Wechat Mediapress

今天我用 AI Agent 写了第一篇博客。结果令人惊喜： Google Blogger API 通过浏览器完美整套发布！ 以后写博客就方便多了！ 原文： 白墨客栈

原文链接： Taste-Skill：用GPT图像+Codex分析，让AI生成的网站告别"模板味" 作者：有意思的github项目 | 微信公众号 🌟星标+👆关注，带给你更多有意思的github项目 直接用 GPT Image 2 先生成高质量设计图，再让 Codex 分析图像、精准还原代码，这种"生成图片，Codex 分析，Codex 构建网站"的流程，能让 AI 生成的网站瞬间从"模板味"变成"产品级"。 这个完整高效的工作流，被完美封装成了一个开源神器 —— Taste-Skill。这个项目彻底解决了 AI 生成前端界面品位不足、视觉平庸的问题，让你用几句话就能做出布局高级、排版舒服、细节精致的网页。 GitHub 仓库：https://github.com/Leonxlnx/taste-skill 这篇文章我会按以下顺序来介绍： 使用效果：先看它生成出来的页面到底怎么样。 核心优势：再看它为什么能解决 AI 前端的"模板味"。 Skills 一览：接着介绍一下仓库里的技能包 安装使用教程：最后给出安装命令和关键提示词。 使用效果 官方给出的效果图很棒 我用它生成了一个猫咖网站，出来的效果确实比普通一句话生成的网站舒服不少：页面更有层次，视觉更统一，也更像一个真实品牌页面，而不是临时拼出来的 Demo👍 核心优势 传统用法里，你可能会直接对 Codex 说： 给我做一个干净的猫咖网站。 Codex 往往能做出来。页面能打开，布局也完整，按钮、标题、图片区域都有。但问题是，它大概率看起来像"AI 默认模板"：能用，但不够有质感。 Taste-Skill 的新玩法，是把流程拆成三步： 先用 GPT Image 2 生成专业级网站设计图。 再让 Codex 仔细分析图像里的布局、字体、间距、配色和交互。 最后输出 HTML、CSS、JS，或者适配 React、Vue、Svelte 等框架。 这套流程的价值在于： 页面不再完全依赖文字提示词想象。 视觉目标更明确，减少"模板味"。 布局、排版、色彩这些细节更容易被保留下来。 最终...

原文链接： TradingView MCP：让 Claude 直接操作你的交易图表 大多数人的交易研究流程，还是手动切换窗口 打开 TradingView，看 K 线，切到 Claude 问问题，再切回 TradingView 调指标，再切回来写 Pine Script。 一个早上下来，图表没研究透，窗口倒开了二十个。 有没有一种方式，让 AI 直接看到你的图表、操作你的图表、甚至帮你写 Pine Script？ GitHub 上最近有个项目火了：tradingview-mcp。它把 Claude Code 和你的本地 TradingView Desktop 连在了一起，通过 Chrome DevTools Protocol 让 AI 能读图表、写脚本、画趋势线、设提醒。 不是交易机器人，是一个让 LLM 能「看懂」你的交易界面的接口层。 核心原理：不是破解，是调试接口 这个项目不连接 TradingView 的服务器，不修改任何文件，不拦截网络流量。 它用的是 Chrome DevTools Protocol（CDP）——一个所有 Chromium/Electron 应用内置的标准调试接口。VS Code、Slack、Discord 都用这个接口。 调试端口默认是关闭的，需要你主动开启： /path/to/TradingView --remote-debugging-port=9222 不主动开这个端口，什么都不会发生。 数据全部在你本地处理，不传送到任何外部服务器。 架构：Claude Code ↔ MCP Server ↔ CDP ↔ TradingView Desktop Claude Code ←→ MCP Server (stdio) ←→ CDP (9222) ←→ TradingView Desktop 传输层：MCP over stdio，78 个工具 + CLI 30 条命令 连接层：Chrome DevTools Protocol，localhost:9222 流式层：轮询+差异对比，JSONL 输出到 stdout 依赖：只需要 @modelcontextprotocol/sdk 和 chrome-remote-interface 78 个工具，能做什么...

