claude code仓库管理教程

哈喽大家好，欢迎来到信息的视频。那今天给大家介绍一个宝藏开元项目，那这个项目呢？还真的是有点难崩。为什么这么说呢？因为奸商看到他呢，绝对会眼前一亮，满眼都是暴力， 感觉韭菜都快隔着屏幕长到他家去了。那另一边呢？如果是心没那么黑的小白用户，你也可以靠着他狂薅大场的羊毛，当然只要你心不是太黑，靠着他撑起一个挣钱的副业，那是完全没有问题。 那接上的黑幕呢？我们放到视频的后面再给大家讲，我们先来看一下对于普通用户来说到底有什么好处。我相信如果大家接触过一段时间这种相关的 ai ai 阵的工具了之后呢，就会发现，质疑你最终场景落地效果的其实就是那个模型的能力。 有的时候顶级模型大家又觉得太贵，然后就会去网上去搜各种各样的打折优惠薅羊毛的这种信息。因为各家的这个战略和节奏的不同呢，所以它的各种优惠程度和时间周期都不一样。你本地又装了各种各样不同的工具，有可能你是 codex， open claw， claw code， 然后又有这个 co worker 等等一系列的购单工具。一旦你当前用的这家供应商活动结束了，然后你想换到另外一家，换完之后你又得把所有的 api 配置全部都改一遍，非常繁琐。 我自己也有类似的感受，那每到这种时候，我就会在想，如果有一个工具能够让我把所有 api key 的 配置全部都收拢到一起，做一个集中的代理，这样的话，我的各个 ai 工具都只需要配置这一个代理工具就可以，以后如果有新的供应商 api key， 那 我只需要接入到这个代理里面就可以。 今天给大家介绍的正是这样一个开源项目，它叫 new api， 它能够实现呢就是把上游所有模型渠道的 api key 全部都收拢到一起，让大家进行统一的配置和管理。这样的话，作为新手小白，你可能各家都能够薅到一些新用户的羊毛。如果你想 ai 搞钱做副业的话， 你就可以打造自己的 token 池子，然后转卖给下游的用户来挣钱。那你的利润主要来源三个维度，第一呢就是批量 token 采购的一个折扣， 这个后面会提到。第二个就是你可以把新用户的免费额度呢融合进付费的套餐。那第三个呢，就是考同一个模型，不同供应商之间的一个折扣差异。实际的场景下，大家可以结合这个性能，供应商的稳定性，它的报价，整体的服务质量 各方面去进行一个综合评定，来维护你的模型托肯池子，你的最终目的呢，就是在留住用户的这个前提下，尽可能提高你的利润空间。好呢，先给大家看一下演示啊，这个项目到底怎么去搭建和配置？ 首先带大家来看一下这个项目的 get up 首页安装的过程呢，其实也非常简单，它需要一个 dog 的 环境来部署，大家把代码呢克隆到本地之后，确保你的 dog 引擎和 dog compose 都已经正确的安装和设置好，配置文件改好了之后，直接运行 dog compose on 就 可以启动了，其实非常简单，然后再带大家看一下这个 new api 的 配置文件哈， 这里面其实大多数配置如果你是本地使用的话，不改也没有什么问题。唯一需要注意的是，关于这个流逝的响应模式超时这个的话呢，建议大家稍微配的大一点，因为配置的过小的话，有可能会出现流逝响应的时候中断的问题啊。再往下呢，它底层是依赖了 res 和一个关系数据库啊，它默认的是 posgrid 啊， posgrid 的 这个密码大家最好改一下在这个地方。 然后最后一点需要注意的就是它的这个端口号，这里大家选一个没有被占用的就可以，等一下服务启动起来之后呢，你要用它来访问网页的控制台啊。那配置好了之后呢，大家只需要进入你暴露的这个端口号啊，就会看到这样的一个触手的一个界面， 直接点击下一步，然后把用户名密码填一下，然后这里呢可以设置对外服务的模式，如果你想要对外提供多租户的商业化服务，拿这个挣钱的话就选这个， 如果你是自己本地使用的话，就用这个。选好了之后呢，点击这个出纸化系统好，过了一会他就出纸化好了，大家看到这个就是你的一个入口网关，如果你是对外提供服务的话呢，你应该去注册一个公网的域名，然后把这里呢通过配置文件改成你的这个正式域名， 接下来你点击这个获取密钥好，他会调整到你的控制面板。大家看到因为我是按照外部服务商的模式来出纸化的，所以这其实是一个多租户的模式， 包括你的调用量、数据看板，你 a p i token 的 管理，每个用户都可以拥有自己的 token， 内部直接继承了邀请、奖励和兑换码这种 营销的模式，也就是如果你想要运营一个中转商的话，你可以用这种模式来发展你的用户，让他帮你们去做营销宣传。你订阅的模式其实也是非常的丰富的，你可以去自己新建套餐，如果我是一个 a p i 中转商的话，我可以给我的用户定制一个属于他们的套餐， 比如说我建一个 pro 套餐，一个月是二十块吧，一种是美金，然后你可以设置购买上限，有效的单位重置周期啊，都是可以的。渠道管理这里呢就可以定义你的 token 的 来源，不管你是个人用户还是服务商，可以通过这里添加 api token 的 一个来源。大家看到这里，其实常见的供应商都是支持的， openai、 astropic、 aws， vertex， 包括国内的一些大模型全部都支持啊，包括 openai 的 这个 os 模式它也是支持的，即使有些小众的模型它没有支持，那一般情况下呢，那些模型它也都会提供 openai 或者 astropik 兼容的这种 api 模式啊，你也可以用这两个 直接去配置，也是 ok 的。 填好之后呢，你把对应的 api key 放在这里啊，注意这里的 api key 呢，不是发给你的用户的 api key， 而是你从上游购买的时候，那个上游服务商给你的 api key， 大家一定要分清楚啊， 然后在这个令牌管理这里呢，才是给你自己或者说你的下游用户他们去添加 apikey 的 地方，让大家看到你还可以给你的 apikey 去设置额度啊，设置模型的访问限制， ip 的 白名单啊，都是可以的啊，因为如果你是服务商的话，你有可能被你的下游用户去薅羊毛，那如何去规避这种情况 啊？然后在系统设置里面，你可以去做很多局的这种管控，来控制你的用户怎么样去使用这些模型啊？这个是性能的这个限制，这个是模型部署。对小白用户来讲，其他的这些系统设置大家都不需要操心啊，只需要去看这里。一个是渠道管理， 用来接入上游的一些供应商啊，不管你想薅哪一家的羊毛，哪家有免费的额度，你都可以去那边注册账号，然后在这边去添加就可以。然后这里给大家看一下他的这个高级设置。这里面啊还可以去设置一些 这个默认的参数，比如说你有一些系统提示词，你有一些这个 prompt catch 的 一些这种参数的启动，你都可以在这里直接去改这个请求头，参照官方的这个配置文档去改就可以了，包括系统提示词，你也可以直接覆盖，这个就是在 api 的 维度去配置了，相当于只要你调这个接口，它就会默认的把这个系统提示词改掉。 除了聊天的这个 check completion 之外呢，它还能支持音频、 embedding， 图像、视频甚至 revamped 的 模型啊，它都是有的， 也就是说基本上你对 ai 大 模型的所有类型的模型需求，都可以通过这一套框架在你自己的本地把 apikey 的 配置收拢起来，如果你自己想做 token 的 渠道商的话呢，那你完全可以用这个东西搭一套自己的管理后台。就有点像大家以前去做 vpn 搭梯子的时候用的那一套东西， ituray 啊， smartbox 等等这些。过去是做这个网络流量的生意，那现在到了 ai 的 时代，它就变成了做 token 的 生意，其实本质上是一套东西，大家把模型的渠道商配置好了之后呢，就可以实际的开始使用了，这个是它的官方文档，大家只需要把这里的域名改成你自己的域名啊，或者你的 ip 就 可以了。也就说不管你本地是什么样的客户端 啊，你是 openclaw， 你 是 clawco 还是什么其他的系统，那你都可以通过这一套模式在配置的时候用一个统一的地址去配。 那以后如果你有任何的新的渠道商的接入啊，或者你想要切换一个渠道商，那你需要回到那个管理控制台，然后在这个模型管理里面去做切换就可以。甚至对于同一个模型，你都可以换不同的供应商。比如说你在模型这里配了一个 cloud office， 然后供应商这里呢，你可以随时切换。你之前是 astropopy， 那 后续如果你觉得 a w s 或者 anti gravity 有更好的这个折扣和 deal， 那 你可以随时在这里改 cloco， openclaw 这些应用的配置完全不需要动。然后再给大家看一下模型部署这个地方，它的模型部署呢，是依赖了 i o dot net 这样的一个平台，带大家过去看一下 这个 i o dot net 呢，其实就是一个算力的供应商，大家可以把它列入成 a w s 啊，谷歌，只不过它专门是来提供 g p u 相关的这个算力的， 它并不像传统云浮供应商产品体积那么完整，而是专注在 gpu 的 这一块。大家看你可以在上面去直接买 he 版、 a 版这些英伟达的顶级的算力卡，直接去部署那些满血的模型，也就是说它从拓客的供应商呢，相对来说是非常全面。像这种 gpu 算力的供应商 啊，你可以直接采购 h 一 百 a 一 百的卡，然后回到渠道管理里面，你可以去依赖大模型的官方 api， 你 也可以去依赖云服务供应商。 而且像 a w s 谷歌这些呢，它们也有云端的这个 g p o 的 讯息机，比如说你直接在 a w s 上买了一个 a e 版的讯息机，然后在上面部署一个大模型，通过 open i a p i 兼容的这种方式也可以集成到这里面。然后大家看到这里还有欧拉嘛，比如你自己本地有个五零九零， 我上次一期视频给大家看过那个巴卡的魔改五零九零，那如果你是这样的用户的话，自己本地部署好了之后，用欧拉玛把这个巴卡的五零九零工装成一个模型， api 也可以在这里提供出来，大家看到它的选择还是相当丰富的 啊。刚才给大家讲了，普通的小白用户怎么样靠这个开源项目来提升自己 ai 工具使用的一个效率，来薅各种大厂的羊毛。那接下来我们黑化一下，来聊一下从奸商的这个事情 怎么样靠这些东西割韭菜赚取暴利？当然这里并不是鼓励大家去这样做啊，因为但凡有灰色利润的地方，他就会有一些政策和法律风险，大家就纯粹从用户的视角去看一下，尽量避免让自己踩到这种黑心的 api token 终端。商其实工具是同一套， 那这帮奸商为了攥取利润，势必就需要从各种不同的方向去压缩他的这个成本。这里给大家列一下，比如说他们会通过一些公网扫描的这些黑客的脚本去 扫那些有安全漏洞的 a 证网关。尤其是最近 openclaw 大 火了之后，有大量没有安全意识的用户，其实是把自己的 openclaw 网关直接开放在公网上， 而且也没有任何的 open 加密，那这些用户就极易被这些黑客脚本扫到，从而导致自己的 api key 泄露出去。 而且刚才给大家展示管理控制台的时候应该也已经看到了，他其实可以非常精细的去调整每一个账号，每一个模型供应商他的用量和额度。假如说我通过黑客脚本把你的 ip 抓过来，那我就是为了不让你发现，我可以把占用你额度的这个量调的非常低， 只要我拿到的这些泄露 a p i p 的 数量足够多，那其实所有的用户都在隐形的给我输血，而这些用户他有可能完全感知不到。那第二个呢，就是通过隐形的去压榨剩余的投肯，比如说他在卖给他的下游用户的时候，我声称给你 一周一百万的投肯，但实际呢，在你的用量达到比如说九十万甚至更低八十五万的时候，我就告诉你，哎，额度受限，你已经用完了，他就在赌大多数的用户不会做精细的投肯数量统计。 再有一个呢，就是他们会用大量虚拟的这个手机卡去注册各个大模型平台的一个免费账号，然后把这些免费的额度全部都薅一遍，因为虚拟卡它可以无限注册嘛，用完了，一波免费洋房薅完了，那我再注册一堆虚拟卡，如此网富。 那再接下来呢，是一种相对合规的操作吧，就是通过批量购买账号的方式，因为各家当你的账号购买额度购买的这个量大到一定程度的时候，都会有一些企业级折扣的。我通过注册公司账号，联系各家大国型供应商的企业服务的销售团队，然后让他们给我打折。 各个大国型供应商，他们的区域授权团队，为了获客，他们都有一定的折扣空间，那么这个空间也是我的潜在地。 那最后就是你更黑心的一点，那他们就会按比例直接去掺那些低智商低价格的模型，比如说我卖给你是 pro opus 四点六，那实际上我会在里面掺一定比例的海库，甚至更低尺子的模型，他们掺假的这个量呢，也会动态的调整，一边让你感觉不到， 同时另一边呢，它的利润也能最大化。希望这个工具可以提高大家使用 ai 服务的一个效率，然后同时避免遇到一些黑心的投坑中转商。 想要创业的朋友呢，也能在里面看到一些搞钱的机会。好，那今天的视频就这些，如果你觉得这期视频对你有用，欢迎点赞、评论、转发，那我们下期视频见。

