in urls:
print(f"Fetching: {url}")
result = subprocess.run(
["./lightpanda", "fetch", "--obey-robots", "--dump", "markdown", "--wait-ms", "2000", url],
capture_output=True,
text=True
)
# 处理 result.stdout
time.sleep(1) # 礼貌性延迟
```
### 与 LangChain/文档处理结合
```python
import subprocess
def scrape_for_rag(url):
"""抓取网页用于 RAG 处理"""
result = subprocess.run(
["./lightpanda", "fetch", "--obey-robots", "--dump", "markdown", "--wait-ms", "3000", url],
capture_output=True,
text=True
)
return result.stdout
```
AI知识引擎 - 6行代码实现记忆系统。remember/recall/forget/improve循环,向量+图搜索,支持OpenClaw插件。
---
name: cognee-memory
version: 1.0.0
description: AI知识引擎 - 6行代码实现记忆系统。remember/recall/forget/improve循环,向量+图搜索,支持OpenClaw插件。
keywords: [memory,knowledge,graph,vector,search,cognee,ai,rag]
---
# Cognee Memory System
AI知识引擎 - 6行代码实现记忆系统
**官网:** https://cognee.ai
**GitHub:** https://github.com/topoteretes/cognee
**安装:** `pip install cognee`
**OpenClaw插件:** `@cognee/cognee-openclaw`
---
## 核心API
### 四大操作
| 操作 | 功能 | 说明 |
|------|------|------|
| `remember` | 存储记忆 | 永久存储到知识图谱 |
| `recall` | 查询记忆 | 自动路由最优搜索策略 |
| `forget` | 删除记忆 | 删除过时/错误记忆 |
| `improve` | 优化学习 | 持续学习提升准确性 |
---
## 快速开始
### Python API
```python
import cognee
import asyncio
async def main():
# 存储到知识图谱
await cognee.remember("Cognee turns documents into AI memory.")
# 存储到会话缓存(快速)
await cognee.remember("User prefers detailed explanations.", session_id="chat_1")
# 查询(自动路由)
results = await cognee.recall("What does Cognee do?")
for result in results:
print(result)
# 删除
await cognee.forget(dataset="main_dataset")
asyncio.run(main())
```
### CLI
```bash
cognee-cli remember "Cognee turns documents into AI memory."
cognee-cli recall "What does Cognee do?"
cognee-cli forget --all
cognee-cli -ui # 打开本地UI
```
---
## 配置
### 环境变量
```bash
# OpenAI API(必需)
export LLM_API_KEY="your-openai-key"
# 或使用其他LLM提供商
# 见: https://docs.cognee.ai/setup-configuration/llm-providers
# Cognee Cloud(可选)
export COGNEE_SERVICE_URL="https://your-instance.cognee.ai"
export COGNEE_API_KEY="ck_..."
```
---
## 使用场景
### 1. 客服Agent
```
用户:"我的发票有问题还没解决"
Cognee追踪:历史交互、失败操作、已解决案例、产品历史
Agent回复:"找到2个上月类似计费案例已解决,问题由支付系统同步延迟导致"
```
### 2. SQL Copilot(知识蒸馏)
```
用户:"如何计算客户留存率?"
Cognee追踪:专家SQL查询、工作流模式、schema结构、成功实现
Agent回复:"高级分析师解决了类似留存查询,这是他们的方案..."
