你在 Cline 里用免费模型跑任务，跑着跑着突然蹦出来一行红字：

1

429 Request was rejected due to rate limiting. Details: TPM limit reached.

任务中断，前功尽弃，还要重头来。

这不是你的错，这是免费模型的游戏规则：TPM（Tokens Per Minute）限速。本文教你用几个组合拳，让 AI 降速跑，榨干免费额度，再也不触红线。

为什么会被限速？

主流免费模型的限制通常有三种：

Cline 的问题在于：它默认”能快就快”。读文件、写代码、回复确认——一口气连续调用十几次 API，每次都带着大段上下文，TPM 很快就爆了。

方案一：Cline 内置请求延迟（最直接）

打开 VS Code 设置，搜索 cline，找到 “API Request Delay (ms)”（也可能叫 Rate Limit Delay）。

设置一个延迟，比如 3000ms（3秒），Cline 每次工具调用之间都会暂停 3 秒。

• 优点：零成本，一键生效
• 缺点：整体变慢，但不触限速

这是最暴力也最可靠的方法。跑不急的长任务推荐先把这个打开。

方案二：用 .clinerules 限制 AI 的 Token 消耗行为

.clinerules 是写给 AI 的”工作守则”，放在项目根目录，每次 Cline 启动新 Task 都会读取。你可以用它来约束 AI 的输出风格，从源头减少 Token 消耗。

在你的 .clinerules 文件里加入这一节：

1
2
3
4
5
6
7

## 省 Token 守则（免费模型限速保护）

- **输出精简**：每次工具调用后只汇报关键状态，禁止复述操作细节
- **按需读文件**：只读任务直接相关的文件，不做"预防性探索"
- **分批执行**：完成当前步骤后暂停，等待我确认再继续，不要连续发起超过 3 次工具调用
- **只输出差异**：修改代码时只展示被改动的代码段，不输出整个文件
- **规划先行**：执行复杂任务前先用文字列出步骤，确认后再开始执行

这几条规则的逻辑：

1. 精简输出 → 减少每次响应的 output tokens
2. 禁止无效文件读取 → 减少 input tokens（大文件上下文是 TPM 杀手）
3. 分批+等确认 → 人为拉长两次 API 调用之间的间隔
4. 只输出差异 → 大幅减少代码类任务的 output tokens
5. 规划先行 → 一次思考替代多次摸索，减少总调用次数

实测下来，加了这几条之后，同样的任务 Token 消耗可以降低 40-60%。

方案三：多 Key 轮换

大部分免费模型的限额是按 API Key 计算的。如果你能注册多个账号，就能轮换使用多个 Key，变相突破单 Key 限额。

以 Google Gemini 免费额度为例（目前是免费模型里最豪的选项之一）：

1. 用不同 Google 账号在 Google AI Studio 各申请一个 API Key
2. 在 Cline 设置里切换 Key（跑满一个换下一个）
3. 或者把多任务分配给不同 Key 并行跑

这个方法有点繁琐，但对于跑量大的批处理任务很有用。

方案四：混合使用付费 + 免费（最推荐）

免费模型限速的根本原因是它处理的 Token 太多了。聪明的做法是：

• 简单/重复性任务 → 免费模型（代码格式化、简单问答、小文件修改）
• 需要大上下文的复杂任务 → 付费模型（跨文件重构、长文生成）

在 Cline 里可以给不同任务类型预设不同的模型配置。复杂任务偶尔花几分钱，换来不限速地畅快跑，其实更划算。

一个实用的 .clinerules 模板

把这段直接贴到你项目的 .clinerules 末尾：

1
2
3
4
5
6
7
8
9
10
11

---

## 免费模型限速保护规则

**触发条件**：当你使用免费 API（如 Gemini Free、Step-3.5-Flash、OpenRouter 免费模型）时，必须遵守以下规则。

1. 每完成一个独立步骤后暂停，输出"✅ [步骤名] 完成，是否继续？"并等待确认
2. 读取文件前先确认是否必要，每次 Task 最多读取 5 个文件
3. 代码修改只输出变更的函数或代码块，绝不输出完整文件
4. 回复长度控制在 300 字以内，技术细节按需展开
5. 遇到不确定的地方，提问而不是猜测并尝试

小结

如果你有其他躲过限速的方法，欢迎在评论区分享。

字数统计 574 汉字+56 词 阅读时长约2分钟

三分钟搞懂让AI连接万物的协议

一句话解释：MCP是什么？

MCP （Model Context Protocol，模型上下文协议） 是Anthropic在 2024年11月推出的一个开放标准。简单说，它是AI连接外部服务的”统一插头”。

