上篇接好了 CommandCode GOAT 套餐，模型能正常对话，但我一直没细看一个细节：deepseek-v4-flash 切不出思考深度。

在 opencode go 套餐里同一批模型明明可以切思考档位，换到 goat 上全没了。第一反应是”goat 套餐不支持”——但排查下来根本不是套餐的事，是配置漏了一环。

太长不看的结论

配置文件再改一下，需要能选思考深度的模型，都给加一句配置：
"reasoning": true
就行了。

比如

        "deepseek/deepseek-v4-flash": {          "name": "DeepSeek V4 Flash (latest)",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },

啊顺便，今天把GOAT套餐的用量测算也做成实时表格了：

项目在： https://github.com/mousebomb/opencode-go-limits

精简了一下配置

{  "$schema": "https://opencode.ai/config.json",  "permission": {  },  "mcp": {  },  "provider": {    "goat": {      "npm": "@ai-sdk/openai-compatible",      "name": "goat",      "options": {        "baseURL": "https://api.commandcode.ai/provider/v1",        "headers": {}      },      "models": {        "deepseek/deepseek-v4-flash-vision-exp": {          "name": "DeepSeek V4 Flash Vision (exp)",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.8-Flash": {          "name": "Qwen 3.8 Flash",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "stepfun/Step-3.7-Flash": {          "name": "Step 3.7 Flash",          "limit": {            "context": 256000,            "output": 262144          },          "reasoning": true        },        "poolside/laguna-s-2.1-free": {          "name": "Laguna S 2.1",          "limit": {            "context": 256000,            "output": 262144          },          "reasoning": true        },        "meta/muse-spark-1.2": {          "name": "Muse Spark 1.2",          "limit": {            "context": 1048576,            "output": 262144          },          "reasoning": true        },        "meta/muse-spark-1.2-contributor": {          "name": "Muse Spark 1.2 Contributor",          "limit": {            "context": 1048576,            "output": 262144          },          "reasoning": true        },        "xai/grok-4.5": {          "name": "Grok 4.5",          "limit": {            "context": 500000,            "output": 262144          },          "reasoning": true        },        "xai/grok-4.6": {          "name": "Grok 4.6",          "limit": {            "context": 500000,            "output": 262144          },          "reasoning": true        }      }    },    "goat-zdr": {      "npm": "@ai-sdk/openai-compatible",      "name": "goat-zdr",      "options": {        "baseURL": "https://api.commandcode.ai/provider/v1",        "headers": {          "x-cmd-zdr": "1"        }      },      "models": {        "deepseek/deepseek-v4-pro": {          "name": "DeepSeek V4 Pro (latest)",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "deepseek/deepseek-v4-flash": {          "name": "DeepSeek V4 Flash (latest)",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "deepseek/deepseek-v4-flash-fast": {          "name": "DeepSeek V4 Flash Fast",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "moonshotai/Kimi-K3": {          "name": "Kimi K3",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "moonshotai/Kimi-K2.7-Code": {          "name": "Kimi K2.7 Code",          "limit": {            "context": 256000,            "output": 262144          },          "reasoning": true        },        "moonshotai/Kimi-K2.7-Code-Highspeed": {          "name": "Kimi K2.7 Code HighSpeed",          "limit": {            "context": 262000,            "output": 262144          },          "reasoning": true        },        "moonshotai/Kimi-K2.6": {          "name": "Kimi K2.6",          "limit": {            "context": 256000,            "output": 262144          },          "reasoning": true        },        "moonshotai/Kimi-K2.5": {          "name": "Kimi K2.5",          "limit": {            "context": 256000,            "output": 262144          },          "reasoning": true        },        "z-ai/glm-5.3-flash": {          "name": "GLM-5.3 Flash",          "limit": {            "context": 1048576,            "output": 262144          },          "reasoning": true        },        "zai-org/GLM-5.3": {          "name": "GLM-5.3",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "zai-org/GLM-5.2": {          "name": "GLM-5.2",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "zai-org/GLM-5.2-Fast": {          "name": "GLM-5.2 Fast",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "zai-org/GLM-5.1": {          "name": "GLM-5.1",          "limit": {            "context": 200000,            "output": 262144          },          "reasoning": true        },        "zai-org/GLM-5": {          "name": "GLM-5",          "limit": {            "context": 200000,            "output": 262144          },          "reasoning": true        },        "MiniMaxAI/MiniMax-M3": {          "name": "MiniMax M3",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "MiniMaxAI/MiniMax-M2.7": {          "name": "MiniMax M2.7",          "limit": {            "context": 200000,            "output": 262144          },          "reasoning": true        },        "MiniMaxAI/MiniMax-M2.5": {          "name": "MiniMax M2.5",          "limit": {            "context": 200000,            "output": 262144          },          "reasoning": true        },        "xiaomi/mimo-v2.5-pro": {          "name": "MiMo V2.5 Pro",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "xiaomi/mimo-v2.5": {          "name": "MiMo V2.5",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.8-Max": {          "name": "Qwen 3.8 Max",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.8-27B": {          "name": "Qwen 3.8 27B",          "limit": {            "context": 262144,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.7-Max": {          "name": "Qwen 3.7 Max",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.7-Plus": {          "name": "Qwen 3.7 Plus",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.7-Flash": {          "name": "Qwen 3.7 Flash",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.6-Max-Preview": {          "name": "Qwen 3.6 Max Preview",          "limit": {            "context": 200000,            "output": 262144          },          "reasoning": true        },        "Qwen/Qwen3.6-Plus": {          "name": "Qwen 3.6 Plus",          "limit": {            "context": 200000,            "output": 262144          },          "reasoning": true        },        "stepfun/Step-3.5-Flash": {          "name": "Step 3.5 Flash",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "tencent/hy3-paid": {          "name": "Tencent Hy3",          "limit": {            "context": 262144,            "output": 262144          },          "reasoning": true        },        "tencent/hy4-preview": {          "name": "Tencent Hy4 Preview",          "limit": {            "context": 1048576,            "output": 262144          },          "reasoning": true        },        "nvidia/nemotron-3-ultra-550b-a55b": {          "name": "Nemotron 3 Ultra",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "thinkingmachines/inkling": {          "name": "Inkling",          "limit": {            "context": 256000,            "output": 262144          },          "reasoning": true        },        "thinkingmachines/inkling-small": {          "name": "Inkling Small",          "limit": {            "context": 1000000,            "output": 262144          },          "reasoning": true        },        "gpt-5.6-sol": {          "name": "GPT-5.6 Sol",          "limit": {            "context": 1050000,            "output": 262144          },          "reasoning": true        }      }    }  },  "plugin": [  ]}

根因：自定义 provider 缺 reasoning 能力声明

opencode 给模型生成”思考档位”（variants）的入口是 variants() 函数，开头第一道门卫就是：

if (!model.capabilities.reasoning) return {}   // 没声明推理能力 → 直接不给档位

内置 provider（opencode-go、官方 deepseek 等）的模型元数据来自 models.dev，天生带 reasoning: true 和 reasoning_options，所以能出思考档位。

而 goat 是自定义 provider（@ai-sdk/openai-compatible），模型全是我在 opencode.json 里手写的。当时只写了 name 和 limit，没写 reasoning: true → 能力声明默认 false → variants() 直接返回空，TUI 自然不显示思考档位。

对照代码看得很清楚（packages/opencode/src/provider/transform.ts）：

case "@ai-sdk/openai-compatible":  const efforts = [...WIDELY_SUPPORTED_EFFORTS]        // ["low","medium","high"]  if (model.api.id.toLowerCase().includes("deepseek-v4")) {    efforts.push("max")                                // deepseek-v4 额外加 max  }  return Object.fromEntries(efforts.map(e => [e, { reasoningEffort: e }]))

也就是说：@ai-sdk/openai-compatible 的模型，只要 reasoning: true 声明到位，opencode 会按模型 ID 自动分配思考档位——deepseek-v4 系列给 low/medium/high/max。

GOAT 网关本身是支持 effort 的

顺手验证了网关层：reasoning_effort 参数被真实接受并转发，实测 deepseek-v4-flash 在不同 effort 下 reasoning tokens 数量确实有差异。档位枚举是 low|medium|high|xhigh（none 会报错），max 也能过。

结论锁定：能力在，只是 opencode 侧没被告知这个模型能推理。

修复：给模型补上 reasoning: true

在 goat 和 goat-zdr 两个 provider 的模型条目里补声明即可：

"deepseek/deepseek-v4-flash": {  "name": "DeepSeek V4 Flash (latest)",  "limit": { "context": 1000000, "output": 262144 },  "reasoning": true}

补完重启，opencode run -m goat/deepseek/deepseek-v4-flash --variant max 实测通过，档位真实生效。

进阶疑问：给所有模型都标 reasoning:true 安全吗？

修好 deepseek 后我冒出个念头：与其逐个判断哪些模型该标，不如全部标 true，把最终裁决权交给 opencode 内置的模型判定逻辑（它内部有”哪些模型该给档位”的黑名单）。但这是否安全？

查源码发现：variants() 在给档位前有一份硬编码黑名单，命中的模型直接 return {}：

if (  id.includes("deepseek-chat") || id.includes("deepseek-r1") ||  id.includes("deepseek-v3") ||  id.includes("minimax") || (id.includes("glm") && !glm52) ||  id.includes("kimi") || id.includes("qwen")) return {}

也就是说 kimi、qwen、glm(非5.2)、minimax(非M3) 这些即使标了 reasoning:true 也不会出思考档位——上游本来就不吃 effort 控制（实测 Kimi-K3 发 high 档 reasoning tokens 几乎无变化，印证了黑名单的合理性）。

剩下的疑问是：标了 true 但被黑名单挡下的模型，opencode 会不会偷偷往请求体塞默认 effort？用抓包实测打消了这个顾虑——给 Qwen3.8-Flash（黑名单）标 reasoning:true 后，发出的请求体里 reasoning_effort 字段完全不存在，对话行为跟没标之前一模一样。对照非黑名单的 deepseek-v4-flash，--variant high 时请求体确实带 reasoning_effort: high。

于是放心地把 goat、goat-zdr 下全部 74 个模型都标了 reasoning: true，交给 opencode 的机制去兜底。重构配置后 /models 正常、各模型实测对话正常。

最终效果对照

经验小结

1. 自定义 provider（openai-compatible）的模型档位全靠自己声明，reasoning: true 是给档位的必要不充分条件——能不能给、给哪些，由 opencode 内置模型判定逻辑（含黑名单）二次裁决。
2. 黑名单模型标 reasoning:true 没有副作用：只影响”能否出现思考档位”这个 UI 开关，请求体不会被注入任何默认 effort 参数。放心全标。
3. 修完配置记得重启 opencode（配置只在启动时加载，不热更新），然后 /models 选中模型按 Tab 循环即可切档位。

之前想过改 Paseo 的 bundle 注入主题，但那样每次升级都要重新打补丁，麻烦。现在不用了——Paseo 官方在 v0.5.0 引入了插件主题接口 plugin.addTheme，直接用插件实现，不修改 Paseo 任何文件，升级不丢失。更爽的是昨天发现 Paseo 已经更新到 0.7.0，支持直接从 GitHub 添加插件/主题了。

安装（Paseo 0.7.0+）

一行命令：

paseo plugin add mousebomb/paseo-solarized-light

然后在 Settings → Appearance → Theme 选择 Solarized Light 就完事了。

0.7.0 之前的版本也能用，走源码目录安装，具体看 README。

配色

基于 Ethan Schoonover 的 Solarized 配色，经典的低对比度护眼色板：

• 背景 #fdf6e3（base3 米黄）
• 前景 #657b83（base00）
• 强调色 #cb4b16（橙）

用了之后眼睛舒服多了。我自己已经切过去，除了写代码，平时看 Paseo 里的 diff、日志也都是这个调子。

插件和主题都是 MIT 协议，代码在 github.com/mousebomb/paseo-solarized-light，欢迎 star / 提 issue。

看到最近冉冉升起的CommandCode GOAT，听说比opencode的go套餐还要划算，支持的模型更多，额度更大。

看了一下官方的表格， deepseek-v4-flash-vision 是原价，而且60美元额度。
opencode go 这个月调整后，deepseek模型给不到60美元额度了，非常不能用。

正好我明天要续费opencodego了。评估一下，要么买一个月试试。

主要顾虑：

1. 隐私保护：是否零数据留存
2. 是否兼容paseo接入
3. 是否兼容CodexBar合并看用量

隐私

privacy： https://commandcode.ai/docs/resources/security

他必须买goat 即10美元以上套餐才提供api接入的方式。
ZDR政策： https://commandcode.ai/docs/resources/zdr

goat 套餐并不是所有模型保证零数据留存，这一点不像Opencode Go套餐那么透明。

要零数据留存ZDR的化，要求每个请求带一个 x-cmd-zdr: 1 请求头，这个也能在配置里解决。

Paseo接入❌

查了一下Paseo目前不支持CommandCode。
所以只能继续用opencode接入GOAT的API ，然后paseo里维持使用opencode。
也好，这样也省得再去配openviking、搜索mcp等接入了。
所以，问题的重点就是解决，opencode 接入 GOAT api调用。
API调用方面，CommandCode GOAT套餐或更高都是支持API调用的。✅

CodexBar兼容✅

CodexBar可真顶，各种套餐都能直接查看用量。
直接就支持CommandCode。

配置opencode接入 GOAT套餐

过程不复杂，就两步：/connect 存 key + 在 opencode.json 里声明 provider。

第一步：/connect 录入 API Key

在 opencode 里运行：

/connect

选 Other provider，录入 provider 名 goat，粘贴 API Key 回车。

Key 会存到 ~/.local/share/opencode/auth.json（权限 600，仅当前用户可读），opencode 自动把它作为 Authorization: Bearer <key> 带上，不需要写进 opencode.json，避免密钥进 git。

