v2ex_hot_2026-01-10

V2EX 热门帖子

1. antigravity generate commit message 功能突然无法使用了（Beta）

antigravity 刚开始 generate commit message 功能，正常使用。

最近发现，在 antigravity 上点击 generate commit message 功能，会弹出错误，无法生成 commit 信息。

有人遇到类似问题吗？

PS： 其他的功能看起来都是正常的。

2026-01-09 22:34:15.736 [info] E0109 22:34:15.681222 30855 log.go:354] error converting token count to int: unleashWrapper is nil
2026-01-09 22:34:21.338 [info] E0109 22:34:21.338463 30855 log.go:362] Failed to generate commit message: error grabbing LLM response: stream error
2026-01-09 22:34:21.339 [info] E0109 22:34:21.339636 30855 interceptor.go:74] /exa.language_server_pb.LanguageServerService/GenerateCommitMessage (unknown): error grabbing LLM response: stream error

环境：

MacBook Pro (Retina, 15-inch, Mid 2015) 12.7.4 (21H1123)

版本: Antigravity
提交: 1.13.3
日期: 1.104.0
Electron: 94f91bc110994badc7c086033db813077a5226af
ElectronBuildId: 2025-12-19T21:03:14.401Z
Chromium: 37.3.1
Node.js: 138.0.7204.235
V8: 22.18.0
OS: 13.8.258.31-electron.0 

_{作者: sn0wdr1am | 发布时间: 2026-01-09 14:37}

---

2. AI 编程工具现在需要这样造势了么？

题目是《淘宝内核组 001 号员工，20 年经验“小菜鸟”：我用 AI 写代码，但不担心“手艺”退化》，提到 AI 使用是最后一个提问：

CSDN：您个人在日常开发中，会使用类似 Cursor 大模型编程工具吗？您如何看待它对开发者“手艺”的影响？是颠覆性的助手，还是可能导致开发者基础能力退化的“慢性毒药”？

李勇：我是会使用到 Cursor ，还有字节的 Trae ，主要是在阅读代码时帮我解释一下某些简单函数的运行逻辑。实际工作中，这大大提高了我在学习一个全新内核子系统过程中的效率，确实很有用。 但是也要警惕这些工具出现幻觉，所以还需要具备一定的逻辑判断能力，不能完全相信这些编程工具的输出内容。 我本人不在意“手艺”退化的影响，毕竟大学毕业后我就已经不具备纸上写代码的能力了。 系统软件开发者，和普通的程序语言开发程序员的差别之一，是需要对整个系统有深刻的理解，然后除了实现功能外，还要兼顾考虑到硬件体系结构和软件架构相关的很多隐含的背景知识。可靠的辅助编程工具，可以将开发者从具体代码开发的繁琐细节中解放出来，更多的精力可以集中在代码思路、效率和更好的思路上，对 Linux 内核开发应该是会有积极的促进作用。但开发者个人要对最终的代码负责，要确保代码的品质，避免对 AI 工具的滥用。

？哪里有“我用 AI 写代码”了？还是说这时候把“读代码”归到“写代码”活动中了？

_{作者: xuanwu | 发布时间: 2026-01-09 23:47}

---

3. 腾讯云有没办法更换商务经理？

想通过一个腾讯云的服务商优惠价购买服务器，来回折腾才知道一个腾讯云账户只能绑定一个商务，而我的账户的商务角色绑定了腾讯云自家的一个商务经理。这个商务经理平时也没啥搭理我，只是在双 11 这类人人都知道的促销活动时给我发活动通知（有一次问我促销活动来了有没有购买需求，我报了需求，结果给我发了官网首页直接可以找到的活动链接告诉我直接下单，汗…）

于是找腾讯云售后问如何更换商务经理，得到的答复是不能换。请问是真的不能换吗？有没有 v 友有成功更换商务经理的经历可以分享下方法？

我知道可以通过新开腾讯云账户来绑服务商，但我是想让计划新购的服务器与老服务器内网互通，为了这个优惠把老服务器业务搬到新账户下又觉得折腾成本太高……

_{作者: Chaopi | 发布时间: 2026-01-09 14:12}

---

4. AntiGravity 拉闸了

As we balance giving the best possible quotas and maintaining fairness between users, especially under incredible demand, we will be establishing generous weekly limits for all models. This will only affect a minority of Google AI Pro users. These limits do not apply to Google AI Ultra, which continues to be the best plan for power developers! 原文如上，感觉是在每五小时限额的基础上再增加一个每周的限额。

_{作者: t0m1sacat | 发布时间: 2026-01-09 07:34}

---

5. 小米 13 手贱升了 hyperos3，崩了

不是米粉也不是米黑。
一个月前小米 13 手贱升了 hyperos3,电池续航从一天降到 0.3 天，快充也没了，和家人打打视频电话（ volte/nr ）动不动就卡画面，只能换微信打，各种小 bug,又降不回去，也没有 root 。
失望，准备 ld 淘汰的 iphone13 当主力机了。

_{作者: ipfox | 发布时间: 2026-01-08 23:55}

---

6. 解决老账号 Google One 提示 “此账号无法订阅 Google One AI Pro” 解决方法

提示下antigravity增加周限额了，专门为 antigravity 而半价年付需要谨慎。

之前我一直在用老账号老提示“此账号无法订阅 Google One AI Pro”，变更过地址，一直不行，搁置许久。今天心血来潮又折腾了一下，终于搞定了。分享下处理步骤：

1. 访问以下网址 https://policies.google.com/terms ，登录自己的账号即可查看账号当前的国家或地区，中国的话，请换区（注意，申请换区换区理由选“其他”；一年只能修改一次） —– 换成功了，没有效果
2. 看下“付款资料” https://pay.google.com/gp/w/home/settings ，看下付款地区是否有中国的，有的话就删除（底部有“关闭支付资料”按钮，可以删除当前默认的）。增加一个其他支持的国家的。
3. 如果还是不行，看下是否开通过 google enterprise 的试用，如果有，请关闭 （之前有一个月的免费使用活动的羊毛，gemini 告诉我需要关闭）

完事儿，可以再重新进入 https://one.google.com/about/plans 页面试试看出现没出现半价包年的优惠。

_{作者: tyrad | 发布时间: 2026-01-09 15:19}

---

7. Google ai 订阅了，但是另外一个帐号加入不了，提示两个帐号可能不在同一个地区，然后我查看了都是帐号。

求助下

_{作者: Hyvi | 发布时间: 2026-01-09 07:32}

---

8. 大模型 agents 为什么不自带 skills？

为什么大模型不自带 skills ？可能所有 skills token 太多了，那可以维护一个云端技能列表，模型按需加载。

_{作者: ethusdt | 发布时间: 2026-01-09 14:32}

---

9. 大模型写的代码几乎一摸一样

提了一个项目需求，让 chatgpt 分析，把分析的结果给 glm 4.7 和 claude code 4.5 ，发现两者写的代码几乎一摸一样。。。。。

_{作者: guotie | 发布时间: 2026-01-09 08:53}

---

10. 想做一个「真正零侵入 + 支持 MQ」的全链路灰度发布工具，中小企业会买单吗？

大家好，最近在调研微服务灰度发布的落地情况，发现一个矛盾：

需求背景

大厂（阿里、腾讯、字节等）已有成熟方案，但往往绑定自家 PaaS/注册中心/MQ ，且不开源或收费高；
开源社区方案（如基于 Spring Cloud + Nacos 的灰度）大多只覆盖 HTTP/RPC 同步调用，一遇到 异步线程/RocketMQ/Kafka 就断链；
更头疼的是，很多方案要求改业务代码（比如加 @Gray 注解、手动透传 header ），团队一多就推不动。
于是我在想：如果做一个真正零侵入（通过 Java Agent 或 Sidecar 实现）、自动透传灰度标签到 MQ 消息体、兼容主流注册中心 & 消息队列、
支持按用户/租户/IP 等多维度灰度的轻量级产品，目标用户是中小公司（ 50 ～ 200 人技术团队），会有需求吗？

