LearnData 开源笔记修改

2026-03-05 08:00:00

有段时间，我几乎每发完一篇文章，都会在几天后发现新的小问题。 有时是 description 忘了写，有时是写了但长度不合适；有时是标题太长，搜索结果里显示得别别扭扭；读书笔记那边更烦，明明文章已经写完，还得去 _sidebar.md 里补链接。忙起来漏掉一两处，过几天回头看，才会想起“这篇怎么又没配好？”

最开始我还觉得这只是小事。直到 LearnData 的内容涨到 200 多篇，我才意识到，这些小事根本不是小事。它们重复、机械、分散，却会持续打断人，逼着你把本该用来写内容的时间，花在一遍遍检查和返工上。

然后我给自己定了个原则：凡是重复到让我烦的事情，就不该再用手做。于是我写了 3 个脚本，再配合 AI，把博客维护里最琐碎的一部分接管掉：构建时自动生成 llms.txt，批量审计全站 SEO，把问题整理成 JSON 报告交给 AI 修复，读书笔记写完还能一键更新侧边栏。

第一次完整跑通，只花了二十分钟。之后我终于可以把精力放回内容本身，而不是那些没完没了的维护杂活上。

本文是 LearnData 系列的第三篇。第一篇介绍了把博客变为知识库的理念，第二篇分享了笔记搜索、本地定位等进阶技巧。这一篇继续往前走，解决的是另一个更现实的问题：当文章和笔记越来越多，如何把重复、机械、容易遗漏的维护工作自动化。

我先补上了 llms.txt 这块空白

最先让我觉得该补上的，是 llms.txt。

一如搜索引擎依赖 robots.txt，AI 也需要对应的引导文本。llms.txt 用 Markdown 格式列出站点所有页面的标题、描述和链接，让大语言模型能快速理解站点结构。

它的格式非常简单：

# LearnData 开源笔记

> 开源工具、效率方法、心理学探索的自我提升笔记

## Pages

- [Rclone 远端图床本地化管理方案](https://newzone.top/_posts/...) - 利用 Rclone 建立自动化工作流...
- [吃掉那只青蛙](https://newzone.top/reading/#/0_效率与习惯/吃掉那只青蛙) - 核心是每天先完成重要的工作...

但几百篇文章总不能手写吧。于是我写了 llms-txt.js，在每次构建时自动扫描所有 Markdown 文件，从 frontmatter 提取标题和描述（没有 frontmatter 的读书笔记则从 H1 和正文首段提取），生成完整索引。

这个脚本已集成在构建命令中，pnpm docs:build 完成后会自动在 dist/ 目录生成 llms.txt，随站点一起部署。站点信息从 VuePress 配置文件自动读取，零配置。

然后是最烦人的 SEO 检查

真正最烦的，还是 SEO 元数据检查。

手动检查有多痛苦？打开一篇文章，看 title 是不是太长，description 是不是在 120-160 字符之间，有没有用「本文介绍了……」这种搜索引擎不喜欢的模板化开头。一篇看下来只要一分钟，几百篇就是好几个小时，而且下次新增文章后还得再来一遍。

我需要的是一个脚本，跑一次就能告诉我哪些文件有问题、问题是什么、该怎么改。于是有了 seo-audit.js。

运行 pnpm seo:audit，它会扫描全站 Markdown 文件，对每篇文章按规则打分（满分 100）：

| 检查项 | 扣分 | |

2026-02-06 08:00:00

OpenClaw 是一个开源的 AI 自动化框架，可以通过聊天指令驱动 Agent 完成浏览器操作、文件读写、邮件收发等任务——相当于给你配了一个 7×24 在线的数字助理。最近一个月，我不断被它的消息轰炸，似乎无所不能。于是决定亲手部署一套，看看它到底能帮我做什么。

本文记录的是基于 Cloudflare Workers 的部署方案，适合想低成本尝鲜、不想折腾本地环境的用户。

方案选择：Cloudflare Workers

使用 cloudflare/moltworker 可以将 OpenClaw 托管在 Cloudflare Workers 上，无需自备服务器。

此方案需订阅 Cloudflare Workers Paid 计划（5 美元/月）。需要注意，这只是起步价，高频使用会产生额外费用（详见 GitHub 讨论：What's the cost running it 24/7 for a month）。作为一个 24 小时在线的 AI 服务，每月 5 美元的起步成本尚可接受，但务必留意实际用量。

