Auto-sync: 2026-04-28 04:02

wiki/sources/3-2-万人收藏的-claude-skills-才是-ai-这条路上最值得研究的一套范式-1.md

@@ -1,52 +1,67 @@
----
-title: "3.2 万人收藏的 Claude Skills，才是 AI 这条路上最值得研究的一套范式！"
-type: source
-tags: [claude-skills, anthropic, ai-agent, workflow-engineering]
-date: 2026-01-08
----
-
-## Source File
-- [[AI/3.2 万人收藏的 Claude Skills，才是 AI 这条路上最值得研究的一套范式！ 1]]
-
-## Summary（用中文描述）
-- 核心主题：Anthropic 官方 Claude Skills 仓库的核心价值，以及 Skills 作为 AI 应用新范式的意义
-- 问题域：AI 应用从「提示词工程」向「流程工程」的范式转变
-- 方法/机制：Skills = 写给 Claude 的"说明书" + "SOP"，将反复执行的有固定流程的任务拆解为 AI 能理解、复用、自动执行的一套流程
-- 结论/价值：Claude Skills 是 AI 这条路上最值得研究的一套范式；最有价值的不是 Prompt 写得最花，而是能把业务流程沉淀成 SOP 并交给 AI 稳定执行
-
-## Key Claims（用中文描述）
-- Anthropic 官方 Skills 仓库（github.com/anthropics/skills）收藏数突破 3.2 万，它将 Claude.ai 网页版的真实生产级能力原封不动地拆解展示
-- Skills 本质是官方在教"怎么像我们一样开发 AI 应用"——包含办公自动化（Word/PDF/PPT/Excel）、开发者工具箱（MCP Server/Web 测试/Artifacts 构建/自动化验证）、创意类 Skill
-- 除官方库外，还有 3 款高产开源 Awesome-Claude-Skills 精选仓库：ComposioHQ、VoltAgent、BehiSecc
-- 三大 Skill 聚合站（skillsmp.com、aitmpl.com/skills、claudemarketplaces.com）可"拿来主义"，内容多、更新快、有分类有搜索
-- Claude Skills 的爆发标志着从提示词工程迈向流程工程；Vibe Coding 的尽头也是 Skills
-
-## Key Quotes
-> "Skills 就是一套你写给 Claude 的'说明书'和'SOP（标准作业程序）'" — 文章核心定义
-> "这个库本质上是官方在教你，'怎么像我们一样开发 AI 应用'" — 官方 Skills 库的核心价值
-> "未来真正有价值的，不是谁的 Prompt 写得最花、谁一次能生成最多内容。而是谁最懂业务流程、谁能把经验沉淀成 SOP、谁能把 SOP 交给 AI 稳定执行" — 文章核心洞察
-
-## Key Concepts
-- [[Claude Skills]]：将反复执行的有固定流程的任务拆解为 AI 能理解、能稳定复用、能自动执行的一套流程，是 AI 应用从「提示词工程」向「流程工程」转变的核心产物
-- [[Vibe Coding]]：AI 辅助编程的新范式，其尽头也是 Skills
-- [[流程工程（Workflow Engineering）]]：相对于提示词工程的新阶段，关注将人类业务流程经验转化为可自动化执行的 SOP
-
-## Key Entities
-- [[Anthropic]]：Claude Skills 官方仓库的发布方，将 Claude.ai 网页版的生产级能力原封不动地拆解展示给开发者
-- [[skillsmp.com]]：Skill 聚合站，提供大量社区 Skills 的直接复制使用
-- [[aitmpl.com]]：Skill 聚合站，内容多、更新快、有分类有搜索
-- [[claudemarketplaces.com]]：Claude Skill 市场，提供可搜索的 Skills 目录
-- [[ComposioHQ]]：Awesome-Claude-Skills 精选仓库的维护方之一
-- [[VoltAgent]]：Awesome-Claude-Skills 精选仓库的维护方之一
-- [[BehiSecc]]：Awesome-Claude-Skills 精选仓库的维护方之一
-- [[Claude Code]]：Anthropic CLI 编码代理，内置 Skill 能力，可通过 npx claude-code-templates 扩展技能库
-
-## Connections
-- [[Claude Code Skills]] ← extends ← [[Claude Skills]]（Claude Code Skills 是 Claude Skills 在 CLI 工具上的具体实现）
-- [[Vibe Coding经验收集]] ← related_to ← [[Claude Skills]]（Vibe Coding 的尽头是 Skills）
-- [[如何在项目里安装claude-code-templates-skills]] ← related_to ← [[Claude Skills]]（安装扩展 Skills 的方法）
-- [[Google-5个-Agent-Skill-设计模式]] ← extends ← [[Claude Skills]]（Google 发布的 Skill 设计模式）
-- [[Claude Code调用方法总结]] ← related_to ← [[Claude Skills]]（Claude Code 内置 Skill 能力）
-
-## Contradictions
-- 无已知冲突内容
+---
+title: "3.2 万人收藏的 Claude Skills，才是 AI 这条路上最值得研究的一套范式！"
+type: source
+tags: [Claude, AI Agent, Skills, Anthropic, 流程工程]
+date: 2026-01-08
+---
+
+## Source File
+- [[raw/AI/3.2 万人收藏的 Claude Skills，才是 AI 这条路上最值得研究的一套范式！ 1.md]]
+
+## Summary（用中文描述）
+- 核心主题：Anthropic 官方 Claude Skills 仓库的全面介绍，以及从「提示词工程」到「流程工程」的 AI 应用范式转变
+- 问题域：AI 应用实践中的技能沉淀与复用问题；如何让 AI 稳定执行真实业务流程
+- 方法/机制：Claude Skills = 写给 Claude 的「说明书」+ SOP（标准作业程序），将反复执行的有固定流程的任务拆解为 AI 能理解、能稳定复用、能自动执行的流程
+- 结论/价值：Claude Skills 的爆发标志着 AI 应用从「提示词工程」进入「流程工程」时代；真正有价值的不是 Prompt 写得最花的人，而是最懂业务流程、能将经验沉淀成 SOP 的人
+
+## Key Claims（用中文描述）
+- Claude Skills 是一套写给 Claude 的「说明书」和 SOP（标准作业程序），用于将反复执行、有固定流程的任务拆解为 AI 能理解、能稳定复用、能自动执行的流程
+- Anthropic 官方 Skills 仓库（github.com/anthropics/skills）将 Claude.ai 网页版的真实生产级能力原封不动地拆解公开，涵盖办公自动化、开发者工具、创意类技能三大类
+- Claude Skills 的爆发标志着 AI 应用从「提示词工程」向「流程工程」的范式转变；Vibe Coding 的尽头也是 Skills
+- Skills 规模化落地的关键不在于「好不好看」，而在于：设计思路是否可复用、输入如何约束、输出如何稳定
+
+## Key Quotes
+> "说白了，Skills 就是一套你写给 Claude 的'说明书'和'SOP（标准作业程序）'。" — 核心定义
+> "它是 Anthropic 把 Claude 线上真正在跑的生产级能力，原封不动地拆解开来，摊在桌面上给你看。" — 官方 Skills 仓库价值
+> "这个库本质上是官方在教你，'怎么像我们一样开发 AI 应用'。" — 官方库的定位
+> "未来真正有价值的，不是谁的 Prompt 写得最花、谁一次能生成最多内容。而是谁最懂业务流程、谁能把经验沉淀成 SOP、谁能把 SOP 交给 AI 稳定执行。" — 核心结论
+
+## Key Concepts
+- [[Claude Skills]]：写给 Claude 的「说明书」+ SOP，将反复执行的任务拆解为 AI 能理解、能稳定复用、能自动执行的流程
+- [[流程工程（Workflow Engineering）]]：相对于「提示词工程」的 AI 应用新阶段，关注将人类业务流程经验转化为可自动化执行的 SOP 并交给 AI Agent 稳定执行
+- [[SOP]]（标准作业程序）：确保流程稳定可复现，Skills 的核心组成要素
+
+## Key Entities
+- [[Anthropic]]：Claude Skills 的发布方，官方仓库 github.com/anthropic/skills 的拥有者
+- [[shenwei]]：本文作者，开源星探公众号主理人
+- [[Claude.ai]]：Claude Skills 实际运行的产品环境，官方 Skills 仓库中的代码对应其生产级能力
+
+## Connections
+- [[Claude Skills]] ← 核心主题 ← 本文
+- [[流程工程（Workflow Engineering）]] ← 上位概念 ← [[Claude Skills]]
+- [[提示词工程]] ← 前身阶段 ← [[流程工程（Workflow Engineering）]]
+- [[Vibe Coding]] ← 应用场景 ← [[流程工程（Workflow Engineering）]]
+- [[AI Agent]] ← 执行主体 ← [[流程工程（Workflow Engineering）]]
+- [[Anthropic]] ← 发布方 ← [[Claude Skills]]
+- [[Anthropic/skills]] ← 官方仓库 ← [[Claude Skills]]
+
+## Contradictions
+- 与 [[vibe-coding经验收集]] 存在潜在张力：
+  - 冲突点：Vibe Coding 强调「验证而非理解、文档优于记忆」，更注重敏捷迭代
+  - 当前观点（本文）：Claude Skills 是 Vibe Coding 的尽头，强调 SOP 沉淀和流程标准化
+  - 对方观点：Vibe Coding 偏向快速验证和迭代，不过度追求标准化流程
+  - 解读：两者并不完全矛盾——Vibe Coding 是探索阶段，Skills 是验证成功后沉淀为可复用流程的阶段
+
+## 推荐资源
+### 官方仓库
+- https://github.com/anthropics/skills（官方 Claude Skills 仓库，3.2万+星）
+
+### Awesome 精选仓库
+- https://github.com/ComposioHQ/awesome-claude-skills
+- https://github.com/VoltAgent/awesome-claude-skills
+- https://github.com/BehiSecc/awesome-claude-skills
+
+### Skill 聚合站
+- https://skillsmp.com
+- https://aitmpl.com/skills
+- https://claudemarketplaces.com

wiki/sources/7-ways-i-use-notebooklm-to-make-my-life-easier.md

@@ -1,53 +1,57 @@
----
-title: "7 ways I use NotebookLM to make my life easier"
-type: source
-tags: [AI工具, NotebookLM, 知识管理, 被动学习]
-date: 2025-11-23
----
-
-## Source File
-- [[raw/AI/7 ways I use NotebookLM to make my life easier]]
-
-## Summary（用中文描述）
-- 核心主题：作者分享个人使用 Google NotebookLM 的 7 种日常生活场景
-- 问题域：信息过载时代，如何高效处理大量未读内容、学习新技能、管理项目
-- 方法/机制：利用 NotebookLM 的 source-grounding（来源锚定）特性——仅基于用户上传的文档回答问题，确保答案有据可查、可溯源、可信
-- 结论/价值：NotebookLM 的核心优势是"准确性优先"——将知识库严格限定于可信文档，扮演用户自定义的专属专家，可替代 Gemini 或 ChatGPT 处理许多日常任务
-
-## Key Claims（用中文描述）
-- NotebookLM 的 source-grounding 机制确保 AI 输出严格基于可信文档，杜绝幻觉
-- 将 PDF、文章、YouTube 视频等未读材料上传 NotebookLM，AI 自动完成阅读和理解，用户通过交互式问答获取核心内容
-- Audio Overviews（播客概览）将文档转换为双 AI 主持的对话播客，适合驾驶、健身等被动学习场景
-- 可将游戏文档、历史资料等非小说类内容作为学习材料，通过辩论式播客深入理解
-- NotebookLM 可作为编程学习助手：上传官方文档，通过对话实时学习，并提供原文引用
-- NotebookLM 可作为项目管理的"个人知识中枢"，将零散的研究资料、想法、会议记录整合为结构化路线图
-- 对比不同版本的 App 更新、新闻稿、长文档时，NotebookLM 可快速列出差异并附带引用
-- 法律文档（租约、合同）分析是 NotebookLM Premium 的核心卖点——每个答案都附带精确引用，支持一键回溯原文
-
-## Key Quotes
-> "The core magic behind this whole approach is called source-grounding. NotebookLM's entire knowledge base is strictly limited to the documents you specifically upload. This means the output it gives you is accurate and self-verified." — NotebookLM 的核心技术：来源锚定，知识库严格限定于上传文档
-> "NotebookLM will only take what is given and give you citations that show you where things are said." — 每个答案都附带引用，指向原文位置
-> "Every answer is accompanied by a precise citation. I can click this citation to instantly view and confirm the exact wording right there in the source itself." — 精确引用支持一键回溯原文核实
-> "This audio format is perfect for passive learning because you can consume complex information during times that would otherwise be downtime." — 播客格式非常适合被动学习，零碎时间也能消化复杂信息
-> "I made about six apps that are being leased by companies this year, which NotebookLM organized into goals for me." — NotebookLM 帮助作者将零散想法整理成可执行目标，一年做出 6 个 App
-
-## Key Concepts
-- [[Source-Grounding]]：NotebookLM 的核心技术，仅基于用户上传的文档回答问题，确保答案有据可查、无幻觉
-- [[Audio Overview]]：NotebookLM 将文档内容转换为双 AI 主持的播客式对话，支持 Deep Dive / Brief / Critique / Debate 等多种风格定制
-- [[Passive Learning]]：通过音频形式（播客）在驾驶、运动、清洁等被动场景中学习复杂信息
-- [[Source Citation]]：每个答案附带精确引用，可一键跳转到原文位置核实
-- [[Custom Instructions]]（AI Host）：可为主持人 AI 指定角色和风格，如设定为"该主题的学生"进行学习
-- [[Project Roadmap]]：NotebookLM 将零散资料和想法整合为结构化项目路线图
-
-## Key Entities
-- [[NotebookLM]]：Google 开发的 AI 笔记助手，支持文档问答和播客生成两大核心功能，核心优势是 source-grounding 确保答案准确可信
-- [[Google]]：NotebookLM 的开发商
-
-## Connections
-- [[google-神级生产力工具-所有-github-开源平替都找到了]] ← extends ← [[7-ways-i-use-notebooklm-to-make-my-life-easier]]（本文是 NotebookLM 使用经验，开源平替文章系统梳理了 NotebookLM 生态）
-- [[Personal Knowledge Base (RAG)]] ← related_to ← [[7-ways-i-use-notebooklm-to-make-my-life-easier]]（两者同属 AI 驱动的知识管理工具，RAG 更通用，NotebookLM 侧重对话+音频交互）
-- [[Second Brain]] ← related_to ← [[7-ways-i-use-notebooklm-to-make-my-life-easier]]（两者同属个人知识管理，NotebookLM 侧重"文档→问答/音频"，Second Brain 侧重"对话记忆捕获"）
-- [[Passive Learning]] ← extends ← [[7-ways-i-use-notebooklm-to-make-my-life-easier]]（Audio Overview 是被动学习的具体实现形式）
-
-## Contradictions
-- 暂无发现与其他 Wiki 页面存在明显内容冲突
+---
+title: "7 ways I use NotebookLM to make my life easier"
+type: source
+tags: [notebooklm, productivity, ai-tools, knowledge-management]
+date: 2025-11-23
+sources: []
+last_updated: 2026-04-28
+---
+
+## Source File
+- [[AI/7 ways I use NotebookLM to make my life easier]]
+
+## Summary（用中文描述）
+- **核心主题**：作者分享使用 Google NotebookLM 的 7 种日常场景，展示了 AI 工具如何成为个人生产力助手的实际案例
+- **问题域**：信息过载、知识管理、学习效率、项目管理、法律文档处理
+- **方法/机制**：利用 NotebookLM 的 source-grounding（源引用）特性，确保 AI 输出基于可信文档，通过 Audio Overview、Deep Research、交互式问答等功能实现被动学习
+- **结论/价值**：NotebookLM 通过严格限制知识库范围（仅限用户上传的文档），提供可信赖的 AI 辅助，适用于学习、编程、项目管理、软件版本对比、法律文档审查等多种场景
+
+## Key Claims（用中文描述）
+- NotebookLM 的 source-grounding 特性确保输出内容严格基于用户上传的文档，消除幻觉问题
+- Audio Overview 功能可将文档转化为双人对话播客，适合通勤、健身等被动学习场景
+- 通过上传多个相关文档，用户可以快速成为多个领域的新手专家
+- 将编程文档（如 Godot、Python）上传到 NotebookLM，比传统教程学习更高效
+- NotebookLM 可作为项目管理脑hub，整合分散的研究资料并生成项目路线图
+- 对比软件更新日志时，NotebookLM 可直接列出版本间的差异变化，节省大量手动对比时间
+- 法律文档审查是 NotebookLM 的杀手级应用——每个答案都附带精确引用
+
+## Key Quotes
+> "NotebookLM's best quality is that it prioritizes accuracy by strictly limiting its knowledge base to only your trusted documents. So you're getting an expert that you made to do anything you need it to do."
+> — 作者总结 NotebookLM 的核心优势
+
+> "I made about six apps that are being leased by companies this year, which NotebookLM organized into goals for me."
+> — 作者分享使用 NotebookLM 规划项目取得的成果
+
+> "I no longer hate getting long documents or looking through terms and conditions or legal patents because I can find what I need from a few questions with NotebookLM."
+> — NotebookLM 在法律文档处理上的价值
+
+## Key Concepts
+- [[Source-Grounding]]：NotebookLM 的核心技术，AI 知识库严格限制在用户上传的文档范围内，确保输出可溯源、可验证
+- [[Audio Overview]]：NotebookLM 的播客生成功能，将文档内容转化为两个 AI 声音的对话音频，支持定制风格（Deep Dive、Brief、Critique、Debate）
+- [[Passive Learning]]：被动学习——利用通勤、运动、家务等碎片时间通过音频消费复杂信息
+- [[Project Management Hub]]：将分散的研究资料、想法、会议笔记集中管理，AI 自动生成结构化项目路线图
+
+## Key Entities
+- [[NotebookLM]]：Google 开发的 AI 知识管理工具，核心特性是 source-grounding，支持文档上传、Audio Overview、Deep Research 等功能
+- [[Godot]]：开源游戏引擎，作者将其文档上传到 NotebookLM 作为学习辅助
+- [[Python]]：编程语言，作者保留了一个专属 Notebook 用于查询最佳实践
+
+## Connections
+- [[Source-Grounding]] ← enables ← [[NotebookLM]]
+- [[Audio Overview]] ← extends ← [[NotebookLM]]
+- [[Deep Research]] ← extends ← [[NotebookLM]]
+- [[NotebookLM]] ← used_in ← [[Project Management Hub]]
+- [[NotebookLM]] ← used_in ← [[Passive Learning]]
+
+## Contradictions
+- 无明显冲突

