毕业论文还在赶工，工具费倒先花掉1800元……查文献、预检、降重、降AI率，论文还没写完，口袋已经瘪了。

大学生本就得把钱花在刀刃上，可写论文这件事，实在太烧钱。为此我打造了一款Skill——PaperCash：它能帮你查文献、整理格式、降低AI率和重复率，最关键是完全免费，让你写论文怒省好几百。

一、PaperCash是什么？

简单说，PaperCash是一个开源的AI Agent技能。你可以把它当成给AI编程助手安装的“论文助手插件”。装好之后，在对话框里说一句话，它就能自动帮你干活儿——无需打开新网站、无需注册新账号、无需任何费用。

下面就用写论文时最常见的几个场景来展示它的能力。

二、多库并搜，一次查8个学术来源

假设你要写一篇关于“注意力机制在NLP中的应用”的论文，按常规做法：知网搜一轮，万方搜一轮，翻墙去Google Scholar搜一遍，再去arXiv看最新预印本……每个平台都得手动筛选，还得自己判断哪篇重要。

用PaperCash，你只需输入：

/papercash search "注意力机制 自然语言处理"

它会同时并行查询8个学术数据库：Semantic Scholar、arXiv、CrossRef、百度学术、PubMed、Google Scholar、知网、万方。结果按综合评分排序，评分公式为：

相关性40% + 引用量25% + 发表时间20% + 来源权威性15%

排在第一篇的，通常就是你最需要读的那篇。

三、参考文献格式一键生成，30个DOI同时搞定

写过论文的人都懂，参考文献排版是场噩梦。GB/T 7714要求：期刊标[J]、会议论文标[C]、学位论文标[D]、专著标[M]。很多人根本分不清自己引用的到底属于哪一类，全标成[J]交上去，马上被老师打回。

PaperCash只需要你提供一个DOI，就能自动识别文献类型并套用规范格式。例如：

/papercash cite "10.1145/3292500.3330701" --style gb7714

它会立即输出：

[Akiba2019] Takuya Akiba, Shotaro Sano, Toshihiko Yanase, 等. Optuna[C]. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2019.

它准确判断出这是一篇KDD会议论文，正确标注了[C]。如果你有30篇文献，一次性粘贴30个DOI，所有格式全部自动生成。支持GB/T 7714、APA、MLA、Chicago、BibTeX五种样式随心切换。

四、免费查重预检与AI率降重

学校正式查重一次198元，你敢直接交稿吗？多数人都会先花钱做预检。

PaperCash的做法是：把你的论文按句子拆开，每一句都拿去学术数据库比对，找出高度相似的表述，然后标注：

• 🔴 相似度＞70%，大概率要修改
• 🟡 50%‑70%，存在风险
• 🟢 ＜50%，没问题

需要特别慎重提醒：这不可以替代官方知网查重。 它对比的是公开学术库中的摘要和标题，并非全文数据库。但它能在正式查重前，帮你把明显问题先筛出来，避免花冤枉钱。

“你们怕的鬼，是别人朝思暮想的亲人。”

“真正的死亡是遗忘。”

清明节。有人怕鬼。有人想见鬼。你怕的那些东西，恰恰是别人拼尽全力想再见一面、却再也见不到的人。

01 缘起

近期，GitHub 上两个项目迅速出圈——同事.skill 积攒了 6800 多颗星，前任.skill 也超过 2300 颗。同事.skill 的核心逻辑很简单：同事离职后，把过往聊天记录、协作文档喂给 AI，AI 就能模仿他的风格写代码、做 Code Review，连熟悉的甩锅语气都分毫不差。前任.skill 则把微信聊天记录、朋友圈截图投喂给模型，AI 便能用前任的口吻与你互动——半夜发“嗯”，争吵时说“算了不想吵”，就连已读不回的那份节奏都复刻得完完整整。

同事走了，有同事.skill。
前任走了，有前任.skill。

那亲人走了呢？

就在清明节这天，一个全新的开源项目被创建——亲人.skill。
它不是赛博招魂，而是一本会说话的回忆录。

02 它能做什么

把关于亲人的各类素材交给 AI：

微信聊天记录（长辈发的语音也能解析）
照片（提取时间地点，识别家庭合影）
语音消息、手机录音（分析口音、语气词、说话节奏）
手写信件、日记（拍照上传，AI 自动识别）
家庭录像里的声音片段
甚至，什么都没有——只是跟 AI 聊聊你记忆中的 ta

