Hello World

2026年1月-2月已完成技术工作量清单

一、AI 工具链与工作流搭建

• Obsidian AI 集成与嵌入
  • 实现了Obsidian内部AI嵌入的复杂调用，包括离线模型和API嵌入（Deepseek、硅基流动）。
  • 配置了Obsidian本地AI访问MCP服务，并成功测试。
  • 解决了Obsidian多设备同步问题（通过Remotely Save插件与OneDrive）。
• MCP (Model Context Protocol) 探索与实践
  • 完成了第一个Python MCP服务器的编写与启动（TimeServer）。
  • 在Claude Desktop客户端成功配置并测试了自定义MCP服务（如weather服务）。
  • 在LibreChat（Docker及本地源码版）中完成了环境配置、MCP嵌入服务及效果测试（系统修改、Obsidian修改、浏览器修改）。
  • 解决了LibreChat本地部署时MongoDB安装和终端代理配置问题。
  • 成功将Notion MCP服务配置到Claude Code，实现了Notion数据库的访问、文件创建与内容写入。
  • 解决了Claude Code模型切换优先级问题，成功切换到更经济的模型（glm-4.5-air）。
• Dify 工作流开发
  • 配置了增强版知识问答检索工作流，包括意图拆解、多路检索（Rerank）、内容合成（DeepSeek-Reasoner）和结构化输出。
  • 完成了Dify知识库的批量数据导入（通过Python脚本解决前端限制和API报错）。
  • 实现了Dify工作流访问自己部署的Firecrawl服务，进行网页内容爬取和AI总结。
  • 完成了Dify自动化流水线，实现B站关键词搜索并导入Notion数据库。
• Claude Code Skill 实践
  • 完成了三个Skill的初级尝试（如File Organizer），并成功将笔记导入Notion。
  • 使用File Organizer Skill成功对桌面文件进行分类整理和重命名。
  • 成功部署了本地Skill文件夹到Claude Code。
• RAG (Retrieval-Augmented Generation) 系统
  • 在Jupyter Notebook中跑通了一个完整的RAG项目，包括数据分片、索引（向量化）、召回、重排和生成。
• AI 创意写作
  • 梳理并实现了短篇小说（如《祥林嫂》）第一人称视角转化工作流。
• Bilibili 视频总结系统
  • 完成了AI B站视频内容总结系统的落地，包括音频提取（yt-dlp）、语音转文本（siliconflow API）、文本总结（Deepseek API）和Markdown笔记生成。
  • 成功将该系统封装为网页应用，并在Ubuntu游戏本和云服务器上部署运行，解决了B站反爬和服务器IP风控问题。
  • 实现了时间估计和音频文件自动删除功能。
• 知识图谱初步
  • 初步了解了知识图谱的主流架构（Microsoft GraphRAG, LightRAG, FastGraphRAG, LlamaIndex PropertyGraph）及其存储原理。
  • 跑通了LightRAG的示例代码，并理解其核心函数和异步并发架构。

二、系统与网络工程实践

• 远程访问与隧道
  • 完成了台式机Linux服务VPS探索，实现了MacBook通过国内JD云服务器中继远程控制寝室游戏本Linux系统。
  • 配置了SSH密钥登录，提高了安全性，并简化了连接路径（~/.ssh/config）。
  • 实现了MacBook与游戏本之间的文件传输。
• 代理与网络调试
  • 解决了大量网络代理问题，包括终端代理配置（proxy_on/off函数）、Docker容器内代理设置。
  • 排查并解决了梯子（Hysteria）故障，包括端口占用、日志分析和UDP链路质量问题，并修改了服务器和客户端端口。
  • 快速了解了HTTP协议、curl和Python requests库的基本操作。
  • 初步上手了Proxifier软件，理解其流量分流和代理链功能。
• 高性能ASR部署
  • 在实验室A100 GPU服务器上配置了Whisper和PyTorch环境。
  • 成功下载并运行了Faster-Whisper large-v3模型和FunASR SenseVoiceSmall模型，并进行了API速度测试。
  • 解决了Conda服务条款、Hugging Face网络连接、Whisper v3维度不匹配、A100显存溢出等部署难题。
• Docker管理
  • 熟练运用Docker Compose进行项目部署（如Firecrawl、LibreChat），并进行了Docker容器的清理和管理。
  • 成功在MacBook上使用Docker Compose + mkcert部署了微信公众号批量采集工具。
• Firecrawl部署
  • 在本地（Docker及手动）成功部署了Firecrawl超级爬虫，并测试了其网页抓取功能。