设想的产品特点

我们想打造一个更“轻量、易用、经济”的解决方案，初步设想：
低侵入/无侵入：尽可能通过 Agent 、Sidecar 等方式减少代码改动
完整链路支持：同步调用（ HTTP/gRPC ） + 异步消息（主流 MQ ） + 数据库（影子表/库）
多云/混合云友好：不绑定特定云厂商，支持私有化部署
成本可控：预计为大厂方案的 1/3 或更低，提供透明定价

想问问 V 友们：

你们公司现在怎么做灰度发布？遇到过 MQ 或异步线程 断链问题吗？
如果有这样的工具，愿意试用 or 付费吗？心理价位多少？
最不能接受的缺陷是什么？（比如性能损耗 >5%？必须用特定注册中心？）
不卖课不引流，纯粹想验证下这个方向是否值得投入。感谢任何真实反馈！🙏
如果感兴趣，也可以留下邮箱，产品原型出来后可以优先体验 

_{作者: aom7610 | 发布时间: 2026-01-09 05:44}

---

11. 智谱上市给 coding plan 用户发旺旺礼包了

仅限购买了 GLM coding plan 的用户，claude code 中配置 智谱的 coding plan 后 直接输入 智谱旺旺即可领取。小羊毛，不拿白不拿。 其他领取方式见 https://docs.bigmodel.cn/cn/coding-plan/benefits/wangwang

_{作者: codingerj | 发布时间: 2026-01-09 11:22}

---

12. 有什么方法可以让 antigravity 定时自动发消息吗, 可以多用额度

都知道这个是 5 小时刷新

但并不是每五个小时自动刷新

而是从你开始用的那一刻开始

举个例子, 加入你 9 点开始用, 那到下午 2 点才会完成一轮额度, 但可能你高峰用的时候, 10 点多额度就没了

但如果你能让程序 5 点随便发一条, 那就可以有一轮 10 点结束的额度

这样你一上午就可以用两轮额度

总之你如果上班 10 小时, 到公司才开始用,那只能用两轮额度

但如果早上 5 点或 6 点自动发个发个消息, 那你上班同样时间可以用 3 轮

大家有什么好方法来说说看

_{作者: iorilu | 发布时间: 2026-01-09 13:02}

---

13. 时间充裕，有什么软件暴力猜 xlsx 文件密码？

求推荐

_{作者: gtese | 发布时间: 2026-01-09 05:48}

---

14. 2025 年代码统计报告，程序员同行们，也来晒晒你们的报告吧

程序员同行们，晒晒你们的 2025 年代码统计，我使用的统计工具是 annualstats

_{作者: me876 | 发布时间: 2026-01-09 04:03}

---

15. 股票 API 对接, 接入德国法兰克福交易所(FWB/Xetra)实现量化分析

如何实现实现量化分析，首先获取股票实时行情、股票历史数据和股票行情数据是进行量化交易和分析的关键。通过可靠的股票实时行情接口，如股票 API ，股票实时报价 API 和股票行情 api ，开发者可以轻松接入全球市场数据。本文将介绍如何使用专业的股票实时报价 API 、金融 api 和金融行情数据 API 来对接德国股票行情，特别是法兰克福交易所（ FWB/Xetra ），从而实现高效的量化分析。这些工具不仅提供毫秒级延迟的实时数据，还支持历史回测，帮助投资者做出数据驱动的决策。

API 接入方案对比

法兰克福交易所（ FWB/Xetra ）是欧洲最大的股票交易所之一，涵盖了众多德国蓝筹股，如阿迪达斯（ ADS ）、德意志银行（ DBK ）等。它以高效的电子交易系统闻名，交易量巨大，适合量化策略的开发。通过 API 接入，我们可以获取实时报价、历史 K 线和盘口深度数据，这些数据是构建均线策略、波动率分析等量化模型的基础。

在量化交易领域，选择一个合适的股票数据 API 对策略的成败至关重要。对于德国股票市场，尤其是法兰克福交易所，开发者通常面临三个核心挑战：数据时效性、完整性和合规性要求

市场上主要有几种 API 解决方案：

iTick 作为聚焦欧洲市场的金融数据服务商，其 API 实现了法兰克福交易所全品种覆盖（含 XETRA 交易品种），支持毫秒级股票实时行情推送与 20 年历史分笔数据获取，完全适配 MiFID II 监管要求，还提供 Python SDK 与完整的量化工具集成方案，注册既可享受免费开发套餐，适合中高频策略与深度量化分析

Alpha Vantage 支持包括德国 DAX 指数成分股在内的全球 30 多个国家股票数据，免费版每日支持 500 次调用。但其主要限制在于德国股票实时 API 延迟长达 15 分钟（非付费用户），且历史数据仅提供 10 年日线级别，无 Level 2 深度行情。

IEX Cloud 提供法兰克福交易所实时股票报价 API ，延迟约为 1 秒，并整合了财务报表与 ESG 数据。但它对德国股票的覆盖仅限于 DAX30 成分股，历史数据最长只有 5 年

提示：无论选择哪种 API ，都需先完成平台注册与认证，获取专属 API 密钥（ Key ），这是接口调用的身份凭证，需妥善保管避免泄露。

准备工作：获取 API Token

本文参考 iTick API ，这是一个支持全球多个市场的金融数据接口，包括德国（ region=DE ）。它提供 RESTful API 和 WebSocket 两种方式，数据覆盖实时报价、历史 K 线和盘口深度。注意：使用前需注册账号并获取 token ，本文代码中的”your_token”需替换为实际值。

首先，访问 iTick 官网注册账号，获取 API Token 。该 API 支持的 region 包括 DE （德国），code 为股票符号（如 ADS 为阿迪达斯）。测试时，确保你的订阅计划支持德国市场数据。

步骤 1：获取实时报价（ Quote ）

实时报价 API 提供最新价、开盘价、最高价、最低价等核心指标。接口路径：GET /stock/quote?region={region}&code={code}

Python 代码示例：

import requests

url = "https://api.itick.org/stock/quote?region=DE&code=ADS"

headers = {
    "accept": "application/json",
    "token": "your_token"
}

response = requests.get(url, headers=headers)
data = response.json()

if data["code"] == 0:
    quote = data["data"]
    print(f"股票代码: {quote['s']}")
    print(f"最新价: {quote['ld']}")
    print(f"开盘价: {quote['o']}")
    print(f"最高价: {quote['h']}")
    print(f"最低价: {quote['l']}")
    print(f"涨跌幅: {quote['chp']}%")
else:
    print("请求失败:", data["msg"])

