发布

极简长文朗读器：左右分屏实时朗读工具

极简长文朗读器是什么

极简长文朗读器是一款基于浏览器 Web Speech API 的本地文本朗读工具。它采用左右分屏的极简设计：左侧输入文本，右侧实时生成可朗读的阅读视图，全部处理都在浏览器内完成，无需上传、无需后端。

核心功能

  • 左右分屏实时同步：左侧编辑文本，右侧阅读视图即时解析渲染，边写边读。
  • 中英文智能识别：自动判断文本为中文还是英文，也可手动选择语种。
  • 按句高亮：朗读时当前句子以黄色高亮显示，并自动滚动到视野中央。
  • 点击跳转播放：点击阅读视图中的任意句子，即可从该句开始朗读。
  • 语速调节：支持 0.5x ~ 2.0x 语速调节，拖动滑块即可实时生效。
  • 发音人选择：自动加载系统语音，支持手动切换中英文发音人。
  • 防中断保活：针对部分浏览器长段朗读容易中断的问题，内置保活机制。
  • 内置范例：一键加载中英文示例文本，快速体验朗读效果。

与 Read Aloud 的区别

特性 极简长文朗读器 Read Aloud
界面 左右分屏，实时同步 编辑/阅读视图切换
分句 按中英文标点实时切分 段落 + 句子双层切分
音调调节 无 支持
进度显示 无 句数 / 时间
设计 极简 Tailwind 风格 卡片式工具风格

可以根据个人喜好选择更适合自己的一款，两者都是纯浏览器本地运行。

tool tts text-to-speech reader web-speech-api speech-synthesis browser minimalist 在线工具

发布

剪贴板备份：浏览器本地剪贴板历史管理工具

剪贴板备份是什么

剪贴板备份是一款纯前端、无需后端的浏览器剪贴板历史管理工具。它支持保存文本、HTML、RTF、图片等多种剪贴板格式，利用浏览器 IndexedDB 本地持久化存储，随时恢复或下载历史内容。

核心功能

  • 多格式剪贴板捕获：支持保存文本、HTML、RTF、URL 列表、PNG / JPEG / GIF / WebP 图片等多种剪贴板格式。
  • 本地持久化存储：所有备份数据通过 IndexedDB 存储在浏览器本地，刷新页面或关闭浏览器后数据不丢失。
  • 多格式预览：支持按格式切换预览，文本、HTML、图片分别渲染，HTML 内容经 DOMPurify 安全过滤。
  • 一键恢复复制：点击复制按钮即可将备份内容还原到系统剪贴板，图片自动转换为 PNG 格式以兼容 Clipboard API。
  • 逐格式下载：每个备份的每种格式均可单独下载为对应文件（txt、html、rtf、png 等）。
  • 相对时间显示：备份时间以"刚刚""5 分钟前""2 小时前"等相对时间展示，直观易读。
  • 全页粘贴支持：不仅可以在粘贴区域粘贴，在页面任意位置按 Ctrl+V 均可触发备份。
  • 批量清空：支持一键删除所有备份，操作前需确认，防止误删。

使用方式

  1. 打开 剪贴板备份。
  2. 点击页面粘贴区域并按 Ctrl + V 粘贴内容，或在页面任意位置直接粘贴。
  3. 备份自动保存并显示在列表中，可预览、复制或下载。
  4. 点击 清空全部 可删除所有历史备份。
tool clipboard backup browser indexeddb localstorage clipboard-api dompurify javascript
发布

SVG 渲染器：在线 SVG 实时预览工具

SVG 渲染器是什么

SVG 渲染器是一款纯前端的在线 SVG 预览工具。它支持粘贴 SVG 代码或从 URL 加载 SVG 文件，右侧实时渲染预览，全部处理都在浏览器内完成，无需上传、无需后端。