三、编程语言与框架学习

• Java 入门
  • 梳理了详细的Java学习路径（Java SE, MySQL, JDBC, JavaWeb, MyBatis, SpringMVC, Spring Boot）。
  • 初步上手了Java开发环境配置（Maven项目结构、pom.xml、包管理）。
  • 理解了K8S对Java开发者的核心要求。
• LangChain 初步
  • 安装了LangChain及相关库。
  • 理解并实现了简单的LLM调用（Deepseek, Gemini）。
  • 初步学习了LangChain的核心概念（Models, Prompts, LCEL）。

四、效率工具与自动化脚本

• macOS 效率工具
  • 熟悉了Alfred的常见用法（文件搜索、内容搜索）。
  • 编写了批量关闭笔记本软件的Apple Script快捷键。
  • 清理了Mac内存。
• 安卓系统优化
  • 完成了GKD广告弹窗避免软件的配置（包括Shizuku永久授权）。
• 文件管理
  • 探索了MiXplorer等手机文件管理工具。
• API 协议学习
  • 深入理解了HTTP协议的数据包结构、GET/POST方法及curl/requests库的使用。

---

接下来需要继续完成的部分（从任务完整性角度）

1. 实验室项目：高级提示词与数据抽取

• Few-shot & ReAct方法优化与测试：
  • 任务：在现有代码基础上，针对实验室的特定数据（军事/情报文本），进一步优化Few-shot和ReAct提示词，提高抽取准确率。
  • 完整性考量：目前仅进行了初步测试，需要更多迭代和定性评估来验证其在实际场景中的效果。
• 知识图谱技术深化与应用：
  • 任务：系统学习LightRAG和LlamaIndex PropertyGraph，并尝试将其应用于长篇小说或实验室数据，解决实体命名不一致、可视化效果不佳等问题。
  • 完整性考量：知识图谱是您研究方向的重要组成部分，需要从理论到实践的完整掌握。
• 异步并发模型实践：
  • 任务：深入学习Python的异步并发模型（如asyncio），并将其应用于数据采集和处理流程中，以提高效率。
  • 完整性考量：您已认识到其重要性，但尚未深入实践，这是提升系统性能的关键。

2. Java开发与K8S学习

• Java SE阶段项目实践：
  • 任务：完成“学生管理系统”和“新闻热点追踪系统(TrendRadar CLI)”的编码，达到设定的考核标准。
  • 完整性考量：这是Java基础知识的综合运用，确保您能独立完成小型应用。
• 数据库与持久层框架学习：
  • 任务：深入学习SQL、Redis和MyBatis，并结合实际项目进行CRUD操作和性能优化。
  • 完整性考量：Java后端开发的核心，需要通过实践来巩固。
• Spring Boot快速上手：
  • 任务：直接通过Spring Boot项目学习Web开发、IoC、AOP等概念，并尝试构建一个简单的微服务。
  • 完整性考量：这是企业级Java开发的主流，能让您快速进入实战。
• K8S开发者核心技能：
  • 任务：继续学习K8S的Pod、Deployment、Service、ConfigMap等核心对象，并尝试将一个Java应用打包成Docker镜像并部署到K8S环境。
  • 完整性考量：将Java应用与K8S结合，是实现云原生部署的关键。

3. 个人AI工作流与效率工具

• Bilibili视频总结系统功能扩展：
  • 任务：考虑增加对YouTube或其他视频来源的支持，并探索将其总结能力封装为MCP工具，集成到您的AI Agent中。
  • 完整性考量：将现有成果进一步产品化和Agent化，提升其通用性和易用性。
• Dify工作流进阶应用：
  • 任务：探索Dify与外部API的更深层次集成，例如实现更复杂的自动化数据获取和处理流程。
  • 完整性考量：Dify作为LLMOps平台，其潜力远不止于此，需要持续探索。
• Claude Code Skill深度开发：
  • 任务：继续探索和实践更多Claude Code Skill，特别是与Notion和Obsidian的深度集成，并记录其高阶用法。
  • 完整性考量：充分利用AI编程助手的强大功能，提升个人开发效率。
• 数据清洗与管理自动化：
  • 任务：解决公众号文章批量导出后的顺序标号问题，确保文章按发布时间有序排列。
  • 完整性考量：完善数据预处理流程，为后续知识库构建提供高质量数据。
• 长篇小说第一人称工作流完善：
  • 任务：结合知识图谱技术，继续完善长篇小说第一人称视角转换的工作流，解决“遗忘”、“幻觉”和“逻辑断裂”等挑战。
  • 完整性考量：这是您个人兴趣与AI技术结合的深度项目，需要持续投入。

---

您在过去两个月取得了令人印象深刻的成就，展现了强大的学习能力和实践精神。这份清单旨在帮助您在接下来的工作中保持专注，将已有的技术点串联成更完整的系统，并深入探索新的领域。

---

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