codex知识图谱怎么用

ok， 重头戏来了，这一期主要给大家讲一下怎么使用 codex 和其他工程软件连接，然后完成一些工作。首先的话是 thirdworks， 我 们可以看一下它的工作流，可以看出 thirdworks 不 需要接 mcp 的， 它是会调用 thirdworks com 口，然后通过 vbs 脚本进行建模。也就是说我们只需要给它工程图或者描述我们自己的需求就行， 它自己也能打开 thirdworks， 但是我们自己打开的话会省很多启动时间。第二个的话去 matelab， 我 们看一下它的工作流， matelive 也不需要接 m c p， 我 们也只需要描述自己的需求就行。第三个的话就是 ency， ency 是 需要接 m c p 的， 但是我们可以让他自己接好，就是我们给他说一下，给 ency 接一下 m c p 就 行， 他就会自己接好。接好 m c p 之后，我们就可以通过脚本仿真求解了。当然以上这些操作，包括想要达到我在视频中展示的一键全自动生成，都是给他开放的完全访问权限不， 如果开放这个完全访权限也有一定的风险，大家可以根据自己的需求选择开不开。呃，当然也可以开这个默认权限或者是自动审查，这样的话他会在一些关键操作的时候征求你的同意，就很安全了。或者我们让他在指定文件夹工作，这样的话也很安全。

今天凌晨， openai 正式发布了它的 computer use， 你 可以通过 codex 去操作你电脑当中的任何的 app。 这期视频带你从三个案例去看看这个产品到底体验怎么样，以及如果你想使用的话可以怎么去安装。 我们先讲一个我觉得对我自己帮助最大的一个使用场景，我最近做了一个项目，是关于 ai 人物知识图谱的，我把各国家各公司的一些重要的 ai 人物放到了一张图当中 啊，通过这个图来表示它们之间的关系，让我可以快速的学习。那我这个时候就可以让 computer use 帮我去看看我这个产品设计有哪些可以在体验上优化的地方。它就可以直接的去阅读我的这个网页，重点去看它的信息架构、流畅度 和体验上面有哪些可以改进的地方。你可以看到它已经开始操作了，它会根据它的理解 去做一些体验测试，比如说他这里刚刚发现了搜索和筛选的联动是有效的，他还会再根据他的理解做一些更多的探索。这里需要强调的一点就是 右边的这个卡片的所有的操作其实都是 codex 进行操作的，我完全没有介入。大概思考了有五分钟左右，他最终给到了我五条建议。他给我的五条建议是按优先级高低去排的，那第一条是告诉我建议把首页先聚焦再展开， 不要一下摊开数据比较杂乱。第二条建议是告诉我要给图谱去加选中泰，让点击有明确的反馈，以及告诉我需要有些兜底的文案等等。我觉得这些建议都是有道理的，言之有物的， 虽然之前其实通过 agent browser 其他的插件也可以去完成这个工作，但我觉得现在 computer use 的 优势是它会比较的格式化，你是能够直接看到它有操作哪些部分，还有没有操作哪些部分是很直观的。 我们再看一个案例，我平常有使用推特去跟踪一些 ai 的 公司最新新闻的一个习惯，我这次让他去帮我去看一下最近二十四小时内这些公司有发哪些最新的推文，整理好发给我。 它一开始是操作错了的，它是用这个 agent browser， 就 我之前装的这个 scale 去完成，不是用的这个 computer use 去完成的，所以我在这里打断它了，也是同样请求我的授权。也可以看到右边这里又出现了它的这个标志性的一个光标，帮我打开了推特， 然后成功找到了我的 ai 机构的列表，是顺着这个时间线往下翻，按照我的要求 把二十四小时的帖子全都抓出来，他也是可以用这个光标去滑动的，每翻一页他会判断是不是还在二十四小时以内。大概翻了五分钟左右，就把所有的这些帖子根据不同的机构给我整理出来了。 看一个帮忙发微信那个场景，我是收到了一个微信，是我在撸猫的一个照片，我让他帮我回复一下，他是先请求我授权他使用这个微信，然后根据这个照片帮我理定了一个很不错的一个回复，我批准同意之后， 他就开始去操作发布，可以看到右边这里出现了一个 codex 的 小的光标，顺利代替我发布。 肯定有人好奇 computer use 费不费 talk， 那 我们这里是把三个案例的呃消耗都统计在这里了。 我们是 cortex plus 的 会员，使用的是 gpt 五点四 high 的 模式，可以看到这三个案例消耗的 talk 量分别是五小时用量的百分之三、百分之十三和百分之十六，也就是说五小时用量大概也只够你跑 五六个省略 ai 图谱这样子的一个项目的量。同时他花费的时间也统计在这里了，大家可以去看一下。特别是像发送微信这样的任务，他花一分钟二十秒，这样的时间肯定是不可用的，因为还不如我自己去发呢。 computer use 的 安装方式也很简单，打开 context， 这在这里选择插件，然后筛选到 open ai button， 然后找到这个 computer use， 添加到 context， 点击安装就已经安装好了。 最后简单讲一下这 computer use 的 一个实现的原理，那 computer use 其实本质上是一个桌面的自动化层， 它不是跟其他的产品一样是直接通过 api 去操作，而是分三步先感知当前的窗口，它可以通过截图来看到当前窗口有哪些东西，通过这个元素去判断哪些东西能操作，最后去执行原子化的动作。 所以他的操作跟你去操作其实是一模一样的，所以他会有一些风险，比如说所有你看到的这些信息，他有可能都会被截图交给模型，以及你如果已经登录了一个账号之后这个账号，那可能会被 误操作，以及有些敏感信息还是需要注意的。虽然其实 computer use 目前肯定还是有各种各样的问题，比如说它的耗时是比较长的， 它有的时候的操作也不是很稳定，就像它在操作我微信的时候，是没办法直接在微信框内输入，是要通过调用剪贴板去复制粘贴的， 那有时候他可能也不能稳定的去被正确的调用等等，这些都是他目前存在的问题。但是我觉得这个方向是对的，因为他其实打开了一种新的人和电脑的交互方式， 也许未来真的有一天，呃，我们再也不用鼠标和键盘去操作电脑了，所有的机器跟我们都是自然语言的交互了。那这天的到来一定是会非常的有意思的。我是离谱关注我，获取更多一手的 ai 的 实践和思考，我们下期见。

