过去一周，Claude 频繁崩溃，果然是在为新品铺路。昨晚十点半，Claude Opus 4.7 如期登场。其热度之高，从我自建的全网 AI 情报监控来看，凡一条消息被三个精选信源同时报道，便算得上重要；五六个信源齐发已属爆款，而 Opus 4.7 竟引来 10 余家信源同步推送，震惊得我一时语塞。

目前该模型已全渠道上线。我于夜里十点半落地，打开手机即发现已可调用。

Claude Code 中也同步更新。

上下文依然保持 1M，不做减法，体验丝滑。最让人满意的是，凌晨三点，我的当周用量额度直接被重置，Anthropic 难得做了一件体贴的事。

用上 Claude 这么久，总算等来了一回人性化操作。

不少朋友或许会担心 KYC 或身份认证带来的风险。我眼下确实没有稳妥解法，只能视作一柄悬顶之剑。创作能力上实在找不到替代品，能跟 Claude 掰手腕的对手尚未出现，否则我早该换掉了。如今心态便是：用一天算一天，毕竟模型本身足够强大，配合 Claude Code 的 Agent 框架，实在难舍。

说回 Claude Opus 4.7。

定价与 4.6 持平，输入每百万 token 5 美元，输出 25 美元，纹丝未动。

跑分不必细说，行业风气便是「赢者通吃」，该拔高的基准都拔高了，若不全面取胜，厂商也没颜面公之于众。

最有趣的是，官方数据表明 Opus 4.6 在多数性能指标上不敌 GPT-5.4，这是 Anthropic 首次坦承其在编程方面略逊一筹。这一结论与我的实际感受吻合：许多反复出现、难以根除的 Bug，GPT-5.4 竟能一一解决；只可惜，它在创作与用户体验设计上堪称灾难，简直是一大坨难以名状的污糟。

Claude 仿佛天生懂我想要的交互，明白何为丝滑的用户体验；而 GPT-5.4 产出的界面，作为设计师的我实在用不明白，活脱脱像是给黑客准备的暗网后台。

创作能力几乎为零。在影视圈，大部分编剧都依赖 Claude 润色剧本，你很难见到哪位优秀编剧用 GPT-5.4 辅助创作。顶尖创作者们用脚投票，选择不言自明。

这便是显著的差距，Opus 4.5 与 4.6 胜在均衡全面。但此番实测 4.7，感受又添几分异样。

DeepSeek 是一个功能强大的平台，可用于数据分析、机器学习及自动化任务。无论是数据科学家、开发者还是技术爱好者，熟练运用 DeepSeek 的指令都能大幅提升工作效率。本文将系统地拆解 DeepSeek 的各项命令，帮助你快速开展实践并深入挖掘其潜力。

1. 环境准备

1.1 安装 DeepSeek

请确保系统已安装 Python 3.7 或以上版本，然后通过 pip 完成核心组件的安装：

pip install deepseek

1.2 初始配置

安装后需要为 DeepSeek 配置必要的认证信息，通常是 API 密钥。你可以在终端中设置环境变量：

export DEEPSEEK_API_KEY='your_api_key_here'

或在 Python 代码内直接声明：

import os os.environ['DEEPSEEK_API_KEY'] = 'your_api_key_here'

2. 服务控制

2.1 启动工作进程

配置无误后，使用如下命令启动 DeepSeek 服务：

deepseek start

服务启动后即可接收后续指令。

2.2 终止服务

在任务结束后，通过以下命令安全停止 DeepSeek 服务：

deepseek stop

3. 数据流转

3.1 获取外部数据

DeepSeek 能够导入多种格式的数据。示例中演示了 CSV 文件的读取方式：

deepseek import --file data.csv --format csv

3.2 输出结果数据

处理完的数据可以方便地导出为 CSV 格式：

deepseek export --file output.csv --format csv

4. 数据处理与分析

4.1 数据清洗

DeepSeek 提供了完善的数据清洗能力，可这样执行：

在实时数据处理领域，Flink 与 Paimon 的组合正在重新定义湖仓一体（Lakehouse）架构的演进方向。随着企业对数据时效性和一致性要求的提升，传统的离线数仓与实时流处理之间的界限逐渐模糊，流批一体和湖仓融合成为下一代数据平台的核心特征。本文将深入探讨 Flink 与 Paimon 如何协同推动实时湖仓的发展，从关键设计理念到生产实践，展示这一技术栈的演进脉络。