wiki/sources/best-7-news-api-data-feeds-ai-news.md

@@ -1,58 +1,53 @@
----
-title: "Best 7 news API data feeds - AI News"
-type: source
-tags: [news-api, data-feeds, ai-tools, media-monitoring]
-date: 2025-03-11
-sources: []
-last_updated: 2026-04-23
----
-
-## Source File
-- [[AI/Best 7 news API data feeds - AI News.md]]
-
-## Summary（用中文描述）
-- 核心主题：7款主流新闻 API 数据接口的横向评测，涵盖功能定位、核心能力、适用场景与定价策略
-- 问题域：如何为 AI 应用、金融分析、媒体监控等场景选择合适的新闻数据 API
-- 方法/机制：通过结构化对比，从数据来源、过滤能力、实时性、定价四个维度评估各平台
-- 结论/价值：不同场景对应不同最优选择——金融场景选 Bloomberg/FT，舆情监控选 Webz.io/Opoint，初创/开发者选 GNews/Mediastack
-
-## Key Claims（用中文描述）
-- Webz.io 通过覆盖开放网、深网、暗网数据，为金融、风险情报、网络安全行业提供最广泛的新闻来源
-- Bloomberg API 以精确金融数据为核心，是机构级市场监控的必备工具
-- Financial Times API 提供最高质量的商业与经济深度报道，适合经济研究者和高管
-- Mediastack 以免费层和 7,500+ 源覆盖，成为预算敏感型开发者的首选
-- 新闻 API 的五大应用场景：金融情报、媒体监控、风险评估、内容平台、AI 预测分析
-
-## Key Quotes
-> "Access to real-time and historical news data is important in today's digital landscape." — 文章开篇，阐述新闻 API 的核心价值
-
-> "APIs help integrate content into applications and workflows, enabling decision-making and scalable solutions." — API 在工作流中的核心作用
-
-## Key Concepts
-- [[News API]]：聚合、整理并以结构化格式（JSON/XML）交付新闻数据的服务接口，消除手动采集和格式化成本
-- [[Financial Intelligence]]：利用实时市场新闻 API 分析市场动态、驱动投资决策的情报能力
-- [[Media Monitoring]]：通过新闻 API 追踪品牌提及量和舆情情绪变化的监控能力
-- [[Sentiment Analysis]]：对新闻内容进行情感倾向分析，常结合新闻 API 数据用于舆情研判
-- [[Risk Assessment]]：政府和企业利用新闻 API 评估地缘政治风险或公众情绪
-- [[Content Aggregation]]：通过 API 将多个来源的新闻聚合为统一输出的内容平台
-- [[Predictive Analysis]]：利用新闻 API 数据训练机器学习模型预测趋势
-
-## Key Entities
-- [[Webz.io]]：最全面的新闻 API 之一，覆盖开放网、深网和暗网，提供情感/主题/地理高级过滤，适用于金融风险情报和网络安全监控
-- [[GNews API]]：轻量级全球新闻聚合平台，定价亲民适合初创公司和区域化新闻小部件
-- [[The Guardian API]]：提供高质量编辑内容，支持多媒体嵌入，适合研究项目和内容平台
-- [[Bloomberg API]]：机构级金融数据 API，专注市场数据和经济报告，与 Bloomberg Terminal 无缝集成
-- [[Financial Times API]]：高端商业与经济新闻 API，支持订阅墙内容和深度分析报告，适合经济学家和研究员
-- [[Opoint]]：专注新闻监控和情感分析，支持多语言和全球来源，适合 PR、营销和品牌舆情追踪
-- [[Mediastack API]]：覆盖 7,500+ 来源，提供免费层和可扩展方案，适合各种规模的开发者应用
-
-## Connections
-- [[Financial Intelligence]] ← 支撑 ← [[Bloomberg API]]
-- [[Financial Intelligence]] ← 支撑 ← [[Financial Times API]]
-- [[Media Monitoring]] ← 支撑 ← [[Webz.io]]
-- [[Media Monitoring]] ← 支撑 ← [[Opoint]]
-- [[Content Aggregation]] ← 支撑 ← [[Mediastack API]]
-- [[AI & Predictive Analysis]] ← 依赖 ← 新闻 API 数据 feeds
-
-## Contradictions
-- 暂无发现与其他 Wiki 页面的内容冲突
+---
+title: "Best 7 news API data feeds - AI News"
+type: source
+tags: []
+date: 2025-03-11
+---
+
+## Source File
+- [[raw/AI/Best 7 news API data feeds - AI News.md]]
+
+## Summary（用中文描述）
+- 核心主题：7大新闻API数据源横向评测，为企业和开发者提供实时/历史新闻数据的接入方案选型参考。
+- 问题域：数字时代企业、开发者、分析师如何高效获取结构化新闻数据，避免手动采集和格式化的高成本。
+- 方法/机制：通过API聚合来自开放网页、深网、暗网的新闻内容，统一输出为JSON/XML等机器可读格式，支持情感、主题、地理等多维度过滤。
+- 结论/价值：不同API在垂直领域各具优势——金融情报选Bloomberg/FT，媒体监控选Opoint/Webz.io，开发者友好选Mediastack/GNews，权威媒体选Guardian。
+
+## Key Claims（用中文描述）
+- Webz.io 通过覆盖开放网页、深网和暗网数据，提供最全面的新闻来源，适合网络安全和金融分析领域。
+- GNews API 以轻量级和低定价为优势，是创业公司和小型应用开发者的入门首选。
+- Bloomberg API 专注金融数据和市场洞察，是机构投资者和专业分析师的核心工具。
+- Opoint 以多语言情感标签和品牌监控见长，是PR和营销团队监测舆情的利器。
+- Mediastack 聚合全球7500+来源，提供免费层级和可扩展的付费方案，适合各类规模的企业。
+
+## Key Quotes
+> "News API data feeds are platforms that aggregate, organise, and deliver structured news data from multiple sources." — 背景介绍
+> "APIs help integrate content into applications and workflows, enabling decision-making and scalable solutions." — 核心价值说明
+> "Its affordability and flexibility cater to businesses of all sizes, making it a versatile option for a wide range of users." — Mediastack 总结
+
+## Key Concepts
+- [[NewsAPI]]：将多来源新闻聚合为结构化机器可读格式（JSON/XML）的数据接口服务。
+- [[SentimentAnalysis]]：通过情感标签（正面/负面/中性）分析新闻内容情绪，辅助舆情监测。
+- [[RealTimeDataFeed]]：实时推送新闻更新，支持应用即时响应突发事件和市场波动。
+- [[FinancialIntelligence]]：利用新闻API分析市场影响因素，驱动投资决策的金融数据分析方法。
+- [[MediaMonitoring]]：追踪品牌提及、竞争对手动态和行业舆论的媒体洞察实践。
+
+## Key Entities
+- [[Webz.io]]：综合性新闻API，覆盖开放网页、深网和暗网，支持情感分析和地理覆盖过滤，适合金融和网络安全领域。
+- [[GNewsAPI]]：轻量级新闻聚合平台，实时全球覆盖，支持多语言和国家过滤，定价亲民，适合创业公司和小型应用。
+- [[TheGuardianAPI]]：提供高质量编辑新闻内容，支持话题分类和富媒体嵌入，适合研究项目和内容策展。
+- [[BloombergAPI]]：专注金融市场实时数据和深度经济分析，与Bloomberg终端无缝集成，适合专业投资机构。
+- [[FinancialTimesAPI]]：提供全球金融和市场 Premium 内容，涵盖订阅制 gated content，适合经济学家和商业研究人员。
+- [[Opoint]]：多语言新闻媒体监测和情感分析平台，支持品牌监控和竞品追踪，适合PR和营销团队。
+- [[Mediastack]]：聚合全球7500+来源，支持免费和可扩展付费方案，支持多语言和地理定向搜索。
+
+## Connections
+- [[Webz.io]] ← feeds_into ← [[FinancialIntelligence]]（金融情报依赖全面新闻覆盖）
+- [[BloombergAPI]] ← extends ← [[FinancialTimesAPI]]（Bloomberg提供更实时和量化的市场数据）
+- [[Opoint]] ← extends ← [[Webz.io]]（Opoint在媒体监测细分场景上提供更深入的舆情分析）
+- [[Mediastack]] ← alternative_to ← [[GNewsAPI]]（两者均面向开发者，但Mediastack覆盖范围更广）
+- [[TheGuardianAPI]] ← source_for ← [[MediaMonitoring]]（权威媒体作为舆情分析的可靠来源）
+
+## Contradictions
+- 暂无明显冲突。7个API各有垂直定位，覆盖不同使用场景，不存在直接竞争关系。