没有MCP之前，让AI操作你的邮箱、日历、项目管理工具，每个服务都需要单独对接。MCP把这些都统一成了一套标准接口，就像 USB-C 统一了充电口一样。

它能做什么？

通过MCP，AI可以直接：发送Slack（飞书/钉钉）消息、创建Jira（飞书项目/禅道）任务、查询数据库、读写Google Drive（腾讯文档/飞书文档）文件、操作 Salesforce（销售易/纷享销客）客户记录……几乎你能想到的外部服务，都可以通过MCP来连接。

通俗类比

如果把AI比作一个大脑很聪明但被关在房间里的人，MCP就是给他装了电话、电脑和各种工具。有了MCP，AI就能与外界交互，而不只是和你聊天。

发展现状

截至 2026 年初，MCP生态已经非常庞大：超过 10,000 个 MCP 服务器可用，主流 AI 工具全部支持（包括ChatGPT、Claude、Gemini、Cursor、VS Code等）。MCP已经从Anthropic的”自家产品”变成了行业通用标准，由Linux基金会旗下的 Agentic AI 基金会托管。

一个真实案例

一位项目经理每周五下午要做同样的事：打开Jira（飞书项目/禅道）看本周关闭了哪些任务，打开Slack（飞书/钉钉）翻上周的重要讨论，再打开Google Doc（腾讯文档/飞书文档）写一份进度周报，发给老板。整套流程要花将近一小时。

接入MCP之后，她对AI说了一句话：「帮我写这周的项目周报。」

AI通过Jira的MCP服务器查询了本周已完成的任务列表，通过Slack的MCP读取了#项目频道的关键对话，然后按照公司的周报模板生成了初稿。她只花了5分钟做最终确认，然后直接发送。

关键在于：AI不是在”假装”完成这些事，它是真的访问了这些系统、读取了真实数据。这就是MCP与普通聊天的本质区别——从”告诉你答案”变成了”替你做事”。

一句话总结

MCP是AI与外部世界之间的桥。它不让AI变得更聪明，但让AI变得更有用。

三分钟搞懂AI世界最火的新概念

一句话解释：Skill是什么？

Skill（代理技能）本质上就是一份”工作手册”。就像你给新员工写的培训文档一样，它告诉AI：”碰到这类任务，你应该按这个流程来做。”

举个例子：你可以写一个Skill，告诉AI”每次写周报时，先列本周完成项，再写下周计划，最后加一句风险提示”。从此，AI就能每周稳定输出符合你要求的周报。

为什么突然火了？

2025年10月，Anthropic推出了Agent Skills功能，迅速在开发者社区引发广泛关注。Skill的核心优势在于三点：

简单到离谱。 一个Skill就是一个Markdown文件，加上一点YAML元数据。不需要写代码，不需要搭服务器，用记事本就能创建。

省token。 传统方式会把工具定义一股脑塞进上下文，而Skill最大只给AI看一个名字和简介（可能只占 20-50 个 token），需要时再加载完整说明。

可复用、可分享。 团队里一个人写的Skill，其他人直接拿来用。就像分享一份文档一样简单。

通俗类比

如果把AI比作一个新员工，Skill就是你给他的SOP手册。他很聪明，但没有手册的话，每次做事都得重新教；有了手册，他就能稳定输出符合你预期的结果。

谁在用？

目前已有包括Canva、Notion、Figma、Atlassian等知名企业提供预建的Skill。开发者社区也在快速跟进，几乎所有主流的AI编程工具（Claude Code、Cursor等）都已支持。

更进一步的是 OpenClaw——一个以 Skill 为核心架构的 AI 代理框架。它运行在用户自己的设备上，通过 WhatsApp、Telegram、微信等聊天工具接受指令，再按照对应的 Skill 驱动 AI 完成任务。它的技能市场 ClawHub 上已有超过 3,200 个 Skill，覆盖从代码审查到客户跟进的各类场景。2026 年 3 月，腾讯宣布基于 OpenClaw 推出兼容微信生态的 AI 产品，Skill 这套机制正式进入中国主流市场视野。

一个真实案例

一位独立研究员在 OpenClaw 上写了一个 Skill，大概是这样描述的：

每天早上8点，从36氪、The Information、X科技话题抓取过去24小时的内容，过滤出与 AI Agent 相关的信息，用中文总结成5条要点，每条不超过50字，发送到我的微信。

这个 Skill 写完之后，他什么都不用再做。每天早上微信收到一条消息，AI 已经替他完成了信息筛选、翻译和提炼。

关键在于：OpenClaw 的 AI 代理本身很聪明，但如果没有这个 Skill，它不知道该关注哪些信源、用什么格式、面向什么读者。Skill 是让 AI 从”能做很多事”变成”稳定做好这一件事”的关键。这个 Skill 本身不到150字，却相当于一份永久有效的工作说明书。