随后 AI 会生成一个“亲人 Skill”。
这不是一个简单的聊天机器人，而是一个三层结构的记忆系统：

家庭记忆
—— 一起吃过的饭、走过的路、一起度过的每一个年

人物性格
—— ta 的口头禅、语气词、发火的样子、心软的瞬间

生命故事
—— ta 这一生经历了什么，留下了什么

前两个项目只有双层，而亲人.skill 特意多了一层“生命故事”。
因为亲人与同事、前任截然不同。同事离开，你留恋的是工作能力；前任离开，你怀念的是相处时的感觉。
亲人离去，你想留住的是整整一个人。
是 ta 的一辈子，ta 走过的年代，ta 用一生验证过的那些道理。

03 使用起来的感受

假如有人这样描述自己的奶奶——

退休小学教师。很严厉，但又很疼我。每次回家都使劲给我塞吃的。口头禅永远是“吃饭了没”。

💡 核心洞察：deer-flow 单日暴涨 3700+ stars，并非因为完美无缺，而是因为它精准击中了 AI Agent 落地的关键节点。

📊 基础数据：45,211 stars | 5,330 forks | Python | 字节跳动开源

01 现象级爆发：为什么是 deer-flow？

2026 年 3 月 25 日，GitHub Trending 榜首

为什么偏偏是此刻爆红？

回看 2024-2025 年，Agent 框架层出不穷：

AutoGen（微软）
LangGraph（LangChain）
CrewAI
OpenViking（国内）

deer-flow 能在 2026 年 Q1 集中爆发，根本原因在于：它打通了 Agent 落地的“最后一公里”——安全执行与自主任务流转。

等待了整整一年的DeepSeek V4，终于在今天揭开了面纱。

虽然每天翘首以盼，但真正发布这一刻，内心反而涌起一股奇异的平静，仿佛一下子进入了贤者模式。

这周实在太过疯狂——七八个新模型扎堆亮相，单是最近24小时就有四个先后登场。昨天下午刚开始测试MiMo，HY3就来了；刚写完MiMo的体验，GPT-5.5又横空出世；今天好不容易整理完MiMO，DeepSeek V4就踩着节点出现了。

我现在就像那个反复赶稿的博主，一个接着一个，根本停不下来。

我几乎在第一时间就把DeepSeek V4接入了自己的Claude Code环境。

不少人都在问：R2去哪儿了？这里简单梳理一下脉络。去年这个时候，推理模型和非推理模型还是两条清晰的路径，比如DeepSeek R1专门负责推理，V3则是非推理向。但到了后来，像Claude和GPT都转向了混合模型架构，用“思考强度”来控制模型是否进入推理模式。

所以DeepSeek在V3.1时也切换到了混合模型的设计，V4自然延续了这一思路。这样一来，R2的独立定位就变得有些模糊了，就像OpenAI o3成了最后一代独立推理模型，最终被整合进了GPT-5。

我们再来快速过一下DeepSeek V4的几个关键特点。

先看基准跑分。

这是DeepSeek V4官方给出的成绩。

在各个维度上都有明显的强化。

不过，这段时间模型实在太多太杂，于是我自己又整理了一份表格。由于各家数据口径经常不一致，下表只能看个大概趋势，不能过分深究……

首先是知识推理类别。

没有数据的地方就是没有放出相应跑分。可以看到，DeepSeek在SimpleQA这类纯知识测试上的表现最为突出，已经逼近Gemini 3.1 Pro，而在其他区域则显得比较中庸。

再来是代码能力。

这里可以很清晰地看出，它走的是与Gemini相似的路线：在竞赛、算法题目上相当强悍，但就真实世界的代码工程能力而言，从跑分上看并没有大幅领先，处于第一梯队的水平。

在代码领域，我觉得也可以参考一下最新的Arena评分，目前DeepSeek V4排在第三位，冠军依然是GLM-5.1，而MiMo因为尚未开源，暂时没有上榜，预计下周才开源。