这个接口返回的 JSON 数据结构清晰，便于解析。在量化分析中，你可以用最新价计算实时收益率。

步骤 2：获取历史 K 线数据（ Kline ）

历史 K 线是量化回测的核心，支持分钟级到月级周期。接口路径：GET /stock/kline?region={region}&code={code}&kType={kType}&limit={limit}

例如，获取阿迪达斯最近 100 根 日 K 线：

import requests
import pandas as pd
from datetime import datetime

def fetch_historical_data(symbol, region="DE", kType=8, limit=100):
    """
    获取历史 K 线数据

    参数:
    symbol: 股票代码，如"ADS"
    region: 市场代码，德国为"DE"
    kType: K 线类型，1-分钟线，2-5 分钟线，8-日线，9-周线，10-月线
    limit: 获取的数据条数
    """
    url = f"https://api.itick.org/stock/kline?region={region}&code={symbol}&kType={kType}&limit={limit}"

    headers = {
        "accept": "application/json",
        "token": "your_token"  # 替换为实际 Token
    }

    try:
        response = requests.get(url, headers=headers)
        response.raise_for_status()  # 检查请求是否成功

        data = response.json()

        if data.get("code") == 0 and "data" in data:
            # 将数据转换为 Pandas DataFrame
            df = pd.DataFrame(data["data"])

            # 转换时间戳为可读格式
            df['datetime'] = pd.to_datetime(df['t'], unit='ms')

            # 设置列为标准金融数据格式
            df.rename(columns={
                'o': 'Open',
                'h': 'High',
                'l': 'Low',
                'c': 'Close',
                'v': 'Volume',
                'tu': 'Turnover'
            }, inplace=True)

            # 选择并排序列
            df = df[['datetime', 'Open', 'High', 'Low', 'Close', 'Volume', 'Turnover']]
            df.set_index('datetime', inplace=True)

            return df
        else:
            print(f"获取数据失败: {data.get('msg')}")
            return None

    except requests.exceptions.RequestException as e:
        print(f"请求错误: {e}")
        return None

def analyze_german_stocks():
    """分析多只德国股票的历史表现"""
    symbols = ["ADS", "SAP", "VOW3", "ALV", "MRK"]

    all_data = {}

    for symbol in symbols:
        print(f"正在获取{symbol}的历史数据...")
        df = fetch_historical_data(symbol, kType=8, limit=200)  # 获取 200 条日线数据

        if df is not None and len(df) > 0:
            all_data[symbol] = df

            # 计算基本统计指标
            latest_close = df['Close'].iloc[-1]
            previous_close = df['Close'].iloc[-2] if len(df) > 1 else latest_close
            daily_change = ((latest_close - previous_close) / previous_close * 100) if len(df) > 1 else 0

            # 计算 20 日移动平均
            ma_20 = df['Close'].rolling(window=20).mean().iloc[-1]

            print(f"{symbol}:")
            print(f"  最新收盘价: {latest_close:.2f}欧元")
            print(f"  日涨跌幅: {daily_change:+.2f}%")
            print(f"  20 日移动平均: {ma_20:.2f}欧元")
            print(f"  数据时间范围: {df.index[0].date()} 至 {df.index[-1].date()}")
            print()

    return all_data

if __name__ == "__main__":
    # 获取并分析德国股票数据
    stock_data = analyze_german_stocks()

    # 如果获取到了数据，可以进行进一步分析
    if stock_data:
        print("数据获取完成，可以进行量化策略回测和分析了！")

这有助于识别趋势反转点。

步骤 3：获取实时盘口深度（ Depth ）

盘口深度提供买卖五档或十档数据，反映市场挂单情况。接口路径：GET /stock/depth?region={region}&code={code}

import requests

url = "https://api.itick.org/stock/depth?region=DE&code=ADS"

headers = {
    "accept": "application/json",
    "token": "your_token"
}

response = requests.get(url, headers=headers)
data = response.json()

if data["code"] == 0:
    depth = data["data"]
    print(f"股票代码: {depth['s']}")
    print("卖盘:")
    for ask in depth['a'][:5]:  # 显示前 5 档卖盘
        print(f"档位{ask['po']}: 价格 {ask['p']}, 挂单量 {ask['v']}, 订单数 {ask['o']}")
    print("买盘:")
    for bid in depth['b'][:5]:  # 显示前 5 档买盘
        print(f"档位{bid['po']}: 价格 {bid['p']}, 挂单量 {bid['v']}, 订单数 {bid['o']}")
else:
    print("请求失败:", data["msg"])

在量化中，盘口数据可用于计算买卖压力比，帮助判断市场情绪。

步骤 4：使用 WebSocket 实现实时推送

对于高频量化，RESTful API 可能有延迟，推荐 WebSocket 。连接后订阅数据，支持 tick 、quote 和 depth 类型。

Python 示例（使用 websocket 库）：

import websocket
import json
import threading
import time

# WebSocket 连接地址和 Token
WS_URL = "wss://api.itick.org/stock"
API_TOKEN = "your_token"  # 替换为实际 Token

def on_message(ws, message):
    """处理接收到的消息"""
    data = json.loads(message)

    # 处理连接成功的消息
    if data.get("code") == 1 and data.get("msg") == "Connected Successfully":
        print("连接成功，等待认证...")

    # 处理认证结果
    elif data.get("resAc") == "auth":
        if data.get("code") == 1:
            print("认证成功")
            subscribe(ws)  # 认证成功后订阅数据
        else:
            print("认证失败")
            ws.close()

    # 处理订阅结果
    elif data.get("resAc") == "subscribe":
        if data.get("code") == 1:
            print("订阅成功")
        else:
            print("订阅失败:", data.get("msg"))

    # 处理市场数据
    elif data.get("data"):
        market_data = data["data"]
        data_type = market_data.get("type")
        symbol = market_data.get("s")

        if data_type == "tick":
            print(f"成交数据 {symbol}: 最新价={market_data['ld']}, 成交量={market_data['v']}, 时间={market_data['t']}")
        elif data_type == "quote":
            print(f"报价数据 {symbol}: 开={market_data['o']}, 高={market_data['h']}, 低={market_data['l']}, 收={market_data['ld']}")
        elif data_type == "depth":
            print(f"盘口数据 {symbol}: 买一价={market_data['b'][0]['p'] if market_data['b'] else 'N/A'}, "
                  f"卖一价={market_data['a'][0]['p'] if market_data['a'] else 'N/A'}")

def on_error(ws, error):
    """处理错误"""
    print("错误:", error)

def on_close(ws, close_status_code, close_msg):
    """连接关闭回调"""
    print("连接关闭")

def on_open(ws):
    """连接建立后的回调"""
    print("WebSocket 连接已打开")

def subscribe(ws):
    """订阅行情数据"""
    subscribe_msg = {
        "ac": "subscribe",
        # 订阅德国 Adidas 、SAP 和大众汽车的实时数据
        "params": "ADS$DE,SAP$DE,VOW3$DE",
        "types": "tick,quote,depth"  # 订阅成交、报价和盘口数据
    }
    ws.send(json.dumps(subscribe_msg))
    print("订阅消息已发送")

def send_ping(ws):
    """定期发送心跳包保持连接"""
    while True:
        time.sleep(30)  # 每 30 秒发送一次心跳
        ping_msg = {
            "ac": "ping",
            "params": str(int(time.time() * 1000))
        }
        ws.send(json.dumps(ping_msg))
        print("心跳包已发送")

if __name__ == "__main__":
    # 创建 WebSocket 连接，通过 header 传递 Token
    ws = websocket.WebSocketApp(
        WS_URL,
        header={"token": API_TOKEN},
        on_open=on_open,
        on_message=on_message,
        on_error=on_error,
        on_close=on_close
    )