这是一条 web coding 纯小白入门的保姆级教程，让你从一个什么都不懂的小菜鸡，完成属于你自己的第一个 web coding 作品。 我会基于我这几年 ai 编程的实战经验，用最简单的大白话把整个过程完整演示一遍，没有专业术语，不留任何卡点，确保你跟着做一定能学会，无需魔法，全程干货。 首先我们要用到三个工具， cloud code、 c c switch 和 deepsea。 你 可以这样理解， cloud code 就是 你的 ai 编程，员工听你发号施令。 deepsea 是 员工的脑子，负责思考、推理和生成代码，而 c c switch 就是 让它装上这个脑子，正式入职。 是的，兄弟，你是老板，我们先打开 deepsea 的 开发者后台。为什么推荐它呢？因为它是目前为止国产 ai 大 模型里面性价比最高的，且真的能干活的东西。信我啊，我最近用它做了很多事情， 洋人 ai 不 敢做的东西，比如这种整理题材异动的，他能帮我做。洋人 ai 做不到的东西，比如中文语境的改文案，写小说，他更是断档。第一关键是便宜，真他妈便宜， 用了快一个月了，一点五亿的 token， 十几块一杯奶茶钱，所以普通人充十块钱就可以用很久很久。然后进入这里创建一个你的 api key， 随便取一个名字，比如测试它只显示一次，复制后要妥善保存，并且不要泄露给别人。然后到下面的接口文档选择接入 a 帧的工具。这里就有关于 gala code 的 安装教程， 非常非常简单，一行指令就能搞定。比如你用的 windows 电脑，按下键盘的 win 加 r 键，输入 c m d， 回车会弹出一个命令行窗口，复制这行命令，按下鼠标右键，直接粘贴回车就可以了。 然后你再输入 cloud version， 返回版本号，就说明安装成功了。文档下面关于配置环境变量的步骤。对小白不太友好，所以要用 cc switch 这个工具一键搞定。 这个就是它的开源仓库，如果你没有魔法，也可以飞鸽工具箱。是的，这个整个网站也都是 web coding 做的。打开之后选这个命令行版本的 cloud 图标，点击添加，找到 deepsea， 把你刚才申请的 a p i k 填好。最新版的 city switch 呢，已经把模型名配置好了， 这里建议勾选一百万的上下文，然后添加保存点，这里可以测试，确认成功就行了。现在你可以重新打开一个命令行窗口，输入 cloud 回车。第一次配置呢，需要你选风格默认就好了。然后是确认授权管理这个项目，这里会显示用的是 deepsea v 四 pro 的 模型，你也可以问他一句，靓仔，你用的是什么模型？ 看到他的回话了吧，恭喜你，你已经给你的 ai 员工装上了 deepsea 的 脑子。现在我们就可以愉快地 web coding 了。 我们先创建一个文件夹，也叫项目，相当于给你的员工一个临时工位。这里更好的用法是你可以在这个文件夹的路径框选中一下，再输入 cmd 回车。这就相当于你在这个项目下启动了 cloud code。 然后你输入 cloud， 开始写任务要求。比如我们这次演示开发一个个人薄客的网站。作为新手小白，你可以参考这个五步模板，明确身份。我是谁？我是新手，你不要默认我懂技术，明确目标，我要做什么东西？明确功能，这个东西要有什么功能？明确复杂度， 你别搞得太复杂，避免 ai 呢，把很简单的东西复杂化。最后就是明确流程，先整理需求，再写代码，这样能有效减少返工，省拖延，省精力。比如你可以参考这一张截图， 这里呢，我提一个间接技巧，如果后期你的项目变复杂了，就可以让 ai 帮你创建一个 cloud 点 m d 文件，你可以把它理解成写给员工看的工作说明书，就是员工手册。以后他每次进到这个项目都会先看这个文件，知道他是干什么的，用的什么技术，有什么规则，让开发更加高效。指令可以这么写啊，你也可以截图一下， 给到上面的新手提示词。之后呢，他会帮我们梳理需求，很多你没想到的，他就能帮你去丰富和完善。确定好了之后，就可以让他写代码了。 等到他跑完之后呢，我们就可以看到第一版，按照要求呢，他给了我们一个网页文件，我们双击就可以打开，能看到这个界面，做的还是挺不错的。如果哪里有需要优化的地方，你可以继续像聊天一样，告诉他哪里需要改，改成什么样的，直到你满意为止。 好了，到这里你就已经入门了。很多人不是不想尝试，其实就是被这种看似很复杂，但其实非常简单的门槛给拦住了。 我们这个演示全程都没有用到任何魔法墙，你用自己家里的电脑和网络就可以搞定了。后边你有任何的想法，想做哪种提高你工作效率的软件工具，都可以举一反三，让 ai 帮你做到，甚至是可以思维再打开， 不让它开发软件，而是帮你实时解决电脑上的问题。比如设置定时关机，清理大文件，给他文案，让他改写总结，电脑缺组建，让他帮你修好等等，都是可以搞定的。 如果大家感兴趣，我也会在后期慢慢多出一些硬核的干货视频，站在小白的角度上，多讲一些间接学习的思路和技巧。 ai agent 是 时代的潮流，我的好兄弟，不要掉队。

之前六叔分享了一个 skill 的 管理工具，统一管理的，很多人想要发现啊，这个需求很有代表性，我又找了一个更好用的，就这个 cc switch 啊，之前有介绍过，它是作为 第三方各种主流模型的 a p i 统一接入统一管理，然后你在用的时候在这里统一的去启动切换，非常非常的方便。各大编程智能帖都支持啊，包括龙虾的 code x， c c 的 都可以支持。除了这些，它里面也有统一管理 skill 的 功能，大家看这个扳手 点击啊，这里面就是六叔所有已经安装的 skill， 然后你会发现啊，我有些 skill 全部装的是 c c 里面的，如果你想在 code x 里面去使用呢，直接点一下， 再点一下，你看这些点一下全部同步过去了，包括 open code， 其他的平台，相当于一处安装，直接同步就都可以共享使用了，删除就可以全部删除了。然后安装有几种方式啊，一种就是直接把 skill 下载成 zip 包， 通过这个包去安装。还有呢，你看这里面，它也自带一个 skill 的 应用商店，你需要什么 skill， 只要知道名字就可以在在这里面去搜索啊，欢迎 skill 我 已经装好了，然后添加过的 skill 的 仓库呢，在这里都会有记录， 可以删除，可以一键链接过去啊，新的仓库进的仓库，可以在这里做添加。在身份上面去管理 skill 啊，集中管理你的模型的 a p i， 包括模型的切换，就非常方便了啊，真正的 all in one。 好， 大家可以把这个 skill 管理的工具啊，在这个上面用起来，关注我，持续丰富你来进了库，拜了个拜。