部署流程详解

1. 一键部署 Moltworker

点击 cf 一键部署 开始初始化。

2. 等待构建

部署过程约需十分钟，期间可点击「继续处理项目」跳过等待页面。

3. 配置 Access（Zero Trust）

访问网页界面需要配置 CF_ACCESS_AUD 和 CF_ACCESS_TEAM_DOMAIN 两个变量。

1. 创建应用：进入 Zero Trust → Access → Applications，添加一个 Self-hosted 应用。

2. 设置域名：

   • 子域默认为 moltbot-sandbox。
   • 域名可使用 Cloudflare 分配的 Worker 域名或自定义域名。
   • Session Duration 建议设长一些，避免频繁登录。

3. 配置策略：系统通常会自动创建 moltbot-sandbox - Production 策略，默认通过邮箱验证码登录。

4. 获取变量：

   • CF_ACCESS_AUD：保存应用后，点击右侧「⋮」编辑，在应用程序受众（AUD）标签页找到 Application Audience (AUD)。
   • CF_ACCESS_TEAM_DOMAIN：进入 Zero Trust → Settings，获取团队域名 xxxxxx.cloudflareaccess.com。

4. 配置 R2 对象存储

OpenClaw 需要 R2 存储运行状态，需配置以下三个变量：

• CF_ACCOUNT_ID
• R2_ACCESS_KEY_ID
• R2_SECRET_ACCESS_KEY

操作步骤：

1. 获取 Account ID：在 Cloudflare 侧边栏进入 R2 → Overview，右侧 Account Details 中即可找到 CF_ACCOUNT_ID。

2. 创建 API 令牌：点击 Manage R2 API Tokens → Create API Token。

3. 设置权限：权限选择 Object Read & Write，建议通过 Specific Bucket 限制在 moltbot-data，避免过大授权范围。

4. 保存密钥：创建成功后，立即记录 Access Key ID 和 Secret Access Key。

5. 注入变量并重新部署

回到 Workers → Settings → Variables and Secrets，填入上述 5 个变量后，点击 Deploy 重新部署。

访问与管理

部署完成后，通过以下地址访问 Worker：

https://moltbot-sandbox.xxxxxxxx.workers.dev?token=MOLTBOT_GATEWAY_TOKEN

通过 Cloudflare Access 邮箱验证后，即可进入管理后台并接受 Pairing Requests：

https://moltbot-sandbox.xxxxxxxx.workers.dev/_admin/

基础使用

部署完成后，通过聊天指令与 Bot 交互。常用操作如下：

查看或切换模型：

/model minimax/MiniMax-M2.1

设置开机自启模型（防止 Worker 重启后被重置）：

set model minimax/MiniMax-M2.1

远程终端连接：

openclaw gateway login --url https://moltbot-sandbox.xxxxxxxx.workers.dev
clawdbot configure --section skills

避坑指南

在实际测试中，我踩了不少坑，总结如下：

• 模型配置易报错：国内 AI 服务商通常区分国内与海外端点。在 Cloudflare Workers 环境下，通过配置文件修改默认模型极易报错。最稳妥的方案是通过 set model 开机命令强制指定，而非依赖配置文件或后台 UI。
• 费用不透明：Workers Paid 计划虽然起步 5 美元/月，但请求数、CPU 时间、R2 存储均会产生额外费用。建议在 Cloudflare Dashboard 设置用量告警，避免月底惊喜账单。
• Access 配置易遗漏：如果部署后访问页面返回 403 或无限重定向，大概率是 CF_ACCESS_AUD 或 CF_ACCESS_TEAM_DOMAIN 填写有误，优先排查这两个变量。
• 功能受限：Workers 方案不支持浏览器自动化等依赖 GUI 的高级功能，只能执行纯文本交互类任务。如果需要完整功能，需要部署到本地机器。