核心功能

  • 双模式输入：支持直接粘贴 SVG 代码，或输入 URL 从网络加载 SVG 文件。
  • 实时预览：左侧编辑或粘贴代码，右侧即时渲染 SVG 图形，所见即所得。
  • 安全沙箱渲染：使用 DOMPurify 对 SVG 进行安全过滤，并在沙箱 iframe 中渲染，防范 XSS 和恶意脚本。
  • 智能宽高比：自动解析 SVG 的 viewBox 或 width/height 属性，保持正确的图形比例。
  • URL 分享：通过 URL hash 加载的 SVG 地址可直接分享，他人打开即可查看同一图形。
  • 响应式布局：桌面端左右分屏，移动端自动切换为上下堆叠，适配各种设备。
  • 内置示例：首次打开自动加载示例 SVG，快速体验渲染效果。

使用方式

  1. 打开 SVG 渲染器。
  2. 点击 粘贴 标签，将 SVG 代码粘贴到左侧编辑区。
  3. 或点击 URL 标签，输入 SVG 文件地址后点击 加载。
  4. 右侧预览区即时显示渲染结果。

浏览器兼容性

SVG 渲染器为纯静态 HTML 页面，兼容所有现代浏览器。建议使用 Chrome、Edge、Safari 或 Firefox 最新版本。

技术栈

  • HTML + CSS + JavaScript
  • DOMPurify（SVG 安全过滤）
  • 无后端、无依赖、纯静态页面
tool svg 在线工具 dompurify preview iframe browser graphics
发布

DOT 文件渲染器：在线 Graphviz 图形预览工具

DOT 文件渲染器是什么

DOT 文件渲染器是一款纯前端的在线 Graphviz 图形预览工具。只需在浏览器中粘贴 DOT 语言描述的图结构代码，即可实时渲染为有向图或无向图 SVG，支持通过 URL 片段直接分享图形代码，无需安装任何本地软件。

核心功能

  • 实时渲染：输入 DOT 代码后自动防抖渲染，500ms 内即时出图。
  • URL 分享：图形代码自动编码到 URL 片段中，复制链接即可分享完整图形。
  • 加载示例：内置完整流程图示例，一键体验渲染效果。
  • 错误提示：DOT 语法错误时，在输出区显示详细错误信息。
  • 纯浏览器运行：基于 Viz.js 在浏览器端完成全部渲染，无后端、无上传。

使用方式

  1. 打开 DOT 文件渲染器。
  2. 在输入区粘贴您的 .dot 文件内容。
  3. 图形会自动渲染到下方的输出区。
  4. 复制当前浏览器地址栏中的 URL 即可分享图形。

支持的图类型

  • 有向图（digraph）
  • 无向图（graph）
  • 节点样式、边标签、布局方向（rankdir）等 Graphviz 标准属性

技术栈

  • HTML + CSS + JavaScript
  • Viz.js（WebAssembly 版 Graphviz）
  • 无后端、无依赖、纯静态页面

提示词

我要设计一个WEB应用（HTML），在线渲染DOT文件。有什么好的思路？先分析需求，进行设计，再实现（一个html），存储到 @tools/ 目录。
tool dot graphviz graph diagram visualization viz-js svg
发布

Markdown 渲染器：在线 Markdown 转 HTML 工具

Markdown 渲染器是什么

Markdown 渲染器是一款纯前端的在线 Markdown 转 HTML 工具。它调用 GitHub Markdown API 进行渲染，支持 GitHub Flavored Markdown (GFM) 标准，输出干净的 HTML 代码和实时预览，无需安装任何软件，打开浏览器即可使用。

核心功能

  • GitHub API 渲染：调用 GitHub 官方 Markdown API，渲染结果与 GitHub 页面保持一致。
  • GFM 模式切换：支持标准 Markdown 和 GitHub Flavored Markdown 两种模式，一键切换。
  • 实时预览：渲染后的结果即时显示在预览区，包括代码高亮、表格、引用块等样式。
  • 自动清理 HTML：可选清理隐藏元素（aria-hidden、nofollow 等），整理 heading 结构，输出更干净的 HTML。
  • 自动生成目录：根据文章中的 h2-h6 标题自动提取并生成可点击的目录导航。
  • 复制 HTML：一键复制清理后的 HTML 源码，方便粘贴到博客或编辑器中。
  • 复制富文本：一键复制带格式的富文本，可直接粘贴到 Word、Notion、邮件等支持富文本的地方。
  • 自动保存：输入内容自动保存到浏览器 localStorage，刷新页面不丢失。