很多小伙伴问怎么让 cloud code 接上 deep seek？ 这条流程我从头到尾给你讲一遍，照着走就行。 视频稍微有点长，建议先点个收藏，耐心看完，按步骤动手。先说清楚， cloud 是 anforepic 的 网页和 app 聊天助手，你打开浏览器就能用。而 cloud code 是 跑在你电脑终端里的编程搭子， 它能直接读你的项目代码，改文件、跑命令，相当于把 ar 装进了你的工程目录。更狠的是，凭借社区里那一大批开源 skills， 它还能调度你电脑里的一切浏览器表格、邮件、设计稿，几乎想自动化什么都可以。 为什么要接 deep seek？ 两个原因，在国内访问稳定，不挂代理，按 token 计费，也比海外接口便宜不少。而 deep seek v 四 pro 的 能力，应付日常写代码、改 bug、 做重构绰绰有余。 开始之前先准备两样东西，第一， node js 十八以上版本提前装好，长期支持版就行。第二， get for windows， windows 用户必装，不装后面依赖会报错。 第一步，安装 cloud code， 在 开始菜单里搜 power shell， 右键以管理员身份运行。打开窗口后复制官方的 m p m 命令，粘上去回车，等它装完。 装完输入 cloud， 加上版本参数，看到版本号就说明装好了。第二步，获取密钥， 进入 api 开放平台，进入控制台后，在左边的侧边栏找到 api keys 这一项，点进去， 页面下方有一个创建 api key 的 按钮，点一下弹出小窗，给这把密钥起个名字，比如就叫 demo， 然后点创建， 创建成功之后会弹出一个密钥字符串，立刻点复制保存到记事本或者密码管理器里。特别提醒，关掉这个窗口之后，密钥就会变成密文，再也看不见。 如果你不小心丢了，只能删掉，重新创建一把。第三步，配置 cloud code， 打开文件资源管理器，进入 c 盘用户目录，再进入点 cloud 这个文件夹。 如果看不到点 cloud， 要先在查看里把隐藏项目和文件扩展名都打开， 然后新建一个文件，名字叫 settings jason 把这段配置直接复制进去，把 api key 行换成你刚才复制的密钥保存即可。第四步，验证打开终端或者 power shell， 输入 cloud， 回车 看到红色边框的欢迎界面，模型型显示 deep seek v 四 pro， 就 说明已经成功接上 deep seek。 最后再送一个加分项。如果你平时在 vs code 里写代码，配好 antropic 官方的 cloud code 插件， 装完进入侧边栏的 cloud code chat， 它会自动识别你刚才配置好的账号，直接就能在编辑器里聊天和改代码。 整个流程下来，你就拥有了一个本地终端加编辑器，双端可用的用 deep seek 驱动的 cloud coat。 你 学会了吗？欢迎评论区聊聊。

大家好，今天给大家分享用 card code 搭建 ai 时代的企业的基础设施。 呃，每个公司呢，在这个 ai 的 时代其实都需要搭建整套的 ai 体系。那首先最重要的我觉得就是公司的土壤， 土壤是什么呢？就是公司以前积累的项目资料，案例经验，还有业务数据这些，当然还有财务那些也可以加进去啊，这个也都是 ok 的。 问题就是现在的知识锁在员工的老员工的脑子里，然后文件也散落在各自的电脑，微信群， u 盘，然后流程的话可能有 oa 系统啊。 然后第四个是没有，有些企业是没有数字化的，统一的平台的，那其实怎么建这个土壤呢？就是把这些资料啊，全部都沉淀整理在飞书的系统里，就是飞书是目前啊，大家看下来整个 ai 时代最好的一个企业的基建。 然后还有个是第二点是结构化数据，让你的这些数据案例是可以解锁的啊。第三个就是搭配 ai 卷，它能够去调用这些数据进行分析，然后进行调取啊之类的功能 价格。有三层的基础设。呃，基基础设施就第一层就是数据资产，就是你刚刚说的那些什么项目资料，案例资料，得沉淀下来啊，才这个才是根本啊。然后这是写作平台，那沉淀在哪里呢？其实还是建议大家考虑一下非书，我觉得还是挺好用的，我自己也实际用了，确实很好。 然后第三层呢，就是 ai 的 交互层，交互层的话，飞叔的那个 a 卷呢，有点笨，所以可能大家还是要想嗯其他办法进行做这个交互，但飞叔他的那个 boat 是 能够对外支持呃连接的， 所以目前我我感觉比较好的方案就是大家去配龙虾的系统 opencore， 然后接入飞速的平台，让他们去呃调取和服务你的企业，就调取这个企业的资料啊，去服务你的员工，然后能服务你的这个管理层。 数据，数据资产呢，其实就有很多啊，就是它核心比较难的一点就是你要把它整理好了，就是，呃 有好多案例啊， pdf 啊，科研报告啊，以什么维度去整理好？但你要是不太会整理的话，你可以把整个文件都丢给 cloud code， 文件夹都分享给他，让他去给你分类，你把 sql 告诉他，让他去给你分类。 呃， cloud code 还是很强的，就是你们有条件的还是要用一下，我觉得非常的强大，然后达标了之后就可以去做多维表格进行分类了，这个是一个基本的步骤。 然后再一个呢，就是写作的平台，飞书呢确实还是比其他平台要好用很多，但它也不是完美的，但呢相对而言是比较好用的，因为它呃有那个 bug。 然后呢，能接各种各样的， 各种各样的那个 a 卷都是可以的啊，还有 ai 加飞书，它也还有表格有多于表格，还有共享文档，然后最近还开了一个飞书的 ci， ci， ci 也是非常强大的 这个写作平台。确定好之后呢，其实你把公司的那些办公啊，财务啊那些其实都可以嵌套进去，飞书他本身就支持，就像现在很多大的企业其实都已经完全潜入到飞书里面。 呃， ai 交互，交互其实就在群里，你艾特你的 ai， 然后就是他，比如说他在一个项目运营的群里，你艾特他，然后告诉他，你给他配置好之后，就可以去让他去在这个运营里面做各各种各样的事情 啊，就是模型，模型其实接国产模型就可以了，这个其实它是一个资料收集整理，然后问答呀，然后再探讨一些不会特别复杂，框架不会特别难的问题，所以用国产的模型就 ok 了。 那他有几个应用场景啊？你就比如说新人培训，新人培训首先你得知道这个 a 卷，得知道公司是干什么的，有历史案例， 然后公司的规章制度什么这些东西都灌输到这个 a 卷里啊，你首先要有资料啊，灌输进去，然后让这个 a 卷再去培训你的新人，然后这个是员工助手啊，资深的员工，如果你给他搞定一些， 呃，就是业务上的服务的话，支持的话，他可能会有更高的产出嘛，这也是企业销量最大化的一个啊。这个资料查询就更不用说了，这个其实各个环节都需要的。 呃，怎么开始呢？这个其实就是一个路线图啊，给分享给大家，就是你要把你的资料先分好类，然后再批量处理这些历史文件，然后构建起结构化的数据库啊，然后再建立这个 a 卷，反正这每个环节其实都需要一定的。呃，这个技术的支撑啊， 最终的效果就是新人培训资深员工跟这个员工助手 a 卷，然后全员啊，都可以用资料查询啊，你甚至可以设一个财务的 a 卷，然后大家其实拍个照片，把那个报销发票发给他，他自动就能提报销了，很方便。现在 a 卷真的很厉害。 呃，最后结个尾吧，就是在这个 ai 时代，先还是先打好地基再谈 ai。 因为 ai 它其实是需要资料去运作的，你如果什么都没有，你就搭了一套体系， ai 什么都不懂是空的，你让它重新再 对，直接就回答你的问题，其实跟你直接跟人家聊天没什么区别。所以和现在是要把你的企业的地基资料库给建好之后，这个才能有利于你后面的发展。 ok， 这是我企业系列的第一期，谢谢大家的关注。

百分之九十的人用 cloud code 都只用了他一半的能力，如果你还把他当聊天框用，那真的亏了。真正拉开你和别人效率差距的，是他自带的这六个神级 skill。 我 把最适合新手的六个能力捋出来，每一个都是少加班的硬通 货。第一个 explore， 先让他摸清仓库文件结构、关键入口、业务炼录，一口气理顺。你不用自己翻半天目录，他先给你一张能用的地图。 第二个 code review， 代码写完不是结束，先让它审一遍，重复逻辑，边界问题明显，风险提前揪出来，很多坑在上线前就能被压掉。第三个，第八个，报错的时候别硬猜，把日制现象上下文丢给他，他会帮你把范围收窄，少走很多弯路。 第四个， test engineer， 别只改代码不补测试，让他顺手补单测补回归，至少你知道这次改动没有把别处撞坏。第五个， code simplifier， 如果一段代码已经绕到看不懂，就交给它重构，收掉，重复逻辑，把结构拉直，后面维护会轻松很多。第六个， dependency expert， 装包、升级、冲突、兼容，这些最烦的事，先让他判断，少差很多资料，也少踩很多版本坑。这六个 skill 不是 花架子，是 把 cloud code 从会聊变成真能干活的关键。但如果你是新手小白，往往最容易卡住的不是 skill 本身，而是环境配置太磨人，各种依赖报错，英文命令、版本冲突，有时候还没开始干活，人就先被劝退了。所以我专门做了这款 ai 工具箱，就是帮你更顺手的用 cloud code， 它也兼容 codex， 把这套流程一起打通，支持一键检测，环境自动不依赖，缺啥先帮你判断，少走很多弯路。 n p、 m 包和 skill 都能一键装，不用你再去到处找资源查文档，不用你翻文档，不用你到处查坑，国内就能直接用。想省掉这些配置麻烦的关注我，我把安装方式整理好了，方便你直接拿去用。