在Agent能力这一块。

表现确实非常强劲。

跑分基本就是这样。平心而论，在这个诸神混战的时间点，它已经稳居上游，但如果大家抱着“彻底碾压”的期望，可能会有些许落空。

还有一个非常直观的数据：V4-Pro的总参数量高达1.6T，也就是1.6万亿。

相比之下，V3.2是671B（6710亿），V4的参数量直接翻了近两倍半。

这再次印证了一个当下的真理：规模越大，效果越强，越聪明。

但规模提升带来智能的同时，也不可避免地推高了Token的定价。算力资源就那么多，模型参数持续膨胀，Agent推理又消耗越来越多的Token，涨价几乎成为必然。

V4-Pro的定价为输入12元/百万token，输出24元/百万token；V4-Flash则是输入1元/百万token，输出2元/百万token。

换算成美元，输入约为1.74美元/百万token，输出约为3.48美元。V4-Flash则是输入0.14美元/百万token，输出0.28美元。

作为对比，Claude Opus 4.7是输入5美元/百万token，输出25美元/百万token；GPT-5.5为输入5美元/百万token，输出30美元/百万token。

MiMo-V2.5-Pro在0到256k token区间的定价为输入¥7/输出¥21，在256k到1M token区间则为输入¥14/输出¥42。

整体上，国产模型的价格区间非常接近，虽然离DeepSeek过去“价格屠夫”的称号略有差距，但仍然比海外模型平均便宜大约60%。

不过这里有一个细节可能很多人没有注意到。

在DeepSeek的定价页面底部有一行小字，大意是说：由于高端算力受限，目前Pro版本的服务吞吐十分紧张，预计下半年昇腾950超节点实现批量上市后，Pro的价格会大幅下调。

这意味着V4-Pro当前的价格并非最终形态，一旦芯片产能跟上来，价格还会继续下探，这一点我觉得非常重要。

再者，从DeepSeek V4的技术报告中，其实能发现大量国产化的细节，明显是在为国产芯片做准备。

有几个我个人理解的小细节，未必准确，欢迎大佬指正。

1. V4在后训练和推理体系中引入了MXFP4。

尽管训练阶段依然依赖英伟达体系，但在后训练和推理环节采用这一格式，几乎可以确定DeepSeek正在向开放的低精度格式和多硬件适配方向迈进。这样就能适配华为昇腾、寒武纪、壁仞等国产加速卡，减轻对NVIDIA FP8生态的绑定，尤其是在推理阶段，这是实实在在的国产生态、国产模型。唯一的遗憾是，价格暂时还没有降下来。

2. V4的底层内核不再完全依赖CUDA编写，而是采用了一种名为TileLang的领域特定语言（DSL）。DeepSeek的意图很明确，就是不要让底层算子开发被CUDA彻底锁死，而是用更高一层的语言描述计算，再尽可能编译到不同硬件上。这招非常厉害，能大幅降低迁移成本。

3. V4专门构建了一个叫做MegaMoE的融合内核，目标是减少专家并行中的通信等待，目前已在华为昇腾上成功跑通。

这三条信息拼在一起来看，方向就非常清晰了：V4是一款彻彻底底为国产硬件设计的模型。

这不是什么爱国故事，而是所有人都清楚：未来的算力缺口有多大，算力生产有多迟缓，而在Agent日益普及的推动下，Token带来的消耗又有多么恐怖。

蛇年开工头一天，震撼弹突然炸开！特朗普挥出的关税连环重拳，直接让跨境圈集体发懵——对中国商品强征10%关税、即刻取消800美元免税优惠，同时斩断墨西哥与加拿大的转口通道，这“三连杀”简直不给人喘息之机！但咱们中国卖家什么大风大浪没见过？今天就一起来拆解这些政策，手把手带你从暴风眼里捞出真金。

[一]政策飓风：这波杀伤力究竟有多猛？

1. 成本迎来硬核冲击

过去还能靠800美元免税清关的包裹，现在每单的关税成本陡增3至7.5美元，一口气就吞掉将近30%的毛利！比如一条12美元的连衣裙，扣税后跳涨到15美元，和亚马逊自营产品的价差从“绝对碾压”直接退到“勉强打平”。更要命的是，清关时间由原来的2天拖长至5天，美国买家一犹豫，眨眼就转向本土平台下单。

