把看过的东西，
变成自己的东西。

1. 训练计划：按周排课或 A/B/C 轮换，支持超级组、热身组、递减组、计时动作、有氧与计划性减量周。
2. 训练记录：引导式开练，重量自动预填上次数值；组间休息计时；训练中自动识别 PR 个人纪录；器械被占用时一键换备用动作。
3. 进步追踪：每个动作的估算 1RM 曲线、结构平衡比率、整年活动热力图。
4. 肌肉图谱三视图：训练量分布、恢复状态、未练部位，一眼看清哪块练了、哪块漏了。
5. 体重与照片：体重曲线带目标线与周速率；进步照片时间线可前后对比。

1. 动作库：5,600 多个动作带动画演示，可按肌群在身体图谱上浏览、按自有器械筛选。
2. 自建动作：可自传照片、GIF 或短视频建动作，位置数据在设备端先剥离再上传。
3. 配重计算：杠铃、EZ 杆、六角杆与史密斯机，按自有杠铃片自动算出每边挂几片。
4. 渐进规则：线性、Greyskull LP、双进阶、三进阶与加时长等多种；未完成次数不加重量，卡住自动触发减量，且每个目标都给出理由。

1. 苹果端：iPhone 与 iPad 加 Apple Watch 表端 App 已上架 App Store（各国区）；表上可勾组、记 RPE/RIR、全屏休息倒计时、逐组心率、表盘组件，iPhone 有锁屏小组件与实时活动。
2. 安卓端：签名 APK 直装，三个体积档——标准约 315MB、Plus 约 424MB、HD 约 760MB（动画打包在本地，所以包大）；Google Play 尚在封闭测试。
3. 自托管网页版：Docker 一条命令部署为网页应用（PWA，离线可用），多设备字段级合并同步，通行密钥 Face ID 与指纹登录，新设备一次性码或二维码配对。
4. 官网 demo：opengym.ch 有带示例数据的在线 demo，免安装先试用。

1. 数据自控：无他人服务器账号、无订阅、无广告、无遥测。
2. 导入：可从 FitNotes、Strong、Hevy（CSV 或 API key）与 Apple Health 体重记录导入老数据。
3. 导出与分享：全部数据可导出为单个 JSON 或 CSV 表格，训练计划可分享为文件或打印 PDF。
4. 健康同步：Apple Health 与 Health Connect 双向同步——训练写出，体重与逐组心率读入。
5. 语言：界面 20 种语言含繁体中文，多数动作名与说明已翻译。
6. AI 教练（可选、默认关闭）：自备 Anthropic、OpenAI、Gemini 或任意 OpenAI 兼容端点（含 Ollama）的 key，起草一周计划并按记录提改动建议，每项改动须用户批准。
7. MCP 服务器（可选、默认关闭）：供 Claude Desktop 等助手查询训练史与口述记训练，仅本地、不进 Docker 构建。

1. 热度：18,099 星、2,371 fork、2,437 次提交、33 个 release，2026-07-18 建库。
2. 社群：有 Discord 社群。

1. 许可证：AGPL-3.0，另设贡献者协议 CLA。
2. 结论：自用、自改、自托管免费；基于它对外提供服务须开放源码，不能闭源打包卖。
3. 收费：无付费档，作者靠 Buy Me a Coffee 与 Ko-fi 捐赠支持；AI 教练功能需自备模型 key 按量付费。

1. 365 种视觉风格：手绘插画与写实摄影，FA–FI 分类编号，兼容 001–365 传统编号。
2. 170 种排版图型：社媒卡约 21 种、信息图约 35 种、漫画分镜约 68 种、IP 设计 13 种、电商 24 种。
3. 36 种经典单色主题色：C-01 至 C-36。
4. 用法：选定风格编号、图型编号与主题色，报出主题，即可得到经实测的中英双语生图提示词，复制到 Midjourney、DALL-E、Stable Diffusion、Flux、GPT Image 等工具出图。
5. 本地画廊：仓库自带本地离线画廊网页，可检索预览全部编号。

1. 智能推荐：不指定编号，按主题情绪自动配风格与主题色，并附理由。
2. 精准指定：自选编号组合出图。
3. AI 海报设计：8 个结构化字段、图文一体排版。
4. 万能海报思维法：把信息图当高密度海报做。
5. 文章与视频封面设计：读全文或字幕，提炼约 200 字摘要、推算受众、先设计视觉隐喻再出封面，含公众号 2.35:1、小红书 3:4、视频 16:9 与 9:16 等尺寸。
6. 文章批量插图与自动回填：全篇锁定单一风格与色调，规划 2–5 个配图点位，批量生图后自动排版回填 Markdown。
7. 专业摄影写真企划：情侣、婚纱、写真、全家福等 10 多种题材，先出 3 个高差异候选方案加 8 宫格提示词。
8. 模式切换：纯图模式与图文模式（文字参与构图，适合金句卡与海报）可随时切换。

1. gpt-image-2：做了全量风格激活标定——作者名加风格名加核心特征注入，特征不足才传参考图。
2. 其他未标定模型：走参考图高保真兜底策略，保证线条、质感与配色还原。
3. 视频部分已拆分：视频制作已拆到独立的 handraw-video 项目，不随本 Skill 安装。

1. 热度：6,739 星、779 fork、170 次提交，2026-09-05 建库，不到两个月。
2. 背书与社群：上过 HelloGitHub 推荐，有官方飞书知识库（速查画廊、常见问题、创业变现案例）与社群。

1. 许可证（已核 LICENSE 原文）：MIT License 加署名要求——可自由使用、修改、分发与商用。
2. 条件：基于它的二次开发或产品，须在文档、仓库、产品说明或界面中保留并清楚展示原作者 yang0 与原仓库链接。
3. GitHub 显示 Other 的原因：只因多了这条自定义署名条款，GitHub 标为 Other（NOASSERTION），本质为 MIT。
4. 成本：软件本身免费，成本在调用的生图模型上。

1. 覆盖平台：小红书、抖音、快手、B站、微博、百度贴吧、知乎，一个工具全包。
2. 每个平台都支持四件事：关键词搜索抓帖、按帖子 ID 抓指定帖、抓二级评论、抓指定创作者主页。
3. 配套能力：登录态缓存、IP 代理池、评论词云图。
4. 媒体下载：可开启——封面、视频、图文图片按帖子聚合存放；B站支持 ffmpeg 合流最高画质。
5. 数据落盘：可存 CSV、JSON、JSONL、Excel、SQLite、MySQL。
6. WebUI：带可视化界面（后端 API 加前端页面），不敲命令也能配置参数、看运行日志、预览导出数据。

1. 取数路子：不搞 JS 逆向破解签名，而是基于 Playwright 用保留登录态的浏览器上下文取签名参数，大幅降低门槛。
2. 默认 CDP 模式：连接用户本机已登录的 Chrome（需 Chrome 144 以上并开启远程调试），复用现成登录态与 Cookie。
3. 作者的说法：明说 CDP 模式可大幅降低平台风控检测风险。

1. 热度：69,078 星、13,137 fork、830 次提交，2023-06-09 建库。
2. 发布形态：零 release——不是打包好的成品，而是持续演进的源码项目，跟着仓库更新走。

1. 许可证：作者自定义 LICENSE，GitHub 识别为 Other（无标准许可证）——明文规定仅供学习和参考、禁止用于商业用途。
2. 免责声明：README 顶部挂有免责声明，并链接「爬虫违法违规的案件」。
3. 结论：不能打包卖、不能商用，只能自用，进不了虚拟产品货架。
4. 收费项：开源版免费。作者另有 MediaCrawlerPro 付费订阅版——断点续爬、多账号加 IP 代理池、去掉 Playwright、评论分析 Agent、自媒体内容拆解 Agent、视频下载器桌面端等；价格在其官方站，仓库页未标价。

1. 协议风险：抓取行为违反各平台用户协议，这一点绕不过去。
2. 账号风险：必须用自己的账号登录（扫码等方式），高频抓取有封号风险。
3. 安全用法：小号、低频、只抓公开内容做研究，别用大号高频跑。

1. 声音类：按 App 分别调音量（可突破 100%）、按 App 指定输出设备、麦克风工具。
2. 系统监控：CPU / GPU / 内存 / 温度 / 电池健康 / 功耗与历史曲线、高负载与高温告警、风扇手动调速（beta）。
3. 窗口与 Dock：带实时预览的应用切换器、窗口吸附布局与跨屏移动、Dock 图标悬停预览窗口、绿按钮真全屏、关窗即退出、防误按 ⌘Q / ⌘W。
4. 键盘鼠标：文本片段展开、平滑滚动、关鼠标加速、中键点击、按键防抖。
5. 剪贴板与文件：剪贴板历史搜索、纯文本粘贴、拖拽暂存架、链接去跟踪参数。
6. 日常工具：刘海灵动岛（音乐、日历、计时器、下载）、命令栏、速记板、清屏模式。
7. 截图录屏：区域 / 窗口 / 长截图加标注打码、录屏分轨、屏幕 OCR 离线识别文字与二维码、取色器、本地媒体压缩转换。
8. 应用管理：应用更新检查、缓存与残留清理、应用卸载器、Homebrew 图形化管理、端口占用查看。
9. 电源显示：防休眠、外接显示器亮度控制、XDR 额外亮度。

1. 盯什么：灵动岛里能盯 Claude、Codex、OpenCode、GitHub Copilot 的额度——剩余量、重置时间、token 与估算费用。
2. 还有提醒：长任务完成提醒。
3. 为什么对口：正对用户在 Mac mini 上重度跑 Claude Code 与 Codex 的用法，额度不用再切去各家页面查。

1. 许可证：GPL-3.0（传染性开源）——自己免费用没问题；分发必须连源码按 GPL 开放，不能改成闭源收费产品。
2. 商标另算：Vorssaint 的名称、图标与外观另有商标声明（TRADEMARKS.md），fork 必须换自己的品牌。
3. 结论：它进不了 Filee 那种打包卖的货架，定位是自用工具加教程 / 测评素材。
4. 成本：软件完全免费，作者明说会一直免费，无付费版；收入靠赞助位与请喝咖啡。
5. 隐私：无账号、无分析、无遥测，联网只发生在更新检查、测速、Homebrew 操作等看得见的地方。

1. 系统要求：仅 Apple Silicon + macOS 14 以上；官方构建经苹果开发者签名与公证，装上不弹警告。
2. 装法：brew install --cask vorssaint，或下 DMG 拖进应用程序。
3. 用户的机器：Mac mini（Apple Silicon）正好满足；2015 款 Intel 笔记本（macOS 12.7）装不了。安装归 Mac mini 上的工程 AI。

1. 热度：2026-06-12 建库，31,474 星、1,515 fork、2,059 次提交、94 个 release；作者自述三天冲上 GitHub 趋势榜首。
2. 语言：支持十几种语言。

1. 工作方式：在一块看不见的后台虚拟屏上像人一样看屏幕、找按钮、点击输入，替你操作任何 App 和内置浏览器把事办成，你照样在主屏用手机。
2. 官方演示：后台发微信、翻微信群总结今天聊了啥、打开小红书总结博主内容、美团凑满减点外卖（付款前问你）、BOSS 直聘找岗位打招呼、汽水音乐看广告领权益。
3. 定时与条件任务：支持定时与条件任务，如每天早上看天气、下雨才通知；另有随时插话与停止、记忆（加密存本机）。
4. Linux 沙箱：每个对话一个 Linux 沙箱，可跑 Python / Node 处理文件。
5. 内置使用知识：已内置使用知识的 App 有微信、抖音、小红书、哔哩哔哩、闲鱼、知乎、Gmail 等，网站有 Instagram、YouTube、微博等；没写知识的 App 照样靠读屏操作。
6. 需要本人时接管：登录、验证码、付款等必须本人处理时会发通知请你接管主屏，处理完交还继续。

1. 许可证：Apache-2.0，可商用；第三方组件各有许可证，其中沙箱带的 PRoot 为 GPL-2.0-or-later（以独立子进程方式运行），发布时附对应源码包。
2. 成本：App 免费，没有 Mika 自己的服务器，数据只发给你自己配置的模型服务商。
3. 自带模型 API key：内置 DeepSeek、通义千问、Kimi、智谱、硅基流动、火山方舟、MiniMax、混元、千帆、OpenRouter、Anthropic、Gemini、OpenAI、xAI 等二十来家预设，也可自定义 OpenAI 兼容接口；或用 ChatGPT 登录走 Plus / Pro 套餐额度。
4. 模型要求：主模型必须支持工具调用，实际花费按所选模型商计。

1. 系统要求：安装安卓 11 以上，执行任务需安卓 13 以上（后台屏要求），安卓 14 以上推荐，Linux 沙箱仅 arm64。
2. 首次配对：首次需配对一次无线调试（6 位配对码，全程在手机上完成，不用电脑），配对后无障碍由 Mika 自己打开。

1. 热度：2026-10-29 才建库，一天内 368 星、58 fork、49 次提交、已发 9 个 release，势头很猛。
2. 成熟度：仍是公开 Beta，作者自述主要在一台安卓 14 手机上测试过，其他机型可能遇到没见过的问题，升级可能有不兼容改动。

1. 封号风险：作者免责声明明说，用自动化操作第三方 App 和网站可能违反其用户协议，有限制功能乃至封号风险，自行判断自担。
2. 询问模式的边界：默认询问模式只有花钱（下单、付款）先问你，发消息、发帖、提交、删除都直接做完，自主模式连付款也不问——试用先用小号、不要开自主模式。
3. 隐私：API Key、记忆、对话和 Token 用量都只存本机并加密，检查更新只访问 GitHub。

1. 商业模式怎么转：卖什么、怎么定价、怎么持续盈利。
2. 营销打法怎么抄：第一批付费客户从哪来、怎么营销增长。
3. 决策标准是三个问题：底层商业模式被验证过吗、定价与转化逻辑算得过来吗、核心获客动作明天上线能直接复制吗——答不上来就放弃。

1. Skillry：作者自己的产品，上线 1 个月，400+ 付费订阅，近 30 天收入 $12,037（MRR $3,918）。表面卖 Skill，底层是“卖有审美的模板”——把调好审美的网页、PPT、宣传片动效封装成 Skill 卖给开发者和 AI 编程工具。
2. 其他例子：Tailwind UI（$299 买断，5 个月卖破 $200 万）、Magic UI / Aceternity UI、21st.dev（$29–$69 模板，经 MCP 接入 Codex / Claude Code）。
3. BizPeel 对比同赛道 7 个产品，一：一次性买断的老模板在衰退——ShipFast 近 30 天仅 $1,694，God of Prompt MRR 下跌甚至挂牌出售。
4. 对比二：当下赚钱的是“订阅制 + 给 AI 工具直接用”——Sleek 近 30 天 $16,684、MRR $19,110，TypeUI MRR $3,519 且在增长，Skillry $12,037。
5. 对比三：越聚焦具体场景的成品交付转化越高——Skillry $12,037 是偏通用组件的 TypeUI $3,429 的 3.5 倍；Low Content AI 近 30 天 $14,900（累计 $64.6 万）。