结论：现在值得入场吗？

折腾了一圈 Cloudflare Workers 之后，我的判断是：

OpenClaw 目前还不是一个能「即刻提升效率」的工具。

现阶段，它更像是一个为 AI 自动化搭建的系统底座，而非开箱即用的产品。如果你没有明确的、可标准化的长流程需求，OpenClaw 带来的只会是维护成本，而非生产力红利。

Cloudflare Workers + OpenClaw 适合以下场景：

• 未体验过 Agent 自动化，想以最低成本试手。
• 已有 Cloudflare 付费订阅，资源闲置可复用。
• 只需要纯文本交互（模型对话、邮件处理等），不涉及浏览器操作。

但如果你期望它「部署完就自动干活」，或者需要浏览器自动化等完整功能，Workers 方案会让你感到落差——这时候应该考虑本地部署方案。

2026-01-28 08:00:00

ComfyUI 是目前最具扩展性的全平台 AI 绘画与视频生成工具。与其说它是一款软件，不如说这是一套以“节点流”（Node-based Workflow）为核心的可视化创作系统。在这里，模型、采样、控制与后处理不再是黑盒中的参数，而是可拆解、可组合、可复用的逻辑模块。

相比强调“开箱即用”的 WebUI，ComfyUI 的核心优势在于效率与硬件包容性。其内置的显存—内存交换机制（Smart Memory Management），能动态加载模型权重，将暂时闲置的数据卸载至内存。这种“以时间换空间”的策略，让 4GB 显存的老旧设备也能运行 SDXL 甚至 FLUX 等大模型，极大地降低了高画质生成的硬件门槛。

此外，ComfyUI 拥有极活跃的扩展生态。不仅兼容最新的扩散模型、SVD 视频生成与各类 ControlNet 控制节点，还能无缝接入 OpenAI、Gemini 等云端 API。本地算力不足时，可以通过节点将任务分发至云端，实现“混合算力”工作流。简言之，ComfyUI 不做预设，而是提供构建流水线的能力。

正确的使用姿势：是“加载”，不是“构建”

很多新手被满屏的连线劝退，误以为必须精通原理才能使用。这是最大的误解。

ComfyUI 的生态充满了现成的高质量工作流。作为创作者，首要任务是使用，而非制造。

在官方界面中，点击「模板」，你就能获得一套标准的 Text to Image 流程。填入提示词，点击运行即可生成。

当需要进阶功能时，直接去 Civitai 下载大家分享的 JSON 工作流文件，拖入窗口，使用 ComfyUI Manager 补全缺失节点，即可直接运行。

别被连线吓倒。连线是留给“开发者”的；对于“使用者”，ComfyUI 往往比 WebUI 更简单——因为它所见即所得，逻辑一目了然。

部署与配置

1. 核心程序

ComfyUI 支持 Windows、Linux、macOS。Windows 用户请直接下载 官方便携版 (Portable Standalone)。解压即用，自带独立 Python 环境，无需配置复杂的系统依赖。

2. 启动策略

解压后会看到多个启动脚本，请按需选择：

• run_nvidia_gpu.bat：适合绝大多数 N 卡用户。
• run_nvidia_gpu_fast_fp16_accumulation.bat：如果你是 20/30/40 系显卡，这个脚本开启了 FP16 半精度累积计算，能显著提升速度并降低显存占用。（质量略降）
• run_cpu.bat：仅用 CPU 运行，速度较慢。

3. 模型下载加速

国内直连 HuggingFace 速度较慢，推荐利用 ModelScope (魔搭社区) 镜像。

• 技巧：将模型链接中的 huggingface.co 替换为 modelscope.cn/models，即可享受满速下载。

4. 必备插件：ComfyUI Manager

这是 ComfyUI 的“应用商店”，支持在界面内搜索、安装自定义节点，并能一键补全工作流缺失的插件。

• 安装：进入 ComfyUI/custom_nodes 目录，打开终端（CMD），运行：

  git clone https://github.com/ltdrdata/ComfyUI-Manager.git

• 使用：重启后菜单栏会出现 Manager 按钮，点击 「Install Missing Custom Nodes」 即可自动识别并安装当前工作流缺少的组件。

进阶配置

避免闪退：设置虚拟内存

在生成高分辨率图像或视频时，物理内存极易枯竭导致闪退。强烈建议手动设置 Windows 虚拟内存。

推荐设置：初始大小与最大值均设为 32768（32GB） 或更高。

操作路径：

1. Win + R 输入 sysdm.cpl 打开系统属性。
2. 进入 「高级」 -> 「性能」 设置 -> 「高级」 -> 「虚拟内存」 更改。
3. 取消“自动管理”，选中 C 盘（或 SSD 所在盘），选择 「自定义大小」，填入数值并点击“设置”确认。