    # 在单独的线程中启动心跳机制
    ping_thread = threading.Thread(target=send_ping, args=(ws,))
    ping_thread.daemon = True
    ping_thread.start()

    # 启动 WebSocket 连接
    ws.run_forever()

这段代码建立了与 iTick WebSocket 服务器的连接，并订阅了德国三家知名公司（ Adidas 、SAP 和大众汽车）的实时数据。连接建立后，服务器会持续推送三种类型的数据：

• 成交数据 ：包含最新成交价、成交量和时间戳
• 报价数据 ：包含开盘价、最高价、最低价、最新价等 OHLC 数据
• 盘口数据 ：包含买卖各五档的委托量和价格

通过 WebSocket 获取实时数据的优势在于低延迟和高效的数据推送机制，特别适合需要实时监控市场并快速做出交易决策的量化策略

量化分析示例：构建简单策略

获取数据只是第一步，真正的价值在于如何利用这些数据进行量化分析。下面我们结合实时数据和历史数据，构建一个简单的量化分析示例。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime, timedelta

class GermanStockAnalyzer:
    """德国股票分析器"""

    def __init__(self, historical_data):
        self.data = historical_data

    def calculate_technical_indicators(self):
        """计算常见技术指标"""
        df = self.data.copy()

        # 计算移动平均线
        df['MA_5'] = df['Close'].rolling(window=5).mean()
        df['MA_20'] = df['Close'].rolling(window=20).mean()
        df['MA_60'] = df['Close'].rolling(window=60).mean()

        # 计算相对强弱指数(RSI)
        delta = df['Close'].diff()
        gain = (delta.where(delta > 0, 0)).rolling(window=14).mean()
        loss = (-delta.where(delta < 0, 0)).rolling(window=14).mean()
        rs = gain / loss
        df['RSI'] = 100 - (100 / (1 + rs))

        # 计算布林带
        df['BB_middle'] = df['Close'].rolling(window=20).mean()
        bb_std = df['Close'].rolling(window=20).std()
        df['BB_upper'] = df['BB_middle'] + 2 * bb_std
        df['BB_lower'] = df['BB_middle'] - 2 * bb_std

        # 计算成交量加权平均价格(VWAP) - 日内指标
        df['VWAP'] = (df['Turnover'] / df['Volume']).rolling(window=20).mean()

        return df

    def generate_signals(self, df):
        """基于技术指标生成交易信号"""
        signals = pd.DataFrame(index=df.index)
        signals['price'] = df['Close']
        signals['signal'] = 0

        # 双移动平均线交叉策略
        signals['ma_signal'] = 0
        signals.loc[df['MA_5'] > df['MA_20'], 'ma_signal'] = 1  # 金叉
        signals.loc[df['MA_5'] < df['MA_20'], 'ma_signal'] = -1  # 死叉

        # RSI 超买超卖信号
        signals['rsi_signal'] = 0
        signals.loc[df['RSI'] < 30, 'rsi_signal'] = 1  # 超卖，买入信号
        signals.loc[df['RSI'] > 70, 'rsi_signal'] = -1  # 超买，卖出信号

        # 布林带突破信号
        signals['bb_signal'] = 0
        signals.loc[df['Close'] < df['BB_lower'], 'bb_signal'] = 1  # 突破下轨，买入信号
        signals.loc[df['Close'] > df['BB_upper'], 'bb_signal'] = -1  # 突破上轨，卖出信号

        # 综合信号
        signals['combined_signal'] = signals[['ma_signal', 'rsi_signal', 'bb_signal']].mean(axis=1)

        # 生成最终交易信号
        signals.loc[signals['combined_signal'] > 0.3, 'signal'] = 1  # 强烈买入
        signals.loc[signals['combined_signal'] < -0.3, 'signal'] = -1  # 强烈卖出

        return signals

    def plot_analysis(self, df, signals):
        """可视化分析结果"""
        fig, axes = plt.subplots(3, 1, figsize=(15, 12))

        # 价格与移动平均线
        ax1 = axes[0]
        ax1.plot(df.index, df['Close'], label='收盘价', linewidth=1)
        ax1.plot(df.index, df['MA_5'], label='5 日 MA', linewidth=1, alpha=0.7)
        ax1.plot(df.index, df['MA_20'], label='20 日 MA', linewidth=1, alpha=0.7)
        ax1.plot(df.index, df['MA_60'], label='60 日 MA', linewidth=1, alpha=0.7)

        # 标记交易信号
        buy_signals = signals[signals['signal'] == 1]
        sell_signals = signals[signals['signal'] == -1]

        ax1.scatter(buy_signals.index, df.loc[buy_signals.index, 'Close'],
                   color='green', marker='^', s=100, label='买入信号')
        ax1.scatter(sell_signals.index, df.loc[sell_signals.index, 'Close'],
                   color='red', marker='v', s=100, label='卖出信号')

        ax1.set_title('德国股票价格与移动平均线')
        ax1.set_ylabel('价格(欧元)')
        ax1.legend()
        ax1.grid(True, alpha=0.3)

        # RSI 指标
        ax2 = axes[1]
        ax2.plot(df.index, df['RSI'], label='RSI', linewidth=1, color='purple')
        ax2.axhline(y=70, color='red', linestyle='--', alpha=0.5, label='超买线')
        ax2.axhline(y=30, color='green', linestyle='--', alpha=0.5, label='超卖线')
        ax2.fill_between(df.index, 30, 70, alpha=0.1, color='gray')
        ax2.set_title('相对强弱指数(RSI)')
        ax2.set_ylabel('RSI 值')
        ax2.legend()
        ax2.grid(True, alpha=0.3)