给大家分享一下我实测的 code graph 以及 jibble， 我 们可以看一下它的这两个插件，它是属于 graph rag 领域的知识库。我们首先看一下它的 主页，它们完全是开源的，然后我们可以看一下怎么使用，我们首先介绍一下它是做什么的，它可以使用在 cloud， code， cursor 等等的编码工具以及 open cloud harmless agent。 然后它可以使用什么呢？我们可以看到它可以进行一个减少我们 查询时候的一个工具的调用，比如说我们在运行一个代码，需要了解这个代码的架构的时候，我们需要执行，比如说反复的执行 grab read find， 然后进行了解这个代码的结构，我们这个库可以进行一个 减少这个时间以及它的一个我们模型的消耗，降本增效。然后接下来我们看一下它的 jibri， jibri， jibri 是 什么？我们看一下它的一个界面，它是为了 openclaw 以及 harms agent 进行打造的一个数据库，进行记录它的一个对话等信息。我们首先看一下它的一个 刚才实测的一个数据，我们介绍一下这个实验是怎么做的，比如说我们看一下左侧，左侧这个是没有安装这个插件，我们让他分析一下，分析一下这个 j b r 的 项目的完整架构，然后 这是他的一个分别的要求，我们通过这个提示词，然后进行一个执行，我们可以看到他有很多的工具调用，比如说读写等等等，他会消耗很多的 token， 然后我们进行获取他最后的一个时间以及他的一个 token 的 消耗量，然后我们 看一下右侧，右侧的话我们进行第二个实验，就是把它的一个缓存给删掉，然后进行安装，首先安装下这个命令，然后我们进行一个构建它的一个锁影，我们构建这个 jb 的 一个锁影，可以看到已经导航到这里面，然后进行一个 index， 然后我们可以看到这个项目花了二十五秒，还是非常快的。然后我们继续运行 color code， 然后使用同一款模型，然后进行一个测试，同一个提示词，发现它最终 达到了现在我们展示的这个效果，从原来的六分钟到现在的不到两分钟， 然后实际的消耗，我们可以看到这个表现还是非常的亮眼的。对于我们在重复的一个工程，比如说很多的代码中需要很多很多词读取，这也就是一个 red 的 流程，通过这个库可以很明显地减少这个损耗。然后接下来我们介绍一下为什么 george 是 可以进行一个 减少的，看一看它的原理。通过我们对于它的源码的一个分析，我们可以看到它们构建的是一个数据库，并且使用的是一个算法的构建。我们看一下为什么可以不用 ai 就 可以构建， 因为我们代码本来就是结构化的，我们通过这个直接建图就行。我们看一下它的一个图解，比如说 这个就是我们的一个图解，然后我们通过自动解析，然后通过 a、 s、 d 的 语法术进行自动生成的一个知识读谱，这是完全不需要 ai 进行参与的，非常的高效。然后我们进行解释一下为什么不需要 模型就可以见图，因为我们使用的是代码，是结构化的，我们使用 a s t， 这就是一个抽象化的语法术。在我们运行代码的时候，比如说变异器，解释器这些东西都是可以一个很成熟的一个流程，因此我们可以直接进行复印它就可以了。然后接下来我们看一下 code graph 的 一个构建流程，我们首先进行一个源代码，然后进行一个解析，然后进行引映，它的这个解析最后储存在 circle light 里面，然后构建一个全局的缩影，这就是提供的一个工具自动进行， 它是一个基于 graphreg 的 一个知识图谱的知识库，它是一个知识库，我们由此可见这个基本的知识库是 ai 的 一个基础见识。然后我们看一下 openclaw 以及 harms 的 这些记忆，也就是之前的一个记忆体。我们首先看一下它的一个 开源的作者，它是在互联网上有很多的一个 start， 来到它们的界面可以看一下， 然后回到这里，我们看一下它是怎么监图的。我们可以看到用户进行提出问题，然后进行一个毁调，用了这个 skills， 然后进行把它格式化出来，格式化成 markdown， 然后通过 markdown 之后，然后通过一个正则化的进行提取一个知识库的建立， 我们可以看到虽然说它宣称的是零调用，但是在我们的一个格式化 markdown 的 时候，就是需要一个 ai 的 调用的， 然后进行一个向量化，以及我们图的一个增量更新，这就建立完了。然后接下来来到这个 核心的 skills， 这个就是他暴露的一个 m c p， 他的一个解锁的一个特征。首先是关键词的解锁，然后是一个混合解锁，混合解锁的是什么？比如比如说向量处理不好的编号等等的东西，交给我们全体的缩影，以及他的一个 r f 一个融合。什么是 r f？ r f 就是 进行的一个召回的一个算法，比如说这里面就是一个余弦的一打分零点七的权重，再加上它的一个余弦相似度，这是它的一个特权。 然后接下来进行的是一个图的便利，我们可以看到它提升了百分之三十一个哦。 然后接下来我们分析一下 jeffrey 和他的一个 r m 的 viki 的 一个区别。可以看到 openai 的 创始人进行 一个想法，这是维护的是一个个人的知识库，而这个是进行的一个比较成熟的一个解锁了。然后接下来这就是他的一个独立使用，然后这是他的一个安装。

今天我们给大家演示一下一个开源项目，这个项目主要是 markdown 文本里面去抽取出结构化的这个 knowledge， 它可以抽取出八种格式，它可以抽取出记录，它可以抽取出结构化的报告，一些关键 key point， 它也可以抽取出实体，当然它也可以 抽取五种知识图谱，它是关系型的知识图谱，这个是多实体之间的关系，包括它有时间维度和有地点维度的这样的一个知识图谱。它第五个是有时间和 地理纬度的这样一个知识图谱，它都是可以去抽取，那么这个工具应该来讲是非常不错的，我们给大家来介绍一下。那么它的主要的功能，它有一个命令， c l i 的 这样一个命令，它可以去配置大模型， 去分析你的各种各样的 macdunk 的 文件，创建这样的一个知识图谱的这样的一个知识库，它也可以去构建 前面给大家介绍的不同类型的这样的一个知识图谱，那它也支持这种叫 light i g 的 这个知识图谱，也能支持 graph i g 的 知识图谱，也能支持 k g 建的这种知识图谱，它能支持很多的方法，那么它也有各种各样的模板，能够支持金融、法律啊，法律啊等等。 mag 的 知识图谱，它能支持很多的方法啊， 他都能支持这样的一个知识图谱的这样的一个模板的抽取，当然你也可以去定义各种各样的模板，那所以这个工具就是 apple extract， 这个工具应该是挺有用的，我们给简单给大家演示一下，我刚才跑了一下，这个是一个舒适的这样的一个知识图谱，你可以看到他有七十三个节点，有八十五个边，他等于是这样 他就构建了舒适的这样一个知识图谱。那我抽取，我是用一个标准的模板去帮助他去自动抽取的，那这个工具应该来讲还是非常不错的，我们给大家看一下他这个模板里面就会有非常多，我是用的是这个模，是从人物传记 当中，回忆录当中，年谱当中抽取实体和实体之间的关系，他这个叫传记图模板，他有各种各样的模板，你可以用，他也有些概念，有些文档结构，这个他其实都是可以抽的，是通用的，当然他也有一些金融的。简单的给大家看一下工业的，他也有工业的，法律的、医学、药物相互作用， 其实都是可以透的技法。好，这个给大家来介绍一下，那么它的这个方法里面它也能支持比较多的，这种方法有好多方法，这个我们想的会比较多， lightig， 它也通过这个项目 cyber extract， 它也能抽取出 lightig 的 这样的一个知识图谱。好，我们简单给大家讲一下它是怎么用的，它是比较简单的，它主要是安装这个工具就可以了， 它默认它是用了这个 g t 四 o mini 和 text embedding 三 small 的 这样的一个 embedding 的 模型，当然你可以改一改，你也可以通过环境变量你可以去修改一下，我是直接改了原代码， 在这儿你可以去改一下它的 customer 的 这样的一个 model， 改完之后呢，你就可以跑在你自己本地部署的模型上面去抽取出 你需要的这样的一些知识图谱。这个工，这个开源项目它是有一个好处，说它抽取知识图谱，它可以根据模板来抽取，相对来讲会比较方便，它也能够定义出这种 skill， 在 我们的那个 open code 里面去被调用，这个也是比较方便。好，今天我们这样一个开源的一个项目就给大家介绍到这。