使用方式

  1. 打开 Markdown 渲染器。
  2. 在编辑区粘贴需要渲染的 Markdown 文本。
  3. 根据需要勾选"使用 GitHub Flavored Markdown (GFM)"。
  4. 点击渲染按钮，预览区和 HTML 输出区会同步更新。
  5. 点击复制 HTML或复制富文本获取渲染结果。
tool markdown 在线工具 github-flavored-markdown github-api html converter localstorage
发布

二维码识别器：支持图片上传、剪贴板粘贴与摄像头扫码

二维码识别器是什么

二维码识别器是一款纯前端在线 QR 码识别工具，基于 jsQR 库实现。它支持图片上传、拖拽、剪贴板粘贴以及摄像头实时扫码四种方式，所有图片处理均在浏览器本地完成，不会上传到任何服务器，保护隐私安全。

核心功能

  • 图片上传识别：点击或拖拽图片文件到识别区域，即可自动解析二维码内容。
  • 剪贴板粘贴识别：直接按 Ctrl / ⌘ + V 粘贴剪贴板中的图片，无需先保存文件。
  • 摄像头实时扫码：调用设备摄像头，持续扫描画面中的二维码，适合快速识别实物上的 QR 码。
  • 前后摄像头切换：支持在设备的前置与后置摄像头之间切换，适应不同扫码场景。
  • 双指缩放对焦：摄像头模式下支持双指捏合缩放画面，双击重置缩放，方便对准远距离或微小二维码。
  • UTF-8 中文支持：底层使用 TextDecoder('utf-8') 解码二进制数据，确保中文、日文等非 ASCII 字符正确显示。
  • 链接自动识别：识别结果若为 URL，自动渲染为可点击的超链接，一键跳转。
  • 一键复制结果：识别后点击"复制识别结果"按钮，快速将内容复制到剪贴板。
  • 纯前端隐私安全：所有图像处理在本地完成，图片不离开浏览器，无需担心隐私泄露。

使用方式

图片识别模式 打开 二维码识别器。 点击"图片识别"标签（默认）。 拖拽图片到识别区域，或点击选择文件，也可以直接粘贴剪贴板图片。

tool qr-code scanner decoder browser jsqr camera javascript file-reader-api clipboard-api media-devices-api
发布

二维码生成器：支持网址、文本与 WiFi 的在线二维码工具

二维码生成器是什么

一款纯前端在线二维码生成工具，支持为网址、文本和 WiFi 网络创建可扫描的二维码，可自定义样式、尺寸与颜色，并直接下载 PNG 图片。

核心功能

  • 双模式生成：支持「网址 / 文本」和「WiFi 网络」两种二维码类型，一键切换
  • WiFi 二维码：输入 SSID、密码、选择加密方式（WPA/WEP/无），支持隐藏网络，手机扫码即可自动连接
  • 自定义样式：提供「方块」和「流体」两种视觉风格，流体样式采用自适应圆角与同心圆定位图案
  • 灵活尺寸：小 / 中 / 大 三档尺寸可选，适配不同使用场景
  • 颜色与边框：可自定义二维码颜色，并选择是否添加外圆角边框
  • 实时预览：调整样式、尺寸、颜色或边框后，二维码实时更新
  • 下载 PNG：一键下载高清 PNG 图片，可直接用于打印或分享
  • 复制图片：支持将二维码图片复制到剪贴板，方便粘贴到文档或聊天中
  • 中文支持：内置 UTF-8 编码处理，完美支持中文文本与中文 WiFi 名称
  • 纯前端运行：所有计算在浏览器本地完成，无需上传数据，保护隐私