2. 转口路线被彻底堵死

想在墨西哥建厂迂回？特朗普早就把这招给算计进去了。新规则不但对中国商品加税，还对墨西哥、加拿大货品征收25%的关税，甚至施压墨西哥推出“去中国化”的制造计划。想着“曲线救国”？北美自贸协定里头的原产地规则马上就会给你上沉重一课。

3. 物流环节步步惊雷

T86免税通道直接宣告作废，如今800美元以下的包裹必须转走T11模式，成本里裹着2.62美元的MPF费用、关税以及操作费，一旦货值超过2500美元，还得用T01正式报关。有卖家想拆单避税？CBP稽查员早已架着放大镜守在港口了。

[二]跨境人紧急自救全攻略

【求生操作：72小时必刷清单】

1. 供应链大腾挪（最高优先级！）

越南、泰国的工厂连夜接到爆单请求！深圳某大卖已把三成产能转移至越南，利用东盟的免税政策来对冲美国关税。千万记得：转移必须是“实质性转型”，如果只贴个标签、生产线纹丝不动，海关的罚单会让你深刻体会到什么叫重新做人。

2. 海外仓闪电式囤货

2月4日之前到港的货物还有机会享受豁免！有义乌卖家怒砸500万元提前把货备进洛杉矶仓库，硬是把三个月的库存压到了美国本土。但务必警惕：同一收货人每月超过50个包裹就会触发CBP预警，稍不注意，“囤货”就变成了“囤雷”。

3. HTS编码里的奇迹

改一个税号就可能省出惊人利润！比如塑料玩具归入税号9503，税率是0%，而电子玩具则是税号9504，税率25%，一个字之差省出天际。但切记不要硬编——专业关务顾问时薪500美元，这笔钱，千万不能省。

【反击战略：未来三个月决胜窗口】

4. 私域流量悄然破局

“TikTok+独立站+WhatsApp私聊”这套组合拳正成为新的风口！杭州某团队靠着这一打法，把三成客户顺利导入私域，将关税成本转嫁给那些愿意为服务买单的铁粉，毛利率反而逆势上升15%。

5. 品牌溢价正面对决关税

深圳充电宝品牌Anker早已给出示范：砸下重金攻克快充专利，顶着关税压力把终端售价提到79.9美元，照样稳居亚马逊品类前三。永远记住：纯贴牌注定出局，专利才是真正的护身符。

[三]行业大洗牌：谁会倒下，谁又能站起来？

出局名单：纯铺货型卖家、0.99美元包邮的低价玩家、死磕美国站的新手小白

胜出候选：早早布局东南亚的、拥有海外仓矩列阵的、把私域流量玩得炉火纯青的老江湖

一个血淋淋的案例：某义乌卖家坚持1美元包邮，关税新政落地后，每发一单倒贴2美元，短短三天就亏光了半年的利润。反观另一家深圳大卖，早将一半产能转移到越南，新政一出反而提价20%，订单量不降反增。

[四]深水锐评

特朗普这次的连环操作，本质上是要逼中国制造“脱美入亚”。但别忘了，2018年的贸易战淘汰了一大批铺货玩家，而2025年这场新的战役，淘汰的将是那些固守旧模式不肯转身的人。跨境电商的未来必定属于独立站，抛弃低价跑量的玩法，走向独立站精品溢价，才是真正的出路。

跨境人的信条： 宁可战死沙场，绝不躺平认输！

行动口诀： 供应链分散布局，品牌溢价硬核升级， 物流合规极限操作，私域流量游击突围。

近期，人工智能领域迎来一项引人注目的动态：腾讯旗下多款核心产品悄然完成了对DeepSeek模型的集成部署。继社交平台微信传出灰度测试接入DeepSeek的“AI搜索”模块之后，腾讯官方渠道正式披露，包括腾讯元宝、微信、ima、腾讯文档、QQ浏览器、QQ音乐在内的多个高频应用，均已实现与DeepSeek-R1模型的深度对接。这一连串产品更新，不仅为用户带来了层次更丰富的智能交互感受，也映射出腾讯在AI技术落地方面所采取的快速渗透路径。