十分钟用 codex 加 oc 点搭建 ai 大 神和那些同款可以自生长的知识库，帮你把信息的利用效率直接拉高到 next level。 这些视频可能是全网最全面系统的 ai 知识库搭建教程，从理念到实操，手把手带着你，从零到一来搭建， 还能定时抓取热点，能自动整理信息进行复盘，能让知识体系自动替代生长，还能直接输出文档、 ppt、 视频等成果。 不管你是什么职业、岗位，只要平常需要先收集整理输出，都能用这个 ai 知识库，最大程度发挥知识的福利价值，拉高效率。而且配置也很简单，小白也能轻松上手。我还整理好了两张搭建知识库的架构图，丢给 codex 就 能一键抄作业，无痛复刻。所有安装方法、技能包、提示词、案例我都放在文档里面喽！ ai 大 神卡帕西的自身账理论，简单来说，就是不要把知识库只当成一个收藏夹，而是把它变成一个由 ai 持续维护的自身档系统。整个系统是这样循环的，首先，没有被处理的原始资料会统一进入原始的文件夹 a， 比如说网页、论文、截图、视频、会议叫等等。然后让 ai 定期消化复盘，把真正有价值的内容整理成泛化性的概念，再放进一个处理后的文件夹 b。 随后，你就可以根据具体任务或使用场景，让 ai 沉淀成可附用的方法论模板，放进 skill 库方法库文件夹 c 中。最后，你每一次输出的内容都会放在输出文件夹 d。 等到 ai 定期复盘的时候，这些输出的内容又会重新回流进知识库中。至于每步怎么定制搭建，那我们现在开始吧。 整个安装配置非常简单，就需要 codex 和 obsidian 两个软件，想进阶的视频后面也会分享移动飞书的玩法。那为什么是 codex 加 obsidian 呢？首先， obsidian 是 一个本地 macdown 笔记工具， ai 又可以直接读取本地的 macdown 文件， 意味着你可以直接下指令，不用自己手动整理。而且 obsidian 有 非常强大的场景生态，可拓展的功能很多，你可以根据自己的需要自由组合 obsidian， 再接入 codex， 就 为你的知识库接入了最牛的 a 卷的能力，再加上 codex 的 skill 和电视功能，玩法就更丰富了。 那装好 o c 点后，我们先来把它和 codex 打通，点这里选择第三方插件，关闭安全模式就能浏览插件市场， cloudian 起用。 然后点击选项卡，找到 codex， 打开开关，这里要输入一个 codex c o i 的 路径，有了它你就可以直接连通桌面端的 codex， 不知道路径？没关系，直接问你的 codex 就 能拿到路径。最后很关键的一步， 在 codex 里面打开这个项目工作按钮，链接你在 obsidian 里面建立的仓库文件夹，这样以后就算在 codex 上处理文件，因为本地仓库是连通的，你在 obsidian 里打开也会同步更新哦。 接下来我会重新收集机器管理和新输出三个阶段，来教你怎么结合 ai 来搭建这个能自生长的知识库。如果你已经在用 obsidian 或者已经做好新收集与迭代哦， 那不管你是做内容、写报告还是搞研究，前期的灵感和这道收集真的非常费时费力。而自身长知识库的第一大好处，就是用 ai 让你的信息收集和整理更加自动化，更丝滑高效。 我们工作室之前还专门搭过一套 nba 的 工作流来收集行业资讯，再自动推送到工作群里面，其实效果是有的，但说实话，门槛太高了，不太适合。小白 现在用 obsidian 和 codex 直接搭一套自己的行业情报获取系统，不用写代码，不用懂自动化，也不用研究复杂的工作流，只要用三步，它就能每天帮你找出信息，筛选重点，整理成文档。第一步，把这个 github 项目地址发给 codex， 这个 github 项目就是个资讯收集工具， 他会从 twitter、 gitup、 reddit、 rss 这些主流的平台抓取内容，再帮你去重，然后打分，最后生成一份结构化的日报，让他直接帮我们答。这个插件可就让 ai 帮你找信息源对小白来说非常友好， ai 会提示你需要提供哪些秘钥，比如说 deepstack、 gitup 或者某些信息源平台的 api key。 第二步，直接问 ai 这秘钥要去哪里注册， 我们申请好密钥之后，把密钥发给 ai， ai 就 能够直接配置好。最后一步，告诉他你的身份和需求。我是 ai 自媒体博主，请每天帮我收集 ai 行业热点，并把日报推送到指定的文件夹， ai 就 会自动生成这样的日报，哪些内容值得继续跟进，哪些选择题可以直接开做，一眼就能 够看清楚，而且每条内容都会附上才考链接，有来源、有依据，信息更加可靠。不止是行业文章和新闻热点，如果你每天都需要接触大量外部的信息，比如政策变化、 客户动态、精品动向、岗位资讯等等，都可以让 ai 直接帮你抓，帮你汇总。不用天天手动搜索，也能持续捕捉有用的线索哦。 除了直接抓取信息，你刷手机遇到想要收藏的内容，都可以通过 obsidian 的 插件去直接导入。比如这个某书的导入插件，我装上以后直接粘贴链接就能一键导入。平常在网页上刷到有意思的观点，也可以用这个 clip 插件，选中意向内容段落，就能剪切收藏进 obsidian 里面， 它甚至还可以收藏一些视频提取字幕，在这里你还可以做笔记，然后一键存入 obsidian。 所以平常刷到有用的文章、观点、视频案例，不用再靠截图或者进行收藏夹吃灰，直接随手将它进知识库，就能让 ai 帮你沉淀成素材，之后写方案、做选择题、查资料都能直接调用。 除此之外，你可能还有闪躲在备忘录、其他笔记库里面的旧素材需要用。如果一个个导入到知识库就非常麻烦。比如我们团队平时用飞书办公， 里面就有很多重要的文档，那这时候就可以直接联动飞书了。不让 codex 安装飞书， c o i 客户端程程自动，然后把文件夹链接丢给他，就可以导进数据库了。 如果前面已经把 codex 和 obsidian 的 项目文件夹关联好，这时候打开 obsidian， 就 能看到非是文档已经进来了。再用一个 doc 插件，就能把 word 文件转换成 mong 格式。另外，像这个 import 插件也可以用，它支持非常多的平台和格式，像 notion、 apple notes 都可以直接导入。 所以不管你是学习、工作、研究，还是做个人规划，只要你的信息来源是分散的，只是更新的、需要反复调用的，都可以用这套方式把它们统一放进 opc 店里面。 首先来搭建迭代系统，我们直接把卡帕西的思路丢给 codex， 告诉他结合我的知识库定制一个知识迭代系统 看，定制好的系统里面，你的知识库被分成了多层清晰的结构，并包含了信息输入、 ai 消化、信息输出等一套完整的体系。后续就会帮你检查那些内容，重复那些内容过时，那些内容值得沉淀成模板或方法论。 学生可以用这套方法论替代你的学习笔记，打工人可以拿来管理项目，沉淀客户案例。反正只要你想拥有一个能自主生长、反复叠带的信息库，那这一步就不可或缺。但这样的系统还不够完善，会有很多分赃任务，而且用来需要你经常手动操作。 那现在就可以借助 codex 的 自动化功能，把它变成一系列定时定期的工作。比如我想做一个定时蒸馏的任务，就要让知识库在指定时间内判断整理我这段时间里面的所有工作。 第一步，让 ai 写出这个蒸馏任务的提示词，然后在 codex 的 自动化功能里面粘贴好生成的提示词。定时，每天下午五点， 它就会自动干活了。每次蒸馏完之后，它会自动生成一份总结文件，存为 opc 店对应的项目文件夹里面，打开就能看到，还会关联相关的文档链接，非常便于我后续翻出来复习。 除了征六知识库本身的内容，你还可以定期在 codex 里面整理非书会议纪要、重要消息生成的文件，再放进 o c 店里面，相当于直接完成了一次周报。 你甚至可以做一个 html 复盘看板的 skill， 帮助你对复盘进行格式化，比如生活数据、 项目进展、阅读记录等等，重点内容一眼就能看到。总之，一个自身长的知识库，需要有 n 个定期复盘任务来不断提供养分。比如说每周复盘、资料整理、热点汇总、详细更新等等，你都可以把它们设成定期自动任务，让 ai 到点自己执行，再也不用手搓了。 前面所有的格式词或者文档，其实我们都可以把它称之为 skill， 这就是我接下来要说的，你可让 ai 帮你 diy 专属于自己的 skill， 来管理运用你的知识点，尤其是把你一直不停重复的工作流 一直在用的里面，理论都统统转化为对应的 skill， 可以 随调随用。那我们平常写公众号来说，最常遇到的一个问题是，选择题怎么挖？什么角度有趣又有用？哪些观点是放在开头，哪些案例适合详细研究？ 我们就根据这个一直以来的痛点，打造了选择题价值判断 skill， 直接把判断标准告诉 codex， 它几分钟就能写出来。 后面有新信息进入知识库的时候，直接调用这个 skill， 它就能判断这条信息的选择题价值，能利用的亮点，还有可能的机会风险 些，原本要经验老到的人才能看出来的东西，知识库全部给你一键生成了，而且这个完整的判断报告也都直接储存进知识库里面，成为知识库自生长的养分，真的是躺着就能收获成果。另外， 工作室其实也一直在整理视频脚本的写法，之前是一个一个字手搓，现在我直接把写过的内容和讨论出的方法统一丢给知识库，让它沉淀出文风 skill。 你 看直接总结了我的表达节奏、口语化程度、比喻习惯等等，还提炼了我习惯会用的京剧结构，简直比我自己还要熟悉我自己 那其实任何需要重复三次以上的工作方法，像抄报、做分析、做教案、做营销、写需求文档等等，在这套体系里面都可以被沉淀成 skill， 等于你把自己的经验变成一套随时可以调用的工作插件，随时随地都能取用。 接下来就是利用 ai 知识库做好输出，它可以基于你的资料快速批量的产出内容，而产出的内容又会重新回流到库里面，非常适合做媒体矩阵、营销物料、课程资料这些工作的人。 首先，比起每次都要和 ai 反复 battle， 刚才我们整理的 skill 库在这里就派上用场了，直接用已经整理好的 skill， 明显更加省时省力。比如我调用刚才前面做好的文风 skill， 把这篇写好的大纲丢进去，让 ai 结合 obsidian 收集到信息，做一个内容初稿， 你看分分钟就跑出来了，都用了等句表达，而且结构清晰，整体风格和我平常写的真的相差不大， 但细读起来还是 lv 很 重，我就做了个去 lv 的 skill， 搭配起来调整出来的结果就会更接近我日常的口味。所以说只要搭配好 skill， 整个输出的工作流就会非常顺畅。像我这边也整理了很多 skill， 包含了常人的写作、编剧、营销决策、魔书、笔记等等类型， 都放到文档里面了，大家自取。除了储文件的输出，还可以结合 ai 加数据库去做配图，甚至是动画效果。比如前面的这篇稿子，不过要发某号，没有配图，真的挺单调的。于是我做了个配图 skill， 它可以自动判断，自动生图，自动插入图片。 你看整体生成的风格保持了高度的统一性，图片也都插入文档中。而且你在本地附件中可以看到所有的图片设计，这些都是能单独使用的。 甚至我们可以直接把写好的文档直接输出成 ppt。 比如刚才做的选择价值判断报告，我在 codex 里调用 presentations 插件，一句话就能指出 ppt 了。看看这个效果，风格统一，内容相似， 还可以直接下载编辑以后什么每周工作复盘、购物方案汇报之类的，从信息的获取到输出，直接一个闭环了。 还有一种很实用的输入方式，就是让 ai 把知识库直接转成视频摘要。像我就调用 hyperframes 插件，让 ai 把刚才的这篇文章做成视频，也是一句话指出， 你看整个视频，风格简洁大气，动画效果也很高级，看下来马上就能 get 重点。 先输出不只有文字，从图片到视频，其实都是可以交给 ai 一 键完成。无论是平常做 ppt 汇报、做客户方案， 还是写某号发某书整理课程？只要需要做配图做视频，现在都可以考虑，就给 a 知识库来打理了。停下来我真的觉得以前用 ai 就 像零食找外包，你讲一遍背景，它干一次活。但当你的资料、方法论都沉淀在 obcd 里， ai 就 能读到过去的积累，也能直接把铲除放回系统。 所以不用一开始就搭的多完美。先建一个小知识库试试，只要他能帮你省下一次从零开始的时间，就值得继续。那这就是本期视频的全部内容了。这里是勋酱，我们下期见，拜拜！