设置完成后建议重启一次（或至少重启 ComfyUI），避免旧的内存策略仍在生效。

API 调用准备：开启监听 + 导出工作流

ComfyUI 自带 HTTP API。只要程序正常启动，你就已经“开启”了 API。

• 本机访问：默认地址是 http://127.0.0.1:8188。

• 局域网访问（可选）：启动时加上 --listen 0.0.0.0，例如：

  python main.py --listen 0.0.0.0 --port 8188

  如果你用的是 Windows 便携版，思路相同：在对应的 run_*.bat 启动命令后追加 --listen 0.0.0.0 即可。

  建议仅在可信内网使用，并配合防火墙限制来源；不要把 8188 端口直接暴露到公网。

API 调用的关键，是拿到“API 格式”的工作流 JSON（比普通保存更干净，不含界面坐标等元数据）。

1. 打开你的 ComfyUI 网页界面。
2. 点击设置图标（齿轮），勾选 "Enable Dev mode Options"（启用开发者模式选项）。
3. 回到主界面，你会发现菜单栏多了一个按钮："Save (API Format)"。
4. 点击它，保存下来的文件通常命名为 workflow_api.json。

注意： 这个 JSON 文件与普通的 Save 文件不同，它只包含节点 ID (class_type) 和输入参数 (inputs)，没有界面坐标信息。

拿到 workflow_api.json 后，就可以基于 http://127.0.0.1:8188 通过以下端点提交任务与查询结果：

• POST /prompt：发送工作流任务到队列。
• GET /history/{prompt_id}：获取任务执行结果。
• GET /view：获取生成的图片文件。
• WebSocket /ws：用于实时监听生成进度和获取执行状态。

本地部署 vs 云端算力

尽管 ComfyUI 优化出色，但流畅运行 SVD 等视频模型仍需 12GB 以上显存。

对于高阶创作，不必执着于本地硬件。目前云端算力成本已大幅下降，将 ComfyUI 部署在云端（如 AutoDL、阿里云等）往往是更理性的选择——显存不再是瓶颈，生成效率可提升数倍。

ComfyUI 的核心价值不在于你拥有多少显卡，而在于掌握“工作流逻辑”。 一旦理解了节点间的流转关系，无论在本地 4090 还是云端 A100，你都能构建出独一无二的创作流水线。

2026-01-25 08:00:00

早年我将大量博客配图托管于七牛云，但当时并没有在本地对图片进行统一压缩。虽云端支持图片处理，但长期积累仍面临两个问题：

• 部分图片原始分辨率和体积过大，即使经过云端处理，存储空间占用和流量成本依然偏高。
• 历史图片太多，云端管理并不友好。

为此，我采用了一种更通用、可控的方案：「云端下行同步 → 本地批量压缩 → 上行覆盖同步」。此举既能压缩历史存量，又能建立一套可自由管理的图床库。

方案总览

• 核心组件：Rclone（支持 S3 协议）
• 处理方式：本地批量压缩（无损 / 视觉无损）
• 同步逻辑：
  1. 全量下载（云端 → 本地）
  2. 本地处理（压缩）
  3. 增量覆盖（本地 → 云端）

七牛云兼容 AWS S3 协议，可直接通过 Rclone 的 S3 Provider 访问，无需额外插件。

第一步：部署 Rclone

Rclone 是单文件命令行工具，无须安装，配置环境变量即可使用。

1. 获取程序

访问 Rclone 官网下载页，下载适用于 Windows 的 Intel/AMD - 64 Bit 压缩包。

2. 解压

将解压后的文件置于固定目录，例如 C:\rclone\，确保该目录下包含 rclone.exe。

3. 配置环境变量

1. 按 Win 键，搜索「环境变量」，进入「编辑系统环境变量」。
2. 点击「环境变量」，在「系统变量」列表中找到 Path。
3. 新建条目：C:\rclone\。