在智能服务赛道持续升温的当下，谁能以更精准的效率回应用户的实际需求，谁就能占据体验的高地。腾讯此番将DeepSeek注入多线产品体系，本质上是一次清晰的产品力加码：端侧搜索、文档处理、办公协同、娱乐场景等环节同步迎来模型能力的跃升，让更细致的理解与更流畅的生成变得触手可及。

微信“AI搜索”——重塑信息获取的逻辑

微信，作为渗透生活各个角落的社交基础设施，其内置的“搜一搜”入口长期承担着信息索引的角色。如今，它正在经历一轮静默的实验性改造：在对话框顶部搜索框中输入关键词后，点击出现的“AI搜索”选项，用户便能直接调用DeepSeek所支撑的增强型检索能力。模型对语义的深层解析让搜索结果不再仅是关键词匹配，而是更贴合提问意图的聚合式信息反馈。这一改变，让寻找答案的路径变得更短，也更接近自然对话的形态。

腾讯智能工作台ima——让知识管理带上模型推理

腾讯旗下的AI工作台ima，定位为融合搜索、阅读、写作与知识库管理的复合型效率工具。在各类操作界面中，用户现在可以主动选择DeepSeek-R1满血版作为底层推理引擎，从而使内容抓取、资料整合以及知识库构建等动作，获得更连贯的上下文理解支持。无论是将零散信息汇聚成结构化知识体系，还是利用智能写作功能快速产出论文提纲、文案草稿或报告正文，ima都在尝试把重型认知负担转化为轻量交互，让办公流保持节奏感。用户可通过IMA官网（https://ima.qq.com/）直接体验。

腾讯文档AI文档助手——文档生产的提速路径

腾讯文档自带的AI文档助手，原本就是处理文本、表格、幻灯片的常用辅助工具。当DeepSeek-R1满血版的推理能力注入后，其生成逻辑变得更加贴近复杂的实际需求。从起草文档、生成表格模板，到构建思维导图结构，再到制作智能文档，整个过程体现出的不仅是速度，还有对格式、语气以及内容走向的主动适配。用户可进入官网（https://docs.qq.com/ai）进行试用。

QQ浏览器——搜索、翻译与文档处理的全栈改造

QQ浏览器也在这次升级序列之中。接入DeepSeek-R1满血版之后，其搜索结果的呈现方式更为聚合，翻译模块的长句处理能力肉眼可见地提升，而与记笔记、导出PDF、Word等工具链的联动，则进一步拉近了浏览行为与内容加工之间的距离。在QQ浏览器内直接搜索“DeepSeek”，即可切换至这套新升级的智能模式，让信息获取和轻量文档整理保持在同一个窗口内完成。

腾讯元宝——生活与工作之间的智能节点

腾讯旗下的AI助手“腾讯元宝”当前已开放免费使用DeepSeek-R1满血版模型，并围绕答疑、文档精读、多类型内容生成等场景构建了功能集。无论是日常琐碎的知识查证，还是对专业文档的要点梳理，用户都可以反复调用模型的理解和归纳能力。这种设计思路意在让元宝同时承担生活咨询师与工作加速器的角色，用同一套底层推理服务于截然不同的使用时刻。访问官网（https://yuanbao.tencent.com/）即可进入。

除此以外，QQ音乐、腾讯AI代码助手、腾讯元器、腾讯乐享、腾讯地图、腾讯云TI平台、腾讯云大模型知识引擎、腾讯云智算、腾讯云开发等多条产品线也相继宣布完成DeepSeek的接入适配，构建起一个覆盖面广泛的智能服务矩阵。可以说，这不是一次单点功能的修补，而是一次围绕模型能力展开的产品群协同升级。技术落地的广度与深度，正在重新定义腾讯应用生态中“智能”的触感。未来，随着模型迭代和产品调校的持续推进，用户或许将看到更加连贯、个性化的跨场景智能体验浮出水面。

打开 GitHub，微软这个仓库又收获了 2000+ 颗星标。

再也不用耗费精力编写脚本，手动转换格式的时代已经过去。

核心价值速览

它能把各种文档转成 Markdown，然后直接丢给 AI 分析。

听起来很简单，可效率提升真不是一星半点。

以前处理文档有多折腾：

• 收到 PDF 报告，只能打开、复制、粘贴到 AI 对话里
• 碰到扫描版，还得先找 OCR 工具，再手动整理排版
• 有会议录音的话，又要找转录工具，接着还得自己校对文字

