Armin修改

2026-03-15 08:00:00

wechat2md 是一个将微信公众号文章一键转换为 Markdown 文件的工具。无论是归档文章、二次编辑，还是迁移到其他平台，它都能帮你快速完成格式转换。

在线体验地址：wechat2md.arminli.com

核心功能

• 格式转换：将微信公众号的富文本内容转为标准 Markdown，包含标题、段落、粗体、列表、引用等格式

• 图片处理：通过图床转存，彻底解决微信图片防盗链问题

• 元数据提取：自动提取文章标题、作者、发布日期，并生成 YAML front matter

多种使用方式

• Web 界面（最简单，无需安装）直接访问 wechat2md.arminli.com，粘贴链接即可转换。

• HTTP API（适合集成到自己的工具链）支持 JavaScript、Python 等语言直接调用，方便接入自动化工作流。

2026-02-01 08:00:00

Clawdbot (OpenClaw) 是一个开源的个人 AI 助手（MIT 许可证），由 Peter Steinberger 创建。与 ChatGPT 或 Claude 这类运行在云端的模型不同，Clawdbot 完全在你的本地机器上运行，并且可以集成到你已经在使用的聊天平台中，比如 Discord、WhatsApp、Telegram 等。

Clawdbot 与众不同之处在于，它能够 自主处理真实世界的任务：管理邮件、安排日历事件、处理航班值机、以及按计划运行后台任务。但真正吸引我注意的是它的 持久化记忆系统 —— 它可以 7×24 小时保留上下文，记住对话内容，并在未来的交互中持续构建和利用这些记忆。

Clawdbot 不是基于云端、也不是由公司控制记忆，而是 将所有记忆保存在本地，让用户完全拥有自己的上下文和技能。

下面我们来深入看看它是如何工作的。

上下文是如何构建的

在讨论记忆之前，我们先看一次请求中，模型究竟”看到了什么”：

[0] 系统提示词（静态 + 条件指令）
[1] 项目上下文（引导文件：AGENTS.md、SOUL.md 等）
[2] 对话历史（消息、工具调用、压缩摘要）
[3] 当前消息

系统提示词定义了代理的能力和可用工具。而与记忆最相关的是 项目上下文（Project Context），它包含了一些 用户可编辑的 Markdown 文件，并且会被注入到每一次请求中。

这些文件和记忆文件一起，存在于代理的工作区中，使得整个代理的配置 完全透明、可编辑。

上下文 vs 记忆

理解 上下文（Context） 和 记忆（Memory） 的区别，是理解 Clawdbot 的关键。

上下文（Context）

上下文是模型在一次请求中看到的所有内容：

Context = 系统提示词 + 对话历史 + 工具结果 + 附件

上下文的特点：

• 短暂的：只在当前请求中存在
• 有上限的：受模型上下文窗口限制（例如 200K tokens）
• 昂贵的：每个 token 都影响 API 成本和速度

记忆（Memory）

记忆是 存储在磁盘上的内容：

Memory = MEMORY.md + memory/*.md + 会话转录

记忆的特点：

• 持久的：重启、隔天、隔月都不会丢失
• 无上限的：可以无限增长
• 廉价的：存储不产生 API 成本
• 可搜索的：支持语义检索

记忆工具（Memory Tools）

Clawdbot 通过两个专用工具访问记忆：

1. memory_search

用途：在所有记忆文件中查找相关内容

{
  "name": "memory_search",
  "description": "强制回忆步骤：在回答有关过往工作、决策、日期、人物、偏好或待办事项的问题前，语义搜索 MEMORY.md + memory/*.md",
  "parameters": {
    "query": "我们对 API 做了什么决定？",
    "maxResults": 6,
    "minScore": 0.35
  }
}

返回结果：

{
  "results": [
    {
      "path": "memory/2026-01-20.md",
      "startLine": 45,
      "endLine": 52,
      "score": 0.87,
      "snippet": "## API 讨论\n决定为了简化采用 REST 而不是 GraphQL...",
      "source": "memory"
    }
  ],
  "provider": "openai",
  "model": "text-embedding-3-small"
}

2. memory_get

用途：在 memory_search 找到结果后，读取具体内容

{
  "name": "memory_get",
  "description": "在 memory_search 之后读取指定记忆文件的具体行",
  "parameters": {
    "path": "memory/2026-01-20.md",
    "from": 45,
    "lines": 15
  }
}

返回结果：

{
  "path": "memory/2026-01-20.md",
  "text": "## API 讨论\n\n与团队讨论了 API 架构。\n\n### 决策\n我们选择 REST 而不是 GraphQL，原因如下：
1. 实现更简单
2. 更好的缓存支持
3. 团队更熟悉\n\n### 接口
- GET /users
- POST /auth/login
- GET /projects/:id"
}

写入记忆（Writing to Memory）

Clawdbot 没有专门的 memory_write 工具。它直接使用标准的 写入 / 编辑文件工具 来修改 Markdown 文件。

因为记忆本质上就是普通的 Markdown，你也可以 手动编辑这些文件（系统会自动重新索引）。

写入到哪里，由 AGENTS.md 中的提示词逻辑决定。

此外，在 会话压缩前 和 会话结束时，也会自动写入记忆（后文会详细说明）。

记忆存储结构

Clawdbot 的设计理念是：

“记忆就是代理工作区里的普通 Markdown 文件。”

两层记忆系统

默认路径：~/clawd/

~/clawd/
├── MEMORY.md              # 第二层：长期整理后的知识
└── memory/
    ├── 2026-01-26.md      # 第一层：当天记录
    ├── 2026-01-25.md
    ├── 2026-01-24.md
    └── ...