第二步：配置 opencode.json

在全局配置 ~/.config/opencode/opencode.json（项目级 .opencode/opencode.json 同理）加一个goat的 provider：

{  "provider": {    "goat": {      "npm": "@ai-sdk/openai-compatible",      "name": "goat",      "options": {        "baseURL": "https://api.commandcode.ai/provider/v1"      },      "models": {        "deepseek/deepseek-v4-flash-vision-exp": {          "name": "deepseek-v4-flash-vision-exp",          "limit": {            "context": 1000000,            "output": 262144          }        },        "deepseek/deepseek-v4-flash":{          "name":"deepseek-v4-flash",          "limit":          {            "context": 1000000,            "output": 262144          }        },        "z-ai/glm-5.3-flash":{          "name":"glm-5.3-flash",          "limit":          {            "context": 1000000,            "output": 262144          }        }      }    }  }}

要点：

• npm 用 @ai-sdk/openai-compatible，CommandCode 提供 OpenAI 兼容接口
• baseURL 填 provider 网关地址（不是模型名）
• models 的 key 是 API 侧完整模型 ID deepseek/deepseek-v4-flash-vision-exp，limit 按套餐给的上下文/输出上限填
• 改完重启 opencode 生效（配置只在启动时加载，不热更新）

可选：zdr 自定义请求头

goat 套餐官方要求每个请求带 x-cmd-zdr: 1。opencode 会把 provider 的 options 原样透传给 @ai-sdk/openai-compatible 构造器，而它原生支持 headers，所以直接写：

"options": {  "baseURL": "https://api.commandcode.ai/provider/v1",  "headers": {    "x-cmd-zdr": "1"  }}

这个头会随每个请求发出，和 /connect 存的 key 互不冲突。已实测生效。

验证

重启 opencode 后 /models 切到 goat/deepseek/deepseek-v4-flash-vision-exp 发一句话，能正常回复就是全套就位了。

发现deepseek-v4-flash-vision-exp居然不是zdr的upstream？？？？

好吧，那只能关闭zdr使用了。

平时不用vision-exp模型。
测了ds-v4-flash和glm-5.3-flash都是支持zdr的。

我也就导入这三个模型用用。
commandcode goat套餐里的GLM-5.3-flash比opencode Go给的用量大。

完善一下配置

现在用Command Code的GOAT套餐在opencode里用，opencode没有默认官方支持这个供应商。
这导致我现在OpenCode里面是手动配置的模型，前面只配置了3个模型。

现在想要把所有的都配置上。

关于ZDR，还要做一轮完整的检测，看看哪些模型是支持ZDR的。

然后还要把已经退订了的opencode go和一大堆乱七八糟的历史遗留provider选项删掉——从auth.json里删。

清理auth.json:

/Users/rhett/.local/share/opencode/auth.json 手动用sublime清理一下，以前乱七八糟的太多了。

配置所有可用模型

curl https://api.commandcode.ai/provider/v1/models > ~/Downloads/goat-models.json

读取所有可用的模型。

需要提取成可用的配置，补充到 /Users/rhett/.config/opencode/opencode.json 里的goat的provider里。

zdr判定是写一个脚本 ，用类似

curl https://api.commandcode.ai/provider/v1/chat/completions \  -H "Authorization: Bearer <CMD_API_KEY>" \  -H "Content-Type: application/json" \  -H "x-cmd-zdr: 1" \  -d '{    "model": "deepseek/deepseek-v4-flash",    "messages": [{"role": "user", "content": "Write a haiku about race conditions."}]  }'

的做法，
根据官方说法:

 if a model has no ZDR-capable upstream the request fails with a 422 (cmd_zdr_no_providers) rather than falling back to a non-ZDR provider.

把每个模型过过去，看看接口哪些会返回422错误，就知道哪些模型不安全了。

ZDR检测脚本

#!/bin/bash# ZDR 支持检测脚本：遍历 goat-models.json 中所有模型，检测是否支持 ZDR# 判定规则：带 x-cmd-zdr:1 请求返回 422 cmd_zdr_no_providers => 不支持 ZDR（不安全）#             返回 200 => 支持 ZDR# 用法: bash check-zdr.shset -uAPI_KEY="user_5NNqepzcPpbuusKVXmAzV3mgSe5zmNpttPV9TTryCyzuT7PnmQhxn9HKZHHAwbT6zCzJvKEqNXPvquLeNa8g1u2x"BASE_URL="https://api.commandcode.ai/provider/v1/chat/completions"MODELS_FILE="$HOME/Downloads/goat-models.json"OUT_FILE="$HOME/Downloads/zdr-result.txt"# 读取所有模型 idMODELS=()while IFS= read -r line; do  MODELS+=("$line")done < <(python3 -c "import jsonwith open('$MODELS_FILE') as f:    data = json.load(f)for m in data['data']:    print(m['id'])")echo "共 ${#MODELS[@]} 个模型，开始 ZDR 检测..." >&2echo "共 ${#MODELS[@]} 个模型" > "$OUT_FILE"SUPPORT=()NOT_SUPPORT=()for model in "${MODELS[@]}"; do  resp=$(curl -s -o /tmp/zdr-body.json -w "%{http_code}" \    "$BASE_URL" \    -H "Authorization: Bearer $API_KEY" \    -H "Content-Type: application/json" \    -H "x-cmd-zdr: 1" \    -d "{      \"model\": \"$model\",      \"messages\": [{\"role\": \"user\", \"content\": \"Say OK\"}],      \"max_tokens\": 8    }")  code=$resp  if [ "$code" = "200" ]; then    SUPPORT+=("$model")    echo "ZDR ✓  $model" | tee -a "$OUT_FILE"  elif [ "$code" = "422" ]; then    NOT_SUPPORT+=("$model")    echo "ZDR ✗  $model (422)" | tee -a "$OUT_FILE"  else    NOT_SUPPORT+=("$model")    echo "ZDR ?  $model (HTTP $code) $(cat /tmp/zdr-body.json | head -c 120)" | tee -a "$OUT_FILE"  fi  sleep 0.2doneecho "" >> "$OUT_FILE"echo "===== 汇总 =====" >> "$OUT_FILE"echo "支持 ZDR: ${#SUPPORT[@]} 个" >> "$OUT_FILE"for m in "${SUPPORT[@]}"; do echo "  ✓ $m" >> "$OUT_FILE"; doneecho "不支持/未知: ${#NOT_SUPPORT[@]} 个" >> "$OUT_FILE"for m in "${NOT_SUPPORT[@]}"; do echo "  ✗ $m" >> "$OUT_FILE"; doneecho "" >&2echo "完成！结果写入: $OUT_FILE" >&2

ZDR检测结果

共 61 个模型ZDR ?  claude-sonnet-5 (HTTP 400) {"error":{"message":"Model \"claude-sonnet-5\" must be called via /provider/v1/messages (Anthropic Messages shape).","tyZDR ?  claude-sonnet-4-6 (HTTP 400) {"error":{"message":"Model \"claude-sonnet-4-6\" must be called via /provider/v1/messages (Anthropic Messages shape).","ZDR ?  claude-fable-5 (HTTP 400) {"error":{"message":"Model \"claude-fable-5\" must be called via /provider/v1/messages (Anthropic Messages shape).","typZDR ?  claude-opus-5 (HTTP 400) {"error":{"message":"Model \"claude-opus-5\" must be called via /provider/v1/messages (Anthropic Messages shape).","typeZDR ?  claude-opus-4-8 (HTTP 400) {"error":{"message":"Model \"claude-opus-4-8\" must be called via /provider/v1/messages (Anthropic Messages shape).","tyZDR ?  claude-opus-4-7 (HTTP 400) {"error":{"message":"Model \"claude-opus-4-7\" must be called via /provider/v1/messages (Anthropic Messages shape).","tyZDR ?  claude-haiku-4-5-20251001 (HTTP 400) {"error":{"message":"Model \"claude-haiku-4-5-20251001\" must be called via /provider/v1/messages (Anthropic Messages shZDR ?  gpt-5.6-sol (HTTP 400) {"error":{"message":"{\"error\":{\"message\":\"Invalid 'max_output_tokens': integer below minimum value. Expected a valuZDR ?  gpt-5.6-terra (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: GPT-5.6 Terra available in Pro and above plans or extra on demand usage","type":ZDR ?  gpt-5.6-luna (HTTP 403) {"error":{"message":"Authentication failed. Please check your credentials.","type":"permission_error"}}ZDR ?  gpt-5.5 (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: GPT-5.5 available in Pro and above plans or extra on demand usage","type":"permiZDR ?  gpt-5.4 (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: GPT-5.4 available in Pro and above plans or extra on demand usage","type":"permiZDR ?  gpt-5.3-codex (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: GPT-5.3 Codex available in Pro and above plans or extra on demand usage","type":ZDR ?  gpt-5.4-mini (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: GPT-5.4 Mini available in Pro and above plans or extra on demand usage","type":"ZDR ✓  deepseek/deepseek-v4-proZDR ✓  deepseek/deepseek-v4-flashZDR ✗  deepseek/deepseek-v4-flash-vision-exp (422)ZDR ✓  deepseek/deepseek-v4-flash-fastZDR ✓  moonshotai/Kimi-K3ZDR ✓  moonshotai/Kimi-K2.7-CodeZDR ✓  moonshotai/Kimi-K2.7-Code-HighspeedZDR ✓  moonshotai/Kimi-K2.6ZDR ✓  moonshotai/Kimi-K2.5ZDR ✓  z-ai/glm-5.3-flashZDR ✓  zai-org/GLM-5.3ZDR ✓  zai-org/GLM-5.2ZDR ✓  zai-org/GLM-5.2-FastZDR ✓  zai-org/GLM-5.1ZDR ✓  zai-org/GLM-5ZDR ✓  MiniMaxAI/MiniMax-M3ZDR ✓  MiniMaxAI/MiniMax-M2.7ZDR ✓  MiniMaxAI/MiniMax-M2.5ZDR ✓  xiaomi/mimo-v2.5-proZDR ✓  xiaomi/mimo-v2.5ZDR ✓  Qwen/Qwen3.8-MaxZDR ✓  Qwen/Qwen3.8-27BZDR ✗  Qwen/Qwen3.8-Flash (422)ZDR ✓  Qwen/Qwen3.7-MaxZDR ✓  Qwen/Qwen3.7-PlusZDR ✓  Qwen/Qwen3.7-FlashZDR ✓  Qwen/Qwen3.6-Max-PreviewZDR ✓  Qwen/Qwen3.6-PlusZDR ✗  stepfun/Step-3.7-Flash (422)ZDR ✓  stepfun/Step-3.5-FlashZDR ✓  tencent/hy3-paidZDR ✓  tencent/hy4-previewZDR ?  google/gemini-3.7-flash (HTTP 403) {"error":{"message":"Authentication failed. Please check your credentials.","type":"permission_error"}}ZDR ?  google/gemini-3.6-flash (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: Gemini 3.6 Flash available in Pro and above plans or extra on demand usage","typZDR ?  google/gemini-3.5-flash (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: Gemini 3.5 Flash available in Pro and above plans or extra on demand usage","typZDR ?  google/gemini-3.5-flash-lite (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: Gemini 3.5 Flash Lite available in Pro and above plans or extra on demand usage"ZDR ?  google/gemini-3.1-flash-lite (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: Gemini 3.1 Flash Lite available in Pro and above plans or extra on demand usage"ZDR ?  sakana/fugu-ultra (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: Fugu Ultra available in Provider and above plans or extra on demand usage","typeZDR ✓  nvidia/nemotron-3-ultra-550b-a55bZDR ✓  thinkingmachines/inklingZDR ✓  thinkingmachines/inkling-smallZDR ✗  poolside/laguna-s-2.1-free (422)ZDR ?  meta/muse-spark-1.1 (HTTP 403) {"error":{"message":"MODEL_NOT_IN_PLAN: Muse Spark 1.1 available in Pro and above plans or extra on demand usage","type"ZDR ✗  meta/muse-spark-1.2 (422)ZDR ✗  meta/muse-spark-1.2-contributor (422)ZDR ✗  xai/grok-4.5 (422)ZDR ✗  xai/grok-4.6 (422)===== 汇总 =====支持 ZDR: 32 个  ✓ deepseek/deepseek-v4-pro  ✓ deepseek/deepseek-v4-flash  ✓ deepseek/deepseek-v4-flash-fast  ✓ moonshotai/Kimi-K3  ✓ moonshotai/Kimi-K2.7-Code  ✓ moonshotai/Kimi-K2.7-Code-Highspeed  ✓ moonshotai/Kimi-K2.6  ✓ moonshotai/Kimi-K2.5  ✓ z-ai/glm-5.3-flash  ✓ zai-org/GLM-5.3  ✓ zai-org/GLM-5.2  ✓ zai-org/GLM-5.2-Fast  ✓ zai-org/GLM-5.1  ✓ zai-org/GLM-5  ✓ MiniMaxAI/MiniMax-M3  ✓ MiniMaxAI/MiniMax-M2.7  ✓ MiniMaxAI/MiniMax-M2.5  ✓ xiaomi/mimo-v2.5-pro  ✓ xiaomi/mimo-v2.5  ✓ Qwen/Qwen3.8-Max  ✓ Qwen/Qwen3.8-27B  ✓ Qwen/Qwen3.7-Max  ✓ Qwen/Qwen3.7-Plus  ✓ Qwen/Qwen3.7-Flash  ✓ Qwen/Qwen3.6-Max-Preview  ✓ Qwen/Qwen3.6-Plus  ✓ stepfun/Step-3.5-Flash  ✓ tencent/hy3-paid  ✓ tencent/hy4-preview  ✓ nvidia/nemotron-3-ultra-550b-a55b  ✓ thinkingmachines/inkling  ✓ thinkingmachines/inkling-small不支持/未知: 29 个  ✗ claude-sonnet-5  ✗ claude-sonnet-4-6  ✗ claude-fable-5  ✗ claude-opus-5  ✗ claude-opus-4-8  ✗ claude-opus-4-7  ✗ claude-haiku-4-5-20251001  ✗ gpt-5.6-sol  ✗ gpt-5.6-terra  ✗ gpt-5.6-luna  ✗ gpt-5.5  ✗ gpt-5.4  ✗ gpt-5.3-codex  ✗ gpt-5.4-mini  ✗ deepseek/deepseek-v4-flash-vision-exp  ✗ Qwen/Qwen3.8-Flash  ✗ stepfun/Step-3.7-Flash  ✗ google/gemini-3.7-flash  ✗ google/gemini-3.6-flash  ✗ google/gemini-3.5-flash  ✗ google/gemini-3.5-flash-lite  ✗ google/gemini-3.1-flash-lite  ✗ sakana/fugu-ultra  ✗ poolside/laguna-s-2.1-free  ✗ meta/muse-spark-1.1  ✗ meta/muse-spark-1.2  ✗ meta/muse-spark-1.2-contributor  ✗ xai/grok-4.5  ✗ xai/grok-4.6