        # 布林带
        ax3 = axes[2]
        ax3.plot(df.index, df['Close'], label='收盘价', linewidth=1)
        ax3.plot(df.index, df['BB_middle'], label='中轨', linewidth=1, alpha=0.7)
        ax3.plot(df.index, df['BB_upper'], label='上轨', linewidth=1, alpha=0.7, linestyle='--')
        ax3.plot(df.index, df['BB_lower'], label='下轨', linewidth=1, alpha=0.7, linestyle='--')
        ax3.fill_between(df.index, df['BB_lower'], df['BB_upper'], alpha=0.1)
        ax3.set_title('布林带')
        ax3.set_ylabel('价格(欧元)')
        ax3.set_xlabel('日期')
        ax3.legend()
        ax3.grid(True, alpha=0.3)

        plt.tight_layout()
        plt.show()

    def backtest_strategy(self, signals, initial_capital=10000):
        """简单策略回测"""
        capital = initial_capital
        position = 0
        trades = []

        for i in range(1, len(signals)):
            current_price = signals['price'].iloc[i]
            signal = signals['signal'].iloc[i]

            if signal == 1 and position == 0:  # 买入信号，且当前无持仓
                position = capital / current_price
                capital = 0
                trades.append({
                    'date': signals.index[i],
                    'action': 'BUY',
                    'price': current_price,
                    'position': position
                })
            elif signal == -1 and position > 0:  # 卖出信号，且当前有持仓
                capital = position * current_price
                position = 0
                trades.append({
                    'date': signals.index[i],
                    'action': 'SELL',
                    'price': current_price,
                    'capital': capital
                })

        # 计算最终收益
        if position > 0:
            final_capital = position * signals['price'].iloc[-1]
        else:
            final_capital = capital

        total_return = (final_capital - initial_capital) / initial_capital * 100

        return {
            'initial_capital': initial_capital,
            'final_capital': final_capital,
            'total_return': total_return,
            'trades': trades
        }

# 使用示例
if __name__ == "__main__":
    # 假设我们已经获取了历史数据
    # 这里使用模拟数据演示
    dates = pd.date_range(start='2024-01-01', end='2024-12-01', freq='D')
    np.random.seed(42)
    prices = 100 + np.cumsum(np.random.randn(len(dates)) * 0.5)
    volumes = np.random.randint(100000, 1000000, len(dates))

    historical_data = pd.DataFrame({
        'Close': prices,
        'Volume': volumes,
        'Turnover': prices * volumes
    }, index=dates)

    # 创建分析器实例
    analyzer = GermanStockAnalyzer(historical_data)

    # 计算技术指标
    df_with_indicators = analyzer.calculate_technical_indicators()

    # 生成交易信号
    signals = analyzer.generate_signals(df_with_indicators)

    # 可视化分析
    analyzer.plot_analysis(df_with_indicators, signals)

    # 回测策略
    backtest_result = analyzer.backtest_strategy(signals)

    print("策略回测结果:")
    print(f"初始资金: {backtest_result['initial_capital']:.2f}欧元")
    print(f"最终资金: {backtest_result['final_capital']:.2f}欧元")
    print(f"总收益率: {backtest_result['total_return']:.2f}%")
    print(f"交易次数: {len(backtest_result['trades'])}")

这个量化分析示例展示了如何将从 iTick API 获取的数据应用于实际的量化策略中。通过计算技术指标、生成交易信号和进行策略回测，我们可以系统性地评估交易策略的有效性。

API 对接与量化分析注意事项

• 限频与订阅 ：API 有调用限额，生产环境需监控。
• 数据准确性 ：获取数据后需进行完整性与准确性校验，如检测缺失值、异常价格（如 0 或远超正常范围的价格），可通过 pandas 的 dropna()、replace()等方法处理脏数据
• 实时性优化 ：高频量化策略建议选择法兰克福本地部署的 API 服务商（如 iTick ），降低网络延迟；同时合理设置数据缓存，减少重复请求
• 扩展 ：iTick 支持更多市场，可扩展到多资产策略。

总结

通过 Python 对接法兰克福交易所 API 股票实时行情与历史数据，我们搭建了量化分析的核心数据管道。这不仅是技术的实现，更是以数据驱动决策的开始——稳定可靠的数据流让策略回测更精准、信号生成更及时，为在严谨的欧洲市场中探索 alpha 机会奠定了坚实基础。现在，您已拥有连接全球重要金融市场的能力，是时候将这些数据转化为您的策略优势了。

原文地址： https://itick.org/blog/stock-api/free-german-stock-api-comparison

_{作者: StockFx | 发布时间: 2026-01-09 01:21}

---

16. 开源 NVR 项目 Owl， Go 开发，支持 GB28181/ONVIF/RTSP，集成 YOLO 检测

新版本发布

去年底开始做的一个视频监控平台，现在支持 yolo ai 检测，分享给大家看看。

GitHub : https://github.com/gowvp/owl

在线演示 : http://gowvp.golang.space:15123 (admin/admin)

为什么要做这个

市面上的 NVR 方案：

• 商业软件太贵
• 开源方案大多是 Java/C++，部署麻烦
• GB28181 支持普遍不好

所以自己用 Go 写了一个。

功能

• GB28181 协议（ 2022/2016/2011 全版本）
• ONVIF 设备发现和控制
• RTSP/RTMP 流接入
• YOLO AI 物体检测
• Web 管理界面

技术栈

• 后端：Go ，无 CGO
• 流媒体：ZLMediaKit
• 前端：React + TypeScript

Docker 部署

services:
  gowvp:
    image: gospace/gowvp:latest
    restart: always
    ports:
      - 15123:15123
      - 15060:15060
      - 15060:15060/udp
      - 1935:1935
      - 554:554
      - 8080:80
    volumes:
      - ./data:/opt/media/bin/configs

下一步

• HomeKit 集成（目标是能在苹果 Home 里看摄像头）
• 录像和回放

---

欢迎反馈，Issue 和 PR 都可以。如果你在用监控摄像头，说说你最需要什么功能？

_{作者: breezeStrak | 发布时间: 2026-01-09 03:10}

---

17. Gemini 3 PRO 现在降智太严重了,之前做前端体验非常好,现在啥啥干不好

现在写前端,给他个例子参考写的都是 bug,之前类似操作完成的很好,而且还会修复潜在的问题并且进行一些优化

_{作者: layxy | 发布时间: 2026-01-08 02:36}

---

18. 搞了一台日版 Docomo 合约机 sony，有办法升级 Android 吗？

搞了一台日版 Docomo 合约机 sony Xperia 1 v ，有办法升级 Android 吗？
目前在手机更新，提示最新的 Android14 ，但据说这个已经 Android15 了？

_{作者: kobeguang | 发布时间: 2026-01-09 04:03}

---

19. GLM 7 日免费体验卡 适合个人开发者体验

购买了 GLM-4.7 的 coding plan ，赠送 7 日体验卡： 7 天免费体验 + 注册邀请：

先使用邀请注册： https://www.bigmodel.cn/glm-coding?ic=BN7DKK4W0W

再使用： https://bigmodel.cn/activity/trial-card/6W5ANJJTEG

_{作者: zhy8777 | 发布时间: 2026-01-09 07:58}

---

20. [开源] claude code 含 LSP 开箱即用-新增了 gemini

AI 编码助手配置中心

https://github.com/doccker/cc-use-exp

↑↑↑↑↑↑↑↑↑↑↑↑↑↑↑↑↑↑

本项目是 配置模板仓库，用于开发和维护 AI 编码助手的用户级配置。 按费力度从低到高排序，让你用最少的操作获得最大的帮助。

_{作者: sprinng | 发布时间: 2026-01-09 09:24}

---

21. 求大佬们分享下跨境组网方案

人在大马，需要经常访问国内家里的服务器(无公网 ip ）
手上还有一台香港 CN2 机器
预期是手上的各种移动设备都能无缝访问内网，所以用上了 tailscale
目前尝试的方案：
大马——tailscale p2p——内网：可以打洞成功，但晚高峰几乎不可用
大马——tailscale——香港，香港 frps——hy2——内网 frpc：小火箭直接连 hy2 节点是正常的，但加入 tailscale 后就不行了，涉及到透明代理，折腾一下午没搞定，放弃
大马——tailscale——香港自建 derp+peer relay ——内网：可用，但不稳定，经常存在过一段时间不可用的情况