1. 自然搜索：Google 自然搜索占 Sleek 全站流量 39.8%，免费绿幕去除小工具单页占其美区自然搜索流量的 55.5%。
2. 实机演示视频：联合创始人一条 23 秒实机演示视频 89 万浏览、2871 条评论，次日放开免绑卡公测，零广告费冲破 $10K MRR。
3. 可抄的行动清单：拍 25 秒以内“输入想法→导出成品”无剪辑实机录屏、主站 /tools/ 下做免费小工具吃自然搜索流量、把核心能力封装成开源 Agent 技能包导流、在 Claude Code / Codex 里调 BizPeel MCP 批量扒竞品获客打法。

1. 核实状态：所有收入数字均为作者自述 + 其引用的 BizPeel 数据，未经独立核实。
2. 推广性质：全文两次推荐 BizPeel（bizpeel.com），带推广性质，数字要打折看。

1. 做什么：把单页 PPT 截图重建成可编辑的 PowerPoint 文件（PPTX）。
2. 怎么还原：普通正文用原生文本（可直接改字），复杂艺术字和插画用独立图片呈现。

1. 准备：下载运行 ZIP + 配套项目指令 TXT。
2. 装进项目：ZIP 整包上传到 ChatGPT 网页版项目的「来源」，指令全文粘贴到「项目设置」→「项目指令」并保存。
3. 使用：在项目内新开对话，上传一张单页高清图，发一句话提示词，即可拿到 PPTX 文件。
4. 验收：下载后用 WPS 或 PowerPoint 打开检查。
5. 环境：无需在本地 Codex 安装；作者演示用模型 5.6，思考程度中等到极高。

1. 许可证：MIT，可商用；第一方代码和文档为 MIT，第三方依赖和外部素材见 NOTICE 与 THIRD_PARTY_LICENSES.md。
2. 成本：工具本体免费；使用需要 GPT Plus（约 20 美元/月），这是硬成本。

1. 对用户的价值：不在照文章去接单，而在他自己的 PPT 模板产品线——解决“AI 出图→可编辑 PPTX”这一步，正好是库里第 29 条《AI PPT 虚拟产品打法提炼》那条产品线里缺的一环。
2. 接单 SOP（文章另记一笔）：写手接单模式——去电商平台 PPT 店铺问客服、发 3–5 页作品、参加小考核、进派单群。
3. 分成大致：店铺拿大头（部分超 50%）、客服 5%～15%、写手 30%～50%；10 页偏精美的单客户付 200–300 元，写手到手 100 多。
4. 收入说法未核实：月入破万、单日破千为作者自述，收款截图未经独立核实。

1. 学科分布：物理 11 门、化学 25 门、生物 5 门、地理 14 门，合计 55 门高中科学 3D 交互课。
2. 每课形态：每课是一个 3D 世界 + 实时控制台 + 引导问题 + 分步教学路径，全部按人教版 2019 教材章节对齐。
3. 单文件离线：每课是一个独立 HTML 文件（约 1MB），双击即可离线打开，投影、电子白板都能用。

1. catalog.json：目录文件里有每课的教材位置和步骤的结构化数据。
2. 嵌入：支持 iframe 一键嵌入。
3. 数据可追溯：“教材原值”取自人教版教材，“课件设定”是为教学设的值，各课都标了出处，两者分开标明。

1. 课程、封面、目录：CC BY-NC 4.0——仅非商业使用、分享、改编，须署名 Tongjiang Lab，不能商用打包卖。
2. 捆绑库：捆绑的 three.js 为 MIT。
3. 声明：声明与人民教育出版社无关。

1. 教材整理支线：高中段理科实验的现成样本，方法参考，不是素材来源。
2. AI 交互实验方向：这是该方向的第三个样本——WeduLab（34 个实验）、EduLab（开源生成工具）、Tongjiang（55 门），且是“一个人加 AI”做出来的。
3. 制作流水线（公开）：事实表先行、模型批量制作、逐步自动自检、逐门看图审核。

1. 作者：韩国程序员 KnifeLemon（Myeonggu Kim）。
2. 规模：14,654 星、940 fork、1,340 次提交、29 个版本，2026-09-29 建库不到一个月就 1.4 万星，最近一周涨约 6,900 星，Trendshift 本周 C# 第一。

1. 许可证：MIT，可商用。
2. 收费：免费，没有付费版（有赞助链接，不强制）。
3. 另装引擎：部分格式需另装免费引擎（FFmpeg、LibreOffice、Ghostscript、Pandoc、calibre），需要时才下载。

1. 总量：约 260 多种（仓库标题写 263 种、正文写 267 种，两处数字对不上）。
2. 图片：含 HEIC、PSD、相机 RAW。
3. 文档：PDF、Word / Excel / PowerPoint（不用装 Office）、韩国 HWP / HWPX、电子书。
4. 其他：视频音频、压缩包、CAD（DWG / DXF）、字体、3D 模型、字幕（SRT / ASS 等）、数据格式（JSON / YAML / XML）、地理空间数据。

1. 拖拽转换：按住 Ctrl 拖文件，鼠标旁弹出环形格式菜单，松手即转；转好文件落在原文件旁边。
2. 批量与自动：支持批量转换、监听文件夹自动转。
3. 命令行：filee convert photo.heic --to jpg，能接自动化。

1. 平台：Windows 10/11、macOS 13+、Linux（Ubuntu 22.04+）；17 种语言，含简体中文；技术栈 C# / .NET 10 + Avalonia。
2. 隐私：不上传、不收集数据、不发遥测，只联网查新版本（可在设置里关掉）。

1. 规模：252 星、69 fork，2026-10-27 当天新建库，8 次提交，0 个正式版，非常新。
2. 原作者：ギア（@giaaibusi）；中文版维护：Anhao（X @anhao_ai）。

1. 代码部分：scripts/ 与 index.html 的代码是 MIT。
2. 图片与数据：图片与原始数据的著作权归日本原作者ギア所有，MIT 不覆盖它们。
3. 仓库自述：仅为个人学习、汉化与静态站点实践存档，不构成对原作品的商业使用授权。

1. 使用：免费，无付费版。
2. 部署：走 Cloudflare Pages 免费版，2883 个文件，在免费版 2 万文件上限内。

1. 总量：288 组姿势名、1439 条记录、2878 张图——1439 张缩略图 JPG 300×400 + 1439 张原图 PNG 900×1200，共 659.5 MB。
2. 4 个体系：全身单人·标准系 365、全身单人·性感系 399、上半身单人 400、双人缠绵 275。
3. 5 个视角：正面 / 斜侧 / 侧面 / 俯视 / 仰视。
4. 分类：26 个动作分类。
5. 汉化：日文数据完整汉化，附 323 条日中对照表。

1. 画廊功能：零依赖静态画廊，带分类筛选、多角度切换、分组浏览、灯箱、原图下载、关键词搜索。
2. 部署：可一键部署到 Cloudflare Pages。

1. 规模：45,046 星、5,682 fork，2025-12-28 建库，2,935 次提交，87 个版本，最新 v1.6.15（2026-10-19），更新非常勤，几天一个版。
2. 许可证：Apache-2.0，可商用；软件本身免费，没有付费版。

1. 要填的 Key：要在设置里填 LLM、embedding、搜索服务的 API Key，模型调用的费用自理。
2. 本地模型：也能接 Ollama、LM Studio、llama.cpp、vLLM 这类本地模型，不想全走云端 API 时可以本地跑。

1. 一个运行时跑所有模式：聊天、提问、测验、研究、可视化、解题、课程学习、掌握度路径、沉浸式阅读、音频概览，共享会话上下文。
2. 知识库：多引擎 RAG（LlamaIndex、PageIndex、GraphRAG、LightRAG、自托管 WeKnora、腾讯 IMA、MarginNote 4、Kiwix ZIM 离线档案、Obsidian 仓库），文档解析可插拔。

1. 沉浸式视频学习：把 YouTube 或 B站链接拉进阅读，边播边查字幕、按时间戳定位辅导、记笔记、断点续看。
2. Subagents 和 Partners：聊天里直接问 Claude Code、Codex、Grok CLI、Antigravity、Kimi、opencode、MiMo、Hermes、OpenClaw、DeepSeek 这些 Agent，或挂一个 Partner（带自己的人设、资料库和记忆）。
3. 记忆三层可看可改：L1 原始记录、L2 表面总结、L3 综合，记忆图谱把事实和证据连起来。
4. Task Board：学习任务分待办、进行中、已完成，可拖拽、归档恢复。
5. 可扩展：内置工具、MCP 服务器、CLI 应用、图片 / 视频 / 语音生成模型、EduHub 社区技能（可从 ClawHub 安装）；有 deeptutor CLI，Agent 原生接口。

1. Docker：一条命令就能试，镜像 ghcr.io/hkuds/deeptutor:latest，端口 3782。
2. pip：pip install deeptutor，要 Python 3.11–3.14 加 Node.js 20+；或源码部署。
3. 流程：选目录 → deeptutor init → deeptutor start。

1. 规模：135,606 星、21,518 fork，2024-03-11 建库，1,196 次提交，22 个 release，持续更新；是短视频自动化赛道最火的开源项目。
2. 许可证：MIT，可商用；软件本身免费，没有付费版。

1. 大模型写脚本：支持 Kimi、OpenAI、Claude、Gemini、DeepSeek、通义千问、Azure、Grok、MiniMax、小米 MiMo，也能接 OpenRouter、Ollama（本地）、Groq、Pollinations 等网关和本地环境。
2. 配音：Edge TTS 免费且不用 API Key；Azure、ElevenLabs、Fish Audio、MiniMax 等其他的要钱。
3. AI 视频素材：MiniMax H3、火山 Seedance、WaveSpeed、OFox、MuAPI，都是按量收费。
4. 库存素材：走 Pexels、Pixabay 是免费的。README 里一堆赞助商推广（Kimi、火山引擎、APIMart 等送额度）是拉新链接，不是必须花的。

1. 四种用法：AI Agent（Skill 文档）、WebUI、API、CLI；支持批量生成多条成片（CLI 清单最多 100 个任务），有任务历史记录，生成设置和 API Key 可导入导出。
2. 脚本：AI 自动生成或改写多语言视频脚本，也能直接用自定义脚本。
3. 素材：可上传本地图片和视频，或从 Pexels、Pixabay、Coverr 取免费库存素材；支持 AI 文生视频生成原始素材（MiniMax H3 可出 768P / 2K、4–15 秒，适配 9:16、16:9、1:1）。

1. 配音：自动配音、上传配音、无配音三种方式，有音色试听和完整配音预览。
2. 字幕：自动生成，可调字体、位置、颜色、大小、描边、背景；两种生成方式，edge（用 TTS 时间戳，默认，不用 GPU）和 faster-whisper（本地转写，更准时间轴，首次用要下载模型）。
3. 配乐：随机、本地、AI 生成背景音乐，可独立控制音量。
4. 成片：竖屏 9:16（1080×1920）、横屏 16:9（1920×1080）、方形 1:1（1080×1080）；做完可一键发布到 TikTok、Instagram、YouTube Shorts。

1. 配置要求：Python 3.11 或更高；Windows 10、macOS 11.0+、主流 Linux；GPU 不是必需（主要走云端 LLM、云端 TTS 和在线素材时，CPU 和内存比 GPU 重要）；ffmpeg 会自动下载。
2. 安装：pip 官方包名是 mpt（pip install mpt，mpt webui 启动），注意 PyPI 上名叫 MoneyPrinterTurbo 的包是第三方维护的，别装错；另有 Docker 部署、Windows 一键启动包、Google Colab 免安装体验。

1. 搜索类放行：OAI-SearchBot、PerplexityBot、Claude-SearchBot、Googlebot、Bingbot；用户触发类（ChatGPT-User、Perplexity-User、Claude-User）也建议放行。
2. 训练类可禁：GPTBot、ClaudeBot、Google-Extended 禁掉不影响被引用。误区：禁 Google-Extended 去不掉谷歌 AI 概览——AI 概览跟的是 Googlebot。
3. 坑一：Cloudflare 的 AI Crawl Control 在外层可能拦爬虫，要亲自去面板看一眼。
4. 坑二：GPTBot、ClaudeBot、PerplexityBot 不执行 JavaScript，纯前端渲染的内容爬虫看不见，关键内容要 SSR/SSG。DeepSeek、豆包目前未公开爬虫 UA。

1. 结构清楚：标题 H1/H2/H3 分层、段首直接答问题、一段只讲一件事、多用表格列表、关键信息落成文字，别只放图片里。
2. schema 当基本功：Organization、Product、SoftwareApplication、Article 这几类照常做，但别当秘籍——它不是被引用的决定因素。

1. 内容标准：写具体数字、配来源链接、标更新日期，最值钱的是第一手经验——就是谷歌指南说的“非同质化内容”。
2. 自检标准：Vercel 的问法是“竞品明天能不能轻松复制”——能轻松复制的内容，AI 没有非引你不可的理由。
3. 定期复查：每 30 天、90 天、180 天复查一遍，并更新 sitemap 的 lastmod。

1. 去对地方：海外去 Reddit、YouTube、G2、维基百科，国内去知乎、CSDN、什么值得买、头条。
2. 做对比页：“X vs Y”对比页和“X 替代品”页，是 AI 回答比较类问题时最爱引的形态。
3. 亲自下场：经营自己的 subreddit，创始人亲自到各平台回答问题——真实提及比自家站上的自夸管用得多。

1. 问题清单：准备 15–20 个问题，分品牌词、品类词、对比/替代品词三类。
2. 测试方法：在 ChatGPT（开搜索）、Perplexity、Gemini、谷歌 AI Mode，国内加豆包、DeepSeek、Kimi、元宝里各问一遍；用无痕或登出状态，每个问题跑 2–3 次，记表（有没有提到、排第几、说法对不对、引用了哪些网址、竞品是谁），下个月对照看。
3. 配套工具：Bing 站长工具 AI Performance 报告、谷歌 GSC 生成式 AI 报告、GA4 自建“AI 渠道组”（ChatGPT 链接带 utm_source=chatgpt.com）、HubSpot AI Search Grader；注册流程里加问一句“你是哪个 AI 推荐你来的”。

1. 普林斯顿等机构 GEO 论文（KDD 2024，arXiv:2311.09735）：加统计数据、引语、标清来源最有效，可把 AI 引用可见度提升 30–40 个百分点（作者强调是上限非平均）；原排第 5 的网站提升约 100%，原排第 1 的反而掉 20–30%；小站、腰部站最受益；关键词堆砌基本无效。
2. Ahrefs 研究：13.7 万个域名里 97% 的 llms.txt 零请求；给 1885 个页面加 schema，AI 引用基本没提升；7.5 万个品牌研究：品牌提及和 AI 概览可见度的相关性 0.664，外链只有 0.218。SE Ranking 研究 30 万个域名：llms.txt 和是否被引用没关系。
3. Profound 分析 6.8 亿条 AI 引用：ChatGPT 最爱引维基百科，Perplexity 最爱引 Reddit；“Reddit 占 46.7%”是前 10 大来源内部份额，占全部引用只有 6.6%。
4. 复旦论文（arXiv:2610.11932）：文心偏爱百家号，豆包偏爱头条，各家偏向自家生态；“什么值得买”被测的 10 家引擎全都引用了。
5. DeepSeek 搜索 API：2026-10-17 开放自研搜索 API，文档给网页打 rerank_score（相关性、权威性、时效性，0–3 分，1.5 分算优质）和 authority（权威度，0–4 分，3 分算极权威），并过滤 SEO 作弊、GEO 操纵和低质 AIGC 内容。
6. 案例：Tally 的 ChatGPT 带来约 25% 新注册，ARR 四个月从 200 万到 300 万美元；Vercel 的 ChatGPT 带来约 10% 新注册；Ahrefs 的 AI 搜索流量只占 0.5%，却带来 12.1% 注册。
7. 冷水：Diib 数据只有 2.9% 的网站把 ChatGPT 排进前五大流量来源；反面案例：工具站上了 Product Hunt、磨了 20 个外链，7 天只有 212 PV，全站唯一 1 次下载还是自己验收时点的。