一句话总结

Skill不是什么高深技术，它就是让AI”照着你的规矩办事”的一种方法。简单、轻量、强大。

这场技术圈的论战，最终和你有什么关系

引言：一场”谁杀死谁”的网络议战

如果你最近关注AI话题，很难不注意到这场争论：”Skill杀死了MCP！”这个论断从 2025 年底开始在X（原推特）上爆发，引发了AI从业者和开发者们的激烈讨论。知名技术博主Simon Willison称Skill”可能比MCP更重要”，而另一边则有人反驳：这就像”说有了菜谱就不需要厨房”一样荒谬。

这场争论的本质是什么？谁对谁错？未来会怎样发展？这篇文章尝试给你一个清晰的回答。

第一章：回顾——两者是怎么来的

MCP的诞生：解决”AI孤岛”问题

2024年11月，Anthropic推出MCP，解决的是一个很现实的问题：AI很聪明，但它被困在聊天窗口里，无法主动操作外部工具。MCP让AI能直接连接Slack、Jira、数据库等外部服务，从”只会聊天”变成”能做事”。

它迅速获得了行业认可。到 2025 年12月，MCP正式捐赠给Linux基金会旗下的Agentic AI基金会（AAIF），从Anthropic的单独项目变成了行业公共标准，OpenAI、Block等公司共同参与治理。到 2026 年初，生态中已有超过10,000个MCP服务器，主流AI工具全部接入。

Skill的崛起：”轻量级”替代方案

2025年10月，Anthropic又推出Agent Skills。如果说MCP是一套复杂的工业协议，Skill就是一份Markdown文档加一点元数据——简单得有点让人难以置信。

但就是这个”简单”触动了很多人。开发者们发现，以前需要搭建一个MCP服务器才能做的事，现在写一个Markdown文件就能解决。Canva、Notion、Figma等企业迅速跟进，Agent Skills在开发者社区快速扩散。

第二章：争论的核心——到底在争什么

“Skill杀死MCP”派的论据

论据一：让AI”变笨”。 MCP的一大痛点是，每次启动时要把所有工具的说明全部塞给AI，相当于让AI在开始工作前先读完一本厚厚的说明书。开发者Armin Ronacher就提到，他们的MCP服务器一加载就占用了约8000个token的空间——通俗来说，就是强迫AI先记住一篇几千字的文档，才能开始干活。而Skill只在启动时给AI看一个名字和简介，需要时再调出完整内容，AI的反应速度和质量都更好。

论据二：小题大做。 很多早期的MCP服务器搭建了一套复杂的基础设施，实际上只是在做很简单的事。用一份Skill文档来描述同样的操作规则，让AI自己去执行，效果完全一样，但搭建和维护成本几乎为零。

论据三：门槛太高。 MCP是一套完整的工程规范，需要具备一定的技术背景才能搭建和维护。对于很多只需要AI”照着规矩办事”的简单场景，这种复杂度完全没有必要。

“MCP不会死”派的反驳

反驳一：两者根本不在同一层。 Goose团队的Angie Jones打了一个经典比方：说Skill杀死了MCP，就像说”有了菜谱就不需要厨房”一样荒谬。厨房还在，菜谱只是告诉你怎么用它。Skill是菜谱，MCP是厨房——菜谱告诉你怎么做，厨房提供做菜的能力。

反驳二：Skill无法替代外部连接。 发送Slack消息、查询生产数据库、操作CRM记录——这些需要真实的集成、真实的权限和真实的执行。光靠文档指导是做不到的。

反驳三：数据说话。 到 2026 年初，MCP生态的SDK月下载量超过9700万次，10,000+服务器获得主流客户端支持。如果Skill真的”杀死”了MCP，这些数字应该下降而不是上升。

第三章：真相——不是替代，而是分层

理清了双方论据，真相其实很清晰：Skill和MCP不是竞争关系，而是同一套架构的不同层次。

Skill 是”知识层”。 它编码的是”如何做”——团队规范、工作流程、领域专业知识。它们是Markdown文档，由人类写作和维护，轻量且易于分享。

MCP 是”执行层”。 它提供的是”能做什么”——外部服务的连接、认证、执行和状态管理。它是真正让AI”动手”的基础设施。

OpenClaw 是一个很好的佐证。它的技能市场 ClawHub 上销售的”Skill”，本质上是打包好的 MCP 服务器（执行层）；而它内部的 SKILL.md 文件，则是告诉 AI 代理如何调用这些工具的指令集（知识层）。OpenClaw 把两者都叫”Skill”，造成了命名上的混淆——但底层架构是清晰的：两层各司其职，只是被整合进了同一个产品。这种混淆恰恰说明，在真实的产品演进中，两层正在被有意识地封装在一起，而不是在互相取代。

所以真正发生的事情是：Skill没有广泛地替代MCP，而是淘汰了那些”本来就不应该存在”的MCP服务器。很多早期的MCP服务器其实只是在做很简单的事，Skill用一份文档就能更好地解决。但对于真正需要持久连接、复杂认证和实时数据的场景，MCP仍然不可替代。