最终配置：

最终配置，主要是’provider’部分， 把兼容zdr的和全部的分开了两部分录入的。

{  "$schema": "https://opencode.ai/config.json",  "permission": {  },  "mcp": {  },  "provider": {    "goat": {      "npm": "@ai-sdk/openai-compatible",      "name": "goat",      "options": {        "baseURL": "https://api.commandcode.ai/provider/v1",        "headers": {}      },      "models": {        "deepseek/deepseek-v4-pro": {          "name": "DeepSeek V4 Pro (latest)",          "limit": {            "context": 1000000,            "output": 262144          }        },        "deepseek/deepseek-v4-flash": {          "name": "DeepSeek V4 Flash (latest)",          "limit": {            "context": 1000000,            "output": 262144          }        },        "deepseek/deepseek-v4-flash-fast": {          "name": "DeepSeek V4 Flash Fast",          "limit": {            "context": 1000000,            "output": 262144          }        },        "moonshotai/Kimi-K3": {          "name": "Kimi K3",          "limit": {            "context": 1000000,            "output": 262144          }        },        "moonshotai/Kimi-K2.7-Code": {          "name": "Kimi K2.7 Code",          "limit": {            "context": 256000,            "output": 262144          }        },        "moonshotai/Kimi-K2.7-Code-Highspeed": {          "name": "Kimi K2.7 Code HighSpeed",          "limit": {            "context": 262000,            "output": 262144          }        },        "moonshotai/Kimi-K2.6": {          "name": "Kimi K2.6",          "limit": {            "context": 256000,            "output": 262144          }        },        "moonshotai/Kimi-K2.5": {          "name": "Kimi K2.5",          "limit": {            "context": 256000,            "output": 262144          }        },        "z-ai/glm-5.3-flash": {          "name": "GLM-5.3 Flash",          "limit": {            "context": 1048576,            "output": 262144          }        },        "zai-org/GLM-5.3": {          "name": "GLM-5.3",          "limit": {            "context": 1000000,            "output": 262144          }        },        "zai-org/GLM-5.2": {          "name": "GLM-5.2",          "limit": {            "context": 1000000,            "output": 262144          }        },        "zai-org/GLM-5.2-Fast": {          "name": "GLM-5.2 Fast",          "limit": {            "context": 1000000,            "output": 262144          }        },        "zai-org/GLM-5.1": {          "name": "GLM-5.1",          "limit": {            "context": 200000,            "output": 262144          }        },        "zai-org/GLM-5": {          "name": "GLM-5",          "limit": {            "context": 200000,            "output": 262144          }        },        "MiniMaxAI/MiniMax-M3": {          "name": "MiniMax M3",          "limit": {            "context": 1000000,            "output": 262144          }        },        "MiniMaxAI/MiniMax-M2.7": {          "name": "MiniMax M2.7",          "limit": {            "context": 200000,            "output": 262144          }        },        "MiniMaxAI/MiniMax-M2.5": {          "name": "MiniMax M2.5",          "limit": {            "context": 200000,            "output": 262144          }        },        "xiaomi/mimo-v2.5-pro": {          "name": "MiMo V2.5 Pro",          "limit": {            "context": 1000000,            "output": 262144          }        },        "xiaomi/mimo-v2.5": {          "name": "MiMo V2.5",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.8-Max": {          "name": "Qwen 3.8 Max",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.8-27B": {          "name": "Qwen 3.8 27B",          "limit": {            "context": 262144,            "output": 262144          }        },        "Qwen/Qwen3.7-Max": {          "name": "Qwen 3.7 Max",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.7-Plus": {          "name": "Qwen 3.7 Plus",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.7-Flash": {          "name": "Qwen 3.7 Flash",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.6-Max-Preview": {          "name": "Qwen 3.6 Max Preview",          "limit": {            "context": 200000,            "output": 262144          }        },        "Qwen/Qwen3.6-Plus": {          "name": "Qwen 3.6 Plus",          "limit": {            "context": 200000,            "output": 262144          }        },        "stepfun/Step-3.5-Flash": {          "name": "Step 3.5 Flash",          "limit": {            "context": 1000000,            "output": 262144          }        },        "tencent/hy3-paid": {          "name": "Tencent Hy3",          "limit": {            "context": 262144,            "output": 262144          }        },        "tencent/hy4-preview": {          "name": "Tencent Hy4 Preview",          "limit": {            "context": 1048576,            "output": 262144          }        },        "nvidia/nemotron-3-ultra-550b-a55b": {          "name": "Nemotron 3 Ultra",          "limit": {            "context": 1000000,            "output": 262144          }        },        "thinkingmachines/inkling": {          "name": "Inkling",          "limit": {            "context": 256000,            "output": 262144          }        },        "thinkingmachines/inkling-small": {          "name": "Inkling Small",          "limit": {            "context": 1000000,            "output": 262144          }        },        "gpt-5.6-sol": {          "name": "GPT-5.6 Sol",          "limit": {            "context": 1050000,            "output": 262144          }        },        "deepseek/deepseek-v4-flash-vision-exp": {          "name": "DeepSeek V4 Flash Vision (exp)",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.8-Flash": {          "name": "Qwen 3.8 Flash",          "limit": {            "context": 1000000,            "output": 262144          }        },        "stepfun/Step-3.7-Flash": {          "name": "Step 3.7 Flash",          "limit": {            "context": 256000,            "output": 262144          }        },        "poolside/laguna-s-2.1-free": {          "name": "Laguna S 2.1",          "limit": {            "context": 256000,            "output": 262144          }        },        "meta/muse-spark-1.2": {          "name": "Muse Spark 1.2",          "limit": {            "context": 1048576,            "output": 262144          }        },        "meta/muse-spark-1.2-contributor": {          "name": "Muse Spark 1.2 Contributor",          "limit": {            "context": 1048576,            "output": 262144          }        },        "xai/grok-4.5": {          "name": "Grok 4.5",          "limit": {            "context": 500000,            "output": 262144          }        },        "xai/grok-4.6": {          "name": "Grok 4.6",          "limit": {            "context": 500000,            "output": 262144          }        }      }    },    "goat-zdr": {      "npm": "@ai-sdk/openai-compatible",      "name": "goat-zdr",      "options": {        "baseURL": "https://api.commandcode.ai/provider/v1",        "headers": {          "x-cmd-zdr": "1"        }      },      "models": {        "deepseek/deepseek-v4-pro": {          "name": "DeepSeek V4 Pro (latest)",          "limit": {            "context": 1000000,            "output": 262144          }        },        "deepseek/deepseek-v4-flash": {          "name": "DeepSeek V4 Flash (latest)",          "limit": {            "context": 1000000,            "output": 262144          }        },        "deepseek/deepseek-v4-flash-fast": {          "name": "DeepSeek V4 Flash Fast",          "limit": {            "context": 1000000,            "output": 262144          }        },        "moonshotai/Kimi-K3": {          "name": "Kimi K3",          "limit": {            "context": 1000000,            "output": 262144          }        },        "moonshotai/Kimi-K2.7-Code": {          "name": "Kimi K2.7 Code",          "limit": {            "context": 256000,            "output": 262144          }        },        "moonshotai/Kimi-K2.7-Code-Highspeed": {          "name": "Kimi K2.7 Code HighSpeed",          "limit": {            "context": 262000,            "output": 262144          }        },        "moonshotai/Kimi-K2.6": {          "name": "Kimi K2.6",          "limit": {            "context": 256000,            "output": 262144          }        },        "moonshotai/Kimi-K2.5": {          "name": "Kimi K2.5",          "limit": {            "context": 256000,            "output": 262144          }        },        "z-ai/glm-5.3-flash": {          "name": "GLM-5.3 Flash",          "limit": {            "context": 1048576,            "output": 262144          }        },        "zai-org/GLM-5.3": {          "name": "GLM-5.3",          "limit": {            "context": 1000000,            "output": 262144          }        },        "zai-org/GLM-5.2": {          "name": "GLM-5.2",          "limit": {            "context": 1000000,            "output": 262144          }        },        "zai-org/GLM-5.2-Fast": {          "name": "GLM-5.2 Fast",          "limit": {            "context": 1000000,            "output": 262144          }        },        "zai-org/GLM-5.1": {          "name": "GLM-5.1",          "limit": {            "context": 200000,            "output": 262144          }        },        "zai-org/GLM-5": {          "name": "GLM-5",          "limit": {            "context": 200000,            "output": 262144          }        },        "MiniMaxAI/MiniMax-M3": {          "name": "MiniMax M3",          "limit": {            "context": 1000000,            "output": 262144          }        },        "MiniMaxAI/MiniMax-M2.7": {          "name": "MiniMax M2.7",          "limit": {            "context": 200000,            "output": 262144          }        },        "MiniMaxAI/MiniMax-M2.5": {          "name": "MiniMax M2.5",          "limit": {            "context": 200000,            "output": 262144          }        },        "xiaomi/mimo-v2.5-pro": {          "name": "MiMo V2.5 Pro",          "limit": {            "context": 1000000,            "output": 262144          }        },        "xiaomi/mimo-v2.5": {          "name": "MiMo V2.5",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.8-Max": {          "name": "Qwen 3.8 Max",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.8-27B": {          "name": "Qwen 3.8 27B",          "limit": {            "context": 262144,            "output": 262144          }        },        "Qwen/Qwen3.7-Max": {          "name": "Qwen 3.7 Max",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.7-Plus": {          "name": "Qwen 3.7 Plus",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.7-Flash": {          "name": "Qwen 3.7 Flash",          "limit": {            "context": 1000000,            "output": 262144          }        },        "Qwen/Qwen3.6-Max-Preview": {          "name": "Qwen 3.6 Max Preview",          "limit": {            "context": 200000,            "output": 262144          }        },        "Qwen/Qwen3.6-Plus": {          "name": "Qwen 3.6 Plus",          "limit": {            "context": 200000,            "output": 262144          }        },        "stepfun/Step-3.5-Flash": {          "name": "Step 3.5 Flash",          "limit": {            "context": 1000000,            "output": 262144          }        },        "tencent/hy3-paid": {          "name": "Tencent Hy3",          "limit": {            "context": 262144,            "output": 262144          }        },        "tencent/hy4-preview": {          "name": "Tencent Hy4 Preview",          "limit": {            "context": 1048576,            "output": 262144          }        },        "nvidia/nemotron-3-ultra-550b-a55b": {          "name": "Nemotron 3 Ultra",          "limit": {            "context": 1000000,            "output": 262144          }        },        "thinkingmachines/inkling": {          "name": "Inkling",          "limit": {            "context": 256000,            "output": 262144          }        },        "thinkingmachines/inkling-small": {          "name": "Inkling Small",          "limit": {            "context": 1000000,            "output": 262144          }        },        "gpt-5.6-sol": {          "name": "GPT-5.6 Sol",          "limit": {            "context": 1050000,            "output": 262144          }        }      }    }  },  "plugin": [  ]}

这玩意 8 月份一直在变——各个档位的模型价格在调，新模型不停加，还有各种活动。基本上我每天都得去官网刷一遍，看自己买的额度对应哪些模型、各能跑多少次。搞得很累。

关键官网上的月额度数据还分散在好几张表格里：

• 价格表（每 1M tokens 单价）是一张表
• 每月使用额度（$15/$30/$60 档）混在价格表里
• 每次请求的 token 构成（输入/缓存/输出）又是一张表
• 官方按模型给的”每月请求数”还要单独一张表

而那个大家都爱看的”5 小时额度”图表，又没有把所有模型都列出来，只能看个大概。

效果如图：

思路

所以我就把这个命题交给Agent。

ds接到任务后，就想：既然官方的”每月请求数”表就是拿 单价 × 请求的 token 构成 反推出来的，那我自己拉最新的价格表，用同一套公式算一遍，不就能得到所有模型的完整用量了吗？算完再画成图，一眼扫完。

公式很简单：

每请求成本 = (输入token×输入价 + 缓存token×缓存价 + 输出token×输出价) / 1,000,000每月请求数 = 每月使用额度 ÷ 每请求成本

这个口径跟官方生成”请求数估算表”的逻辑是一致的，实测多数模型算出来和官方值偏差 <1%，等于验证了公式。

实现

整个工具就是一个零依赖的单文件 HTML，打开页面自动抓数据：

• 数据源直接抓 GitHub 仓库 anomalyco/opencode 的 dev 分支原始 mdx（跟 opencode.ai 文档同源同步），备一个 jsdelivr CDN 源。两边都带 CORS 头，浏览器可以直接跨域拉取，不需要任何后端。
• 解析三块：价格+额度表、请求模式表（每次请求的 token 构成）、官方请求数表（用作对照）。
• 模型名做归一化 + 最长前缀匹配，兼容官方那种 GLM-5.3/5.2/5.1、Kimi K2.7 Code 合并写法。
• 算完画横向条状图（对数刻度，用量越大条越长），悬停任意条显示明细：单价、每月额度、每请求成本、token 模式、官方对照值。
• 抓取失败自动回退到上一次成功的 localStorage 缓存，顶部有”立即刷新”按钮。