实时湖仓的驱动力与挑战

企业数据架构在过去十年经历了从数据湖到数据仓库，再到湖仓一体的演变。实时湖仓不仅要承载海量数据的低延迟写入与查询，还需要保证流处理和批处理在数据一致性、事务支持上的统一。Apache Flink 作为流批一体的计算引擎，提供了高吞吐、低延迟的状态化处理能力；而 Apache Paimon（原 Flink Table Store）则专为实时更新与增量消费设计，充当流式数据湖的存储底座。两者结合，为实时湖仓提供了坚实的技术基石。

Paimon 的流式湖存储设计

Paimon 是一种面向实时更新的湖存储格式，其核心设计围绕 LSM Tree（Log-Structured Merge-Tree）展开，支持高效的 CDC（Change Data Capture）摄入与大规模更新。与传统表格式（如 Hudi、Iceberg）相比，Paimon 天生为流读写优化，提供了：

• 全增量一体化查询：用户可以在同一张表上同时进行流式读取和批量分析，而不需要额外的管道。
• 强一致的分区事务：通过两阶段提交与快照隔离，保证流写入和批查询的一致性。
• 自动小文件合并与压缩：后台 Compaction 策略确保查询性能不随数据增长而衰减。

这种设计使得 Paimon 能够成为 Flink 作业的状态存储，也能直接作为实时数仓的 DWD（数据明细层）和 DWS（汇总层）存储，真正实现端到端的流式链路。

Flink + Paimon 的流批一体架构演进

在早期实时数仓方案中，通常使用 Kafka 承接实时数据，再通过 Flink 清洗后写入 Hudi 或 Iceberg，最后用 OLAP 引擎查询。这套架构存在组件多、运维成本高、数据延迟分层等问题。引入 Paimon 后，架构可以简化为：

• 统一存储层：Kafka 仅作为临时缓冲，Paimon 直接接受 Flink 的 CDC 写入，提供流表和批表的统一抽象。
• 流批混合计算：Flink SQL 既可以增量读取 Paimon 表构建实时指标，也可以用批模式读取历史分区进行 T+1 校正，两者复用同一套数据。
• 实时维表关联：Paimon 支持变更日志流，Flink 可通过 Lookup Join 实现维表的实时更新，避免了传统维表缓存带来的不一致问题。