原文链接： 50岁时，芒格的股票惨遭腰斩，16年后才回本 作者：孤独大脑 | 微信公众号 50岁时，芒格的股票惨遭腰斩，16年后才回本 你只看到芒格的睿智与财富，却可能不知道，他在50岁时曾遭遇了人生中最黑暗的低谷。 而他爬出这个泥潭，用了整整16年。 1973年股灾之前，芒格实现了年化高达 22% 的惊人回报率。随后美股崩盘，他的合伙企业跌了53%。而他个人使用了杠杆，净资产跌幅更大。 那年的一个寒冷冬夜，芒格面容憔悴地开车回家。路过一个加油站时，他看到一个身穿油污制服、神情疲惫但内心平静的中年男子在给汽车加油。 那一刻，芒格陷入了极大的精神危机。他摇下车窗看着那个人，内心自问： "如果我当年继续当个老老实实的律师，不去碰什么投资，生活是不是会比现在好得多？" 在那个瞬间，芒格曾无限接近放弃。 1975年，市场迎来强劲反弹，芒格的合伙企业大涨 73.2%。 然而，资产跌去53%后，需要上涨113%才能回本。因此，即便1975年暴涨了73.2%，资产也只恢复到了原先的80%。而他个人的财富更是离回本儿很远。 芒格做出了一个痛苦决定：承认失败，清算合伙企业。 他告诉自己：我会从头开始，但我不会放弃投资，因为我相信我能做得更好。 随后，整整花了16年，芒格才回到崩盘前的财富高点。 当然，用"回本"这个词，显然是错的。 一个人一旦迫切想要快速"回本"，就会瞬间沦为赌徒。 低谷中的芒格，没有去进行高风险的短线投机来"快点回本"，而是彻底重构了自己的投资系统： 和最厉害的人在一起：1978年，他正式出任伯克希尔的副董事长，与巴菲特正式合体，并将大部分资产换成了伯克希尔的股票。 戒掉负债与致命杠杆：经历过断崖的芒格深刻意识到，只要复利的时间足够长，根本不需要杠杆。 从"买便宜货"转向"买伟大企业"：他成功说服了巴菲特放弃格雷厄姆式的"烟蒂股"投资法，转而用合理的价格去购买伟大企业。 这段岁月，与其说是芒格沉沦的16年，不如说是他重塑自我的16年。 所以，当1990年芒格的财富重回高点时，绝非简单回本，而是构筑了一个坚不可摧的复利机器，并迎来...

原文链接： 如何用 Codex 在 1 小时内快速了解陌生行业 作者：aron厚玉 | 微信公众号 很多人高估了信息的重要性 但低估了结构的重要性 今天这个时代，从来不缺信息 缺的是： 你能不能把零散的信息，整理成一个完整的行业认知体系。 很多人进入一个新行业的时候是这样的： Google 搜索 百度搜索 看知乎 看公众号 看几篇行业报告 看了三天。 最后收藏夹多了 200 个链接。 脑子还是一团浆糊。 不知道行业头部玩家是谁。 不知道谁赚钱。 不知道产业链长什么样。 不知道机会在哪里。 以前这件事情可能需要一个研究员做几周。 但现在，你完全可以让 Codex 成为自己的行业研究员。 我现在进入一个新行业，基本都会先做下面这几个动作。 预先准备两个软件： Codex obdisain 第一步：先让 Codex 建立行业数据库 大部分人使用 AI 的方式是： 问一个问题。 得到一个答案。 然后结束。 例如： 美国减肥补充剂行业怎么样？ 帮我搜索一下美国减肥补充剂的行情 AI 给你一篇几千字的分析。 你看完以后。 很爽。 但三天以后基本忘光了。 因为得到的只是信息，而这些信息，我们只用人脑来记忆，而没有把他存放起来。 我现在更喜欢让 Codex 帮我建立一个行业数据库。 例如： 我要研究美国减肥补充剂行业。 第一步不是研究产品。 而是建立行业结构。 我会直接告诉 Codex： 帮我建立一个美国减肥补充剂行业数据库。 输出完整目录结构。 并为每个目录创建Markdown文件。 所有内容适合导入Obsidian。 例如： Weight-Loss-Supplement-Industry │ ├── Brands ├── Products ├── Keywords ├── Communities ├── Influencers ├── Competitors ├── Business-Models ├── Supply-Chain ├── Regulations ├── Trends └── Opportunities 这时候是在做一个大的，行业数据库的信息检索目录。 品牌数据库 让 Codex 统计： 整理美国减肥补充剂行业Top100品牌...