1. 提示词出图：写一句话描述想要的界面，UI 直接在无限画布上实时生成，不用先画线框再一点点搭。
2. 并行拆活：复杂页面会拆成空间子任务，多个 AI Agent 同时动手——一个做 hero、一个做功能区、一个做页脚，拼成整页。
3. 现成风格：内置风格库，毛玻璃、粗野主义、复古等风格直接套用；还带实时协作，多人能同时在同一块画布上改。

1. 文件就是代码：.op 文件是 JSON 格式，能直接读、能 diff、能进 Git 做版本管理——设计稿不再是一张改完就对不上的图。
2. 一键导出：React + Tailwind、HTML + CSS、Vue、Svelte、Flutter、SwiftUI、Jetpack Compose、React Native，设计完直接变成能跑的代码。
3. 接编程工具：内置 MCP 服务器，可一键接 Claude Code、Codex、OpenCode、Kiro、Copilot，在编程工具里直接调用它做设计；另有命令行工具 op，适合脚本化批量操作。

Rust 写的核心，桌面版覆盖 Mac、Windows、Linux，也提供网页版直接打开用。对用户来说重点是 Mac 桌面版现成可用，不用自己编译。

1. 热度与成色：2026-02-17 建库，核实时 6,694 star、583 fork，3,212 次提交、32 个版本——八个月做到这个量，迭代密度很高。
2. 许可：MIT——可复制、修改、分发、闭源商用，强制项只有保留版权声明。
3. 收费：软件本身免费；AI 功能要接自己的模型 API key，按模型商的价格按量付费，成本花在模型调用上。

1. 触发：默认按 Fn 键，支持按住说话、点按切换、双击开始三种模式，热键可改。
2. 识别：说话时音频实时流向 ASR 服务，悬浮小胶囊实时显示识别中的文字，能看着它出字。
3. 纠错与粘贴：识别定稿后过一遍大模型纠错（去口水词、补标点、修同音字），结果自动粘贴进当前输入框；还可以对结果套模板改写。

1. 云端 ASR：豆包（字节火山引擎）和通义的流式识别，中文效果是主打，凭据填自己的火山引擎 App ID 与 Token。
2. 本地 ASR：Apple Speech（macOS 26+ 系统自带、零配置）、MLX（苹果芯片跑 Qwen3-ASR）、sherpa-onnx（CPU 流式模型），可完全离线。
3. 纠错 LLM：接 OpenAI Chat Completions / Responses、Anthropic Messages 或兼容网关，也能用本地 MLX 模型——key 和端点都自己配。

1. 词典：~/.koe/dictionary.txt 一行一个词，专有名词、人名、行话直接往里加，还能让 AI 批量生成某个领域的词表——不用在界面里一个个点。
2. 即时生效：改 ASR、LLM、词典、提示词，下一次按键就用新配置；热键改动几秒内自动感知。
3. 体量：原生技术写的（Objective-C 管系统层、Rust 管核心），装完不到 15 MB、内存约 20 MB，没有 Electron 那套 200 MB 起步的负担。

1. 热度与成色：2026-03-21 建仓，七个月发了 31 个版本，核实时 447 star、52 fork，309 次提交，维护节奏稳。
2. 许可：MIT——可复制、修改、分发、闭源商用，强制项只有保留版权声明。
3. 收费：本体免费；成本在你自备的云端 ASR / LLM 额度，用本地模型则零边际成本。
4. 安装：brew install koe --cask 一条命令，或下 GitHub Release 的签名公证包，应用内 Sparkle 自动更新——不用跑来路不明的脚本。

1. 启动器（⌘ Space）：搜应用、文件（支持拼音和内容搜索）、浏览器标签页，顺手算数、换算、翻译、查系统状态。
2. AI Agent（⌘ Space 输入后 ⌘ ↩）：不只是聊天——能联网搜索带出处、读写授权文件夹里的文件、跑终端命令、看屏幕点按操作其他应用，分严格/标准/自动三种权限模式。
3. 语音输入（按住 Fn）：说话松手，文字落在当前光标处；还能选中文字用语音改（“缩短一点”“翻成英文”），有不同场景的人设预设。
4. Ring（⌃⌥ Space 按住）：指针处弹出径向菜单，往某个动作方向一甩松手就执行，最多 8 个槽位。

1. 截图与录屏：区域/窗口/全屏/滚动长截图，录屏带系统声、麦克风和摄像头画中画，可标注、打码手机号、截图 OCR、截图翻译、拿截图问 AI。
2. 剪贴板：文字、链接、代码、图片的历史记录，全文可搜、按应用过滤，常用片段可固定，⌘1–9 快速粘贴。
3. 可编程：能把自己的脚本（Python / Node / Shell 等）挂成启动器关键词，也能让 Agent 帮你写一个工具存下来用。

1. 本地语音模型：SenseVoice（约 350 MB，中粤英日韩强）、FunASR Paraformer（约 180 MB，中文向）、WhisperKit 中/大杯（约 1.5 / 3 GB）、Qwen3-ASR（约 1.3 GB），下载后在 Mac 上离线跑，声音不出本机。
2. 云端识别：也可换 Typeflux Cloud（60+ 语言）、Soniox、阿里云、豆包、Google、OpenAI Whisper API、Groq 等。
3. 大模型：用它的云，或自备端点——OpenAI 兼容、Anthropic Messages、Responses、Ollama 本地都行，填端点、key、模型名即可。

1. 热度与成色：2026-01-12 建仓，核实时 360 star、38 fork，但提交数高达 2,167 次、发了 11 个版本——star 不算高，干活密度是真高；Swift 原生开发，苹果芯片和 Intel 都有安装包。
2. 许可：AGPL-3.0——可以商用，但传染性最强，连“架成网络服务给别人用”都触发开源义务，套壳闭源卖这条路堵死。
3. 收费：本体免费、无账号也能开始用；花钱的只有你自选的云端识别/大模型额度，本地模型路线零边际成本。
4. 隐私：本地模型模式下语音不出 Mac；对话存在本机；Agent 默认改文件、跑命令前先征得同意，且只限你授权的文件夹。

1. 自动回复：关键词规则、图片回复、默认回复三层兜底，还接了大模型 AI 回复，买家半夜问话也有人接。
2. 自动发货：卡券类虚拟商品成交后自动发货、自动补发，是整套系统的主战场。
3. 日常运营：自动评价、自动擦亮，单品发布和批量发布都有，多账号在一个后台里统一管。

它还带一个返佣子系统：按规则自动选品、定时发布、定时删除，凑成一条不用人盯的返佣流水线。这部分是整套系统里最值得拆解学习的流程设计——选品规则、发布节奏、到期清理，环环都是现成的。

技术栈是 FastAPI + React + MySQL/Redis：靠账号 Cookie 登录态走 WebSocket 连闲鱼收发消息，发布、擦亮这类页面操作交给 Playwright 浏览器自动化去点。也就是说，它的命脉就是托管在服务器上的登录 Cookie。

1. 热度真实：2025-07 建仓，核实时 7,886 star、2,008 fork，573 次提交且一直在更新；fork 两千说明真有一大批闲鱼卖家在实际用它。
2. 许可：AGPL-3.0——网络服务也触发开源义务，套壳闭源卖这条路堵死。
3. 收费：本体免费，作者靠赞赏和“承接项目定制”赚钱；使用成本在服务器和你自己的账号风险上。

1. 覆盖范围：数学对着人教版 1–9 年级加高中，外加英语，共 1,244 个知识点、5,123 道题。
2. 核心玩法：知识点之间按“先修关系”连线——学 B 之前必须先会 A；学生某道题做错，系统不只判对错，而是沿先修链往回找，定位知识断点出在哪个前置环节。
3. 形态：有现成试用站可以直接体验，也能自己部署一套。

1. 整理流程：先拆教材体系 → 把知识点切成颗粒 → 标注先修关系（哪条是硬依赖、哪条是软依赖）→ 围绕知识点组织题目和诊断——这套流程本身就是最值得学的东西。
2. 法律上站得住：版权法保护的是具体表达，不保护思想和方法；照着这个思路、用自己的素材做一套自己的东西，他管不着。
3. 需求已被验证：仓库才建几天就冲到 1,790 star，说明“知识点断点 + 先修关系”这套整理法，家长和自学群体是真有需求的。

1. 许可证：CC BY-NC——付费课、付费 App、卖题库全不行，商用要单独找作者授权。
2. 为什么改排版也没用：这批数据里最值钱的不是题目本身，而是他的整理劳动——1,244 个知识点怎么划分、先修关系怎么连、依赖强弱怎么标，这层“选择和编排”受 CC BY-NC 管着；拿他的文件改头换面，等于用他的成果，NC 照样咬住。
3. “网上公开”是个误会：公开只是看得见，不等于没版权。题目源头是人教版教材和教辅，版权在出版社手里；他自己其实也只有“整理权”，真找他买商用授权，教材题那部分的权他都给不全。
4. 内容质量：作者自己声明，这批内容是 AI 生成的初稿、没经老师审核——就算自用，题目对错也要留个心眼。

1. 热度：1,790 star，但仓库才建几天、新得很，后续维护和内容修订都还没经过时间检验。
2. 适用：给孩子当辅助诊断、找知识断点的学习资源，挺好用；它证明了这类产品的形态和需求都成立。
3. 不适用：套壳做产品——CC BY-NC 明文禁商用，这条路是堵死的，不必再纠结。

1. 来源聚合：把本地硬盘和网盘（115、PikPak、OneDrive）里的收藏汇到一处管理，不用在几个盘之间来回找。
2. 浏览方式：封面墙挑片、直接播放，是按“馆藏”而不是按“文件夹”组织的——找片靠封面和资料，不靠记文件名。
3. 定位：单用户、本地优先的个人工具，不是给多人用的在线站，数据主要在自己手里。

1. 自动补资料：按番号自动补齐女优、厂牌、封面等资料，入库不用手工填。
2. 字幕：搜中文字幕并加载，解决外语片没字幕的问题。
3. 追更新：跨站关注创作者更新，覆盖 FANBOX、Patreon、Kemono。
4. 云下载：按番号或磁力提交云下载到 115 / PikPak，下载完自动整理入库。

1. 诊断上报：默认勾选但可关，明细写清了会发什么——这点做得罕见地老实。
2. 馆藏数据上传：是独立选项、默认关着，相关风险都明写在说明里，开关在用户自己手上。
3. 收费：本体完全免费，没有付费项；真正的成本在自备的网盘会员（115 / PikPak），它只负责调用，不收这笔钱。

1. 热度与成色：2026-08-19 才建仓，两个月发了 22 个版本，核实时 1,144 star、128 fork，迭代很猛；仓库里带着 .claude / .codex 目录，是 AI 辅助开发的项目。
2. 许可：AGPL-3.0——传染性最强的开源协议，可以商用，但连“架成网络服务给别人用”都触发开源义务，惯用的“套壳包一层闭源卖”这条路被堵死。
3. 灰色面：软件本体不存一片，但“按番号云下载”“Kemono 关注”这些功能天然贴着盗版源走；它自己也挂了 18+ 和“需有相应账号和访问权”的声明。

1. 画布编排：在一块能无限拖拽的画布上编排节点，把素材、生成步骤和结果组织在同一块工作区里。
2. 核心功能：AI 生图、参考图编辑、视频生成，旁边带对话助手、提示词库和素材管理。
3. 迭代方式：生成结果直接插回画布，作为下一轮的参考或素材继续往下做，不用来回倒文件。

1. 自备模型：画布本身不提供模型，浏览器直连你自己填的 OpenAI 兼容 API，用多少烧多少，全看你那把 key。
2. key 的存放：API key 存在本地浏览器里，不经它的服务器中转。
3. 本地 Agent：官方还给了本地 Agent，能让 Codex / Claude Code 通过 MCP 直接操作画布——让编程 Agent 帮你摆节点、跑生成。

部署门槛很低：Docker 一条命令就能跑（端口 3000），不想碰命令行的也有 Render / Vercel 一键部署。拉起来、接上自己的 key 就能玩。

1. 热度真实：2026-05-18 建仓，五个月发了 38 个版本，核实时 8,176 star、1,971 fork；fork 率特别高，说明一大堆人在自己部署实例，是自用型工具跑出来的形状。
2. 许可：MIT 协议——可复制、修改、分发、闭源商用，MIT 真正强制的只有保留版权声明。作者在注意事项里希望二开时保留原作者信息和前端页面标识，那是他的请求，不是许可的强制条款。
3. 收费：本体完全免费，没有付费项；作者靠两样赚钱——赞助商（清一色 API 中转商）和接定制开发。你的成本就是自己那把 API key 烧多少。

每个编程 Agent 原本绑定的模型各管各的；magpie 在本地起一个网关把两边解开——Claude Code 可以跑 DeepSeek，Codex 可以跑 Kimi。切换方式两种：手动在菜单栏点一下就换；或者建一个“路由组”，排在前面的额度用完，它自己悄悄切到下一个，干活的 Agent 根本感觉不到。

1. 填 key 的：内置 40 多家厂商预设——DeepSeek、豆包（火山引擎 Ark）、Kimi、智谱 GLM、MiniMax、通义千问、硅基流动，还有 OpenRouter 这类中转，填个 key 就能加，充了几块钱的小余额也用得上。
2. 登订阅的：ChatGPT（走 Codex）、Gemini、Claude、Copilot 都能用账号登录接进来，不用另买 API；还能看每个套餐剩余额度和重置时间。

1. 定位别搞错：magpie 管的是“编程 Agent 用哪个模型”，服务对象是 Claude Code、Codex、Gemini CLI 这类命令行工具；它本身没有对话框，不能拿来打字聊天。
2. 安装方式：官网推荐 curl ... | sh 管道安装，等于跑别人的脚本，上机前心里要有数。
3. 钥匙串读取：它会读系统钥匙串里的订阅登录信息（README 写明，可在隐私设置里关掉）。

1. 许可与费用：MIT 协议，可商用；软件本身免费。README 挂了两个赞助商（APINEBULA、零词元，都是卖 API 的），作者靠导流赚钱，不影响使用；模型费用自己出——API key 或登录的订阅，该花还是花。
2. 热度：2026-09-23 创建，不到一个月涨到 16,747 star / 1,204 fork，仍在活跃更新。
3. 实测：2026-10-20 在 VM 上装好 magpie 0.1.1302，命令行全功能可用；平台支持 macOS / Windows / Linux / Docker / Termux。

