2026-01-07

发布时间 :
  1. 01月07日
    1. 一、今日完成情况
    2. 二、今日感悟
    3. 三、备注
    4. 四、MCP服务接口和教程
      1. A、Claude Desktop作为客户端–服务器搭建
      2. B、 LibreChat作为客户端–服务器搭建（Docker）
        1. 1. 环境准备
        2. 2. 安装步骤
        3. 3.高级模型配置 (librechat.yaml)
        4. 5. 启动服务
        5. 6、进阶配置
    5. 五、markdown 小技巧
    6. 六、Shizuku配置
      1. 背景
      2. 过程
    7. 七、Claude Desktop 推特检索帖子脚本手册
      1. 步骤 1：启动 Chrome
      2. 步骤 2：登录 X (Twitter)
      3. 步骤 3：修改配置（可选）
      4. 步骤 4：运行脚本
      5. 步骤 5：查看结果
      6. 📊 语言筛选配置示例
      7. ⚡ 配置示例（来自 CONFIG_EXAMPLES.md）
      8. 📍 文件位置
      9. ⚠️ 重要提醒

01月07日

一、今日完成情况

  • 导出快速保存推特选中内容到本地的快捷方法或插件
  • 手机弹窗软件实现高级模式，使用CMD窗口链接
  • iFlow CLI配置一下，能不能使用AI直接修改我的笔记（期望）–差不多配置好LibreChat，算是完成了
  • 预定–trae的JSON文件配置，配置MCP服务，看看现在可以配置的JSON来源是什么样的，如何检索这些服务。–明天干，今天来不及了
  • 使用快捷方法找到不少于30条中文/英文的推特消息。
    • 推特消息是保存了，现在的问题如下：关于特殊的转义符\n这些需要过滤。然后关于英语内容需要翻译为的中文，这个需要使用APi接口或者离线模型，我都打算了解一下。如果使用API接口，我打算使用Gemini，如果是离线模型，看看huggingFace有什么好用的。
    • 然后批量对内容进行翻译，并且保存到csv表格当中，实现数据的初步采集。接下来需要对数据进行筛选个过滤，把不符合要求的过滤掉，并且用大模型抽象提取出符合要求的数据，导出关系。 –待完成
    • 今晚实现批量翻译，尝试一下。 –待完成

二、今日感悟

  • 核心业务数据​：
    • 今天内容有些散，主要是四大块，第一是手机的root软件cmd控制，第二是简单配置MCP服务，跑历程，第三是Claude Desktop爬取数据，第四是LibreChat环境配置和问题解决，有待开发自定义MCP接口
  • ​今日工作总结：​
    • 非常充实，人给我干虚脱了，下次还是收着点，感觉精力确实不太够了
  • ​明日工作计划：
    • 数据集制作方面：
      • 批量翻译实现
      • 数据清洗与过滤
    • MCP技术栈方面
      • Trae JSON文件配置
      • LibreChat MCP接口开发
      • Obsidian嵌入MCP继续探索
    • 工位装修的事情
      • 显示器需要想办法上下固定，让其可以横移，不会掉下拉
      • HDMI连接线想办法更加漂亮一点，可以不这么赤裸裸
      • 需要考虑购买一个增高架，因为设备的高度不够。
  • ​今日学习成长：​
    • 不多说了，技术深度和广度不断优化，这下不是不务正业了吧，干的全是分内的事情。

三、备注

  • 无

四、MCP服务接口和教程

这个项目非常完整，包括MCP server来源还有配置教程和协议：
https://github.com/punkpeye/awesome-mcp-servers/tree/main?tab=readme-ov-file#tutorials

这是搭建服务器的教程
https://modelcontextprotocol.io/docs/develop/build-server

Smithery 是一个专门围绕 Model Context Protocol (MCP) 技术构建的平台和中心枢纽
https://smithery.ai/

LibreChat 是目前最强大的开源 Web UI，一个开源的、可以自己部署在本地（Docker）的聊天界面。而且是最接近ChatGPT的，只需要部署完毕，相当于开通了ChatGPT会员，而且还省钱，项目地址
https://github.com/danny-avila/LibreChat

A、Claude Desktop作为客户端–服务器搭建

下面是MCP服务器搭建的例程，我按照教程跑通了，记录一下：

网址如下：
https://modelcontextprotocol.io/docs/develop/build-server#testing-your-server-with-claude-for-desktop