使用方式

  1. 打开页面，选择「网址 / 文本」或「WiFi」模式
  2. 输入对应内容（网址、文本，或 WiFi 网络信息）
  3. 选择样式、尺寸、颜色，是否添加边框
  4. 点击「生成二维码」
  5. 使用「下载 PNG」或「复制图片」保存结果

浏览器兼容性

使用现代浏览器（Chrome、Edge、Firefox、Safari）可获得最佳体验。

tool qrcode 二维码 二维码生成器 frontend canvas-api wifi png browser
发布

高中英语词汇速记：卡片式背单词与复习工具

高中英语词汇速记是什么

高中英语词汇速记是一款纯前端浏览器背单词工具，专为高考英语词汇复习设计。它采用卡片式翻转记忆，支持单词搜索、朗读、已会/未会标记、随机顺序和进度统计，所有学习状态保存在浏览器本地，无需安装、无需上传。

核心功能

  • 内置高考词汇库：覆盖高中英语核心词汇，打开即用。
  • 卡片式记忆：大字显示单词，点击或按 H 键显示/隐藏中文释义。
  • 搜索跳转：顶部搜索框支持按英文单词或中文释义快速定位。
  • 朗读发音：基于 Web Speech API，点击单词或按空格即可朗读，支持语速调节和语音选择。
  • 已会/未会标记：按 K 标记已会、按 M 标记未会，分类管理学习进度。
  • 学习模式过滤：设置面板支持切换"全部""仅未会""仅已会"三种学习模式。
  • 随机顺序：按 S 或点击随机按钮打乱词汇顺序，强化记忆。
  • 自动朗读：开启自动模式后，切换单词自动朗读，解放双手。
  • 字母筛选：设置面板可按首字母筛选词汇，针对性复习某字母开头的单词。
  • 进度统计：顶部实时显示当前进度、已会数量和未会数量。
  • 学习状态本地保存：标记、设置、模式均通过 localStorage 保存，刷新不丢失。
  • 快捷键支持：空格朗读、← → 翻页、H 显隐释义、K 已会、M 未会、S 随机、A 自动、/ 搜索。

使用方式

  1. 打开 高中英语词汇速记。
  2. 查看单词，不确定释义时按 H 或点击卡片显示中文。
  3. 熟悉的词按 K 标记已会，不熟悉的词按 M 标记未会。
  4. 需要听发音时按空格或点击单词/播放按钮。
  5. 想针对性复习未会单词时，打开设置切换为"仅未会"模式。
tool english-words vocabulary flashcards 背单词 web-speech-api localstorage education browser

发布

扫雷：浏览器本地益智游戏

扫雷是什么

扫雷是一款经典的浏览器本地益智游戏。无需下载安装，打开网页即可游玩，支持简单、中等、困难三种难度，同时适配桌面端与移动端操作。

核心功能

  • 三种难度可选：简单（9×9，10 颗雷）、中等（16×16，40 颗雷）、困难（30×16，99 颗雷），一键切换。
  • 首次点击保护：第一次点击永远不会踩到雷，确保开局安全。
  • 自动展开空区：翻开无雷的空白格子时，自动级联展开周围相邻区域。
  • 插旗标记：支持右键或长按标记疑似地雷位置，实时显示剩余雷数。
  • 双模式切换：移动端提供"点击翻开 / 点击插旗"模式切换按钮，操作更直观。
  • 长按插旗：移动端支持长按格子快速插旗，并伴随触觉反馈（若设备支持）。
  • 计时器：从第一次点击开始计时，精确到秒。
  • 表情按钮：重置按钮随游戏状态变化（😊 / 😵 / 😎），点击即可重新开始。
  • 动画效果：翻开格子、踩雷爆炸、胜利庆祝均配有流畅的 CSS 动画。
  • 彩色数字提示：周围雷数 1~8 分别用不同颜色显示，便于快速判断。

使用方式

  1. 打开 扫雷。
  2. 选择难度（默认简单）。
  3. 点击格子开始游戏，首次点击安全无雷。
  4. 根据数字提示推理雷的位置，用右键或长按插旗标记。
  5. 翻开所有安全格子即可获胜，踩到雷则游戏结束。
  6. 点击表情按钮 😊 随时重新开始。