手机上装一个 App 并开启无障碍权限，电脑上跑 server，扫码完成配对，之后就能用代码操控这台真实安卓手机。不用 ADB、不用 USB 线、不用 root，这是它最大的卖点。

接口很全：Python、Node.js、C#、命令行、HTTP 都能调；还支持 MCP，Claude、ChatGPT、Cursor 这类 AI agent 可以直接看手机屏幕、下指令操作——就是“AI 直接操控真机本身”这条路线，只不过是安卓版。

1. IP 走手机侧：连接方向是手机主动向外连电脑，平台看到的是手机那边的 IP；手机连家里 WiFi，平台看到的就是家里 IP，绕开了机房 IP 的异常特征。
2. 行为像人手：真机 + 无障碍点击，行为层面就是人手在点，难以检测出自动化痕迹。

1. 解不开锁屏密码，解锁这一步仍要人工。
2. Android 15+ 通知栏里的一次性验证码读不到，得进 App 里看。
3. 游戏类无元素界面没有控件可定位，只能按坐标硬点。
4. 清数据、强停应用需要 device owner 模式，普通安装做不到。

1. 许可与费用：MIT 协议，可商用；项目本身没有收费项。
2. 新鲜程度：2026-10-07 刚发布，才 10 天，版本 v0.1，已有 182 star。
3. 成熟度：作者自述目前只在模拟器上测过，跨品牌真机测试是下一步——真机上稳不稳还没有答案。

标题和背景图要一眼传达“卖什么 / 什么价格”；标题加入 chatgpt、codex、订阅、售后、专业等关键词以获得精准推流；手机端开播后设置“流量反馈”提高进房率。

话术围绕“chatgpt、codex、官方正版、充值到自己账号、售后质保、官方订阅、教注册教安装”建立信任；违禁词包括“看我主页”、价格数字、vpn、明确表明卖东西的词语。

代充是按月续费生意，必须引流到私域成交；核心打法是“用价格筛选用户，用服务增加用户黏性”。

1. 直播间挂联系方式；
2. 小号当榜一 / 管理员；
3. 设置管理员公屏引流；
4. 粉丝群内小号发带联系方式的表情包。

必须露脸直播，特效不行；直播间不能长时间无声无画面，否则会被判定挂机处罚。

作者自述“本文无任何 AI 润色”。

核验（2026-10-15 当日）：正文为纯教程，无外部链接、无优惠码、无付费墙；作者主页挂有 gptibo.com（未点击验证内容）。帖子数据：36 回复、22 转发、162 赞、211 书签、13.5K 浏览。

新手误区：先日更、研究养号/设备/发布时间。真正的问题：主页让人看不出“帮谁解决什么”。第一批笔记值得提前排好。

帮【处在什么阶段的人】，在【具体场景】里解决【一个问题】，主要用【我拿得出的材料】讲清楚。用两个示范定位（教小红书运营的账号、独居做饭）说明如何划清选题边界。

三种收集真实问题的方法：搜索细分领域词、看同领域笔记评论、翻自己的工作记录；要求记录具体情境。归纳出三个长期栏目“支柱”：选什么、怎么做、怎么改。

1. 3 篇方法、4 篇案例拆解、3 篇过程记录、2 篇清单模板，每类都有用处。
2. 原则：“没有结果，就写过程；没有做过，就别写成亲历”；分析公开案例要标明出处、区分观察和推测。
3. 12 个选题按三组给出具体标题示例（解决“不知道写什么”、让读者看见一篇笔记怎么做出来、发完知道下一批接什么）。

不要只替换关键词：以独居做饭和职场账号为例，换赛道要同步换读者场景和证据。

每做完 4 篇停下来翻一次记录：记录基础信息、用统一口径和观察时长比较数据、读懂数字背后的具体反馈（追问、收藏多评论少、受众不匹配、样本小），一次只改一个主要变量。

给出定位填写模板和每篇选题行模板：先定位、再选题、最后填材料。第一批做完要能回答三个问题：哪些问题有人愿意继续问、哪些内容能持续做、下一批有什么具体题目。

核验（2026-10-15 当日）：正文为纯方法论干货，无外部链接、无优惠码、无付费墙；作者简介有轻度自我推广（自称 AI Native Builder，挂联系电话 13941703798），无具体产品广告。帖子数据：119 赞、23 转发、246 书签、16.3K 浏览，书签比例高，属收藏向干货。

团队做了两年多小红书虚拟产品，8 月 5 个经营一两年的店铺因盗版/侵权被封，月损 8 万收益。教训：平台要合规、要原创，“要么往合规往原创走，要么就别做了”。随后全面转向 AI 原创，开学季单店单周破万、单月 5 万（作者自述数据，未独立验证）。

1. 小红书店铺走量卖 AI 生成的 PPT/课件成品（低客单、跑量）；
2. 多平台（小红书、抖音、视频号、公众号）铺内容引流到私域，接高客单定制（医护赛道两三百至七八百）；
3. 明确“放弃自研工具”，不做网站/SaaS 让别人付费使用——作者的判断：与其卖铲子，不如自己下场挖矿。

1. 技术路线选“生图”：GPT Image 2.5 整页一次生成，中文保留好，4K 规格，走中转站 API 批量并发（每天 20 亿 token、30–50 个 PPT 任务并发、人均日产 50+ 份、单份成本几块钱）；
2. 不自研完整工具，只搭轻量 skill 嵌在 Codex、Workbuddy 等 AI 工作台；
3. 关键认知：“提示词已经不值钱，真正值钱的是构建 skill 的能力”；
4. 五阶段流程：阶段0资料整理（喂原版 PPT+电子课本）→阶段1页面规划（定内容骨架+视觉风格，深度洗稿、与原稿拉开差距）→阶段2图片版 PPT（三小步：定风格→出试样→出全套并发）→阶段3附属产物（逐字稿、教案、打包上传网盘）；
5. 最难的一步是“转可编辑”：WPS PDF 转 PPT、Canva 国际版 AI 图层、Codia（最贵 5–7 毛/张），按复杂度搭配。

1. 自研排版软件“百变拼图”+拟人化分发工具提效，但最后“发布”一步人工点击；
2. 单号每天不超 5–10 篇、多套笔记模板轮换；
3. 提前半个月到一个月铺笔记，吃旺季流量与搜索长尾；
4. 卡时间节点：开学前一周与后一周是课件旺季。

1. 赛道：K12 课件（避开小学语文红海）、医护（定制需求猛）、大学生/高校模板、职场通用、节日类（新手练手）；
2. 选品三步：看需求（搜“品名+PPT”看店铺销量）、看利润（头部看天花板、腰部看可达水平）、看竞争（翻同行成品质量）；
3. 找品：用小号盯同行、看千帆榜单、用 AI 选品。

1. 电子资源类目开店条件：账号满 180 天、无违规、笔记 30 篇以上、粉丝过千、近一年有单月流水 6000+、承诺函、保证金、个体执照满一年（代办申请约 70 块）；不开店也可用个人专业号卖；
2. AI 二创版权：别做“换壳”要做“重做”，内容与原版拉开五成到八成，申请地方版权局版权，被投诉时用 AI 写申诉话术。

核验（2026-10-15 当日）：帖子本身免费公开，无外链无优惠码；但作者 328 粉丝小号、简介挂微信+飞书 wiki，“学员”“私域”话术明显，疑似卖课/引私域的前置内容，销量数据均为作者自述无法验证。帖子数据：163 赞、328 书签、31.4K 浏览。

AITDK、SiteData、Similarweb、Wayback Machine、Wappalyzer、Google Trends、Exploding Topics 等——用来找市场机会、扒竞品。

Screaming Frog、SEO Minion、Semrush、Moz Link Explorer、Ahrefs、Linkhouse、Collaborator，以及 Fiverr、Adsy（外链采购渠道）。

Figma、Framer、IconPark、OpenRouter、Dify、Replicate、n8n、Midjourney、Ideogram、Loom、Screen Studio。

Cloudflare、Vercel、DeepL、Weglot、Lokalise。

Stripe、Paddle、Lemon Squeezy、Starryblu、Termly。

Product Hunt、Uneed、Microlaunch、BetaList、Discord+Disboard、Toolify、There's An AI For That、Typefully、Beehiiv、Loops。

Google Search Console、GA4、PostHog、Microsoft Clarity、Feedlog、Crisp、Cursorful。

作者总结：Web 出海不是玄学，选对工具、持续迭代，普通人也有机会拿到海外用户的美刀收入。

1. 可见性：帖子本身为免费公开长文，无付费墙、无付费产品链接。
2. 自带产品：Feedlog（feedlog.ai，反馈整理+智能客服）是作者自己的产品；Starryblu 跨境资金工具附了推荐码 MPPK02。
3. 作者定位：作者简介挂 feedlog.ai 和联系号 xiaojie960604，属个人 IP + 产品推广定位。
4. 传播数据：170 赞、56 转发、280 书签、22.6K 浏览，书签比例高，属“收藏备查”型内容。

1. Fan-out queries：你的一个问题被 ChatGPT 展开成了哪些具体的搜索词。
2. Web Search 调用：一次回答里调用了几次 Web Search。
3. 来源 URL：搜索实际找到了哪些来源网址。
4. 最终引用：在众多来源里，最终答案真正引用了谁。

报告以 HTML 形式在本地离线打开，并同步输出 JSON、CSV、Markdown 三种结构化数据，方便后续做选题、覆盖度与引用分析。

帖子中给出一个真实案例：提问 “best ai ppt maker”，抓到 1 次 Web Search 调用、4 条展开搜索词、41 个来源 URL，但最终答案只引用了其中 3 个。

这个落差正是 GEO 研究最有价值的地方——搜到你，不等于引用你；引用谁、为什么引用，才是内容要去争取的位置。

npx skills add

1. 安装：用 npx skills add 安装该 Skill。
2. 配置 Key：使用时需配置自己的 OPENAI_API_KEY，Key 只存本地。
3. 离线模式：也支持直接分析已保存的 response JSON，不调 API。
4. 环境要求：需要 Python 3.10+。

仓库里还有第二个 Skill：long-blog-to-viral-social-posts——把一篇长文转写成 2 篇 LinkedIn 帖 + 1 篇 X 帖，带钩子模板与首评 CTA，适合长内容做多平台分发时复用。

1. 许可与费用：MIT 协议，可商用，无收费项。
2. 项目年龄：仓库创建于 2026-10-14，当日数据 35 star、9 fork、1 次提交——刚出生，未经时间检验。
3. 作者引流：作者主页简介末尾挂个人微信 oqqsmile，属轻度引流，无付费产品。

原生意来自小红书“英语学习账号”：用短视频/图文引流，再叠加 24 小时无人直播承接流量，卖 39.9 元英语学习网站激活码。用户自助下单后，系统自动发货，不需要人工守店。

作者强调，真正值得学的是这套结构，而不是照搬某个站点界面：内容负责把人带进来，激活码产品负责低门槛成交，自动发货负责把交付成本压到最低。

1. 拆解原站：用 Claude/Codex 拆解原网站的产品逻辑，先搞清页面、功能和转化路径，再动手复刻。
2. 快速上线：4 天从买服务器到上线第一版；后续迭代至 9 个页面、10 个组件、4000 多行前端代码，作者称全部由 AI 编写。
3. 自动交付：接入抖店、小红书店，用户付款后由店铺系统自动发激活码，完成“下单—交付”闭环。

1. 素材加工：AI 批量完成“提取字幕 → 翻译 → 提取重点词汇 → 生成内容 → 导入网站”；作者自称仅用原创、获授权或可商用内容。
2. 自动剪辑：Codex 自动完成裁剪、字幕、画面比例处理，把素材剪成可发布版本。
3. 定时发布：视频定时发布到抖音、小红书持续获客，再把流量导入店铺完成自助下单。

作者晒出单日 1.38 万元、346 个支付订单的截图，并把自己的工作概括为三件事：选内容、看数据、调方向。产品、素材、剪辑、发布、发货尽量都交给 AI 与系统自动完成。

1. 技术可信：4 天 AI 写站、AI 批量加工素材、自动剪辑定时发布，均在当前工具能力范围内，链路本身现实可行。
2. 收入存疑：1.38 万元与 346 单均为作者自述截图，无法独立验证，应打折看待。
3. 风险① 无人直播：24 小时无人直播在抖音属违规高危，随时可被封，是整套模式最脆弱的一环，不能默认可长期复制。
4. 风险② 版权边界：“复刻”的边界在内容，不在模式。生意模式可学，素材与课程内容必须原创、获授权或可商用。
5. 漏斗判断：帖子正文无外链、无优惠码，但作者简介挂付费咨询，属于典型的“分享实战 → 卖咨询”软漏斗。

1. quick_wins：找出排名第 4–15、曝光高，最有机会继续往前推的关键词。
2. traffic_drops：拆分掉量原因，判断是排名下跌、CTR 崩掉，还是搜索需求下降。
3. content_decay：识别连续三个周期下滑的内容，尽早发现自然流量衰退。
4. cannibalization_check：检查站内多个页面是否在争抢同一关键词排名。
5. ctr_vs_benchmark：用本站实测点击曲线做 CTR 对标，而不是套通用行业均值。
6. content_recommendations：把分析结果整理成按优先级排序的行动清单。

1. image_page_audit：做图片 SEO 闭环审计，覆盖 alt、文件名、懒加载和 EXIF。
2. genai_conversation_queries：挖出混入搜索词报告的 AI 对话残留，例如 “yes, go on”，用来观察生成式 AI 带来的新型查询。
3. submit_url / submit_batch：通过 Indexing API 提交单个或批量 URL 收录。
4. multi_site_dashboard：把多个站点的关键表现集中到同一张看板。

1. discover_analysis：分析 Google Discover 表现。
2. image_analysis：查看图片搜索相关数据。
3. search_appearance：拆分不同搜索外观的表现。
4. query_count：统计查询数量，补充站点搜索覆盖面的观察。

npx -y suganthan-gsc-mcp setup

命令会启动一键向导，可选择 Google OAuth client 或 service account；也提供 .mcpb 桌面一键安装包。用户需要自己准备 Google OAuth client 或 service account。

服务器跑在本地，Search Console 数据直接连接 Google，不经过第三方中转。

1. 许可与费用：Apache 2.0 协议，可商用；没有收费项。
2. 项目年龄：本 fork 创建于 2026-06-15，核实时只有 11 stars、0 forks。
3. 上游基础：上游 Suganthan-Mohanadasan/Suganthans-GSC-MCP 是更成熟的项目；该 fork 跟随上游 v2.5.1，并发布为 v2.6.0。
4. 真实使用验证：上游作者在 suganthan.com 博客中用真实客户数据展示过项目用法。

项目基于 Appium 生态的 WebDriverAgent（WDA）。用户用自然语言描述任务，Codex 就能在真实 iPhone 上打开 App、读取当前页面、点击控件、滚动、输入中文长文本、整理列表；手机屏幕还能实时显示在侧边栏，方便随时观察 AI 正在做什么。

