今是昨非的博客

CodeBuddy 支持通过 models.json 配置自定义模型，这让我们可以接入 OpenAI Compatible 接口、代理服务、本地模型或其他第三方模型服务。 但手写 JSON 有几个明显的问题：字段多、容易写错、API Key 不适合频繁复制粘贴、availableModels 的语义也容易误解。于是我做了一个小工具：CodeBuddy Models Manager，用一个本地可视化界面来管理 CodeBuddy 的模型配置。 它解决什么问题如果你已经在本地配置了： 1~/.codebuddy/models.json 工具启动后会直接读取这个文件，并把已有模型展示到列表里。它不会在启动时覆盖你的配置，也不会在刷新页面时改写文件。只有你点击“保存配置”时，才会写回 models.json。 写回之前，工具还会自动创建备份，避免误操作导致配置丢失。 核心功能 查看现有模型列表 搜索模型 ID、名称或供应商 添加新模型 删除模型 修改模型字段 刷新并重新读取本地配置 管理 availableModels API Key 默认掩码显示 未修改 API Key 时自动...

UnifySkillManager一个统一的 AI 编程工具 Skill / Rule Manager现在不同 AI 编程工具都开始有自己的配置体系。 Codex 有 Skills，Claude 有用户级和项目级指令，Cursor 有 Rules，CodeBuddy 也有自己的 Skill 目录结构。它们解决的问题很相似：把可复用的工作流、规范、偏好和上下文保存下来，让 AI 在之后的任务里能稳定遵守。 但麻烦也随之出现了：每个工具的存储路径、文件格式、命名方式、全局配置和项目配置规则都不太一样。Skill 和 Rule 写起来不难，真正烦的是记住它们应该放到哪里。 UnifySkillManager 就是为了解决这个问题做的一个本地 Web 工具：把 Skill 和 Rule 统一存放在一个 Markdown-first 的本地库里，然后按需同步到 Codex、Claude、Cursor、CodeBuddy 等工具。 问题从哪里来现在很多 AI 编程工具都支持某种形式的可复用指令： Skill：适合保存可重复执行的工作流 Rule：适合保存编码规范、行为约束和团队约定...

背景期望是，AI 开发完一个功能，这个需求完成的很好；但是事实是，Ai 开发完一个功能，需要运行检测，然后修改，功能完成后，先提交（保证功能没问题）。然后再手动触发 CodeReview，优化代码；然后再确认功能没问题。然后再触发 边界和影响范围分析的 Skill，生成分析报告。在 AI 开发完一个功能之后，自动触发 CodeView 和 边界和影响范围分析的 Skill。 维护 两个 APP的感受：理想情况是：实现了一个之后，另一个 Prompt 直接复用即可。在一个遇到的问题，第二个上面完全能避免。实际情况是：由于代码实现的不同（比如组件封装、颜色、类名、方法名），必须微调 Prompt 才能使用；确实第一个上面的问题都避免了，但是难免会遇到不一样的问题。 理想情况是：1+1 = 1实际情况是：1+1 = 1.5；减少了写代码的时间，但是验证效果，调试，修改问题的时间还必不可少。并且会出现 AI 排查不到问题的情况，这时候就必须人工排查，分析原因，然后把思路告诉它，让 AI 顺着这个思路分析才能解决（比如排查播放器界面返回后性能埋点统计时长不对的问题，现象很明显，但是AI...

背景我突然想到一个有意思事情，平时我们都是让AI怎么变得像人，能不能让人变得像AI一样？ 使用 AI 前，都会先设置一些规则，作为 AI 必须遵循的基础。那作为人类自己是否也设立了基本的规则，也就是原则，不允许做什么，允许做什么，如何回答之类的。 使用 AI 时，都会知道 token 很重要，不能浪费 token。那作为人类，如果把想法类比为 Prompt 的处理，那么精力就是 token。所以胡思乱想，或者为小事浪费想法，岂不是很浪费 token，把精力耗没了怎么办？ 再者，我们都知道，AI 是如何提升的，通过大量的数据训练；那作为人类，如果想要成为某一方面的专家，是否也可以通过大量的数据训练，来提升自己成为专家的能力呢？比如你想让 AI 成为一个写作高手，会让喂给 AI 大量的文章数据和写作技巧，同理，如果你想成为一个写作高手，和 AI 一样，学大量的数据和写作技巧就行。 接上一条，如果 AI 能够通过训练成为某方面的专家，那这方面的专家还有没有意义？我们应该做的是做 AI 做不了的事情，“这里需要强调一点，永远永远不要让 AI 替你做决策，可以让它提建议，但是做决策...

背景昨天看codebuddy cli的文档时，看到了使用 Git Worktrees 运行并行 CodeBuddy Code 会话，我还没使用git worktree，决定了解一下这个功能。 什么是 Git Worktree？—— 给你的项目多开几张“办公桌”​在传统的 Git 工作流中，一个仓库（Repository）通常对应一个工作目录（Working Directory）。这意味着如果你想切换任务，就必须在同一个文件夹里切来切去。Git Worktree 的出现打破了这种“单线程”限制。它允许你在同一个仓库下，同时开启多个物理上的工作目录。如果把你的项目比作一个办公室，传统的开发模式是只有一张办公桌，换任务就得清理桌面。而 Git Worktree 则是为你多开了几张办公桌，每张桌子上都摆着同一个项目的不同分支，但它们共用同一个“档案柜”（即.git文件夹）。你在任何一张桌子上提交的代码，档案柜都会实时同步。 如何使用 Git Worktree？—— 三行命令搞定任务分身掌握 Worktree 并不复杂，你只需要记住这三个核心动作： 1. 开辟新战场：添加工作树假设你正...