```
### 3. 跨会话记忆
```python
# Session 1
await cognee.remember("用户喜欢详细的解释", session_id="user_123")
# Session 2(跨会话查询)
results = await cognee.recall("用户偏好什么?", session_id="user_123")
```
---
## OpenClaw插件安装
```bash
npm install @cognee/cognee-openclaw
```
插件自动集成:
- `SessionStart` → 初始化记忆
- `PostToolUse` → 捕获行动
- `UserPromptSubmit` → 注入相关上下文
- `PreCompact` → 跨上下文保留记忆
- `SessionEnd` → 桥接到永久知识图谱
---
## vs 其他记忆系统
| 功能 | 我们现有 | Cognee |
|------|---------|--------|
| 存储方式 | 文件 | 向量+图双存储 |
| 搜索方式 | 关键词 | 语义+关系 |
| 学习能力 | 无 | forget+improve |
| 跨Agent | 不支持 | 共享知识图谱 |
| 可视化 | 无 | CLI UI |
---
## 部署选项
| 平台 | 说明 |
|------|------|
| Cognee Cloud | 托管服务 |
| Modal | 无服务器,GPU自动扩展 |
| Railway | 简化PaaS |
| Fly.io | 边缘部署 |
| Render | 简单PaaS |
---
## 示例代码
### 完整记忆循环
```python
import cognee
import asyncio
async def memory_loop():
# 1. 学习新知识
await cognee.remember("用户正在学习Python编程")
await cognee.remember("用户偏好边做边学的教学方式")
# 2. 查询相关记忆
results = await cognee.recall("用户的学习偏好是什么?")
# 3. 根据反馈改进
await cognee.improve("纠正对用户偏好的错误理解")
# 4. 忘记错误记忆
await cognee.forget("错误的假设")
asyncio.run(memory_loop())
```
---
## 安装状态
- Python包:✅ 已安装 `cognee`
- OpenClaw插件:需额外安装 `@cognee/cognee-openclaw`
---
*Powered by Cognee | https://cognee.ai*
CLI-Hub工具箱 - 100+ CLI工具一键安装。浏览器自动化、视频编辑、知识管理、AI模型、云服务等。源自HKUDS CLI-Anything项目。
--- name: cli-hub-wiki version: 1.0.0 description: CLI-Hub工具箱 - 100+ CLI工具一键安装。浏览器自动化、视频编辑、知识管理、AI模型、云服务等。源自HKUDS CLI-Anything项目。 keywords: [cli,automation,browser,video,knowledge,management,ollama,clihub] --- # CLI-Hub 工具箱 **来源:** HKUDS CLI-Anything **安装:** `pip install cli-anything-hub` **命令:** `cli-hub` --- ## 核心命令 ```bash cli-hub list # 查看所有可用CLI cli-hub search <词> # 搜索CLI cli-hub install <名> # 安装CLI cli-hub info <名> # 查看CLI详情 cli-hub launch <名> # 运行CLI cli-hub update <名> # 更新CLI cli-hub uninstall <名> # 卸载CLI ``` --- ## 分类CLI列表 ### 🌐 浏览器自动化 | CLI | 说明 | 安装 | |-----|------|------| | browser | Chrome自动化 via DOMShell | `cli-hub install browser` | | clibrowser | 零依赖AI浏览器CLI | `cli-hub install clibrowser` | | safari | macOS Safari自动化 | `cli-hub install safari` | ### 🎬 视频处理 | CLI | 说明 | 安装 | |-----|------|------| | kdenlive | 视频编辑渲染 via melt | `cli-hub install kdenlive` | | shotcut | 视频编辑 via ffmpeg | `cli-hub install shotcut` | | openscreen | 屏幕录制编辑 | `cli-hub install openscreen` | | videocaptioner | AI视频字幕生成 | `cli-hub install videocaptioner` | ### 📚 知识管理 | CLI | 说明 | 安装 | |-----|------|------| | obsidian | Obsidian笔记管理 | `cli-hub install obsidian` | | mubu | 知识大纲工具 | `cli-hub install mubu` | | zotero | Zotero文献管理 | `cli-hub install zotero` | ### 🤖 AI模型 | CLI | 说明 | 安装 | |-----|------|------| | ollama | 本地LLM推理管理 | `cli-hub install ollama` | | novita | Novita AI API访问 | `cli-hub install novita` | | comfyui | AI图像生成工作流 | `cli-hub install comfyui` | ### ☁️ 云服务 | CLI | 说明 | 安装 | |-----|------|------| | aws | AWS云服务管理 | `cli-hub install aws` | | cloudalyzer | 云成本分析 | `cli-hub install cloudalyzer` | ### 🔧 自动化 | CLI | 说明 | 安装 | |-----|------|------| | n8n | 工作流自动化 | `cli-hub install n8n` | | pm2 | Node.js进程管理 | `cli-hub install pm2` | ### 🎨 设计 | CLI | 说明 | 安装 | |-----|------|------| | blender | 3D建模动画渲染 | `cli-hub install blender` | | drawio | 图表创建导出 | `cli-hub install drawio` | | mermaid | Mermaid图表 | `cli-hub install mermaid` | | sketch | Sketch设计文件 | `cli-hub install sketch` | ### 🎮 游戏 | CLI | 说明 | 安装 | |-----|------|------| | godot | Godot游戏引擎 | `cli-hub install godot` | | slay_the_spire_ii | 杀戮尖塔2自动化 | `cli-hub install slay_the_spire_ii` | ### 📊 数据 | CLI | 说明 | 安装 | |-----|------|------| | chromadb | 向量数据库 | `cli-hub install chromadb` | | eth2-quickstart | 以太坊节点部署 | `cli-hub install eth2-quickstart` | --- ## 使用示例 ### 安装浏览器自动化 ```bash cli-hub install browser ``` ### 搜索视频相关CLI ```bash cli-hub search video ``` ### 查看Obsidian详情 ```bash cli-hub info obsidian ``` ### 运行Ollama ```bash cli-hub launch ollama --help ``` --- ## 适用场景 | 任务 | 推荐CLI | |------|---------| | 网页截图/爬取 | `browser`, `clibrowser` | | 视频字幕生成 | `videocaptioner` | | 笔记管理 | `obsidian` | | 本地LLM | `ollama` | | AI图像生成 | `comfyui` | | 云成本分析 | `cloudalyzer` | | 3D建模 | `blender` | | 工作流自动化 | `n8n` | --- ## 安装状态 CLI-Hub已安装在: `/usr/local/bin/cli-hub` 查看所有CLI: ```bash cli-hub list ``` 搜索特定CLI: ```bash cli-hub search <关键词> ``` --- ## 对比:自己写 vs CLI-Hub | 自己写 | CLI-Hub | |--------|---------| | 从零开始 | 100+现成工具 | | 需维护代码 | 自动更新 | | 功能有限 | 社区贡献 | | 耗时 | 一键安装 | --- *Powered by HKUDS CLI-Anything | Updated: 2026-04-17*
AI硬件LLM推荐工具 - 基于llmfit内核。自动检测CPU/GPU/RAM/VRAM → 智能推荐最适合的大模型 + 量化方案 + 速度估算。支持100+模型库,内置TUI界面和硬件模拟。
---
name: hardware-llm-optimizer
version: 2.0.0
description: AI硬件LLM推荐工具 - 基于llmfit内核。自动检测CPU/GPU/RAM/VRAM → 智能推荐最适合的大模型 + 量化方案 + 速度估算。支持100+模型库,内置TUI界面和硬件模拟。
keywords: [hardware,llm,ai,nvidia,gpu,optimization,quantization,llmfit,ollama]
---
# Hardware LLM Optimizer v2.0
基于 llmfit 的智能硬件LLM推荐工具
## 安装状态
llmfit 已安装在: `/usr/local/bin/llmfit`
## 快速使用
当用户问"能跑什么大模型"、"推荐LLM"、"硬件检测"时使用:
### 1. 查看推荐模型
```bash
llmfit recommend
```
### 2. 查看所有推荐(JSON格式,便于解析)
```bash
llmfit recommend --json
```
### 3. 按用途筛选
```bash
llmfit recommend --use-case coding
llmfit recommend --use-case chat
llmfit recommend --use-case general
llmfit recommend --use-case embedding
```
### 4. 硬件模拟(模拟不同配置)
```bash
# 模拟 16GB 显存
llmfit recommend --memory 16G
# 模拟 32GB 显存 + 64GB RAM
llmfit recommend --memory 32G --ram 64G
```
### 5. 交互式TUI(需要终端)
```bash
llmfit
```
## 输出字段说明
| 字段 | 含义 |
|------|------|
| `name` | 模型名称 |
| `parameter_count` | 参数量 |
| `best_quant` | 推荐量化方案 |