现在呢？一行命令就搞定：

markitdown report.pdf > output.md

典型应用场景

批量处理 PDF 报告

我每周要阅读十多份行业报告，现在只需要一个简单脚本：

for file in reports/*.pdf; do
    markitdown "$file" -o "markdown/${file%.pdf}.md"
done

之后一股脑喂给 AI 做对比分析，既快又准。

会议录音直接转文字

公司里常有多段 MP3 会议录音，配置好语音转录功能后，只需几行代码：

from markitdown import MarkItDown
md = MarkItDown(enable_plugins=True)
result = md.convert("meeting.mp3")
print(result.text_content)

就能直接拿到工整的文字稿。

YouTube 视频变成学习笔记

要是看到值得研究的技术分享视频，想整理成文字记录，同样很简单：

result = md.convert("https://youtube.com/watch?v=xxx")

它会自动抓取字幕并转换为 Markdown。接下来用 AI 总结提炼，再配合 Obsidian 进行整理，一篇高质量的学习笔记就轻松产生了。

“配置 API Key 实在太麻烦了，完全弄不好。”

仔细想想，这个痛点确实很真实。v1.0 版本覆盖了 8 个平台，其中有 4 个必须提前申请 API Key 才能正常使用：

微博 → 要去开放平台申请 OAuth Token
小红书 → 要注册第三方服务 ScrapeCreators
抖音 → 要注册 TikHub
微信 → 要找第三方 API

每个平台的申请流程各不相同，有的需要等待审核，有的则直接要求付费。一个原本用来快速搜索信息的工具，光环境配置就已经劝退了将近一半的用户。

这样的情况肯定不行，必须要彻底改变。

01 使用方式澄清：你几乎不用动手

很多读者看完前两篇文章之后产生了一个误解：以为需要自己一步一步手动敲命令来操作。

其实完全不是这样。

这个项目本质上是一个 AI Agent 技能（Skill）。你不需要去关心底层怎么实现，只要把它安装到你常用的 AI 工具里，AI 就会自动去调用它。

这就好比你在手机上装了一个 App。你完全不必知道 App 内部的代码是怎么写的，只需要对它说“帮我搜一下最近 AI 编程的热点”，AI 就会自动在 8 个平台上搜索、归纳分析，然后生成一份结构化的报告。

你要做的，仅仅是复制一行安装命令而已。

“帮我搜一下最近 30 天 AI 编程助手的热点”

装完就可以忘记它的存在，把剩下的工作全部交给 AI。

02 摆脱 API Key 的技术思路

在探索解决方案的过程中，我在 GitHub 上发现了一个非常巧妙的项目：NanmiCoder/MediaCrawler。

这个项目专门针对中文互联网平台进行数据采集，已经很好地支持了微博、小红书、抖音、B 站、知乎等主流站点。

为什么这个项目突然火了

昨天翻看 GitHub Trending，一个项目单日飙升 2,685 颗星，稳稳占据了当日榜首。

它就是 last30days-skill。

用一句话来概括：

你向它提任何问题，它会同时扫描 Reddit、X、YouTube、Hacker News、预测市场等 10 个平台，梳理最近 30 天的讨论，然后给你一份标明来源的综合报告。

我仔细研究了这个项目。

最深的感觉倒不是“技术多强”，而是：

它触碰了一个每个人都能体会到的困境——信息差。

它能做什么？

3 个典型场景，一看就懂。

场景 1：研究 prompt

你可以这样问：

/last30days prompting techniques for ChatGPT for legal questions

它会做三件事：

• 挖掘 Reddit、X 上过去 30 天的相关内容
• 挑出点赞最多的技巧和案例
• 输出一份综合报告，并附上可直接使用的 prompt

输出样例：

核心议题是“防幻觉”——多个来源提到律师因递交 ChatGPT 伪造的案例而被处罚。

关键 prompt 思路：

• 使用 Deep Research 模式，或直接上传原始材料作为事实依据
• 在 prompt 中加入“幻觉防御条款”
• 只询问程序性问题，不碰具体案例引用
• 让输出偏向“问题识别”而非“法律建议”