它不要求越狱，也不需要另行运行 Appium Server。自动化层负责可重复的界面操作，手机仍然保持为用户自己的真实设备。

1. 环境与设备：环境诊断、设备发现与配置、控件树读取、截图。
2. App 操作：启动 App、点击、滑动、Unicode 输入、组合动作。
3. 内容处理：滚动查找、列表采集与长文本输入，适合把页面信息整理成结构化结果。
4. 屏幕预览：预览开关及 2 个屏幕 widget 工具，让操作者在侧边栏实时查看手机画面。

1. 截图回退：当控件树无法准确定位目标时，Codex 可以先看截图，再按屏幕坐标点击。
2. 输入与提交分离：填入内容后不自动等同于提交，给用户留下最后确认空间。
3. 人工处理敏感步骤：密码、验证码与 Face ID 交给用户本人完成，不让自动化跨过身份确认。

1. Mac：macOS，使用 Codex 桌面端或 CLI。
2. Xcode：必须安装完整 Xcode，仅有命令行工具不够。
3. 签名：需要可用于签名的 Apple 账号与开发团队。
4. iPhone：通过 USB 连接，信任这台 Mac，开启开发者模式，并在使用时保持解锁。
5. 运行环境：Python 3.9+ 与 Node.js。

1. 许可与费用：MIT 协议，可商用；项目本身没有收费项。
2. 创建与发布：仓库创建于 2026-10-06，核实时仅 3 天，已经发布 26 个 release；增长快，但稳定性仍需观察。
3. 匿名统计：默认向独立 PostHog 项目发送匿名使用统计，不包含手机画面、输入内容或设备标识。可设置 IPHONE_USE_ANALYTICS=0 或 DO_NOT_TRACK=1 关闭。

1. Cloudflare 功能与免费额度：先认识可用服务、适用场景和免费方案边界。
2. 域名接入与 DNS：完成域名托管，理解解析记录与生效过程。
3. HTTPS 与代理：配置证书和代理，理清加密、回源与访问链路。

1. 从 GitHub 发布网站：分别介绍 Workers 与 Pages 的部署路径。
2. 域名邮箱：用 Email Routing（邮件路由）接收域名邮件，把域名用于对外通信。

1. R2 对象存储：讲解对象存储的配置与使用，适合承载网站或产品需要的静态文件。
2. AI 爬虫管理与安全：覆盖爬虫控制和基础安全配置，减少不必要的抓取与暴露。

1. Workers 无服务器后端：用边缘函数承接接口与业务逻辑，不必先维护传统服务器。
2. Workers AI：通过 Cloudflare 的 AI 能力调用开源模型，把模型调用接进网站或应用。

1. cf 命令行与 AI Agent 协作：用命令行操作 Cloudflare，让 Agent 参与配置、部署和维护流程。
2. 免费额度速查与故障排查：集中查看额度边界、常见错误与处理思路。

文末另附延伸阅读与 Cloudflare 官方文档链接，方便遇到具体问题时回到官方说明继续查证。

1. 可见性：全文免费可见，没有优惠码、推广话术或佣金链接；作者简介里的微信合作联系方式属于正常引流。
2. 读者反馈：23K 浏览、306 收藏；收藏数是点赞数的 2.4 倍，说明不少读者把它当作手册保存。
3. 额度核对：文中 Workers 免费版每天 10 万次请求、R2 免费 10GB 等说法，与 2026-10-09 核验到的 Cloudflare 官方政策相符。

Archify 是一个面向 AI agent 的 skill，支持 Claude Code、Codex、Cursor、OpenCode。既可以用一句话描述想法，也可以让它读取现有代码仓库，再生成对应的可交互架构图。

npx skills add tt-a1i/archify -g

安装只需这一条命令。之后可以直接在聊天中描述要画什么，或指定需要分析的代码仓库。

1. 交互查看：节点可以点击，关系路径可以追踪，适合逐层理解系统组成。
2. 多种图型：支持架构图、流程图、时序图等共 5 种图类型。
3. 方便分享：可以导出 PNG 分享卡片；也可以直接发送生成的单个自包含 HTML，收件人无需安装任何东西，打开即可查看。

图生成后可以继续对 AI 说“加上鉴权”、“高亮缓存未命中路径”等修改要求，让图随着讨论持续迭代，而不是每次回到绘图工具手工重做。

1. 仓库热度：79,896 stars、5,357 forks，拿过 GitHub 周榜第一，累计安装量超过 130K。
2. 许可：LICENSE 为 MIT，可商用；项目没有收费项。
3. 赞助关系：Kimi Work、Supercode、OpenLux、EverMind 为赞助商，不影响项目的免费使用与 MIT 许可。

EEAT 由 Experience（经验）、Expertise（专业）、Authoritativeness（权威） 和 Trust（可信） 四部分组成，是 Google 用来判断页面内容质量的标准。研究透这套标准，就抓住了 GEO / AEO 的底层逻辑。

AI 内容爆炸后，流量正向 AI Overviews、ChatGPT、Perplexity 等生成式答案转移。想让内容进入这些答案，不能只追求关键词覆盖；内容是否有真实经验、明确作者、可核验证据和透明来源，正在成为被 AI 引用的关键标准。

1. 作者署名与简介：每篇内容标明作者，并用简洁简介说明其经历、角色和与主题的关系。
2. Schema 结构化数据：为文章、作者与组织补齐机器可读的实体关系。
3. 关于我们页：公开说明团队是谁、做什么、如何联系，以及内容由谁负责。

1. 用第一人称写清实际操作过程，不只复述别人已经说过的结论。
2. 加入真实截图、实测数据和具体结果，让经验有可核对的痕迹。

1. 展示与主题相关的资质、经历和代表作。
2. 内容写到足够深，解释机制、边界与细节，而不是只做表面整理。

1. 主题集群：围绕一个领域持续建设相互关联的内容，而不是只写一篇孤立文章。
2. 外链引用：引用可核验的权威来源，也争取让其他可信页面引用自己的内容。

EEAT 虽然是页面级评估，但也会受到整站质量与作者实体的影响。单篇页面的署名、证据和深度要做好，整站的主题一致性与作者身份也要长期累积。

1. EEAT 出自 Google《Search Quality Rater Guidelines》（《搜索质量评估员指南》），属实。
2. Google 在 2022 年把 Experience 加入原有 E-A-T，形成 E-E-A-T，属实。
3. 作者署名、结构化数据、真实经验、专业资质、主题集群与外链引用，均为 SEO 圈公认的落地做法。
4. 帖子本身没有外部链接、优惠码或付费推广；作者简介提到自家产品 risetive.com，属于正常的 build in public（公开构建）背景信息。

1. 从用户的一句话出发，先整理成剧本。
2. 把剧本拆成可执行的分镜表。
3. 逐项列出需要的参考图与预计生成数量。
4. 把方案和预算交给用户确认，不确认就不进入批量生成。
5. 按分镜逐镜生成，并持续检查角色、服装、道具和场景是否一致。
6. 检查镜头内部质量与前后镜头接缝，再完成拼接。
7. 通过整体复核后交片。

每生成一镜，都要对照前后镜头检查人物外貌、衣着、手持物、场景方位与关键道具。单镜漂亮不等于整片合格；只要某个关键元素在相邻镜头里突然消失、换样或错位，就会破坏整条片子的可信度。

在正式生成前，把参考图与视频的计划数量、允许的重试次数和总上限写清楚。失败结果同样占用预算；达到上限就暂停，先复盘问题或重新确认方案，而不是无限重抽。

不能只看生成视频的首帧。要完整播放每一镜，检查动作过程中是否变形、道具是否消失、人物状态是否漂移；拼接后还要看上一镜结尾与下一镜开头在动作、视线、位置和声音上是否自然衔接。

不要为了显得“完整”而把配乐、环境声、音效和旁白全塞满。先保证核心信息与画面动作一致，再删除抢戏、重复或制造假感的声音，让声音成为连续性的辅助，而不是新的干扰源。

1. 这是个人早期项目，作者明确表示部分规则仍在实测中，不宜当作成熟行业标准。
2. 项目根目录没有 LICENSE 文件；可以学习方法论，但不要整篇复制后商用。
3. 项目本身没有收费项。

1. SEO 内容站：100+ 篇博客覆盖太极、气功、平衡、关节活动与中老年健康等长尾关键词，用长期内容获取自然搜索流量。
2. iOS App 获客：Tai Chi: Qigong Fitness Coach 采用免费下载加 App 内订阅，把移动端用户带入持续练习场景。
3. Stripe PDF 电商：28 天可打印计划售价 $4.90；套装售价 $9.90–14.90。全部是一次性付款，不建立账号体系，降低购买与维护成本。

1. 站点：纯手写静态站，部署与维护成本低。
2. 分析与基础设施：GA4、Microsoft Clarity、Cloudflare。
3. 视觉：Outfit 与 Playfair Display 两套字体搭配。
4. 搜索：页面使用 JSON-LD 结构化数据，并提供 11 种语言版本。

研究库收录 2015–2026 年的 61 篇同行评审研究，分为 9 个分类。每条记录包含标题、PMID、年份、研究类型、样本量、关键发现与局限，不只摘正面结论，也主动保留证据边界。

该文献库采用 CC BY 4.0 许可，可在遵守署名要求的前提下复用。

1. 实体锚定：公开展示 Laqen LLC 的美国公司信息，让项目背后有可核对的经营实体。
2. 结构化证据库：用独立的研究目录连接具体 PMID、样本量与研究局限，把健康内容与来源逐项对应。
3. 防御性文案：避免绝对化健康承诺，并在购买卡旁直接放置 Safety 红线，先说清适用边界和风险。

商业模式、价格、技术栈、多语言规模、文献库结构与 E-E-A-T 做法，均来自 2026-10-06 对实站的只读检查。营收与运维数字作为该日案例数据保留，不延伸为未来收益承诺。

1. 电脑：M 芯片 Mac；作者使用 macOS 26。
2. 开发工具：从 Mac App Store 安装 Xcode；作者使用 Xcode 27。
3. 连接：用数据线把 iPhone 连到 Mac。

1. 数据线连接 iPhone 与 Mac，在手机上点“信任此电脑”。
2. 进入 iPhone 设置 → 隐私与安全性 → 开发者模式，开启后按提示重启手机。
3. 手机重启后，再次确认开启开发者模式。

xcrun devicectl list devices

在输出中找到这台 iPhone 对应的 Identifier，复制备用。

xcrun devicectl device simulate location coordinate --device 你的设备ID --latitude=40.7580 --longitude=-73.9855

示例坐标是纽约时代广场。西经与南纬使用负数；--latitude、--longitude 参数用等号连接。终端显示 Set location to: ... 即表示设置成功。

1. 打开 iPhone 自带的地图或天气 App，确认位置是否已经变化。
2. 拔掉数据线后，模拟定位仍会保持。
3. 重启 iPhone 后模拟定位失效；需要时重新连接 Mac，再跑一次设置命令。

xcrun devicectl device simulate location clear --device 你的设备ID

GitHub 上多个独立项目，包括 samettufekci/location_changer、sayoriqwq/pinshift，使用的都是同一套 devicectl device simulate location coordinate 与 clear 命令；2026 年实测记录与教程描述吻合。

“不越狱、不装第三方证书”属实：这是苹果官方开发者调试能力，不是第三方定位插件。

这是一个智能体技能，可用于 Claude Code、Cursor、Codex 与 MCP。它本身不包含模型权重，而是把本机已有的 ffmpeg、ffprobe 能力整理成参数明确、结果可验证的 Python 工具，方便智能体安全地编排视频处理任务。

1. 素材与基础剪辑：probe 先探测文件再动手；cut / join 负责剪辑拼接，并尽量使用无损的码流复制；silence 去静音；fit 适配时长与画面比例。
2. 字幕与画面包装：caption / karaoke 生成字幕与卡拉 OK 高亮；overlay / motion graphics 处理叠加元素与动态图形。
3. 画质与声音：支持 HDR 转 SDR、LUT、音频清理、响度标准化、音画漂移校正和多机位剪辑。
4. 检查与交付：delivery check 检查平台规格，render 渲染整项目，batch 批量处理素材。

每个任务先实测文件的时长、帧率、分辨率和音频布局，再据此决定怎么剪，完成后继续验证结果。每个工具都支持 --dry-run（只打印命令、不执行）与 --json（输出结构化结果），并提供 --plan、--fast、--progress、--timeout 等执行控制参数。

render.py --template 提供 TikTok、Reels、Shorts、YouTube、X、LinkedIn、Facebook 与播客模板。模板会按平台安全区、字幕位置、响度标准和编码预设出片；例如 TikTok 模板会让字幕避开描述栏与点赞列，响度标准为 -14 LUFS。

使用 --template all 可一次渲染多个平台版本，并生成对照表。

1. contract --json 输出全部 42 个工具的输入、输出结构定义。
2. MCP 服务器通过 tools/list 与 tools/call 枚举并调用工具。
3. SPEC 机制用于保证工具契约与实际代码不漂移。

1. 许可证：MIT，可商用。
2. 费用：完全免费，在本地运行，没有云服务，也不需要 API key。
3. 依赖：没有 Python 第三方依赖；项目不包含模型权重，本质上是对系统命令的结构化脚本封装。

1. 一键安装：npx ffmpeg-skill，安装技能时包含 doctor 自检。
2. 独立调用：python3 scripts/probe.py input.mp4 --compact。
3. 环境要求：ffmpeg、ffprobe、python3 均需位于 PATH。

本机状态：2026-10-05 已安装到 ~/workspace/skills/ffmpeg-skill，可以直接调用 scripts 目录下的工具。

1. 在 GitHub 下载 ZIP 并解压。
2. 打开 Chrome 扩展程序页面，开启开发者模式。
3. 选择“加载已解压的扩展程序”，加载解压包里的 dist/ 文件夹，不要选择仓库根目录。
4. 如果下载内容里没有 dist/，先执行 npm install 和 npm run build 自行构建，再加载生成的 dist/。

1. 本地视频 → prompt：60 秒内效果最佳。提供三档抽帧：Fast 5 帧、Standard 6–16 帧、Detailed 10–32 帧；按视频时长的 0%–95% 取帧，主动避开尾部黑帧。
2. 网页图片 → prompt：在浏览器里右键图片直接分析，不必先把图片下载到本地。
3. 本地图片 → prompt：上传本机图片后反向分析。
4. Prompt 增强器：把一句话想法扩写成完整 prompt，分为视频和图片两种模式。

图片分析维度：主体、场景、构图、风格、光线、配色、情绪、质感、材质、视角与画质关键词。

所有结果统一整理成一条 Final Result，支持一键复制；插件自动保存最近 20 条历史。

视频结果按 Seedance 2.0 风格 prompt 编写，覆盖主体描述、动作细节、机位语言、运动连续性和电影感结构。作者称它也能作为其他视频模型的参考 prompt，使用时再按目标模型微调措辞。

1. 许可证：MIT，可商用；但 PromptLab 的品牌名和 logo 不在 MIT 授权内，这不影响使用代码。
2. 软件费用：软件免费；需自备 Gemini API key，可在 Google AI Studio 免费申请，有免费额度，也可在后台设置每日限额。
3. 模型：仓库不包含模型权重，分析能力通过 Gemini API 提供。
4. key 存储：key 只保存在浏览器扩展的本地存储中，作者看不到。