大家好，今天给大家分享一个我做的港美股的市场数据的 skill， 叫 global stock data 啊，它整合了五个数据源，十七个端点，全部都是零健全的，就是能直接使用的，不用 api 的 啊。开始之前先说一下，本内容仅为 ai 编程技术分享，不构成任何交易建议，市场有风险，决策需谨慎 啊，为什么要做这个？这核心一点还是粉丝们都在问我有没有港美股的，所以我就研究了一下，就把它封装成了一个技能。 呃，这个市场税主要是分散在五个不同的平台，然后东财这个规则也很复杂呃，雅虎这个健全流程也也也很麻烦，所以我就呃都测试了一下，然后封装成了这个技能。 七层的数据架构，行情 k 线，基本面，资金面齐全， s e c， 还有工具场，这些都是全的，然后五大的数据源全部都是零健全的，就是不需要 api， 也能直接登录获取，就大家接上 skill 就 能直接获取 十七个端点，就包括行情的三个， k 线两个，然后这个我就不一一念了，反正就是端点都是比较全面的，基本上都有后背的端点，但除了这个集权以外， 嗯，姐妹项目 a stock data 大家应该也都加载过了，然后是十天吧，一点五 k 的 star， 也感谢大家的支持，目前也我就加了这个 global stock data， 支持美式跟港式的，全市场覆盖了。目前 啊，为什么要用这个？就是啊，前面也讲了，就是五个数据源比较比较繁琐，然后我就封装成了一个，然后是零件全的，就是不需要 a p i 的， 需要需要 a p i 的 我都先给剔除了，大家有需要的话再提一些油，然后我再进行修正。 呃，最后再总结一下，就是这个仓库的名称 global stock data， 不 用记接口的，也不用管健全把这个仓库丢给你的 a 卷，你就可以拿到数据了。 ok， 今天分享到这，谢谢大家。

百万行代码，几十个仓库，上千人的团队， ai 编程工具到这种规模不是跑个 demo 就 能搞定的。 collab code 已经在这些环境里跑通了。生产 collab code 不 见缩影，不把代码上传到服务器，它像工程师一样直接在你本地 grabbed 读文件，追引用。 以前那些 r a g 方案呢？缩影永远比代码变更慢半拍，查出来的函数可能两周前就改名了。 agent 是 搜索，没有这个问题。每个开发者用的都是实时代码，但有个代价， clogs 得知道往哪儿找，所以你怎么组织？代码库的上下文直接决定了它的表现。很多人觉得 clog 厉不厉害全看模型错，真正决定表现的是围绕模型搭的那套 harness。 第一层是 c l a u d e 点 m d， 每次会画自动加载的上下文文件，告诉 clog 你 的代码库长什么样。第二层是 hooks， 事件触发的自动化脚本，让配置自己进化。第三层是 skills， 按需加载的专业能力，不用的时候不占上下文。第四层是 plugins， 把 skills 和 hooks 打包成可分发的插件。第五层是 lsp， 让 cobod 按符号搜索，而不是按文本猜。第六层是 mcp servers， 连接你的内部工具和数据源。第七层是 sub agents， 把探索和编辑拆开，各用各的下下文窗口，按这个顺序。答，每一层都踩在前一层的基础上。成功的部署有三个共同模式。第一个让代码库对 cloud 可导航， c l a u d e 点 n d。 要精简分层跟文件只放局要点子，目录放局部约定测试和 link 命令按目录限定，别一改一个文件就跑全料测试。 第二个，配置要跟着模型一起进化，你给当前模型写的规则，三个月后可能反而成了限制，每三到六个月做一次配置审查。 第三个，明确有权设一个 d r i， 专门管苛刻的配置权限和插件生态。自下而上的热情很好， 没人收拢就会碎片化。推广最快的方式是先由小团队把基础设施搭好，再开放给全员开发者，第一次用就是顺手的，而不是折腾半天再拉上工程安全治理的人一起定好规则再铺开。记住一句话， 配置先行，模型其次，把 harness 搭好，括号的括号才能在大型代码库里真正发挥价值。

大家好，今天给大家分享一个投研体系的仓库，叫 a k share， 他 在 github 上拿了十八万颗星。呃，开始之前我先强调一下，这个视频是纯开源工具的教学分享啊，没有任何投资的推荐，也没有行情的分析，仅供技术学习参考。 ok， 我 们现在开始整个 ak 社呢，它有六个大板块，然后第一个是研报的数据，然后第二个是基本面财报，然后第三个是资金流向 啊，第第四个是这个，嗯，这个我就不说了，然后第五个是实时的一些数据，然后第六个是宏观的，经济的数据。 ak share 呢，它是它其实是一个拍省的仓库，然后有五百多个数据的接口，全部都是免费的，不需要 apapikey， 所以 这个很重要，就是 我们去获，直接装加载登录到本地，直接去获取数据就行了，不需要任何 apikey， 这个非常的便捷，非常的好用。然后研报数据这一块呢，它有很多，真的你直接去用它的接口去接，接完之后你搜下来都是各大券商写的这个 pdf 的， 就是那种， 嗯，可能平时要要米的那些详细的研报都是 pdf 版本的啊，基本面财报，这个就是每定期发布的一些财报，还有一些这些财务数据嘛，这个是肯定是正常都能获得的啊，最近留香呢，就是北向啊这些主力这些之类的。 然后第四个这个我就我感觉可能敏感了，我就不说了，反正大家看一下。然后这个是一个实时的数据啊，全球的都有就是。嗯，香港的，美国的，就是这些，都有宏观数据啊，就是大家肯定要分析一些因子的话，也可以用借这个宏观数据， 还是在强调下，它全部都是免这个，这个不要米的，然后无需 api 的， 直接当下就能用。呃，我下，接下来我分享一下就是这个多 a 卷的一个投影的框架，就是普通的做法，其实是什么呢？就是我们把这个库给了这个， 呃，给了我们的 a 卷之后，我们的 ai 之后， ai 就 会去接这个库，然后把这些东西就是研报啊、财报啊，统一分析资金，把它给当下来，然后它就自己开始分析了。但其实这个过程中呢，其实可能会有一些问题，因为他在一个 a 卷把这些这些报告全都分析完之后，他可能有 他可能有些倾向性的，比如说他看了研报，他就他研报里面有些财务数据，他可能就不看这个了，但你得知道就是研报他的时间是早的，他可能是呃去年的， 他看了去年呢，看了一个 pe 的 倍数，他觉得 ok， 就 这个倍数，但他没有去查财报，没有去核对，因为财报可能是最新的，然后铜业的情况可能是最新的，资金流向可能也是最新的，就是研报里可能有些观点误导了后面这三个。所以 呃，最合理的方式还是要多 a 卷，多 a 卷就一个去看研报，一个去看财报，一个看铜业，一个看资金，这样去分配工作，然后主 a 卷，再综合他们的这些判断来进行一个分析就 ok 了。 你想有四个分析是呃研报的 a 卷，机构怎么看这个，嗯，标的，怎么看这个标的啊？然后你就可以让他去看看机构的观点是什么。机构的观点其实也挺重要的， 包括这个最新的财报是个什么情况，他也可以去分析数据。然后第三个就是到同业啊，同业是不是有一些增速比较快的去，可能会替代他啊？有，有没有竞争者？第四个是这个，嗯，这个敏感的走向， 因为他们四个本身是不通气的，所以他们都有各自的结论，各自的结论出来之后，然后主 a 卷就会去看他的矛盾点在哪里，然后再去分析，所以这个是很有用的，就是单 a 卷呢，他就会串啊，数据混在一起就会很乱，单一的逻辑推理电路，然后多 a 卷他就能并行， 每个 a 卷专注自己的模块，然后有独立的判断，然后暴露出矛盾，然后接下来如果弄完了有问题了，你可以再放萨博一卷去分析 啊。总的来说我今天讲的比较快，大概就是分享这些，因为这个数据他的量很大，然后你们就可以接，接了之后去匹配你们的模式进行一些分析跟操作。你像我就做了一个 u i， 就是 我，我感兴趣的把它的数据提炼出来， 每个板块都是长什么样的，现在大概是什么风味的水平，值不值得去关注，大概就是这些思路吧。啊，今天就先分享这些，感谢大家，谢谢。