第一层：每日日志（Layer 1）

路径：memory/YYYY-MM-DD.md 特点：只追加，不修改

代理会在以下情况写入这里：

• 想要记住某件事
• 用户明确要求”记住”某件事

示例：

# 2026-01-26

## 10:30 AM - API 讨论
与用户讨论了 REST vs GraphQL。
决定：使用 REST。
关键接口：/users, /auth, /projects。

## 2:15 PM - 部署
已将 v2.3.0 部署到生产环境，无问题。

## 4:00 PM - 用户偏好
用户提到他们更偏好 TypeScript 而不是 JavaScript。

第二层：长期记忆（Layer 2）

文件：MEMORY.md

这里存放的是 经过整理、长期有效的知识。当代理认为某些信息是 重要的决定、观点、经验或结论 时，就会写入这里。

示例：

# 长期记忆

## 用户偏好
- 偏好 TypeScript 而不是 JavaScript
- 喜欢简洁的解释
- 正在开发 "Acme Dashboard" 项目

## 重要决策
- 2026-01-15：选择 PostgreSQL 作为数据库
- 2026-01-20：采用 REST 而不是 GraphQL
- 2026-01-26：使用 Tailwind CSS 作为样式方案

## 关键联系人
- Alice（[email protected]）- 设计负责人
- Bob（[email protected]）- 后端工程师

代理如何知道要读取记忆？

这一切由 AGENTS.md 驱动（该文件会自动加载）：

## 每次会话开始前，必须执行：
1. 读取 SOUL.md —— 你是谁
2. 读取 USER.md —— 你在帮助谁
3. 读取 memory/YYYY-MM-DD.md（今天和昨天）
4. 如果是主会话（直接与用户对话），也要读取 MEMORY.md
不要询问权限，直接执行。

记忆是如何被索引的

当一个记忆文件被保存时，后台会发生以下流程：

1. 文件保存
2. 文件监听器检测到变更（使用 Chokidar）
3. 文本切块（约 400 tokens，80 tokens 重叠）
4. 向量化（embedding）
5. 存储到 SQLite 数据库

向量搜索由 sqlite-vec 支持，关键词搜索由 SQLite FTS5 支持，两者结合实现 混合搜索。

记忆是如何被搜索的？

Clawdbot 同时执行两种搜索：

• 向量搜索（语义）
• BM25 关键词搜索（精确匹配）

最终评分公式：

finalScore = (0.7 * 向量得分) + (0.3 * 文本得分)

这样既能找到”意思相同”的内容，也不会漏掉 ID、日期、名字等精确关键词。

多代理记忆隔离（Multi-Agent Memory）

Clawdbot 支持多个代理，每个代理的记忆 完全隔离：

~/.clawdbot/memory/
├── main.sqlite
└── work.sqlite

~/clawd/        # main 代理工作区
~/clawd-work/   # work 代理工作区

默认情况下：

• 不会跨代理读取记忆
• 每个代理拥有独立人格与上下文

这非常适合将 个人聊天 与 工作聊天 分离。

上下文压缩（Compaction）

所有模型都有上下文窗口限制。当接近上限时，Clawdbot 会自动进行 对话压缩：

• 老对话 → 摘要
• 最近对话 → 保留原文
• 摘要 → 写入磁盘

压缩是 持久化的，不会在下一次会话中丢失。

预压缩记忆刷新（Memory Flush）

由于压缩是有损的，Clawdbot 在压缩前会触发一次 静默记忆刷新：

• 扫描当前对话
• 将重要信息写入记忆文件
• 用户完全无感知

这样可以确保 重要信息不会在压缩中丢失。

剪枝（Pruning）

工具输出可能非常巨大（例如构建日志）。剪枝会在 不修改磁盘历史 的前提下，裁剪发送给模型的内容，降低成本。

会话生命周期

会话默认每天重置，也可以配置为其他模式。每次使用 /new 开启新会话时，可以触发 会话记忆钩子，自动保存上一个会话的核心内容。

结论

Clawdbot 的记忆系统成功，是因为它遵循了几个关键原则：

1. 透明而非黑箱
2. 搜索优于强行注入上下文
3. 持久优于会话
4. 混合优于单一方案

2025-11-16 08:00:00

Unreasonable Hospitality: The Remarkable Power of Giving People More Than They Expect 由前纽约米其林三星餐厅 Eleven Madison Park 的合伙人威尔·古达拉（Will Guidara）撰写。书中讲述他如何将一家普通的高级餐厅，转变为世界最佳用餐体验的故事。