让我先快速对他们的情况做一个梳理概览： 名字、定位、核心解决的问题、年收入规模、以及主要产品是什么。 他们其中包括知识付费，独立开发者等。 *排名不分先后顺序 如果你愿意可以直接在X上搜索他们的名字，来快速找到他们的社交账号，进一步深入认识他们。 之所以深入研究他们，不仅是他们在一人公司道路上取得的成绩，更重要的是他们大都很慷慨的分享他们自身的经历，供后来者学习。 此外，虽然商业的底层都有相通之处，但是在自己实践当中又发现不能完全照搬传统的商业逻辑， 而是要进行因地制宜， 深入分析这些人，就能发现一人公司的一些共通的商业逻辑。 我发现，市场才是最好的老师，在市场里摸爬滚打的前辈就是最好的模仿对象。 而且我发现，全球顶尖的一人公司之间都有这样那样互惠互利的情况存在， 这也是我认为未来的一大趋势，个人极简的情况下保持与不同的人弱链接关系，形成一个有机的互惠互利网络。 构成一人公司闭环的核心，我认为只有两块：产品、销售。 构建产品，然后销售出去，在这之上，需要管理个人心力状态、做事的节奏、准则等等。 稻盛和夫在活法里分享到：心想事成”是宇宙的法则。 而一人公司的本质我认为就是自我的修行，解决了自己的问题，外部自然而然就会取得逐步增长的结果。 这在他们身上都有强烈的体现，我会在后面进行分享，首先，我从销售（流量获客）、产品构建开始， 在流量获客方面的共通经验： 这一部分放在第一，是因为作为一人公司应该尽早开始在社交媒体上构建自己的声音， 产品的构建核心是要基于需求，而需求只能从用户中来，而发声，是捕捉潜在用户的关键， Justin Welsh分享说我先开始发出“噪音”，感受市场给我的反馈，在“噪音”里面寻找信号，然后基于信号深入挖掘下去，也是同样的点。 1. 公开构建（building in public)，建立长期价值资产：信任 Pieter Levels、Marc Lou、Justin Welsh都采用了这一策略： - 分享收入数据 - 分享失败经历 - 分享开发过程 - 分享决策逻辑 本质上都是在做一件事：建立信任。 没有信任，就没有销售。信任的建立需要持续、真实、有价值的内容输出。 他们基本都构建起了相似的流量漏斗： 公域引流 → 私域留存 → 产品转化 Newsletter/邮件列表的私域平台可以理解为微信公众号、微信好友/朋友圈。 2. 在持续输出之下，是内容创...

OpenClaw+Last30days 全自动找付费 SaaS 需求 不用蹲论坛、不用刷社交平台，一键爬取全球用户真实抱怨、刚需痛点、高付费意愿需求，1-2 周就能落地一款小众赚钱微工具。 第一步：安装 Last30days 搜索技能 进入 OpenClaw 技能目录，直接克隆官方中文技能包 cd /root/.openclaw/workspace/skills git clone https://github.com/AIsa-team/agent-skills.git last30days-aisa-zh 技能名称：last30days-aisa-zh 支持全平台聚合搜索： Reddit、Hacker News（免费公开接口） X/Twitter、YouTube、TikTok、Instagram（AISA 接口聚合） GitHub、Polymarket 第二步：配置 AISA 专属 API Key AISA 作为全网跨平台搜索聚合层，统一整理多平台内容、清洗无效信息后返回精准结果。 前往官网 aisa.team 注册账号，最低套餐仅 5 美元 / 月 复制你的专属密钥，写入系统环境变量 echo 'export AISA_API_KEY=sk-你的key' >> ~/.bashrc source ~/.bashrc 3.验证密钥是否生效 export AISA_API_KEY=sk-你的key openclaw skills list | grep last30days 第三步：复制提示词，一键运行全网痛点搜索 直接复制下方模板发给 OpenClaw，也可以写入 AGENTS.md 设为 Agen他默认指令 我需要挖掘【你的领域】的用户痛点。 请用 last30days 技能，运行以下搜索策略： ### Category 1: 高频用户痛点（最高优先级） 关键词："spend hours" "takes too long" "so annoying" "hate doing" "manual process" 场景词：excel, shopify, notion, seo, ecommerce, pdf, AI tools, autom...

