Kimi K3以2.8万亿参数、开源姿态和多模态能力，在编程与长程推理上逼近全球顶尖闭源模型。这款“重型战斗机”般的模型，正用极致效率重写算力定价逻辑，并引爆下一轮AI应用繁荣。

7月16日晚间，月之暗面发布了Kimi K3。2.8万亿参数，开源，多模态，上下文窗口超过100万。7月27日将完整开放权重。

消息传到华尔街的时候，交易员们正在为一轮已经持续了好几天的科技股抛售寻找新的解释。K3来得正是时候。

一家中国公司的开源模型，在编程和长程推理这两个最硬的指标上，同时够到了全球顶尖闭源系统的肩膀。

于是有人说，K3戳破了全球算力扩展的泡沫，打破了Anthropic与OpenAI的估值逻辑，并加剧了近期高位科技股的巨震。

逻辑链条很直接：如果在有限算力下，开源模型仍可取得如此突破，那此前市场给予AI基础设施天价资本开支的定价，是否建立在一种过度乐观的假设之上？如果一家中国公司能用更少的资源做出接近顶尖水平的模型，那英伟达的订单簿、Anthropic与OpenAI的高毛利叙事，是否都在同一瞬间被打上了一个问号？

总而言之一句话：都怪KIMI。

01 2.8万亿参数筑起的重型底座

先看一个最容易被忽略的事实，2.8万亿参数。这个数字本身的重量，比任何BenchMark都更有说服力。

把这么多参数塞进一个模型，让它们在896个专家模块中各司其职，每次推理只唤醒其中16个。这从来不是省算力的技术路线，这是重型基建。

模型权重在4比特浮点精度下就需要超过1.5太字节的HBM显存容量，推理时要在64卡以上的超节点上才能跑起来。专家并行方案采用了极高稀疏度的WideEP架构，对scale-up域的容量和带宽要求极高。

K3之所以看起来“省”，是因为它在每一分算力上都压榨出了成倍的效能，而不是因为它不需要算力。K3不是一架只为了滑翔的纸飞机，它是一架装配了更先进引擎的重型战斗机。引擎效率越高，飞得越远，但对燃料的绝对需求只会更大，不会更小。

这是整个论证的底座，不把这件事讲清楚，后面所有推论都会飘在空中。

02 一台超级引擎：三项核心技术

K3真正让人兴奋的地方是它的超级引擎价值。

月之暗面在K3上落地了三项关键技术：KDA混合线性注意力、注意力残差和高稀疏度MoE。三项技术指向同一个目标，把算力转化为模型效果的效率推到极致。

第一，KDA混合线性注意力。

Transformer最吃算力的地方是注意力机制。标准注意力随着序列长度增加，计算量呈平方级增长。百万级上下文的任务，大部分算力都烧在了维持长序列的注意力矩阵上。KDA机制将大部分注意力层的计算复杂度从平方级降到了线性。

根据月之暗面此前发布的Kimi Linear技术报告，在48亿参数和3亿激活参数的实验模型上，采用3比1的KDA与MLA混合比例，KV缓存占用最高削减了75%，100万上下文长度下的解码吞吐量提升到了原来的6倍。

对开发者来说，这意味着同样的GPU集群，可以同时服务更多用户，处理更长的任务。

第二，注意力残差。

模型大到万亿级别之后，信息在层与层之间传递会衰减，浅层信号传到底层时已经模糊了。注意力残差允许模型在深层直接跳回浅层提取原始特征，再融合进当前推理。

这解释了为什么K3在FrontierSWE这种需要持续数十分钟的长周期软件工程任务上表现格外出色，它能在漫长的推理链条中保持方向感，不会走着走着忘了自己为什么要出发。

第三，高稀疏度MoE。

896个专家，每次只激活16个。这个极端比例意味着每个专家模块必须在自己的领域内做到极致，否则整个系统会崩。

支撑这套架构的是Stable LatentMoE，通过低维隐空间做专家路由，再用历史思维链保留训练来维持跨轮推理的稳定性。

叠加训练方法和数据配方的优化，K3相比上一代K2的整体扩展效率提升了约2.5倍。

本质上，三项技术砍的不是算力，更不是Scaling Law，而是粗糙的算法浪费。把每一分算力转化为模型能力的效率推到极致，不叫省，这叫更会花。

03 市场究竟在害怕什么

从K2.6到K3，几个月时间，Arena Code榜单从第18名跳到第1名，部分观点研判认为，K3可能将国产模型与海外前沿的代际差距缩短到了3个月以内。一年前这个数字是12到18个月，两年前开源模型甚至不在讨论范围里。