4. 验证

启动 PowerShell 或 CMD，执行：

rclone --version

输出版本号即表示配置成功。

注意：日常使用建议避免以管理员权限运行 PowerShell，以免权限冲突导致 Rclone 异常。

第二步：建立连接

前置准备信息：

• 七牛云 Access Key（AK）
• Secret Key（SK）
• 存储桶（Bucket）所属区域（如华东、华北等）

配置流程

1. 执行配置命令：

   rclone config

2. 输入 n 新建远程连接（New remote）。

3. name：命名连接，例如 qiniu。

4. Storage：选择 S3（Amazon S3 Compliant Storage）。

5. provider：选择 Qiniu（Qiniu Object Storage）。

6. access_key_id：输入 AK。

7. secret_access_key：输入 SK。

8. region：留空回车。

9. endpoint：根据区域填写对应的接口地址（Endpoint）：

   | 区域 | Endpoint | | :

2026-01-24 08:00:00

从 LastPass 换到 KeePass 已经 5 年。作为一款老牌工具，KeePass 的优势有目共睹：开源免费、本地数据库存储、极高的定制自由度。然而，其痛点也不少：数据库需要自己同步，浏览器扩展更新停滞，自动填充也不稳定。

于是我尝试将密码管理方案迁移至 Bitwarden，并选择通过自托管 Vaultwarden 来替代官方订阅服务。Vaultwarden 是一个由社区维护的轻量级服务端实现，不仅兼容 Bitwarden 核心协议，更能完美适配官方客户端。其资源占用极低，可以部署于 NAS 或树莓派。彼时的我认为，这似乎是在“同步便利性”与“数据掌控权”之间找到的一个完美平衡点。

为什么会想用 Bitwarden

同步省心

与 1Password、LastPass 等主流方案一致，Bitwarden 采用标准的「服务端 + 客户端」架构。所有凭据由云端（或自托管服务端）统一分发，实现了真正的实时多端同步。相比 KeePass 须时刻惦记“修改后同步数据库文件”的繁琐，Bitwarden 彻底抹平了这一认知负担。

自带安全检查

Bitwarden 内置了完善的密码健康度分析、弱密码预警及泄露检测功能。它将分散的账户风险通过仪表盘集中呈现，方便用户及时处置潜在隐患。

现代化的一致体验

无论是在浏览器扩展、桌面端还是移动 App，Bitwarden 都保持了高度统一的 UI 设计与交互逻辑。相较于 KeePass 浓重的“极客工具感”，Bitwarden 的操作路径更为清晰直观，即便是非技术用户也能迅速上手。

深入使用后的“水土不服”

尽管纸面参数看似无懈可击，但在高频使用的真实场景中，一系列体验落差开始显现。

排序逻辑僵化

Bitwarden 的条目与文件夹强制依赖名称（A-Z）排序，完全缺失了 KeePass 中灵活的“自由拖拽排序”功能。若想将高频账号置顶，或按照个人习惯组织列表顺序，只能通过极其笨拙的重命名方式变相实现。

数据库管理受限

Bitwarden 的安全策略相对固化，例如对主密码复杂度的强制校验及繁琐的修改流程。相比之下，KeePass 赋予了用户对数据库加密算法、迭代次数及密钥文件组合的完全控制权，这种“丰俭由人”的开放性是 Bitwarden 难以企及的。

自托管的稳定性隐忧

选择自托管 Vaultwarden，就意味着你得自己抗下服务器运维的苦活。相比之下，KeePass 搭配坚果云、OneDrive 等成熟的 WebDAV 服务，稳定性反而更有保障。毕竟个人的 NAS 或服务器难免遇到断电、断网或者硬盘故障。

结论：回归 KeePass

折腾一圈之后，两者优劣已十分清晰：

| 维度 | Bitwarden | KeePass | | :