大家好，今天给大家分享一个 ai 量化研究的仓库，叫 qlab， 它是微软官方出品的，在 github 上拿了四点二万个 star 啊。开始之前我强调一下，本内容仅为技术研究分享，不构成任何抄袭建议。 我在 github 上翻遍了所有的量化研究仓库之后，发现 qlab 是 排名第一的啊。其他的仓库标过，包括这个 zip， line， 还有嗯， back trader， 这些都已经不更新了。然后 vnpy 呢，也是呃，标签很高，但它是做 cta 实盘系统的。 然后在量化研究的整体框架下面分为五个模块啊，是数据引擎，因子计算，然后模型预测 啊，策略的决策以及回测的分析。这五个模块呢？ qlab 它啊，分别的作用我给大家说一下。首先是数据的引擎啊，微软自研了一套这个数据的格式，它比传统的 mysql 快 五十倍，所以大家在回测的时候，测试的时候就会非常的快 啊，但是有个小的缺陷，就是它的数数据源比较老啊，大一的我们需要找第三方的最新的数数据进行接入。 第二个是因子的计算， qlip 提供了呃，一百五十八个 alpha 因子和三百六十个 alpha 的 因子，它是两套的因子，一百五十八呢，是那种计算过的，就比如说 pe 这种。然后三百 alpha， 三三六零呢，是那些价格啊，这些原始的一些数据的因子 啊。第三个是模型的预测， qlip， 它提供了二十七个内置的模型啊，包括 light， g， b， n， l， s， t， m 这些， 我们到时候选一个预测就行了。呃， light gbm 用的是比较多的，然后策略的决策就 qlab 的， 它会根据这个模型进行一个打分的排名，然后呃打得分比较高的就排在前面，我们就按照这个排名进行决策就 ok 了。然后最后一个是回测的分析，它会自动生成报告。 呃，量化因子我也简单说一下，就是分为公开的因子跟自研的因子。呃，自研的因子就是我们所熟知的量化的机构，它的一些核心的因子是不会分享出来的，是它们核心赚米的壁垒 啊。公开的因子就是颗粒开箱就可以拿到的，这个阿尔法幺一百五十八，还有阿尔法三百六十，就刚跟大家介绍了这两，这这些因子都是它里面自带的啊，可以用来给大家做一些基本的测试。而自研因子就是我们呃打开这个仓库进行研究探索的目的就研究出自己的一些因子。 呃，量化模型呢？ qlab 里面配了二十七个。呃，这四个，四种类型我就不不一一去念了，大家可以看一下。然后主流的会选择这个 light gbm， 这是百分之九十的场景都会用到的。它是一个问答决策流，就把一百假设，把一百五十八个因子呃逐个进行一个提问，然后一层层的筛选，最终给每个标题进行打 分。当然 qlab 它有明显的弱点，就是它的门槛比较高，需要同时懂 ml 还有量化研究 啊，不能实盘。然后呢，它只能做洁面的排名，然后它的这个抽象层也太多了。呃，这正是我们 cloud code 能够切进来的位置，就是它能够驾驭这些。当然，呃，除了这个实盘要找其他库啊，其他的这些层面就是 cloud code 都能啊，帮我们来驾驭 啊，怎么帮到我们呢？第一他能读懂这个代码库，包括这个因子的含义，就是你不知道这因子什么含义，你当然可以去呃，跟 code code 去探讨，还包括那些我刚解释介绍的二十七个模型，都可以一个个去探索啊。第二个是配置的文件， 呃， crosscode 的 可以直接去配置这个仓库进行换模型啊，调参，然后数据机啊这些进行这个操作。第三个是部署排错，排错这个是 ai 基本功能嘛，它都能搞定了啊， c c 完全没有问题。第四个是数据格式，就把第三方的数据的 c、 e、 s、 b 转换成至 q lib 的 二进置格式，上把上下游给打通。 总结来说就是数据我们需要再找一个靠谱的数据员去把大爷的数据导进去，然后流水线交给 qlab， 然后我们这辆赛车的副驾驶就交给了 cloud code， 然后真正的这个主驾驶还是留给自己， 这是一个从实战到出结果的过程，就是环境的搭建啊，我们用 cloud code 去把这个库导入之后就可以搭建了。然后数据的导入就是我们要给我们的 cloud code 的 一个一些数据员，让他去把 c、 s、 b 的 数据抓下来，我，我大概把二十年的数据都抓下来了，就是二十年五千个标地 的 k 线，日 k 线都可以拔下，大概一点四个 g。 然后第三个就是配置的生成，就 carl code 可以 就帮我帮我们写这个 y、 a、 m、 l 这些配置模型跑的文件，让这个 q、 l 去跑，选什么因子，选什么模型，然后什么策略去跑，这个包错修复就不说了。这个， 呃，然后他能达到的作用就是我不懂电话的人，他能用 carl code 当副驾驶，一个下午其实就能跑通完整的流程。 这是我一个回测的结果，就给大家简单展示一下，我测的是全 a 所所有的五千个标的，然后训练，呃，选择的因子是阿尔法幺五八，然后训练级是这个，然后验证级是这个区间，然后测试级是，呃，去年一月份到现在， 结果是 ic 是 零点零四一，然后 icr 是 零点四六七，这个策略的收益，这个收收益的百分比是这个 四十六点二，还是比较高的啊。但是这只是一个回测的结果啊，最终的这个结果肯定是要不急这个这个预期的啊，基本是十五点六，最近行情比较好，所以这个测试的结果也会比较好。 公开因子的局限呢，就是我们刚才回测的，我测的这个是四十六，这，这百分比啊，那其实你要打很大的折扣的才是实盘的预期，不能把那个当成一个预期。然后公开因子呢，他是用的人比较多，所以非常拥挤，超额的这个收益早就早就消失了，而因子呢，他本身用的多，也会消减的， 所以这个阿尔法一百五十八呢，它其实更像一个驾校的教练车，而不是赛车。我们就是要用这种 ai 量化的研究模型去找出自己的这个因子，跟之前的公开的因子结合起来啊，改造成把你的教练车改造成一个一辆赛车， 然后这个仓库的全称就是这个啊。好了，以上分享就到这里了，然后本内容仅为技术研究分享，不构成任何操作建议，欢迎大家点赞、关注跟评论。

来看一个 note， 写进去了，然后你看，首先是 note models 肯定不能提交，是吧？然后什么日制啊，什么什么一些常用的一些配置文件啊，是吧？但这这些个还是可以提交的啊。它是 logo 啊， logo 的 不需要提交， 你看是不是常见都不会提交上去了？好，这下我就可以放进去提交了。好，然后我们现在就是要用 gh 命令给它提交上去啊，怎么来弄呢？其实非常简单啊，使用 gh 命令 将 这个 g u simulator 这个 game 项目推送到 get up。 啊，就这么简单啊，你看现在他说要把这个项目初步化一个为独立仓库，然后这里选是， 那去帮我初步化一，看一下他能不能把那个项目给配上去了。好，现在已经加上去了，默认的分支的话是 master。

大项目里用 cologold， 先记住四个，反常时只有一个 cologold， md 不 够， sub agent 也别默认拿去改代码。 skill 不是 越多越好，你去年写的规则，今年可能还在拖后腿。 如果你维护的是 monoraptor， 这期讲的不是小技巧，是怎么给 cologold 打 hannahis。 而索比的。这边官方文章讲的是大代码库落地场景，包括百万行 monoraptor 历史很久的老系统，还有几十个仓库拼出来的服务。 它的判断很直接， cloud code 表现不止看模型，模型外面那套 harness 也同样重要。 harness 可以 理解成工作脚手架、项目地图规则、自动检查技能插件 lsp、 mcp 和 sub agent。 先说 cloud make， 很多团队只在 ripper route 放一个大文件，后来越写越像杂物间。大项目更该分层 route， 只写权局地图和关键坑服务目录，再写自己的构建、测试和约定。 clog 从子目录启动时，会沿着目录往上读这些文件，所以局部现场不会丢，全区背景也还在。这也解释了一个反常识操作，在相关子目录启动 clog， 而不是每次都站在 ripper root。 因为 model ripper 不是 一间屋子，是一栋楼， 你让他先走进具体房间，他才知道该看哪条图纸。要让 clog 少迷路，不是为更多权威，而是把入口放到正确现场。第二个点更容易用反， 很多人把 sub agent 当外包小队，直接分配具体修改，官方更看重的是隔离。让只读 sub agent 的 先探索子系统，把发现写成 note 主 agent， 再读 note 改代码， 这样探索时翻出来的日制搜索结果误判路径不会塞满主上下文。第三个点是 skill， 它不是越多越好，也不该把所有专家知识塞进 c a u d e d m d。 skill 的 好处是按需出现， 做代码审计时加载审计流程，改文档时加载文档流程。在 monitor 里还可以把 scale 绑到路径。 支付服务的部署规矩就别在前端目录里占上下文。第四个点是旧规则会过期，你以前写的限制可能是为了照顾旧模型， 比如曾经要求重构一次，只改一个文件可能帮助旧模型稳住节奏，但新模型能处理跨文件斜作后，这条规则就会把它拦住。 osmic 建议三到六个月做一次配置 review。 所以大项目大 harness 顺序不要反，先让 cloud 看懂项目，再给它自动化，再补技能和插件。 lsp、 mcp、 sub agent 都有价值，但它们应该建立在基础现场之上。如果 cloud md 已经臃肿，规则互相打架，再多工具只会让它更快的跑偏。 这期的核心就一句，大项目别裸跑。 code code 先分层写项目现场，再隔离探索上下文，再按需加载 skill， 再定期清理旧规则。模型越强，越需要清楚的跑道。 harness 搭好以后，他才知道哪里可以大胆，哪里该收手。关注我，继续拆 ai 工程里的真实工作流。