这个加速度，才是改变定价逻辑的东西。

Anthropic的Fable 5每百万Token输入10美元，输出50美元。GPT-5.6 Sol分别是5美元和30美元。K3是3美元和15美元，缓存命中0.3美元，只有Fable 5的30分之1。

当开源模型以更低的价格提供接近的性能时，闭源的高毛利叙事就开始松动：Anthropic推理毛利率长期在75%以上，这是它高估值的核心支柱。如果开源追赶的速度继续加快，这根柱子需要重新审视。

但市场在恐慌时忽略了一件事。定价权的转移不是价值的消失，是价值从一层流向了另一层。就像当年电力从爱迪生的直流发电机里流出来，流进西屋公司的交流变压器，流进福特工厂里的独立电动机。每一次流动都没有减少电力的价值，只是改变了谁在收电费。

这一次也一样。

04 SuperApp的种子已经埋下

迫近顶尖水平、抹平基础壁垒之后发生的事，不是算力过剩，反而是算力在另一个维度上爆炸。

当K3把顶尖编程和Agent能力以开源方式交给全球开发者时，它点燃的东西比任何一张BenchMark排行榜都要深远。一个编程Agent从零构建GPU编译器，一个设计师用自然语言生成完整的前端工程，一个研究员把两周的科研编程压缩进两个小时。

这些已经在K3上线后出现了。

SuperApp的种子埋在开源的土壤里。当模型不再是瓶颈，算力就会成为瓶颈。用户量每一次增长，Agent任务每一次深层调用，都会变成巨量推理需求。

还有一个被忽略的技术细节，K3在默认最高思考强度下的思维链偏长，实际Token消耗比常规模型更高。在Kimi Work Max的高强度思考模式下，任务反馈速度稍慢，推理深度却更深，Token消耗也更大。

这意味着应用越普及，Agent越复杂，单次调用的Token消耗就越惊人，推理计算的规模也将以远超训练计算的速度膨胀。

05 征途仍在继续

当然，K3距离AGI还有很长的路。

它缓存保留只有10分钟，可能源自KDA快照缓存的架构特性。指令模糊时容易过度主动，行为边界尚不稳定。62TPS的输出速度低于同档模型中位数72TPS。

这些是工程问题，能解。但更大的问题不在技术，在场景。

K3需要部署在64卡以上的超节点才能运行，这意味着它还远远不是一款普通企业或个人能随意消费的基础设施。从实验室到大规模普及，中间还隔着成本、稳定性、生态工具链的一整套工程化鸿沟。

它证明了这条路能走通，但还没走完。这目前是对它最准确的定位。

K3是一个节点，还不是终点。规模法则再次被验证有效，更大参数、更复杂架构、更长上下文，仍然在产生更好的模型。

各家不仅不会收手，反而会因为看到对手的底牌而加速。算力侧在加速，算法侧也在加速，两个轮子同时高速转动，中间挤出来的，是一轮从基础设施到应用的繁荣。

有一个古老的哲学命题是这样的：如果一支箭在飞行途中的每一个瞬间都静止在某一个位置上，那它永远也到达不了靶心。芝诺用这个悖论证明了运动的不可理解，但现实中每一支箭都稳稳钉在靶上。

K3这支箭已经飞过了从K2.6到K3的这段航程，正在飞向下一段。它经过了每一个瞬间，但它从未静止。

都怪KIMI，这句话放在K3发布之后的语境里，最大的讽刺在于，它被当成了一句甩锅。就像老王说，都怪隔壁老张把围墙修得太高，害我也得加砖。

K3不是全球科技股暴跌的肇事者，它是下一轮AI繁荣的报信人。它打破了安卧在万亿美元估值之上的垄断叙事，却开启了一个更宏大、更公平、更具爆发力的竞争周期。

近期在升级 JClaude 的过程中，我注意到 Tokens 消耗异常剧烈。深入排查后发现，有一个源文件已经膨胀到近 10000 行。初步估算，单是这一个文件的上下文就要占用十几万 Token。虽然程序功能一切正常，但技术债务明显在累积，必须启动一次彻底的重构。