价值： 你不用靠猜测写 prompt，而是直接用社区验证过的最佳实践。

场景 2：捕捉热点

比如你想知道“AI 圈最近在聊什么”，可以问：

/last30days anthropic odds

它会扫描 X、YouTube、Hacker News、Polymarket，找出所有关于 Anthropic 的讨论与押注。

在近几个月高强度使用Agent的过程中，我逐渐总结出一条至关重要的心得，关于如何为Agent设定规则、使它工作得更加聪明高效。

就四个字：约束先行。

即在让Agent执行任何任务前，先确立规范——全局规范、项目规范、文件夹规范。规则自上而下贯穿，层层嵌套，没有规范的地方绝不轻易动手。

这个道理看似简单，我却花了数月才彻底想通并完整落地。或许有人会觉得我笨拙，但正因为我踩过坑，才更想把这份经验分享出来。

为什么我认为这四个字胜过一切Prompt技巧？这要从昨天发生的一件小事说起。

我有个毛病——完美主义强迫症，东西一旦杂乱无章就会浑身难受。这大概源于我的处女座特质，加上我身为交互设计师，又是重度的模拟经营游戏玩家。在《城市天际线》中，路网规划不佳我能推倒重建三次；《动物园之星》分区不合理能让我纠结整个下午；《双点医院》里即使已经盈利，某个科室的动线不顺畅我也会全部拆除重来。至今难忘当初玩《戴森球计划》时没日没夜设计生产线的日子。朋友常说我，对秩序有种近乎偏执的追求。虽然我欣赏KK所著的《失控》，也认同混乱中能涌现智慧，但秩序与规范，或许早已刻进我的骨子里。

于是昨天下午，当我无意间发现一个Claude Code工作文件夹变得杂乱不堪时，实在坐不住了。几天前新建的专门开发Skills的文件夹，根目录下竟散落着十几个文件。打包文件与源码混放，测试图片随意丢弃，评估报告的HTML文件无处归位。最离谱的是命名：test_batch是哪个Skill的测试？test_v2又是谁的版本？我自己做的内容，搁置两天后连自己都认不出来。

那一刻我几乎应激反应，一时无语凝噎，只能含泪让Claude Code出手整理，并直接为我制定一套规范。没过多久，它便完成了。

然后它生成了这个项目级的CLAUDE.md文档。你可以将此文档理解为Claude Code进入该文件夹后首先必须读取并遵循的东西，也就是它未来的行为准则。

规范相当全面。

有了这份CLAUDE.md，工作区便能持续进行各类Skills的开发与实验。每个新Skill都会自动创建独立文件夹，实验性内容归入_sandbox，其中的文件超过一个月便自动清理。从此告别混乱，一切按目录结构井然有序。

这件极小的事促使我认真反思：为什么Claude Code进入新文件夹或开启新项目时，不会自动建立规范？为什么非要等我发现混乱之后才去收拾烂摊子？原因很简单——我并没有做好顶层约束。也就是说，在最顶层、无论打开什么文件都会加载的全局CLAUDE.md文档中，我缺失了这层规范。

过去在各类开发项目中，我脑子里始终有这种意识，通常会要求先强制写好文档再开始开发。但对于知识管理类工作——比如绘图、创造Skills、撰写研究报告等——由于缺乏开发式管理意识，往往没有形成规范文档，我本人也未曾察觉。

而对AI来说，你头脑中存在的认知，若未写入文档，便等于不存在。Agent的短期记忆会消失，对话框关闭后一切遗忘，下次打开时，它唯一能看见的就是你留下的文档和记忆文件。文档内容及其清晰度，直接决定了Agent每次“苏醒”时是清醒还是迷茫。

OpenClaw之所以常常越用越蠢，根本原因正在于其规范与记忆体系混乱不堪；相比起来，Hermes agent要好得多。

因此，我今天想聊的核心正是：用好Agent的真正关键，就在于构建一套从顶层向下贯通穿透的约束体系。解释一下Claude Code的规则架构——包括Codex在内的许多Agent均采用类似分层的设计。