大马——tailscale——香港，香港 frpc——openvpn——内网 frps：这是多天尝试下来最好用的方案，但 openvpn 容易被识别，担心用两天就被封了

问 ai 也没啥好方案，求大佬们支招

_{作者: 0xfb709394 | 发布时间: 2026-01-08 09:25}

---

22. VeloxClip 一款更聪明的 macOS 剪贴板管理器

[开源发布] VeloxClip —— 一款更聪明的 macOS 剪贴板管理器

我做了一款面向开发者与效率爱好者的剪贴板工具 VeloxClip ，主打 AI 增强与专业截图编辑，帮助你把“复制过的所有东西”都管理好、搜得到、用得快。

为什么值得试试：

• 语义搜索与自动打标签：不止关键字，按“意思”找内容；自动识别 json 、表格、URL 、代码、Markdown 、长文本等类型并打标签，收藏项支持自定义彩色标签。
• AI 能力即插即用：OCR 图片文字识别、长文总结、翻译（中/英/日/韩/西/法/德）、代码解释、文本润色；默认接入 OpenRouter （含可用的免费 DeepSeek Chat ）。
• 专业截图与编辑：支持区域截图（默认 F1 ）与悬浮贴图（ F3 ），内置标注工具（箭头/矩形/高亮/文字/马赛克/橡皮擦），编辑后可一键复制或保存。
• 面向开发者的预览：JSON 高亮与校验、表格智能分隔符识别、URL 校验与快速操作、代码多语言高亮、颜色 HEX/RGB/HSL 转换、图片元数据查看等。
• 隐私与性能：不做云同步，数据只在你的 Mac ；语义向量与搜索结果本地缓存；收藏项不受历史数量限制且永久保留。

核心体验：

• Cmd+Shift+V 快速打开历史，并一键回粘到之前的应用。
• 收藏与标签即组织，输入即检索，结果即使用。
• 让复制变成“知识库”，而不是一次性的过路信息。

技术栈与要求：

• Swift 6 + SwiftUI
• macOS 14.0+
• AI 需在偏好设置中粘贴 OpenRouter API Key （可选，启用 AI 功能）

开源仓库与下载：

• GitHub 仓库：VeloxClip
• 最新版本与历史版本：Releases

欢迎关注与试用，期待你在实际工作流中的使用感受与改进建议。 如果好用请给我一个🌟

_{作者: ILikeBug | 发布时间: 2026-01-09 09:16}

---

23. Vibe Coding 最好用的时候是遇到自己不会处理的 BUG 或功能时

for 任务 in 编程过程:
if 我自己.会处理(任务) == False:
assert vibe_coding.处理(任务) > chatbot.处理(任务) > 我自己.处理(任务)
elif 任务.类型 == 劳动密集型:
assert vibe_coding.处理(任务) > 我自己.处理(任务) > chatbot.处理(任务)
else:
assert 我自己.处理(任务) > vibe_coding.处理(任务) > chatbot.处理(任务)

_{作者: RickoNoNo3 | 发布时间: 2026-01-09 08:54}

---

24. 请问笔记大佬 Notion 和 Obsidian 对比

RT ，首先前提不用任何国产笔记软件，我做宏观的笔记怕被删掉。

我一路从印象 有道 、typora + github 转到 notion 的。

对于 notion ，我看中就是 markdown （但他 markdown 有点不同，比如###最多支持三个）、多端同步、可以搜索、有 save to notion 。 缺点是学习成本太高，数据库我这种我到现在都没玩儿明白。之前我还有个建个人主页的需求，据说 notion 也可以 （之前我用的是 hexo + github page ）

对于 Obsidian 我目前的了解是 AI 功能比较好用？相对 notion AI 只能付费，Obsidian 可以直接用 gpt gemini api 么？ 另外同步方式可以放在 iCloud ？

如果有 notion 转 Obsidian 的大佬 或者两个都用过的大佬，不吝赐教。

_{作者: tracyliu | 发布时间: 2026-01-08 10:03}

---

25. 求助 vscode explore 处 右键快捷键是什么，如何自定义。

最近迁移到 antigravity ，习惯 idea 的 command+n ，换出一个 menu 去选择了。

搜了一圈只有 shift+f10 ，这个还是系统级的，在 key binding 里换成 command+n ，唤起的是别的 menu 菜单。有大佬知道吗？

当然几个 ai 都不知道。结果都不正确。

_{作者: frank1256 | 发布时间: 2026-01-09 06:13}

---

26. claude code vscode 插件在提示用户允许权限的时候无法触发 hooks，但是代码输出结束后可以触发 hooks

本来是想写一个提示音的 hooks ，但是一直没有成功，请问有成功的佬吗？

_{作者: yuan321 | 发布时间: 2026-01-09 05:47}

---

27. 修复 Windows 软件开机启动有延迟

Windows 某次更新后发现很多开机自动的软件要等几分钟才会启动，电脑是高配电脑，不存在性能方面的原因。特别是设置了系统代理，结果 Clash 还没启动，无法联网很是困扰。

修复：
注册表里修改：计算机\HKEY_CURRENT_USER\Software\Microsoft\Windows\CurrentVersion\Explorer\Serialize
新建或修改”WaitForIdleState”数值为 0 ，”StartupDelayInMSec”数值为 0

参考：
https://www.reddit.com/r/WindowsHelp/comments/1hmthjg/upgraded_to_windows_11_huge_delay_with_startup/?tl=zh-hans

_{作者: htd | 发布时间: 2026-01-08 09:23}

---

28. 2026 年了，有没有丝滑一些的 Linux 远程桌面解决方案

RT ，Linux 下现在有没有比较好用的远程桌面方案？

目前已知的有这几种：

• Ubuntu + GNOME + gnome-remote-desktop
• XXX + KDE + KRdp
• VNC
• RustDesk
• …

除了 krdp ，其他的之前都体验过，感觉都一般般，用起来有各种小毛病。开箱最快的应该是第一个，但似乎开机后必须用 VNC 登陆一次才能远程，锁屏远程倒是可以用一个插件解决，用起来还是不省心。krdp 看起来就非常折腾，还在观望。

主要有以下几点诉求：

• 支持 Linux 桌面环境中能够用 Remmina 或其他软件远控
• 支持 macOS 用 Windows APP 或其他软件远控
• 具备基本的安全性，能够防止暴力破解，且 Linux && macOS 客户端能支持
• 最好开箱即用，避免过高的时间成本和稳定性风险

我目前还没有找到哪个好用的，最好用的远程桌面估计就是 Windows 了吧，但是云服务器装 Windows 似乎用不了 wsl2 ，意味着很多终端工具用起来会很费劲，也非常的头大。需要一个稳定可用的远程桌面运行一些需要桌面支持的长时间任务。