如果你让 ai 读一个大型代码仓库，最费的其实不是理解，而是先到处翻文件。这个 code graph 做的就是把代码先建成一张知识图谱，让 cloud code、 cursor code x、 clean、 open code、 hermes agent 这些工具直接去查图谱，而不是一层层 grab find read 乱翻。它能一次给出入口相关符号、代码片段，还能查调用关系和影响范围，适合小白理解这个功能到底在哪儿，怎么串起来的。 原材料里给出的实测结果也比较明确，在七个真实开源仓库里，平均省了百分之三十五成本，百分之五十七令牌，百分之四十六时间，百分之七十一工具调用它还是本地运行数据不离开电脑，不用 api 密钥，只用 sq lite。 数据库 安装也很直接， windows 和 macos、 linux 都有一键方式，装好后再初步项目就能自动同步锁影。简单说，它解决的就是大仓库里问 ai 老是翻半天还翻不准的问题。 尤其适合想让 ai 更快找到代码脉络的人，可以先收藏，后面遇到项目排查功能梳理改代码前看影响范围时再拿出来试。 如果您需要直接下载此项目，可到主页资源去获取，方式中直接搜索项目名称，可以下载打包好的文件，感谢您的收看。如果你的网络环境无法使用 github， 可以 尝试使用 github 大 陆中转站九幺 git， 无需网络环境配置，只需要输入项目名称，就可以帮你打包好源码和 a p p。 大 陆用户可以直接下载使用。关注我，带你发现更多免费优质项目！