第四章：未来走向——三个关键趋势

趋势一：融合而非替代

最务实的开发者已经在同时使用两者，OpenClaw 是目前最完整的”融合产品”案例。它的底层通过 MCP 连接外部服务，上层通过 SKILL.md 定义 AI 的工作逻辑，其技能市场 ClawHub 上已有超过 3,200 个基于 MCP 的 Skill 可供一键安装。有开发者分享，他写了一个 Trello MCP 服务器，同一套代码不改一行就同时跑在 Claude Desktop 和 OpenClaw 里——这正是”融合”的实际样子：工具可复用，平台各自分工。

未来的主流形态很可能就是这样：Skill 描述工作流程，MCP 提供执行能力，一个 OpenClaw 式的代理框架在中间把两者整合，用户只需通过聊天窗口下指令。

趋势二：MCP下沉为基础设施

一个明显的变化是MCP正在从”前台”退到”后台”。以前，AI每次交互都直接调用MCP工具；现在，MCP越来越多地处理底层的数据存储、账号验证、企业系统对接等问题，而上层的交互逻辑则由Skill和代理框架来编排。

这其实是技术成熟的标志。就像HTTP协议今天无处不在，但普通用户不需要知道它的存在。MCP也在走同样的路——成为”看不见但离不开”的基础层。

趋势三：安全与治理成为关键议题

随着两者的普及，安全问题正在上升为核心关切。MCP方面，已经出现过实际的安全漏洞，影响了数十万个环境。”工具下毒”攻击——即在工具描述中隐藏恶意指令来操纵AI行为——成为新的威胁向量。

Skill同样面临挑战：如果不受信任的Skill被加载，它可能指导 AI 执行有害操作。行业正在探索”AI网关”的方案——在AI和外部服务之间加一层审核，过滤危险操作、记录所有行为。

第五章：对普通用户意味着什么

作为内容创作者、运营人员或日常AI用户，这场技术变迁对你意味着：

AI助手会越来越”懂你的风格”。 Skill让AI记住你的创作习惯——你写稿的语气、你发帖的格式、你回复用户的方式——不用每次都重新交代。今天你可能还需要自己写Skill，但未来很可能在应用内通过简单设置就能完成。对内容创作者来说，这意味着AI能持续输出”你的风格”，而不是每次都要花时间调教。

AI能帮你做的事会越来越多。 MCP生态的壮大意味着AI能连接的平台越来越丰富。从自动整理选题、发布内容到追踪数据、回复私信，AI正在从”聊天机器人”变成真正的”数字助理”。对中国用户来说，最近的落地信号来自腾讯：2026年3月，腾讯宣布基于 OpenClaw 推出兼容微信生态的 AI 产品，意味着这套”MCP执行层 + Skill指令层”的架构，正在借助微信这个超级入口进入普通人的日常。

安全和信任会成为关注点。 当AI能直接操作你的工具和数据时，权限管理和安全审计会变得和管理员工权限一样重要。

结语

技术圈特别是AI圈曾有大佬锐评：「AI 圈子一惊一乍什么都炸裂」，所以我们讨论谁干掉了谁，现实往往是更加微妙的共存与分工。Skill和MCP的关系，不如说是”各就各位”。

当Skill让AI想明白”该怎么做”，MCP让AI有能力”真正去做”时，我们的AI助手才算真正长大了。而这，才是这场争论背后真正值得关注的事。

孩子在备考 FCE（剑桥英语B2），每周老师批完作业，密密麻麻的红笔，加上孩子本来就歪歪扭扭的文字，肉眼难以识别。而且批改的内容孩子翻翻就搁一边了，真正能内化的没多少。

于是我想试试把每次批改让 AI 帮我整理成结构化的错题集，挂到网上，随时能查。

结果出来了：leonfce.hawken.im

流程是这样的

整个事情分三步，我基本没手动干预。

第一步：微信存图

老师在微信上发来批改图，我全部扔进一个文件夹。不需要命名，不需要整理，就是一堆 xxxx.jpg。

第二步：OCR 读图

用 OCR 模型把图片里的文字认出来——不光是学生原文，还有老师的批注、改正、旁边写的评语，全提取出来。

这一步以前很难做好，批改里有大量手写字，还有删改符号、箭头、圈圈，普通 OCR 基本废了。但是好在老师的红字是键盘敲在图片上的。我给的提示词里还宽容的指出：“即便识别不出来也没关系，因为后面的推理模型可以补全。“

第三步：推理模型做解析

拿到 OCR 结果之后，交给推理模型做第二轮处理：

1. 识别错误类型——是时态错了、主谓不一致、搭配不对、还是逻辑问题？
2. 生成示范句——把错误的那句话改对，作为标准示例
3. 再造一个同类句——用同样的语法点或搭配，造一个全新的句子，供孩子对照练习