这样的演进路线使得企业能够逐步将批处理任务迁移到流处理，同时保持数据链路的高容错和低成本。

昨日，GPT-image-2 横空出世。
顷刻间，各大社群与社交媒体陷入一片狂欢。其生成的梗图迅速爆红，一度登顶微博热搜榜第一。

这就是那一张图片。为避免大家误解，我特意打上了硕大的水印。

而除了这一张，我还看到了难以计数的、因内容过于离奇或我们太过熟悉而极易识破的 GPT-image-2 合成图片。

甚至还有这种逼真程度的照片。

更有甚者，朋友“鲜虾包”还炮制了可以乱真的微信对话截图。

大家虽然玩得酣畅淋漓，但这一日下来的感受，却让我猛然发觉：世界已经变成了一座幽暗的“黑暗森林”。

昨天清晨便发生了一个标志性事件。大约中午十二点，极有可能是 OpenAI 在部署 Codex 模型时出现了故障，致使 GPT-5.5 意外流出。

若搁在往常，凭我们群友的脾性，必然火速打开 Codex 尝鲜，再回到群里通报：“真上线了！”。但昨天中午，我目睹的反常景象令人错愕。

而由于确实是系统故障，这个泄露很快就被 OpenAI 回收。稍迟一步的群友再去看时，发现 GPT-5.5 已不见踪影，只剩 5.4。群里的气氛便成了这样。

最魔幻的是，我把这段截图转发到朋友圈，感慨了一句。结果评论区竟然是这样的——纷纷说那两张群聊截图本身就是 AI 编造的。

我把朋友圈截图发回群里，想展示这诡异的评论景象。不料他们说，我发到群里的这张朋友圈截图，同样出自 AI 之手。

猜疑链就此闭合。世界，终究蜕化成一座硕大的黑暗森林。还有这张图，猜疑链进一步延伸，昨日引发海量讨论，因为谁也分不清它究竟是真还是假。

纵使我至今把原图交给豆包实测，依然无法百分之百断定其真伪。

我知道大伙是在玩梗，图个乐，本意都是善意。但当你看到这些画面，会不会也和我一样，后背渗出冷汗？

还有一些更敏感的，比如转账凭证、银行流水、护照信息等，我就不放出来了。放了，恐怕连这篇文章都发不出去。

我隐约感到，随着这个模型的发布，有种我们赖以生存的东西悄然消亡——那就是信任。更准确地说，是“相信自己所见为真”这一预设本身。

在 GPT-image-2 出现之前，我们每天在互联网汲取信息时，都默认一个底层假设：截图是真的，照片是真的，聊天记录是真的。“有图有真相”这句话流传得太久太久。我们无需对它们的真实性耗费半点心神。

看见一张微博截图，我们讨论内容；瞧见一张聊天记录，我们关心事件；瞥见一张新闻图片，我们思考的是新闻。这种默认的信任，正是整个互联网信息生态运转的基石。

很多时候，我们根本意识不到它的存在，就像鱼大多时候也察觉不到水，我们也鲜少感知空气。唯有当它开始湮灭的瞬间，才觉得窒息。

我并非声称我们从此会立刻开始质疑每一张图，但怀疑的种子已然埋下。从今往后，每当你看到一张图，但凡与直觉稍稍相悖，或者触动了哪个心理伤口，脑海里便会冒出一个声音：这是不是AI生成的？这个声音或许很轻，或许一闪而过，但它会像种子般扎根，随着AI的发展愈长愈大，绝不会缩小。

这就是黑暗森林——刘慈欣在《三体》中描绘的黑暗森林法则：宇宙是一座黑暗森林，每个文明都是带枪的猎人。

黑暗森林的核心，正是猜疑链假设。你无法判断对方究竟怀有善意还是恶意，为了保护自己，只能先行预设对方是恶意的。今日的互联网亦如此，我无法辨别信息源背后的人是善是恶，能做的，唯有默认不信。因为造假变得太过容易。

当造假成本趋近于零，信任的成本便趋近于无穷——这是一道极简单的数学题。

2023年初，ChatGPT 爆火之时，我决定写下第一篇文字、开始打造个人IP，前后思忖了许多。那时我非常焦虑，因为在AI时代，我不知什么才是无法被替代的。思索良久，最终答案只有一个词：信任。

今年年初，我曾对外分享过当时的思考。

那时我归纳了三个自己视作公理的判断，虽然看着非常地摊、近似胡言，却实打实指引了我后来的所有动作：

1. 在AI加持之下，信息生产效率呈指数级爆发，而人类消费的效率始终恒定或线性增长，两者之间形成永久性、持续扩大的结构性失衡。
2. 无论信息总量如何爆炸，一个社会在某一时段的总注意力仍是恒定的稀缺资源，某个领域注意力的增加必然导致另一领域注意力的减少。
3. 分辨内容究竟由AI还是人类创作的成本，将系统性地高于这段内容本身所带来的价值。因此，绝大多数人将理性地放弃辨别。

第三条，在2023年与许多朋友交流时，不少人很是不屑。“AI生成的东西那么假，我怎么可能看不出来？”