| `score` | 综合评分(越高越好)|
| `estimated_tps` | 预估速度(tok/s)|
| `memory_required_gb` | 所需显存 |
| `run_mode` | 运行模式(GPU/CPU/MoE)|
| `fit_level` | 匹配度(Perfect/Good/Marginal)|
## 量化方案参考
| 量化 | 质量 | 速度 | 适用场景 |
|------|------|------|---------|
| FP16 | 最高 | 最慢 | 大显存GPU |
| Q8_0 | 很高 | 较快 | 中等显存 |
| Q6_K | 高 | 快 | 6-8GB显存 |
| Q4_K_M | 中高 | 最快 | 4-6GB显存 |
| Q2_K | 中 | 最快 | <4GB显存 |
## 本地运行命令
### 安装Ollama模型
```bash
ollama run <model-name>
```
### 使用llama.cpp
```bash
# 下载GGUF后
./llama.cpp -m <model.gguf> --rompt <prompt>
```
## 最低配置参考(来自llmfit)
| 显存 | 推荐模型 | 量化 |
|------|---------|------|
| 2GB | Phi-3-mini, Gemma-2B | Q4 |
| 4GB | Llama3-8B, Qwen-7B | Q4 |
| 6GB | Llama2-13B, Mistral-7B | Q4/Q6 |
| 8GB | Llama2-13B, Yi-9B | Q5/Q6 |
| 12GB | Llama2-34B | Q4 |
| 16GB | Llama2-34B, Qwen-72B | Q4 |
| 24GB+ | 70B大模型 | Q4/Q8 |
## 安装llmfit(如需)
```bash
curl -fsSL https://llmfit.axjns.dev/install.sh | sh
```
## 优势对比
| 功能 | v1.0 | v2.0 (llmfit) |
|------|-------|----------------|
| 模型库 | 手动查表 | 100+自动匹配 |
| 量化推荐 | 简单估算 | 智能最优 |
| 速度估算 | ❌ | ✅ |
| 下载源 | ❌ | ✅ GGUF |
| 硬件模拟 | ❌ | ✅ |
| TUI界面 | ❌ | ✅ |
| 多GPU | ❌ | ✅ |
| MoE支持 | ❌ | ✅ |
*Powered by llmfit | Updated: 2026-04-17*
FILE:detect.py
#!/usr/bin/env python3
"""
Hardware LLM Optimizer - PC Hardware Detection & LLM Recommendation Tool
自动检测电脑硬件配置 → 判断能跑哪些大模型 → 给出推荐 + 量化方案 + 瓶颈诊断
"""
import platform
import os
import sys
import subprocess
try:
import psutil
except ImportError:
print("需要安装 psutil: pip install psutil")
sys.exit(1)
def get_cuda_info():
"""检测 CUDA 版本"""
try:
result = subprocess.check_output(
["nvidia-smi", "--query-gpu=driver_version,compute_cap", "--format=csv,noheader"],
encoding="utf-8"
).strip()
return result
except:
return None
def get_ollama_compatible():
"""检测 Ollama 兼容性"""
info = []
system = platform.system().lower()
if system == "linux":
info.append("✅ Ollama 支持 Linux(原生)")
elif system == "darwin":
info.append("✅ Ollama 支持 macOS(原生,GPU加速)")
elif system == "windows":
info.append("✅ Ollama 支持 Windows(WSL2 或原生)")
# 检测 WSL2
try:
with open("/proc/version", "r") as f:
if "microsoft" in f.read().lower():
info.append("⚠️ 检测到 WSL2,GPU 直通需安装 nvidia.cuda-wmi")
info.append("💡 建议:在 Windows 原生运行 Ollama 体验更好")
except:
pass
return info
def detect_hardware():
"""检测电脑硬件配置"""
result = []
# =================== 1. 系统信息 ===================
sys_info = {
"system": platform.system(),
"release": platform.release(),
"cpu_count": psutil.cpu_count(logical=True),
"cpu_freq": psutil.cpu_freq().max if psutil.cpu_freq() else 0,
"ram_total": round(psutil.virtual_memory().total / (1024**3), 2),
"ram_available": round(psutil.virtual_memory().available / (1024**3), 2),
}
result.append("=" * 50)
result.append("🤖 大模型硬件检测工具")
result.append("=" * 50)