这是官方的环境配置方法：

# Create a new directory for our project
uv init weather
cd weather

# Create virtual environment and activate it
uv venv
source .venv/bin/activate

# Install dependencies
uv add "mcp[cli]" httpx

# Create our server file
touch weather.py

因为考虑到环境的问题，这里官方使用的是最精简的python包管理方法，但是因为个人有conda环境，所以使用conda环境的配置方法，基本类似

conda create -n weather python=3.11

conda activate weather

pip install "mcp[cli]"

pip install httpx

根据教程的示例代码，创建好weather的工作文件夹，导入官方的示例代码。

获取.py文件的路径，还有conda python环境的路径：

which python

获得conda解释器的路径
/opt/anaconda3/envs/weather/bin/python

再复制当前.py文件的绝对路径，接下来在Claude Desktop的配置文件进行修改：

trae ~/Library/Application\ Support/Claude/claude_desktop_config.json

这是语法格式：

{

"mcpServers": {
"weather": {
"command": "/opt/anaconda3/envs/weather/bin/python",
"args": [
"/Users/kipley/weather/weather.py"
		]
			}
				}
}

配置完成，打开Claude Desktop客户端，在设置页面进行配置

Pasted image 20260107142803

可以看到，已经在客户端检测到了，打通了整个链路了。因为我的MCP是用python编写的，所以command显示的事python，查看了另外两个，都是node控制，.js文件，也就是JavaScript编写的。

服务名称 运行语言 核心能力 典型用法
Chrome Control Node.js 操作浏览器 “帮我去知乎搜索关于 MCP 的最新文章并总结”
Desktop Commander Node.js 操作 MacOS 系统 “帮我在桌面创建一个名为 ‘Project’ 的文件夹并初始化 Git”
现在，在客户端测试一下：
Pasted image 20260107143536

帮我看一下某个城市现在的天气

Pasted image 20260107143727 
trae "/Users/kipley/Library/Application Support/Claude/Claude Extensions/ant.dir.gh.wonderwhy-er.desktopcommandermcp/dist/index.js"

这个方法可以看到Claude自带插件的控制mac系统的软件代码，一点都看不懂，不过代码不多，基本上是调用现有的库还有错误处理, 这个js可能只是一个入口而已。

import { FilteredStdioServerTransport } from './custom-stdio.js';
import { server, flushDeferredMessages } from './server.js';
import { configManager } from './config-manager.js';
import { featureFlagManager } from './utils/feature-flags.js';
import { runSetup } from './npm-scripts/setup.js';
import { runUninstall } from './npm-scripts/uninstall.js';
import { capture } from './utils/capture.js';
import { logToStderr, logger } from './utils/logger.js';

B、 LibreChat作为客户端–服务器搭建（Docker）

1. 环境准备

确保 macOS 已安装以下工具：

  • Docker Desktop: 必须处于运行状态 (Running)。
  • Git: 用于拉取代码。

2. 安装步骤

打开终端 (Terminal)，执行以下命令拉取源码并进入目录：

# 1. 克隆官方仓库
git clone https://github.com/danny-avila/LibreChat.git
# 2. 进入项目目录
cd LibreChat
# 3. 创建基础配置文件
cp .env.example .env

3.高级模型配置 (librechat.yaml)

在根目录新建文件 librechat.yaml，用于自定义模型（如 DeepSeek、OpenRouter）并节省 Token 成本
默认省钱配置方法:

version: 1.0.0

cache: true

endpoints:
  custom:
    - name: "OpenRouter" 
      # 替换为你的 OpenRouter Key (支持 DeepSeek/Claude/Gemini)
      apiKey: "sk-or-v1-......" 
      baseURL: "https://openrouter.ai/api/v1"
      models:
        default: ["deepseek/deepseek-chat", "anthropic/claude-3.5-sonnet"]
        fetch: true # 自动获取模型列表
      titleConvo: true
      titleModel: "deepseek/deepseek-chat" # 使用便宜模型生成标题
      summarize: true
      summaryModel: "deepseek/deepseek-chat" # 使用便宜模型总结上下文
      forcePrompt: false
      iconURL: "https://openrouter.ai/icon.png"

    # 如果仅使用 DeepSeek 官方 API
    # - name: "DeepSeek"
    #   apiKey: "sk-......"
    #   baseURL: "https://api.deepseek.com"
    #   models:
    #     default: ["deepseek-chat", "deepseek-coder"]

5. 启动服务

在 LibreChat 目录下执行：

git pull
docker compose up -d --build

访问地址: [http://localhost:3080]

停止服务

docker compose down

修改保存文件后，在终端执行以下命令重启容器

docker compose restart

6、进阶配置

修改yaml文件为我的自己AI模型，并且设置api(绝密)

version: 1.0.0
cache: true
endpoints:

# ==========================================
# 通道 1: Google Gemini 官方直连
# ==========================================

google:

apiKey: "AIzaSyAkhD12ZjU7h2t9EfF9B_6a2hCElMXClWw"
models:
default:
- "gemini-1.5-pro-latest" # 综合最强
- "gemini-1.5-flash-latest" # 速度快/长文档
- "gemini-2.0-flash-exp" # 2.0 实验版，目前非常强
fetch: false # Google 官方通常只需手动指定这几个主流即可
titleConvo: true
titleModel: "gemini-1.5-flash-latest"
summarize: true
summaryModel: "gemini-1.5-flash-latest"
custom:
# ==========================================