wiki/sources/nano-banana-提示词框架.md

@@ -1,49 +1,47 @@
----
-title: "Nano Banana 提示词框架"
-type: source
-tags: [ai, google, nano-banana, prompt]
-date: 2026-03-15
----
-
-## Source File
-- [[AI/Nano Banana 提示词框架]]
-
-## Summary（用中文描述）
-- 核心主题：AI 图像生成的标准化结构化提示词框架（Nano Banana Prompting Framework）
-- 问题域：解决 AI 图像生成中提示词不规范、不完整、难以复现的问题
-- 方法/机制：提供两套 JSON Schema 模板（物件描述框架 + 人物描述框架），将提示词结构化为 shot / subject / environment / lighting / camera / color_grade / style / quality / negatives 等可填字段
-- 结论/价值：将艺术总监级别的摄影描述语言转化为可结构化填写的模板，降低 AI 图像生成的门槛，提升输出一致性和专业度
-
-## Key Claims（用中文描述）
-- Nano Banana 框架通过标准化 JSON Schema 将专业摄影描述语言结构化，使 AI 图像生成输出更可控、更专业
-- 物件描述框架与人物描述框架共用核心参数（shot / lighting / camera / color_grade / style / quality / negatives），仅 subject 字段有差异化定义
-- negatives（负向提示词）字段用于主动排除不需要的元素，是保证输出纯净度的关键机制
-- 示例中的手表描述展示了如何将具体材质、工艺、光影条件数字化填入模板
-
-## Key Quotes
-> "shot: Macro close-up shot, square aspect ratio (1:1), centered composition." — 镜头类型与构图规范
-> "negatives: no scratches, no dust, no logos or brand names, no human hands, blurry watch face, unrealistic lighting." — 负向提示词排除清单
-> "Hyper-realistic CGI render, commercial product photography, luxury and precision." — 风格定义示例
-
-## Key Concepts
-- [[Nano Banana Prompting Framework]]：AI 图像生成的结构化提示词框架，提供物件和人物两套 JSON Schema 模板
-- [[Structured Prompt Engineering]]：将自然语言描述转化为结构化 JSON 字段的提示词工程方法，提升 AI 输出的可控性和可复现性
-- [[Negative Prompting]]：通过 negatives 字段主动声明不想要的元素，是提升 AI 图像质量的重要机制
-- [[Shot Composition]]：镜头类型与构图规范的标准化定义（如 Macro close-up shot）
-- [[Photography Lighting Description]]：专业布光描述语言（key light / fill light / rim light 三灯布光法）
-- [[Camera Parameter Specification]]：相机参数化描述（focal_length / aperture / angle）
-
-## Key Entities
-- [[Google]]：Nano Banana 框架的发布方（source 文件标签含 google）
-- [[Nano Banana]]：Google 发布的 AI 图像生成工具品牌
-
-## Connections
-- [[Nano Banana Pro 提示词指南]] ← 进阶版本 ← [[Nano Banana 提示词框架]]
-- [[文字生成视频网站推荐]] ← 同属 AI 内容生成工具领域 ← [[Nano Banana 提示词框架]]
-
-## Contradictions
-- 与 [[清华出的DeepSeek使用手册]] 冲突：
-  - 冲突点：文本生成领域强调"语义推理"能力，图像生成领域强调"结构化模板"规范
-  - 当前观点：Nano Banana 框架认为标准化模板是专业输出的关键
-  - 对方观点：DeepSeek 提示词强调"灵活性"和"自然语言表达"，避免框架约束
-  - 注：两者适用于不同模态（图像 vs 文本），框架 vs 灵活并非绝对对立
+---
+title: "Nano Banana 提示词框架"
+type: source
+tags: [ai, google, nano-banana, prompt, 图像生成]
+date: 2026-04-28
+---
+
+## Source File
+- [[raw/AI/Nano Banana 提示词框架.md]]
+
+## Summary（用中文描述）
+- 核心主题：Google Nano Banana 提示词框架 —— 一种结构化提示词模板，用于生成专业级图像和视频内容
+- 问题域：AI 生成内容（图像/视频）的质量控制，特别是场景、主体、环境等细节描述的结构化表达
+- 方法/机制：通过 JSON 格式的结构化字段定义 shot、subject、environment、lighting、camera、color_grade、style、quality、negatives 等关键参数，提供物件和人物两种描述框架模板
+- 结论/价值：提供一个标准化、可复用的提示词模板，帮助用户精确控制 AI 生成内容的效果
+
+## Key Claims（用中文描述）
+- Nano Banana 框架通过结构化 JSON 模板，实现 AI 生成内容的精细化控制
+- 框架区分物件描述和人物描述两种模板，各有专属的 subject 字段
+- shot 字段定义镜头类型和构图方式
+- subject.item/materials/details/condition 字段覆盖物件的物品、材质、细节和状态
+- environment 字段描述主体所处的环境背景
+- lighting 字段定义照明方案和光源设置
+- camera.focal_length/aperture/angle 字段模拟专业相机参数
+- color_grade 字段控制色彩风格和调色方案
+- style 字段指定整体视觉风格
+- quality 字段定义生成内容的分辨率和渲染质量标准
+- negatives 字段明确列出需要排除的内容
+
+## Key Quotes
+> "shot: Macro close-up shot, square aspect ratio (1:1), centered composition." — 镜头类型和构图示例
+
+> "lighting: Studio softbox lighting. A key light from the top-left creates clean, sharp reflections on the steel." — 专业照明方案示例
+
+> "negatives: no scratches, no dust, no logos or brand names, no human hands, blurry watch face, unrealistic lighting." — 排除项示例，用于避免常见质量问题
+
+## Key Concepts
+- [[Nano Banana 提示词框架]]：Google 提出的结构化提示词框架，通过 JSON 字段模板控制 AI 生成图像/视频的质量和风格
+
+## Key Entities
+- Google：Nano Banana 框架的提出者
+
+## Connections
+- [[Nano Banana Pro提示词指南]] ← extends ← [[Nano Banana 提示词框架]]（Pro 版本是该框架的进阶应用指南）
+
+## Contradictions
+- 暂无冲突记录

wiki/sources/never-write-another-prompt.md

@@ -1,51 +1,47 @@
----
-title: "Never write another prompt"
-type: source
-tags: [prompt-engineering, ai-tools, chatgpt, gemini]
-date: 2025-03-06
----
-
-## Source File
-- [[AI/Never write another prompt]]
-
-## Summary（用中文描述）
-- 核心主题：介绍一款能将简单描述自动转化为详细结构化提示词的 AI 提示词生成工具
-- 问题域：用户难以撰写精确的提示词，导致 AI 回复质量不佳或需要花费大量金钱购买专业提示词服务（单个提示词 $100-$500）
-- 方法/机制：工具从简单描述生成高质量、结构化、可编辑的提示词，支持变量插入和自定义优化，大幅降低提示词工程门槛
-- 结论/价值：民主化提示词工程，使普通用户无需专业背景即可创建专业级 AI 提示词，节省成本并提升 AI 交互质量
-
-## Key Claims（用中文描述）
-- 该工具能自动将简单描述转化为详细、结构化的提示词，消除传统提示词工程的复杂性
-- 用户可以无限生成提示词而无需支付高昂费用（市场上单个专业提示词售价 $100-$500）
-- 生成器提供易用的设置流程，包括账户创建、API Key 生成和支付配置
-- 生成的提示词结构良好、易于编辑，支持变量插入以实现更高程度的定制化
-- 提示词库为用户提供了查找灵感和使用现成提示词的途径
-
-## Key Quotes
-> "Prompt engineering is the art of crafting prompts that elicit specific responses from AI. With the introduction of this tool, users no longer need to be experts in this field; the tool automates the process, making it accessible to everyone, regardless of their technical background."
-— 核心观点：工具民主化了提示词工程，使任何人都能使用 AI
-
-> "Detailed prompts often yield better responses from AI models. The tool enhances basic prompts by adding context and structure, which helps in narrowing down the AI's focus."
-— 核心观点：详细提示词能带来更好的 AI 回复
-
-> "When creating an API key, users are reminded to keep it confidential. This highlights an important consideration in the use of AI tools—protection of personal and sensitive information."
-— 安全提醒：API Key 保密是使用 AI 工具的重要安全考量
-
-## Key Concepts
-- [[Prompt Engineering]]：制作有效提示词以引导 AI 产生特定回复的艺术和科学，本工具将其自动化
-- [[API Key]]：访问 AI 工具的身份凭证，必须保密保管
-- [[Variables in Prompts]]：在提示词中插入变量以实现复用和定制化的机制
-
-## Key Entities
-- [[ChatGPT]]：OpenAI 的 AI 对话产品，是本工具的主要应用场景之一
-- [[Google Gemini]]：Google 的 AI 模型产品，是本工具的另一主要应用场景
-
-## Connections
-- [[Claude Prompt Library 汇总表]] ← relates_to ← [[never-write-another-prompt]]（同为提示词相关工具，但前者是现成提示词库，后者是提示词生成工具）
-- [[Nano Banana 提示词框架]] ← extends ← [[never-write-another-prompt]]（Nano Banana 提供了结构化提示词模板，与本工具的自动生成功能互补）
-
-## Contradictions
-- 与 [[Claude Prompt Library 汇总表]]（useful-prompt-lib.md）存在视角差异：
-  - 冲突点：是否需要预制提示词
-  - 当前观点（Never Write Another Prompt）：通过工具自动生成提示词，消除人工编写成本，市场上单个专业提示词售价 $100-$500
-  - 对方观点（Claude Prompt Library）：提供现成的专业化提示词库，用户可直接选用已有提示词
+---
+title: "Never write another prompt"
+type: source
+tags: []
+date: 2025-03-06
+---
+
+## Source File
+- [[raw/AI/Never write another prompt.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI 提示词自动生成工具的使用教程
+- 问题域：用户难以编写高质量、结构化的 AI 提示词，导致 AI 回复质量差或需要付费购买专业提示词
+- 方法/机制：通过一个在线工具，将简单的描述性文字自动转化为详细、结构化的提示词，支持变量定制；提供 API Key 设置、成本管理、提示词库等完整工作流
+- 结论/价值：免费、易用的提示词工程自动化工具，降低 AI 使用门槛，用户可无限生成高质量提示词
+
+## Key Claims（用中文描述）
+- 详细提示词相比简单提示词能获得更精准、更符合预期的 AI 回复
+- 提示词自动生成工具可将简单描述转换为专业级结构化提示词，无需掌握提示词工程技巧
+- 提示词工程（Prompt Engineering）已从专业技能转变为可自动化的普惠工具
+- 使用变量（Variables）可大幅提升提示词的可复用性和灵活性
+- API Key 需妥善保管，涉及个人信息和云服务安全
+
+## Key Quotes
+> "Prompt engineering is the art of crafting prompts that elicit specific responses from AI. With the introduction of this tool, users no longer need to be experts in this field; the tool automates the process, making it accessible to everyone." — 提示词工程民主化的核心观点
+
+> "Detailed prompts often yield better responses from AI models. The tool enhances basic prompts by adding context and structure, which helps in narrowing down the AI's focus." — 详细提示词价值的核心论断
+
+> "The ability to use variables in prompts allows for a high degree of customization." — 变量提升提示词复用性
+
+## Key Concepts
+- [[Prompt Engineering]]：将简单描述转换为结构化、详细提示词的技术与实践；本视频的核心讨论对象
+
+## Key Entities
+- [[ChatGPT]]：AI 应用示例，被提及为提示词的主要应用场景之一
+- [[Google Gemini]]：AI 应用示例，与 ChatGPT 并列为提示词的目标应用
+- [[Anthropic]]（Console Anthropic）：提示词生成工具所在平台，提供 API Key 管理和付费服务
+
+## Connections
+- [[Useful Prompt Lib]] ← complements ← [[never-write-another-prompt]]（前者提供现成提示词库，后者教你如何自动生成提示词）
+- [[Prompt Engineering]] ← is_about ← [[never-write-another-prompt]]
+
+## Contradictions
+- 与 [[Useful Prompt Lib]] 的侧重点：
+  - 当前观点：本视频强调通过工具自动化生成提示词，降低学习成本
+  - 对方观点：Useful Prompt Lib 提供现成的精选提示词库，适合快速复用，无需生成
+  - 总结：两者互补——不会写提示词 → 用本工具生成；不想自己写 → 直接用提示词库

wiki/sources/openai-chatgpt-个性化定义.md

@@ -1,49 +1,45 @@
----
-title: "OpenAI ChatGPT 个性化定义"
-type: source
-tags: [ai, chatgpt, customization, openai, personal-knowledge]
-date: 2026-04-23
----
-
-## Source File
-- [[AI/OpenAI ChatGPT 个性化定义.md]]
-
-## Summary（用中文描述）
-- 核心主题：ChatGPT 自定义指令（Custom Instructions）的完整配置——定义用户身份、工作风格、交互偏好和输出格式要求
-- 问题域：如何将 ChatGPT 从通用助手塑造成符合个人需求的专业协作者
-- 方法/机制：通过 ChatGPT 的"自定义指令"功能，设置"高度有条理"的响应风格、"主动预判"的工作方式、以及对技术深度的具体要求
-- 结论/价值：系统性的 AI 个性化配置——把 ChatGPT 变成真正理解用户背景、专业领域和沟通偏好的专属助手，错误零容忍，提供详细解释
-
-## Key Claims（用中文描述）
-- ChatGPT 应保持"高度有条理"的响应风格，主动预判用户需求而非被动等待指令
-- 用户被定义为所有领域的专家，AI 无需简化技术细节
-- 错误会削弱信任，因此回复必须准确和详尽
-- AI 应重视合理论据而非权威，来源无关紧要
-- 推测性内容必须明确告知，不可伪装为事实
-- 内容政策冲突时，应提供最接近可接受的答复并解释问题所在
-- URL 引用应统一放在回复末尾，而非分散在正文中
-- 如因自定义指令导致回复质量下降，AI 应主动指出问题所在
-
-## Key Quotes
-> "Mistakes can erode my trust, so be accurate and detailed" — 错误零容忍原则
-> "Value sound arguments over authority, and sources are irrelevant" — 理性论据优先于权威
-> "If the quality of your response has dropped significantly due to my custom instructions, please explain the problem" — 主动反馈机制
-
-## Key Concepts
-- [[Personalization]]：AI 个性化配置——通过系统级指令塑造 AI 的响应风格和交互方式
-- [[Custom Instructions]]：ChatGPT 的个性化指令功能，允许用户定义 AI 的行为模式
-- [[Proactive AI]]：主动预判用户需求的 AI 交互方式，而非被动响应
-- [[Expert User Assumption]]：将用户视为所有领域的专家，无需简化技术细节
-- [[Error Accountability]]：错误反馈机制——AI 主动指出因配置导致的回复质量下降
-
-## Key Entities
-- [[OpenAI]]：ChatGPT 的开发商，提供自定义指令功能
-- [[ChatGPT]]：本配置的主体，OpenAI 开发的大语言模型
-
-## Connections
-- [[designing-for-agentic-ai]] ← informs ← [[Personalization]]
-- [[custom-morning-brief]] ← extends ← [[Proactive AI]]
-- [[Agent Personality Design]] ← relates_to ← [[Custom Instructions]]
-
-## Contradictions
-- （暂无发现与其他 Wiki 页面的内容冲突）
+---
+title: "OpenAI ChatGPT 个性化定义"
+type: source
+tags: [ai, chatgpt, customization, openai]
+date: 2026-04-28
+---
+
+## Source File
+- [[AI/OpenAI ChatGPT 个性化定义.md]]
+
+## Summary（用中文描述）
+- 核心主题：用户（Weishen）为 ChatGPT 自定义的个性化指令集，涵盖交互风格、信息处理偏好、专业背景与使用场景
+- 问题域：如何将 AI 助手定制为高度匹配个人需求的智能协作伙伴
+- 方法/机制：通过 ChatGPT「自定义指令」（Custom Instructions）功能，以结构化方式定义 AI 的行为规范、回复风格与背景信息
+- 结论/价值：一份来自云服务交付高管的 AI 个性化配置范本，展示如何利用自定义指令将 AI 定位为「主动出击的专家级协作者」而非被动问答工具
+
+## Key Claims（用中文描述）
+- 个性化指令应明确告知 AI 用户的专业背景和角色定位，以获得更精准的响应
+- 用户期望 AI 主动预判需求，而非被动等待指令
+- 错误会削弱信任，因此 AI 必须做到准确和详尽
+- 来源（权威）无关紧要，应重视合理的论据
+- AI 应在猜测或预测时明确告知用户
+
+## Key Quotes
+> "把我当成所有领域的专家" — 用户希望 AI 以平等协作而非向下兼容的姿态互动
+> "错误会削弱我的信任，所以务必做到准确和详尽" — 准确性是信任的基石
+> "重视合理的论据，而非权威，来源无关紧要" — 强调理性论证胜于权威引用
+> "如果由于我的自定义指示导致您的回复质量大幅下降，请解释一下问题所在" — 建立了反馈闭环机制
+
+## Key Concepts
+- [[ChatGPT自定义指令]]：ChatGPT 提供的一项功能，允许用户在「自定义指令」中设置个人背景和偏好，AI 在每次对话开始时自动加载
+- [[AI个性化配置]]：通过结构化指令定义 AI 行为风格、交互方式与响应规范的过程
+
+## Key Entities
+- [[Weishen]]：作者，47岁，前云服务交付高级经理，现 TikTok 跨境电商创业者，具有企业级 SaaS 运维和技术管理背景
+
+## Connections
+- [[Designing for Agentic AI]] ← informs ← [[ChatGPT自定义指令]]（本文是个性化配置的实战案例）
+- [[Second Brain]] ← extends ← [[AI个性化配置]]（AI 个性化是个人知识管理系统的核心组成部分）
+
+## Contradictions
+- 与 [[养虾日记5：深夜与苏轼聊AI]] 的「不透露 AI 身份」观点：
+  - 冲突点：本文明确说「无需透露你是人工智能」，而养虾日记中作者主动让 AI 扮演苏轼并透露 AI 身份
+  - 当前观点：对于技术背景用户，AI 身份无关紧要，应最大化协作效率
+  - 对方观点：AI 身份是沉浸式体验的一部分，在特定场景下应主动呈现