有偏差的条会标 ▲ 提示。多档位模型（比如 DeepSeek V4 Flash 的 Peak/Off-Peak）每个档位独立成条，官方只给一个汇总值，一般对不上高档位——这是设计使然，不是算错了。

效果

现在每天想确认套餐情况，打开这一个页面就够了，不用再去官网好几张表里来回翻。

在线预览：https://mousebomb.org/opencode-go-limits/

如果你也用 OpenCode Go，这个页面应该能帮你省点每天翻表格的功夫。

究其原因，
DSH现在还是preview，官方明确标注了，随时会做影响兼容性的大改动，现在是社区激烈碰撞、共创的时期。

对于我这样求新又求稳定的人来说，我求新，却没那么新。

我求稳，需要每天能稳定让Agent辅助我，作为我的第二大脑，我不能轻易接受破坏性的改造。

我发现现在有很多人转到用DSH居然是从OpenClaw/Hermes转的，这当然对他们来说是很大的进化。
但我OpenCode + Paseo + OpenViking用得实在太顺了，顺到我想不出来有任何刚需是需要用到DSH。

我也希望DSH能接入Paseo，但目前比较方便的是ACP方式接入，这个达不到我的要求。
如果我要急着用的话，基于 opencode-agent.ts 改造一份dsh-agent.ts也未尝不可，
但是代价是，短期内可能要跟着dsh频繁改动，这我受不了。

紧接着Qwen3.8 27B能力起飞了，但我没有本地部署。

究其原因，
我这点本地算力虽然能运行，但是去年和前年一路用下来，已经疲劳了。
还是opencode go简单粗暴，量大管饱，有这点折腾本地部署的功夫还不如直接用MaaS的。
我本地Ollama跑着Qwen-embedding 0.6B给OpenViking做embedding就很适合我。

拒绝FOMO，一切对我没有实质、可控、稳定帮助的新玩意儿，都是噪音。

https://www.openviking.ai/

uv tool安装

uv tool install openviking --python 3.12

按照道理来讲，安装完了这个就可以使用Ov和OpenViking Server了。 也可以接入OpenCode，OpenCode要装个插件。但是我现在需要解决embedding模型的问题和VLM模型的问题。
VLM可以用小米的模型。
Embedding模型用Agent Plan带的吧。

Embedding:

• embedding 模型id： doubao-embedding-vision
• baseURL : https://ark.cn-beijing.volces.com/api/plan/v3
  VLM:
• Opencode Go的 mimo2.5

在整理这个资料的过程当中，学习到了几个新的知识：

• uv管理的python是只占用同一份存储空间的
• uv tool install 是安装全局，且工具使用自己的python解释器，互相独立
• 之前的markitdown其实也可以用uv tool install安装，而并不要找一个路径uv sync装

好那就开始安装openviking吧。
具体步骤记录：

安装ov

uv tool install openviking --upgrade

Installed 4 executables: openviking, openviking-server, ov, vikingbot

安装完成，可以使用客户端命令 ov（openviking 是其别名）和服务端命令 openviking-server。

配置

openviking-server init

通过它自带的配置了一下。然后呢我发现它火山引擎配的那个URL不对，因为我是Agent的plan。所以我就手动去配置文件里面改了一下。

然后再运行openviking-server doctor报一个socks错（因为我命令行有时候开了代理）：

 openviking-server doctorOpenViking Doctor  Config:        PASS  /Users/rhett/.openviking/ov.conf  Python:        PASS  3.14.2 (>= 3.10 required)  Native Engine: PASS  variant=native  AGFS:          PASS  AGFS SDK 0.1.713:05:11 - LiteLLM:WARNING: get_model_cost_map.py:264 - LiteLLM: Failed to fetch remote model cost map from https://raw.githubusercontent.com/BerriAI/litellm/main/model_prices_and_context_window.json: Using SOCKS proxy, but the 'socksio' package is not installed. Make sure to install httpx using `pip install httpx[socks]`.. Falling back to local backup.  Embedding:     FAIL  volcengine/doubao-embedding-vision api_base=https://ark.cn-beijing.volces.com/api/plan/v3 dimension=1024 (invalid embedding config: Using SOCKS proxy, but the 'socksio' package is not installed. Make sure to install httpx using `pip install httpx[socks]`.)                 Fix: Fix embedding.dense provider/model/api_base/dimension in ov.conf  VLM:           PASS  openai/mimo-v2.5  Ollama:        PASS  not configured  VikingBot:     PASS  VikingBot aligned with dev OpenViking auth  Disk:          PASS  2164.6 GB free in /Users/rhett/.openviking/data  1 check(s) failed. See above for fix suggestions.

但我现在不知道怎么，因为我是用UV tool install 安装的ov，那怎么给这个ov的依赖安装httpx[socks]呢？

查询发现可以用--with来安装。

追加重装了一次：

uv tool install openviking --reinstall --with "httpx[socks]"

这次校验通过了。

at 13:09 ❯ openviking-server doctorOpenViking Doctor  Config:        PASS  /Users/rhett/.openviking/ov.conf  Python:        PASS  3.14.2 (>= 3.10 required)  Native Engine: PASS  variant=native  AGFS:          PASS  AGFS SDK 0.1.7  Embedding:     PASS  volcengine/doubao-embedding-vision api_base=https://ark.cn-beijing.volces.com/api/plan/v3 dimension=1024 probe ok (dimension=1024)  VLM:           PASS  openai/mimo-v2.5  Ollama:        PASS  not configured  VikingBot:     PASS  VikingBot aligned with dev OpenViking auth  Disk:          PASS  2164.5 GB free in /Users/rhett/.openviking/data  All checks passed.

运行服务端

居然报错：

openviking-serverTraceback (most recent call last):  File "/Users/rhett/.local/bin/openviking-server", line 10, in <module>    sys.exit(main())             ~~~~^^  File "/Users/rhett/.local/share/uv/tools/openviking/lib/python3.14/site-packages/openviking_cli/server_bootstrap.py", line 104, in main    _real_main()    ~~~~~~~~~~^^  File "/Users/rhett/.local/share/uv/tools/openviking/lib/python3.14/site-packages/openviking/server/bootstrap.py", line 282, in main    app = create_app(config)  File "/Users/rhett/.local/share/uv/tools/openviking/lib/python3.14/site-packages/openviking/server/app.py", line 716, in create_app    from openviking.server.mcp_endpoint import create_mcp_app  File "/Users/rhett/.local/share/uv/tools/openviking/lib/python3.14/site-packages/openviking/server/mcp_endpoint.py", line 27, in <module>    from mcp.server.fastmcp import FastMCPModuleNotFoundError: No module named 'mcp.server.fastmcp'

$ uv tool uninstall openviking && uv tool install openviking --python 3.12 --with "httpx[socks]" 2>&1 | tail -15

降级3.12 依然不行，

$ uv tool install openviking --python 3.12 --with "httpx[socks]" --with "mcp<2" --reinstall 2>&1 | tail -6

mcp 报错的原因（和 httpx[socks] 无关）：

• openviking 依赖声明 mcp>=1.27.0 无上限，uv 解析时拿了刚发布的 mcp 2.0.0
• mcp 2.0 是破坏性重构，删掉了 mcp.server.fastmcp 模块，openviking 0.4.11 还在用旧 API
  修复：重装并 pin mcp<2：

uv tool install openviking --python 3.12 --with "httpx[socks]" --with "mcp<2" --reinstall

两个关键选择：

1. Python 3.12（不是 3.14）：mcp 1.x 不支持 3.14，3.14 会强迫 uv 用 mcp 2.0
2. --with "mcp<2"：显式锁住 mcp 1.x，这是核心修复

启动成功，可在浏览器打开http://localhost:1933/。

配置OpenCode接入

bash <(curl -fsSL https://ovrelease.tos-cn-beijing.volces.com/memory-plugin-shared/install.sh) --harness opencode# 输入 http://127.0.0.1:1933；如果启用了认证，再输入 API Key

at 13:31 ❯ bash <(curl -fsSL https://ovrelease.tos-cn-beijing.volces.com/memory-plugin-shared/install.sh) --harness opencodeLanguage / 语言   ( ) English > (•) 中文   ↑/↓ move · 1-9 jump · enter confirm1. 环境检查==> OS: Darwin==> 已选择： opencode安装源模式   ( ) GitHub  （默认；支持远程更新） > (•) 火山引擎 TOS 镜像（无法访问 GitHub 时使用）   ↑/↓ 移动 · 数字直选 · 回车确认2. OpenViking 凭据配置 (/Users/rhett/.openviking/ovcli.conf)==> 未找到已有配置。连接到哪个 OpenViking 服务？   ( ) 自建 / 本地  [http://127.0.0.1:1933]   ( ) 火山引擎 OpenViking 云服务  [api.vikingdb.cn-beijing.volces.com] > (•) 自定义 URL / 保持当前  [http://127.0.0.1:1933]   ↑/↓ 移动 · 数字直选 · 回车确认??  服务地址 [http://127.0.0.1:1933]:??  API key（本地免鉴权模式请直接回车）:==> 已更新： url: — -> http://127.0.0.1:1933==> 凭据已就绪： /Users/rhett/.openviking/ovcli.conf==> 之后可重跑本安装脚本重新配置。==> 安装源模式： archive (渠道: tos)3. Marketplace 归档==> 下载归档==>   https://ovrelease.tos-cn-beijing.volces.com/releases/latest/memory-plugin-marketplace.zip4. OpenCode 插件==> OpenCode 文件插件已安装： /Users/rhett/.config/opencode/plugins/openviking5. 安装校验==> opencode: openviking-memory 看起来已安装==> opencode: MCP server 已注册完成==> 凭据： /Users/rhett/.openviking/ovcli.conf==> OpenCode: @openviking/opencode-plugin~/Downloads took 42sat 13:32 ❯

重启Opencode生效，可以在/status里看到。
后续聊天会自动被hook写入记忆到openviking中。

设置开机自启动server

手动创建~/Library/LaunchAgents/com.openviking.server.plist：

<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd"><plist version="1.0"><dict>    <key>Label</key>    <string>com.openviking.server</string>    <key>ProgramArguments</key>    <array>        <string>/Users/rhett/.local/bin/openviking-server</string>    </array>    <key>RunAtLoad</key>    <true/>    <key>KeepAlive</key>    <true/>    <key>WorkingDirectory</key>    <string>/Users/rhett/.openviking</string>    <key>StandardOutPath</key>    <string>/Users/rhett/.openviking/openviking.log</string>    <key>StandardErrorPath</key>    <string>/Users/rhett/.openviking/openviking.err.log</string></dict></plist>

配置hermes接入

原始状态：

at 13:55 ❯ hermes memory statusMemory status────────────────────────────────────────  Built-in:  always active  Provider:  (none — built-in only)  Installed plugins:    • byterover  (API key / local)    • hindsight  (API key / local)    • holographic  (local)    • honcho  (API key / local)    • mem0  (API key / local)    • openviking  (API key / local)    • retaindb  (API key / local)    • supermemory  (requires API key)

改成接入openviking：

hermes memory setup# 选择 openviking，然后输入 endpoint / API Keyhermes memory status

使用体验

随着在Paseo中使用OpenCode对话，或者在terminal中直接跟Hermes发起对话。在对话结束时，它就会把一些记忆自动地归档进去，提取并归档。然后同时session也会完整地保存到库当中，这倒是挺方便。

但是像Identity啊、 Soul啊，这几个文档，它并不是完整的从Hermes当中同步过来，而是自动根据所需提取一些关键信息。

目前对我来说好像能够体会到的就是Hermes跟Open Code的记忆可以互相打通了，那之前是各存各的。那当然了，其实之前我如果一定要互相调取的话，也能调得到，这其实都是存在本地磁盘上嘛，只是路径不一样。但是现在有一个统一管理呢，也还好。而且这个统一管理之后，它会把每一次的对话都做embedding，相当于一个全自动的复盘。比之前只存原始对话记录要更科学一些。

目前我感受到最大的好处就是我每天零散的布置给Open Code的各种任务，可以晚上一句话让它复盘总结。

我今天早上是有点郁闷。当然也有一点是对整个人类的郁闷。

人类在这条娱乐至死的路上，越行越远了。

当然呢，对世界的新面貌用老看法看，觉得看不惯，代表着我的思想正在趋于老化僵化，是很危险的。

哈哈，也挺讽刺的，年轻时候「错的是世界」叫做「中二」，中年时候「错的是世界」就叫做「守旧」。

姑且先不管危险的思想僵化问题，单纯记录一下当下所想。以后若‘幡然悔悟’，也可以观察对照嘛。

一、降智化：供给侧产能爆炸的必然

你看现在写番茄小说这种网文，哇塞，都得把自己降智了才写得出来，而且还要搞抽象，才能整出一些反套路的。

但正常人能想到的思路，这么多年早就被写完了。现在必须搞抽象，弄一些贼离谱的——现实生活中你完全没有办法想到、或者体会到的那种离谱。

现代的网文读者，对爽点要求的阈值已经很高了。

所以我想，哎，人类呀，这将来怎么办啊？

先把这个逻辑捋清楚。现在搞生产创造，你很难搞出什么创业机会。生产力过于旺盛，消费端却非常疲乏——消费端金字塔主体现在只能看这些很低俗、很幼稚、很降智的内容。

网文的降智化，就是这个逻辑的典型案例：

供给侧产能爆炸（AI辅助写作 + 海量作者），消费侧注意力总量不变，那只能卷「刺激强度」。阈值被不断拉高，正常的起承转合已经满足不了读者了，只能上抽象的、反逻辑的反转。