恰好我最近在体验 Kimi K3，于是把这项任务交给了它。相比做一个花哨的动画效果，这种真实的工程优化场景显然更有考验价值。

下面完整记录它的重构过程以及最终成果。

项目背景与现状

先快速介绍一下这个项目的全貌：

这是我为 Claude Code 打造的中文界面版，界面完全复刻了 Claude 桌面端的视觉风格，底层通过与 Claude Code 终端交互，能自动接入第三方模型。换句话说，第三方模型可以通过这个软件，直接调用 Anthropic 的最强编程智能体，且不受账号限制。如果你配置了 Opus 4.8，这个工具的体验几乎可以媲美官方的 Claude 桌面版。

近期由于集成了角色与技能相关的能力，项目文件体量迅速失控。这个项目最初只是一个界面复刻的小实验，起初并没有认真考虑代码架构。在后续持续迭代时，也没有明确向 AI 提出架构优化的需求，结果就是 AI 在不断“堆砌”代码。我猜测，大量 Vibe Coding 项目都会遭遇同样的困境——起初只是试着玩，玩得顺手了就一路放大，技术债也随之滚雪球般扩大。

代码现状分析

项目基于 Tauri + Rust 构建，安装包小巧、内存开销极低，能够生成多平台的发行包。界面部分主要使用 JS、CSS 和 HTML，表现力出色；后端采用 Rust，能高效地与系统底层交互。开发过程支持热更新，效率很高。这是整体的技术背景。

要对代码进行重构，必须先摸清具体哪些文件最臃肿。

因此，我们的对话是这样开始的：

当前代码中有哪些文件代码行数特别多？有没有做一下优化的必要性？

得到的结果清晰显示，main.js 已经达到 9338 行，几乎触及万行大关，内部还塞进了将近 400 个函数。

接下来就是进一步拆解它的内部构成。

main.js 的内部结构

它本质上是一个纯脚本文件，没有使用 import 或模块化机制，全靠 30 个 // ==== 注释来人工分段。

体积最大的几个部分包括：

7 月 21 日，Kimi K3 在 Design Arena 的 3D 设计排行榜上以 Elo 1450 强势登顶。同一天，它在独立研究机构 Epoch AI 发布的能力指数（ECI）中拿下 156 分，刷新了开源权重模型的纪录。这是开源大模型第一次在多个主流国际基准上同时占据领先位置。下方是 K3 的具体成绩、能力边界以及月之暗面的开源路线图。

PERSPECTIVE

开源模型终于坐上了主桌。

01

两项榜单，一个结论

Design Arena 的 3D 设计榜上，Kimi K3 以 Elo 1450 名列第一。相比前代 K2.6，分数大幅跃升 108 分，排名从第七径直跳到榜首。

第二名是 Anthropic 的 Claude Fable 5，Elo 1368，被甩开 82 分。智谱的 GLM 5.2 以 Elo 1363 位列第三，差距为 87 分。

同日发布的 Epoch AI 能力指数中，K3 斩获 156 分，不仅创下开源权重新高，更一举切入闭源模型的传统腹地——介于 Anthropic Opus 4.6 与 OpenAI GPT 5.4 之间，并略微高出 GPT 5.6 Luna。

这个周末，随着 Kimi K3 的发布，海外 X 平台对这款模型的讨论热度飙升。以下是它的核心亮点：

① 总参数量达到 2.8 万亿，成为当前最大的开源模型，支持 100 万 Token 上下文，并原生具备视觉理解能力。

② 采用 MoE 混合专家架构，总共有 896 个专家，但每次推理仅激活其中的 16 个。这种设计让推理成本极具竞争力，用户形容是“用 Sonnet 的价格完成 Opus 级别的任务”。

③ 前端编程能力拔尖，生成的作品效果惊艳，已被广泛认为是目前这方面最强的模型。

④ 在多项内部评测中，除了最强的闭源模型 Claude Fable 5 和 GPT-5.6 Sol，Kimi K3 稳定超越其他所有对手。

⑤ 它是一个长程编程模型，能够在很少人工监督的情况下持续完成工程任务，包括浏览大型代码库、调用终端工具，并根据测试结果反复迭代优化。

它的前端效果太惊艳了，在评估前端编程能力的 Fronted Code Arena 榜单上直接登顶。

比第二名 Fable 5 高出整整 48 分。

正是因为这几乎拉满的前端编程实力，X 上现在到处都是展示 Kimi K3 杰作的帖子。

下面这个合集汇总了一批用 Kimi K3 完成的开发案例，可以先一睹为快。

已关注

Follow

Replay Share Like

Close

观看更多

更多

近期 Kimi K3 暂停了订阅服务，GLM 5.2 很难抢到，海外模型又面临封号风险——但选择远不止这些。我最近就在试用 Mind Lab 刚刚推出的 Macaron V1，一款专为个人 Agent 场景设计的开源模型。