wiki/sources/the-picture-they-paint-of-you.md

@@ -1,58 +1,73 @@
----
-title: "The Picture They Paint of You"
-type: source
-tags:
-  - "AI SRE"
-  - "Coding Assistant"
-  - "AI Tooling"
-  - "Labor Perception"
-date: 2026-04-13
----
-
-## Source File
-- [[AI/The Picture They Paint of You]]
-
-## Summary（用中文描述）
-- 核心主题：AI 工具的市场定位如何折射出对人类工作者的隐性认知
-- 问题域：AI SRE（站点可靠性工程）和 AI Coding Assistant 两大类 AI 工具的营销话语框架差异
-- 方法/机制：横向对比 10+ 款 AI SRE 产品和 8+ 款 Coding Assistant 的营销文案，提炼命名策略和话语框架
-- 结论/价值：AI 工具的命名与定位不只是营销技巧，更是一种对工作价值的隐性评判——软件工程被建构为"值得赋能的合作伙伴"，而 SRE 被建构为"需要被替代的障碍物"。这种差异映射了组织内部对不同角色真实价值的认知分裂，也暗示决策者与从业者之间对工作意义理解的根本分歧。
-
-## Key Claims（用中文描述）
-- AI SRE 的营销话语普遍将 SRE 工作框架为低价值、可替代的"杂活"——"停止救火""让工程师摆脱繁琐排障""无需全员参与事故处理"，而 Coding Assistant 则强调"赋能""增强""合作伙伴"——"为你构建""让你掌控""让建设者继续建设"
-- 命名本身即是态度：大多数 AI SRE 直接以"AI SRE"命名（直接替代目标角色），而 Coding Assistant 普遍采用人名或隐喻性名称（Copilot/Cline/Cascade）——命名方式暗示了工具被期待扮演的角色
-- AI 工具的市场定位同时映射了**买家（管理者）**对工作的看法，而非仅反映工具本身的能力——当你销售"替代者"时，只需说服付钱的人；当你销售"合作伙伴"时，需要同时说服使用工具的员工和管理者
-- 类比思维既是探索新领域的杠杆，也可能是束缚——泰勒制工厂框架和低地位工作框架一旦被接受，就会在社会层面默许并强化这些刻板印象，代价是排挤更好的替代设计方案
-
-## Key Quotes
-> "Coding assistants are framed as augmenting engineers and are given names, and AI SREs are named 'AI SRE' and generally marketed as a good way to make sure nobody is distracted by unproductive work." — 核心对比
-> "Software Engineering work is perceived as valuable work; the engineer is in control and deserves more power, more control, more productivity. The AI exists to be a partner, a teammate, or an assistant." — AI SRE 眼中的软件工程
-> "Software Reliability Engineering work is a hindrance; teams need to be distracted less by these tasks and instead focus on more valuable work. Human limitations—such as needing to sleep—need to be overcome. The AI exists to replace or be a substitute to the worker." — AI SRE 眼中的 SRE
-> "The picture they paint of you says a lot. Just not about you." — 结论
-> "As much as an analogy can be a lever, it can also be a straitjacket." — 关于类比思维的局限性
-> "In accepting the Taylorist software factory frameworks or AI SREs built while framing the work as low-status, we also—at a social level—tacitly amplify these representations and give them validity." — 对泰勒制框架的批判
-
-## Key Concepts
-- [[AI SRE]]：站点可靠性工程的 AI 替代方案，营销话语普遍以"替代"为核心框架
-- [[Coding Assistant]]：编码助手，营销话语普遍以"赋能/增强"为核心框架
-- [[Taylorism]]（泰勒制）：科学管理思想，以效率为核心将工人视为可替代的生产单元，本文认为 AI 软件工厂框架正在回归泰勒制思维
-- [[剩余原则（Left-over Principle）]]：历史表明一项工作的部分可被自动化，剩余难以自动化的部分则堆积到更少的人身上
-- [[类比作为束缚（Analogy as Straitjacket）]]：类比既可以是探索新领域的杠杆，也可能在深度理解后仍被其框架所限制
-
-## Key Entities
-- [[Anthropic]]：Claude Code 的开发商，引入 Agent Teams 概念，定位为"在你之下"的团队成员，核心话语是"控制"
-- [[GitHub Copilot]]：命名采用协作角色隐喻（副驾驶），定位为加速工作流程的伙伴，强调"在你主导下协作"
-- [[OpenAI Codex]]：定位为"智能编码的指挥中心"，是少数明确趋向替代角色的 AI 编码工具之一
-- [[Cline]]："你的编码伙伴"——唯一直接采用伙伴（partner）语言的编码助手
-- [[AWS DevOps Agent]]：定位为"全天候自主值班工程师"，直接替代人类值班工程师
-
-## Connections
-- [[AI SRE]] ← 工作价值被低估 ← [[SRE]]（wiki 中已存在）
-- [[Anthropic]] ← Claude Code 产品定位 ← [[Claude Code]]（AI Coding Assistant）
-- [[Taylorism]] → 回归趋势 ← [[AI 软件工厂框架]]（Software Factory）
-
-## Contradictions
-- 与传统 SRE 认知冲突（[[what-i-know-about-cloud-service-delivery-1]]）：
-  - 冲突点：SRE 被认为是低成本、可替代的"杂活" vs SRE 被认为是保障系统可靠性的高价值职能
-  - 当前观点（本文）：AI SRE 的营销话语揭示了 SRE 工作被决策者视为低地位、应被自动化的观点
-  - 对方观点：Cloud Service Delivery 文章将 SRE 视为多学科团队的核心组成部分，与 FinOps/安全并列
+---
+title: "The Picture They Paint of You"
+type: source
+tags:
+  - "clippings"
+  - "ai-sre"
+  - "coding-assistants"
+  - "framing"
+  - "tech-ethics"
+date: 2026-04-13
+last_updated: 2026-06-10
+---
+
+## Source File
+- [[raw/AI/The Picture They Paint of You.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI 工具的营销话语框架揭示了技术行业对不同工种的隐性价值判断——编码助手被赋予人格化命名和"增强工程师"定位，AI SRE 则被宣传为替代"低价值"的值班/故障排除工作
+- 问题域：AI 工具营销话语中的刻板印象复制，以及这种框架对从业者自我认知和行业文化的影响
+- 方法/机制：系统性梳理 10+ 款 AI SRE 产品和 8 款编码助手的产品文案，对比命名策略、宣传框架和定位差异
+- 结论/价值：AI SRE 与编码助手被以截然不同的话语框架塑造，前者暗示工作低价值、后者暗示工作高价值；这种差异反映的是买卖双方对工种价值的真实态度，而非工具本身的能力边界；类比既是杠杆也是束缚，泰勒主义式"软件工厂"框架缺乏尊重且概念薄弱
+
+## Key Claims（用中文描述）
+- AI 工具的命名和营销框架揭示了技术行业对不同工种的隐性价值判断：编码助手被赋予"合作伙伴"定位，AI SRE 被宣传为消除"低效干扰"
+- 软件工程工作被视为有价值的工作，工程师掌握主动权，AI 是伙伴/助手；SRE 工作被视为阻碍，人类的局限性（如需要睡眠）被视为需要克服的问题，AI 存在是为了取代工人
+- AI SRE 愿景将事件和故障视为一次性的例外情况草草了事，而非从结构性后果中学习的宝贵机会——与"将事件视为组织定向学习机会"的观点直接对立
+- 产品框架同时反映了工具构建者和买家的价值观：出售"合作伙伴"角色需要同时说服员工和雇主，出售"替代"角色的技术只需与掌握资金的人对话
+- 泰勒主义式"软件工厂"框架——将工人视为可替代的生产要素——缺乏对工作的尊重且概念薄弱，不应被默认接受
+- 类比既是杠杆也是束缚：一旦被困在某个类比模型中，就很难跳出过度简化的思维框架去采用不同视角
+
+## Key Quotes
+> "coding assistants are framed as augmenting engineers and are given names, and AI SREs are named 'AI SRE' and generally marketed as a good way to make sure nobody is distracted by unproductive work." — 核心对比观察
+
+> "The picture that is painted by what is given a name and the framing brought up for tech folks is evocative." — 命名和框架的力量
+
+> "We keep being told it has never been cheaper, easier, or more accessible to create new stuff. This should give everyone involved more time to explore the problem space and learn. Yet here we are." — 技术民主化承诺与实践的落差
+
+> "The picture they paint of you says a lot. Just not about you." — 核心结论：框架揭示的是建构者的价值观，而非工作者本身的价值
+
+## Key Concepts
+- [[Taylorism]]：泰勒主义——将工人视为可量化的生产要素，强调标准化和控制；软件工厂框架体现了泰勒主义思维，将软件工程还原为可替代的生产流程
+- [[Left-Over Principle]]：剩余原则——当一项工作的一部分被自动化和集中化后，剩余难以自动化的部分会被堆到少数人身上，由他们协调其余部分的自动化
+- [[Framing]]：框架效应——同一信息因表述方式不同而产生不同理解；AI 工具的命名和营销话语框架了从业者的自我认知和行业文化
+- [[Anthropomorphism]]：拟人化——给 AI 组件命名并赋予人格特质；作者认为拟人化并非好事，但承认这种命名方式具有强大的暗示效果
+- [[The Left-Over Principle]]：历史一再表明，工作的一部分可以实现自动化，剩余部分则落到少数人身上协调自动化——对 AI 完全替代 SRE 持怀疑态度
+
+## Key Entities
+- [[Claude Code]]：Anthropic 的编码助手，人名定位，强调授权和委托，frame 为增强工程师能力
+- [[Copilot]]：GitHub 的编码助手，命名符合协作角色，frame 为在你领导下协同工作
+- [[Cursor]]：AI 代码编辑器，强调"让你极其高效"和"任务移交加速开发"
+- [[Codex]]：OpenAI 的编码工具，少有的更明确替代性定位，称自己为"智能编码的指挥中心"
+- [[Ciroos]]：AI SRE 产品，少数以"帮助"SRE 团队为目标的产品之一，名称相对人性化
+- [[Cleric]]：AI SRE 产品，少数有名字的角色之一，可能参考 DnD 辅助职业
+- [[Ferd]]（ferd.ca）：文章作者，专注于技术组织文化的博主，著有《学习荒原》等作品
+
+## Connections
+- [[Software Engineering]] ← augments ← [[Claude Code]]
+- [[Software Engineering]] ← augments ← [[Copilot]]
+- [[Software Engineering]] ← augments ← [[Cursor]]
+- [[Software Engineering]] ← augments ← [[Codex]]
+- [[SRE]] ← replaces ← [[Ciroos]]
+- [[SRE]] ← replaces ← [[Cleric]]
+- [[Coding Assistant]] ← shares_framing_with ← [[Agentic AI]]
+- [[AI SRE]] ← shares_framing_with ← [[Automation]]
+- [[Framing]] ← informs ← [[Taylorism]]
+- [[SRE]] ← views_incidents_as ← [[Learning Opportunity]]（当前观点：事件是学习机会）
+- [[AI SRE]] ← views_incidents_as ← [[Exception to Paper Over]]（冲突观点：事件是待解决的例外）
+
+## Contradictions
+- 与"将事件视为学习机会"（作者 Ferd 另一篇文章《Ongoing Tradeoffs and Incidents as Landmarks》）冲突：
+  - 冲突点：SRE 工作中事件和故障的价值定位
+  - 当前观点：AI SRE 将事件和故障视为一次性的例外情况草草了事，而非结构性后果
+  - 对方观点：事件和故障是宝贵的学习机会，帮助组织定向和持续改进