操作说明

tool game minesweeper puzzle browser html javascript css mobile
链接

Simon Willison 的博客 - Django创始人、AI工程极客

Simon Willison's Weblog 是开源社区和 AI 工程领域极具影响力的个人技术博客。它的创办者 Simon Willison 是著名的 Python Web 框架 Django 的联合创始人之一，同时也是开源数据分析工具 Datasette 的作者。

该网站在当前的 AI 和软件工程生态中具有风向标式的地位，其核心内容和特点可以概括为以下几个方面：

1. 核心技术关注点

  • AI 辅助编程与 Agent 架构： 网站密集关注 LLM 在实际开发中的落地，近期频繁探讨 MCP（Model Context Protocol，模型上下文协议）、Claude Code、以及将安全与权限控制（如 Auth Gateway、沙箱隔离）剥离出 Agent 上下文窗口的工程实践。
  • 本地大模型与端侧运行： 关注如 Qwen、GLM 等开源/开放权重模型的迭代，热衷于测试像 M2 Ultra 等本地硬件运行量化模型用于日常编码和工作流的实际表现。
  • 数据开源与工具生态： 围绕他自己主导的 Datasette 项目（一个用于探索和发布数据的 Python 工具），分享各类扩展插件（如权限控制组件 datasette-acl、应用托管 datasette-apps 以及结合大模型的 datasette-agent）的开发思考和发布日志。

2. 独特的栏目结构

blog simon-willison django datasette ai-agent mcp open-source developer-tools
发布

坦克大战：纯前端经典坦克射击游戏

坦克大战是什么

坦克大战是一款纯前端运行的经典坦克射击游戏，基于 HTML5 Canvas 构建。玩家控制坦克消灭所有敌人、保护基地，采用关卡制推进，每关敌人数量和强度逐渐增加，支持道具收集和丰富的自定义配置。

核心功能

  • 经典关卡制玩法：消灭所有敌人即可进入下一关，每关难度递增。
  • 6 种道具系统：生命+1、火力提升（散射穿甲弹）、速度提升、护盾、炸弹（全屏清敌）、冻结敌人。
  • 完整音效系统：基于 Web Audio API 合成射击、爆炸、移动、通关、游戏结束等音效。
  • 自定义游戏配置：支持调整玩家速度、射击冷却、初始生命、敌人数量与速度、道具生成间隔、地图元素数量等参数。
  • 实时侧边栏状态：显示分数、关卡、生命值（心形）、敌人进度条、活跃道具计时、游戏时间、历史最高分。
  • 暂停与音效控制：游戏中可随时暂停/继续，一键开关音效。
  • 本地最高分记录：通过 localStorage 保存历史最高分，刷新不丢失。
  • 响应式布局：适配不同屏幕尺寸，三栏布局自动调整为纵向排列。

操作说明

  • WASD / 方向键：控制坦克移动
  • 空格键：发射子弹
  • 回车键：开始游戏 / 重新开始
  • P 键：暂停 / 继续游戏
  • M 键：开关音效

得分规则

  • 击毁敌人坦克：100 分
  • 通关奖励：500 分
  • 道具得分：20 分
  • 基地被摧毁：游戏结束

技术栈

  • HTML5 Canvas
  • JavaScript（原生，无框架依赖）
  • Web Audio API（音效合成）
  • localStorage（最高分持久化）
  • 无后端、无依赖、纯静态页面
tool game tank-battle browser canvas html5-canvas web-audio-api localstorage javascript
笔记