新模型一发布，大家通常先看排行榜、价格和参数量，而我更关心它真实的编程与 Agent 能力。Mind Lab 把这条技术路线总结为“适应”与“协作”：先通过 LoRA 为不同能力留出相对独立的训练空间，再用强化学习持续优化，最后由基础设施和 Harness 将这些能力输送到真实任务中。Macaron V1 值得一聊的地方，正在于这几个环节已经串联成一套可以实战的模型系统。

这样讲可能还有点抽象。简单来说，Macaron V1 是心洲科技旗下 Mind Lab 面向个人 Agent 场景发布的开源模型，包含 Venti 与 Tall 两个版本：

Venti 共 748B 参数，由 744B 基础模型和四个 1B LoRA 组成，基座采用 GLM-5.2，原生支持 2M 上下文； Tall 为 35B，基于 Qwen3.6 进行后训练，面向本地部署。

一个大版本偏重前沿能力，一个小版本适合本地运行，在 Mac 上就能跑。参数规模大家都看得懂，但 Venti 真正值得关注的，是 744B 基座之外的那四个 LoRA。它们决定了 Macaron V1 如何组织不同能力，也引出了一个核心问题：为什么要将能力拆开训练，又怎样避免它们互相干扰？要回答这个问题，得先从 LoRA 说起。

1

LoRA 是 Low-Rank Adaptation 的缩写，中文通常译为“低秩适配”。

七块巨型岩石安放在马斯河南岸，堆叠的缝隙间生长出露台、洞穴，以及人与动物共用的栖息地。MVRDV 为鹿特丹社会企业 Shift 赢得了该项竞赛，方案定名为 Rotterdam Rocks!。项目总预算 2.4 亿欧元，建筑面积约 30000 平方米，选址于南岸 Waterkant 区。巨石之间的空隙形成露台和通廊，内部挖掘出的洞穴充当展厅，而立面预留的“口袋”则用来容纳土壤、水体和动物。评审 Aric Chen 与 Ben van Berkel 称这一方案“大胆而有力”。同场竞争的还有 Heatherwick Studio 与 Mecanoo，以及 Office for Political Innovation 和 Ecosistema Urbano。

Rotterdam Rocks! 整体外观：七块巨石沿马斯河南岸依次堆叠，间隙中透出露台与通廊。

岩石堆叠：在缝隙中直接分配空间

Rotterdam Rocks! 的形体逻辑源自堆积动作。七块尺度巨大的岩石顺河岸排开，彼此错动并留出缝隙。这些缝隙自然地转化为露台、通廊和采光口。
从剖面来看，每块岩石的倾斜角度直接规定了下方空间的净高与进深。缝隙的宽窄也各有意图——有的供人穿行，有的仅用作通风和引入自然光。形体构成与空间分配在这里被合并为同一个生成步骤。
Winy Maas 提到，设计的起点是“扩展任务书”。团队将碳排放、人的活动空间、树木、水体、空气和动物栖息地一并写入同一份清单，再借助孔隙率的控制，将这份复杂的需求压入一个紧凑的整体体量之中。

从河岸方向观察七块巨石的堆叠关系：错动带来的露台和阴影区域清晰可见。

洞穴展厅：从实体内部挖出沉浸式容器

30000 平方米的功能组合包括沉浸式展厅、拥有 200 间客房的酒店、会议中心、植物基餐厅和活动空间。所有这些功能被挤进七块岩石内部的“洞穴”里。
“洞穴”并非简单的比喻。展厅完全被岩石体量包裹，没有传统的玻璃幕墙和窗户。参观者一旦进入其间，外部参照随之消失，仅剩下展陈内容本身。以往的美术馆用墙面围合出中性空间，而洞穴型展厅则反过来，从实体中挖出空腔。
动线被组织为三类。两条位于岩石内部，以不同的速度引导观展；第三条名为 The Elysium，沿着建筑表皮展开，作为室外展区和观景平台。三条路径使得同一座建筑能够被体验为三种完全不同的节奏。

