1. GitHub 上 fork 一份 Bottle。  
2. 新建 `学习日志` 文件夹。  
3. 打开 Windsurf / Zed，切到 Agent 模式。  
4. 没有精心编写的提示词，一切随心所欲：“请为我创建一个学习计划，并保存到学习日志文件夹里”  

第一次对话记录也直接扔在仓库里，欢迎围观。

得益于 Agent 模式，AI 能直接读取代码文件，进行有针对性的代码搜索与分析，然后精准地告诉我该看哪段代码、如何理解、怎么运行，甚至还能示范和讲解，我不再需要漫无目的地翻找、怀疑某段代码是不是核心逻辑，也省下了大量查文档和谷歌的时间。
更重要的是，有的放矢。

在大型项目里函数错综复杂，很容易一头扎进“兔子洞”，越看越懵，最后挫败离场。但 AI 不会。它清楚地知道，在当前阶段，我该关注什么，该忽略什么，比如这样：

它还可以督促你完成练习：

当然，订正作业也不在话下：

如此有耐心、知识渊博、便宜(甚至免费)、7x24在线的导师哪里找？
你需要做的，就只是跟随他，让他带你飞。

码海无涯，AI 是舟，而我终于能安心当个看风景的船长。

重构信息过滤系统

• 关键词过滤：基础需求，快速屏蔽噪音
• AI语义过滤：这才是核心——直接用自然语言告诉AI："只保留软件开发、AI和创业相关的内容，排除所有政治和娱乐新闻"，它就能自动理解并执行。

标签化 + AI 过滤 = 精准的信息漏斗

• 我订阅了路透社等新闻类的源，但内容太杂，于是给它们打上中国、美国、科技三个标签。
• 在“中国”标签下设置AI过滤规则："仅保留与中国经济、科技、外交相关的重要新闻，排除社会琐闻"。
• 订阅“中国”标签的聚合Feed，这样就能从路透社、彭博社、TechCrunch 等多个来源，自动整合出纯粹的中国相关高质量资讯。

下一步：从过滤到升华——AI驱动的智能日报

• 不是简单的摘要汇总，而是让AI深度阅读所有内容，为每一个值得阅读的新闻点输出一篇结构清晰、观点明确的长文报告。
• 自动标注时间线、关键数据、多方观点，甚至对比不同信源的可信度。
• 支持自定义风格，比如："用简洁的要点总结"或"深入分析背景原因"。

1. 数据模型瘦身：把原先割裂的原始源和翻译源两个模型合并成统一的 Feed 模型，管理后台顿时清爽多了
2. 翻译引擎精简：从原来支持的几十个第三方翻译服务砍到只剩 DeepL 和 Openai 兼容接口，维护成本直线下降
3. 任务调度优化：用系统自带的 cron 替换了笨重的 huey，内存占用直接腰斩，运行效率提升明显

1. 所谓"面向未来10年"的设计往往只是给自己挖坑，过度设计反而让代码变得难以维护
2. 代码要像乐高积木一样灵活组合，而不是像手办一样追求完美但一碰就碎
3. 过早引入复杂架构和最佳实践可能会适得其反 - 因为需求永远在变，简单可扩展才是王道
4. 有时候回归基础工具反而能获得意想不到的效果（比如cron）
   
   

• 兼具精准与远见：它既能像 Claude 一样生成高质量、可直接运行的代码，又能像 Gemini 一样理解长篇的上下文，保持逻辑的整体性。在多次测试中，它生成的复杂代码块常常一次性通过，这在以前是难以想象的。
• 深度思考带来的高质量：它唯一的“缺点”可能是思考和生成答案需要稍长一点的时间。但我很快意识到，这并不是慢，而是在进行更深度的思考。官方资料也证实了这一点，新版模型在处理复杂问题时，其推理过程的深度（以 token 计）几乎翻了一番。我完全愿意用这份短暂的等待，换取一个几乎无需修改的优质答案。
• 开放与免费的诚意：DeepSeek R1-0528 是一个开源模型，并且其官网提供了完全免费的聊天版本，这在动辄需要订阅的 AI 时代简直是一股清流。