wiki/sources/useful-prompt-lib.md

@@ -1,66 +1,43 @@
----
-title: "Claude Prompt Library 汇总表"
-type: source
-tags: [ai, claude, prompt]
-date: 2026-04-18
----
-
-## Source File
-- [[AI/Useful Prompt Lib]]
-
-## Summary
-
-**核心主题：** Anthropic Claude 官方提示词库（Prompt Library）的完整汇总表，共收录 64+ 款专业化提示词。
-
-**问题域：** 如何高效利用 Claude 完成各领域的专业任务——从代码调试、数据处理、到营销文案、哲学思辨。
-
-**方法/机制：** 每款提示词均遵循统一格式：名称 + 功能描述 + 官方文档链接。用户可直接访问 Anthropic 官方平台获取完整提示词内容。
-
-**结论/价值：**
-- 提示词库覆盖 10+ 领域（开发工具、效率工具、创意工具、营销工具、教育工具等）
-- 高度模块化，可按需选用
-- 重点推荐 TikTok 跨境电商业务相关的 3 款提示词：Babel's Broadcasts、Review Classifier、Data Organizer
-- 建议配合 Nano Banana 提示词框架使用，以获得更好的 Claude 输出质量
-
-## Key Claims
-
-- **Anthropic Prompt Library** 提供 64+ 款预制专业化提示词，覆盖开发、生产力、创意、教育等多元场景
-- **Babel's Broadcasts** 提示词支持用 10 种语言创建产品发布推文，是 TikTok 跨境电商多语言本地化的首选工具
-- **Review Classifier** 可自动化分类 TikTok 店铺或广告投放的评论，提升客服效率
-- **Data Organizer** 能将非结构化文本快速转换为 JSON 格式，对接自动化工作流，适用于竞品数据采集
-- Claude 提示词均托管于官方平台（platform.claude.com），链接格式统一且可持续访问
-
-## Key Quotes
-
-> "针对你目前的 TikTok 跨境电商业务，我建议你重点关注以下几个 Prompt 的逻辑：Babel's broadcasts（多语言本地化改写）、Review classifier（评论自动化分类）、Data organizer（JSON 格式转换）" — 用户场景推荐，来源：AI/Useful Prompt Lib
-
-> "64 款 Claude 提示词从交互式 HTML 游戏到苏格拉底式引导对话，跨越开发、教育、创意、营销等多个垂直领域" — 提示词库功能广度描述
-
-## Key Concepts
-
-- **Anthropic Prompt Library**：Anthropic 官方维护的预制提示词集合，每款提示词针对特定任务场景优化
-- **Babel's Broadcasts**：多语言产品发布文案生成器，支持 10 种语言输出
-- **Review Classifier**：评论/反馈分类器，基于预设标签类别自动归类
-- **Data Organizer**：数据整理器，将非结构化文本转换为 JSON 表格格式
-- **SQL Sorcerer**：自然语言转 SQL 查询工具
-- **Code Consultant**：Python 代码性能优化建议工具
-- **Polyglot Superpowers**：任意语言间互译工具
-
-## Key Entities
-
-- **Anthropic**：Claude 模型开发商，托管官方 Prompt Library 平台
-- **TikTok 跨境电商**：文档推荐的核心业务场景，涉及多语言本地化、评论管理、数据处理
-
-## Connections
-
-- [[Nano Banana 提示词框架]] ← 搭配使用 ← 本提示词库（建议结合使用以提升 Claude 输出质量）
-- [[n8n-workflow-orchestration]] ← 扩展应用 ← Data Organizer（JSON 输出可对接 n8n 自动化工作流）
-- [[google-5个agent-skill设计模式-2026-03-19]] ← 相关框架 ← Prompt Library（均涉及 AI Agent 任务分解模式）
-
-## Contradictions
-
-- 与 [[never-write-another-prompt]] 冲突：
-  - 冲突点：是否需要预先编写/维护提示词库
-  - 当前观点（Prompt Library）：专业任务应使用预制、结构化的提示词模板
-  - 对方观点（never-write-another-prompt）：用户应直接与 AI 对话，无需预先编写提示词
-  - 解读：两者可互补——Prompt Library 提供起点，用户在实际对话中可进一步迭代定制
+---
+title: "Useful Prompt Lib"
+type: source
+tags: [ai, claude, prompt]
+date: 2026-04-27
+---
+
+## Source File
+- [[raw/AI/Useful Prompt Lib.md]]
+
+## Summary（用中文描述）
+- 核心主题：Anthropic Claude Prompt Library（提示词库）的汇总介绍，聚焦 TikTok 跨境电商业务场景推荐
+- 问题域：AI 提示词的选择与应用，适用于内容创作、数据处理、评论管理等电商运营场景
+- 方法/机制：作者 shenwei 精选 3 个 Claude 提示词（Babel's broadcasts、Review classifier、Data organizer）推荐用于 TikTok 业务，并附带完整的 60+ 提示词汇总表
+- 结论/价值：为 TikTok 跨境电商运营者提供可直接复用的提示词工具参考，提升多语言内容创作、评论管理和数据格式化的效率
+
+## Key Claims（用中文描述）
+- Babel's broadcasts 提示词极其适合用于 TikTok 视频脚本的多语言本地化改写
+- Review classifier 可帮助自动化处理和分类 TikTok 店铺或广告投放的评论
+- Data organizer 可在采集竞品数据或非结构化产品信息时，快速将其转化为 JSON 格式以对接自动化工作流
+
+## Key Quotes
+> "针对你目前的 **TikTok 跨境电商** 业务，我建议你重点关注以下几个 Prompt 的逻辑" — 作者 shenwei 对 TikTok 业务的提示词推荐
+
+## Key Concepts
+- [[Prompt Engineering]]：通过精心设计的提示词引导 AI 模型完成特定任务
+- [[Multilingual Localization]]：多语言本地化，使用 Babel's broadcasts 实现 10 种语言的产品发布推文
+- [[Sentiment Classification]]：情感分类，使用 Review classifier 将评论反馈分类到预设标签类别
+- [[Structured Data Extraction]]：结构化数据提取，使用 Data organizer 将非结构化文本转换为 JSON 表格
+
+## Key Entities
+- [[Anthropic]]：Claude 模型的开发商，提供官方 Prompt Library 资源
+- [[Claude]]：Anthropic 开发的 AI 助手，其平台提供丰富的内置提示词库
+- [[TikTok]]：字节跳动旗下短视频平台，文档的业务场景目标
+- [[shenwei]]：文档作者，对 Claude 提示词库进行了 TikTok 电商场景的精选推荐
+
+## Connections
+- [[电商视频Prompt库]] ← relates_to ← [[useful-prompt-lib]]
+- [[Nano Banana 提示词框架]] ← similar_approach ← [[useful-prompt-lib]]
+- [[Prompt Engineering]] ← relates_to ← [[useful-prompt-lib]]
+
+## Contradictions
+- 与 [[电商视频Prompt库]] 无明显冲突，均为提示词工具推荐，侧重点不同（前者偏向电商视频，后者偏向 TikTok 跨境的三大核心场景）

wiki/sources/一语点醒梦中人.md

@@ -1,56 +1,62 @@
----
-title: "一语点醒梦中人"
-type: source
-tags: [古典智慧, 东方哲学, 处世哲学, 诗词典故]
-sources: []
-last_updated: 2026-04-23
----
-
-## Source File
-- [[AI/一语点醒梦中人.md]]
-
-## Summary（用中文描述）
-- 核心主题：收录中国传统诗词与哲学典籍中的经典名句及其释义，涵盖儒、道、佛三家智慧
-- 问题域：人生困境中的处世之道、困境超越的精神境界
-- 方法/机制：通过对经典原文的引用与解读，提炼出可用于现代人生活的智慧箴言
-- 结论/价值：这些跨越千年的智慧可为现代人提供面对困境时的精神指引与心灵启迪
-
-## Key Claims（用中文描述）
-- 王维通过"行到水穷处，坐看云起时"展现困境中顿悟的佛学智慧
-- 曾国藩以"唯忘机可以消众机，唯懵懂可以祓不吉祥"揭示以退让保全自身的处世哲学
-- 庄子"知其不可奈何而安之若命"教导先尽人事、后听天命的接受智慧
-- 《老子》"大智若愚，大巧若拙"传达收敛锋芒、守拙藏锋的生存哲学
-- 《金刚经》"一切有为法，如梦幻泡影"揭示世间万象虚幻短暂应以空性智慧观照
-
-## Key Quotes
-> "行到水穷处，坐看云起时" — 王维《终南别业》，象征人生困境尽头时的超脱与顿悟
-> "唯忘机可以消众机，唯懵懂可以祓不吉祥" — 曾国藩《治心经·诚心篇》，主张以无争无求化解周遭算计
-> "知其不可奈何而安之若命，德之至也" — 庄子《人间世》，教导在尽人事后安然接受不可改变之事
-> "大直若屈，大巧若拙，大辩若讷" — 《老子·第四十五章》，以质朴掩藏才智的守拙哲学
-> "一切有为法，如梦幻泡影，如露亦如电，应作如是观" — 《金刚经》，以空性智慧观照世间万象
-
-## Key Concepts
-- [[空性智慧]]：以"空"观照一切因缘和合的现象，不执着于虚幻短暂的有为法
-- [[守拙]]：大智若愚、大巧若拙的藏锋哲学，不露锋芒以保全自身
-- [[安之若命]]：尽人事后安然接受无法改变之事的接受智慧
-- [[和光同尘]]：收敛光芒、混同尘俗，不标新立异与世无争的处世态度
-- [[忘机]]：摒弃心机智巧，保持淳朴自然的心态以化解纷扰
-- [[中庸之道]]：执两用中，取其平衡，避免极端，在动态中守持正道
-- [[有为法]]：一切因缘和合、有条件、有造作的现象，具有生灭变化之特性
-
-## Key Entities
-- [[王维]]：唐代诗人，被誉为"诗佛"，其诗作体现空寂淡泊的佛学心境
-- [[曾国藩]]：清代重臣，著《治心经》，结合道家无为与儒家诚心思想
-- [[庄子]]：道家代表人物，《人间世》提出"安之若命"的接受智慧
-- [[老子]]：道家创始人，《道德经》《金刚经》虽为佛经但其名亦常被混用，实为不同经典
-- [[苏轼]]：北宋文学家，继承并发扬道家返璞归真思想
-- [[郑板桥]]："难得糊涂"理念的代表性人物
-
-## Connections
-- [[空性智慧]] ← 源自 ← [[王维]] 的佛学修养
-- [[忘机]] ← 典出 ← [[庄子]] 的"鸥鹭忘机"典故
-- [[守拙]] ← 延伸 ← [[老子]] 的返璞归真思想
-- [[安之若命]] ← 出于 ← [[庄子]]《人间世》
-
-## Contradictions
-- 暂无发现与其他 Wiki 页面的内容冲突
+---
+title: "一语点醒梦中人"
+type: source
+tags: []
+date: 2026-06-12
+---
+
+## Source File
+- [[raw/AI/一语点醒梦中人.md]]
+
+## Summary（用中文描述）
+- 核心主题：收录中国古典哲学与诗词中的醒世箴言，涵盖儒释道三家智慧，归纳处世哲学与心灵修养之道
+- 问题域：如何在人生困境中保持内心平静，如何看待得失成败，如何以东方哲学智慧应对现代生活挑战
+- 方法/机制：通过古典诗词、经典著作中的名句，结合出处背景与实践解读，形成可操作的人生指引
+- 结论/价值：东方哲学提供了"尽人事、听天命"的平衡智慧，帮助人们在努力与放下之间找到从容
+
+## Key Claims（用中文描述）
+- 王维通过佛学在人生低谷中形成空寂、淡泊心境，"行到水穷处，坐看云起时"是东方哲学中面对绝境、超越苦难的智慧象征
+- 曾国藩以"忘机消众机，懵懂祓不祥"教导以无争无求、大智若愚的态度应对复杂环境
+- "执一守中"融合儒家"执两用中"与道家"守中"，强调在动态平衡中守持正道，避免极端
+- "知其不可奈何而安之若命"的核心在于先"尽人事"再"听天命"，是一种在努力与放下之间取得平衡的大智慧
+- "一切有为法，如梦幻泡影"教导以"空性"智慧观照世间，以不执着的心态面对一切
+
+## Key Quotes
+> "行到水穷处，坐看云起时" — 王维《终南别业》，象征人生困境中的顿悟与超脱
+> "唯忘机可以消众机，唯懵懂可以祓不吉祥" — 曾国藩《治心经·诚心篇》，以退让朴拙保全自身
+> "执一守中，有劳而作，言行意合，自然而行" — 融合儒道修养的箴言
+> "大智若愚，大巧若拙" — 《老子·第四十五章》，藏锋守拙的生存哲学
+> "和光同尘" — 《老子·第五十六章》，收敛光芒、混同尘俗的处世态度
+> "一切有为法，如梦幻泡影，如露亦如电，应作如是观" — 《金刚经》，以空性智慧观照世间
+> "知其不可奈何而安之若命" — 《庄子·人间世》，尽人事后安然接受不可改变的结果
+> "飘风不终朝，骤雨不终日" — 《老子·第二十三章》，困境终会过去
+
+## Key Concepts
+- [[空性智慧]]：以"空"观照一切现象不执着，为[[金刚经]]的核心教义
+- [[安之若命]]：尽了全部努力后安然接受无法改变的结果，而非消极躺平
+- [[忘机]]：摒弃心机智巧，保持淳朴自然的心态，可消解周遭纷扰
+- [[执一守中]]：融合儒道思想，在动态平衡中守持正道，依时势灵活权衡
+- [[有为法]]：一切因缘和合、有条件、有造作的世间现象，具有生灭变化特性
+- [[修行]]：守相、藏拙、宁神、扩形、藏锋、控语、修心、慎独、惜时等日常实践
+
+## Key Entities
+- [[王维]]：唐代诗人，被誉为"诗佛"，其诗作体现佛学超脱人生观
+- [[苏东坡]]：北宋文豪，相关箴言见于[[养虾日记5：深夜与苏轼聊AI]]
+- [[曾国藩]]：清代重臣，《治心经》作者，提出"忘机消众机"处世智慧
+- [[庄子]]：道家代表，《人间世》提出"安之若命"的接纳哲学
+- [[老子]]：道家始祖，《道德经》提出"守中"、"和光同尘"等核心思想
+
+## Connections
+- [[王维]] ← 诗作体现 ← [[空性智慧]]
+- [[曾国藩]] ← 思想来源 ← [[忘机]]
+- [[庄子]] ← 核心概念 ← [[安之若命]]
+- [[老子]] ← 核心概念 ← [[执一守中]]
+- [[老子]] ← 核心概念 ← [[和光同尘]]
+- [[老子]] ← 核心概念 ← [[有为法]]（反面——强调空性）
+
+## Contradictions
+- 与 [[养虾日记5：深夜与苏轼聊AI]] 存在互补张力：
+  - 冲突点：苏轼以"被浪打下去还能爬起来的才叫风流"强调积极进取，此文强调"安之若命"接纳困境
+  - 当前观点：[[一语点醒梦中人]]认为应在尽了努力后安然接受不可改变之事
+  - 对方观点：苏轼认为无论遭遇多大挫折都要爬起来战斗
+  - 整合解读：两者并不矛盾——[[安之若命]]的"尽人事"前提与苏轼的"爬起来"一致，分歧在于结果不如意时的态度