目前不支持从 Instagram、TikTok、X、Facebook 或 YouTube 直接提取视频。视频仍需先下载到本地，再上传到插件分析。

“Direct video URL import” 已列入 roadmap，但尚未实现。视频下载可由助理用 yt-dlp 代劳。

拖进去一段参考视频——爆款 TikTok、老镜头或电影片段——就会得到带时间码的分镜表，例如 0–3 秒、3–7 秒。每个分镜包含动作、机位运动、对白和画面风格；对白原样保留，不改写、不断句。

输出可直接投喂 Veo、Sora、Seedance、Kling、Runway，由 Google Gemini 驱动。

视频从本机直接发给 Google，使用自己的 API key；key 只存浏览器 localStorage，无账号、无服务端中转。

1. 2 FPS 采样：Gemini 视频 API 默认 1 FPS，容易漏掉快速剪辑镜头；提高到 2 FPS 换取更高的分镜召回率，代价是 token 成本翻倍。
2. MEDIA_RESOLUTION_HIGH：每帧视觉 token 翻倍，识别粒度从“有个人在法庭”提升到“戴卷假发的严厉法官敲法槌”。
3. 结构化系统提示词：要求整数秒时间码、3–6 个节拍；对白用双引号原样放在对应节拍。
4. 双上传路径：18MB 以下使用 inline base64 一次发完；18MB 以上走 Gemini Files API，按“上传 → 轮询 ACTIVE → 按 URI 引用”的流程处理。

1. 许可证：MIT，LICENSE 齐全，可商用。
2. 软件费用：软件本身免费；需自备 Gemini API key，按 API 用量计费，有免费额度。
3. 外部渲染：一键转 Seegen.ai 渲染时，费用按 Seegen.ai 的规则收取。
4. 模型：仓库不带模型权重，全部走 API。

完整流程变成：爆款视频 → 本工具拆出骨架时间轴 → BEE 套进去换皮重拍。

它与 ai-character-swap skill 互补：ai-character-swap 管“换人执行”，video-to-prompt 管“骨架提取”。

1. 支持格式：MP4、MOV、WebM、AVI、WMV、3GP、MKV，最大 2GB；通过拖拽上传本地文件。
2. 链接处理：TikTok、YouTube 链接需要先下载；助理可用 yt-dlp 代下，具体见 AGENTS.md 的 video downloader。
3. Roadmap 未完成：各目标模型的措辞预设、示例库、多语言 UI、浏览器插件尚未完成。
4. 当前输出：现阶段是通用提示词，还没有针对 Veo、Sora、Seedance 分别调优。

用自然光（白平衡 5500K 前后）出图，不要偏黄、不要有不自然的偏色

消掉“一看就是 AI”的黄调。

50mm 镜头、F1.8，背景轻微虚化，高清

一句相机参数，平板 CG 感变照片感。

上方或下方留出放文字的空白，主体稍微偏离中央

字压上去不糊，不用事后重裁。

背景纯色或渐变、简洁，不要多余小物件和文字

跟其他页放一起不违和。

16:9，『课题→对策→效果』三个框从左到右箭头连接，文字按这个写、别加字

比例先定好，省掉裁切。

竖版，标题和日期又大又粗，文字一字一句按这个、别加字

想加的字用引号括起来；字越短越不容易崩。

白底影棚风，形状颜色 logo 保持原样别改，阴影淡淡打在正下方

“保持原样”不写，商品会被 AI 自由发挥。

人物不动，只把背景换成明亮办公室

房间再乱也不用重拍。

多余的东西全去掉，阴影自然柔和，颜色别太鲜艳、调沉稳

贴在任何提示词最后，“量产 AI 图”味就没了。

9 条都是圈内公认的老方法（镜头参数、引号框文字、保持原样等均为实测有效的真技巧），可信度不依赖作者。

减分项：纯文本帖，无 before/after 对比图，效果为作者一家之言。加分项：全文无外部链接、无卖课。

原针对 ChatGPT（gpt-image-1）撰写，但原理通用，其他生图模型照用；日文提示词翻成中文或英文同样有效。

②④⑦⑨ 可直接套进现有生图流程，Lola / BEE 人物图都吃得到。第 ⑨ 条已定为生图默认收尾模板。适合一切 AI 生图场景，用前按目标翻成对应语言即可。

1. 数据是 BitMEX 真实账户从 2020-05 至 2026-07 的完整交易账本，共 43,258 个订单；其中 31,723 个有成交，在分析里记为“决策”。
2. 交易员为 Paul Wei（@coolish），是 BitMEX 官方 11 周年名人堂 Legends 之一。官方宣传口径为 3 年获得 70 倍 BTC 回报；按仓库数据口径，账户约从 1.84 XBT 增至 99.5 XBT，约 54 倍。
3. 2026-09-11 为最终快照，仓库不再更新。
4. 为补足市场上下文，分析另加入 54,600 根 BitMEX XBTUSD 小时线，覆盖 2020-05-01 至 2026-07-23。

1. 许可：仓库根目录没有 LICENSE 文件，README 也未声明许可，因此按默认版权处理；不可据此视为可商用内容，仅限学习研究。
2. 费用：仓库可免费下载，Releases 提供打包 zip；这是纯交易数据集，不包含任何模型权重。
3. 实时状态：社区实时看板 wsnb.online 可查看该账户实时状态。

按成交名义金额统计，BTC 相关交易占比从全期的 84%，升至 2022 年后的 93.8%、2023 年后的 96.1%，并在 2024 年后达到 99.0%。成熟期几乎只做 BTC，不再依赖多币种轮动分散注意力。

1. 始终保留仓位：后期 3.5 年里，XBTUSD 零空单，仓位从不归零。观点变化主要通过仓位增减表达，而不是反复全进全出。
2. 从摊平转向落袋：早期深套时加仓占 58%，杠杆约 4.5x，可解释为摊低成本；后期在新高附近减持占 55.6%，杠杆约 0.69x，更像主动落袋。
3. 风险单位显著缩小：单笔最大规模从约 20 倍净值降至约 0.3 倍净值。
4. 胜率下降、盈亏比提升：胜率从 42% 降到 34%，同时盈亏比从 1.78 升至 3.11，说明成熟期不依赖高胜率生存。
5. 几乎不用止损单：止损单仅约占 0.3%，主要靠人工减仓执行风险纪律。

1. 日线到周线定方向：跌到 7 天低位时加仓占 52.5%，涨到 7 天高位时减持占 55.7%，表现为逆势高抛低吸。
2. 小时线做执行：冲高时追单占 59%，跌破时砍单占 64%，具体执行反而偏顺势。
3. 频率克制：后期平均一天出手约 3 次，23% 的日期完全不动。
4. 波段幅度很小：加仓前 24 小时价格平均跌 0.28%，减持前平均涨 0.62%，主要捕捉 ±1% 内的小波段。
5. 底仓按月持有：持有期中位数约 46–71 天，与小时级机动操作形成明显的双层周期。

1. 净值三分：底仓约 79%，机动仓约 15%，现金垫约 5%。底仓体现长期只做多的方向，机动仓负责短波段，现金垫保留缓冲。
2. 单笔极小：单笔占总仓位的中位数仅 0.66%，99% 的订单规模在总仓位 5% 以内，靠大量小调整完成仓位迁移。
3. 极端行情不躲：当 24 小时涨跌达到 ±8% 时，出手频率会翻倍，但单笔仍然很小，方向上偏顺势。
4. 小波段并不刻意更轻：即使波动幅度小，单笔风险单位也没有进一步缩小。
5. 持续去杠杆：杠杆从 2023 年约 3.33x 降到 2025 年约 0.54x，说明成熟期内部仍在持续降杠杆。

后期的实际风险暴露已经接近现货：杠杆围绕 1x 上下，只做多，持有期按月计算。合约更像无交割限制的工具，而不是高杠杆赌博工具；按账本结果，后期资金费还是净收入。

1. 相关性不等于因果；凡是解释“为什么这么做”的内容都属于推断，不是统计事实。
2. 后期缺乏深套样本：2021-05 之后再无超过 30% 的回撤，因此“成熟度提升”的结论需要打折。
3. 回撤采用已实现口径，无法完整覆盖盘中或浮亏风险。
4. BitMEX 合约环境不等于现货或 DeFi，资金结构、费用与清算机制都不同。
5. 历史不会原样重复。本分析只用于理解纪律与行为框架，不提供任何交易建议。

~/workspace/btc-ledger-analysis/行为归类报告.md

本地报告包含完整数据表，以及 analyze_phase1.py 至 analyze_phase4.py 的复现方法。

Hypit 面向 Claude Code、Codex 这类 AI Agent。核心玩法是“克隆”爆款视频：丢进去一条参考视频，系统把画面、字幕、B-roll 与特效拆成完整可编辑的 workflow，并把视觉元素按“词”锚定到时间线上。

拆解完成后，可以换脸、换词、换 B-roll，再用一条命令生成 100 个变体。它也可以不依赖参考视频，直接从文字描述从零生成；字幕与动效部分还能走纯代码渲染。

1. 结构化拆解：把参考视频还原为可编辑 workflow，而不是只做表面模仿。
2. 按词锚定：画面、字幕、B-roll 与特效可绑定到具体词语和时间点，方便精确替换。
3. 批量变体：固定镜头结构与版式，只换人物、文案、素材或语言，一次生成大量版本。
4. 两条生成路线：既能调用第三方 AI 模型生成素材，也能用代码直接渲染字幕与 motion graphics。

Hypit 本体免费，没有席位费、按条渲染费或水印。调用 AI 模型时，费用由 HypiHub 或自带 key 对应的第三方服务商收取；官方示例中，一条视频的模型费用约为 1.1 美元。

成本边界：不使用 AI 模型、只做字幕和动效等纯代码渲染时，模型费用为零；本地机器的算力、存储与运行时间仍需自行承担。

项目采用自创的 Hypit Open Source License：以 Apache 2.0 为基础修改，并加入附加条件。它不是一张可以只看“Apache 2.0”四个字就忽略限制的标准许可证。

1. 允许：在自己组织内部使用；自己制作并发布视频，包括商业发布；替客户制作视频。
2. 成果归属：用 Hypit 做出来的视频完全归创作者，商业使用不受限制。
3. 禁止：把 Hypit 做成多租户 SaaS 出售给别人，或转卖 Hypit 本体。
4. 未来风险：作者保留日后收紧许可证的权利，正式长期投入前应重新核对当时条款。

项目是 TypeScript monorepo，使用 SVML 标记语言描述视频；最终通过 ffmpeg 与 headless Chromium 渲染。环境要求为 Node 22.15+ 与 pnpm。

安装命令：npx skills add hypit-ai/hypit -g

这是作者阿杭旗下「阿杭 Skills」的独立仓库，提供四档功能：

1. 单条抖音视频下载：贴官方视频链接或完整分享口令，下载平台播放源原视频（无水印层），保留原始音视频、不转码。
2. 单条逐字稿：本地识别生成机器稿，再完成整篇语义校对，最终只交付校对后的 Markdown 和带时间码的 SRT。
3. 博主整号批量归档：给博主主页或分享名片，通过官方网页分页采集全部公开作品；保存原片、机器逐字稿、SRT、发布文案、话题标签、封面 OCR 识字结果，以及点赞、评论、收藏、转发等公开指标；生成指标表与索引，支持断点续跑。
4. 已有资料库批量改写：按点赞降序排序，把作品逐篇改写成口播稿，并保留完整开场钩子。

仓库采用非商业使用许可：允许个人学习、研究和非商业使用；未经书面授权不得用于商业用途。它不属于 OSI 认可的开源许可证。

商业用途需获得作者书面授权。

脚本本身无按次费用，不调用付费解析接口、托管 ASR、在线 LLM 或模型 Computer Use；但单条语义校对、批量创作与语义审核仍会消耗 Codex 模型用量。本地识别会消耗本机算力、内存和磁盘；下载与模型准备需要网络。

1. 批量转写需要 Apple Silicon Mac、macOS 15 和 Python 3.12；整号批量采集还需要已安装的 Microsoft Edge 浏览器，并扫码登录抖音。Windows 电脑只能跑单条下载。
2. 原视频来自平台播放源，不能擦除作者上传前已烧录的 Logo、字幕或贴片。
3. 批量机器稿未经逐篇人工听音校对；语义校对和改写会使用额外模型用量。
4. 仓库说明：仅用于你自有或已获授权的公开内容。

对 Codex 说「安装这个 Skill：https://github.com/ahang008/ah-douyin-clean-downloader」，按标准命令安装到 ~/.codex/skills/ah-douyin-clean-downloader/。

也可直接克隆仓库后运行对应脚本：

1. scripts/download_douyin.py：单条下载。
2. scripts/transcribe_douyin.py：单条逐字稿。
3. scripts/run_creator.py：整号批量归档。
4. scripts/batch_rewrite.py：批量改写。

1. 苹果电脑：必须是 M 系列芯片（Apple Silicon）；Intel Mac 的本地后端跑不起来。要求 macOS 13.3 以上，硬盘约 10GB，GPU 加速自动走 Apple MPS。
2. Windows：x64。GPU 加速只认 NVIDIA / CUDA；AMD 或 Intel 核显只能纯 CPU 跑，速度会慢好几倍。
3. Linux：x86_64，约 10GB 磁盘；有 NVIDIA 显卡最好，没有也能用 CPU 跑。
4. 模型空间：首次启动会下载模型，不同引擎还需要额外空间。IndexTTS 2.5 需 12GB 以上空闲空间，CosyVoice 3 权重约 5.4GB。

结论：CPU 能跑但慢，有正经 GPU（NVIDIA 显卡或 M 系列芯片）才顺滑。

默认引擎 OmniVoice（k2-fsa）支持零样本声音克隆：提供一段干净的人声参考，再输入文字，就能用这段参考声音生成语音。

停顿控制所有引擎都支持；笑声、叹息等表现可走默认引擎。需要更细的情绪控制时，则要切换到 IndexTTS 2.5 或 CosyVoice 3。

1. CosyVoice 3：中英双语，支持 [breath] 换气、[laughter] 笑声等标签，也能用文字指令控制语气。
2. IndexTTS 2.5：支持中文、英文、日语、西班牙语和阿拉伯语；支持情绪参考、情绪强度与文字指导情绪，适合“带情绪、不机械念稿”的配音需求。
3. 其他选择：另有 gpt-sovits、MLX-Audio、VoxCPM2 等十几个引擎。

表情控制边界：停顿所有引擎都能做；笑声、叹息走默认引擎；细致情绪控制需换 IndexTTS 2.5 或 CosyVoice 3。

官方 benchmark 表目前是空的，没有实测速度与质量数据，效果主要靠 4.7 万 star 和社区口碑背书。真要决定是否替换现有配音方案，仍需在自己的 Windows 电脑上安装后，用同一段参考音与同一段文案对比试听。

作者自认的短板：超长文本没有自动分块，多轨时间线编辑器仍缺失。生成音频带 AI 音频水印（provenance 标记）。

1. VoiceStudio 软件：AGPL-3.0。个人本地使用完全免费；商用也允许，但如果改了代码并通过网络给别人提供服务，就必须开源修改内容。仅在本地生成配音，不触及这一条。
2. OmniVoice：默认引擎的模型权重采用 CC-BY-NC（非商业）许可。TikTok / YouTube 视频属于商业用途，用默认引擎存在许可风险，商用前必须自查。
3. CosyVoice 3：Apache 2.0（2026-09-29 在 HuggingFace 核验），商用许可最干净。
4. IndexTTS 2.5：采用 B 站自定义的 bilibili Model Use License Agreement，并非标准开源许可，商用前要细读完整条款。

软件和模型都免费，无按次计费。若要把 VoiceStudio 闭源嵌入商业产品，可以购买商业授权，但价格未公开。

“Stock Trading Mode” 并非 Anthropic 官方功能，官方文档和更新日志中不存在，是作者给 9 条提示词起的营销名字。9 条本身是标准的 equity research（股票基本面研究）框架，通用提示词，Claude / ChatGPT / Grok 等任何 AI 都能用，不依赖任何特殊模式。

来源边界：作者简介写付费合作（卖客属性），但本帖正文无课程链接、无引流话术。

Act as an equity research analyst. Analyze [COMPANY NAME / TICKER] as of [DATE] for an investor with a [SHORT/MEDIUM/LONG]-term horizon.