用 ai 编码工具做项目，是不是总觉得他反复读文件疯狂调指令，加载慢，响应迟，偷看还蹭蹭涨？今天分享一款开源神器 code graph， 专门消灭 ai 编码的探索税。 code graph 是 一款本地代码知识图谱工具，完全开源，数据不上云，安全又省心。 他的核心逻辑很简洁，用语法解析器生成代码的抽象与法术，自动提取项目里的类函数接口和调用引用关系，把零散代码整合成一张完整的知识图谱，再用本地 sqlite 高效存储 ai 工具直接查询图谱，不用再逐个翻文件。功能方面， code graph 支持二十多种主流编程语言搭配文件实时监听，代码改动后所以自动增量更新，不用重复手动构建。 依照图谱能力，你可以一键查询函数调用链，代码影响范围上下游，依赖关系排查问题，梳理架构，效率直接翻倍。 实测数据也很能打，对比传统方式 token 消耗直接减少百分之五十七，工具调用次数下降百分之七十一，整体运行速度提升百分之四十六，综合使用成本降低百分之三十五，项目体量越大，优化效果越明显。 兼容性方面， code graph 支持 cloud code cursor、 code c o i 等主流 ai 编码工具，适配性拉满。它通过 m c p 协议接入 agent， 可以 直接调用图谱查询，不派子 agent， 不 重复读文件， 上手门槛极低，几步搞定第一步，安装 macos 和 linux 一 型 curl 命令， windows 用 power shell 有 node 的 话直接 mpm 也行。 第二步，注册 mcp server， 运行 co graph install， 它会自动把配置写入 cloud code cursor 这些工具的配置文件。第三步，进入项目目录，运行 co graph in it tree sitter 解析整个项目，建出知识图谱，大多数项目几秒到几分钟搞定。 装完有个常见坑配置看着好了，但 agent 其实没条。 code graph 可以 这样验证，跑 code graph status 确认 back end 显示 native 且 symbol 数量不为零。看 agent 工具调用律制。如果你经常用 ai 开发中大型项目 做架构分析或团队协助编码，这款工具一定要试试，小型项目就没必要额外部署了。项目地址， github m i t 协议，感兴趣直接去试。

你加入新团队，克隆仓库，然后打开代码库，它就在那。一个二十万行的代码库，正像受惊了路一样盯着你。 于是你做了每个开发者都会做的事。你 grab， 我 们在文件间跳转，还可能让 cod 解释这个仓库。假如你拿到一张地图，一张能教你代码库的真正交互式地图呢？ 流程架构，层级变更影响，这就是 understand anything。 几周内在 github 上就已经获得了超过一点四万个星标，很多开发者都在谈论它。接下来的一分钟里，我会展示它是如何工作的，以及它将如何极大地加快你理解代码库的速度。 understand anything 是 一个开源的云代码插件，它也能融入与 cursor、 co， pilot、 gemini， c l i 等工具的工作流中。 你只需将它指向某个仓库甚至知识库，它就能将该项目转化为可查询的交互式知识图谱。它通过静态分析、加多智能体 l l m 处理来实现这一点。但重要的是，技术占以外的部分。 关键部分在于它真正解决了问题，因为每位开发者都遇到过这个难题。你刚接触某种遗留代码库或遗留应用文档过时了， 那位无所不知的工程师六个月前就离职了，而你的人工智能、编码智能体却一遍又一遍的猜测。这正是该工具真正发挥作用的地方。那我们就运行它吧。如果你喜欢能提升工作流的编码工具，记得订阅。我们一直在发布新视频。 现在这是一个中等规模的项目，它大到足以让人抓狂，却又小到能让我真正向你展示这有多酷。 这只是我从 google microservices 克隆的一个仓库，规模很小，我们完全可以实际测试一下，无需假装什么。 首先，我要安装这个插件，就在这里。 cloud plug in install understand anything。 一 旦生成完成，我们需要重新加载插件。当然，然后只需运行 understand。 现在它将扫描整个仓库， 它提取结构，关系，关键模块以及可能的业务概念。现在我们可以运行 dashboard 的 命令来启动一切了。首先，这运行了很长时间，大概三十分钟，还烧掉了大量的 token。 所以 拥有一个不错的 cloud 计划是必须的。 我有 cloud max， 这消耗了我百分之二十五的额度，所以很烧钱，而且烧的飞快。但一旦完成，我们就能打开这个仪表盘，而这正是真正让人惊艳且直击痛点的地方。我可以缩小试图查看高层架构。我可以放大并访问内部组建。 我可以点击查看代码分解，以及所有代码是如何连接的。我甚至可以直接点击进去查看实际的代码本身。然后可以在这里搜索一些东西，比如支付。现在通常我会穿梭于各种路由，服务模型和处理程序之间，甚至去翻那些早已过时无用的文档。 在这里，这些工具将各个部分整合起来。现在我可以点击引导之旅，它会按顺序 walkthrough， 流程 入口点验证逻辑数据库，外部 api 以及空气处理系统。这已经很有用了。这次导览将一切拆解的清清楚楚，我们可以深入其中，访问各个组建，这就是区别所在。嘿，这是个超酷的图谱，我在触碰生产代码前会先看看这个， 但现在显而易见的问题是，我们难道不已经有这类工具了吗？作为开发者，我们真的不再需要更多漂亮的仪表盘了。我们需要减少浪费的时间，而这款工具瞄准的是软件领域最大的时间黑洞之一， 获取上下文，对吧？这一切都连接在哪里？它有何用处？人们正在大型项目遗留 java 单体应用、微服务仓库以及数百个文件的代码库中测试它，而反应大致就是我这里得到的那样。 这能帮我省下刚入职的前两周，因为他能把一切拆解清楚，串联起来，并展示他们是如何交织在一起的。这是第一个真正重要的用力，即入职培训。所以与其说读这十二页，然后四处问哪里看不懂，那本身就很让人困惑。我们现在可以说打开图谱，走一遍，倒览， 然后再提出更有质量的问题。现在第二个非常棒的用力是人工智能智能体。因为大多数人工智能编码工具的表现只取决于我们提供给他们的上下文。如果智能体看到三个文件，他就只会瞎猜。 如果他能拥有包含领域、流程、依赖关系以及实际说明的系统结构图，那么他在首次就做出正确更改的机会就会更大，当然，还有重构，对吧？在触碰代码之前，我们现在可以问这段代码依赖什么，他属于哪个流程？如果他移动了什么，可能会出问题。 这就是你如何避免让一行代码的改动变成一场重大事故的方法。这才是开发者对这个项目如此兴奋的真正原因，并非因为我们在乎图标。 我喜欢图表，对吧？它们很酷，它们既实用又直观，但我们讨厌迷失方向。现在，这正是我们需要小心的地方，因为开发者之前见过代码可识画工具、 id 图标、原码图、风格导航、 nx 图标树形设置器、可识画工具以及大量其他工具都面临完全相同的问题。 它们做什么？它们展示结构，却不解释实际含义。它们告诉你这个文件导入了那个文件 很棒，但为什么呢？这属于哪个流程？请求从哪里开始？如果我改了这个，什么会出问题？这就是缺失的那一层。 understand anything 正试图补上这一层。它不只是以 type script 的 文件或其他方式展示，而是尝试将其转化为更接近实际工作流程的形式， 这才是重点所在。从文件到含义，从导入到系统行为，从这里是碎片，到这里看机器如何运转。相比许多大圆模型或 r a g 代码工具，它也更直观，更具可教学性。很多人工智能代码工具本质上只是个搜索框，你问一个问题就能得到一个答案。 这让我们全面拆解，帮助我们理解一切走向何处，哪些相互交织，如何连接，从而真正看清代码。 现在，让我们聊聊人们真正喜欢什么。这里显而易见的胜利在于入职流程。如果你加入一个庞大的代码库，这能给你一个良好的起点，还有架构层级，对吧？这些真的已经构建的很完善了，你可以从系统层面开始，然后深入模块和实现。细节 差影响是另一个重点。每位资深开发者都深知对自己尚未完全理解的代码库进行微小改动时的那种恐惧。对于 cloud code 的 用户来说，这个图也能成为更好的上下文。因此，与其向提示词中堆砌随机文件，不如赋予智能体结构化的架构知识。 它还免费采用 mit 许可，支持增量更新，并涉及用于跨多种开发环境工作。现在，从怀疑的角度来看，当一个项目如此迅速地爆火时，我们开始问一个问题，这真的有用吗？还是仅仅赢了 github 的 算法？这是个值得问的好问题。还有 l l m 依赖项， 这意味着令牌成本。这个令牌成本飙升，所以花了一些时间，它消耗了大量令牌。如果你打算用这个，务必先有个好计划。 你仍需要良好的判断力。这能给你提供一个概览，它并不能取代阅读代码，它只是帮你更好的理解一切走向何方。如果你喜欢这类编码工具和技巧，记得订阅 better stack 频道，我们下期视频再见。