这样每一个错误，孩子手里就有三样东西：原来错的、改对的、另一个例子。
效果比我预期好很多，因为所谓的 LLM 不就是大语言模型吗，最原始的功能就是补全语言。

出来的效果

leonfce.hawken.im 这次处理了 42 页批改，老师的 FCE 写作课内容。

错误被按类型归类：主谓一致、时态、词形变化、介词搭配、写作结构……每一条都有出处（对应第几张图），方便孩子回头翻原图核对。
最后还有一张汇总表，按错误类型统计，一眼能看出哪块是高频弱点。

然后再让推理模型自己做一个总结，下次我又来图了可以复用整个过程。

为什么这个对孩子有用

普通的错题本，孩子自己整理，费时费力，还容易漏，而且整理完也就抄了一遍，没有深度加工。

这个流程做出来的东西不一样：

• 结构化：不是一页页翻图，是按类型检索
• 有例句：不只是”你这里错了”，而是”对的该是这样，再看另一个同类的”
• 可复习：网页随时打开，不用找本子

当然，AI 不能替代孩子自己思考。但它能做的那部分——把散乱的批改变成有组织的材料——确实帮我省了大量时间，而且做得比我手工整理好。

技术上的流程整理

整个流程用 VSCode + Cline 跑的，本地执行。大概步骤：

1. 读取文件夹里所有图片
2. 逐张调 OCR 模型（支持手写识别的多模态模型），输出批改内容
3. 把 OCR 结果喂给推理模型，按固定 prompt 输出错题结构（错误类型 / 示范句 / 造句）
4. 聚合成 HTML，推上服务器

下次处理新的一批作业，把图片扔进去，重跑一遍，新内容自动合并进去。

如果你家孩子也在备考英语，或者有类似整理学习材料的需求，这个思路可以直接套用，但是我估计英语和语文要好办一些，数学错题、物理错题能不能被识别的很好还不好说。因为我是先识别成文字再进行推理。跟手机某些 App 的直接分析画面可能还有点距离。

不神秘，不复杂。

1. 它到底是什么

OpenClaw 就是一个跑在你电脑上的 AI 助手框架。 它把大模型（Claude、GPT、Kimi、DeepSeek 随便选）接到你常用的聊天工具上（Telegram、Slack），让 AI 不只能聊天，还能操作你的电脑——发邮件、改日历、跑代码、刷网页，全自动。

它是开源免费的。你只需要付大模型的 API 费用。

2. 它怎么工作的

整个架构就三层：

你在 Telegram 上说「帮我把明天的会议推迟到下午三点」，消息到 OpenClaw 网关，网关问大模型该怎么做，大模型说调 Google Calendar API，网关就去执行。完事回你一句「搞定了」。

3. 大家拿它干嘛

4. 模型怎么选

OpenClaw 不绑定任何模型。你有 API key 就能用。社区里最主流的搭配：

5. 注意事项

安全第一。 OpenClaw 有系统级权限，能读你的邮件、日历、文件。配置不当等于给 AI 开了你电脑的 root。装之前看一遍安全文档，不懂命令行的慎用。

解决方案一：安装在非主力机上，甚至可以不用显示器（这也是为啥前段时间 Mac Mini 大卖的原因）。

解决方案二：安装在云服务器 VPS 上，这个方案更酷但是要花费一笔 VPS 的租用费。

Token 费用会爆。 Agent 是循环调用的，一个复杂任务可能跑几十轮对话。不设预算上限的话，一觉醒来账单可能吓你一跳。

解决方案：给你的小龙虾吃好的。我自己发现思考能力差的模型反而会消耗更大量的 Token，因为陷入了思考循环出不来。

说到 Token，OpenClaw 跑任务很费量——如果你没有便宜好用的 API 渠道，可以看看我上篇写的：那些营销号真的没告诉你，小龙虾要吃很多很多 token 吗？！

以上。

→ github.com/openclaw/openclaw

身边所有人都在搞 AI，但真正顺畅用上 API 的没几个——封号、网络、信用卡，三道门槛拦着。我自己折腾了一段时间，最后干脆手搓了一个聚合平台，给自己也给大家用。这篇聊聊它是怎么做出来的，以及我拿它做了什么测试。

怎么搭的

平台叫 AI加点油，aijia.you。核心是把几条上游 API 渠道汇成一个入口，用户充一次值，用一个 Key，模型随便换。

基础设施选的阿里云新加坡节点（2C2G）。选新加坡主要是因为需要接入国外的大模型，比如 Gemini， Claude， OpenAI， 但是现在这御三家只接入了 Gemini。

Claude 还不敢接因为中国人一用就封号，大家都怀疑 Anthropic 的老板当年在百度受了什么刺激，对中国人特别不友好。OpenAI 那边单纯是因为成本高接不起哈哈，等我有了前 100 个用户我就接。