内部洞穴展厅：岩石体量完全包裹展陈空间，去除了传统幕墙。

立面口袋：让围护结构长成栖息地

外墙预先设置了一系列“口袋”，用以容纳土壤、水分、植物和动物。于是立面不再只是一道气候屏障，而是转化为一种生态基础设施。
Shift 官网显示，建筑计划于 2032 年开幕。这场竞赛由 Shift 联合文化机构 DVDL 在 2025 年发起，主题定为“新世界奇迹”，要求参赛者以一座地标性建筑激励公众应对气候和生物多样性危机。
建筑材料目前尚未公开，但 Shift 明确提出需要展示低碳建造的最新技术。结构选型、模板体系以及立面口袋的长期耐久性仍在验证当中。这一项目的可迁移价值，在于把生态指标直接嵌入形体生成逻辑，而造型本身则无法复制。

Humation 是一款开源的、手绘风格的可可爱爱头像生成引擎，专门为应用程序提供统一且稳定的用户头像解决方案。它最突出的优势是：无需接入任何 AI 模型，也无需调用外部 API，整个生成过程完全在本地完成，并且具备确定性的输出结果。

核心特性

• • 确定性生成：只要输入相同种子（比如用户 ID、邮箱），每次都会渲染出完全一样的头像。
• • 手绘插画风格：所有头像都保持统一的 kawaii 插画风格，避免应用内头像风格混乱。
• • 完全本地运行：不依赖网络请求，渲染全部在本地进行。
• • MIT 开源协议：代码及素材均以 MIT 许可证开放，可自由集成和二次开发。

在线 Demo：
https://humation.app/avatar

部署方式

使用 Docker Compose 进行部署

services:  
  humation-avatar:  
    image: heizicao/humation-avatar:latest  
    container_name: humation-avatar  
    ports:  
      - 8080:80  
    restart: always

使用说明

在浏览器中访问 http://你的NAS_IP:8080 即可看到操作界面。

这个部署版本的前端页面借助 AI 辅助开发完成，整体效果如下：

可以选择不同的裤子、衣服、发型、装饰以及眼镜等元素。

继续往下滑动，还可以对颜色进行细致的自定义调节。

页面底部也提供了部分已经生成好的头像，可以直接选用。

尝试多次输入同一个字符串，可以看到生成的头像完全一致——这正是 Humation 的核心亮点：基于种子的确定性生成，同一个种子永远输出同一个头像。

完成设置后，就可以进行下载，支持导出 SVG、PNG 等多种文件格式。

小结

本次部署的 Humation 是由二次开发得到的静态前端页面（不含 API 接口），仅仅作为一个示例。对于开发者来说，如果项目需要填充默认头像素材，就可以类似地引用 Humation 来生成头像。Humation 是一款手绘风格头像生成引擎，最大的卖点在于确定性——同一字符串永远生成同一头像，不需要 AI，不需要任何 API，完全由本地渲染完成。

WordPress 是全球最流行的开源内容管理系统（CMS），使命是“让出版民主化”，让任何人都能自由地创作和分享内容。

安装步骤

使用 Docker Compose 可以轻松启动服务。将下面的配置保存为 docker-compose.yml：

services:
  wordpress:
    image: wordpress:latest
    container_name: wordpress
    ports:
      - 8080:80
    environment:
      - WORDPRESS_DB_HOST=db
      - WORDPRESS_DB_USER=exampleuser
      - WORDPRESS_DB_PASSWORD=examplepass
      - WORDPRESS_DB_NAME=exampledb
    volumes:
      - ./data:/var/www/html
    restart: always

  db:
    image: mysql:8.0
    container_name: wordpress-db
    environment:
      - MYSQL_DATABASE=exampledb
      - MYSQL_USER=exampleuser
      - MYSQL_PASSWORD=examplepass
      - MYSQL_RANDOM_ROOT_PASSWORD='1'
    volumes:
      - ./db:/var/lib/mysql
    restart: always

环境变量说明（详细参数可查阅 WordPress 和 MySQL 官方文档）：

• WORDPRESS_DB_HOST：数据库服务地址，这里填写容器名 db。
• WORDPRESS_DB_USER：数据库用户名。
• WORDPRESS_DB_PASSWORD：数据库密码。
• WORDPRESS_DB_NAME：WordPress 使用的数据库名称。
• MYSQL_DATABASE：MySQL 容器启动时自动创建的数据库。
• MYSQL_USER：MySQL 容器自动创建的用户。
• MYSQL_PASSWORD：该用户的密码。
• MYSQL_RANDOM_ROOT_PASSWORD：设置为 '1' 则自动生成 root 密码，并写入日志。