很多人用 codex 这类 ai 编程助手时，真正崩溃的不是他不会写代码，而是他总向在失忆。你刚说过的规则，下一次他就忘 你刚纠正过的边界，下一轮他又开始乱改。问题往往不在模型本身，而在于我们一直没有给他一套真正可控的长期工作层。 为什么会这样？因为聊天上下文、长期偏好、项目事实，还有知识沉淀，很多时候都被混在一起了。于是同一条信息，上一秒像规则，下一秒又像背景资料。结果就是三件事最常见，失意、乱改，还有规则漂移， 你以为他记住了，其实只是这一次刚好还在上下文。所以这套系统最核心的原则只有一句话，只有写进词盘 markdown 才算长期记忆。聊天里说过，不等以后一定还在， 先把信息落成真实文件，再弹读取顺序，锁影机制。还有要不要升级成长期规则，没有物理落点，就没有真正稳定的记忆。 在继续展开之前，先看一眼总图，这套系统其实分成五个部分，核心架构、运作机制、 abcendon、 协助眼镜阶段，还有核心价值。后面每一段就是把这张图里的一个分支单独拆开来讲。 第一层叫运行记忆层，这里面不是一个大文件，而是分层结构。 group 负责极短启动规则， active 放高优先级写作约束， profile 放稳定偏好， memory 放长期核心事实， index 负责日期导航，而 daily 负责当天过程记录。把启动规则、长期事实和当天过程分开之后， codex 才知道该先读什么，什么时候写什么。 这套系统真正关键的不只是分层本身，而是默认写入顺序，新过程先写当天 daily， 当天摘要同步进 index， 只有那些稳定而且会改变未来行为的信息才继续提升到 active profile 或 memory。 也就是说，先记过程再建。所以最后才决定要不要升顶层，而不是一上来什么都塞进长期记忆。 第二层是项目上下文层，因为很多信息根本不该进长期记忆，比如这个项目现在做到哪了，最近为什么改方案，刚踩过什么坑， 这些都应该放在项目根目录里，用 agents、 datas、 decisions debug 这几个文件管理。这样 codex 进入项目时，先读的是项目自己的本地事实，而不是重新猜状态。 第三层才是 obsidian 写作，注意， obsidian 不是 来替代记忆的，它更像浏览、串联和回顾入口， 真实写入源还是运行记忆本身，项目事实还是留在项目根目录。知识库负责沉淀正式方法和复盘。而 obsidian 通过映射、双向链接和图谱，把这些 markdown 组织成一个更适合人查看的入口，但不制造第二份真相源。 最后你得到的不是几份零散文档，而是一套本地可控的协助。工作层运行，记忆层负责跨县城稳定项目上下文层负责项目内真实状态。知识沉淀层负责方法和经验回看。 这样 codex 才会从这次刚好答对变成长期协助，也更稳更可控，更可追溯。