# 通道 2: DeepSeek 官方直连

# ==========================================

- name: "DeepSeek Official"

apiKey: "sk-c07351b4337440a2b0bfb51320e3ae3c"
baseURL: "https://api.deepseek.com"
models:
default:
- "deepseek-chat" # 即 V3 模型
- "deepseek-reasoner" # 即 R1 深度思考模型
fetch: false # 官方目前就这俩主力，手动写死更稳
titleConvo: true
titleModel: "deepseek-chat"
summarize: true
summaryModel: "deepseek-chat"
iconURL: "https://chat.deepseek.com/favicon.svg" # 给个官方图标更好看
# ==========================================

# 通道 3: OpenRouter (仅作为补充库)

# ==========================================

- name: "OpenRouter (GPT/Claude)"

apiKey: "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"
baseURL: "https://openrouter.ai/api/v1"
models:
default:
# 既然 DeepSeek 和 Gemini 都有亲生父亲了，这里只留 OpenAI 和 Claude
- "openai/gpt-4o"
- "openai/gpt-4o-mini"
- "openai/o1-preview"
- "anthropic/claude-3.5-sonnet"
- "anthropic/claude-3-opus"
- "meta-llama/llama-3.3-70b-instruct" # 顺便加个 Meta 最强开源
fetch: true
forcePrompt: false
iconURL: "https://openrouter.ai/icon.png"

保存文件之后，重启Docker发现并没有生效：
需要修改这个文件，docker-compose.override.yml，如果没有在 LibreChat 目录下，则单独创建一个这样的目录：

version: '3.4'

services:
  api:
    volumes:
      - ./librechat.yaml:/app/librechat.yaml

最后彻底重启服务：

# 1. 停止并移除旧容器
docker compose down

# 2. 重新启动（这时候它会挂载你的新配置文件）
docker compose up -d

再次访问，发现相关的AI模型已经被加入了，下面我尝试进阶MCP个性化操作：
Pasted image 20260107204653

中间遇到了很多问题，这是日志：

LibreChat  | 2026-01-07 14:59:59 error: Failed to fetch models from openAI API The server responded with status 401: Request failed with status code 401

LibreChat  | 2026-01-07 14:59:59 error: Failed to fetch models from openAI API The server responded with status 401: Request failed with status code 401

LibreChat  | 2026-01-07 15:00:00 error: Failed to fetch models from openAI API The server responded with status 401: Request failed with status code 401

LibreChat  | 2026-01-07 15:01:22 _warn_: _[AgentStream] Job not found for streamId: 10afb27b-5e1d-4de7-9eb1-8cd7d6bb2fc9_

我一开始以为是网络的问题，后面又觉得是Gemini的API有问题，进行python单独测试之后，发现没问题，因此只能是配置文件的问题，我下面把文件放到这里，以免下次出错无据可依。

librechat docker-compose.override .env 文件的配置如下：

网络配置

# 代理配置：指向 Mac 宿主机的 Clash 端口
HTTP_PROXY=http://host.docker.internal:7897
HTTPS_PROXY=http://host.docker.internal:7897

# 服务器基础设置
HOST=localhost
PORT=3080
DOMAIN_CLIENT=http://localhost:3080
DOMAIN_SERVER=http://localhost:3080

模型通道管理

# 仅开启 Google 和自定义端点（屏蔽默认 OpenAI）
ENDPOINTS=google,custom

# 强制使用后台 Key，禁用前端手动输入（解决 no_user_key 报错）
USER_PROVIDE_OPENAI_API_KEY=false
USER_PROVIDE_GOOGLE_API_KEY=false
USER_PROVIDE_CUSTOM_API_KEY=false

API静态定义

# Google Gemini 官方 Key
GOOGLE_KEY=AIzaSyAkhD12ZjU7h2t9EfF9B_6a2hCElMXClWw

# OpenAI 占位符（防止系统初始化报错）
OPENAI_API_KEY=sk-123456789

记住这些配置，下次出现问题，照抄即可。

调试的时候指令请查看如下：

docker compose up -d

docker compose logs -f api

docker compose down

docker compose up -d --force-recreate

简略的写到这里吧，期间调试了很久，找问题是最麻烦的，幸好最后解决了，耐心很重要，要是之前的自己早就放弃了，现在经历这样的事情多了，心态反而变好了。

五、markdown 小技巧

这里添加一个小技巧，就是markdown的语法，在编写方面有如下五个类别，可以按照需要编写，

Note> [!NOTE]蓝色竖线，信息图标

Tip> [!TIP]绿色竖线，灯泡图标

Important> [!IMPORTANT]紫色竖线，感叹号图标

Warning> [!WARNING]黄色竖线，警告图标

Caution> [!CAUTION]红色竖线，危险图标

[!note]
Glama Chat is a multi-modal AI client with MCP support & AI gateway.