wiki/sources/不会gemini的产品经理真的要被淘汰了-附保姆级prd生成指南.md

@@ -1,75 +1,65 @@
----
-title: "不会Gemini的产品经理真的要被淘汰了 | 附保姆级PRD生成指南"
-type: source
-tags: []
-date: 2025-12-18
----
-
-## Source File
-- [[AI/不会Gemini的产品经理真的要被淘汰了  附保姆级PRD生成指南]]
-
-## Summary（用中文描述）
-- 核心主题：AI大模型（Gemini/Claude等）如何重塑产品经理的工作流程，特别是需求文档（PRD）的生成效率革命
-- 问题域：产品经理在AI时代的能力重构、工作方式变革、以及是否会被淘汰的职业焦虑
-- 方法/机制：作者提出一套基于大模型的PRD生成三步法——①用FeatureList构思需求框架、②让大模型画逻辑图（ER图/时序图/泳道图）、③分页面逐一描述生成PRD+HTML原型。同时强调"想"必须由人完成，大模型只负责"写"
-- 结论/价值：作者认为大模型可缩短产品经理90%以上的文档工作时间，但"不会用大模型"的产品经理面临被淘汰风险。更深层的洞察是：未来可能不需要PRD文档，产品经理需要向"超级个体"进化——核心能力不是写文档，而是市场洞察和把事情做对的方法论
-
-## Key Claims（用中文描述）
-- Gemini 3 Pro可缩短产品经理某些工作时间90%以上
-- 大多数场景下，All in AI是愚蠢的、懒惰的做法，但企业"贴身去用"看起来像是All in，可能是保持在线、积累认知的聪明做法
-- 超级个体之所以是超级个体，不是因为AI，而是因为他们本来就掌握"把一件事做对"的方法和能力
-- 原本只能做到六十分及以下的人，大概率永远"用不好AI"，而是被工具化，嵌入到AI的某个流程中
-- 市场洞察永远是创业者和产品经理最稀缺、也最重要的能力，技术服务于市场洞察，而不是技术领导市场洞察
-
-## Key Quotes
-> "你想的"永远需要你来完成，大模型只是负责把你脑海里的东西"写"下来。它跟你自己写的差别是，你可以只用只言片语描述需求，它来负责补全各种边界场景定义、各种通用规则描述、语言严谨的行文格式。" — 作者关于人机协作的核心方法论
-
-> "不会用Gemini的产品经理真的要被淘汰了"，这句话不一定对，因为有可能"会用Gemini的产品经理还是会被淘汰"。" — 作者对耸人听闻标题的反思性修正
-
-> "用图文传递信息一定是有损的。智驾都端到端了，需求实现不能端到端吗？" — 作者对未来产品经理工作流变革的前瞻性思考
-
-> "原来我觉得那个临界点就算到来，也不会太近；现在我觉得我不应该做这个判断，我也没能力做这个判断。如果自己并非模型类产品的从业人员，那就贴身去用、悬置判断，等到质变发生的时候，我们能快速嵌入到漩涡中。" — 作者对AI发展的"理性乐观"态度
-
-## Key Concepts
-- [[Vibe Coding]]：用自然语言 + AI 工具完成编码工作的方法论，本文作者将类似思路迁移到产品经理的文档工作
-- [[FeatureList]]：层级式功能需求表，用于在写PRD之前构思产品框架，是作者与Gemini协作的起点
-- [[Mermaid]]：开源图表绘制工具，支持ER图/时序图/泳道图等，大模型可生成其代码后直接渲染为可视化图表
-- [[PRD生成工作流]]：作者提出的三步法——FeatureList构思 → 逻辑图辅助理解 → 分页面逐一描述生成PRD
-- [[AI时代产品经理能力重构]]：产品经理需要掌握将大模型嵌入工作流的能力，而非仅依赖传统文档写作技能
-- [[超级个体]]：能独立完成从创意到交付全流程的个人，其核心竞争力不在于使用AI工具本身，而在于"把事情做对"的方法论
-
-## Key Entities
-- [[Gemini]]：Google开发的大语言模型家族，文章中主要使用的AI工具，被视为产品经理提效的核心工具
-- [[Gemini 3 Pro]]：Gemini系列的高性能版本，被作者用于实际产品需求文档生成
-- [[纯银]]（@vividlife）：文章中提及的犬声社区成员，分享了Gemini 3 Pro的使用体验和"只有提交真实需求，才能获得真实的触动"观点
-- [[Kira2red]]：本文作者，造车行业产品经理，通过亲身实践展示了大模型在PRD生成中的应用
-
-## Connections
-- [[AI时代产品经理能力重构]] ← 核心论点 ← [[不会gemini的产品经理真的要淘汰]]
-- [[FeatureList]] ← 来源 ← [[不会gemini的产品经理真的要淘汰]]
-- [[PRD生成工作流]] ← 来源 ← [[不会gemini的产品经理真的要淘汰]]
-- [[AI时代产品经理能力重构]] ← 关联 ← [[Vibe Coding]]（Vibe Coding在编码领域的类似实践）
-- [[超级个体]] ← 核心洞察 ← [[不会gemini的产品经理真的要淘汰]]
-- [[Mermaid]] ← 工具依赖 ← [[不会gemini的产品经理真的要淘汰]]
-
-## Contradictions
-- 无明显冲突
-
-## 实战工作流细节
-
-### 1. FeatureList阶段
-- 核心技巧：给Gemini提供表头模板，让它按照模板输出层级式功能点
-- 关键原则：只描述"做什么"，不描述"怎么做"，把"想"留给自己，把"写"交给大模型
-- Gemini容易犯的错误：表格格式导出到Excel错行、用制表符代替真正表格
-
-### 2. 逻辑图阶段
-- ER图：描述数据库表结构和字段关系，用mermaid代码输出，飞书文档可直接渲染
-- 时序图：描述业务流程中各角色的交互顺序
-- 核心技巧：遇到名词理解不一致时，给Gemini提供正确的mermaid代码示例，它会快速学会
-
-### 3. PRD生成阶段
-- 核心原则：一个页面一个页面地口述需求，复杂页面拆成几个状态分批沟通
-- Template + 调教：用PRD写作指南 + 简单PRD示例文件喂给大模型
-- 调教方法：直接指出问题，不要客气——"它比真人好的地方是一教就会，同样的问题几乎不会犯两次"
-- HTML生成：对后台需求可同时生成HTML代码，直接作为可交互原型使用
-- 迭代维护：把旧HTML扔给Gemini，描述修改内容，自动生成新版HTML和差量PRD
+---
+title: "不会Gemini的产品经理真的要被淘汰了 | 附保姆级PRD生成指南"
+type: source
+tags: [AI工具, 产品经理, Gemini, PRD, 提示词工程, 工作流]
+date: 2025-12-18
+---
+
+## Source File
+- [[AI/不会Gemini的产品经理真的要被淘汰了  附保姆级PRD生成指南.md]]
+
+## Summary（用中文描述）
+- 核心主题：产品经理如何利用 Gemini 等大模型工具提升工作效率（缩短 90%+ 工作时间），以及 AI 时代产品经理的能力结构重塑
+- 问题域：产品经理日常工作中文档编写（PRD、FeatureList）、逻辑图绘制的效率瓶颈，以及 AI 对产品经理职业前景的影响
+- 方法/机制：四步工作流——(1) 用 FeatureList 构思需求；(2) 用 Mermaid 生成 ER 图/时序图等逻辑图；(3) 分页面口述+模板调教生成 PRD；(4) 同时生成 HTML 原型替代低保真图
+- 结论/价值：大模型适合"写"不适合"想"——产品经理的核心价值在于市场洞察，而非文档写作本身；"不会用 Gemini 的 PM 会被淘汰"这句话的深层含义是：不能将时代新工具嵌入自身能力体系的人终将被淘汰
+
+## Key Claims（用中文描述）
+- Gemini 3 pro 可将产品经理某些工作时间缩短 90% 以上
+- 不会用大模型的中初阶产品经理注定能力结构要重塑
+- 大模型只适合"写"需求文档，不适合"想"——"想"永远需要产品经理完成
+- 一个"调教好"的 Gemini 可以三句话带出一个文档写得好的产品经理
+- 用图文传递信息是有损的，未来需求实现可能端到端
+- 超级个体之所以是超级个体，不是因为 AI，而是因为他们本身就掌握"把一件事做对"的方法和能力
+- 本身只能做到六十分及以下的人，大概率永远"用不好 AI"，会被工具化
+
+## Key Quotes
+> "只有提交真实需求，才能获得真实的触动。" — 纯银分享 Gemini 3 pro 使用感受
+> "大模型只是负责把你脑海里的东西'写'下来。它跟你自己写的差别是，你可以只用只言片语描述需求，它来负责补全各种边界场景定义、各种通用规则描述、语言严谨的行文格式。" — 文章核心方法论
+> "你怎么管理你下属，你就怎么管理 Gemini，严厉一点，没问题的，它不需要你提供情绪价值。" — 使用技巧
+> "三句话，带出来一个文档写得好的产品经理。" — 调教成果
+> "用图文传递信息一定是有损的。" — 关于端到端需求的思考
+> "市场洞察永远是创业者和产品经理最稀缺，也最重要的能力。技术服务于市场洞察，而不是技术领导市场洞察。" — 纯银观点（文章引用）
+> "不能把时代里随时涌现的新东西嵌入到自己中，新时代也就没有了嵌入你我的位置。" — 文章结语
+
+## Key Concepts
+- [[FeatureList]]：按层级展开功能点的需求表，用于构思需求框架，检查模块分层、功能点全面性、优先级合理性
+- [[PRD]]：产品需求文档（Product Requirements Document），产品经理最核心的工作交付物
+- [[ER图]]：Entity-Relationship Diagram，用 Mermaid 代码描述数据结构，用于表达后台系统的实体、属性及其关联
+- [[时序图]]：Sequence Diagram，用 Mermaid 代码描述工作流程中不同角色/模块之间的交互顺序
+- [[Mermaid]]：一种图表代码语言，可用文本描述生成 ER 图、时序图、甘特图等多种逻辑图，支持飞书等工具渲染
+- [[Vibe Coding]]：通过自然语言对话引导 AI 生成代码的工作方式，编码领域已广泛应用，产品领域正在探索
+- [[端到端]]：本文借用自动驾驶"端到端"概念，探讨未来产品需求实现是否可以跳过文档传递，直接由产品经理与 Agent 对话完成
+- [[超级个体]]：指在 AI 时代能借助 AI 工具横跨多个领域做到八九十分的个人；本文观点：超级个体的核心不是 AI 赋能，而是本身就掌握"把一件事做对"的能力（提问能力、模糊信息判断能力、模块化/流程化能力）
+
+## Key Entities
+- [[Gemini]]：Google 的多模态大模型，文章使用的核心工具
+- [[Gemini 3 Pro]]：文章发布时最新版本，引发 AI 圈热议
+- [[Kira2red]]：本文原作者，造车行业产品经理
+- [[纯银]]：产品经理社区（犬校）活跃人物，其文章被本文多次引用
+- [[OpenDriveLab]]：自动驾驶研究机构，文中引用其端到端架构设计文章
+
+## Connections
+- [[Vibe Coding]] ← inspires ← [[FeatureList + Gemini PRD工作流]]（编码领域的 Vibe Coding 启发了产品经理的 AI 工作流探索）
+- [[FeatureList]] ← feeds_into ← [[ER图生成]]（FeatureList 定义了数据结构，是 ER 图的基础）
+- [[FeatureList]] ← feeds_into ← [[时序图生成]]（FeatureList 定义了工作流，是时序图的基础）
+- [[ER图]] + [[时序图]] ← combine_into ← [[PRD文档生成]]（逻辑图为 PRD 提供结构基础）
+- [[PRD文档生成]] ← outputs ← [[HTML原型生成]]（Gemini 同时生成 PRD 和 HTML 代码，HTML 可直接预览）
+- [[超级个体]] ← depends_on ← [[市场洞察能力]]（文章核心论点：市场洞察是最稀缺最重要的能力）
+
+## Contradictions
+- 与纯银观点存在张力：
+  - 冲突点：AI 商业价值大量喷发的时间预期
+  - 当前观点（本文）：AI 在细分场景的进化速度超出预期，应贴身使用、悬置判断
+  - 对方观点（纯银）：两三年内基于大语言模型路线的商业价值大量喷发持悲观态度
+  - 注：文章整体认同纯银"市场洞察优先于技术"的核心论点，只是对 AI 进化速度更乐观