最硬啃的部分是支付。国内用户直接走 Stripe 要么被拒刷，要么根本没卡。我自研了一个 stripe-adapter，把易支付协议（支付宝/微信）翻译成 Stripe 能接收的格式，绕过了直连限制。上线第一件事是自己充了五美元——支付链路通了，赠送的 100 万 tokens 也到账了，换算大概是五美元的体验额度。（敲重点：充值就送100万token哈！）

上游目前聚合了四条：阿里百炼、硅基流动、DeepSeek 官方、Gemini 官方。某条上游抖动时自动切换，用户感知不到。当然有发烧友也可以自己玩一玩各种模型，我当前上线了31个模型，其中含5个免费模型（划重点：免费！随便用），这五个模型我全试了，其中 DeepSeek R1 的蒸馏版当真能打，千问开源版也可以的。在模型广场点”免费”的标签就能看到。

自己当第一个用户跑了一圈

搭好之后，我用 Cline 接进去跑了一圈真实任务。

Cline 的接入很简单（图中用红线划出了要填的空）：

1. 选 “OpenAI Compatible“（意思是用和 ChatGPT 家一样的 API 协议）
2. Base URL 填：https://aijia.you/v1
3. API Key 在 aijia.you 后台一键申请，粘贴进去
4. 模型名从模型广场直接复制——大小写必须一致，不然找不到模型

三分钟搞定。

然后我挨个测了几个模型：

GLM-4.7 不行。让它读一份文档，反复请求了好几次，最后也没成功。智谱家的模型在工具调用这块目前还不够稳，不是 Cline 的好搭档。

Qwen3-8B 顺利完成了任务。考虑到它是免费的，性价比相当能打。文档整理、代码注释这类任务交给它完全够用。

付费模型里：
Gemini 就不说了，毕竟是 T0 级别的。
性价比高的，可以选 DeepSeek-Reasoner， 推理任务交给它，基本不用操心。
别忘了 Cline 有个很好的功能是，Plan Mode 和 Act Mode 可以用不同的模型。
我 Plan Mode 用 DeepSeek-Reasoner，是一个擅长推理的模型，适合跟你一起讨论计划，执行的时候我选的 Gemini-2.5-Flash，出自 Gemini 家但还相对便宜，速度也快。

测下来整体流畅，支付链路、token 计费、模型切换都没出问题。GLM 那个坑留着，后续看智谱那边有没有改进。

对了下次我会试试最近爆火的小龙虾，OpenClaw，可以期待一个。

开了

aijia.you AI加点油，现在对外开放。（浏览器全拼输入：aijia.you，猛敲回车！）

注册送 100 万 tokens（约五美元额度），支持支付宝/微信充值，不需要境外信用卡。

如果正在被 API 折腾，来试试。

→ aijia.you

有问题可以关注公众号「AI加点油」找我。

恐慌发作 凌晨醒来第一件事是摸键盘

凌晨3点，从梦中惊醒。第一反应不是看时间，不是喝水，而是摸向键盘。
我想到张雪峰，几年前在地产繁荣的时代劝人学土木，现在又在AI爆炸的时代劝人学计算机。
我现在劝人学英语还是对的吗？会不会过一段时间多语言能力没啥意义了。
会不会再过几年键盘也像算盘一样被淘汰？我在凌晨摸着我赖以生存的键盘，本来会给我心安的键盘现在让我感到惶恐不安。

被不确定性包围

在这个信息爆炸的时代，短视频潮水般拍打我们的大脑，我多年前给自己定下目标，坚持输出有价值的工作，输出个10年又怎样。现在我有点怀疑了，还有意义吗，我自己这点点文字，才几十kb，跟互联网以pb计算的海量数据比，连一颗沙子都不算。我思考着在这个快速变化的世界里，坚持输出价值是否还有意义。

1. 我认为的价值在他人眼里不是价值
2. 而且随着时间的推移价值也会改变

我于是和好伙伴Gemini开始探讨两个问题：
键盘会不会被淘汰，英语还有没有用。

我没有刻意引导AI得出我想要的结论，而是请它中立客观并且从网上找数据来给我进行分析。因为我是真的在担心这两个问题，有了答案才好重新给自己想要创造的价值找到新的定位，或者心安之处。