[!tip]
Glama Chat is a multi-modal AI client with MCP support & AI gateway.

[!important]
Glama Chat is a multi-modal AI client with MCP support & AI gateway.

[!warning]
Glama Chat is a multi-modal AI client with MCP support & AI gateway.

[!caution]
Glama Chat is a multi-modal AI client with MCP support & AI gateway.

六、Shizuku配置

背景

我之前安装了一个GKD软件，这个软件用来屏蔽其他软件开机广告，帮我节约时间。GKD启动有两种方式，一个是临时手动授权，还有一个是Shizuku永久授权。

当时配置的时候，因为时间有限，所以是临时手动授权。可是问题是，每次我关闭这个软件的线程的时候，临时手动授权就失效了，又要重新配置了，反而增加了麻烦，因此我今天尝试，永久授权，以免后顾之忧。

过程

永久授权是需要这个SHizuku软件的，众所周知，现在的安卓系统都是无法开启管理员模式的，因此，这个软件的作用，就是很大程度上，增加手机的权限，从而趋近于有管理员模式。

所以我在github上安装了这个软件的apk文件，并且安装。

安装好之后，软件需要和电脑配对，然后通过无线的方法连接，在电脑cmd终端使用adb指令进行授权,只有授权之后，才能正常启动。

Screenshot_2026-01-07-16-18-25-77_bbcac0db4b62a7a

于是我按照这个教程和电脑同一局域网实现adb无线连接，然后输入配对码：

adb pair <IP>:<PORT>

显示连接成功，接下来输入Shizuku软件的adb授权指令即可：

2742889857: 01-07 16:13:54 adb shell /data/app/~~X4DpCyZD6mjAUI3X68320w==/moe.shizuku.privileged.api-Ghv71HUmgqMUMoencorSbQ==/lib/arm64/libshizuku.so 2742889857: 01-07 16:18:34 [文件]
Screenshot_2026-01-07-16-11-42-02_fc704e6b13c4fb2 Screenshot_2026-01-07-16-18-25-77_bbcac0db4b62a7a 1

现在，只需要在这个软件当中，给其他的软件高级权限，最后就实现了GKD软件的永久授权，大功告成。

不过需要注意的是，SHizuku服务关闭之后，再次打开需要无线连接电脑，再次配对才行，还是比较麻烦的，现在记录下教程，未来再次链接的时候，可以抄答案，防止遗忘。

七、Claude Desktop 推特检索帖子脚本手册

步骤 1：启动 Chrome

cd ~/Desktop/Data
./start_chrome_debug.sh

步骤 2：登录 X (Twitter)

在打开的浏览器中登录你的账号

步骤 3：修改配置（可选）

编辑 twitter_scraper.py 的第 205-215 行：

python

KEYWORD = "你的关键词"  # 修改这里
SCROLL_TIMES = 20  # 可选
LANGUAGES = ['en', 'zh']  # 只要英文和中文

步骤 4：运行脚本

cd ~/Desktop/Data
python3 twitter_scraper.py

步骤 5：查看结果

cat tweets_data.json

📊 语言筛选配置示例

python

# 只要英文
LANGUAGES = ['en']

# 只要中文
LANGUAGES = ['zh']

# 英文和中文（包括混合）
LANGUAGES = ['en', 'zh', 'mixed']

# 只要纯语言（排除混合）
LANGUAGES = ['en', 'zh']

⚡ 配置示例（来自 CONFIG_EXAMPLES.md）

抓取英文 AI 内容：

python

KEYWORD = "artificial intelligence"
SCROLL_TIMES = 25
LANGUAGES = ['en']

抓取中文科技资讯：

python

KEYWORD = "科技"
SCROLL_TIMES = 20
LANGUAGES = ['zh']

抓取中英文编程内容：

python

KEYWORD = "programming"
SCROLL_TIMES = 30
LANGUAGES = ['en', 'zh', 'mixed']

📍 文件位置

  • 所有脚本：~/Desktop/Data/
  • 输出数据：~/Desktop/Data/tweets_data.json

⚠️ 重要提醒

  1. 修改关键词：直接编辑 twitter_scraper.py 第 205 行
  2. 语言筛选：修改第 213 行的 LANGUAGES 列表
  3. 数据保存：每次运行会覆盖 tweets_data.json
  4. 运行频率：建议间隔 10-15 分钟，避免被限制
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 kipleyarch@gmail.com

浙ICP备2025181060号-2 © litearch

Built with Hexo and 3-hexo theme

Obsidian