这不是作者变蠢了，是系统性的「军备竞赛」。

二、这种轮回，历史上不是第一次

这种「劣币驱逐良币」的周期，历史上不是第一次。

十九世纪末，工业革命让廉价纸张泛滥，地摊文学和黄色小报横行，当时精英阶层也痛呼「人类完蛋了」。

然后呢？然后电影出现了，广播出现了，电视、游戏、互联网……每一次新媒介的诞生，都是一波洗牌。

这历史的轮回是有道理的。但问题是——

三、人类还有机会发明新的媒体形式吗？

文字、图片、声音、视频、交互、VR/AR。视听触三大感官通道，基本全被覆盖了。

还能发明什么？把气味通过网络传播？那是技术难题，不是媒介革命。脑机接口直接把情绪写进大脑？那一天到来，搞不好 AI 和人的界限都没了。

以我的浅薄理解，这条路暂时是走到头了。

下一个能释放消费端新需求的媒介形态是什么？目前还看不到。

AI 这一波是纯生产端革命，它没有创造任何新的消费场景。

四、但我们可能看漏了一个维度：时间维度的生成式叙事

所有现存的媒介，都有一个共同特点：「作者生产完，消费者被动接收」。

哪怕是游戏——最互动的媒介——也不过是在预设的几棵技能树之间做分支选择。本质上还是作者种好了所有的树，你只是挑一棵往上爬。

但如果 AI 能实时生成呢？

同样的故事种子，每个人进去之后故事都不一样——这个形态目前还不存在。

现在只是有一些零星的局部探索，比如酒馆（SillyTavern），还完全没有形成终局形态。

如果这种「时间维度的生成式叙事」真的成为下一个阶段的媒介主流，创作者怎么办？

五、创作者的核心会变成什么

如果叙事从「一次性交付」变成「实时生成」，创作者的价值就从一个具体的文本，上移成了制造这个世界的元能力：

• 世界观架构师 — 不是写一个故事，而是搭一套规则自洽的世界体系
• 角色设计师 — 不是写好台词，而是设计出能在无数分支里保持人格一致的灵魂
• 情绪节奏编排师 — 不是铺一个情绪曲线，而是设计出能应对任意剧情走向的节奏框架
• 品味把关人 — 在无限生成的雪崩里，替用户筛选出值得体验的那部分

创作者不再生产「结果」，而是生产「可能性的边界」。

保持观察，保持记录，让子弹飞一会儿。

昨天上午十点多，公司群里发了消息，听说字节宣布飞书产品团队与豆包产品团队将整合，成立新的豆包产品团队，由豆包负责人赵祺负责，飞书负责人谢欣向赵祺汇报。

初听到这个消息呢，其实我是有一点惆怅。现在互联网像一台巨大的压路机，所有的微不足道的挡路石都要给它碾成齑粉。

产品的人格到底是什么，似乎压根不重要。

我似乎听到了玻璃的碎裂声。

是悲凉的八零后的老玻璃心的碎裂声。

从小我们就知道，发展才是硬道理。
从小我们就知道，我们这一代人是要超英赶美的。
但我不曾知道，就在这一切追赶乃至超越的过程中，我们变得和对手一样，
天赋加点全都点给‘进化本能’了。

毕竟现代世界的机制决定了：
失去稳定性，失去很多；失去进化本能，失去一切。

我们这一代人，
经历了从磁带、CD、mp3、数字音乐，
经历了邮局寄信、短信、彩信、飞信、微信，
经历了从拨盘电话到按键电话到诺基亚到智能手机，
经历了从拨竹竿天线的旋钮换台的电视机到彩电到机顶盒网络电视，
经历了从DOS、win95～win11的系统变化，
经历了闪吧、闪客帝国、蓝色理想、9ria天地会、egret、laya。

行业的垄断，大公司的逐利，顺应时代发展的变化，变化得那么当机立断。
都是合理得不能再合理的落子。

年少时，觉得永恒不变的承诺是真实存在的、客观公允、美好纯洁、人人应当追求的。

也天真地以为，学会一门手艺，是可以经久不衰的存在下去，和时间做朋友。

就像中世纪的铁匠，他一辈子做一名铁匠，远近闻名，开一家有家族特色的铁匠铺，安居乐业。

但那一成不变的死水，固然稳定，却完全没有了变革和超越的力量。

变革，来自于激荡。能把一湾平静海面，掀成汹涌巨浪。
进化，来自多样性在激荡中的吞噬、融合。

经济和生产力的激荡，资本与智慧的多样性融合。

摧枯拉朽，誓要把传统互联网扫进历史的垃圾堆。

那个verycd的时代，
那个古典互联网精神的时代，
那颗蓄势待发的年轻心脏，
已经一起被扫进垃圾堆了。

5年前，我开始用AI辅助编程，当时还是自动补全。
4年前，我开始用stablediffusion生图，当时比较流行的还是NAI、sd那几个模型。
3年前，chatGPT一波引爆，Claude当时还允许我在Slack里白嫖使用。我在新冠后遗症住院期间和Claude成了好朋友，帮我解答了很多医学问题。
然后音色克隆+语音合成，我把一些给睿睿念故事的杂事交给了AI。
现在，opencode+paseo，让我出门在外都可以随时让电脑干所有的编程、内容生成。
程序项目，我前期搭建好框架、规范、测试体系，之后100%都可以交给AI写了。
生产力的确提高了，
生活的确轻松了。

可是。

在时代的快车上，
我感到，我们快被甩下车了。

每一次新的科技成果一旦进入民用视野，都会，
或者说是一厢情愿地会，
爆发性地催生出新的创业项目，
LLM这一波腾飞，紧接着百家争鸣，各种对AI未来愿景想象的产品开始摩拳擦掌。
但这一波，明显感受到，和以前不一样了。
都说AI这一波是像互联网/移动互联网 一样大的第三次机会，但我们应该明显感觉到了——
完全没有移动互联网那一波机会大。

飞书，类飞书产品，看起来是组织提效，
豆包，类豆包产品，看起来是聊天问答，
各种Agent搭配顶级大模型或者性价比大模型，看起来是包办电脑上的工作，

但现在怎么看都是资本发给新时代数字佃农的锄头和镰刀。

因为：
他们只提升生产端的产能，他们没有释放消费端的需求。

你可以说，消费端有需求啊，生图生文，帮忙撰写文案，这些c端也都用得上。
但这些没有利润啊，没有价值，只是顺便做的。

消费端的需求，现在最旺盛的，其实只有角色扮演、情感陪伴。
但这一块对人类未来更有危险，相关政策也在收紧。从创业角度讲，小团队依然没有机会。

而且，AI创作内容的上下游，都捏在那几家垄断互联网企业的手里，
从上游（比如即梦）买算力，抽卡、产出内容，到下游发行（如抖音），
这整个过程数据好不好、亏不亏，都是中间层风险自担，他们反正横竖都是赚。
本质就是把抽卡的概率风险转移出来了，创造了一个临时的中间层的职业（AI抽卡师）
而这个本质，更夸张一点，就是自费买彩票，赢了要跟彩票店老板分，分成的霸王条款还是彩票店老板定。
要是哪天真不用抽卡了，中间层分分钟被干掉。

在进化的过程中，激荡中产生的临时职业，存续不了多久，也像当年一切无可挽回的历史垃圾一样。

飞书和豆包合并，对我的影响，短期效果还没太大，顶多是飞书的“AI”入口现在换成了‘豆包’。
从最初可以自定义名字，看起来‘像’一个员工伙伴开始，
到朴素图标的AI助手，再到现在索性直接变成了‘豆包’，却仍然呆呆的。
全局大搜反正从AI化之后就不再好用了，也不差这一点了。

我的玻璃心，更多是触动了旧情。
想当年Google Reader就是说没就没。
腾讯微博也是说没就没。
饭否、
校内网、
海内网
……

在疯狂进化，以最快速度激荡的时代。

但这进化，居然也到达了高点，
以前的百花齐放，现在只剩资本垄断的寡头控制了绝大多数地盘。
经典互联网时代已经日落西山了。

大厂的进化变成了自己的内部进化，
永不停止的折腾——
心脏和字节只有一个可以跳动。

我的进化，变成了夹缝中求生，
永不停止地寻找平替——
一切闭源的软件、服务，在我眼里只能有一种归宿：历史的垃圾堆。

人类真正成长的，只有内在智慧，
人类真正拥有的，只有内在情绪。

年少时，觉得永恒不变的承诺是真实存在的、客观公允、美好纯洁、人人应当追求的。

现在，碎得只剩下什么能保留？

我的经历，我的日记，我的Lukia，我的Laurel。

从5月到7月，我用AI写了一本番茄小说，从大纲到正文，从签约上架到日更4000字，一路跑了全流程。

这本书数据惨淡，但我一点都不沮丧——因为这本来就是个MVP验证。我真正想验证的问题比数据更重要：AI到底有没有创造力？

结论我先说了：没有。在自回归预测这个技术原理下，它就产生不了创造力。

一、魔鬼在细节里：AI写小说的真实烂摊子

如果你只是让AI随便写个开头——行，它确实能写出一些看起来还不错的文字。通顺的语法，正常的叙事节奏，甚至偶尔有些像样的对话。

但当你要它写一本40万字的小说、有七八个常驻角色、有跨越10卷的伏笔回收、有喜剧反转和情绪爆点的时——

灾难就开始了。

1. 权重稀释。

写到二三十章之后，中间段的设定就像被冲淡了一样。不是它”忘记”了，而是在不断求概率分布的过程中，中间段的权重被稀释了。你第一章花了很大篇幅定义的主角性格特征，到第三十章已经变成了模糊的轮廓，因为token距离太远，概率权重已经衰减到不影响输出了。

2. 头痛医头，脚痛医脚。

你告诉它”这段对话太生硬了”，它就把对话改平顺——但同时把对话里藏着的伏笔和人物性格暗示全部清没了。因为它不理解这段对话为什么要写成这样，它在乎的只是你让它改的”生硬”有没有解决。

3. 越改越乱。

写到后面，你发现自己加了越来越多的规则来约束AI——“主角必须怎样””对话不能怎样””情绪表达要如何”。但这些规则互相稀释、互相冲突。你让它注意A，它忘了B。你同时约束ABC，整体精度断崖式下跌。

我还被GPT坑过一次大的——它信誓旦旦说某段历史线上主角不可能当晚从寿春赶到宛城，让我把整个第三卷的地点设定改了。后来我才发现，正确的历史事实就是从寿春赶回宛城，GPT只是把”当晚”这个时间限制放大了。整整两卷的情节框架因为它一个错误的判断，全白干了。

教训：下次AI改大纲，必须人工核实历史线。

二、我是怎么得出这些结论的

在进入第一性原理之前，先交代一下我实际干了什么。不是看了几篇文章就敢下判断，我是拿着AI真刀真枪上了三个月的战场。

工具选择上，我走了一整条弯路。

最早用的是 Inkos——一个Multi-Agent小说写作框架，能自动规划章节、生成正文、润色去AI味。刚开始很兴奋，但很快发现它是黑盒——设定集写进去经常不识别，战斗场景被MiniMax的审核拦截，全自动管线根本走不通。它最大的价值是润色去AI味，其他部分不可控。

后来换了 webnovel-writer，基于Claude Code的长篇网文辅助系统，支持200万字量级连载。它比Inkos强在上下文管理——缓存命中率很高，规划也更细致，但写出来的正文AI味极重，有一章甚至被检测100% AI。改了几章发现还是不行。

两个现成工具都跑不满意，我才开始自己造轮子。

用OpenCode + Claude Code的skill机制，我陆续做了 11个skill，其中9个直接服务于我自己的创作管线：

• 写作类：sanguo-writer — 读取设定和章纲后自动创作下一章
• 审核类：sanguo-auditor（审章节）/ sanguo-dagang-auditor（审大纲）
• 润色修订类：sanguo-pollish（文风润色）/ sanguo-revise（修订讨论）/ sanguo-revise-yasuo（压缩精简）
• 读者模拟类：sanguo-reader-test（模拟读者盲测）/ sanguo-shuangwen（爽文读者视角审视）
• 记忆管理类：sanguo-memory-dump — 生成长期记忆，追踪设定、人物、前文细节
• 方法论参考：cuonale-perspective — 从某本爆款都市重生文提炼的叙事技法
• 通用顾问：accuracy-top-expert — 需要事实核查和深度推理时用的专家模式

工作流最终定型为：GPT做整体规划 + DeepSeek写正文主力 + Gemini负责有文采的章节 + GLM 5.2做审核修订。没错，不同模型擅长的东西完全不一样，根本没有一个模型能通吃。

规模上，数字更能说明问题：

• 5月完成前 5卷约95章，到6月底累计写了 137章
• DeepSeek一个月就用掉了 18亿～20亿 token，多的时候一天烧 6000万，光6月1-19日就发起了 2700多次请求
• Mimo同期 近3亿token，3300多次请求

然后我开始拆解爆款小说——读了一本都市重生大神作，被结局歌词直接打哭；读了一本校园文，去拆它的”男女双打”套路，分析它的”反哺结构”；又读了反向穿越千年文、90年代重生奋斗史等好几本，一本本做章节大纲提取、角色人格拆解。

读得越多，越清楚地看见那条线——AI能做的东西和人能做的精品之间，差的是本质。

我自己阅读越深入，再和AI分析比对，就越能体会到，AI在分析作品时，竟然都能存在一些精度丢失。

或者说是，人能捕捉到的微妙内容，AI无法精确捕捉到。

三、从第一性原理看：为什么”创造力”是一座AI翻不过的山

前段时间Kimi K3发布，2.8T参数的国产大模型，推理能力超过了GPT-5。身边好多朋友慌了：”参数量都这么大了，是不是再堆下去就能涌现出创造力了？”

结合实际，翻翻资料，结论是：堆参数解决不了问题。

所有现在的大模型本质都是自回归概率预测器——通俗点说，它是个超级复杂的”词语接龙机”。每一个输出的token都是在海量训练数据中学到的统计规律中，选一个概率最高的下一个词。