近期，Harness Engineering这个术语在科技圈出现的频率极高。

无论你是在浏览社交媒体，还是在行业群组中潜水，都能看到关于它的讨论。相关的指数也常常呈现陡然的上升趋势。

许多人都在好奇，这个Harness究竟指的是什么。

因此，我花了几乎一整天的时间，梳理并写下我对Harness Engineering的理解。

大家不必认为AI行业热衷于创造概念或偏爱抽象表述，这主要是因为AI领域的演变速度极快，许多事物都随着时间的推进和行业的发展而不断演进。

某个术语在2024年可能还贴合当时的语境，但到了2025年，随着模型能力以惊人的速度提升，它便显得力不从心。于是，行业在2025年不得不采用一个新词来解释，然而到了2026年，这个新词可能又不够用了。

这正是我们如今所面临的现实。

长期关注AI领域的朋友，或许已经能猜到我指的是哪几个词了。

Prompt Engineering，Context Engineering。

以及如今的Harness Engineering。

这三个词，近乎完美地标注了我们与AI协作方式的三个进化阶段。

而我本人，恰好完整地经历了这三个阶段。

从2023年人们研究如何写出一个优秀的Prompt，到2025年探索如何更有效地为AI填充上下文，再到如今2026年，我们开始讨论如何为AI配置“马具”。

三年时间。

说短不短，说长也不算长。

但回望过去，这三次转变，其实都映射出我们人类对AI认知的深化。

打一个游戏玩家都能立刻理解的比方。

第一阶段，犹如你在玩《只狼》这类动作游戏。

每一次格挡、每一次弹反都需要你亲手操作，按一次键，它出一招。

一招失误，屏幕上便会出现巨大的“死”字。你就是AI唯一的操控者，它的每一个动作都必须由你亲自按键下令，动一下，回应一下。这便是我们传统的聊天机器人模式。

第二阶段，则如同你在玩《金铲铲之战》这类自走棋。

你其实不必再亲手操控每一个动作了，你的工作全部集中在前期配置上。

选择英雄、凑齐羁绊、搭配装备、排列站位。

配置完成，棋子便会自行上场战斗，你只能旁观。而决定胜负的，完全取决于你前期对信息和资源的配置是否正确。

这个阶段，对应的是模型能力尚不够强大时的前智能体时代。

第三阶段，就好比你在玩《全面战争》这类即时战略游戏。

战场上成千上万的单位在自主行动，你根本无法逐一操控每一个士兵，只能依靠编队、阵型、AI指令和战场规则来驾驭整个战局。

单位越聪明、自主性越高，你便越需要一整套系统来约束它们的行为。

从操控一个角色，到带领一支小队，再到指挥一整支军队。

玩家的控制粒度越来越粗放，AI的自主程度越来越高，你所需的约束方式也愈发系统化。

而这三个阶段，我认为恰好对应了Prompt Engineering、Context Engineering、Harness Engineering的三次跃迁。

因此，要理解Harness Engineering到底是什么，我认为最关键的就是要明晰这一路的跃迁究竟是如何发生的。

想理解当下，最好的方式，就是读懂历史。

所以，今天这篇文章，我希望能真正让你明白Harness Engineering到底是什么，它的来龙去脉，以及它能够解决什么问题。

如果你是技术领域的资深人士，希望能为你提供一些新的思考角度；如果你是非技术背景的普通用户，我也会尽力让你看得明白。

我们这就开始。

先从源头梳理。

让时间倒回到2023年。

2022年底至2023年，ChatGPT横空出世，整个世界为之轰动。

我还记得2023年的春节，假期归来，所有人都在谈论ChatGPT。在那之后，当时最火的一个词，就是Prompt Engineer，提示词工程师。

那时，硅谷可以为一位提示词工程师开出30万美元年薪的工作机会。

国内的情况也同样火热，2023年的那张流传甚广的图片，大家肯定都见过。

当时，有无数Prompt框架涌现。因为彼时模型的智能水平尚不足够，很多时候，模型的输出并不稳定。我那时还在从事AI产品工作，值得一提的是，国内金融领域的第一个算法备案是我拿下的。