result.append(f"🖥 系统:{sys_info['system']} {sys_info['release']}")
result.append(f"🧠 CPU 核心数:{sys_info['cpu_count']}")
if sys_info['cpu_freq']:
result.append(f"💡 CPU 频率:{sys_info['cpu_freq']:.0f} MHz")
result.append(f"💾 总内存:{sys_info['ram_total']} GB")
result.append(f"🆓 可用内存:{sys_info['ram_available']} GB")
# =================== 2. 检测显卡 & 显存 ===================
vram_gb = 0
gpu_name = "未检测到独立显卡"
cuda_version = None
try:
nvidia_output = subprocess.check_output(
["nvidia-smi", "--query-gpu=name,memory.total,driver_version", "--format=csv,noheader,nounits"],
encoding="utf-8"
).strip()
lines = nvidia_output.split("\n")
if lines:
parts = [p.strip() for p in lines[0].split(",")]
if len(parts) >= 3:
gpu_name = parts[0]
vram_mb = int(parts[1])
driver = parts[2]
vram_gb = round(vram_mb / 1024, 2)
result.append(f"🎮 显卡:{gpu_name}")
result.append(f"🎮 显存:{vram_gb} GB")
result.append(f"🔧 NVIDIA 驱动:{driver}")
# CUDA 检测
cuda_info = get_cuda_info()
if cuda_info:
result.append(f"🚀 CUDA:已检测到")
except (subprocess.CalledProcessError, FileNotFoundError, ValueError):
result.append("🎮 独立显卡:未检测到(使用 CPU 模式)")
result.append("💡 提示:NVIDIA 显卡需安装 nvidia-smi")
result.append("-" * 50)
# =================== 3. 能跑多大模型 ===================
result.append("🚀 你的电脑可运行的大模型:")
models = []
if vram_gb >= 2 or sys_info['ram_total'] >= 8:
models.append("✅ 3B 模型 (Gemma 3B / Phi-3 Mini)")
if vram_gb >= 4 or sys_info['ram_total'] >= 12:
models.append("✅ 7B / 8B 模型 (Llama3 8B / Qwen 7B / Mistral 7B)")
if vram_gb >= 6 or sys_info['ram_total'] >= 16:
models.append("✅ 10B 级别模型 (Qwen 14B / Yi 9B)")
if vram_gb >= 8 or sys_info['ram_total'] >= 24:
models.append("✅ 13B 模型 (Llama2 13B / Qwen 14B / Mistral 13B)")
if vram_gb >= 12 or sys_info['ram_total'] >= 32:
models.append("✅ 34B 模型 (Llama2 34B / Yi 34B)")
if vram_gb >= 16 or sys_info['ram_total'] >= 48:
models.append("✅ 70B 模型 (4bit 量化)")
if vram_gb >= 24:
models.append("✅ 70B 模型 (8bit 量化)")
if vram_gb >= 48:
models.append("✅ 70B 模型 (FP16 原生)")
if not models:
models.append("❌ 仅能跑超小模型或依赖网页版 AI")
for m in models:
result.append(m)
result.append("-" * 50)
# =================== 4. 量化方案建议 ===================
result.append("⚙️ 推荐量化精度:")
if vram_gb >= 24:
result.append("✅ FP16(高质量,推荐)")
result.append("✅ 8bit(平衡方案)")
elif vram_gb >= 12:
result.append("✅ 8bit(推荐)")
result.append("✅ 4bit(可选)")
elif vram_gb >= 6:
result.append("✅ 4bit(最流畅,推荐)")
result.append("✅ 8bit(需要内存交换)")
elif vram_gb >= 4:
result.append("✅ 4bit(CPU + 内存交换)")
elif vram_gb >= 2:
result.append("✅ 2bit / 极端量化(仅简单对话)")
else:
result.append("❌ 建议使用网页版 AI 或 API")
result.append("💡 考虑:ChatGPT / Claude / 文心一言")
# =================== 5. 具体模型推荐 ===================
result.append("-" * 50)
result.append("📋 具体推荐模型:")
if vram_gb >= 4 or sys_info['ram_total'] >= 12:
result.append("")
result.append("🌟 7B-8B 推荐(性价比最高):")
result.append(" • Llama3 8B - 最流行开源")
result.append(" • Qwen 7B - 中文优化强")
result.append(" • Mistral 7B - 欧洲最强")
result.append(" • Phi-3 Mini - 微软小钢炮")
result.append(" • Ollama 一键运行:ollama run llama3")
if vram_gb >= 8 or sys_info['ram_total'] >= 24:
result.append("")
result.append("🌟 13B-14B 推荐(更强推理):")
result.append(" • Llama2 13B - 经典稳定")
result.append(" • Qwen 14B - 中文旗舰")
result.append(" • Mistral 13B - 效率高")
if vram_gb >= 16:
result.append("")
result.append("🌟 34B+ 推荐(大显存专用):")
result.append(" • Llama2 34B - 性能接近 GPT-3.5")
result.append(" • Yi 34B - 中文超强")
result.append(" • Qwen 72B - 国产最强")
# =================== 6. 部署工具 ===================
result.append("-" * 50)
result.append("🛠 推荐部署工具:")
result.append("✅ Ollama(最简单,一键运行)")
result.append(" 安装:ollama.com")
if vram_gb >= 4:
result.append("✅ Llama.cpp(GGUF格式,省显存)")
result.append("✅ Chatbox(图形界面,新手友好)")
if vram_gb >= 6:
result.append("✅ Text Generation Web UI(功能最全)")
if vram_gb >= 8:
result.append("✅ vLLM(高速推理,生产级)")
# Ollama 兼容性
ollama_info = get_ollama_compatible()
if ollama_info:
result.append("")
for info in ollama_info:
result.append(info)
# =================== 7. 瓶颈诊断 ===================
result.append("-" * 50)
result.append("🔍 系统瓶颈分析:")
bottlenecks = []
if sys_info['ram_total'] < 16:
bottlenecks.append("⚠️ 瓶颈:内存不足(<16GB),优先加内存")
elif vram_gb < 6:
bottlenecks.append("⚠️ 瓶颈:显卡显存不足(<6GB),建议用4bit量化")
elif sys_info['cpu_count'] < 8:
bottlenecks.append("⚠️ 瓶颈:CPU较弱(<8核),推理较慢")
else:
bottlenecks.append("✅ 配置均衡,可流畅运行本地大模型")
for b in bottlenecks:
result.append(b)
# =================== 8. 优化建议 ===================
result.append("-" * 50)
result.append("💡 优化建议:")
if vram_gb < 4:
result.append("• 开启 OS 虚拟内存(增加可用 RAM)")
result.append("• 使用 GGUF 格式(Llama.cpp 专用)")
result.append("• 考虑 2bit 量化(Q4_K_M)")
if sys_info['ram_total'] < 16:
result.append("• 16GB 是跑 7B 模型的甜蜜点")
result.append("• 建议升级内存到 32GB")
if vram_gb < 8:
result.append("• 4bit 量化是最佳平衡点")
result.append("• 避免 FP16,需要太多显存")
# =================== 9. 最低配置对照表 ===================
result.append("")
result.append("📊 最低配置对照表:")
result.append("-" * 30)
result.append(" 模型 | 最低显存 | 推荐显存 | 量化")
result.append(" ---------|---------|---------|------")
result.append(" 3B | 2GB | 4GB | Q4")
result.append(" 7B | 6GB | 8GB | Q4/Q8")
result.append(" 13B | 10GB | 16GB | Q4/Q8")
result.append(" 34B | 20GB | 32GB | Q4")
result.append(" 70B | 40GB | 80GB | Q4")
result.append("")
result.append("=" * 50)
return "\n".join(result)
def main():
"""主函数"""
try:
output = detect_hardware()
print(output)
except Exception as e:
print(f"⚠️ 检测出错:{e}")
print("请确保已安装 psutil: pip install psutil")
sys.exit(1)
if __name__ == "__main__":
main()