Cover:
• Business model and main revenue sources
• Customer segments and geographic exposure
• Competitive advantages
• Latest revenue, profit, margins, free cash flow and debt
• Recent stock-price performance
• Three potential growth drivers
• Three major risks

Use current, reputable sources when available. Attach a date and source to every important figure. Clearly label estimates, missing information and uncertain conclusions. Finish with a 5-bullet beginner-friendly summary.

Evaluate the fundamentals of [TICKER] using its latest [ANNUAL/QUARTERLY] results.

Create a table showing:
• Revenue growth
• Gross, operating and net margins
• EPS growth
• Free cash flow
• Cash and total debt
• Return on equity
• Share-count changes

Compare each metric with the previous [3/5] years and explain whether the trend is improving, stable or weakening. Flag one-time items and accounting concerns. Do not invent unavailable numbers. End with the company's two strongest and two weakest financial characteristics.

Analyze the latest earnings release and conference call for [TICKER].

Compare reported results with:
• The previous-year quarter
• Management's prior guidance
• Analyst expectations, if reliable data is available

Explain:
1. What beat or missed expectations
2. Why revenue and margins changed
3. Whether guidance increased or decreased
4. Important comments from management
5. Questions or concerns raised by analysts
6. What could affect the next quarter

Separate facts from your interpretation. Cite the earnings release, regulatory filing and call transcript. Finish with "What changed in the investment story?"

Build a valuation analysis for [TICKER] using current financial data as of [DATE].

Use the valuation methods appropriate for this company, such as:
• P/E
• EV/EBITDA
• Price-to-sales
• Free-cash-flow yield
• Discounted cash flow

Compare its valuation with [3–5 PEERS] and its own historical range. Create conservative, base and optimistic scenarios using clearly stated assumptions. Estimate a possible value range—not a guaranteed price target—and show which assumptions have the greatest impact. Flag unreliable or missing data.

Compare [TICKER 1], [TICKER 2] and [TICKER 3] as potential investments over [TIME HORIZON].

Score each company from 1–10 on:
• Revenue growth
• Profitability
• Balance-sheet strength
• Cash-flow quality
• Valuation
• Competitive advantage
• Management execution
• Risk

Show the supporting evidence in a table. Explain where each company wins or loses and identify which type of investor each may suit. Do not select a winner until completing the comparison. State what new information could change the ranking.

Create a catalyst-and-risk map for [TICKER] covering the next [6/12/24] months.

For every catalyst and risk, include:
• Expected time frame
• Likely probability: low, medium or high
• Possible business impact
• Metrics or events to monitor
• Evidence supporting the assessment

Include company-specific, industry, regulatory, competitive and macroeconomic factors. Separate confirmed events from speculation. Rank the five factors most likely to change the investment thesis.

Develop bull, base and bear cases for [TICKER] over [TIME HORIZON].

For each case, specify:
• Revenue-growth assumption
• Margin assumption
• Valuation assumption
• Major catalysts
• Major risks
• Conditions required for the scenario
• Plausible valuation range

Assign a probability to each case and explain the reasoning without pretending the probabilities are precise. Then list three measurable signals that would indicate which scenario is unfolding.

Analyze the price and volume data for [TICKER] over [TIME PERIOD]. Use live market data only if you can verify it; otherwise ask me to upload or paste the data.

Evaluate:
• Primary trend
• Support and resistance zones
• 20-, 50- and 200-day moving averages
• Relative Strength Index
• Volume behavior
• Volatility
• Potential breakout or breakdown levels

Explain every indicator in simple language. Provide conditional scenarios—not predictions—and identify the price level that would invalidate each scenario. State the data date and market session used.

Turn the research on [TICKER] into a decision checklist for an investor with:
• Portfolio size: [AMOUNT]
• Risk tolerance: [LOW/MEDIUM/HIGH]
• Time horizon: [PERIOD]
• Maximum acceptable loss: [PERCENTAGE]
• Existing sector exposure: [DETAILS]

Include:
1. Reasons to consider the stock
2. Reasons to avoid it
3. Questions still unanswered
4. Metrics to monitor each quarter
5. Conditions that would strengthen the thesis
6. Conditions that would invalidate it
7. Key diversification and concentration concerns

Do not tell me to buy or sell or claim a guaranteed return. Highlight any information that requires verification by a licensed financial professional.

帮我扫描现在主流公链上的 LP 机会，不限链和协议。你自己筛选候选，分析成交量、流动性、费率、价格走势、有效区间和代币风险，估算手续费能不能覆盖无常损失、Gas、调仓和退出成本。然后根据扫描结果，创建一套 LP 策略：说明策略属于赚手续费、低位接货还是持有代币；给出建议本金、入场区间或 active bin、预期费率、收益情景、补仓和调仓规则、撤池条件、止盈止损和最大风险。按收益潜力和风险收益比排序，附上链、协议、交易对、池子地址、数据来源和查询时间。

不限链和协议，让 AI 自主筛选候选 → 六维度分析（成交量、流动性、费率、价格走势、有效区间、代币风险）→ 成本覆盖测算（手续费 vs 无常损失、Gas、调仓、退出成本）→ 输出完整策略（定性归类：赚手续费 / 低位接货 / 持有代币；建议本金；入场区间或 active bin；预期费率；收益情景；补仓和调仓规则；撤池条件；止盈止损；最大风险）→ 按收益潜力和风险收益比排序 → 每条附链、协议、交易对、池子地址、数据来源和查询时间。

丢给能联网查链上数据的 AI（CodeX、Claude 等）直接用；务必让 AI 注明数据来源和查询时间，否则数字无法复核；扫描结果是短周期观测值，时效只有半天到一天，拿到就得马上看。

信息来自 X 博主 @bond_ai1 的 2026-09-28 帖子。该博主在日本做 AI 美女课程，并带有蓝标。帖子引用的案例是韩国 AI 虚拟模特 shewaslovely_（Ina）：Instagram 简介自称“Korean virtual model”，帖子记录其有 24.9 万粉丝；Patreon 有 1169 名付费会员，月费档位为 7.99—49.99 美元。

可信度边界：博主声称该账号仅会员费月入就超过 1 万美元，这是博主的单方面说法，未经独立证实，不能当成真实收入或收益预期。

帖子认为，真正让人持续关注的并不是脸做得有多真，而是角色每天都“在”：持续更新房间里的镜前自拍，混着发打招呼和日常小视频，让人觉得“她真的在生活”，从而营造一起过日子的陪伴感与恰到好处的距离感。

去掉卖铲子包装后只保留这一点：帖子正文没有写任何具体工具、模型或工作流，结尾只是引流到作者的付费邮件课程。下面的技术路线来自 2026 年的独立调研，不是原帖提供的。

1. 准备训练集：先做 15—30 张定妆图，覆盖多角度、多表情和多种光线，但角色五官与年龄感必须一致。
2. 训练 LoRA：把图传到 fal.ai 的 flux-lora-fast-training 或 Replicate 训练。单次约 1—5 美元，耗时约 20—90 分钟。
3. 固定触发词：训练完成后得到一个 trigger word（触发词）；以后每张图都挂同一个 LoRA，强度约 0.7—1.0。
4. 再加人脸强化：LoRA 上再叠一层 IP-Adapter FaceID，加强脸部一致性。理想情况下，一致性可到 95% 以上。

这条路线适合认真做长期账号，也是专业 AI 网红工作室常用的角色固定方法。代价是前期定妆必须慎重：一旦决定换脸，基本等于重新准备训练集并重训 LoRA。

可用 Flux Kontext、Nano Banana 2 的编辑模式，或 Midjourney 的 Omni Reference。每次生成都喂同一套标准参考图，不用训练模型，适合先跑一周验证角色是否顺手、日更流程能否坚持，以及画面是否有足够生活感。

两条路线的关系：路线 B 不是路线 A 的替代品，而是低成本试运行。确认角色和内容方向值得长期做后，再转 LoRA，把一致性和生产效率做稳。

用定妆图做图生视频，生成打招呼、转头、整理头发或镜前自拍等生活小片段。已有 Kling 账号，一条约消耗 66 积分；备选工具为 Runway 和 Hailuo。

执行纪律：每次只做 5—8 秒，一个片段只安排一个动作。动作越多，越容易出现脸变形、手部异常、服装与场景跳变。

1. 人设定型：写一份少妇人设卡，明确年龄感、长相特征、性格、职业与生活背景、说话口吻。像卡通项目一样先锁定人物，定了就别改；换脸等于重训 LoRA。
2. 定妆：用 Flux 生成候选脸，选定一张“标准脸”，再做出参考图包，包括正面、四分之三侧面、侧面与几种常用表情。
3. 锁定生成路线：正式路线是在 fal.ai 训练 LoRA，并记好 trigger word；也可以先用路线 B 跑一周，验证手感和日更可行性后再训练。
4. 内容生产：先从一张“镜前自拍”起手，每天发布 1—2 张生活流照片；角色稳定后，再加入打招呼和日常片段等图生视频。
5. 养号运营：在 Instagram / TikTok 日更、回复评论、持续编写她的生活线。技术只占两成，八成是长期运营；账号真正的本体是连续生活，而不是生成工具。
6. 变现以后再说：现阶段不碰收款和会员设计，先当作把一个角色养起来玩，确认有人看、自己也能坚持后再讨论。

1. LoRA 训练：一次性约 1—5 美元。
2. 日常生图：fal.ai 按张计费，单张成本较低。
3. 图生视频：Kling 约 66 积分一条；Runway、Hailuo 可作为备选。
4. 真正成本：每天构思、生成、筛图、修穿帮、写内容和回评论。日更运营坚持不下来，前面的技术投入等于白做。

以前想把 TradingView 接进 Claude、GPT Codex 等大模型，只能使用社区或第三方提供的 MCP 服务器。这些方案本质上是在爬取 TradingView 的私有接口：有的要求用户直接提交账号密码，有的存在安全风险，功能也参差不齐，常常时好时坏。

2026 年 9 月 16 日，TradingView 在官方博客宣布推出官方 MCP 服务器，并进入公开测试版。它走官方 OAuth 授权，不用再把 TradingView 账号交给第三方。

接入流程约一分钟：复制官方提供的链接 → 在 AI 助手设置里添加为自定义连接器 → 登录 TradingView 完成授权 → 开始使用。

1. 行情与图表：查看实时报价、历史价格、K 线图和技术指标。
2. 条件筛选：使用 Screener 按条件筛股。
3. 研究资料：查询基本面、财报、分析师预期、新闻与财报电话会文字。
4. 宏观信息：查看经济日历。
5. 账户管理：管理自选列表，设置和管理价格警报。

数据走的是 websocket 原始 JSON 数据流，不是把图表截图丢给 AI。也就是说，大模型是在读取结构化数据并做逻辑判断，而不是对着图片猜走势。

1. 功能列表还没有全部开放。
2. 行情数据存在延迟，不适合拿来作为超短线交易依据。
3. 每天请求次数有上限。
4. 需要 TradingView Essential 或更高等级的付费套餐，免费版无法使用。

官方 MCP 的重点是账号、行情和研报数据。个别社区版目前仍能做官方版做不到的事，例如 Moon Dev 的版本可以直接在图表上画线，也能编写 Pine 脚本、编译后加到图表上。

如果只是看图、筛股、查资料、管理自选或设置警报，官方版已经够用，而且授权链路更安全；只有确实需要画线或 Pine 脚本这类特殊能力时，社区版才有补充价值。

1. X 博主“投机实验室”（@LabSpeculation）2026-09-29 的帖子。
2. LeapRate 行业新闻。
3. TradingView 官方 2026 年 9 月 16 日博客。

推广提醒：投机实验室帖子里的 TradingView 链接带有推广返佣参数，属于博主在介绍功能的同时顺带带货。判断产品是否值得用，应以官方功能、套餐和授权说明为准。

因子来自 X 博主套利豪仔（@pritipatelor）2026-09-28 的帖子。原帖附有回测图和 GitHub 地址 github.com/eliasswu/Alpha，但该链接实际访问为 404，因此无法核对作者使用的股票池、回测代码、交易成本与执行口径。

边界：原帖疑似针对股票横截面。本次结果是把同一公式迁移到加密货币市场后做的独立验证，不能用来推翻作者的股票回测。

1. CORR(HIGH, VOLUME, 5)：看最近 5 天里，最高价和成交量是不是同涨同跌。
2. DELTA(..., 5)：看这种“量价同步程度”在 5 天内发生了多大变化。
3. STD(CLOSE, 20)：计算 20 天收盘价波动率。
4. RANK：把所有币按波动率排个名。
5. 最前面的 -1：把信号方向反过来，表达反转逻辑。

合起来：从所有币中找出量价关系突然断裂、同时自身波动又很大的标的，押注其短期出现反转。

没有使用作者已失效的仓库，而是用 Python（pandas + numpy）重写公式，并确保没有未来函数。数据取自 Kraken 美元交易对日线，共 25 个币、721 天，时间范围为 2024-10-08 至 2026-09-28。

策略每 5 天调仓一次，做多因子值最高的 20%，等权持有；对照组是同一币池等权买入并持有。

1. 原参数（5/5/20）跑不赢基准：因子策略两年累计 +41.5%，年化 19.8%，Sharpe 0.61，最大回撤 -60.1%；同币池无脑买入持有为 +70.8%。它有一定选币能力，但还不够好。
2. 窗口拉长到（10/10/20）后改善：累计 +89%，年化 39.4%，Sharpe 0.83，跑赢基准；前半段 +46.2%、后半段 +29.3%，两段都成立。合理解释是只用 5 个数据点算相关性噪声太大，10 天窗口能降噪。
3. 参数敏感，稳健性一般：只把 5 天改成 10 天，结果就从跑输变为跑赢。说明历史表现高度依赖参数，不能因此认定未来仍然有效。
4. 单做比特币择时失败：两年 -46%，而同期买入持有为 +35%；因子分位与未来 10 天收益相关系数只有 0.03，最高分组未来收益反而最差。这个因子的本事更像截面选币——“矮子里拔将军”，不是给单个资产“算八字”；硬改单资产会水土不服。
5. 多空版不可实操：回测为 -90.1%。每 5 天调仓的换手约为 1.83 倍本金；加入 0.2% 单边成本后，收益从 -39.2% 降到 -55.2%，手续费侵蚀非常严重。