我们每天做得最多的事，就是在Prompt上施加约束，思考如何设计出好的Prompt，能让模型输出更稳定的JSON格式，以便与我的数据库进行交互。

当然，另一方面，就是写出良好的Prompt约束，让模型生成更优质、更稳定的回答。

在那个年代，同一个问题，换一种问法，AI给你的答案质量可能会有天壤之别。

比如，你直接问ChatGPT“帮我写一篇关于AI的文章”，它产出的内容大概率是一堆正确的废话。

但你如果说：“假设你是一位科技领域的资深记者，风格偏口语化，擅长用类比来解释复杂概念。现在需要撰写一篇3000字的文章，主题是AI对普通人生活的影响，要有具体案例，语气不要太正式。”那么生成的效果就会完全不同。

所以你看，在Prompt Engineering那个年代，我们做得最多的事就是研究如何设计Prompt，才能让AI给出最好的回答。

这在2023年确实很有价值，因为那时大模型刚刚问世，输出确实不稳定，大家也都在摸索与它交流的方式。

谁能把问题问得更好，谁能把Prompt约束得更精妙，谁就能从AI那里挖掘出更多价值，这种技能上的差异是真实存在的。

但问题随之而来。

从2024年下半年开始，一个趋势变得愈发明显：模型变得越来越聪明了。

你不再需要像伺候大爷那样去精心构建Prompt了。当Claude 3.5 Sonnet发布时，你随便跟它说句话，它都能理解你的意图。我记得当时我还写了李继刚的“汉语新解”，也算是一时风潮。

引言

AI助手领域的竞争正在迈向新的阶段。DeepSeek凭借其开创性的长思考模式一度成为现象级工具，然而近期的网络波动与频繁攻击让不少用户陷入“想用却用不上”的窘境。就在这个节点，笔者注意到Kimi也悄然上线了类似的长思考功能——它能否成为我们期待的完美替代方案？一番实测下来，答案逐渐清晰。

长思考模式：为AI注入深度推理基因

所谓长思考模式，并不仅仅是回答字数的增加，而是让模型在生成最终回复之前，像一位思维缜密的顾问一样进行多轮、多步骤的内部推演。它会把问题掰开揉碎，将逻辑链条毫无保留地呈现出来，既有结论，更见脉络。无论是涉及复杂知识点，还是需要权衡比较的决策，这种模式都能给出层次分明、让人信服的解答。

真实场景评测：Kimi长思考模式的工作流

笔者让Kimi模拟了一次典型的商业分析任务，其思考过程与DeepSeek的体验极为相似，每一步推理都清晰可见。

测试指令非常简单：仅提供公司名称，要求Kimi比较两个域名的价值，刻意不给出任何额外信息。

出人意料的是，Kimi的长思考模式不仅没有“卡壳”，反而自动构建了一套完整的评价体系。它从品牌契合度、搜索引擎优化（SEO）潜力、国际化拓展空间、用户记忆与输入习惯、长期品牌建设可行性、市场价值与投资回报等十余个维度展开了系统性推理，最终给出的分析结果逻辑严密，颇具实操参考意义。即使在信息极度有限的情况下，这种深思熟虑的分析能力依然让人眼前一亮。

总结

Kimi此番推出的长思考模式，在DeepSeek服务尚不稳定的背景下，精准地切入了用户的深层需求。它并非简单的“补齐短板”，而是用扎实的推理表现证明了国内AI在深度问答领域的最新进展。对于那些依赖高质量分析、又需要稳定服务的用户来说，Kimi正在成为一个值得托付思考的新选择。