2026-01-23 08:00:00

帮你在客厅的大电视上，以极低的延迟畅玩书房高配电脑里的 3A 大作。

前言：什么是 Moonlight + Sunshine？

简单来说，就是把电脑（被控端）的画面实时传输到电视/手机/平板（控制端），并把手柄/键鼠的操作回传给电脑。相比 Steam Link，这套方案延迟更低、画质更好，支持 HDR 和 120Hz，是目前体验最好的局域网串流方案。

安装与连接

电脑端（被控端）

安装 Sunshine。安装完成后，Sunshine 会自动在后台运行。

电视/手机端（控制端）

安装 Moonlight。

配对

1. 确保电脑和电视连接在同一个局域网（强烈建议使用 5G WiFi 或有线连接）。
2. 在电视上打开 Moonlight，应该能自动搜索到你的电脑（显示为一个电脑图标）。
3. 点击连接，电视上会显示一个 PIN 码。
4. 在电脑上打开 Sunshine 管理界面（浏览器访问 https://localhost:47990），输入这个 PIN 码完成配对。

核心设置：分辨率与画质

很多新手遇到的最大问题是：电脑显示器是 1080P，电视是 4K，怎么让游戏在电视上以 4K 运行？

这里有三种方法，推荐程度依次递增：

方法一：通过 Moonlight 客户端设置

这是最简单的方法，Moonlight 会告诉 Sunshine "我想要什么分辨率的画面"。

1. 打开电视上的 Moonlight。
2. 找到已配对的主机，点击设置图标（齿轮）。
3. 进入 Streaming Settings：
   • Resolution（分辨率）：设置为 4K (3840x2160) 或 1080p。
   • Framerate（帧率）：推荐 60 FPS（更稳定）或 120 FPS（更流畅，需网络支持）。
   • Bitrate（码率）：
     • 1080P 建议：15 - 30 Mbps
     • 4K 建议：40 - 80 Mbps
   • Video Codec：首选 HEVC (H.265)，画质更好带宽占用更低。

方法二：使用虚拟显示器

如果你想让电视拥有完美的 4K HDR 体验，而不受物理显示器限制，安装 Sunshine 虚拟显示器驱动是最佳选择。

1. 打开 Sunshine 管理页面，进入 Configuration -> General。
2. 找到 "Sunshine Virtual Display Driver"，点击 Instal 按钮自动下载并安装。
3. 安装后，Sunshine 启动串流时会自动创建一个虚拟显示器。
4. 你可以在 Windows 显示设置里，单独为这个虚拟显示器设置 4K 分辨率和 HDR。

方法三：修改 Sunshine 默认分辨率

在 Sunshine 后台手动指定分辨率。

1. 打开 Sunshine 管理界面 (localhost:47990) -> Configuration。
2. 找到 Desktop Resolution Presets。
3. 将 Desktop 模式的分辨率改为你期望的数值。

常见问题与优化建议

• 网络连接：串流对网络稳定性要求极高。
  • 有线连接 > 5G WiFi > 2.4G WiFi（绝对不要用 2.4G）。
  • 如果电视只有百兆网口，建议通过 USB 3.0 转千兆网卡扩展，或者使用高素质的 WiFi 6。
• 关于黑屏：如果连接后黑屏但有声音，通常是分辨率设置冲突或 HDCP 问题，尝试使用方法二的虚拟显示器可以解决大部分问题。
• 手柄支持：Moonlight 完美支持 Xbox 手柄、PS4/5 手柄震动透传。建议将手柄连接到电视/电视盒子上。

实际体验：Wi-Fi 的局限性

虽然理论上 5G Wi-Fi 带宽足够，但在我的实际测试中，无线连接的稳定性依然是最大瓶颈。

测试环境 1：同一房间，距离路由器约 3 米，使用 5G Wi-Fi。 结果：依然存在间歇性卡顿，即使我尝试降低分辨率和帧率，流畅度也没有达到完美预期。

测试环境 2：书房与客厅隔着两堵承重墙。 结果：卡顿明显，基本无法正常游玩。

结论： 虽然 Sunshine + Moonlight 方案上限很高，但对网络环境（尤其是延迟抖动）非常敏感。如果希望获得“如本地般丝滑”的体验，有线连接 依然是不可替代的终极解决方案。如果条件受限必须用 WiFi，请做好心理预期，或者尝试升级到更高端的 WiFi 7 路由器并独占频段。