使用指南

在浏览器中访问 http://NAS的IP:8080，即可看到 WordPress 安装界面。

FreeCut 是一款完全在浏览器中运行的专业视频编辑器，无需安装任何软件，打开页面即可开始工作。它集成了多轨剪辑、关键帧动画、实时预览和高品质导出等核心能力，所有项目与素材都保存在你的本地磁盘，绝不经过远程服务器。

✨ 功能亮点

• 零安装：所有操作均运行在浏览器内，无需上传文件，媒体和项目数据始终保留在本地。
• 多轨编辑：支持视频、音频、文字、图片、形状、Lottie 动画等多种素材，提供分割、拼接、滑动、波纹编辑等完整剪辑工具。
• 实时预览：借助 WebGPU 与 WebCodecs 实现高效实时回放，支持逐帧精准预览和多视窗编辑。
• 特效与合成：内置模糊、色彩校正、失真、风格化、色键抠像等丰富视觉效果，并提供 25 种混合模式。
• 关键帧动画：具备贝塞尔曲线编辑器、缓动预设、文字动画和自动关键帧模式，动画创作更灵活。
• AI 能力：所有智能处理均在浏览器本地完成——自动转录、字幕生成、场景检测、文字转语音和音乐生成，无需将数据传到云端。
• 导出格式：支持导出为 MP4、WebM、MOV、MKV 容器，可使用 H.264、H.265、VP9、AV1 等编码，音频可导出 MP3、AAC、WAV。

在线 Demo：
https://www.freecut.net/

🚀 快速部署

使用 Docker Compose 部署：

services:  
  freecut:  
    image: heizicao/freecut:latest  
    container_name: freecut  
    ports:  
      - 8080:80  
    restart: always

部署完成后，在浏览器访问 http://NAS的IP:8080 就能看到主界面。

点击“开始使用”即可进入编辑器。

注意：FreeCut 需要调用浏览器的底层 API，因此必须在 HTTPS 环境下运行，否则功能无法正常工作。

推荐通过 TLS 反向代理或使用 Lucky 工具将 HTTP 转为 HTTPS，具体步骤可参考相关教程。

📖 使用指南

点击“选择文件夹”，在本地新建一个空目录作为项目工作区。

如果已经有项目，可以直接导入；这里我们新建一个项目。

填写项目名称并选择分辨率，即可创建项目。

如果你经常写公众号、知乎文章、产品教程，大概率会为排版这件小事反复烦恼：

文章写完后，总要在后台人工排版。直接粘贴 Word 或 Markdown 内容到公众号编辑器，经常出现格式错乱、代码块显示难看、图片难以处理等问题。直接上传文档又有严格的文件大小限制，体验实在不友好。

今天分享一个我已经用了一段时间、特别适合内容创作者的小工具——doocs/md，它是一款微信 Markdown 编辑器。下面是我将 Markdown 文件一键导入后的效果展示。

项目介绍

项目名为 doocs/md，能够将 Markdown 文档即时渲染成微信图文，从此告别公众号排版困扰。只要掌握基本的 Markdown 语法，就能生成样式简洁、观感大方的微信图文。

适合以下场景

• • 写公众号文章
• • 写产品教程
• • 写 Docker 部署教程
• • 写技术文档
• • 写包含代码块、表格、图片的图文内容
• • 将 Markdown 内容快速转换成适合公众号粘贴的格式

它支持标准 Markdown 语法，同时提供代码块高亮、主题样式调整、图片上传、内容导入导出等能力。对于经常产出技术类内容的人而言，用它排版比直接在公众号后台编辑舒服很多。

项目特性

• • 支持标准 Markdown 语法及数学公式（KaTeX）
• • 支持 Mermaid 图表、PlantUML、GFM 警告块
• • 支持 Ruby 注音扩展，格式兼容[文字]{注音}与[文字]^(注音)
• • 代码块提供多种高亮主题，可自定义主题色与 CSS 样式
• • 内置本地草稿管理，支持内容自动保存
• • 登录账户后可同步编辑器偏好（云同步说明）
• • 支持多种图床（GitHub、阿里云、腾讯云、七牛云、MinIO、S3、Cloudflare R2 等）
• • 支持文件导入与导出
• • 集成主流 AI 模型（DeepSeek、OpenAI、通义千问、腾讯混元、火山方舟、302.AI 等），辅助内容创作

部署流程