💡 重构Transformer的记忆方式，在几乎不增加推理延迟的前提下，将训练成本降低约20%。

📌 核心亮点

3月16日，月之暗面Kimi团队发表了一篇题为Attention Residuals（注意力残差） 的研究论文。

命名虽显专业，但核心思路异常明快：

🧠 让模型学会“选择性记忆”，而不是把每一层信息都不加区分地叠加起来。

在Kimi自家的大模型上，该技术带来了可观的收益：

⚡ 训练效率提升25%（可节省约20%的算力与电力成本）
🐢 推理延迟增加不足2%，几乎不影响实际体验
📈 各项能力均获改善，尤其在数学推理和代码生成方面表现突出

更具吸引力的是，这套方案属于即插即用，无需调整原有模型架构的其他部分。

01

记忆负担：AI为什么要学会选择性关注

要理解这项技术，我们需要先看看当前模型是如何“记忆”信息的。

📚 从日常学习说起

假设你每天学习一些新知识：第一天学A，第二天学B，第三天学C……到了第100天，头脑中理应有A+B+C+……第100天的全部内容。

但如果每天的重要性完全相等，你将所有知识以“均匀”的方式刻入大脑，就会出现：

📉 早期知识（比如第一天的A）被后来大量信息所稀释，难以清晰回忆
🔍 想要定位某条具体知识时，需要在混杂的背景中费力搜索
🎒 记忆负担逐日加重，处理效率不断下滑

这正是当下AI模型面临的困境。

🏢 把模型看作一栋百层建筑

你可以将一个AI模型想象成一栋100层的大楼。信息从第1层进入，逐层向上传递，经过第2层、第3层……直至第100层，最终形成输出。每一层对信息做出加工，并将处理结果交给下一层。

传统的做法是：

第N层的输出 = 第N层的处理结果 + 第N-1层的输出

这样层层累加，似乎每一层都“记住”了前面所有层的特征。

乍看很理想，但两个问题随之而来：

📝 所有层的贡献被同等对待 — 就像把每天的日记都用相同的字号、相同的墨水记录下来，重要信息和琐碎细节混在一起，区分变得困难
📦 信息不断堆积 — 到了高处，早期输入已被稀释得所剩无几，想回溯最初的细节就需要付出极高代价

Kimi团队注意到，这种现象在学术界被称为“PreNorm Dilution”（预归一化稀释）。通俗地说，就是：信息被平均分配，导致关键部分难以凸显，不重要的内容却占用了大量容量。

02

解决方案：让模型自行决定“该记住什么”

团队的思路很直接：

✨ 既然“记住一切”会出问题，那就让网络自己学会决定哪些信息值得保留，哪些可以略过。

🎯 一个更贴近的类比

准备一次大考时，有两种复习策略：

❌ 传统方法：把教材从第一页背到最后一页，每一行都力求记住
✅ 高效策略：先梳理大纲，找出核心章节，对重点部分投入更多精力，次要内容快速浏览

显然，后者的效率远高于前者。

AttnRes（注意力残差）所做的，正是类似的选择性聚焦。

当第N层需要信息时，它不再简单地“把前面所有层的输出求和”，而是：

🤔 首先判断：“我现在最需要关注哪些信息？”
👀 然后“回望”之前的各个层
⭐ 对关键层赋予更高权重，对次要层降低权重
➕ 最后将这些层的信息加权聚合

用公式可以表达为：

昨天凌晨，小米悄无声息地上线了 MiMo-V2.5 和 MiMo-V2.5-Pro，API 接口也同步开放。

近期大模型的更新节奏密得惊人：上周 Claude Opus 4.7，这周 Kimi K2.6，昨天 MiMo-V2.5-Pro，还有姚顺雨带队的全新 HY3，今天又发了 GPT-5.5，估计 DeepSeek V4 也快亮相了……真是一个蓬勃的时代。

我一直对 MiMo 系列模型抱有好感，自从罗福莉加入小米后，小米大模型的实力提升肉眼可见。当然，最根本的原因是我做了十二年米粉，对小米的设计和硬件发自内心地喜欢，家里的电器几乎清一色是小米，这份感情自然也延续到了他们的模型上。