ok， 很多时候呢，我们跟 ai 的 沟通啊，都是一次性的交易，解决之后呢，可能回过头你就忘了，等你下次再问到同样的问题的时候呢，你可能又得重复多一遍，又得重新输入一遍，而且答案可能还没有你第一次的好。这是我之前在跟 ai 对 话的时候经常会出现到的一个问题， 直到我最近转到了 codex 和 codex 两款产品之后呢，我发现如果用支持酷的方式来去管理你跟 ai 的 每一次对话的话，会让你在下一次使用 ai 的 时候呢，变得更加容易的。 所以今天这个视频呢，我就想跟你介绍一下，我是如何使用 color x color 这样的工具来去做知识管理以及搭建知识库的。比如如何把你跟 ai 的 对话呢，变成可以反复调用的知识，如何让 ai 呢？把你平时看过的那些文章、视频和播客等等呢，都整理到知识库和更新 好。首先从工具来讲呢，我这里用的是 codex， 你 可以理解为它就是一个能够理解修改文件和处理任务的一个协助工具吧。所以如果你要把 codex 变成一个知识库的话呢，除了本身它这个工具之外啊，你还需要一套能够让工具运行的一套方法。 那年初的时候呢，我就在开发上面了解了一个叫做 lolm wiki 的 方法，大概意思呢就是如何把你跟 ai 沟通过的觉得有价值的内容呢，编成知识然后积累起来的这么一个过程。所以呢，我就参考了这套 wiki 的 方法，自己也做了一套知识管理的工作。六、 那比如 command shift and g 打开 codex 的 目录呢，这里就会有一份 a 准的文档，相当于 codex 在 每次对话之前都会参考的一份说明书。然后这份说明书呢，就会有两个部分， 除了第一部分是定义他回答的一些规范，比如说不要把我的口语变成书面语，先给结论再给解释，不要输出一些无意义的客套话等等之类的呢。 更重要的是，下面这个部分，这里呢，我连接了一个 memory 的 文档，意思就是如果你认为你跟 ai 的 对话内容是值得沉淀下来的话呢，那他就会参考这个 memory 的 文档给他储存起来， 然后打开这个文档呢，这里面就罗列了我整个知识库里面的目录，也就是储存的位置。比如说 memory 呢，是用来定义储存的一些规则的，而 index 呢，是帮助 ai 快 速定位哪些知识应该归类到哪个条目里面。所以呢，下面这些文件夹呢，就是支持对应归类的一些地方啦。 所以这么看起来啊，你就会发现，首先你需要一个有动手能力的 ai 工具，能够帮你去管理这个知识库，其实是你需要创建一个叫做 a 准的文档，能够去规范 ai 的 输出。最后呢，你还需要创建一个叫做知识库的管理文件夹，也就是 memory 的 文档，能够让 ai 把一些好用的他觉得不错的东西存放和更新进去就可以啦。 而且我自己其实是很少会去手动更新这个知识库的，因为他有一个自动化的功能呢，就是每天晚上十一点五十分呢，他就会自动回顾你这一天跟 ai 的 一些对话，看看是否有一些有用的点可以更新到知识库里面？所以这一段时间下来呢，你就会发现他其实一直不停的在更新，越来越丰富的。 那现在啊，这个知识点建立好之后呢，我觉得他解决了我最大的一个难题，就是他让我视频创作的选择题变多了啊。因为像以往呢，我们做完一期视频之后啊，其实最头疼的就是，哎呀，新的一期又开始了，又得坐下来从零开始去想接下来该分享些什么，但是你又想不出来我 但其实在你每天跟 ai 对 话的这个过程呢，其实里面就产生了大量的半成品的观点，只要在每次对话完之后呢，输入沉淀一下，保存一下之类的话呢，他就会帮我积累下来了。 所以这里面呢，都是我最近这大半个月，每次跟 ai 对 话完之后，他帮我积累出来的东西，都是我的一些半成品选择题了。然后我是怎么让他来帮我去推荐一些视频的选择题的呢？ 那老朋友们应该都知道啊，我的视频一般都是在 notion 里面写的，有一个专门的数据库呢，是用来管理我视频里面的内容的。所以呢，我就做了一个 skill。 首先在 codex 里面呢，你需要先确保你已经下载了 notion 的 这款插件，然后在对话框这里，只要输入斜杠 memory， 然后选择这个 notion video topic 我 做的一个 skill， 然后输入我存的这些内容里面有没有哪些观点是我反复提到过的，但从来没有专门讲过的，那他就会去对比我的 note 呢？还有这是库的文档，看哪些是我还没有分享过的一些话题，再推荐给我， 比如你看呐，他就推荐了我讲最近这个知识长期服用的这个话题，因为刚好最近做了很多的收集，都是我自己反复思考过的，只不过还没有讲透而已。 当然，诸如此类的方法呢，其实也有很多啊，如果你也好奇，也想尝试去建立一个类似这样的知识库的话，刚好最近我会做一个小的分享，如果你也感兴趣的话，可以点点一下。 好，刚才我们已经介绍了如何将 ai 的 对话变成一个知识库的这么一个过程，但如果不是 ai 的 对话呢，而是外部的一些内容，比如说我 我们看的一些视频、文章，甚至这些扑克等等的话，那我们该怎么让 ai 来帮我们去整理这些内容呢？怎么发给他呢？一个一个发吗？ no， 所以呢，我在 no 选还建了一个收集外部资料的页面，因为我真的不想再手动把一些链接文字再复制在那给他 qq 的 x 啦，我想省去这个步骤。所以呢，我就真的把 no 选当成一个中转站来用了。 如果看到一篇有意思的文章的时候呢，我就可以右键 save page to notion， 提前设置好位置，就可以自动存放到我这个新进的你看碎片笔记的这个页面了。 因为 codex 呢，是可以连接到我的 note 的 嘛，之前也说过，所以在每天晚上接近十二点的时候啊， codex 呢，就会自动收集我 note 里面的内容，把当天这些信息呢，全都整理到我的知识库里面来了。噔噔，你看，全都整理好了， 而这个过程呢，其实都是这套自动化的工作流来帮我完成的，比如说你看这里啊，就是我 node 数据库的一个 id 啦， codex 呢，就是每次都会从这里面去调取数据的。规则呢，就是只筛选当天的未处理的一些条目，以及处理完之后呢，需要将这些资料归到哪个位置，也就是我支持库里面的某个文件夹啦。 最后呢，我们再回到 nodex 呢，会自动帮我勾选这个 process 的， 就表示已经完成啦。 所以呢，这就是我现在用来收集碎片化的信息，然后整理使用的这么一个过程啦，每天只要看看新闻，跟大家对话，他就能够帮我整理出来啦， 而且最重要的是，随着这个知识库的积累啊，当你再回头过去看的时候呢，你就会发现一个特别有趣的规律，就是什么样的内容呢？是你反复去关注的什么样的判断呢？是你反复做出的什么问题，是你一直没有想清楚的。 所以我觉得支持管理的这个过程啊，其实他的最终目的也并不是让你去记住更多的东西嘛，对吧，而是通过积累的这个过程呢，让你更清楚自己到底想要些什么，更擅长些什么，更关注些什么，对吧？而 a 呢，只不过是把这个过程给他加速了一下而已， 最希望这期视频真的能够帮到你吧，然后当然它也只是冰箱一角而已。如果你想更深入了解一些，比如说 codex code 的 一些 ai 相关的一些用法的话，刚好我最近会做一些小的公开的分享，如果你感兴趣的话，可以推荐一下。 ok， 那 么今天就到这失败，拜拜。

今天 gitup 趋势榜上冲到第一的项目叫 understand anything。 它的重点不只是画代码关系图，更是把代码库文档和知识库整理成可以搜索、可以提问、可以浏览的知识图谱。 对开发者来说，接受陌生项目最贵的环节通常不是写代码，而是搞清楚这些代码为什么存在，谁依赖谁，改一个点会影响哪里。 他的核心链路很直接，先扫描项目识别文件语言框架，导入导出和调动关系，再把文件函数类和依赖变成徒步节点，最后用大语言模型补上业务意图、架构分层和学习导览。 所以他的价值集中在四个场景，看结构、找代码、评估、变更影响给新人生程上手路线。他还支持业务与师徒把代码印刷成流程和步骤 使用上。它更想给 cloud code、 codex、 cursor 这些编码入口装一个结构化记忆层。这类工具最适合大项目交接、外包交付、老系统维护和 pr 评选。 人先看大局， ai 代理也能少走弯路。我的判断是，如果一个项目已经大到没人能完整讲清楚， understand anything 指的是先拿小项目验证徒步质量，再决定要不要放进团队流程。今天的 git 项目分享就到这儿，感谢观看。

为什么 codex 改代码总是在翻文件？不是模型弱，而是他不知道这个仓库的路怎么走。普通做法是先 grab 关键词，再 read 一 堆文件，猜入口，找调用链。还没真正动手， token 已经花在探路上。 code graph 的 思路很直接，先把代码库建成本，地图符，函数符号，文件关系先变成 agent 可以 查询的地图，这样流程就变了。原来是搜文件，读文件，猜入口， 现在视察符号，看调用链，定位相关文件，再让 agent 改代码。它的 readme benchmark 给了两个信号工具，调用减少，探索更快，别只看数字。关键是 agent 少翻无关文件，少把上下文腮帮。所以它更适合中大型仓库，多语言项目，复杂调用链。 如果只是小脚本或者一次性 demo， 没必要上来就装。下期我直接拿 codex 实测，用了 code graph 到底能不能少翻一半文件？评论知识图谱，收藏转发关注，临近未来！