键盘的”末日”预言

我和好伙伴聊了聊，结论是键盘在未来十年依然重要：

精确性：编程、写作、数据分析这些工作，键盘的速度和准确性是语音输入比不了的。熟练打字每分钟100个单词，语音输入做复杂的编辑修改会非常困难。

触觉反馈：物理键盘的”所按即所得”，手指的肌肉记忆，这种确定性是虚拟键盘给不了的。

私密性：键盘输入是安静的。图书馆、会议室、咖啡馆，你都能安静地工作，不会打扰别人，也不会泄露内容。

用户习惯：全球几十亿台电脑，几十亿用户已经习惯了键盘。这种惯性不会在十年内被颠覆。

我还想到了霍金，他只剩一个手指能动的时候，还在用键盘打字。我们普通人有十个手指，没理由抛弃键盘。

机械键盘重新流行也证明了这一点。游戏玩家、程序员、作家都在追求那种独特的触感。

英语的”过时”担忧

因为我最近在做英语教学工具，对键盘的担忧自然延伸到了英语。

我可靠的小伙伴帮我进行了分析：

我们预测，全球英语语言培训（ELT）整体市场规模将从2024年的约850亿至950亿美元增长至2030年的1300亿至1400亿美元，复合年增长率（CAGR）约为7%−8% 。在此宏观市场中，
数字英语学习（DELL）细分市场的增长将更为迅猛，预计将从2024年的100亿至140亿美元扩张至2030年的250亿至300亿美元，其复合年增长率高达15%−18% 。这一显著的增长率差异凸显了技术在推动市场变革中的核心作用。

AI越普及，人们越认识到有些价值是机器替代不了的。

思维工具：学英语是在大脑里构建新的思维框架。用不同的逻辑组织句子、表达观点，这个过程本身就在提升认知能力。

文化桥梁：AI能翻译莎士比亚的字面意思，但传不了音韵格律的美感；能转换商务邮件的诉求，但抓不住字里行间的语气。通过语言触摸另一个文化的灵魂，这种深度连接是翻译给不了的。

职业竞争力：英语不是加分项，是必需品。它意味着你掌握了与世界前沿思想对话的最高”带宽”。科技、学术、商业领域，最高质量、最新鲜的知识仍以英文为载体。掌握英语，你才能第一时间获取一手信息。

AI翻译的出现，反而像试金石，让那些真正重要的深层价值——思维拓展、文化理解、核心竞争力——更加凸显。

心安理得的结论

英语和键盘，就像数学和逻辑思维一样，是数字时代的基础设施。它们不会因为新技术而消失，反而会因为新技术的普及而变得更加重要。

二十年前，我还是个普通的大学生，每天按部就班地上课、自习，非常偶然的机会得知了学校的“2+2”项目，一个能出国看世界的机会。心中一团火一瞬间被点燃了。

我立刻跑去咨询，心情却很快从激动转为焦虑。报名的截止日期只剩下不到半年，而项目要求提供托福成绩。让我备受打击的是，其他报名的同学，在高考前就已经知道了这个项目，早就提前准备好漂亮的托福分数了。

而那段时间，正是托福考试从传统的纸笔考试（PBT）全面转向网络机考（iBT）的变革期。考友们网上都还可以查到，新的iBT考试在2005年底开始推行，并于2006年在全球范围内逐步取代了旧有的考试形式。我必须赶在报名截止前拿到分数，当时就只能报北京的那一场，中国第一期iBT考试（旧考试名额全满）。这意味着，所有前辈们的“考经”和备考材料，几乎全部失效。我连抄作业的机会都没有。

时间紧迫，没有成熟的培训班可报，而我当时的英语水平，仅仅是应付完大学英语四级，一个典型的“哑巴英语”学习者。

整理完现实的困难我反而冷静了下来。既然应试技巧无从谈起，那我就不应试了。
它托福考的是英语，国外考试本身也比较科学，考英语就是考英语，而不是国内应试教育体系下的那种想要“考到你”的题。

回归本质，用最“笨”的方法，专心提高我的英语硬实力。

我的“探索频道”疯狂复读学习法

既然决定要死磕，那至少要找点自己喜欢的内容。我从小就喜欢看科普类的纪录片，看了不少中文配音的Discovery探索频道（探索您的世界，是不是耳朵虫了）。
于是，我做了一个现在看来有些疯狂的决定：用看纪录片的方式学英语。

找到了一款现在看来已经非常“古老”的复读软件，把下载好的Discovery视频倒进去。
方法简单粗暴，只有三个步骤：

1. 逐句精听与打字：反复播放视频中的一句话，直到每个词都听得清清楚楚，然后一边听一边在电脑上敲出这句话的字幕。

2. 核对与跟读：打完一句，就跟原文的字幕做对比，纠正错误。然后，模仿视频里的语音语调，嘴里跟着念叨，直到自己觉得顺畅为止。

3. 循环往复：一句话结束，就进入下一句。一部纪录片啃完，就换下一部。

就这样，日复一日，我“啃”了整整三个月。这期间，背单词的基本功当然也没有落下。但那三个月的经历，与其说是在备考，不如说是一场沉浸式的“英语肌肉锻炼”。

结果出乎我的意料，我的托福iBT成绩居然考了90多分（具体数字已经模糊了），这个分数让我成功叩开了留学生活的大门。

为什么这个“笨方法”如此有效？

至今，我做了多年产品经理，以产品的视角回顾这个英语学习方法，我发现这个看似原始的方法，其实暗合了许多高效学习的科学原理：

1. 主动调用 (Active Recall)：与被动地看美剧、听新闻不同，“把听到的内容打出来”这个动作，强迫我的大脑进行“主动调用”。它要求我不仅要听懂，还要能准确地拼写、复述。这个过程极大地加深了对语言材料的加工深度。