最近我不是用那个 rest 重写了一遍 cloud code 吗？但是评论区下面总有一些不和谐的声音说，为什么说开发组不会想到用 rest 呢？难道是它没有，你懂？但是我想说， rest 可以 说就是 ai 时代 最牛逼最通用的语言。过去就是因为 rest 他的学习难度太高了，他学习曲线很陡，但是现在我们拥有了 ai， 我 觉得这些东西都可以迎刃而解，所以拥抱 rest， 那 么你就拥有了 ai 时代最强的编程武器。 哈喽，兄弟们，经过三天的奋战了，两天的通宵，终于把整个 rest 项目重构完了。然后整个项目呢，它现在有应该有二三十万行的 rest 代码，这个文件夹， 这个 themes， 还有这个 agent， 它每一个都是全部翻译好的 api 基本上是原汁原味的全部还原了。我是列了一个飞书的文档， 分析了一遍源码，把源码所有的功能基本上都深度重置了一个表格，我是每一段分别进行投位重置的，基本上是还原了它这里的所有的功能， 同时也把大家诟病的封号系统，封号的功能也把他的移除了，他现在整个系统更加的确保他的远程的控制的核心功能，他不会有任何的封号操作。 所以说这套系统是真正的为我们国人量身打造的，没有监控，没有后门的系统。我是整个用 rest 重构了，性能也比原来的更加强大。这个 s r c 文件我们可以看到所有的，你看这 br bridge， 它这个远程的调节的功能都已经 集成部署好了，基本上你看这个文件是有两百多行代码， manager， mode， session， 还有这个 c i 的 一个命令行工具也都已经重构好了。看这一排还有这个 al 美，基本上都是 rest 的 语言编写构造的， 还有 epi 的 这个 config 登录的认证，所有的我甚至把就是原本挖掘出来潜在的功能 rest 的 埃尼索匹那边还没开发好的功能，就隐藏的功能，我全部用 rest 的 工具进行了一次重构和复原，就它没有 写出来工具我现在都是用 ai 再重新把它做出来了。所以说现在这套 rest 系统 可能会有原来 aniso 所不具备的功能，你看潜在的功能深度挖掘，它原本是有语音交互系统的，还有宠物系统的，还有超级规划 各种功能系统，基本上我都用 rest 进行重构和修复了，现在整个项目也相比原来用 tabisk 写的更加的完善。我们可以看到这一排全都是 rest 的 了 代码，现在在进行整个代码的翻译和修复的过程，马上就会将整个项目推到 dpa 上面。做这种大型文件的时候，我们一定要将整一个他们的原代码数据要完整的用 ai 完整的逐条分析一遍， 因为只有建立了这样的上下文流程之后， ai 才能真正懂得你这个整个完整的原代码项目它写了什么，这样重构起来才不会有遗漏。 所以说最开始我先让整个 ai 逐条生发了他每一个功能的系统，这样进行我们后面重构，我们也只需要把这些大标题进行分别类的 给他作为一个一整个项目放进去，让他帮我们进行重构，这样也会更加稳定，不建议说你没有一个具体的框架，你直接说让他帮帮你去改。 结果我也是试过的，因为第一遍我也是让他说你基于这个项目帮我直接去重构， 但是一看原码，我的天呐，五十五万行代码，结果就重构出来了。第一个版本我上传了个版本给很多网友嘲笑说只有两千五百行代码，但是那个版本 比较好一点是什么？比较出乎意外意料的就是他居然还是一个可以运行的 demo， 就是 他把最基础的 ai 调用的逻辑是打通了，但是他不能 帮你操作电脑的文件，就是它连 opencloud 所谓的零头其实功能都达不到，因为它没有脚手架，或者说它没有调用工具的能力。 现在我们用 rest 系统级的重做一遍之后，把这些状态管理系统啊，以及 m c p 集成工具这个 greatbook 的 特性开关系统，整个服务框架架构都重新 完成了一个 rust 级级别大件之后，它才具有了 anti slip 的 原版的全部功能。 当我把三体问题可细化，用 clodico 做成了一个艺术装置， 我将采用 webgl 和十万个粒子的追巅 g 向你展示我的构建过程。 为了使得艺术装置更加完善，我们添加多星体运动和碰撞体系， 其他模型展示。 飞行雪绒这个名字一听就知道是因为雪绒海报起的，没什么寓意了。注册网站域名是随手写的， 我的兴趣大部分都来的快，去的也快，因为和学院里的大家关系都还不错，我经常会去给他们的社团帮忙，也算是时常都在体验不同方向的爱好了， 非要说的话，我喜欢和大家一起热闹开心的做事，因为要轻松快乐的活着嘛。黄龙的同学曾和我说过他们那里的一句俗语，人生处死无大事， 那些不值一提的烦恼在死亡到来后也不再让我挂心了。现在除了为怎么保护世界苦恼外，就是担心你吧。 新剧学院的学生们都来自世界各地，有不少人入学时也会带自己老家的特产和菜谱来校内论坛上。 那时候我只觉得自己落入湖深处，在因这些意识模糊时，有一双温暖的手揽住了我，那双手在深处竭力将我向上托。 当我醒来时就看到了你。 也是在那时候，我发现父母留给我的护身符不见了，可能是沉在湖底了吧，这让我非常非常伤心。 我大哭起来，你只好手忙脚乱的安慰我，把我带到了小屋里取暖。在那之后，就像你猜测的那样，我们在这间小屋中共同生活了一段时间，直到你离开了海洛。 因为这个 碎者如心的核心，对现在依附于碎者存在的我而言，也相当于我的心脏。 变成电子幽灵后，我没有就此放弃，找回自己的存在，以此再度回到现实。我有要做的事，我必须要成为完整的碎者。共鸣者， 但毕竟是以异常状态开始共鸣的，力量的缺损和不稳定也是必然。 这么多年来，我一直使用这枚核心增强自己的力量。日灵们也在帮助 我。在前不久，他落到了你这里，因为只有他，你才变得能够看到我。 这也是因为我最近看三体看的有点入迷了，一直在研究三体问题的运动轨迹，然后我就想着说用 ai 的 这个 weblab 还有 sweep 三 d 来模拟一下吧， 结果一不小心就做了一个好玩的玩意儿，然后整个项目我都已经以网站的形式做好了，大家想体验的话可以点击进去玩一下哦！ 最近我也打算用这个艺术装置来结合硬件做点更加好玩的东西，欢迎大家持续关注吧！

零基础逆向拆解 fast gpt， 背一一个仓库管所有代码，你是不是觉得看懂企业及开源项目这件事离自己很远？我今天开始干一件事，零基础逆向拆解 fast gpt， 一个四万加 star 的 开源 ai 项目， 第一天不碰代码，先看全景。 fast gpt 第一个让我惊到的设计是 monorepo 单仓库 传统项目像把厨房用具分散在不同柜子里。 monno repo 是 把所有东西放一个超大柜子，用不同抽屉分类，就像连锁餐厅得秘制配方，放在总店改一次，所有分店都用新的。 第二个选择是 nexjs 前端页面加后端 api 二合一的框架。以前前端一个项目，后端一个项目，得两个人，现在一个人干完同一套代码，同一种语言。 第三个选择是 type script， 你 可以理解成代自动纠错的 java script， 写代码时就抓出低级错误，而不是上线后崩溃。 第四个选择是 mongol db， 不 用 excel 那 种严格的表格，而是像文件柜一样灵活，每条 ai 对 话记录结构不一样，它都能存。 这四个选择不是孤立的。 mono repo 管代码组织， next js 管前后端， typescript 管代码质量， mongodib 管数据存储。同类的 n 八 n 也是 mono repo 加 typescript 做可视化 ai 工作流的工具，这套架构快成行业标配了。 今天 day 一， 明天深挖 api 设计，关注我，见证一个零基础的人怎么啃下企业及原码。

上条视频和大家分享了，装完 coco 之后，那怎么用它来帮我们解决实际的问题呢？那接下来我将会出一系列的教学视频，包含怎么用 ai 做 ppt， 怎么做视频，怎么做自己的个人作品集合网站，以及如何收集资料等等。 当然如果你有其他的需求，也欢迎评论区留言，我会陆续出相关的教程给大家，所以记得持续关注哦。好，接下来我们直接进入到正题，今天第一期教程，先和大家分享怎么用 ai 做好 ppt。 之前我们一直强调 skill 是 菜谱，要做出不同的菜，就得找到不同的菜谱，告诉 clarko， 他 才知道流程是什么，用什么配料。所以大家平时可以持续关注下那些在给哈仓库里面新标比较多的，就证明用的人很多。其中做 ppt 的 skill 在 中文圈里面非规章老师的这个规章 ppt skill 莫属了。 那最后我做出来的效果先给大家看一下，这个就是我把一个简单的个人信息的握文档丢给了 coco 要用的这个 ppt skill 做出来的这样的一个效果，大家可以看看觉得怎么样？我觉得整体的效果做的还是蛮不错的，他把我的这个信息做了一个提取，然后整理在网页上面， 接下来我就会演示在 vsco 里面怎么调用 clouco， 用这个 ppt skills 来去做出这样的一个成品。首先我们先打开 vsco， 就是 这样的一个界面，在 vsco 里面可以搜索这个 clouco， 就是 在这个扩展里面就是这个 clouco for vsco， 直接点击安装，我们安装好这个 clouco 的 扩展之后，后续每次打开 vsco， 我 们在这个右上角就会看到这个 clouco 的 按钮。我们每次去做一个项目的时候，我们都可以新建一个文件夹， 比如说这个是我之前新建的一个空的文件夹，然后假设没有使用的文件夹，我们就在这里面直接新建一个文件夹，然后选择打开，打开之后直接点击这个 clark co 的 按钮，我们就可以直接进行对话了。打开这个对话窗口之后，像刚刚说到的，我们要让这些 skill 帮我们去做事，但很多时候我会给大家一个建议，就是这个 skill 具体是能做什么的，我们可以先丢给 clark co 问问他， 所以你问他的时候，他会先去读取这个网页里面的内容，他就告诉我们这个 ppt skill 是 可以帮我们去做一个横向翻页的网页， ppt 是 一个 html 的 文件，具体下面有这些功能，如果我们想让它基于我们给的内容，让它去输出一些 ppt， 那我们就可以直接把我们的信息丢到这个文件夹里面，我们把这个简历放到这个文件夹里面，然后就会在这个文件夹里面去识别到我的这个内容，我就让他基于这些信息帮我做一个 ppt， 可以 看到他自己在一步一步的去规划要做的事情，他就先规划这个 ppt 的 结构还有内容大纲，然后生成这个瑞士风的 ppt 之后再去验证这个效果。当他做完之后，他就会提示你是否要在浏览器当中打开这个 ppt 的 预览效果， 我点击券之后，他就打开到浏览器让我去做一个预览，这个就是一整个瑞士风的一个 ppt 的 效果，我觉得整体还是非常的清晰和简洁明了。对比我那样一个 word 文档的一个信息， 我觉得通过这样的一个 ppt， 或者说这样的一个求职简历给到 hr 来看，其实还是挺加分的，不知道大家觉得怎么样？所以总结一下。今天跟大家分享的就是在 vsco 的 这个软件里面去安装完这个 clolo 的 扩展之后，每次我们打开 clolo， 然后去新建一个文件夹， 把你要给 clolo 识别的一些信息跟内容都放到这个文件夹里面，然后每次点开右上角的这个 clolo 的 图标，我们就可以跟 clolo 去进行对话了。 第二个比较重要的就是我们每次让 cloudco 帮我们干活的时候，最好就是调用别人已经封装好的 skill， 当你解决不同的问题的时候，就用这些 skill 帮我们去解决。 然后当你不知道这个 skill 能干什么的时候，就直接在这个对话框里面，让 cloudco 帮你去读取这个网页里面的内容，问问他这个 skill 是 干嘛的。所以对于那些想要做课间 或者去做一些演讲分享，对外的展示这些内容，我觉得用这个 ppt skill 是 一个不错的选择。所以今天的分享不知道对大家有没有帮助，或者大家在实操的过程当中遇到什么问题都可以留言，我会针对大家的问题给予解答， 以及大家还想知道用 call 能做什么，也欢迎评论区留言，我会出相对应的教程分享给大家。好，那我们今天的分享就到这里，我们下期再见。