调试二维码识别与生成工具的几点经验

下午折腾了两个纯前端二维码工具：一个识别器、一个生成器。记录下调试过程中踩过的几个坑，免得以后重复踩。

1. 中文二维码识别出来是空的

用的是 jsQR。识别英文二维码没问题，但中文二维码识别结果直接为空。

查了下，jsQR 返回的对象里有两个字段：

  • code.data：legacy 字符串，对多字节字符支持不好
  • code.binaryData：原始字节数组

正确做法是用 binaryData 配合 TextDecoder 按 UTF-8 解码：

function decodeQRData(code) {
  if (code.binaryData && code.binaryData.length) {
    const bytes = new Uint8Array(code.binaryData);
    return new TextDecoder('utf-8').decode(bytes);
  }
  return code.data || '';
}

图片识别和摄像头扫码两处都要走这个解码逻辑。

2. 中文二维码生成后扫描乱码

生成器中 qr.addData(value) 对中文支持不行，需要先做一次 UTF-16 到 UTF-8 的字节转换：

qr-codejavascriptjsqrtextdecoderutf-8encodingfrontendbrowsernote
发布

JSON 格式化 / 压缩：纯前端在线 JSON 处理工具

JSON 格式化 / 压缩 是什么

JSON 格式化 / 压缩是一款纯前端在线 JSON 处理工具，无需联网、无需上传数据，所有操作均在浏览器本地完成。支持格式化、压缩、转义与去转义，适合开发者在日常工作中快速处理 JSON 数据。

核心功能

  • 格式化：将压缩的 JSON 文本一键展开为带缩进的可读格式，便于查看与调试。
  • 压缩：去除 JSON 中所有不必要的空格与换行，生成最小体积的 JSON 字符串。
  • 转义：将 JSON 对象序列化为转义后的字符串，方便嵌入代码或配置文件。
  • 去转义：将转义后的 JSON 字符串还原为原始内容，支持带引号或不带引号的输入。
  • 一键复制：处理结果可直接复制到剪贴板，无需手动选中。
  • 一键清空：快速清空输入与输出区域，方便处理下一段数据。
  • 实时错误提示：JSON 解析失败时，状态栏会显示具体错误信息，帮助定位问题。
  • 深色模式支持：自动跟随系统主题，也支持手动切换，长时间使用不刺眼。
  • 左右分屏布局：输入与输出并排显示，大屏对比查看更高效，移动端自动切换为上下布局。

使用方式

  1. 打开 JSON 格式化 / 压缩。
  2. 将 JSON 文本粘贴到左侧输入框。
  3. 点击工具栏上的 格式化、压缩、转义 或 去转义 按钮进行处理。
  4. 处理结果即时显示在右侧输出框，点击 复制结果 即可复制到剪贴板。

技术栈

  • HTML + CSS + JavaScript
  • 无后端、无依赖、纯静态页面
  • 支持深色模式与响应式布局
tool json formatter minifier browser developer-tools javascript html css

发布

研究 Simon Willison 的博客设计风格和内容组织方式

User: 研究这个网站设计的风格和功能：https://simonwillison.net/ 这里有许多不同类型的内容（如Link、TIL、Tool、Entries、Quotes、Notes、Guides等），它是如何融合到一起的。 https://wangjunjian.com/ 是我的博客，我想参考一下。 Kimi: 让我先浏览这两个网站，了解它们的设计风格和内容组织方式。 我已经仔细浏览了这两个网站。Simon Willison 的博客是一个非常经典的"个人知识流"设计，它将 Entries、Links、Quotes、Notes、Guides、TILs、Tools 等多种内容类型按时间线无缝融合，配合极简的排版和强大的标签系统。你的博客"军舰的日志"则是更传统的技术博客布局，内容质量很高，主要围绕 AI Agent、LLM 等技术主题。

在我深入研究并给出具体建议之前，想先确认几个关键问题：

  1. 你想借鉴的侧重点是什么？ 是 primarily 学习 Simon 的视觉设计风格和布局（极简、时间流、多种内容类型混排），还是想在自己的博客中也引入多种内容类型（如 Link、TIL、Quotes 等），还是两者都想？

你目前的博客是基于什么技术栈？ 比如 Jekyll、Hugo、Next.js、VuePress 等？

blog blog-design content-organization simon-willison personal-knowledge-management astro django content-types