1. 币池：15 个大币种。
2. 信号：使用 10 天相关性窗口、10 天变化窗口与 20 天波动率窗口。
3. 调仓：每 10 天一次，做多因子最高的 3 个币，等权持有，不做空。
4. 成本：按 0.2% 单边交易成本计入。
5. 初始持仓：以 2026-09-27 收盘价建立 ZEC、NEAR、SOL 三个等权纸面仓位。
6. 时间表：每天自动记账，2026-10-18 汇总并做收官报告。

1. 套利的本质只有两样：价差，也就是空间；利率差，也就是时间。一个地方便宜、一个地方贵；一个地方借钱便宜、一个地方借钱贵。所有玩法都是这两样的变体，先把这句话刻进脑子。
2. 流动性做市就像路边摆摊：有人来交易，你收手续费；但“货”也就是币会跌价，搬摊也就是调仓同样要花钱。必须摆摊前先算账，不能先摆再算。
3. 做市商赚的不是币价上涨：赚的是散户追涨杀跌时付出的手续费和滑点。散户越多、情绪越极端，买卖价差越大，做市的手续费现金流越可观。
4. 进场只看一道不等式：预期周期内手续费收入 > 无常损失。算不清这道题就不进场，这是 CJ 的原话级铁律。
5. 利差会衰亡：一个市场走向成熟、只剩专业量化程序互相竞争时，基差和费率会被压缩到成本线以下。大机会往往在“新地方”：新链、新平台或新规则刚出现，散户涌入但做市深度还没有跟上的窗口期。CJ 在 2026 年 8 月底发现永续合约费率套利利润衰减后，转向 Robinhood 链做市与高波动代币交易，就是这个逻辑。

特点：先不赌方向，用几百 U 熟悉充值、转账、开仓和平仓，把“链上操作不出错”练熟。下面每一类都先讲基础版，再讲放大版或主要陷阱。

1. 稳定币补贴：先存币，再考虑循环贷。基础版是在交易所活动期间存入指定稳定币，赚取平台给出的 30%—40% 年化补贴。先用不加杠杆的小额仓位确认活动规则、限额、计息和退出流程。进阶版才是抵押 USDC、借出 USDT 再存入，用循环借贷放大；必须盯住清算线和活动结束时间，并在结束前按计划卸载杠杆。单账户有限额时，可使用官方子账户体系合规放大。
2. Pendle 本金代币折价：只做看得懂的到期兑付。本金代币在二级市场因贴现天然有折价，到期时协议按一比一承兑底层资产，折价买入相当于锁定确定年化。不要去赌收益代币；散户在高位接收益代币后归零是常态。
3. 跨平台现货搬砖：最基础的价差套利。在价格低的交易所买入，同时在价格高的交易所卖出；现货可以转账，因此价差最终会被抹平。实操前先算提币费、到账时间、交易费和可成交深度，避免账面有价差、实际无法成交。
4. 期现对冲吃资金费率：先一倍中性，再考虑放大。基础版是买入现货，同时在永续合约开等量空单，让方向风险大体中性，赚取正资金费率。进阶版是在借贷一体化账户里把现货抵押，再借出资金循环 2—3 倍放大；CJ 实盘曾做到过 50% 年化级别，但这只是历史案例，不是收益承诺。
5. 跨平台资金费率对冲：最后再看平仓陷阱。它和现货搬砖完全不同。合约仓位搬不走，两边必须各自在本地平仓；极端行情中，双边平仓滑点可能吃掉全部账面利润。开单前必须把两边的平仓成本、可成交深度和流动性极限全部算透。

先过进场门槛：任何池子都先验证“预期手续费收入大于无常损失”，再比较区间宽窄和资金效率。年化数字只是表面，真实净收益才是答案。

1. 这笔流动性池要收多久手续费才覆盖成本？把无常损失、链上手续费、进出场磨损全部算进去，高年化才有意义。这就是成本覆盖计算器的核心思路。
2. 为什么加仓反而离赚钱更远？摊位大了，客人未必变多。要看“边际年化”：新增资金带来的手续费，够不够覆盖新增的成本和风险。
3. 区间缩窄一半，调仓次数为什么可能变四倍？窄区间的资金效率更高，但更容易出界；多赚的手续费必须能覆盖更频繁的调仓与磨损。
4. 宽仓就一定比窄仓安全吗？在相同有效做市份额下，应比较本金占用、价格停留在区间内的时间，以及下跌时实际亏损金额，不能只看“宽”这个字。
5. 价格回到原点，流动性做市为什么仍然少赚？这是损失与再平衡问题：币价涨一圈又回来，套利者已经从池子里赚走了钱。做市者相对“按最新价格及时再平衡”少赚的部分，就是这类隐性损失。
6. 费率更低，客人为什么不一定来？选池要看真实交易流量究竟从哪里来；换币则要看用户最终能收到多少。名义费率低，不等于路径最优或成交量更大。
7. 原生询价模式和传统流动性池是一回事吗？Pancake 按池内公式成交，Native 则向做市商询价，两者的收益来源与风险点不同，不能直接套同一套算法。

1. 先设硬门槛：年化收益率达到 3000% 才有资格研究，低于 1000% 坚决不碰。这里不是说高年化安全，而是高波动代币风险极大，手续费回本速度是唯一的安全垫。
2. 再算单边跌穿的确定亏损：最大静态亏损约等于区间宽度百分比的一半。例如 10% 宽度的单边区间被跌穿，最大静态亏损约 5%。进场前只问一件事：手续费能不能在跌穿前赚回这 5%。
3. 再做选品：三个条件依次核对——热门项目方发币，能带来持续的散户对手盘；去中心化交易所首发，让全网交易需求集中到链上唯一池子；有盘前期货或场外交易定价锚。大项目至少应有代币生成事件后进入一线中心化交易所的预期，一次性撸毛项目绝不重仓。
4. 先学单边做多或做空流动性池：看空时，在现价上方挂单边代币区间，价格上涨时被动卖成稳定币，吃满手续费后涨穿就平仓；急跌企稳后，在现价下方挂单边稳定币接货，跌了分批建仓，不跌则只赚手续费。标的必须是自己本来就愿意持有的核心资产，例如 SOL 或 ETH。
5. 再学“锯齿状双层马丁嵌套公式”：用于 Uniswap v3 时，不再均匀、等额铺单。靠近现价的浅幅震荡区只放轻量前哨仓，减少日常来回震荡造成的磨损；远离现价的极端偏离区间，则按倍数阶梯逐步加重仓位。暴跌插针时让这些阶梯依次成交，迅速拉低综合均价，价格一反弹就有机会脱离成本区。这是高阶仓位结构，不是简单倍投；若没有预设最大仓位与失效区间，风险会随阶梯迅速放大。
6. 组合多个池子抹平回撤：同时运行 7—10 个高换手池子，让单池跌穿的静态损失由组合持续产生的手续费现金流冲平，总净值才可能更平滑。手动操作的生理极限就是 7—10 个池子，再多容易导致判断变形。
7. 脱轨绝不死扛：价格走出区间后，池子立刻停产，资金变成“死钱”。进场前就要假设它会在有限时间内脱轨，并确认已赚手续费仍能覆盖成本；否则不建仓。一旦脱离，第一时间撤池，把资金调到下一个战场。
8. 远离无脑自动调仓：许多自动调仓工具本质上是在追涨杀跌——跌出下沿时割肉换成稳定币，涨穿上沿时又在高位追回；震荡市会迅速磨损本金。
9. 最后补上防夹子执行纪律：不用公共远程过程调用节点，改用私有节点；交换交易必须在程序里写死滑点上限，也就是最低接收数量，不能无限放宽。

来源：X 博主 @Rocky_Bitcoin 2026-09-08 长文（11 万浏览，金色认证账号）

更新状态：Robinhood Chain meme 生态 2026-09 实盘；提到的工具（GMGN、fomo、BarkerMoneyX、lpagent_io、KrystalDeFi、Uniswap 官网）供参考，方法论不过时。

一句话定位：1 万 USDG 本金在 Robinhood Chain 给 meme 币做 LP，一个月赚 2 万美金、1281 笔交易、胜率 82.2% 的完整工作流。优点是极度实战、细节到仓位百分比；提醒：meme LP 本质高风险，“一个月 2 万美金”是 1 万本金 + 全职盯盘 + 已交过学费的结果，切忌上头照抄金额。

1. 先纠认知：LP 收益 = 手续费 − 无常损失 − Gas − 选错范围的代价。meme 币能 10 分钟涨 5 倍，也能 10 分钟归零，APR 5000% 也救不了一个跌 90% 的币。
2. 基础概念：三种费率池——1%（手续费高，适合波动大的新币，Robinhood meme 主战场）、0.3%（中等，主流配对）、0.05%（超低费，适合稳定币对）。三种流动性形状——Spot（集中在现价附近，像峰值）、Bid Ask（分布在现价两侧，像 U 型，适合横盘）、Curve（平滑曲线，更保守）。
3. 找机会四步（比别人早 10 分钟就够了）：① 用 GMGN 监控新币，盯“交易量/活跃流动性比值”（如只有 5 万流动性的池子 5 分钟跑出 20 万交易量，就是机会窗口）；② 去 fomo 看链上数据：持有者分布、大户是否积累、有没有狙击钱包在砸；③ 去 X 搜叙事：有没有真实 KOL 自然讨论还是纯机器人刷量，有没有官网、做什么业务；④ 去 BarkerMoneyX 看 LP 数据（30 分钟手续费、资金效率，有“暴跌保护”和“自动重挂”功能），去 lpagent_io 看聪明 LP 的策略（可一键跟单，懒人福利）。红线：持仓高度集中在 3-5 个钱包、或 X 上没一个真实账号讨论的，直接跳过，不管 APR 多高。
4. 分阶段打法：按 meme 币生命周期，底层逻辑是价格在你设的范围内穿梭你才赚得到费，跑出范围就变成单边持仓。
   • 拉升期（新币爆发、价格阶梯上涨）：Bid Ask + 偏上方布局。例现价 0.01：0.010-0.013 放 40%（主吃费区间），0.013-0.020 放 35%（追涨区间），0.005-0.010 放 25%（下方缓冲防急跌）。窄范围多段 = 同样资金在单位价格区间密度越高、收费越猛；但反转跌破会瞬间接一堆 meme 币，所以拉升期最重要的是盯紧撤退信号。
   • 横盘期（区间来回震荡，一般发行 24 小时以上、PVP 最激烈的阶段已过）：Spot 集中 + 窄区间。例在 0.009-0.012 震荡：核心区 0.0095-0.0115 放 70%，下沿 0.009-0.0095 放 15% 防守，上沿 0.0115-0.012 放 15% 防守。风险小、手续费持续，最接近“被动收入”的状态，可拿好几天。
   • 崩盘期（叙事结束、单边下跌）：不做 LP，直接撤。交易量没了 = 手续费几乎为零，单边跌 = 流动性全变成归零的 meme 币。新手此时盯着虚高 APR 不肯走是亏光本金的主因。
5. 通用撤退信号：5 分钟交易量连续萎缩（最重要）、大户钱包净流出、X 讨论热度断崖、价格跌破最下方流动性范围。中两个开始减仓，中三个直接清仓。记住：做 LP 赚的是“钱在流动时的摩擦费”，钱不流了，待在池子里只剩风险没有收益。
6. 仓位管理：看 APR 是假的，资金流向才是真的，APR 只是历史快照。① 单池单次不超过总资金 20%；② 手续费收回本金 30-50% 就撤部分本金，用“赚来的钱”继续玩；③ 有时资金会从 1% 池迁移到 0.3% 池，可提前布局；叙事结束无催化剂就拿手续费离场。
7. 学聪明钱：用 lpagent_io 追踪优秀 LP 钱包，研究的不是复制仓位，而是他的逻辑——什么时间点进场、范围怎么设、什么时候撤。理解框架才能比他更早进、更准退。
8. 心法总结：快（比别人早发现有效交易量）、准（多段范围让资金在对的价格区间工作）、跑（资金流消失前离场，不贪最后一口）。

适合怎么用：放在阶 2（算账）阶 3（纪律）之后看，作为“集中流动性 LP”的完整实战样本；新手先看懂全文再拿小资金试单池，切忌被收益数字带节奏。

1. 第一步是监控告警：套利先要能感知机会。监控现货价、合约价、资金费率、成交量异变与期现价差，出现异常立即报警。资料认为借助人工智能，半天可以搭出一套多交易所秒级监控；实际时间仍取决于接口和工程基础。
2. Meteora 的离散流动性做市工具：这种模式把流动性分布在一个个离散价格格子里。CJ 曾开源一套头寸管理工具：先建好头寸并存入资金，程序自动轮询池子数据，再调整买卖两侧的挂单方向；当价格单边剧烈移动时发出警报，并自动重构头寸，把人工盯盘变成自动化流水线。
3. Hyperliquid 现货插针：合约深度充足、现货深度较浅时，大额市价单经常把现货打出 5%—20% 的瞬时插针。可在远离现价的支撑或阻力位预埋限价单，成交瞬间再用合约端对冲，或通过搬砖平仓。
4. 多家去中心化永续平台交叉套利：Lighter、Robinhood 链、Hype-hip3、Crossex 等平台流动性不互通，同一代币会在多处定价。需要同时权衡资金效率、利润、积分与清算风险，并打通各家接口，才能寻找最优对冲路径。
5. 基建路线从验证到重构：先用 Python 验证逻辑，真正进入高频实战后再用 Rust 重构。解释型语言存在垃圾回收抖动，在高频场景里不够稳定；资料中的实盘配置称，Rust 配合每月 12 美元的云服务器，可运行十几个交易所、几百个币，并把“收到行情到提交订单”的热路径压到几十微秒。这是特定环境下的经验值，不能直接当作普遍保证。
6. 预测市场属于另一条高阶分支：Polymarket 扫尾盘是在事件结束前，以 90—95 美分买入高概率结果。它胜率看似高，但赔率恶劣，一次黑天鹅可能抹平几十次盈利；长周期预测还会长时间锁死资金、降低效率。可继续关注其永续产品带来的跨市场对冲新路径。

1. 做市利润暴涨可能是见顶信号：当非量化资金把不对称推到极致，往往已接近尾声。建仓逻辑要与散户逆向：无人问津时研究，情绪狂热、换手顶峰时提供流动性收取费用，人声鼎沸时撤池锁定利润。
2. 不固守单一平台：哪里还有未被定价的流动性，就研究哪里；旧平台进入专业程序内卷后，要接受机会已经衰减。
3. 只做能力圈：只做自己能独立算清账本的交易，不听叙事，不跟喊单。