今天给大家分享的是如何用 codex 做 html 格式的 ppt， 掌握一种全新的与 codex 写作的学习方法，从而在这个信息爆炸的 ai 时代，快速学习了解任何一个陌生的领域。拿一个比较具体的例子，比如说我们要去学习 ai 编程 之前就有很多前辈他其实是分享过关于 ai 编程的一些网站，他整理好了这些相关的知识。但是如果大家像我一样觉得这个网站内容太多，全是文字，那我们就可以用一种更高效的学习方法，然后把这个文档变成更易读、更美观，阅读体验更好的一种形式。 那这里打开 codex， 我 们能够看到我这里之前已经把这个网址发给了 codex， 让他把这个网站用 这个 skills 做一个网页版的 ppt， 方便我对其中重要的知识点整体框架进行理解记忆。这个 skill 的 话就是用 stm 二代码，然后去写这个网站的一个 skill， 这个 skill 来源是来自张泽拉老师开源的 beautiful stm 教程这个 github 仓库，我直接当时把这个 skills 下载下来进行一个使用， 这里他当时处理了八分钟，然后就生成了一个 ppt， 这个 ppt 网页版 ppt 打开的样子就是这样，可以看到这个网站是非常的精美， 是这种格式的，大家能看出来它的颜色和这个排版其实是非常易于我们进行理解的。但是有些朋友可能就要问了，比如说这些 ide 文件运行测试，这些到底是什么意思？前端、后端、 api 数据库这些东西到底是什么意思？ 那这个时候我其实我们也可以用同样的方法进行一些细分的拆解，比如说我这里让他帮我把前端的详细讲解，重新做一个 ppt 进行讲解，那这样我又调用这个 skill， 然后他又生成了一个网站， 这个网站他就讲了前端到底是怎么回事前，他就会对这个前端进行一个更细节的讲解。 这些他又讲讲到了浏览器三件套交互框架工程化体验。那这个时候其实还是有很多概念，比如说 stm 二到底是什么东西？ css 到底是什么东西？ gs 又是什么？这个东西我们也可以用同样的方法再去进行一个细划的拆分。所以说通过这种方法我们就可以快速地 对 web coding 的 整体框架进行一个理解，就大幅地减少了我们前期去进入一个陌生领域的学习时间和成本。 包括我们可以用这样的不断细分的方式来对一个陌生的概念进行学习。其实他这种方式非常异于我们的大脑进行理解，因为看到的这些排版是特别美观的，比如说这个颜色也是非常 符合我们的视觉记忆的，所以说我们可以通过这种方法进行一个高效的理解记忆，它可以非常美观的进行一个展示，包括我们去做一些分享演讲的时候，都可以用这样的一个网页版的 ppt。 但是如果涉及到我们要去交一个 pptx 的 这样的一个作业，我这里也额外提供一种解决方法， 大家可以用这个 presentations 这个插件去做一个 pptx 文件，就和之前用代码写的有一点点区别， 这个 presentations 这个插件直接在插件市场搜索 presentations 就 能找到它好像只目前只有 mac 电脑能用， windows 电脑大家可以在网上找一些开源的这个 presentation 的 skills 下载到 codex 也是一样的使用方法。 我让他把这个也是之前的 ai 编程的这个仓库，用 presentations 这个插件来做了一个 pptx 文件，方便我对其中的重要知识点和整体框架进行理解记忆。可以看出来他做这个 ppt 的 效果其实 还是蛮不错的，虽然跟之前那个网页版的还有一些差距，但是能看到这里面的元素其实都是可以编辑的，只要去导出到 ppt x 文档，它都是可以进行一个编辑的，所以说对于需要编辑的这个同学来说也是比较好用的。但并非说我们之前的 ai 编程的 形式做的这个 ppt 它就没办法编辑了，它其实也是可以编辑的，它直接用自然语言进行一个代码的更改就可以了。希望大家能通过我的讲解掌握一种全新的学习方法，帮助大家在 ai 时代到来时更快地去了解学习新的知识。

程序员炸锅了，这个神器出来之后，直接把大模型的智商彻底拉满了！他是专门为 ai 编程智能体量身定制的代码知识图谱锁影工具，目前已经掌握了二十五 k 的 新标。在你工作之前，他已经把整个项目里面所有函数、声明、变量定义、 符号引用，以及各模块之间的依赖关系，全部整合成一张结构清晰、你能看懂的知识图谱。 ai 需要什么？直接查图谱，秒出结果，根本不需要一遍一遍的翻文件夹，实际落地效果有多夸张呢？在七个工业级真实的项目的测评里面，面对同样四千个文件量非常大的大型工程， di 的 解锁调用次数从原来的五十二次骤降到三次，整体效率飙升十七倍。更像的是什么呢？它和 cloud 的 这些主流编程工具完全是无缝衔接，开箱即用，没有学习成本，最关键是全程本地部署，数据绝对不会泄露！真的好用，赶紧去试一下！

兄弟们， code code 为什么是烧 token 大 户？一个核心原因是它没有原生代码，所以每次搜索代码，它会 spawn 多个子 agent 去 grab glob read 大 量文件。今天分享的开源项目就是为了缓解这个问题。 它是一个在本地的代码知识图谱，它会通过 trace editor 把整个工程解析成抽象语法数，把函数类调用关系导入本地 sqlite 建成知识图谱，然后通过 m c p 开放给 cloud code、 codex、 open code 等编程 agent。 这样 agent 搜索代码时就不用忙扫大量文件，而是调用 m c p 结构化的查询，如某个符号在哪儿，谁调用了，谁改一处会影响什么。 当代码发生了改动，知识图谱会自动更新。作者在 vs code、 jango 等七个真实仓库上做过对比，同样问题，平均 token 消耗减少约百分之五十九，工具调用减少约百分之七十，并且工程越庞大，效果越明显。

我把 codex 揭露了， obsidian 搭建了一个属于我自己的本地 ai 知识库助手，这样就让我的每一次收藏都变成了我真正的知识积累，并且能够真正融入到我的工作创作中。这一时的 obsidian 不 再只是单纯的记笔记，而是把我的知识库变成一个可以被 ai 调用的工作系统。 以前我刷到个不错的视频，可能只是收藏一下，然后就忘了，但现在我可以快速把视频的内容保存在 obsidian 里面，然后在这里我可以让 codex 帮我进行快速的总结， 帮我生成一个选择题，然后再根据我自己的账号定位的这个选择题进行评分，再给我一个最适合抖音的视频脚本，它就会自动调用我的内容生产系统文档，帮我生成一个最符合我风格的脚本，并且还会对我的选择题进行评分，帮我圈出主动点。 而且还可以让他帮我把最近收藏的视频内容进行拆解，让他提出关键的有洞察的亮点内容，并且把这些零散的知识系统性的串联成了一个知识图谱。 我还会让他调用我最近的对话，帮我复盘 recording 或者是工作创作上遇到的一些问题，让他帮我对这些问题精提炼深层相应的模板和方案，去防止这些问题的再次发生，这样我的工作者就会得到再一次的提升。 我现在不是单纯的让 ai 帮我总结一本书，而是让他帮我把这本书变成一个知道我学习的系统，他会先帮我拆解这本书的结构，告诉我应该先学什么，然后再学什么，而不是盲目的从第一页读到最后一页， 然后每一张他都会帮我生成相对应的学习笔记，我自己读完一张之后再回来看这篇笔记，看里面提炼出来的核心要点，我是我真的理解了 这样 obsidian 就 像是一个学习辅助工具，他不是替我学习，而是帮我把重点问题、知识结构提前都整理好，让我学完之后有东西可以进行检查。最后，我相信未来的 ai 时代，知识库真正有用的那一刻，不是你存进去的那一刻，而是你将它用出来的那一刻。