基于以上诉求，现在有没有比较好的解决方案呢？

_{作者: songtianlun | 发布时间: 2026-01-08 02:38}

---

29. 深度科技原 cto 关于西装门的每日锐评

https://imgur.com/a/t4y1wng
https://imgur.com/a/gPcetxd
https://imgur.com/a/Ly0gQPQ

_{作者: sshnuke | 发布时间: 2026-01-09 09:05}

---

30. 给 netcat 引入了 P2P 穿透、多路复用、强加密以及内置服务模块，并且完全开源

之前在这发布过的，最近花了些时间给这个小工具写了份比较详细的文档了，请查阅

文档: https://www.gonc.cc/docs/

Github: https://github.com/threatexpert/gonc

自己平时使用的场景：

1 、公司的 VPN 好久不用了，家里 CGNAT 宽带和公司建立 P2P 的 HTTP+SOCKS5 代理隧道，自由访问公司网络。

2 、和分公司内网直接 P2P 快速（实时压缩）传输文件/目录。

3 、内置服务模块满足其他场景，例如 TCP/UDP 端口转发、类 frp 反向代理、甚至科学上网，一个工具都胜任了。

还真别说，通过打洞建立 P2P 的加密隧道，定期端口轮换的功能本来是针对运营商 Qos 的，在科学上网方面有独特的效果。

_{作者: le4tim | 发布时间: 2026-01-08 09:34}

---

31. 智谱 GLM Coding 套餐有点离谱了， 2 条简单 prompt 即干满 5 小时限额

上午兴冲冲买了一个季度 GLM Coding Lite 套餐，想着用 Claude Code 跟 Sonnet 4.5 （ Pro 套餐）对比一下。
万万没想到，GLM 这边才 2 条 prompt ，总耗时 80 秒，就几乎干满了 5 小时的限额（ 97%），消耗 38M Tokens ，实在离谱。
而 Claude 这边，同样的两条 prompt 却只消耗 4%的 5 小时限额，具体多少 Token 就没处查了。

请看截图：

_{作者: longxk | 发布时间: 2026-01-08 06:15}

---

32. Java 程序员使用 VsCode，感觉好别扭

之前一直是使用 idea 开发，这两年层出不穷的 AI 编辑器冒出来，想着尝试一下，但是因为都是用 vscode 改的，像 cursor 、trae 都是这么改的，使用起来感觉很难受，很不符合我一直以来的操作方式，例如方法的跳转以及 git 的操作，方法的跳转暂时还能忍一忍慢慢适应，git 相关的操作是真的接受不了。哎，目前又不得不慢慢使用起来（公司要求都要用专门的 AI 编辑器，已经在选型，看使用哪个了），想问问各位大佬，java 使用 vscode 有没有更无痛一点的迁移方式

_{作者: sivyer | 发布时间: 2026-01-07 07:07}

---

33. google ai pro 99.99 美刀一年值得购买吗

不想折腾学生白嫖的原因：

1. 懒得搞各种学生的虚假认证，想想就头大
2. 比较爱惜自己手上的 google 账号，担心搞了学生后指不定哪天被风控了，限制一些功能。

_{作者: YanSeven | 发布时间: 2026-01-06 06:55}

---

34. stackoverflow driven 的写代码方式一去不复反了

之前遇到不会的代码，从网上搜个方案，或者找个高票的复制粘贴改一下，凑活着就搞定了。

出了 bug ，开启调试，设置断点一步步跟踪，到处打印 log 日志像是为满是窟窿的代码打上补丁。

Vibe coding 时代，这种心酸的编码史一去不复反了。

_{作者: ethusdt | 发布时间: 2026-01-08 08:20}

---

35. 程序员家里闲着的电脑可以用来干点啥有用的事情

rt

家里的电脑一直闲着

之前挂过游戏 但是后来没啥意思 就没挂了

不知道还能发挥什么余热呢

_{作者: fetchAgain | 发布时间: 2026-01-07 05:47}

---

36. google 不会逐渐要把 antigravity 里面的 claude 额度砍完吧

刚开会员上车，就废了 claude 的功能。

骗进来杀

[2026-01-08T12:00:12.623Z] [WARN] [CloudCode] Stream error at https://daily-cloudcode-pa.sandbox.googleapis.com: 429 - {
“error”: {
“code”: 429,
“message”: “No capacity available for model claude-opus-4-5-thinking on the server”,
“status”: “RESOURCE_EXHAUSTED”,
“details”: [
{
“@type”: “type.googleapis.com/google.rpc.ErrorInfo“,
“reason”: “MODEL_CAPACITY_EXHAUSTED”,
“domain”: “cloudcode-pa.googleapis.com“,
“metadata”: {
“model”: “claude-opus-4-5-thinking”
}
}
]
}
}

_{作者: YanSeven | 发布时间: 2026-01-08 12:04}

---

37. windows10 的搜索功能有这么明显的 Bug 的吗

很简单的一个 123abc.txt 文件，搜索 abc 居然会搜索不出来，这功能真是离大谱了

_{作者: stx0821 | 发布时间: 2026-01-08 06:33}

---

38. 这几天证书过期这种草台班子，怎么没人从流量 sni 层面去做黑盒告警

在公司测试环境的出口网络设备上，给流量镜像下，大致下面

• 镜像出口流量（ SPAN / iptables TEE / eBPF / AF_PACKET ）
• 只看 TCP 443
• 不解密 TLS
• 解析 ClientHello 的 SNI 拿到“真实被使用的域名”
• 匹配自家域名（含通配符）
• 主动发 HTTPS 请求
• 读取证书 NotAfter
• 告警

即使某些公司存在一些冷门业务在跑，而该域名没记录到 cmdb 里，这样也能抓到

_{作者: guanzhangzhang | 发布时间: 2026-01-07 03:30}

---

39. 为用 AIStudio，修改谷歌账号关联地区被拒了，还有办法吗？

为了 Google 账号能用 AIStudio ，提交 https://policies.google.com/country-association-form 申请修改账号关联地区，被谷歌驳回了。还有什么其他办法吗？

******，您好！

您近期向我们发送了一项请求，希望将您 Google 账号关联的国家/地区和州改为：美国 - 加利福尼亚州。

我们已审核您分享的信息，但由于证据不足以批准您的请求，因此未做出任何更改。

您账号关联的国家/地区：香港

若对此决定有异议，您可再提交一项请求供我们审核。请务必选择“其他原因”，并提供尽可能详细的信息。

请参阅您使用 Google 服务时须遵守的 Google 隐私权政策和服务条款。

此致 Google 支持团队

_{作者: jacketma | 发布时间: 2026-01-05 14:16}

---

40. 2026 北京国补有领成功的吗？打算买个新手机，支付领取时，发现每天 8 点限额发放，早就领光了。

有种耍猴感。。。

_{作者: sbabybird | 发布时间: 2026-01-08 03:18}

---

41. 从产品角度讲，为什么很多大模型厂商不把对话加一个收藏功能？

ChatGPT/Grok/Gemini 都没有收藏对话的功能，只有一个 Pin ，很多精彩对话想经常翻看，但也不是很想整理到别的地方，所以就一直想要个收藏功能。但是使用 Pin 缺点是固定太多会把列表整的很乱，新对话都在很靠后的位置。