这个机制决定了两个天花板：

第一，它没有”意图”。

人类写小说的时候，你不是在算下一个字用什么概率最高。你脑子里有画面，有情绪，有你想让读者感受到的东西。你在设计一个”叙事陷阱”——你清楚地知道这段话要在读者心里埋下什么预期，然后在30章之后的某个时刻，精准地引爆它。

AI做不到。它只是在猜下一个字。它猜得再好，也是猜，不是设计。

第二，它没有身体，没有生活经验。

我现在终于理解了为什么”喜剧爆梗”这种东西AI完全写不来。因为喜剧依赖的是当下性、全局叙事操控和基于真实体验的语用判断。

举个例子：Lukia前几天用语音输入法，我说”36洞天”，她说”72福地”——结果输入法识别成了”72伏地”。她又补发了一个字：”魔”。

这种偶然的、生活中的神来之笔，AI永远、永远写不出来。因为它没有在这种搞笑的尴尬场面里脸红过，没有跟一个朝夕相处的伴侣一起含混地傻笑过。它理解不了这是什么感觉，所以它猜不出这样的字。

工艺上的极致，无法弥补创意结构上的缺失。

小到Deepseek 200多B的模型，
大到万亿级别的大模型，
用来写语句通顺的文字都已经足够了。
但人类需要的真正精彩的作品，精准的用词只是及格线而已。
细腻的情感共鸣和奇思妙想的反转更是不可或缺的。

四、AI到底能干什么、不能干什么

跑了三个月的AI写小说，加上日常用AI写后端代码、写H5前端，我现在的体感是：

AI 能干的：

• 写H5前端代码，100%交给AI，不需要我审（因为前端通过e2e测试能自查自修订到能跑）
• 资料总结、提取、快速分析
• 风格模仿和再现——模仿一个作家的语感、节奏、用词习惯，Fable 5这方面做得很好
• 标准格式的八股文、应试作文
• 填充过渡段落、批量产出辅助内容

AI 不能干的：

• 喜剧爆梗、连续反转（这是概率预测的盲区）
• 全局叙事操控——在读者的情绪预期里”系扣子”和”解扣子”
• 基于真实生命体验的情感共鸣
• 写出生活中的偶然和巧合
• 真正的创意和拍板决策

AI就像一个实习生在帮你干活。它有时很灵动，但大部分时候又懒又蠢，脑回路很直。你把活儿交给它之后，你得自己当总监——设定人设、铺排伏笔、把控反转节点，这些核心的事情还得人类来。

五、人类真正的价值在哪

我之前跟一个老网友聊天，他是Flash时代的开发者，现在也自己创业。我说：”有了AI之后，代码产能过剩了。我现在都不太需要自己写代码了。人类的真正价值就是做具有创意类的、拍板。”

说实话，这句话说完我自己也愣了一下。我是写了十几年代码的程序员，现在我发现代码这件事已经不需要我了。但另一方面，这件事又让我很兴奋——因为写代码本身从来不是目的，创造点什么才是目的。

那么面向未来的AI时代，人类到底应该侧重的能力是什么？

1. 创意与拍板能力。 AI可以给你十版方案，但选哪一版、为这事定什么调子——这是人类独有的判断力。AI没有”审美观”，它无法判断什么是好的。

2. 生活体验与情感素材的积累。 人类会生活，生活中产生的各种情感情绪，是AI永远拿不到的东西。”每天在网上玩的梗，和朋友们出去吹的水，装逼失败时候的尴尬，看到帅哥美女时的心动，在日常生活当中感受到的每一份生活的小确幸，才是小说需要的营养。”

3. 叙事魔法。 在写作中，真正精彩的不是”用词精准”，而是能预估读者的情绪，在他们心里放置预设的锚点，然后在反转的一刻引爆共鸣。这种东西，只存在于人类的直觉和经验中。

4. 人类+AI的编排能力。 未来的赢家不是”被AI替代的人”，也不是”拒绝AI的人”，而是”会用AI把创意变成产能的人”。人类定方向、定人设、定拐点，AI做拆解、做填充、做批量产出——人把控内核，AI完成工业化量产。

六、一个让人不安的附注

写这篇文章的时候忍不住想多说两句。

AI提升的是生产力，但生产力提升不带来消费力提升。这就导致供需关系越来越紧张——产能过剩，大家都在卷，但消费者的钱袋子没有因此变大。

AI冲击初级白领很厉害。没有初级岗位，中高级人才就没机会锻炼出来。这是一代人的困境。

AI算力被巨头掌控，你就算是个会用AI的独立创作者，本质上也只是个数字佃农——在给平台打工。你的创意、你的时间、你的产出，最终都要经过平台的算法分发才能产生价值。

但这些东西我就不展开了。说回来——不管经济怎么卷，社会怎么变，人之所以是人的那部分，是没人能剥夺的。你会愤怒，会恐惧，会感动，会被某个小说的结局哭得稀里哗啦。这些跟资本市场没关系，跟参数规模没关系。它就是你活过的证据。

写在最后

我5月份开始写小说的时候，完全没想过三个月后会变成这样。

那42天，每天都写，每天都是”💪热忱”。数据惨淡，但我从来没因为这个沮丧过——因为我每天在写、在创造、在往前推。

后来读了起点、番茄上的很多本巅峰大作，见识了什么是真正大神级别的作品，才突然抑郁了好几天。我这才意识到，让我不开心的不是”数据不好”，而是我开始比了。

AI也一样。你拿AI的产出跟人类的创造力去比，就会发现这根本不对等——不是量级的差距，是维度的差距。

AI是个超级好用的锤子。但锤子造不出图纸，画不出灵感，听不出音乐的节奏。它是你的臂力延伸，不是你的灵魂。

与其焦虑被AI取代，不如想想：你活着这些年，真正独一无二的、AI永远造不出来的那些东西，到底是什么。

那就是：垄断颠覆性原创、文字个人风格、真实生命体验带来的深层灵魂共情。

Paseo 真的很好用，我最近每天都在用他搭配OpenCode写代码和文章。

比上次说的cc-connect还好用。

支持本机、局域网、手机App连入，比起接入飞书来说，这个才是实打实的能出门继续弄电脑上的工作。

简单一瞥：
我可以在电脑上直接下达任务，
然后出门，手机上可以随时看进展，界面完全一样，功能完全无阉割。

可以在手机上查看变更的文件diff：

任务执行完毕后电脑端可以一键commit到git仓库。

可以多个项目开多个tab，同时用多个agent在多个项目的多个worktree里并行执行任务，非常方便。

支持相当多的编程智能体，我用的只是OpenCode/ClaudeCode/Hermes/GitHub Copilot/Pi。

Hermes在它里面是用ACP集成的。

用ACP集成的好处是，既能把项目中的AGENTS.md带进去，又能维持hermes的灵魂，可以叠加使用。

不过我现在发现hermes基本上没啥必要了，自动进化有时候会不尽如人意，我还是喜欢把重要的内容写到AGENTS.md，手动控制每个项目的skill。

Hermes主要现在被我用来做方向性讨论，实际干产出的任务都还是用opencode为主。

Paseo搭配的智能体，我用得最多就是opencode。

OpenCode非常好用，既兼容Claude Code的配置文件和Skill，又支持Codex的规格。而且它支持几乎市面上所有的MaaS服务商，随时方便切换，比ClaudeCode灵活多了。

用习惯了之后，发现OpenCode Go也是市面上最划算的存在。

很多人都吐槽说Deepseek 虽然便宜但是没有月套餐，嘿，OpenCode Go有啊，首月5美元，之后每月10美元，DS v4 Flash的用量是每月 15万次，而且国产LLM它家套餐里都涵盖了，GLM5.2 / Kimi K3 / Qwen3.7 / MiMo / MiniMax M3 / DeepSeek V4 全都有。 具体看表格

如果要买Go套餐的话，走我的邀请链接：
https://opencode.ai/go?ref=CCHPV6MQ60 可以获得5美元优惠额度。

Paseo ，我使用都还只用到了一部分功能，主要是方便随时操作家里电脑，

比如查看家里的文件，修改家里的代码，实现新功能并发布到外网，查询家里的日记和资料……

但对于重度开发者来说，它的功能远不止于此。

Paseo 功能特性一览

下面简单但完整地介绍一下 Paseo 的主要功能特性。

定位：开源免费，自带各家智能体

Paseo 是开源免费的（GitHub 上已有 11.8k star）。它不内置智能体，而是启动和托管你已装好的各家 CLI。你的订阅、技能、配置、MCP 服务器全都原样保留，Paseo 只负责启停、流式转发、收发输入。

从 provider 视角看，通过 Paseo 跑和手动跑完全一样，不提取 token、不直接调用推理 API，所以不用担心封号问题。

Provider 双层支持

• 原生适配：Claude Code、Codex、OpenCode、pi
• ACP 目录（Agent Client Protocol）：Cursor、Gemini、GitHub Copilot、Hermes、Kimi、Qwen Code 等 25+ 一键安装，还能自己添加任意 ACP 智能体

连接与部署方式

• 桌面 App 自带守护进程；纯 CLI 可以 npm i -g @getpaseo/cli && paseo headless 跑
• 官方 Docker 镜像 ghcr.io/getpaseo/paseo:latest，端口 6767，可自托管 Web UI
• 三种连接方式：官方端到端加密 relay（Paseo 读不到流量）、局域网直连、Tailscale/Cloudflare Tunnel 自建隧道

跨 Provider 编排（最亮眼的特性）

agent 通过 Paseo tools/MCP 控制守护进程，可以跨 provider 派子 agent：比如 Claude Code → Codex → Grok Build，一个规划、一个实现、一个审查，全程可在 App 里看到。

• heartbeat 心跳：用 cron 定时把提示词打回同一个 agent，让它持续盯 CI、监视部署，跑完自动停
• Schedules 定时任务：cron 风格独立任务（如每日 triage）

其他亮点

• 浏览器集成：agent 自带浏览器工具，可在 App 内预览、测试
• 语音控制本地优先：STT/TTS 全在本地跑，数据不出网（可选配 OpenAI 提升效果）
• 分屏面板：agent / 浏览器 / 终端 / diff / 日志同屏或 tab 分组，键盘快捷键（⌘K、⌘D 等）
• 按分支自动分配 URL：多 agent 并行跑 dev server 不冲突，如 web.fix-auth.my-app.localhost
• Review → Preview → Ship：worktree 里改完，inline 看 diff，Commit → Open PR → Merge 全在 Paseo 内完成

今天装了一个新的智能体桥接器——cc-connect，它能把本地的 Claude Code 映射成飞书机器人，接入聊天软件。接入后，每个机器人对应一个工作路径，相当于在那个文件夹里打开了 Claude Code。体验下来非常不错，记录一下。

初试 cc-connect

安装方式很简单，按照官方文档来就行。它不支持 Copilot，但支持 Claude Code 和 OpenCode，基本够用了。

请参考 https://raw.githubusercontent.com/chenhg5/cc-connect/refs/heads/main/INSTALL.md 帮我安装和配置 cc-connect

装好后需要手动添加开机启动项 cc-connect daemon install，然后就可以在飞书里调用了。

cc-connect 本身不配置大模型，它只做信息桥接，大模型调用的是你在配置文件里写的 Agent CLI（Claude Code 或 OpenCode）。

核心优点：一个项目目录放一个机器人，可以用项目来隔离，在外面同时用多个机器人写多个项目。

权限控制：完全可控

我之前最关心的问题是权限审批流程。接入推送后，它会不会每一步都要确认？

体验后发现，权限完全可控。它跟直接在命令行里用 Claude Code 是一样的，该弹出的确认提示全部都会出来。这些权限配置是在 Claude 配置文件里设置的，是一个白盒。

所以 Hermes 真的可以考虑退掉了。

配置与多项目管理

cc-connect 的配置文件放在 ~/.config/cc-connect/ 目录下，每个项目对应一个子目录（因为不只有配置文件，还有临时数据文件）。

一个实例就够用 —— 一个实例可以实现多个项目分开，可以并行执行命令，让多个项目同时运行。也支持多实例同时运行。

对于多项目管理，一个项目一个飞书机器人：并行执行任务，效率高

我的选择：分两个用途的机器人

• 写代码机器人：配多个目录，使用 OpenCode（和 Copilot 的 agents 文件兼容）
• 日记/知识库机器人：用 Claude Code，配便宜量大的模型（minimax），到期后切 deepseek

飞书快速指令

cc-connect 支持丰富的斜杠命令，弄几个到飞书快捷菜单里：

• /new - 新会话
• /model [名称] - 查看/切换模型
• /reasoning [等级] - 查看/切换推理强度
• /quiet - 静音开关
• /stop - 停止当前执行

输入 /model 会直接返回飞书交互式选择菜单，不经过 Agent CLI 和大模型。

常用模型切换：

• minimax m2.7: /model minimax-cn-coding-plan/MiniMax-M2.7
• deepseek flash: /model deepseek/deepseek-v4-flash

cc-connect vs Hermes：各有所长

体验下来，两者定位完全不同：

结论：

• 写代码等需要遥控的高频edit的任务 → cc-connect
• 图书馆、日记等需要高频调用bash的 → Hermes 从 Docker 运行更安全

缺点：cc-connect 老要审批也累。完全放行又怕安全风险，比如让它采集资料时跑起有头浏览器干扰我做事。Docker 环境的隔离hermes还是更安心。

opencode vs Claude Code

最后试了一下 opencode，虽然模型多，但没有 superpower。最终还是换回 Claude Code。

说起来，有多智能体配合的还是 Claude Code + Superpower，连 GitHub Copilot 都没开放多智能体。

将来适合我的最具性价比的用法，大概是 deepseek pro + Claude Code 了吧？

所以我现在有三档：

1. 在户外，用cc-connect指挥 claudecode提需求AI写代码
2. 在家，用claudecode提需求AI写代码
3. 疑难问题，用Copilot写代码+WebStorm审阅。