wiki/sources/二创视频必不可少-2025年最热门ai工具推荐合集-ai配音-声音克隆.md

@@ -1,50 +1,56 @@
----
-title: "二创视频必不可少！2025年最热门AI工具推荐合集-AI配音、声音克隆"
-type: source
-tags: [AI工具, AI配音, 声音克隆, 2025]
-date: 2025-03-06
----
-
-## Source File
-- [[raw/AI/二创视频必不可少！2025年最热门AI工具推荐合集-AI配音、声音克隆.md]]
-
-## Summary（用中文描述）
-- 核心主题：2025年AI配音及声音克隆工具推荐合集
-- 问题域：视频创作者寻找AI配音和声音克隆工具的场景
-- 方法/机制：文章系统性评测了7款主流工具，从免费/付费、国际/国内、技术门槛等维度进行对比
-- 结论/价值：为不同用户群体（普通用户、技术开发者、企业团队、短视频新手）提供工具选型建议
-
-## Key Claims（用中文描述）
-- ElevenLabs 是国际顶流配音工具，支持30+语言和情感语音生成，但免费版限制多、付费版价格高
-- 海螺AI（MiniMax出品）小白友好，30秒克隆声音，支持中文等17种语言，国内版免费但无声音克隆功能
-- F5-TTS 适合技术流，支持开源本地部署，2秒音频即可克隆，但需代码基础
-- TTSMaker（马克配音）免费每周3万字，50+语言、300+音色，支持商用，但不支持声音克隆
-- 剪映适合短视频新手，与视频剪辑无缝衔接，但大部分音色需VIP
-- 魔音工坊企业级首选，500+音色可选，支持自动打轴，但普通会员30元/月起
-- AnyVoice 支持3秒克隆，免费无限下载，适合外语教学视频
-
-## Key Quotes
-> "追求高品质：选ElevenLabs" — 高端配音场景选型建议
-> "日常免费党：海螺AI、TTSMaker、AnyVoice闭眼入" — 零成本配音选型建议
-> "技术流/企业：F5-TTS本地部署，魔音工坊买会员" — 进阶用户选型建议
-> "短视频新手：直接用剪映，省时省力" — 新手快速上手选型建议
-
-## Key Concepts
-- [[AI配音]]：利用人工智能技术将文字转换为自然语音的技术，支持多语言、多音色、情感表达
-- [[声音克隆]]：通过少量音频样本训练AI模型，生成与原声音高度相似的合成语音
-
-## Key Entities
-- [[ElevenLabs]]：国际顶流AI配音工具，支持多语言和情感语音生成
-- [[海螺AI]]：MiniMax出品的AI配音工具，小白友好，支持30秒声音克隆
-- [[F5-TTS]]：开源AI配音工具，支持本地部署，2秒音频克隆
-- [[TTSMaker]]：免费配音工具，每周3万字，300+音色，支持商用
-- [[剪映]]：抖音官方视频剪辑工具，内置AI配音功能
-- [[魔音工坊]]：企业级配音平台，500+音色可选，支持自动打轴
-- [[AnyVoice]]：3秒克隆黑科技，支持中英日韩四语
-- [[MiniMax]]：海螺AI的出品公司，国内AI独角兽
-
-## Connections
-- [[二创视频必不可少-2025年最热门ai工具推荐合集-ai配音-声音克隆]] ← part_of ← [[2025年最热门AI工具推荐合集]]（系列文章第九篇）
-
-## Contradictions
-- 无已知冲突
+---
+title: "二创视频必不可少！2025年最热门AI工具推荐合集-AI配音、声音克隆"
+type: source
+tags: []
+date: 2025-12-18
+---
+
+## Source File
+- [[AI/二创视频必不可少！2025年最热门AI工具推荐合集-AI配音、声音克隆]]
+
+## Summary（用中文描述）
+- 核心主题：2025年主流AI配音及声音克隆工具推荐合集，面向内容创作者（二创视频制作者）
+- 问题域：如何选择适合的AI配音工具和声音克隆工具
+- 方法/机制：逐个工具介绍官网、特点、优缺点、声音克隆支持情况、是否需要梯子
+- 结论/价值：按使用场景（高品质/免费/技术流/短视频新手）给出选型建议
+
+## Key Claims（用中文描述）
+- ElevenLabs 是国际顶流AI配音工具，支持30+语言和方言，能生成带情感变化的语音
+- 海螺AI（MiniMax出品）小白友好，30秒克隆声音，支持中文、粤语等17种语言，国内版免费但无声音克隆
+- F5-TTS 开源免费，2秒音频克隆，支持本地部署，适合技术流用户
+- TTSMaker（马克配音）每周免费3万字，50+语言、300+音色，商用免费，但不能声音克隆
+- 剪映集成AI配音，与视频剪辑无缝衔接，适合短视频新手
+- 魔音工坊500+音色可选，支持文案提取、自动打轴，普通克隆免费
+- AnyVoice 仅需3秒录音即可克隆，支持中英日韩四语，免费无限下载
+
+## Key Quotes
+> "追求高品质：选ElevenLabs" — 工具选型建议
+> "日常免费党：海螺AI、TTSMaker、AnyVoice闭眼入" — 工具选型建议
+> "技术流/企业：F5-TTS本地部署，魔音工坊买会员" — 工具选型建议
+> "短视频新手：直接用剪映，省时省力" — 工具选型建议
+
+## Key Concepts
+- [[AI配音]]：使用AI技术将文字转换为语音，支持多语言、多音色、情感表达
+- [[声音克隆]]：通过少量音频样本训练AI模型，复制特定人物的声音特征
+- [[AI数字人]]：（关联概念）AI配音常与数字人结合，实现虚拟主播/数字人说话效果
+- [[情绪语音合成]]：在语音生成过程中加入开心、生气等情感参数，提升自然度
+
+## Key Entities
+- [[ElevenLabs]]：国际顶流AI配音平台，支持30+语言，API接口灵活，适合有声书/游戏配音
+- [[海螺AI]]：MiniMax出品，国内友好，30秒克隆声音，支持17种语言，国内版免费
+- [[F5-TTS]]：开源AI配音工具，2秒音频克隆，支持本地部署，中英文长文本
+- [[TTSMaker]]：马克配音，每周免费3万字，50+语言，300+音色，商用免费，无克隆
+- [[剪映]]：抖音官方视频剪辑工具，内置AI配音，与视频编辑无缝衔接
+- [[魔音工坊]]：500+音色，企业级配音工具，支持文案提取、自动打轴，普通克隆免费
+- [[AnyVoice]]：3秒克隆黑科技，支持中英日韩，免费无限下载
+- [[MiniMax]]：海螺AI背后的公司，提供语音合成和声音克隆技术
+- [[Ai牛叔]]：公众号作者，专注AI工具分享
+
+## Connections
+- [[ElevenLabs]] ← 替代方案 ← [[海螺AI]]
+- [[F5-TTS]] ← 开源平替 ← [[ElevenLabs]]
+- [[剪映]] ← 集成于 ← [[AI视频制作]]
+- [[声音克隆]] ← 核心技术 ← [[AI配音]]
+
+## Contradictions
+- 暂无检测到冲突内容

wiki/sources/清华出的deepseek使用手册-104页-真的是太厉害了-免费领取.md

@@ -1,51 +1,45 @@
----
-title: "清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）"
-type: source
-tags: []
-date: 2025-12-18
----
-
-## Source File
-- [[raw/AI/清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）.md]]
-
-## Summary（用中文描述）
-- 核心主题：清华大学发布的《DeepSeek从入门到精通2025》官方使用手册，104页全面指南
-- 问题域：如何高效使用 DeepSeek AI，包括模型选择、提示语设计、避免常见误区
-- 方法/机制：通过"授人以渔"方式讲解原理，手把手教会用户理解提示词底层逻辑，而非简单复制 GPT 提示词
-- 结论/价值：理论与实践结合紧密，适合不同层次读者；强调避免 AI 幻觉的技巧和设计超棒提示语的秘籍；体现了中国在 AGI 领域的实力
-
-## Key Claims（用中文描述）
-- 清华大学新闻与传播学院元宇宙文化实验室发布的《DeepSeek从入门到精通2025》手册，由余梦珑博士后及团队撰写
-- DeepSeek 开源的推理模型 DeepSeek-R1 在处理复杂任务方面表现出色，备受世界瞩目
-- 该手册不仅讲原理，还手把手教用户科学使用——告诉用户"怎么问"更告诉"为什么这么问"
-- 手册共 104 页，包含避免 AI 幻觉的小窍门和设计超棒提示语的秘籍
-- 文档适合不同层次读者，但对完全新手来说部分章节可能稍显复杂
-
-## Key Quotes
-> "以前我看了很多教程，都感觉特别花哨，没啥干货，大部分就是把GPT的说明书稍微改改，就拿来用在DeepSeek上了，没啥用。但清华这个手册完全不一样！它先是给你讲清楚原理，然后手把手教你怎么科学地使用。" — 来源评论
-> "这才是真正的'授人以渔'，太有用了！" — 来源评论
-> "清华的专家们毫无保留，分享了超多实用技巧，从避免 AI 幻觉的小窍门，到设计超棒提示语的秘籍，共104页，全是能直接上手的干货" — 来源介绍
-
-## Key Concepts
-- [[DeepSeek-R1]]：DeepSeek 开源的推理模型，以处理复杂任务见长，是 AGI 领域的重要里程碑
-- [[提示语设计]]：通过"授人以渔"方式讲解提示词底层逻辑，而非简单套用 GPT 提示词
-- [[AI幻觉]]：手册中包含如何避免 AI 产生幻觉内容（生成看似合理但错误的信息）的实用技巧
-- [[通用人工智能（AGI）]]：DeepSeek 的公司使命，专注于通用人工智能研究
-- [[推理模型]]：区别于普通语言模型，专注于复杂推理任务的模型类型
-
-## Key Entities
-- [[清华大学]]：新闻与传播学院元宇宙文化实验室，发布了该手册
-- [[余梦珑]]：博士后，清华大学新闻与传播学院元宇宙文化实验室研究员，手册主要作者
-- [[DeepSeek]]：专注于 AGI 的中国科技公司，开源了 DeepSeek-R1 推理模型
-- [[DeepSeek-R1]]：DeepSeek 开源的推理模型，在复杂任务处理方面表现出色
-
-## Connections
-- [[DeepSeek-R1]] ← 核心主题 ← [[清华出的DeepSeek使用手册]]
-- [[提示语设计]] ← 关键内容 ← [[清华出的DeepSeek使用手册]]
-- [[AI幻觉]] ← 涵盖主题 ← [[清华出的DeepSeek使用手册]]
-
-## Contradictions
-- 与 [[llms-rag-ai-agent-三个到底什么区别]] 存在互补关系：
-  - 冲突点：该手册聚焦 DeepSeek 单个模型的具体使用方法，后者聚焦 LLM/RAG/Agent 三层架构的宏观对比
-  - 当前观点：该手册从清华大学实践角度提供 DeepSeek 特定提示词技巧和避免幻觉策略
-  - 对方观点：从系统架构层面解释 LLM（思考层）、RAG（记忆层）、Agent（执行层）的协作关系
+---
+title: "清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）"
+type: source
+tags: [DeepSeek, AI提示词, 清华大学]
+date: 2025-12-18
+---
+
+## Source File
+- [[AI/清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）.md]]
+
+## Summary（用中文描述）
+- 核心主题：清华大学发布的《DeepSeek从入门到精通2025》104页官方使用手册，系统讲解DeepSeek的技术原理与应用方法。
+- 问题域：AI使用效率提升、提示词设计、DeepSeek模型应用。
+- 方法/机制：通过"授人以渔"的教学理念，先讲原理再教实操，揭示提示词底层逻辑，帮助用户掌握科学使用AI的方法。
+- 结论/价值：区别于市面上简单改写GPT说明书的粗糙教程，清华手册提供理论与实践结合的深度内容，适合不同层次读者，但新手可能需要逐步实践掌握。
+
+## Key Claims（用中文描述）
+- 清华大学新媒体研究中心元宇宙文化实验室发布的《DeepSeek从入门到精通2025》手册，区别于市面大多数简单改写GPT说明书的粗糙教程，真正从原理出发，手把手教学。
+- DeepSeek开源推理模型DeepSeek-R1在处理复杂任务方面表现出色，备受世界瞩目。
+- 该手册涵盖智能对话、文本生成、代码生成等多种应用场景，并深入探讨模型选择、提示语设计及避免常见误区。
+- 手册提供避免AI幻觉的技巧和设计超棒提示语的秘籍，帮助用户直接提升AI使用体验。
+
+## Key Quotes
+> "以前我看了很多教程，都感觉特别花哨，没啥干货，大部分就是把GPT的说明书稍微改改，就拿来用在DeepSeek上了，没啥用。但清华这个手册完全不一样！它先是给你讲清楚原理，然后手把手教你怎么科学地使用。" — 用户评价
+
+> "这才是真正的'授人以渔'，太有用了！" — 用户评价
+
+## Key Concepts
+- [[提示词工程]]：通过科学设计提示语（Prompt）提升AI使用效率的方法，手册核心教学内容之一。
+- [[AI幻觉]]：AI模型生成看似正确但实际错误的内容，手册提供避免AI幻觉的实用技巧。
+- [[DeepSeek-R1]]：DeepSeek公司开源的推理模型，在复杂任务处理方面表现优异。
+
+## Key Entities
+- [[余梦珑]]：清华大学新闻与传播学院新媒体研究中心元宇宙文化实验室博士后，该手册作者。
+- [[清华大学]]：中国顶尖大学，其新媒体研究中心发布了本手册，体现了中国在人工智能领域的强大实力和创新能力。
+- [[DeepSeek]]：专注于通用人工智能（AGI）的中国科技公司，开源的DeepSeek-R1推理模型备受世界瞩目。
+
+## Connections
+- [[余梦珑]] ← authored ← [[清华出的DeepSeek使用手册]]
+- [[清华出的DeepSeek使用手册]] ← teaches ← [[提示词工程]]
+- [[清华出的DeepSeek使用手册]] ← covers ← [[DeepSeek-R1]]
+- [[清华出的DeepSeek使用手册]] ← applies_to ← [[DeepSeek]]
+
+## Contradictions
+- 暂无发现与其他Wiki页面的直接冲突。