大家好，今天给大家分享用 cloudcode 搭建大而稳定的数据源啊。这个仓库叫 a stock data， 他 上线七天，拿了一千一百个 star， 一 共有七层架构，二十八个端点，还有十三个数据源。开始之前我强调一下，本内容仅为 ai 编程技术分享，不构成任何投资建议，股市有风险，投资需谨慎。 呃，数据源其实一共有三个坑啊，一个是嗯 money 的 问题，就是有积分墙，像 to share， 它需要付钱才能用 啊，免费的它也能，但是就端口很少，没不咋好用啊。然后还有个封 ip， 就是 aikir， 百分之四十五的请求是指向东财，它会封 ip。 然后第三还有停更，有一些数据员他已经停更了。呃，这个 a stock data， 它的解法是把这些数据库都给拆解了，植圆了，植连了源头的 api， 就 没有这些 aikir 这些的中间依赖 a stock data 呢，它一共分为七层的数据，行情、研报、信号、资金、新闻、基础数据公告啊，公告就是巨潮，这个就不用提了。然后还有这个通达讯，行情层是通达讯加腾讯财经，加百度 k 线 啊，还有一个这个信号信号，这个大家可能会比较关心题材的归音，就是为什么强势的题材归音，这个大家应该懂啊。然后还有这个龙虎榜，还有解禁，还有行业。然后这个研报层是东财，东财的一些研报，然后艾文才这个也能有研报的搜索， 所以总的加起来，这七个层面的数据是应该是够肯定够大家用了啊。这财报在这个基础的数据层，这都是免费的，全部都是免费的。 信号城呢，刚才也讲了一下，它不只有涨跌浮榜，就是还有好多东西，就题材的归因，涨跌的这个，这个涨封封顶的归因，然后各股的资金呢，还有这个龙虎榜的席位，全市场的龙虎榜， 然后还有行业排名啊这些，呃，资金层面呢，还有一些筹码层面的数据，都是有接口可以接的。 呃，总结一下呢，就是这个 skill a stock data， 它 excel 搞定了七层架构，二十八个端点，还有十三个数据员， 嗯，总的来说它其实只需要一个 api key， 就是 爱问财那个也是呃，免米的。然后总结一下最终的方案，就是行情层用 通大讯、腾讯财经、百度 k 线研报用这几个，然后信号用这些，就这这些其实语言大家也都能找得到，大家也能自己去封装，但是这个 skill 就 它已经都封装好了， 所以大家就可以去研究一下，可以使用七天一千一百个 star， 还是挺快的。好，我的分享到这，谢谢大家。

曾经我对 cloud code 的 终端爱不释手，但现在我只能说一句， codex 真香啊，真香！ 大家好，我是布鲁。随着 codex 近期频繁的更新，我自己的工作站也已经全面的切换过来了。今天就来分享一下我自己的完整使用经验，怎么用 codex 打造一套不打断心流的生产力闭环。 本期视频我把它分成了七个章节，每一张都是我自己实际在用的技巧，希望能对你有所帮助。那我们话不多说，直接开始 第一张，先来介绍一下我的工作站是怎么布局的。左上方是 codex 的 对话框，下方是 terminal 终端。 你可能会问，已经有 codex 的， 为什么还要开一个 terminal 跑 c c？ 因为我发现对于一些需要探索、需要设计的任务， c c 的 表现要更出色一些。所以我的习惯是用 c c 来做方案设计，配合 planning with files 这个 skill， 把设计思路直接落成文件， 然后再让 codex 读这份计划，接手后续的具体实施。这样一来， cloud code 负责想， codex 负责做，两者可以各司其职。 右上方这个区域我用来做任务完成后的查看和审阅，比如代码的 review， 文件的浏览，还有浏览器都在这里。虽然现在浏览器还不支持多标签页，但对于日常的任务来说完全够用。这边我就分享一个实际的案例， 我让 c c 参考了最近很火的这篇卡巴西提出的知识库的文章，让他借鉴里面的思路，出一份设计稿和完整的实施计划。目的呢是做一套前端的页面，方便我日常的维护文档使用。 接着 c c 就 会调用 planning with file 这个技能啊，将所有的计划落成文档，然后我就会回到 colex 这边，让 colex 去阅读当前项目内的这份计划文件，然后基于这份计划文件让他进行开发。开发完结果之后，我会在这边 内置的浏览器里面去进行结果的 review， 包括代码的一个审查，整个过程从设计到开发再到 review， 全都在这一个工作站里面完成，不需要切换任何的窗口，这就是我前面所说的，心流不会被打破。 第二章，批注功能。这个功能是我觉得 codex 真正强大的原因之一，也是最能体现沉浸式开发的地方。 以前我们改代码的方式是找到文件定位到哪一行，描述问题，让 ai 修改，整个过程中你的注意力是在代码上的，但现在 codex 的 批注功能让这件事情变了，你可以直接在文件上进行批注，告诉他哪里怎么改，需要怎么改。 更厉害的是，现在这个批注功能不止限于代码文件，你可以直接在前端页面上进行批注，看到哪个按钮位置不对，哪块布局不满意，直接在页面上标出来， codex 就 能理解你的意图，并帮你进行调整。这件事的意义在于，正好对应了 webcodd 的 核心理念， 开发者的重心不在于怎么写，而在于写出来的东西对不对。批注功能把这个理念落地了。 第三章，上下文管理 codex 项目里可以同时开多个县城，每个县城对应一个任务，互相独立，不干扰。对比 cloud code 需要开多个对话窗口， codex 把所有县城都收在了一个项目下，管理起来会清晰很多， 然后是项目的记忆核心就是 a 键的点 md， 这个文件你可以类比为 cloud md， 把项目的背景、开发规范都写进去， ai 每次进来都会读取，不用反复的交代。 还有一点， codex 的 上下文管理非常省心，它会自动帮你压缩上下文，它也没有提供像 cloud code 中 compact 的 那样的命令，这种事情让 ai 自己处理就好了，你专注于任务本身就行。 第四张，自动化这块是我觉得 codex 比其他 agent 做得更好的地方，几个原因，第一，用起来非常的方便，直接在 gui 里面新建自动化任务，还内置了很多模板可以选择， 大到项目管理技术、眼镜，小到个人的生活习惯，都可以交给它来定期的处理。第二，自动化可以调用 codex 自身的能力，比如插件、 skill、 mcp、 浏览器操作、电脑操作等全都能用进来，这就是为什么我说 codex 在 逐步形成自己的生态。 第三，我们可以根据不同的场景来灵活的选择模型和推理强度，简单的任务用轻量模型，复杂的任务上强推理，这样的话头肯可以用的更加的合理。第四，稳定性，我实测下来， codex 相较于其他的 agent， 定时任务的准确性已经能达到生产级别，相当的靠谱。 第五张插件和技能， codex 有 相当丰富的官方插件和 skill 生态。先说说两者的区别， skill 就是 纯文档，本质是给一份 ai 的 说明书，告诉他在特定场景下应该怎么做事。比如说我前面提到的 planning with files， 就是 一个 skill 插件的概念会更大一些，你可以把它理解为 codex 打补丁，里面可以包含 skill， 也可以带上 mcp 配置，甚至集成其他的 app。 一个插件装下去， codex 就 多一套能力。 另外， codex 在 插件和 skill 的 管理体验上面要比 cloud code 的 友好太多了。 cloud codex 需要改配置文件，而在 codex 里直接在界面上点击安装，或者自己创建，整个过程非常的直观。 第六章浏览器和电脑操作 codex 可以 直接操控浏览器，你可以让它自动填表，抓取数据，验证 ui 效果。 比如我需要批量收集一些网页上的信息，直接告诉 codex 去哪个页面拿什么数据，它就能自己打开浏览器去完成操作，整个过程中都不需要你的介入。除了浏览器， codex 还能直接操作你的电脑文件的整理，应用的打开都可以交给它来处理，相当于有一个助手在帮你操作桌面。 不过这里要说明一点，随着 ai 自动化越来越普及，现在已经有不少软件开始加强安全控制，对自动化操作做了限制，所以实际能操作的范围会因软件而异，遇到限制情况也很正常，大家用的时候留意一下。 第七章通用功能这些功能不是 codex 独有的，很多 agent 都支持，但作为一个完整的工作站，这些基础能力 codex 当然也不会缺少。先说 play mode， 在 执行一个比较复杂的任务之前，先让 codex 把完整的计划列出来，你过一遍觉得方向对了再让他动手， 这个习惯能帮你省掉很多返工的时间，大任务尤其推荐开 play mode。 再说 m c p， 也就是模型上下文协议，通过 m c p 可以 把各种外部的工具和服务接进来，让 q d x 能力边界大幅扩展，无论是连接数据库，调用第三方的 api， 还是接入自己家的服务，配置好之后， q d x 就 能可以直接调用。 另外还有一点， q d x 相较于 logot code 的， 有一个非常关键但很容易被忽视的小功能，语音识别。目前我的任务几乎都是语音发起的，连打字都很少了。 ok 以上就是我在使用扣袋子过程中总结的一些技巧，如果对你有帮助的话，希望能得到你的点赞和关注。 最后我想说一句， ai 发展太快了，各家 a 键的功能越来越趋同，但工具再多，适合自己的才是最好的。有时候做做加法，找到真正需要的，做做减法，去掉用不上的，慢慢摸索出一套自己的工作范式才是最重要的。我是布鲁，我们就下一期再见。