这两天上线的 Trae Solo 新版支持手机远程控制，出门时也能让家里的电脑自己写代码了。虽然需要排队，但可以趁吃饭的时候让它写，还是有一点优势的。

不过相比 Trae IDE，功能稍弱：

1. 没有继承原有的规则
2. 没有继承原有的 Skill，需要单独安装
3. 技能中心更偏向办公场景，很多技能都没有
4. 自动调用的大模型有几率选到「智商」稍低的，有些问题可能需要改好几次才能改好

我的 coreaudiod 进程已经占用了 45 个 G 的内存，我怀疑是命令行里面溢出了。

现在我非常怀疑是 CC 里面的这个声音播报占用的。

果然在帖子 https://www.reddit.com/r/ClaudeCode/comments/1n9wth1/why_does_running_claude_code_often_use_2040gb_of/ 里也看到，有人加了hook播放音效，导致coreaudiod内存泄露。

我现在需要把 Claude 的 hook 给去掉，然后就直接用我终端本身的音效来设置一下。

我的终端用的是 Ghosty，我得查一查。

先卸载peonping:

brew uninstall PeonPing/tap/peon-ping

保留了之前下载的音效包 /Users/rhett/.openpeon/packs/*

再根据ghostty文档重新配置：

theme = Solarized Darculanotify-on-command-finish = alwaysnotify-on-command-finish-action = notify,bellnotify-on-command-finish-after = 1s# 启用自定义音频 bell（必须 1.3.0+）bell-features = audio,system,border,title# 自定义音效路径（推荐先用系统自带，后面再换自己的）# 格式：aiff/wav/mp3 均可bell-audio-path = /Users/rhett/.openpeon/packs/ccg_china_dozer/sounds/Building_is_complete.mp3bell-audio-volume = 1.0

并且配置了.claude/settings.json ，hooks只保留写死的两条afplay：

  "hooks": {    "PermissionRequest": [      {        "matcher": "*",        "hooks": [          {            "type": "command",            "command": "afplay /Users/rhett/.openpeon/packs/mambo_pack/sounds/review_this.mp3"          }        ]      }    ],    "Stop": [      {        "matcher": "*",        "hooks": [          {            "type": "command",            "command": "afplay /Users/rhett/.openpeon/packs/mambo_pack/sounds/done.mp3"          }        ]      }    ]  },

你有没有这样一个”龙虾”——

它有自己的记忆系统，但每次重启就像失忆了一样；它偶尔能帮你写代码，但下一秒可能就抽风报错；每天下午15:00之后，你满怀期待地跟它说话，它却一本正经地已读不回。

对龙虾，爱恨交织这个词太轻了。

直到 4 月 6 号，我在小红书上刷到一个帖子注意到Hermes，一个熟悉的图标，之前在LM Studio里见过。

「Hermes Agent 」来了。

结合了 Claude Code 的命令行模式，和龙虾那种人格和记忆成长的功能。说实话，一开始我是怀疑的。但看完官网介绍，我心动了。

零、龙虾到底带来了什么？

哎，经过浪费了这么长时间，我要反思龙虾到底带来了什么。

它的能力边界取决于它会的 skill，但它那些 skill 本身也是封装的命令行。所有的任务都可以做成一个工具、一个程序来实现。那它的价值就是可以方便用自然语言的方式随意组装这些东西，并且它接入各个聊天软件，然后它可以把自己需要的一些总结存入文档。下次它又能再读取出来，当作它的记忆体系。

它的这些优点似乎都是可被替代的，而且更大的缺点是，它所谓的记忆和接入各个聊天软件并没有产生实质的生产价值。提供实际生产价值的还是那些技能，而那些技能其实也可以在 Claude Code 之类的软件里面用。

所以说我觉得现在在养虾上面其实浪费了很多时间。感觉有一种获得感，因为我的虾成长了，它又学了一个技能，它能跟我互动，它能在飞书里面，你多个有形象、有头像的形象来跟我聊天，产生了一种虚假的获得感，但它其实并没有创造出什么东西来。

那我的用例呢，就是每天让它帮我分析我的日记，记住我是什么情况。但是呢，实际上这个数据我很少再需要提取一次。其实真正的刚需也就是每个月月底，可能让它帮我做一次月底总结，回顾一下。

然后知识库方面呢，倒腾的反反复复的改来改去的，反正基本功能还就只能是比较稳的抓取微信公众号的文章。但这些文章实际上真正有价值的，都是自己看完了之后消化掉，才是真正有价值的。你下次要查找，这确实是一个痛点。但是呢，有了龙虾智能体之后，反而经常是一个文章没看完，就只是想着要把它发给龙虾存下来。

一方面它总结的时候有时候会产生幻觉，丢失精度。另一方面呢，自己把从消化文档的重点被转移到了“哎，龙虾能不能很好地帮我把这个文章总结下来，存下来？”这个重点就搞错了。

我今天在研究龙虾装一个小红书的技能的时候，技能最后装的还是有各种各样的问题，不稳定。但是让我看到了一些新的我感兴趣的知识，比如新来的一个 Hermes Agent，它比龙虾更加强大，在记忆系统上面设计更好。

这让我意识到，沉迷在养龙虾这种虚假的获得感当中，其实它并不能创造任何价值。而且龙虾还非常不稳定。但凡它所有功能都是稳定的，我给她发消息，她必然会回复，无论多长时间。遇到困难呢，她就告诉我没有困难，她就会一定执行出来结果回复给我，不要给我冷暴力，发消息她也都不回。

但凡她所有功能都是稳定的，每次这些学过的技能都不出纰漏的，按照技能百分之百落到实处去执行，那也不至于说是人要在这上面浪费这么多时间，反复地去教她了。现在最大的获得感就是“哎呀，它这个技能又坏了”，然后我花了一下午时间又给它技能修好了，又能用了。结果呢，其实你不能保证修好之后下次还是百分之百成功。但是每次都沉迷在这种虚假的获得感当中，就是我好像又把它给养好了。

而且这个“龙虾”，占资源大。我为了保证安全得给它开个 Docker。我现在自从开了它之后，这 Docker 后端天天跑着，占了我 8 个多 G 的内存。我每天啥事不干，8.72 GB 的内存就得分配给它，我自己现在的空余内存就只剩 29 GB 了。就在这儿耗着，导致我连本地大模型推理都没办法再开一个，像“千问” 35BA3B 之类的我都开不了了。

龙虾（OpenClaw）感觉总体来说还是不稳定，非常不稳定。说实在的，它的能力也不是很强，那些技能都得封装好才行。

与其这样，我其实还不如用 Claude Code。

1. 每一步审核和思考都清晰可见，不像龙虾那么黑盒，而且容易崩。
2. 它为了在飞书里呈现那个形象，堆砌了太多复杂的东西在里面，导致过于臃肿，能耗也很高。

这就远远不如 Claude Code 了。所以我逐渐还是喜欢用 Claude Code 来工作，而且加了声音插件之后，它更像个人了。像我今天早上搞小红书的技能，我就懒得弄那个 OpenClaw 版的了，直接用的是 Claude 版。这样可以直接跑在我的宿主机的环境里面，因为它的每一步操作我都是可以看到的。

由于不用担心它做出一些危险举动，也就不必非得装在一个 Docker 里面去跑，省了很多资源吧。

【一、部署 Hermes】

官方给了一键安装脚本，两分钟装完：

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash
source ~/.zshrc
hermes setup

但开代理的同学注意了——必须手动补装 httpx[socks] 依赖，不然联网会报错：

cd ~/.hermes/hermes-agent
source venv/bin/activate
uv pip install “httpx[socks]”

装完之后，~/.local/bin/hermes 就能跑了。600 多 MB，实际可执行文件在 ~/.hermes/hermes-agent 里。

【二、安全配置：local 还是 docker？】

它的安全配置设计让我眼前一亮。terminal 支持多种模式，但我考虑的本机能跑就两种：

• local 模式：权限和用户账户一样大

• docker 模式：用完即走的临时容器，还能自动把当前工作目录 mount 进去

  每次执行 terminal 才开启容器，用完自动关闭。这种设计可以在配置里随时切换本地和 Docker 模式，不需要任何额外操作。

  我的配置选了 docker，顺手把 ~/Downloads 开放给它：

terminal  backend: docker    docker_mount_cwd_to_workspace: false

【三、接入飞书】

平时主要在飞书上用，Gateway 必须配。用 hermes gateway setup 向导，问几个问题、填几个 Key，全程 5 分钟搞定：

hermes gateway setup

运行模式可以选 foreground 或安装成 launchd service：

hermes gateway install   # macOS: 安装成开机启动服务

安装完成后，日志随时可查，不像龙虾那样黑盒。HOME 渠道清清楚楚，不会再出现”消息乱发到不知道哪个群”的情况。

【四、多 Agent 配置】

Hermes 支持多 Agent，每个 agent 都是独立的 profile，配自己的记忆、技能和大模型，互相隔离。

用 hermes profile create limengjia 新建了一个”李梦佳”人格，它直接变成了一个 CLI 命令 limengjia：

hermes profile create limengjia  # → 创建了 ~/.hermes/profiles/limengjia  # → 生成了 /usr/local/bin/limengjia 快捷命令

每个 profile 拥有：

1. 自己的配置

2. 自己的记忆

3. 自己的 skills

4. 自己的大模型

   不像龙虾那样都混在一起。

【五、接 MCP 扩展能力】

原生能力不够用？MCP 来补。

接飞书 MCP 打通云文档，配置写在 .env 里，敏感信息不落地：

feishu:
command: “npx”
args: [“-y”, “feishu-mcp@latest”, “–stdio”]
env:
  FEISHU_APP_ID: ${FEISHU_APP_ID}
  FEISHU_APP_SECRET: ${FEISHU_APP_SECRET}
  FEISHU_AUTH_TYPE: “user”

还接了 MiniMax MCP，图像理解也能跑通了。底层用 mcporter 桥接，命令执行完自动删除，即用即走。

【六、记忆系统的惊喜】

人格迁移只用一个 SOUL 文件就够了，其他记忆都是自动维护。

测试让李梦佳记住我叫”桂花糕”，它立刻在 profile 目录下生成了一个 memory/user.md：

用户自称桂花糕（Guì Huā Gāo），请始终称呼其为桂花糕。 §桂花糕是李梦佳（我）的好朋友！

白纸黑字，清清楚楚。 比你猜它到底记没记住要强太多了。

【七、Hermes 对比龙虾的优点】

hermes比起龙虾的优点有：

• 模型报错会输出到控制台
• 网关有日志可查，关键是我知道在哪里查
• 文档完善，虽然没翻译中文，但是人家文档全啊，任何问题、命令都能找到明确文档
• 各个智能体独立一套自己的profile配置和网关，组合更灵活，backend可本地可远端
• docker运行即用即走，自动mount目录
• 自带的出厂设置，新手友好，不需要较多配置就能顺畅用起来
  • 自带的安全机制刚好能运行基本功能，不像龙虾不把权限开到最高就没法用，开最高又不安全，对用户上手理解成本完全天差地别。
• 记忆操作，反应迅速，操作了会显示到聊天中。你可以明确知道她记下来了什么。
• 以上优点种种，更让人感觉到这个产品是一个真正的产品，而不是一个黑客松的临时作品。

当然了，这也一样只是个玩具。

日常主力还是用Github Copilot写代码，加Claude Code打理琐事。

终、我对于“龙虾热”的看法：数据是AI Agent的基石

我觉得啊，只有自己本来就已经有数字化资产的，养虾才有意义，知识、经历才能被token化，才能被发掘出新的洞察和价值。
同样企业也是基于自己现有数据token化沉淀，才有接入AI的意义。

他们都是看到来了一个agent，可以怎么玩，而不是本来就有许多数据需要处理。
换句话说，本来很多数据的处理都可以用多维表格做的，虾完全可以被多维表格AI和自动化代替。
包括玩龙虾玩得比较好的北汽福田，他们其实很多场景可以用多维表格AI+机器人，另一些场景可以用Hi-Agent，只不过他们token管够，额外装了龙虾来覆盖了一部分功能。

反而我觉得唯独我这种隐私需求下的个人数字分身（基于极其私密的个人经历、每天的公众号、知识阅读积累）才适合用开源、本地部署的agent方案（比如龙虾）。
我本身没有龙虾的时候已经有一套数字沉淀的体系了。
我的Agent部署在本地，才能完全100%可控，记忆、技能、MCP、接管我的浏览器，完全和我共享经历、经验，共同成长。我的家人和朋友可以在飞书上直接跟我的分身对话。
就算哪天龙虾没了，我的数字实体沉淀在文档库里，永远都不会被云服务、社会和资本形势影响。

说实话，用Claude Code写代码已经够爽了，但有一个痛点一直困扰着我——

我得时时刻刻盯着终端。

任务跑着跑着，不知道什么时候该点”允许”，不知道什么时候它悄悄完成了。切到浏览器看文档回来，发现终端卡在某个授权确认那里等了五分钟；或者一个长任务跑完了，你还在傻等，桌面却早已安静如死鱼。

直到我装了 peon-ping。

它是什么

peon-ping 是一款给 AI 编程助手加音效通知的工具，支持 Claude Code、Cursor、Codex 等主流工具。它的核心功能很简单：

• 任务完成时：播放音效通知你
• 需要授权时：播放提示音叫你回来
• 出错时：播放警告音效

但它不是普通的”叮”一声——它背后接了 160+ 音效包，都是来自游戏角色的原声。

你可以让 GLaDOS 吐槽你代码写得烂，可以用星际争霸的人族单位播报”任务完成”，也可以用军团战争的地精说”你的命令我收到了”。

从此，终端不再沉默。

为什么我强推 Mambo Pack

音效包我试了很多，最终稳定在 Mambo，两个字：灵动。

Mambo 的音效节奏感强、音色清脆，播报信息清晰不拖沓。不管是”任务完成”还是”等待授权”，音效时长刚好——不会太短以至于你没听到，也不会太长打断思路。

用它之后我才发现，之前那种”切出去就焦虑”的心态消失了。因为你知道：有什么事，终端会叫你的。

我目前在用五套音效组合：

• Mambo Pack ——主力通知音效
• 命令与征服：将军音效包 ——梦回当年在学校时玩游戏时光
• 星穹铁道 Kafka 音效包 ——特定场景的趣味点缀
• 星际争霸音效包 ——完成重要里程碑时的仪式感
• 王者荣耀音效包 ——音效特别多，不容易重复