爬虫的都知道，最痛苦的不是获取数据，而是维护爬虫代码。 今天写的XPath，明天网站改版就失效。CSS选择器调了半天，一换页面结构全得重来。更头大的是动态渲染的页面，传统爬虫只能拿到一片空白HTML，根本抓不到真实内容。 写爬虫不难，维护爬虫才是噩梦。 一、ScrapeGraphAI 是什么 GitHub上有个叫 ScrapeGraphAI 的项目，Star数已经突破了 19k。 它的核心理念很简洁："You Only Scrape Once"（你只需要抓取一次）。简单来说，这是一个基于大语言模型的智能爬虫框架，让你用自然语言描述需求，AI自动帮你抓取数据。 不需要写复杂的CSS选择器，不需要调试XPath，甚至不需要分析网页结构。就像这样： prompt="提取页面上的产品名称、价格和评分" AI会自动理解网页结构，找出你要的数据，输出规整的JSON。 二、它能做什么 2.1 自然语言驱动——说人话就能写爬虫 这是ScrapeGraphAI最大的特色。 传统爬虫要这样写： • 分析网页DOM结构 • 找class名、id名 • 写CSS选择器或XPath • 处理各种异常情况 用ScrapeGraphAI只需要： • 直接说"提取文章标题和发布时间" • 直接说"抓取表格里的所有数据" • 直接说"获取产品图片链接" LLM会自动理解你的意图，在页面上找到对应元素。 2.2 自适应网页结构——改版也不怕 传统爬虫最怕网站改版。页面结构一变，之前写的选择器全失效，得重新分析、重新调试。 ScrapeGraphAI的做法是让AI实时理解页面结构。不管网站怎么改版，只要内容还在，AI就能找到它。这得益于底层LLM的语义理解能力——它看的是"这个元素是什么"，而不是"这个元素的class叫什么"。 2.3 五大功能模块——覆盖各种抓取场景 ScrapeGraphAI提供了五种不同的抓取模式： 模块 用途 场景 SmartScraperGraph 单页抓取 指定URL，提取结构化数据 SearchGraph 搜索抓取 从搜索引擎结果中自动抓取 SmartScraperMultiGraph 批量抓取 同时处理多个URL并合并结果 Spee...