本周 AI 新闻 20260619

本周主线：开源模型密集发布、SpaceX 600 亿美元吞下 Cursor、Anthropic Fable 5 遭美国商务部强制下线，智能体安全与监管同时升温。

本周看点

  1. SpaceX 全股票收购 Cursor：这笔 600 亿美元的交易将 AI 编程工具市场进一步纳入马斯克生态，也标志着开发者工具成为巨头 AI 军备竞赛的制高点。
  2. Anthropic Fable 5 / Mythos 5 遭美商务部下线：因一句 "Fix this code" 触发出口管制，Dario Amodei 本周赴华盛顿谈判，事件持续发酵。
  3. 智谱 GLM-5.2 与月之暗面 Kimi K2.7-Code 相继开源：中国开源模型在 1M 上下文与编程专用模型上继续施压闭源 frontier。
  4. DeepSeek 完成首轮融资：超过 500 亿元人民币（约 74 亿美元）、估值突破 500 亿美元，继续刷新中国大模型公司的融资纪录。
  5. Agentjacking 攻击曝光：针对 Claude Code、Cursor、Codex 的假 Sentry 错误注入，85% 成功率，再次敲响智能体安全警钟。

一句话串起本周主线：模型开源、资本整合、监管收紧、安全反噬四条线同时加速，AI 行业正从能力竞赛进入治理与商业化并行的深水区。

一、大模型前沿动态

1. 智谱 GLM-5.2 以 MIT 许可证开源权重

ai-weeklyanthropiccursordeepseeknvidia智谱AI智能体监管融资open-source-models

Open Knowledge Format (OKF)

版本 0.1 — 草案

OKF 是一种开放、对人类和智能体友好的格式，用于表示知识——即围绕数据和系统的元数据、上下文和精心整理的洞察。它旨在由人类编写、由智能体生成、跨组织交换，并由两者共同消费。

该格式有意保持极简：一个由 Markdown 文件和 YAML 前置元数据组成的目录。没有 Schema 注册中心，没有中央权威机构，也不需要任何特定工具。如果你能 cat 一个文件，你就能读取 OKF；如果你能 git clone 一个仓库，你就能分发它。

1. 动机

面向 AI 智能体的知识表示领域正在快速演进，许多互不兼容的约定正在涌现。OKF 的立场是，知识最好用常见、已建立的格式来表示，这些格式应具备以下特性：

  • 无需工具即可被人类阅读。
  • 无需定制 SDK 即可被智能体解析。
  • 可在版本控制中进行差异比较。
  • 可跨工具、组织和时间迁移。

该格式保持最低限度的主观性。它仅标准化一小套结构约定，使知识语料库能够自我描述——除此之外的一切留给生产者自行决定。

目标

  1. 定义一种通用格式，增强型智能体可以写入其中。
  2. 告知消费型智能体应如何读取和遍历它。
  3. 促进知识跨系统和组织的交换。
  4. 标准化少量必需字段，使内容能够被有意义地消费。

非目标

  • 定义固定的概念类型分类体系。
  • 规定存储、服务或查询基础设施。
  • 取代领域特定 Schema（Avro、Protobuf、OpenAPI 等）——OKF 引用它们，而非包含它们。
open-knowledge-formatokf知识表示智能体知识库knowledge-representationmarkdownyamlfrontmatterdata-catalogagent-knowledge-base

Kilo Code AI 代码生成率与归因分析 — 系统设计

范围：Kilo CLI (packages/opencode/) / VS Code Extension (packages/kilo-vscode/) / Kilo Cloud (后端归因引擎)

执行摘要

本方案解决的核心问题是：精确量化 AI 在最终代码库中的实际贡献比例。现有方案（包括行业通用的"行数计数法"）只能回答"AI 被接受了多少行"，但无法回答"这些被接受的代码有多少存活到了最终提交，以及被人类修改了多少"。