ok， 我 们现在装完 clock code 了， what's next？ 如果你还是让它做新闻简报，或者直接开干，设计一个 app， no no no no no no。 我 有三个小建议，快速上手，并且感受到 clock code 和普通 chat 的 区别。 clock code 我 觉得最大的区别，一，可以调用本地的文件。二，可以调用各种的工具去完成你想做的事情。你想象一下，就是你装上了各种的手和脚。 第一件，让他帮你整理你最乱的文件夹，简单的说一句，把这个文件夹里面的文档重新组织，然后呢，他就可以告诉你他是怎么做的。 二、爆款分析。比如说你拿到这个视频扔给他，告诉他说帮我分析一下这个视频讲了什么，为什么好，怎么去做一个类似的视频，从分析文案，结构文案到提议这些他都可以帮你走一遍。第三个，做一个你的个人网站， 一句话做一个 html 的 页面，白色衬底，极简风格，列出我的个人作品以及我的设美链接，他就可以帮你生成一个看上去不错的页面了。 再建一步截图，一个你觉得风格喜欢的页面，比如这种，告诉他说把这个格式改的像他一样，你就可以看到哐哐一顿。做之后，他也可以做到一个像素级的 copy and paste。 先用这三件事猎手告诉我你的体验怎么样？评论区交流。

你用 cloud code 开发大项目的时候，是不是经常遇见过这种情况？问个代码问题，他翻来覆去搜半天文件，等的人都急了，最后给的答案还不准，还烧掉了一大堆 token。 今天给大家介绍的开源工具，就能完美解决这些痛点，让大项目开发效率直接提升七七七，百分之， token 成本最多能降四十九倍。看之前记得点赞关注，咱们马上开始！咱们先说说为什么 ai 编程工具处理大项目总会拉胯， 小项目文件少调用逻辑简单， ai 临时读几轮文件也能测出答案。可一旦碰上多模块的大仓库， ai 每次都要从零开始理解，上下文成本特别高，还记不住之前的内容，自然容易出问题。 今天说的 code review graph 工具，核心就是给你的本地代码仓库建一张专属的知识图谱，说白了就像给代码库画了张导航地图、函数类文档模块，这些实体是地图上的地点调用、继承、导入这些关系就是地点之间的道路。 再通过模型上下文协议接入 code， 这套协议说白了就是 ai 工具连接本地能力的标准接口。 有了这张地图， cloud code 就 不用瞎翻文件了，直接查地图就能拿到需要的代码结构依赖关系改动影响范围，而且所有数据都存在你本地的数据库里，完全不用上传到云端，哪怕是企业私有项目也能放心用，根本不用担心代码泄露的问题。 说到实际效果，官方在 vs code 这些真实大型项目里做过测试，用了这个工具之后， ai 的 工具调用次数直接降了九十四，代码探索速度提升了七十七百分之五。 还有人在 flask 这类开源项目里做过对比，原来完成一次查询要消耗四万四千七百五十一个 token， 用了图谱之后只需要四千二百五十二个，降幅达到九十九最多的场景下， token 成本直接降了四十九倍。 他还有个核心功能叫改动影响范围分析，你改了一个函数，他会自动找出所有调用这个函数的地方，相关的依赖和测试文件，只把最小范围的必要内容传给 ai， 既省时间又省算力成本。说到这，你会不会觉得这么好用的工具，配置起来肯定特别复杂， 把你的想法打在评论区。其实配置真的特别简单，只要你有三点一零及以上版本的 python， 还有 cloud pro， 订阅三步就能搞定。第一步，用 p i p 安装这个工具。第二步，执行 install 命令，它会自动检测你电脑上的 cloud code， 自动写入配置。第三步，在你的项目目录里执行 build 命令，就能生成代码图谱，重启 cloud code 就 生效了。它还支持增量更新两千九百个文件的项目重新锁引，只要两秒就能完成，随时都能给 ai 提供最新的代码结构信息。 你也可以加忽略规则，把第三方依赖自动生成的代码这类不需要所引的内容排除掉，进一步提升效率。你平时维护几个项目，是不是担心多项目切换起来麻烦？别急，还有好用的技巧呢。 日常用的时候，改完代码直接在 cloud code 里调用 review delta 命令，它会自动帮你评审本次改动的影响范围，特别适合上线前自查，习惯用命令行的朋友可以开启监听模式，它会自动监测文件变化，更新图谱，不用你每次手动执行更新命令。 windows 用户要是遇到连接报错也不用慌，先检查 fast mcp 版本，不低于三点二四，不要用 cmd 包装，直接调用 xa 文件，再设置下 python 的 utf 八环境变量，就能解决九十以上的问题。 要是你同时维护多个项目，还可以开守护进程模式，统一管理，自动更新所有项目的图谱，特别省心。 当然，这个工具也不是所有场景都适用，要是你只改几十行的单文件，小脚本见图谱反而多余。但是只要你的项目到了多文件多模块的阶段，尤其是大团队的企业项目，他真的能帮你省下好多时间，彻底解决 ai 反复读文件、上下文不够用、答案不准的问题。 总结一下，这个工具第一个优势是数据全存在，本地完全没有代码泄露风险。第二个是实测开发效率提升七七百分之 toc 成本最高能降四十九倍。第三个是配置门槛极低，三步就能搞定，还支持多项目管理。下期我们还会分享更多能提升 ai 编程效率的实用工具，记得多更新，今天的内容就分享到这里了，如果你觉得有收获的话，记得点赞加关注哦！

大家好，今天给大家录一个关于量化研究的仓库啊，它叫 qlab， 在 github 上已经拿了四点一万颗星，然后它在整个 github 上在量化研究这方面是排名第一的。 呃，它有两个比较大的特征啊，就是优势，就是第一是开箱即用的因子级，它有一百五十八个 这个量价，然后三百六十个时序的原始特征啊。第二个呢是它的自研的二进制的数据引擎，它总体读取的数据能比这个 pandas 读 csp 要快十倍，所以这个在量化研究方面还是比较重要的。 然后它本身也是这个微软官方出品的，然后 clip 到底能做什么？就是它从，呃，简单来说就是它有因子因子级因子库啊，有这么多个，然后你可以根据你自己的一些特征去挑选这些因子，一百五十八个量价， 呃指标，三百六十个持续特征，然后再把这些因子喂给模型去训练，预测哪个，呃因子的收益率会更高。然后第三个就是历史的回测，就用二十年的数据进行回测， 然后第四个呢，就是这个输出整体的一个报告，下一页就是为什么是 qlab 上其他的一些量化的模型啊？这个 这个已经停更了四年了，然后这个也是个半死半死不活的，然后这个是 v n p y， 这是可能是你大家下一步的选择啊，因为它其实是没有这个 api 接口的，就不能去直接去做那个啊交易，然后这个这个 v n p y 是 可以的。 然后 qlab 是 一直在持续的更新，而且所以它现在是整个量化，就个人做量化的话，就是它可能是比较好的一个选择 啊，但是它有明显的弱点啊，就是它的门槛比较高一些，就是需要懂一些量化的研究啊，包括要懂 ml， 然后它不能这个实盘没有这个 api 的 对接啊。第三是只能做洁面的标的，不适合 cta 啊。第四是这个文档太多了， 确实确实挺抽象的，所以呢，我们就可以结合 cloud code 进来，因为 cloud code 确实真的挺好用的。 嗯，你从十从零倒出，结果呢？它其实是这样的，就就是这样， cloud code 去把这个仓库给荡下来之后，然后让它去按环境来搭建，然后 cloud code 就 能解决这个 python 版本的冲突啊，依赖链的安装以及这个系统的兼容问题。 数据的采集呢，就是可以通过就是这几个库，就昨天我分享呃，前上一期分享这个 a k share， 然后还有这个艾文才，艾文才也是一个有 skill 的， 这个大家去搜就能搜到了，就能去提取这些啊，标题的数据就全年啊，二十年的， 这这数据可以提下来，然后模式的回测，这个这个我测完了，就是我不做这这方面本身啊，但是我做了一下研究，就是我跑，我也跑了一下， 就他你定义一个这个规则，然后去让他去挑选筛选，哎，是个是可以做成的，比如说啊，今天就是有个之前有个很有名的这个玩家叫北京炒家嘛，你就以他的这个打法来测一下，哎，这个收益到底行不行，但这个传统的打法，那肯定是 就是已经被淘汰了。可能啊，我也不太懂，但你们可以去测，按照你的想法去测，然后就是，然后第四个是条件的迭代，不停的迭代，不停的去更新你的模型，这个不行，你可以换 啊，下一个或者缩减范围，比如说市值就是一个范围，就是你可能觉得觉得机构已经把这个呃量化给跑了，跑烂了你可能打不过，但机构有些标的他是不怎么接入的，就比如说可能三五十亿以下的，他是小目标以下的，他是不接入的。 然后最后总结一下，就克隆，克隆怎么帮你？就他能读懂这个代码库，然后呢？能配置这个文件代写。 然后第三是数据格式的转换，因为 excel， excel 啊，包括这个 iphone 才拿的数据，它是呃不能不能直接用的，它要转换成 qlab 的 二阶制的格式，你转完之后你就有个 qlab 的 整体的数据库了。然后第四个就是跑通你的实验， 总体来总结来说就是数据交给 a、 k、 c 或者艾文才，然后流水线交给 q 列，然后副驾交给 cloud code， 判断留给你自己。然后方向啊，怎么定也是你自己定的，你再交给你的啊， cloud code 副驾就行了。 然后最后我再强调一下，以上是开源数据与 ai 编程的演示啊，不构成任何投资建议。好，谢谢大家。