Meta 摘要：学了很多却用不上？不是你笨，是你没找到那条主轴——3 步主线学习法，附联盟营销实战拆解。 凌晨 2 点，你的电脑屏幕还亮着。 收藏夹里静静地躺着几十个标着“干货必看”、“零基础精通”的教程视频。从联盟营销入门到进阶，再到各种“防封号避坑指南”——三天过去，笔记记了厚厚一本，但脑子里却越来越乱。当你关掉电脑躺在床上时，随之而来的不是充实感，而是深深的焦虑。 你不是不够努力。 你只是在一个没有主轴的森林里，每条小路都想走一走。 结果就是：学了很多，什么都用不上。 任何知识，都有一条“主轴” 01 “学习方法论”里最大的坑，不是你学得慢，是你根本没找到那条主线。 剥到最里层，每门学问都有一条“必须走完的最短路径”。 * 想学做菜——主线是“买菜 → 洗切 → 下锅 → 装盘”。 * 想学写作——主线是“想清楚 → 写出来 → 改清楚”。 主轴之外的所有内容，都是“可选装备”。 刀工精不精、调料贵不贵、排版好不好看——这些重不重要？ 重要。但绝对不是第一步。 90% 的人最终“学废”，都是因为在还没走完主线之前，就一头扎进了琳琅满目的“装备区”。 3 个核心动作 02 想要摆脱“收藏即学习”的死循环，你需要强迫自己执行以下 3 个动作： 第 1 步：定义主线——一句话说清“要做成什么” 不要定“我要精通联盟营销”这种虚无缥缈的目标。 你的主线必须是：“在 30 天内，跑通流程并赚到第一笔佣金（哪怕只有 1 块钱）。” 目标越具体，你的动作就不会变形。 第 2 步：设定边界——写下“现在不学什么” 这一步最反直觉，但也最致命。 你必须给自己列一张“不学清单”：SEO 算法机制、税务合规申报、顶级追踪工具（Tracker）的十种对比、高阶竞价算法…… 记住，不是永远不学，是现在、立刻、马上，不要碰它们。 第 3 步：跑完闭环——哪怕做得很烂，也要走完全程 学一点 → 立刻用 → 看结果 → 回来再学。 用最烂的装备，走完一次闭环，胜过你在新手村看 100 门高阶课。探索是主线之后的事，绝不是主线之前的事。 真实场景实战：联盟营销的“小明困境” 03 我们把这套方法放到联盟营销（Affiliate Marketing）里试一下。 联盟营销的主线极其简单，就一条：选品 → 搞流量 → 发内容 → 促转化 → 拿佣金。 我们来看看陷入“支线陷阱”的小明是怎么做的： 小...

Meta Alchemist 是一位专注于 AI 工程实践的技术博主，经常分享 Claude Code 的深度使用技巧。在这篇长文教程中，他详细拆解了如何通过 8 个步骤，将 Claude Code 从一个开箱即用的 CLI 工具改造成一个能自我学习、自动验证、持续进化的智能系统——就像给你的 AI 助手装上了一套免疫系统，让它每一次会话都变得更聪明。 AI 的未来，在于每一步都能自我进化。 智能体（Agent）正在学会自己进化自己。大量研究从各个维度论证了自进化系统（self-evolving system）的价值。 CLI 工具的未来，同样属于自进化。 那你的 Claude Code 为什么不能拥有一套自进化系统？ 如果你已经准备好给 Claude 装上新翅膀，让它从一个开箱即用的标准版本蜕变成一个会随着使用不断进化的系统——这篇指南就是为你写的。 首先，收藏这篇文章。因为你需要把它复制粘贴到每一个你希望 CLI 具备以下能力的 Claude 项目中： 真正能进化的能力。 你做出的每一次纠正，都会被捕获、记录。 当同样的纠正出现两次，它会突变成一条永久规则，Claude 从此永远遵守。 Claude 在工作中发现的代码库模式，会像田野笔记一样被观察和记录。 进化系统会审视所有积累的信号，提议哪些已学行为应该晋升为永久 DNA。 这是你的 AI 工程系统的自然选择（natural selection）。 有用的模式留存下来，过时的规则被淘汰，系统一代比一代更强。 这就是本指南要搭建的东西。那我们开始？ 读完这篇指南，你将拥有一套 Claude Code 配置，它能：（1）在写代码之前先运行一套决策框架；（2）把复杂任务委派给专门的子智能体（subagent）；（3）只在相关场景下才加载安全和性能规则；（4）捕获你的纠正并转化为永久知识；（5）每次会话都可衡量地变得更强。 你要构建的东西 这套系统分为四层： //第一层：认知核心（cognitive core）。一个 CLAUDE.md 文件，它不只是列出命令，而是编程 Claude 的思维方式。 一套在写任何代码之前运行的决策框架，一组在宣布完成之前必须通过的质量关卡。 //第二层：专用子智能体。两个子智能体角色（一个负责规划的架构师、一个负责验证的审查者），可以在独立上下文窗口中启动，使用不同的工具权限和模型层级...