_{作者: ethusdt | 发布时间: 2026-01-08 03:27}

---

42. 求指导， Gemini 到底如何使用指导编程，试了多次写出来的代码一堆爆红？

用的免费版 Gemini cli agent (terminal 模式 + goland gemini 插件) 模型是默认的：gemini-2.5-pro

我的需求：给项目增加一个流水线组件的导入导出功能（跨平台，所以一些 id 需要获取 id 背后真正的数据） （一个名字叫 flow 的结构体，保护图形化编排流水线，其中包含一些资源 id ，比如脚本 id ，所以需要深度获取真正的脚本内容数据）

我的操作步骤：

1. 让阅读 prompt.txt （里面是我的编写规范和要求，取自网友）
2. 让阅读 design.md （里面是我写的需求，更加详细的写明了涉及到那几个主要文件，写明了导入冲突时 name 加后缀，一个依赖库的代码位于项目哪个目录等等）
3. 让其开始进行需求分析和文件改动
4. 让将改动应用到项目文件

结果写出来的各种问题：

1. 使用了一些不存在的变量 （比如使用了不存在的 ErrBad ）
2. 使用了一些对象不存在的方法
3. service 层调用 dao 层方法操作 db, 且 dao 层存在已有方法的情况下，直接在 service 层直接操作 db 了
4. api 接口层我有一个 wrap 包裹处理 gin 原生的 response ，结果直接忽略我原本写法。

所以是我使用方法不对， 还是说用的模型能力不够？

_{作者: IamBack | 发布时间: 2026-01-08 06:35}

---

43. 有不受任何道德约束的混乱中立 AI 吗？

最顶尖的几家大模型公司的 AI
受限于政策或者公司本身的价值观
都会给 AI 套上枷锁，不让生成一些特定的回答

有没有混乱中立或者混乱邪恶的大模型
可以完全无拘无束，遵从使用者支配的？

_{作者: zhangsimon | 发布时间: 2026-01-07 10:36}

---

44. 不要说企鹅证书啦，看看人民网这证书是咋回事？

首页 www.people.com.cn 似乎是没证书？

这里 http://finance.people.com.cn/是有的，但也显示是不安全？自签的？

公用名(CN)	default.chinanetcenter.com
组织(O)	网宿科技股份有限公司厦门分公司
组织单位(OU)	<不是证书的一部分>
公用名(CN)	DigiCert Basic OV G2 TLS CN RSA4096 SHA256 2022 CA1
组织(O)	DigiCert, Inc.
组织单位(OU)	<不是证书的一部分>
颁发日期	2025 年 11 月 3 日星期一 08:00:00
到期日期	2026 年 11 月 17 日星期二 07:59:59
证书	692ac821f10acfab5654d6fa167d31b70701951ffe7da8cdeb5a29de805c9cbd
公钥	fa89e334653e647b8b30cf56ac16e8d5f446eaee50c60c9885c5c95366417806 

_{作者: crc8 | 发布时间: 2026-01-07 09:48}

---

45. android aidl 进程间通信

最近遇到项目需要了解下 安卓的底层 binder 通信 需要去学习下 adil binder 通信原理实现

大佬们给点学习链接 或者 demo

多谢推荐~

_{作者: rcj6056 | 发布时间: 2026-01-08 02:07}

---

46. Vibe Coding 之怪像：用更强模型的菜鸡比用弱一点模型的大佬更强吗？

最近的项目中大胆地尝试使用 Cursor + Opus 4.5 进行代码采纳率 80%+ 的 Vibe Coding ，尽量不用手动修改，结果比我预料的要好很多很多。甚至有一些原本要琢磨很久的复杂逻辑也很快搞定了。

但我旁边的大佬配合 Claude Code + Sonnet 4.5 的编码效率貌似没有我这么理想。一方面是需求变动导致的重构，还有一个就是生成的代码多且质量参差不齐。要么是选择浪费时间在无尽的 CR 里，要么是留下一坨暂时先跑着，等粪坑快炸了再来填。Cursor + Opus 4.5 的情况就好很多。

论基本功 / 工作经验，大佬肯定比我强，这让我突然感到一阵恐慌：模型不光抹平了技术人员的经验和技巧差距，甚至能力的一点提升就能让你超过多年从业的大佬。那老员工岂不是更没有存在的必要了？我不相信 AGI 会短时间内实现，但是 Claude 只是稍微出手，就已经让我看到了未来自己的命运。

氪金就会更强这条道理最后在技术领域也复现了。Show me your code 未来也无法体现一个程序员的真正实力，或者代码能力已经不再重要了。

_{作者: linziyanleo | 发布时间: 2026-01-08 01:52}

---

47. 写了一个能快速删除 Gemini 对话的 Chrome 插件

自从 Gemini3 发布后高强度在使用，对话一多删除就很麻烦，于是就自己做了个快速删除对话的插件，有需要可以安装体验一下

_{作者: 857681664 | 发布时间: 2026-01-08 03:48}

---

48. 大家 vibe coding 的过程中，有什么还用的工具/skill/agent，欢迎推荐

vibe coding 有什么推荐好用的工具?

我先推荐一个，比如 https://github.com/nextlevelbuilder/ui-ux-pro-max-skill 这种

_{作者: seekrays | 发布时间: 2026-01-08 03:51}

---

49. 插件： nvim-dap-unity

小小宣传一下：

我最近开始尝试使用 Neovim 来作为主力编辑器进行 C# 和 Unity 开发了，配置调试环境参考官方教程也跑通了，但是几乎每台开发机都得重新手动安装并设置环境变量，非常折腾……

而在社区里也没找到一个现成、专门针对这个场景的工具，于是就自己写了一个小插件，nvim-dap-unity ，用来自动安装并设置 Unity 的调试环境

这个插件主要做了几件事情：

自动下载 vscodetoolsforunity
帮你配置好 Unity 调试所需的环境
打开 Unity 项目时，自动协助查找并使用正确的 solution 文件

如果你也是一名 Vimer ，而且也在从事 Unity 开发，希望这个插件能对你有所帮助。

GitHub： https://github.com/ownself/nvim-dap-unity

目前这个插件还处在比较早期的阶段，主要是为了解决我自己的工作流问题而开发的， 非常欢迎任何反馈、建议或者改进思路，也很欢迎一起交流还能如何改进这个工具。

_{作者: ownself | 发布时间: 2026-01-08 06:11}

---

50. 有没有老哥用过超分辨率 img2img 模型的，求教

之前已经试了 z-image-turbo ，但是发现是在原有图基础上进行重绘，不是超分辨率。

还试了一下 4xESRGAN ，发现只是把图的尺寸放大了，但是好像没有变得更清晰。

主要我是刚接触这方面不太了解。这个需求的背景是生物信息领域的学生要发论文，希望把图片变得更清晰一点，能
让图放在论文里更好看一些，有没有做过这方面的大佬，指点一二，感激不尽

_{作者: coollest | 发布时间: 2026-01-08 01:29}

---