最顶层为全局CLAUDE.md，位于用户目录下，无论打开什么项目均会加载。这是最高指令与原则，定义了你的身份、做事准则，以及你希望AI以何种方式与你协作。第二层是项目级CLAUDE.md，进入特定项目文件夹时才加载，相当于该项目的宪法——规定目录结构、命名规范、文件归属等。第三层是项目内的各类规范文档、设计文档和架构说明。最底层则是记忆文件，如自动记忆、对话记录、Claude自行整理的笔记等。

约束自上而下贯通，层层相扣，环环约束。这与治理公司如出一辙：制度居于最高层，部门规范居中，具体操作流程落在最底层。你不可能靠CEO天天紧盯着员工干活，你依靠的是制度的穿透力。这正是「约束先行」的完整内涵。

而设计这套体系，尤其是顶层制度规范，绝非易事。经营过公司的人定能理解我所说的，那背后是血与泪的教训。全局CLAUDE.md，对应的就是这套最高制度。

我的全局CLAUDE.md已经迭代了多个版本。最初我懵懂无知，照搬了许多开发大神的所谓规则，随后不断将经验往里塞，导致内容臃肿不堪。后来慢慢领悟到适合自己才是最好的，并且许多经验不应放在这一层，于是又进行一轮轮瘦身。今天补上关键规则后，我的全局CLAUDE.md长这样，完整分享给大家。

## 关于我数字生命卡兹克，虚实传媒创始人。用户体验设计师出身，不是程序员。我用 Claude Code 做两件事：**开发产品**和**知识管理**。工作哲学：把任何重复 3 遍的事 AI 化或自动化。技术决策跟我说「为什么」和「对用户的影响」，不要只讲实现。  
## 第一性原理所有决策从问题本质出发，不因「惯例如此」照搬。回到问题本身：要解决什么？最直接的路径是什么？从零设计会怎么做？不要谄媚。不要夸我的想法好、不要说「这是个很好的问题」、不要开头加「当然可以」。给我真实判断——方案有问题直接指出来。发现更好的做法直接说，不用等我问。  
## 约束先行无论开发项目还是知识管理项目，第一步永远是建规则：新项目先写 CLAUDE.md，新目录先定结构约定（什么放哪、怎么命名、何时清理）。没有规范的工作空间不动手。已有规范的项目，严格遵守其 CLAUDE.md 中的约定。需要调整规范时先改文档、再改实践，不要反过来。  
## 交互设计原则**用户体验是所有产品的最高准则，优先级高于技术偏好、代码整洁度、架构优雅度。后端可以很复杂，但用户触碰到的每一层必须丝滑。**这不只是 GUI——CLI、对话式交互、Skill、系统反馈，都是交互体验。所有界面都适用以下原则：- **为目标设计，不为功能设计**：先问「用户要完成什么」，再决定怎么实现。不要因为技术上能做就加功能- **不要让用户思考**：交互应该不言自明。需要说明书才能用，设计就是失败的- **系统承担复杂性**：能自动化的不手动，能推断的不让用户填，能一步完成的不拆成三步- **渐进式展示**：先给核心，细节按需展开。不要一次性把所有选项甩给用户- **反馈引导行动**：不要只报告问题（"连接失败"），要引导下一步（"正在重试，预计 5 秒后恢复"）  
## 工作方式- 默认中文，代码、命令、变量名用英文- 结论先行，再给理由，不要先铺垫背景- 遇到模糊需求，先给最合理的方案，再问要不要调整- 不要问「你确定要这样吗」——除非有真实风险  
## 开发习惯- 改完主动跑验证（test / lint / build），不要只改不验- 不要为了让代码跑起来而注释掉报错，找根本原因- 密钥、token、密码不进代码  
## Git 与部署- commit message 用英文，简洁描述变更意图- git push 仅用于跨设备同步，不要自动执行，等我说- 部署走项目自己的命令（查项目 CLAUDE.md），不依赖 git push

你会发现，其中每条规则都构成了某种形式的约束。例如「第一性原理」，约束思考方式，要求不从惯例出发，回归问题本质。「反谄媚」，约束沟通方式，拒绝奉承，要求真实判断。再如「交互设计原则」：我出身用户体验设计，对经手的产品有种执念——后端可以极尽复杂，但用户所触及的每一层必须丝滑顺畅。这不只关乎GUI，CLI是交互，Skills是交互，对话式AI同样是交互。