本方案在 Kilo Code 现有架构上，引入 AST-aware MinHash 指纹归因引擎（基于 k-Shingle + LSH），构建一条从 AI 代码生成瞬间到 Git 最终提交的全链路追踪能力。三套代码生成路径（Tab 补全、Chat 对话、Agent 子任务）统一采集代码指纹，服务端在 Git 提交阶段进行归因匹配，最终产出精确到行级的 AI 贡献占比。

kilo-codeai-code-generationattribution-analysissystem-designminhashk-shinglelshastcode-fingerprinttelemetry

引用

发表于 Boykis 的文章《现在运行本地模型很不错了》底部的 Hacker News 评论

我可以 100% 证实，Qwen3.6-27B 在处理编程任务时是一款非常出色的本地模型。在过去的一个半月里，我几乎每天都在使用它，要么是在我的 M2 Ultra 上，要么是在我的 RTX 5090 电脑上。我用它来处理 ggml-org 中一些简单乏味的日常任务——没什么特别惊艳的，但对一个维护者来说绝对是个实用的工具。我想如果我不用把大量时间花在审查 PR（拉取请求）上的话，我使用它的频率还会高得多。目前，我使用了一个非常轻量级的环境——精简了所有内容的 pi agent（pi -nc --offline），并加了一段简短的系统提示词，以便让它更符合我的风格。 来源: Simon Willison 的网络日志

Georgi Gerganov
aigenerative-ailocal-llmsllmsai-assisted-programmingqwencoding-agentsgeorgi-gerganovpiggml

发布

人类多行星物种首个星际 IPO - SpaceX

SpaceX S-1 招股说明书数据可视化网站

这是一个使用 Kimi 网站 基于 SpaceX S-1 招股说明书 和 SpaceX 官方网 制作的网站，以视觉化的方式展示了据称提取自 SpaceX 于 2026 年 5 月 20 日向 SEC 提交的 S-1 注册声明的数据。整体风格偏向科幻和未来感，配有 AI 生成的航天主题图片。

网站内容可以分为以下几个主要板块：

1. 使命宣言与关键数据概览

  • 核心理念："让生命成为多行星物种"，强调通过第一性原理思维颠覆航天工业。
  • 核心运营数据：
    • 太空发射：170 次/年（2025 年）
    • 星链星座：约 9,600 颗在轨卫星，覆盖 164 个国家，1,030 万订阅用户
    • 星舰研发：2025 年投入 30 亿美元+
    • AI 算力：COLOSSUS 训练集群，1GW 规模

2. 财务数据 · 星际商业版图

  • 2025 年收入：186.74 亿美元，同比增长 +33.2%
  • 2026 年 Q1 收入：环比增长 +15.4%
  • 2025 年入轨载荷：占全球轨道载荷质量的 80% 以上
  • 2025 年发射次数：170 次（2024 年为 138 次）
  • 猎鹰 9 号成功率：行业领先可靠性
  • Starlink ARPU：每用户每月收入（2026Q1 数据）
spacex ipo s-1 starlink starship mars-colonization data-visualization aerospace 太空探索 数据可视化

audio2sub — 音频转字幕工具

基于 OpenAI Whisper 的命令行工具，将音频文件批量转写为 VTT / SRT 格式字幕。

环境要求

依赖 说明
Python ≥ 3.8
PyTorch Whisper 的运行时依赖，自动安装
openai-whisper 语音识别引擎
ffmpeg 音频解码，系统级安装

安装步骤

1. 安装 ffmpeg

  • macOS：
brew install ffmpeg
  • Ubuntu / Debian：
sudo apt update && sudo apt install ffmpeg

2. 安装 openai-whisper

pip install openai-whisper

该命令会自动拉取 torch 等依赖。首次运行时 Whisper 模型文件会下载到 ~/.cache/whisper/。

⚠️ macOS 环境注意事项

使用系统 Python 或 miniconda 安装 whisper：

# miniconda（推荐，已预装 torch）
/opt/miniconda/bin/pip install openai-whisper

# 或系统 Python
/usr/bin/python3 -m pip install openai-whisper

脚本文件

编写文件：audio2sub.py

audio2sub音频转字幕openai-whisperspeech-recognitionpythonffmpegvttsrt