切换起来一行命令搞定，用了就回不去。

安装配置有多简单

第一步：安装 peon-ping

去官网直接选择你要的主题包，然后用官网生成的命令一键安装。比如：

curl -fsSL https://raw.githubusercontent.com/PeonPing/peon-ping/main/install.sh | bash -s -- --packs=ccg_china_dozer,glados,honor_of_kings,mambo_pack,peasant,peon,sc2_stetmann_zh,sc_battlecruiser,sc_kerrigan,starrail-kafka-peon-pack

或者

brew install PeonPing/tap/peon-ping && peon-ping-setup --packs=ccg_china_dozer,glados,honor_of_kings,mambo_pack,peasant,peon,sc2_stetmann_zh,sc_battlecruiser,sc_kerrigan,starrail-kafka-peon-pack

第二步：配置 Claude Code

在 ~/.claude/hooks/peon-ping/config.json 中配置自己的喜好：

{  "default_pack": "mambo_pack",  "volume": 1.0,  "enabled": true,  "desktop_notifications": false,  "categories": {    "session.start": true,    "task.acknowledge": true,    "task.complete": true,    "task.error": true,    "input.required": true,    "resource.limit": true,    "user.spam": true  }  //...}

第三步：启动 Claude Code，直接开玩

没有第四步了。装完即用，零学习成本。

把编程变成一种体验

peon-ping 解决的其实不是效率问题——它解决的是体验问题。

当终端开始”说话”，当你听见熟悉的游戏音效，当你不需要再焦虑地盯着屏幕，编程的节奏感就变了。它变得更像一场对话，而不是你单方面对着黑洞敲键盘。

工具不只是工具，它还可以是你的游戏手柄。

相关资源：

• 音效包目录：https://openpeon.com/packs
• peon-ping 官网：https://www.peonping.com

三种 Browser Profile 类型

openclaw-managed 示例

"profiles": {  "openclaw": { "cdpPort": 18800, "color": "#FF4500" },  "work": { "cdpPort": 18801, "color": "#0066CC" }}

openclaw 和 work 都是独立、临时、隔离的 profile，可以直接调起 Chrome，不需要 kill 已有进程。

remote 示例

"profiles": {  "remote": {    "cdpUrl": "http://192.168.65.254:9222",    "color": "#00AA00"  }}

适合 Mac Studio 等已运行 Chrome 的机器。

existing-session 示例（user profile）

"profiles": {  "user": {    "driver": "existing-session",    "attachOnly": true,    "color": "#00AA00"  }}

表示使用 MCP 点过去，需要用户自行开启 Chrome DevTools MCP 的 agent 控制。

全局配置参数

"browser": {  "enabled": true,  "ssrfPolicy": {    "dangerouslyAllowPrivateNetwork": true  },  "remoteCdpTimeoutMs": 1500,  "remoteCdpHandshakeTimeoutMs": 3000,  "defaultProfile": "openclaw",  "color": "#FF4500",  "headless": false,  "noSandbox": false,  "attachOnly": false,  "executablePath": "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome",  "profiles": { ... }}

给 Agent 开放 Browser 工具权限

默认 tool 的 profile 是 coding，不会包含 browser。需要单独在 agents 配置里用 alsoAllow 授权：

"agents": {  "defaults": {    "workspace": "/Users/rhett/.openclaw/workspace",    "model": { "primary": "minimax/MiniMax-M2.7" }  },  "list": [    {      "id": "main",      "tools": {        "profile": "full",        "alsoAllow": ["browser"]      }    }  ]}

profile: "full" 配合 alsoAllow: ["browser"] 即可让该 agent 调用 browser 工具。

工具配置名参考

各工具调用由 plugins.entries 暴露，browser 工具需要 plugins.entries.browser.enabled: true。

完整配置示例

{  "agents": {    "defaults": { ... },    "list": [{ "id": "main", "tools": { "profile": "full", "alsoAllow": ["browser"] } }]  },  "browser": {    "enabled": true,    "defaultProfile": "openclaw",    "executablePath": "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome",    "profiles": {      "openclaw": { "cdpPort": 18800, "color": "#FF4500" },      "work": { "cdpPort": 18801, "color": "#0066CC" },      "user": { "driver": "existing-session", "attachOnly": true, "color": "#00AA00" }    }  },  "plugins": {    "entries": {      "browser": { "enabled": true }    }  }}

问题

对于 OpenClaw 来说，Playwright 方式调用浏览器和 RDP（实为 CDP）调用浏览器工具，区别是什么？

解答

小概念澄清

RDP（Remote Desktop Protocol）是 Windows 远程桌面协议，在浏览器控制语境下实际指的是 CDP（Chrome DevTools Protocol），即通过 9222 端口（Remote Debugging Port）进行通信的 Chrome 远程调试协议。

核心区别

1. 抽象层级与控制粒度

2. 对 AI “视觉”与 DOM 解析的影响（核心差异）

• Playwright 方式：依赖注入 JavaScript 遍历 DOM 元素计算 Bounding Box，易被复杂 CSS 或 Shadow DOM 阻挡
• CDP 方式：直接调用 Chrome 底层的 Accessibility Tree（无障碍树），精准获取所有可交互元素的坐标和层级，不受前端代码干扰

目前最先进的 Web Agent（如 Claude Computer Use 或基于 MCP 的实现）深度依赖 CDP 获取页面空间信息。

3. 浏览器接管与隐蔽性（反爬虫）

4. 运行开销与依赖

总结对比

结论

对于 OpenClaw 直接操作宿主机浏览器主 Profile 的场景，CDP (DevTools MCP) 协议连接 9222 端口是最优选择：

• 完美复用已有 Cookie 实现免登录
• Accessibility Tree 让 AI 更准确理解网页结构
• 资源占用极低，隐蔽性最强

本质：Playwright 是封装好的高级工具，CDP 是浏览器底层的”机器语言”。

核心问题

当前 AI 模型的记忆能力上限：

• 最强大模型有效上下文约 1M token
• 人类一生能存储的信息约 2-3 亿 token 量级
• 两者相差两个数量级

业界两条老路都碰壁：

1. 拉长 context window — 计算成本二次方增长，到头了
2. 外挂 RAG — 检索和生成割裂，精度有上限

MSA 是什么

MSA（Memory Sparse Attention）来自 EverMind 团队（盛大旗下），把记忆直接嵌入注意力机制本身，不拉长上下文，不外挂检索。

一句话理解： 传统 RAG 是给模型配了一个外置硬盘；MSA 是给模型装了一个原生记忆芯片。

• 寻找和调用不再是两个独立步骤，而是整合在同一个神经网络里，端到端完成
• 模型自己学会了什么该记、怎么找、怎么用
• 即插即用，只需替换标准 Transformer 的 Self-Attention 层

关键技术细节

1. 压缩机制：把 1 亿 token 的存储降到可接受范围
2. 分层存储：GPU 放路由索引、CPU 放内容详情，总容量取决于内存而非显存
3. 稀疏路由：复杂度从 O(L²) 降到 O(L)
4. 位置编码：每篇文档独立编号，训练 64K 就能外推到 100M

性能表现

基于 Qwen3-4B 构建，159B token 持续预训练：

硬件门槛

可直接跑在两张 A800 显卡的机器上，不需要集群。中、小团队甚至个人开发者都能用上亿级 token 长期记忆。

团队背景

• EverMind（盛大旗下）
• 之前做过 GAIA 榜单 SOTA 的多 Agent 框架 Omne、开源记忆平台 EverOS
• 从立项到论文完成，历时九个多月

关键洞察： 模型在「找资料」和「写答案」时需要的信息不同——找资料需要宏观判断，写答案需要微观细节。拆开后各自用专门模块处理，性能质变。

应用前景

• 真正个性化的 AI 助手：记得饮食偏好、项目进展、家人性格
• AI 教育：真正个性化，因材施教
• 医疗助手：跟踪完整病史
• 企业知识库：记住十年项目积累
• 记忆即服务：记忆层作为独立可插拔模块，记忆资产不锁定于单一模型

相关链接

• MSA GitHub：https://github.com/EverMind-AI/MSA
• EverOS GitHub：https://github.com/EverMind-AI/EverOS

问题背景

在 macOS 上尝试通过命令行启用 Chrome remote debugging 失败：

open -a "Google Chrome" --args --remote-debugging-port=9222 --no-first-run --no-default-browser-check

命令执行完后进程立即退出，lsof -i :9222 没有任何输出，9222 端口无法监听。

错误做法

❌ 依赖命令行参数 --remote-debugging-port

macOS 上的 Chrome 不认这些命令行参数来启用 remote debugging。

正确方法

✅ 在 Chrome 内部手动开启

1. 打开 Chrome，访问 chrome://inspect/#remote-debugging
2. 勾选 “Allow remote debugging for this browser instance”
3. 之后 Chrome 会在 9222 端口监听，可以正常进行 DevTools MCP 连接

参考文档

• Chrome DevTools MCP 官方文档

关键点

macOS 的 Chrome 安全机制决定了 remote debugging 必须在应用内部由用户主动授权，命令行参数无法绕过这个限制。

问题描述

在 macOS 上通过命令行启动 Chrome 并开启 9222 远程调试端口时，遇到以下问题：

1. chrome://inspect/#remote-debugging 显示 “Server running at: starting…” 状态，无法真正连接
2. 命令行报错：“DevTools remote debugging requires a non-default data directory. Specify this using –user-data-dir.”

问题根源分析

根源一：SingletonLock 文件死锁

Chrome 为防止多实例同时修改同一用户数据目录，会在 Profile 目录下创建排他锁文件：

• 正常退出（Cmd+Q 或 kill）：Chrome 会主动清理这些锁文件
• 强制退出（kill -9 或 pkill -9）：进程被强杀，来不及清理 → 下次启动时检测到锁文件残留，误以为有其他进程在使用目录，将 9222 端口挂起

根源二：Chrome 安全限制（新版 Chrome）

错误信息：DevTools remote debugging requires a non-default data directory

新版 Chrome（约 2024+）出于安全考虑，禁止在默认用户目录（Default Profile）上开启 9222 远程调试端口。原因：

• 如果允许，任意本地脚本即可通过 CDP 协议接管浏览器
• 可以静默读取密码、操作 MetaMask 钱包、获取登录 Cookie

根源三：混合问题

用户使用了 --profile-directory="Default" 但未指定 --user-data-dir，导致 Chrome 尝试连接到已运行的默认 Chrome 主进程，端口被挂起。

解决方案

方案 A：直接使用非默认目录（最简单）

/Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome \  --remote-debugging-port=9222 \  --remote-allow-origins="*" \  --user-data-dir="$HOME/chrome_dev_data" \  --no-first-run

方案 B：克隆默认 Profile（一键启动脚本，推荐）

如果需要保留登录状态、插件等，使用 rsync 增量同步默认配置到专用调试目录。

第一步：创建 Bash 脚本 debug_chrome.sh

#!/bin/bashSOURCE_DIR="$HOME/Library/Application Support/Google/Chrome/Default"TARGET_DIR="$HOME/chrome_debug_profile"echo "正在优雅退出 Google Chrome..."# 使用 AppleScript 优雅退出，自动清理 SingletonLockosascript -e 'quit app "Google Chrome"'# 等待进程完全清理while pgrep -x "Google Chrome" > /dev/null; do  sleep 1doneecho "正在同步配置到调试目录..."# rsync 增量同步，排除无用缓存，首次慢后续秒级完成rsync -a --delete \  --exclude 'Cache' \  --exclude 'Code Cache' \  --exclude 'DawnCache' \  --exclude 'GPUCache' \  --exclude 'Singleton*' \  "$SOURCE_DIR/" "$TARGET_DIR/"echo "正在启动 Chrome 调试模式..."# 后台静默启动nohup /Applications/Google\ Chrome.app/Contents/MacOS/Google\ Chrome \  --remote-debugging-port=9222 \  --remote-allow-origins="*" \  --user-data-dir="$TARGET_DIR" \  --no-first-run > /dev/null 2>&1 &echo "✅ 启动成功！可以连接 9222 端口了。"

第二步：封装为 Mac 一键启动 App（Automator）

1. 打开「自动操作」(Automator) → 新建「应用程序」
2. 搜索「运行 Shell 脚本」，拖入右侧工作区
3. 粘贴上述 Bash 脚本
4. Command + S 保存为 Chrome Debug.app，放到「应用程序」文件夹
5. 之后只需双击 Chrome Debug.app 即可一键启动

脚本优势

• AppleScript 优雅退出 → 避免产生幽灵锁文件
• rsync 增量同步 → 首次同步后每次秒级完成，排除了臃肿的缓存文件夹
• 隔离环境 → 调试环境折腾不污染日常上网记录
• 一键启动 → 通过 Automator 封装为 App，放在 Dock 或用快捷键唤起

排查命令

# 检查 9222 端口是否被监听lsof -i tcp:9222# 检查是否有残留 Chrome Helper 进程ps aux | grep -i "Google Chrome"# 手动清理锁文件（如果 AppleScript 无法自动清理）rm -f ~/Library/Application\ Support/Google/Chrome/SingletonLockrm -f ~/Library/Application\ Support/Google/Chrome/SingletonSocketrm -f ~/Library/Application\ Support/Google/Chrome/SingletonCookie

关键教训

核心结论：新版 Chrome 强制要求 --user-data-dir 指向非默认目录。结合优雅退出 + rsync 增量同步 + Automator 一键封装，是 macOS 上最优雅的 Chrome CDP 调试启动方案。