2. 多感官输入与输出闭环：这个方法同时调动了我的听觉（听视频）、视觉（看画面和文字）和动觉（打字）。而“跟读”则完成了从输入到输出的关键闭环。这种多感官、全链路的学习方式，构建了更稳固的神经连接。

3. 可理解性输入 (Comprehensible Input)：我选择了自己感兴趣的探索频道，这保证了输入材料对我而言是“可理解”且“有趣”的，从而更容易坚持下去。

更有趣的是，这个方法还带来了一个意想不到的“副作用”——我的打字速度飞速提升。这在后来应对iBT考试中大量的写作任务时，给了我巨大的优势。
后来我也参加过雅思机考，雅思现在也是纸笔考试和机考并存，报考机考的人少，反而更容易调配自己的时间。有了高效的打字能力，就可以从容报机考。

从我的“笨方法”到Nuts English

这段经历，成了我创立Nuts English的初心。我深知自学者的不易：信息碎片化，缺少体系；过程孤独，难以坚持；试错成本高，容易走弯路。

所以，Nuts English从诞生之初，就不是要做一个简单的课程贩卖者，而是想构建一个“课程内容 + 学习工具 + 学习平台”的生态雏形。我希望用技术和好的方法论，为那些像我当年一样勇敢、甚至有些“一意孤行”的自学者提供支持。

我会推出的**“阅读打卡课”**，就是希望通过社群的陪伴，让你找到“学习搭子”，在轻松的氛围里养成阅读习惯。

我搞的网站 Nuts English，集成了生词本、在线阅读等功能，就是想把学习过程中”输入-整理-复习”的链路打通，让你的努力能被看见、被沉淀。

我自主开发的**“坚果读原文”浏览器插件**，初衷就是为了降低你接触和阅读第一手英文材料的门槛。

而那个十年前的“古老”复读机软件，也一直在我的脑海里。因此，我也在这里宣布一个小计划：我将着手开发一款全新的、为语言学习者量身定制的“视频复读机”软件。

我希望它能将我当年的“笨方法”智能化、产品化，让更多的人能够体验到这种沉浸式、高效率的学习方式。

如果你对我的故事，对Nuts English的理念有所共鸣，欢迎你常来我们的网站看看。选择自学本身，就是一件了不起的事。而Nuts English，希望能成为那颗在你努力攀登时，默默为你补充能量的小小坚果。

图片插入方式对比

在Hexo博客中，我们可以使用两种不同的语法来插入图片：Hexo标签语法和Markdown语法。本文将详细介绍这两种方式的区别和使用场景。

1. Hexo标签语法

Hexo提供了专门的标签语法来插入图片，语法如下：

1

{% asset_img 图片文件名 图片描述 %}

示例：

优点：

• 自动处理图片路径
• 支持图片优化和压缩
• 更好的SEO支持
• 与Hexo主题集成更好

2. Markdown语法

传统的Markdown语法也可以用来插入图片：

1

{% asset_img 图片文件名 图片描述 %}

示例：

优点：

• 语法简单直观
• 兼容性好
• 易于迁移到其他平台

3. 两种方式的对比

4. 推荐使用场景

• 使用Hexo标签语法：当您希望获得更好的性能和SEO优化时
• 使用Markdown语法：当您需要保持内容的通用性和可移植性时

5. 重要说明

文件结构要求

当您的Hexo配置中启用了 post_asset_folder: true 时，需要遵循以下文件结构：

1
2
3
4

source/_posts/
├── test-image-with-md.md          # 文章文件
└── test-image-with-md/            # 同名资源文件夹
    └── example.png                # 图片文件

路径规则

• Hexo标签语法：{% asset_img example.png 描述 %} - 直接使用文件名，Hexo会自动处理路径
• Markdown语法：{% asset_img 图片文件名 描述 %} - 使用完整的相对路径

最佳实践

推荐使用Hexo标签语法，因为：

• 自动处理路径，无需手动指定文件夹名
• 更好的性能和SEO优化
• 与Hexo主题集成更好

Markdown语法的正确用法：

• 必须包含完整的文件夹路径
• 格式：{% asset_img 图片文件名 描述 %}
• 例如：{% asset_img example.png 示例 %}

常见问题

1. 图片显示为破图标：检查路径是否正确，确保包含文件夹名
2. Hexo标签不显示：确保图片文件在文章的同名文件夹中
3. 路径混乱：使用完整的相对路径，包含文件夹名

总结

两种语法各有优势，您可以根据具体需求选择合适的方式。在Hexo博客中，建议优先使用Hexo标签语法以获得更好的用户体验。记住要正确设置文件结构和路径！