wiki/sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.md

@@ -1,86 +1,57 @@
----
-title: "详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1"
-type: source
-tags: []
-date: 2026-04-23
----
-
-## Source File
-- [[AI/详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1.md]]
-
-## Summary（用中文描述）
-- 核心主题：如何在本地机器上离线部署和运行大语言模型（LLM），使用 Ollama + DeepSeek + Open WebUI 实现私有化 AI 服务
-- 问题域：国内网络环境下 LLM 部署面临的下载慢、无 API Key、数据隐私等挑战
-- 方法/机制：
-  - Ollama：跨平台（macOS/Windows/Linux/Docker）本地 LLM 运行框架
-  - DeepSeek-R1 系列蒸馏模型：1.5B~671B 参数多个版本
-  - Open WebUI：基于浏览器的开源 Web 界面，集成 Ollama API
-  - 离线方案：通过第三方（魔塔社区/HuggingFace Mirror/夸克网盘）下载模型文件后用 `ollama create` 导入
-  - 局域网访问：通过环境变量 OLLAMA_HOST=0.0.0.0 配置
-  - API 安全：通过 nginx 反向代理 + Bearer Token 保护云服务器部署
-- 结论/价值：提供完整的国内环境本地 LLM 部署实操指南，覆盖安装、下载、调优、安全配置的完整闭环
-
-## Key Claims（用中文描述）
-- Ollama 提供简洁的跨平台 LLM 部署方案，4GB RAM 跑 1.5B 模型，32GB RAM 跑 33B 模型
-- DeepSeek-R1:32b 及以下模型可在 Apple M2 Max Mac Studio 上流畅运行
-- 模型下载速度开始快后变慢可通过间隔重启下载进程解决
-- Docker 部署 Ollama 可实现 GPU 加速（`--gpus=all`）
-- 云服务器部署必须配置 API KEY 保护（nginx + Bearer Token）防止被恶意调用
-- Open WebUI 可通过 docker-compose 一键部署，集成 DeepSeek-R1:8b 和 bge-m3 嵌入模型
-
-## Key Quotes
-> "你应该至少有 4 GB 的 RAM 来运行 1.5B 模型，至少有 8 GB 的 RAM 来运行 7B 模型，16 GB 的 RAM 来运行 13B 模型，以及 32 GB 的 RAM 来运行 33B 模型。" — Ollama 硬件要求参考
-> "假若需要本地私有化部署具有实用性的模型，应至少有独立显卡并有 4G 以上显存。纯 CPU 模式虽然也可以运行，但生成速度很慢，仅适用于本地开发调试体验一下。" — 实用部署建议
-> "如果你是在云服务器等拥有公网IP的环境上部署，请谨慎做此设置（OLLAMA_HOST=0.0.0.0），否则可能导致 API 服务被恶意调用。" — 云服务器安全警告
-
-## Key Concepts
-- [[Local LLM Deployment]]：在本地机器上离线运行大语言模型，确保数据隐私，无需 API Key 费用
-- [[Ollama]]：开源本地 LLM 运行框架，提供简单命令行和 API 接口
-- [[Open WebUI]]：开源 Web 界面工具，为 Ollama 等 LLM 提供图形化交互体验
-- [[RAG]]：检索增强生成，Open WebUI 使用 bge-m3 嵌入模型构建本地知识库
-- [[Docker LLM Deployment]]：通过 Docker 容器化部署 Ollama 和 Open WebUI
-- [[Model Quantization]]：GGUF 格式量化模型，通过 `ollama create` 导入本地文件
-
-## Key Entities
-- [[Ollama]]：开源本地 LLM 框架，支持 macOS/Windows/Linux/Docker，官方站 ollama.com，中文站 ollama.org.cn
-- [[DeepSeek]]：深度求索 AI 公司，发布 DeepSeek-R1 系列开源推理模型（1.5B~671B），ollama 官方模型库支持
-- [[Open WebUI]]：开源大模型 Web 界面项目（ghcr.io/open-webui/open-webui），通过 Ollama API 集成多种 LLM，支持 RAG 知识库和联网搜索
-- [[HuggingFace Mirror]]（hf-mirror.com）：HuggingFace 国内镜像站，解决模型下载速度问题
-- [[魔塔社区]]（modelscope.cn）：阿里达摩院模型库，ollama 支持直接从魔塔下载模型
-- [[夸克网盘]]：第三方离线模型下载渠道，deepseek-r1 模型夸克链接共享
-
-## Connections
-- [[Ollama]] ← runs ← [[DeepSeek]]
-- [[Ollama]] ← hosts ← [[Open WebUI]]
-- [[Open WebUI]] ← uses ← [[RAG]]（bge-m3 嵌入模型）
-- [[Local LLM Deployment]] ← solved_by ← [[Ollama]] + [[DeepSeek]] + [[Open WebUI]]
-- [[Docker LLM Deployment]] ← extends ← [[Docker]]（Ollama 的 Docker 部署模式）
-
-## Contradictions
-- 无已知冲突页面
-
-## DeepSeek-R1 模型规格参考
-
-| 参数版本 | 模型大小 | 建议内存 | 建议显存 | 特点 |
-|---------|---------|---------|---------|------|
-| deepseek-r1:1.5b | 1.1GB | 4~8G | 4GB | 轻量级，速度快 |
-| deepseek-r1:7b | 4.7GB | 16G | 14GB | 性能较好，硬件适中 |
-| deepseek-r1:8b | 4.9GB | 16G | 14GB | 略强于 7b，精度更高 |
-| deepseek-r1:14b | 9GB | 32G | 26GB | 高性能，复杂任务 |
-| deepseek-r1:32b | 20GB | 64G | 48GB | 专业级，高精度 |
-| deepseek-r1:70b | 43GB | 128G | 140GB | 顶级模型，大规模计算 |
-| deepseek-r1:671b | 404GB | 512G | 1342GB | 超大规模，推理速度快 |
-
-## Ollama 常用命令
-
-| 命令 | 功能 |
-|------|------|
-| `ollama --version` | 验证安装 |
-| `ollama serve` | 启动服务 |
-| `ollama run <model:size>` | 下载并运行模型 |
-| `ollama pull <model:size>` | 拉取模型 |
-| `ollama create <name> -f <Modelfile>` | 从 Modelfile 导入本地模型 |
-| `ollama list` | 列出所有模型 |
-| `ollama show <model>` | 显示模型详情 |
-| `ollama ps` | 列出运行中的模型 |
-| `ollama rm <model>` | 删除模型 |
+---
+title: "详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决"
+type: source
+tags: [AI, LLM, 本地部署, Ollama, DeepSeek, Open WebUI, Docker, RAG]
+date: 2026-05-07
+---
+
+## Source File
+- [[raw/AI/详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1.md]]
+
+## Summary（用中文描述）
+- 核心主题：使用 ollama + DeepSeek + Open WebUI 在本地离线部署大语言模型，提供图形化界面与 RAG 本地知识库能力
+- 问题域：如何在没有网络或注重隐私的环境下本地运行大模型、如何加速模型下载、如何集成可视化界面
+- 方法/机制：ollama 跨平台安装（原生/Docker）、DeepSeek-R1 系列多规格模型下载、本地模型导入、API 配置、Open WebUI Docker 部署、RAG 嵌入模型配置
+- 结论/价值：完整覆盖从零安装到生产使用的全链路操作手册，含详尽硬件要求、模型规格对照表、常见问题解决方案
+
+## Key Claims（用中文描述）
+- ollama 在 macOS（Apple M2 Max）上可流畅运行 DeepSeek-R1:32b 及以下模型
+- DeepSeek-R1:32b 需要 16核 CPU + 64GB 内存 + 48GB 显存的硬件配置
+- 模型下载速度变慢时，间隔性中断并重试可有效提速
+- 通过魔塔社区（modelscope.cn）和 HF 国内镜像（hf-mirror.com）可绕过官方下载限速
+- Open WebUI 可通过 docker-compose 一键部署，集成 ollama API 和 RAG 本地知识库
+- 公网部署 ollama API 必须加 nginx API KEY 保护，否则存在安全风险
+
+## Key Quotes
+> "你应该至少有 4 GB 的 RAM 来运行 1.5B 模型，至少有 8 GB 的 RAM 来运行 7B 模型，16 GB 的 RAM 来运行 13B 模型，以及 32 GB 的 RAM 来运行 33B 模型。" — ollama 官方硬件建议
+
+> "纯 CPU 模式虽然也可以运行，但生成速度很慢，仅适用于本地开发调试体验一下。" — 作者评价
+
+> "如果你是在云服务器等拥有公网IP的环境上部署，请谨慎做此设置（OLLAMA_HOST=0.0.0.0），否则可能导致 API 服务被恶意调用。" — 安全警示
+
+## Key Concepts
+- [[RAG]]：检索增强生成，通过 bge-m3 嵌入模型构建本地知识库，Open WebUI 支持该功能
+- [[GGUF格式]]：Ollama 支持导入 GGUF 格式的本地模型文件（.gguf），用于离线部署
+- [[API网关]]：通过 nginx 配置 Bearer Token 认证保护 ollama API 服务
+
+## Key Entities
+- [[Ollama]]：开源本地大语言模型运行框架，支持 macOS/Windows/Linux/Docker 多平台
+- [[DeepSeek]]：专注 AGI 的中国科技公司，提供 DeepSeek-R1 系列开源推理模型
+- [[Open WebUI]]：开源大模型 Web 界面，支持集成 ollama/OpenAI API，提供聊天机器人和 RAG 本地知识库功能
+- [[Docker]]：容器化平台，用于部署 ollama 和 Open WebUI，实现环境隔离和便捷管理
+- [[BGE-M3]]：多语言嵌入模型，用于 RAG 本地知识库的向量化嵌入
+
+## Connections
+- [[Ollama]] ← runs ← [[DeepSeek]]
+- [[Ollama]] ← exposes API via ← [[API网关]]
+- [[Open WebUI]] ← connects to ← [[Ollama]]
+- [[RAG]] ← uses embedding model ← [[BGE-M3]]
+- [[Docker]] ← hosts ← [[Ollama]]
+- [[Docker]] ← hosts ← [[Open WebUI]]
+
+## Contradictions
+- 与 [[清华出的deepseek使用手册-104页-真的是太厉害了-免费领取]] 的侧重点：
+  - 冲突点：手册侧重 DeepSeek 模型使用技巧，本文侧重本地部署工程实践
+  - 当前观点：优先解决「如何本地运行」的基础设施问题
+  - 对方观点：侧重「如何用好模型」的提示词工程方法
+  - 说明：两者互补而非冲突，手册提供使用指南，本文提供部署指南

wiki/sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md

@@ -1,51 +1,51 @@
----
-title: "谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版"
-type: source
-tags: [AI图像生成, 提示词工程, 专业内容生产, Nano-Banana-Pro]
-date: 2025-12-18
----
-
-## Source File
-- [[AI/谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版]]
-
-## Summary（用中文描述）
-- 核心主题：谷歌发布的 Nano Banana Pro 模型官方提示词指南，聚焦如何将 AI 图像生成从"趣味性"升级为"功能性"专业内容生产
-- 问题域：AI 图像生成提示词编写方法论，适用于信息图、品牌资产、故事板、UI 设计等专业场景
-- 方法/机制：10 大提示词黄金法则 + 9 个实战章节，核心理念是"像创意总监一样思考，而非堆砌标签"
-- 结论/价值：提供可直接复用的提示词模板，覆盖文本渲染、角色一致性、信息锚定、高级编辑、2D/3D 转换等全流程
-
-## Key Claims（用中文描述）
-- Nano Banana Pro 通过意图理解引擎实现物理规则推演、构图美学理解和语义上下文推理，而非传统关键词匹配
-- 模型支持最多 14 张参考图像（6 张高保真），实现"身份锁定"确保角色在多场景中面部一致性
-- 该模型默认生成思考图像（不收费）后再输出最终结果，实现数据分析和视觉问题解决
-- 提示词应使用完整自然语言描述，而非标签堆砌；一张图 80% 正确时应编辑而非重新生成
-- 支持 1K 至 4K 原生高分辨率输出，适合大幅面打印和专业纹理细节
-
-## Key Quotes
-> "要获得最佳效果，请停止使用'标签堆砌'，开始像创意总监一样思考。" — 谷歌 Nano Banana Pro 官方指南
-
-> "如果一张图像有 80% 是正确的，不要从头开始生成新图像。相反，只需要求进行你需要的具体更改。" — 谷歌 Nano Banana Pro 官方指南
-
-> "Nano-Banana Pro 是一个'会思考'的模型。它不仅仅是匹配关键词；它能理解意图、物理原理和构图。" — 谷歌 Nano Banana Pro 官方指南
-
-## Key Concepts
-- [[提示词工程]]：本文的核心主题，通过系统化方法论指导 AI 生成专业级图像内容
-- [[Nano Banana Pro]]：谷歌发布的专业级 AI 图像生成模型，核心突破是意图理解引擎而非关键词匹配
-- [[身份锁定（Identity Locking）]]：通过参考图像确保角色在多场景中保持面部一致性的技术
-- [[思维推理模式（Thinking Mode）]]：模型在渲染前生成临时思考图像以优化构图，支持方程求解和视觉推理
-- [[信息图生成]]：将财报、数据、教程等文本内容压缩转化为可视化信息图表
-- [[2D/3D 转换]]：将平面图、线框图转换为 3D 可视化，支持反向操作
-- [[草图转成品（Sketch to Final）]]：上传手绘草图精确定义文本和对象位置，生成高保真广告/UI 资产
-
-## Key Entities
-- [[谷歌]]（Google）：Nano Banana Pro 的发布方和提示词指南的编写者
-
-## Connections
-- [[nano-banana-pro-prompting-guide-strategies-1]] ← related_to ← [[提示词工程]]
-- [[nano-banana-提示词框架]] ← related_to ← [[Nano Banana Pro]]
-- [[全网最全-nano-banana-2-使用指南-2025年12月更新-1]] ← extends ← [[Nano Banana Pro]]
-- [[如何写出完美的prompt-提示词]] ← related_to ← [[提示词工程]]
-- [[系统提示词构建原则]] ← related_to ← [[提示词工程]]
-
-## Contradictions
-- 暂无发现与其他 Wiki 页面的冲突内容
+---
+title: "谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版"
+type: source
+tags: []
+date: 2025-12-18
+---
+
+## Source File
+- [[AI/谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版.md]]
+
+## Summary（用中文描述）
+- 核心主题：Google 生成式AI团队发布的 Nano Banana Pro 提示词官方指南，教授如何用该模型制作专业级内容
+- 问题域：AI图像生成的专业化、工业化生产流程；提示词从"关键词堆砌"到"创意总监式思维"的范式转变
+- 方法/机制：10条黄金法则 + 7大能力模块（文本渲染/角色一致性/信息锚定/编辑修复/维度转换/高分辨率/推理思考/故事板/结构控制）
+- 结论/价值：Nano Banana Pro 是从"趣味性"到"功能性"专业资产生产的重大飞跃，具备意图理解引擎、物理规则推演、构图美学理解和语义上下文推理能力
+
+## Key Claims（用中文描述）
+- Nano Banana Pro 通过意图理解引擎实现从"关键词匹配"到"意图理解"的范式转移
+- 提示词应像"创意总监做简报"，使用自然语言和完整句子，而非标签堆砌
+- 编辑优先原则：当图像80%正确时，通过对话式编辑修改，而非重新生成
+- 支持14张参考图像（含6张高保真度），实现"身份锁定"保持角色一致性
+- 集成 Google 搜索能力，基于实时数据减少AI幻觉
+- 原生支持1K至4K分辨率生成，适用于大幅面打印
+- 默认"思考"过程，生成临时思考图像优化构图（不收费）
+
+## Key Quotes
+> "要获得最佳效果，请停止使用'标签堆砌'（例如：狗、公园、4k、写实），开始像创意总监一样思考。" — 谷歌官方指南核心原则
+> "如果一张图像有 80% 是正确的，不要从头开始生成新图像。相反，只需要求进行你需要的具体更改。" — 编辑优先原则
+> "Nano-Banana Pro 是相对于前代模型的重大飞跃，从'趣味性'图像生成转向'功能性'专业资产生产。" — 模型定位
+
+## Key Concepts
+- [[意图理解引擎]]：Nano Banana Pro 的核心能力——理解意图、物理原理和构图，而非简单关键词匹配
+- [[身份锁定]]：使用参考图像锁定人物/角色面部特征，在新场景中保持一致性
+- [[对话式编辑]]：通过自然语言指令修改图像，而非重新生成
+- [[信息锚定]]：集成 Google 搜索，基于实时数据生成图像，减少幻觉
+- [[结构控制与布局引导]]：通过上传草图/线框图/网格图像精确控制输出构图
+
+## Key Entities
+- [[Google Generative AI]]：发布 Nano Banana Pro 的团队
+- [[Nano Banana Pro]]：Google 的专业级图像生成模型
+- [[三次方科技风口]]：发布本文的微信公众号
+
+## Connections
+- [[清华出的deepseek使用手册]] ← 互补 ← [[Nano Banana Pro提示词指南]]（DeepSeek手册侧重LLM文本生成，本文侧重图像生成）
+- [[文字生成视频网站推荐]] ← 扩展 ← [[Nano Banana Pro提示词指南]]（均为AI内容生产工具指南）
+
+## Contradictions
+- 与"通用AI图像生成"常见认知冲突：
+  - 冲突点：传统观点认为AI生成靠"关键词堆砌"，本文主张"创意总监思维"
+  - 当前观点：应像对人类艺术家做简报一样，使用完整句子和描述性形容词
+  - 对方观点：标签堆砌（如"狗、公园、4k、写实"）是主流用法