昨天下午完整试完 MiMo-V2.5-Pro 之后，不得不说，这个模型完全可以跟 GLM-5.1、Kimi K2.6 正面掰手腕，表现着实超出了我的预期。可以说它已经扎扎实实地挤进了第一梯队，开发者社群里也都在热议。

按老规矩，先看一眼跑分。虽然现在各家都在“赢学”里打转，但大致还是能看出一些端倪。

在 AA 榜单上，MiMo-V2.5-Pro 与 Kimi K2.6 并列开源第一。

成绩相当亮眼，相较于小米自家过往的模型，进步也很明显。

上下文窗口直冲 100 万 token，如今百万级上下文几乎成了头部模型的标配，今天发布的 GPT-5.5 也支持了 1M 上下文。

价格方面，我以前总是放在最后提，但这一次必须提前说，因为性价比实在太高，而且刚上线时用的人不多，接入 API 后速度飞快，体感完全不像某些国产模型那样动辄延迟好几秒。

API 调用的定价是：0 到 256k token 范围内，每百万 token 输入 ¥7 / 输出 ¥21；在 256k 到 1M token 区间，则是输入 ¥14 / 输出 ¥42。

近日在 GitHub 上发现，MoneyPrinterV2 单日 Stars 数飙涨 1700 多，势头相当猛。

点进去一看，简介写得极其直白——

“Automate the process of making money online”。

坦率讲，这类打着“AI 赚钱”旗号的项目我见得太多了，大多只是噱头。但这个确实有点意思：它不是那种“AI 写文案然后卖课”的套路，而是实打实地能帮你批量生成视频。

更有趣的是，这个项目还有一个中文版叫 MoneyPrinterTurbo，Stars 已经突破 5 万，差不多是原版的 3 倍。

我花了一个下午把两个版本都完整跑了一遍，下面把真实的对比结论分享出来。

01 项目背景与定位

MoneyPrinterV2（原始版本）

作者：FujiwaraChokiStars：18,660（今日 +1,772🔥）定位：面向全球市场的赚钱自动化语言：Python 3.12+

MoneyPrinterTurbo（中文增强版）

作者：harry0703Stars：50,681（累计）定位：专注中文短视频一键生成语言：Python 3.11+

简而言之，V2 是原始项目，Turbo 则是针对中文用户深度优化的增强版本。

02 核心功能一览

Turbo 对国内用户明显更友好，功能也更加齐全。

核心关键词：
Claude Code、AI 团队协作、oh-my-claudecode

一个人干活太慢？那就让 AI 自己组队！本文详细解读 oh-my-claudecode 开源项目，教你如何驱动多个 Claude Code AI 模型组成虚拟团队，自动协作完成开发任务。支持多模型混用、一键启动 AI 工作组，整体开发效率可提升 3 倍以上。

Image

01 痛点：单个 AI 编程效率低下，Claude Code 上下文受限

你是否也有过这样的感受：

让 Claude Code 单独实现一个功能，

从描述到编码，再到调试，一套流程走下来，不知不觉已经过去了半小时。

一旦遇到更复杂的项目，单个 AI 就更容易出现上下文窗口超限、顾此失彼，甚至写到后面就忘了前面已经做过的约定。

这就像让一个人同时扮演：产品经理 + 架构师 + 前端 + 后端 + 测试。
不仅累，效率还十分低下。

这正是 oh-my-claudecode 希望解决的根本问题。

02 解决方案：oh-my-claudecode 让多个 AI 自动组队协作

今天要介绍的开源项目，叫做 oh-my-claudecode（简称 OMC）。

它的核心理念非常直观：
既然单个 Claude Code 干活太慢，那就让多个 AI 自动组队分工协作！

这个项目目前在 GitHub 上已经收获了 12,045 个 Star，仅今日就增加了 576 个。