作者以亲身经历展示了”待客之道”的核心——不仅是提供服务，更是通过真诚、创造性和细致入微的关怀，让顾客感到被重视、被理解。

这本书不仅适合餐饮从业者，也启发任何从事服务、管理或团队领导的人。它提醒我们，卓越往往来自超出预期的一点点努力，而真诚的热情可以改变人与人之间的关系乃至整个组织的文化。

《Hollywood Ending》 是一本深入揭示美国电影界著名人物哈维·韦恩斯坦（Harvey Weinstein）兴衰历程的作品，全景展现了他如何从皇后区的普通青年成长为好莱坞最有权势的制片人，又最终因为一系列性犯罪指控而身败名裂。

这本书不仅记录了韦恩斯坦的职业生涯、与兄弟鲍勃的复杂关系及其与政商名流的密切往来，也详尽还原了其犯罪行为被曝光、引发”#MeToo”运动的全过程。

作者通过大量第一手材料和深度采访，让读者看到一个既野心勃勃、极具创造力，又操纵权力与掩盖罪行的复杂人物。书中不仅是一个人的陨落史，更透视了包庇与沉默如何在好莱坞这样的权力场中滋生、蔓延。

《Air-Borne: The Hidden History of the Life We Breathe》 是一部空气生物学发展史。书中揭示了我们每天呼吸的空气中隐藏着成千上万的微生物、种子、致病菌和生命体，从平流层到地表，空气自身就构成了一个”气生生物群落”（aerobiome）。

作者以路易·巴斯德在法国高山上捕捉空气中微生物的科学实验为起点，讲述了自 19 世纪以来人类探索气生生物的故事。书中描绘了科学家如何通过空中采样、热气球实验，甚至通过飞机与云层研究，逐步揭示空气中生命的多样性，以及它们与人类健康、全球气候和疾病传播之间复杂而深远的联系。

作者还探讨了空气传播致病因子的历史事件，包括瘟疫、粮食危机和生物武器，以及人类对气中健康威胁的恐惧与反思。

在上海看完贝聿铭展览后读了这三本书，都很不错。《百年贝聿铭》传记性质更强，里面可以看出其对香山饭店的不满。《贝聿铭传》老一些是 90 年代的书，里面细节更多比如汉考克大厦和香山饭店和政府打交道，可能由于写的时间早里面还是比较敢写的。

启明创投梁颖宇早期的创投经历，之前只知道她在医药行业投的非常好，读了这本书才知道她之前创办过很多公司，还包括了一家肿瘤医院。

2025-11-07 08:00:00

这两天美股尤其是 AI、科技股开始回调，我看到很多人开始讨论 AI 是否已经见顶。我发现 Theory Ventures 对于此有一个非常好的类比。

从 GDP 占比来看，目前的 AI infra 开销只在美国历史上排第六，前面依次是二战和一战、罗斯福新政、铁路建设和高速公路建设。

值得注意的是，今天 AI infra 开销占比已经超过了 2000 年著名的 dot com bubble、曼哈顿计划以及阿波罗登月计划。

由于 OpenAI 预计在 2030 年花费 $295B，假设它占市场份额的 30$983B，也只占据 GDP 的 2.8%。

如果将这个比例提高到 6%（对标当年的美国铁路建设开销），那么谷歌、Meta、OpenAI 和 Microsoft 的每年开销应该是今天的 5-7 倍！

如果你相信生成式 AI 是超过当年美国铁路建设的影响力，那么今天的 AI 开销只是很小一部分。

2025-09-18 08:00:00

人类团队排名：

OpenAI 成绩：

OpenAI 认为最难的 G 题：

对人类来说最难的 C 题（无人通过），AI 只花了几十分钟就解决。

对 AI 最难的 G 题（动用了另一个实验性推理模型，提交 9 次），最强的人类队伍只花了 3 次尝试就解决。

Gemini 把解题代码全部开源，而 OpenAI 没有。我推测有几种可能：

1. 代码/解题方式不够优雅

2. 出现类似与 AlphaGo 与李世石的“神之一手”的“智能涌现”时刻，战略保密

3. 比赛真实使用的其实不是 gpt5，担心公众无法复现

一直以编程能力见长的 Anthropic 没有参赛，可能是因为这个场景对多模态推理有更高的要求，因为 AI 拿到的是 PDF 题面，里面有复杂的图形图标等。

最后一个有意思的地方在于美国没有拿到金牌的大学，联想到美国大学 ICPC 中的华人学生含量和之前的反华运动，不知是不是蝴蝶效应开始了呢。

2025-09-16 08:00:00

很遗憾看见大家又被 ARR 这个词误导。

Mercor 自称现在有 5 亿美金的 ARR，远超 Cursor 的增长速度。

Mercor 作为一个人才链接平台/AI 招聘平台/合成数据服务商，5 亿美金是客户付给平台的费用，平台要把其中 70% 左右的费用支付给终端的候选人。

这种模式更像一个电商平台，所以它的 ARR 其实更像是GMV，而不是软件通常说的recurring revenue，实际的收入（runrate）应该在 1.5 亿美金左右。最重要的是这不是 recurring 的，意味着估值模型完全不同！