背景今天听雪球《厚雪长波》卓哥这期，听到了一个观点，深感认同。 我自己的个人工作能力没有办法做大蛋糕，无论多努力我是做不大蛋糕的；那咋办呢，不但做不大蛋糕，我的蛋糕还被人切走了。科技在不断发展，它不断切我的蛋糕。 怎么说呢，一直没有想过这个问题，或者说一直在逃避这个问题。比如身为普通程序员，明知道有 35 岁的限制，但是还埋头装鸵鸟，假装看不到。 我们大部分普通老百姓收入来源和工作有很大的关系，要静态的评估下工作能不能产生更大的蛋糕了？ 科技在发展，AI 在不断进步，所以认真问下自己： 你觉得 AI 多久可以替代你？ 你觉得“努力工作”能让 AI 不替代你吗？能让老板不替代你吗？ 你觉得你的工作能力有没有办法做大蛋糕，比如期权、升职加薪？ 如果没有了工作，如何保障自己和家人的生活？ 我想了一下，我觉得我和他的答案一致： 我自己的个人工作能力没有办法做大蛋糕，无论多努力我是做不大蛋糕的；那咋办呢，不但做不大蛋糕，我的蛋糕还被人切走了。科技在不断发展，它不断切我的蛋糕。现在不是通过工作努力来改变人生，因为科技发展越来越多的工作被替代无可避免； 所以副业也好、自媒体...

如何构建自己的知识库——第一步背景我在研究 ima.copilot 时，萌生了几个问题？ ima.copilot是什么，是用来做什么的？ 知识库里应该存储哪些内容？ 问知识库和问AI（比如豆包、元宝）的区别是什么？ 知识库能做自动化操作吗？ 其实重要的问题只有两个： 有了 AI 为什么还要知识库？ 知识库里应该存储哪些内容？ 先来看第一个问题，有了 AI 为什么还要知识库？ 对比维度 问知识库 (如 ima.copilot)​ 问AI (如 豆包、元宝)​ 核心逻辑​ 检索：在你上传的资料里找答案 生成：基于AI训练的通用知识来编答案 信息来源​ 你上传的文档、网页、笔记（私有、可控） 互联网公开数据（公开、不可控） 答案特点​ 精准、可溯源：答案来自原文，会标注出处 通用、流畅：语言通顺，但可能“一本正经胡说八道” 适用场景​ 查合同条款、找项目资料、分析私有数据 写文案、学新知识、头脑风暴、闲聊 AI（大模型）：它像是一个博学但健忘的教授。它的大脑里装满了训练时学到的海量知识，但它无法记住你给它的具体文件。你问它问题，它只能凭记忆和逻...

一、系统背景 iOS 对「安全输入」相关视图（例如开启安全输入的文本框及其内部系统私有子视图）在截屏与录屏时会自动排除，这些视图不会出现在截图或录屏画面中。 项目利用这一机制，将整屏应用内容放入系统认定的「安全视图」层级内，从而实现防截屏/防录屏下的内容保护。 二、实现原理概览2.1 安全容器从何而来 使用一个透明的、开启安全输入的文本框（系统会为其创建内部私有子视图用于安全渲染）。 取该文本框的第一个子视图（即系统为安全输入创建的内容视图）作为「安全容器」。 将该安全容器从文本框上移除并清空其原有子视图，再作为窗口的唯一直接子视图添加到窗口上，设全屏 frame 与自动布局，使窗口的直接子视图只有一个：安全容器本身。 示意代码（Swift）： 12345678910111213// 安全窗口内：构建安全容器并挂到窗口上private func setupSecureContainer() { let textField = SecureOverlayTextField(frame: .zero) // 透明、isSecureTextEntry = ...

背景看到腾讯云的征文，想到自己虽然搭了一个OpenClaw，但是搭建之后就在吃灰，恰好趁着这个机会，好好思考一下，怎么把OpenClaw用起来。 搭建OpenClaw很简单，难的是你用它来做什么？ 安装OpenClaw点击 Codebuddy送的服务器，选择重装系统，如下图： 点击第一个使用应用模版，选择 AI 智能体，选中 OpenClaw，如下图: 然后再次点击服务器，点击服务器，然后选择应用管理，在底部新增模型，混元和通义都有免费的额度，可以尝试，如下图： 选中一个点击应用，等状态变为使用中，就可以了，然后配置 OpenClaw的 channel， 问题注意：这个国内的服务器，连不了 Telegram 的机器人。试了好久，发现是服务器国内的问题。。。 总结参考 🔥🔥🔥玩转OpenClaw｜云上OpenClaw(Clawdbot)一键秒级部署指南

背景现有的 APP 中广告 SDK 由于某些原因又被封的风险，所以需要紧急切换一个平台，从 AppLovin 切换到 TopOn。按照经验，需要做的事情是：找出现有项目中原 SDK 的使用，然后删除，然后替换为新 SDK，然后重新编译，然后测试SDK的功能。整个流程预估要 3、4 天不过分吧。但是通过 AI 半天解决了，下面分享一下是如何实现的。 实现第一步首先分析问题，目标是切换广告 SDK，AppLovin 切换到 TopOn；所以第一步我让 AI： 分析下项目中涉及到AppLovin的代码，分析下是如何使用的，如果要切换为其他 SDK，给出步骤和建议 由于项目中使用 AppLovin 的激励视频、横幅、插屏这三类，使用的地方也散落在项目中各个地方，所以AI会给出必须改动的具体文件和内容。 AI 回复中的广告层抽象，让我想起来之前看 Flutter 架构时，看到过的Service 层封装，对外暴露统一的Service，Service的内部可以是本地 Mock 数据、数据库、网络请求数据，这样做的好处就是，业务调用的地方统一，不需要每次都修改调用的地方，只需要封装好内...