将域名托管到Cloudflare

关于

hi各位，原谅我发这么小白的教程，因为我也是刚刚接触相关技术，只是记录我自己的学习经历，欢迎大家补充细节或帮我纠正错误

如果有人能学到东西那就更好了

将域名托管到cloudflare的好处

● Cloudflare的免费版就可以帮助保护网站免受 DDoS 攻击，并过滤掉自动流量，这样可以帮你（和你的主机）节省带宽成本。
● 它还是一个 CDN，可以更快地为你提供网站文件，而且不会占用你的带宽，为访客提供更快的访问速度
● 可以过滤掉爬虫、脚本等机器人访问量
● 提供免费的 SSL 证书，启用 HTTPS，提升网站安全性和搜索引擎排名

正文

首先你要有一个域名，然后进入cf官网输入你的域名，然后默认选项，点击继续

到这里后选免费计划（free plan）

然后点下面的继续激活（Continue to activation）

得到两个DNS地址，去域名网站替换掉

然后点下面的我已更改

进入这边应该就好了

然后可能会这样，等一会就好了，可能是在传输

搞定

3 posts - 3 participants

Read full topic

via LINUX DO - 最新话题 (author: 木瓜蛋白酶Tea🎋)

Invalid media:
image
image
image
image
image
image
image
image

分享一下自用极简---个人导航页Janky-Nav

✨️ 预览地址：https://ce-nav.vercel.app

最方便的点：

无需手动找站点LOGO图标，自动生成或直接获取站点ico使用，极其方便。

添加一个站点导航只需要几秒，没有繁琐的配置。

支持多页分类管理。

无需服务器，直接Vercel + Firebase 在线部署

没啥技术，以个人需求纯靠AI软磨硬泡写的

GitHub - pal537/Janky-Nav: 一个基于 React + Firebase 的极简个人导航页 (Personal Navigation)。支持自定义书签、分类管理，适合作为浏览器起始页 (Startpage)。

2 posts - 2 participants

Read full topic

via LINUX DO - 最新话题 (author: 该账号已封禁)

Invalid media:
image
image
image
image

哇！ Gemini真的是太棒了！！

直接给我气笑了，我在Personal context中写了一些辅助LLM理解的，gemini每次都要使用，我都出车祸了，你还在关心我费曼学习法！我的天！！

1 post - 1 participant

Read full topic

via LINUX DO - 最新话题 (author: abluepotato)

Invalid media: image

chatgpt 出了个官方翻译，期待佬友们出手

chatgpt终于也迎来了自己的官方翻译服务，应该是针对翻译优化了，期待能来个无限版的 哈哈

https://chatgpt.com/translate/

4 posts - 4 participants

Read full topic

via LINUX DO - 最新话题 (author: gpt_jj)

全球最大漫画盗版网站 Bato.to 经营者在中国落网

torrentfreak.com

Operator of Bato.to Criminally Investigated in China Following CODA Piracy...

Anti-piracy group CODA has been the driving force behind the takedown of the iconic manga pirate site Bato.to.

Est. reading time: 4 minutes

1 post - 1 participant

Read full topic

via LINUX DO - 最新话题 (author: 𝓵𝓮𝔃𝓲𝓼𝓱𝓮𝓷)

Invalid media:
image
image
image

moltbot 又改名了

之前从 clowdbot 改成 moltbot，这还没两天，又改成 openclaw 了 :distorted_face:

12 posts - 9 participants

Read full topic

via LINUX DO - 最新话题 (author: You_Guess)

Kimi Code Plan 升级：接入 K2.5，升级 token 计费，还有最高「3x」狂欢活动

各位佬友，Kimi 团队来交作业了！

很高兴向大家宣布，Kimi Code Plan 现已全面升级，底层模型已正式切换为我们最强的开源编程模型 Kimi K2.5。

除了模型能力的提升，针对大家反馈较多的计费体验问题，我们做出了以下调整：

1. 计费模式变更（永久生效）:

从今天起，Kimi Code Plan 正式切换为 基于 Token 计费。 且所有会员用户的使用额度已完成重置，大家可以从零开始体验。

1. 限时开发者福利（即日起至 2月28日） 为了让大家更好地测试 K2.5 的代码能力，我们决定：

● 至高 3X 用量：活动期间，会员使用额度上限最高提升至过去的 3 倍。
● 不限速，不限量，随意购买使用

少一点套路，多一点代码。欢迎大家在这个月尽情折腾，将想法变为现实。
kimi.com

Kimi Code - 新一代 AI Code Agent：CLI工具与自动化编程提速

Kimi Code 是 Kimi 会员专享的高级代码开发权益。集成强大 CLI 工具与 Turbo 级模型，支持自动化代码编写、流程兼容与极速响应。立即解锁 KFC，体验更强、更稳的 AI 编程加速，全面提升开发效率。

12 posts - 11 participants

Read full topic

via LINUX DO - 最新话题 (author: Kimi_Moonshot)

Invalid media:
image
image

升级claude code 2.1.25后报错：context_management: Extra inputs are not permitted

升级以后claude code完全不能用了，hi一下就报错context_management: Extra inputs are not permitted

3 posts - 2 participants

Read full topic

via LINUX DO - 最新话题 (author: beingS)

【木子狸的Vibe Coding随笔】序——既是草稿，也是成品

本人很菜，轻点喷。
这种风格不算教程，但是真的很不喜欢那种循规蹈矩的教程。
都 Vibe Coding了，还得按照“教学式”的教程来，那我 Vibe 个什么东西。

关于本系列写法的说明 (click for more details)

写在开头

我认为讲代码或者说讲 Vibe Coding，不需要从具体的语法细节开始。你也不会想听我从基本数据类型、运算符、条件控制和循环这些东西讲起。既然如此，我们直接开始 Vibe Coding。

我们可能是谁？

写代码一定要上计算机专业吗？我觉得并非如此，或者说我们将计算机这个学科与写代码的关系定义错了。计算机科学如果当成一门学科来看，它并非清晰。它只是由历史偶然，将多个领域强行拼装在一起的大杂烩。

可以把它想成一座天平。一端是数学系那类人：证明、模型、复杂度，他们在做的很抽象。中间是博物型的——路由、缓存、数据库，各种具体的问题，支撑着真正的实现。还有一端是 Hacker（黑客）：他们不太关心学科边界在哪里，只是想把东西做出来，把自己的想法变成能跑、能分享的作品。

如果要给这一端的我们找一个参照物，我们应当是画家或其他类型的创作者。

画家学习绘画的方法主要是动手去画，黑客学习编程的方法也理应如此。大多数黑客是从实践中学习的。即使在学校里，他们真正赖以生存的技艺，往往也来自那些“不务正业”的业余项目。

因为如果你不热爱一件事，你不可能把它做得真正优秀；而如果你热爱编程，你就不可避免地会去折腾自己的作品。

所以我不太想把自己说成“工程师”（至少不完全是）。工程当然重要：它关心“怎么做”，关心稳定性、性能、边界条件、可维护性。

但我更想聊的是另一件事：我们应该做什么。

代码 代码 代码

编程语言是用来帮助思考程序的，而不是用来表达你已经想好的程序。

观察一个画家的成长，你会发现他的作品是有连续性的——每一幅画所用的技巧，都建立在上一幅作品学到的东西之上。某幅作品如果有特别出色之处，你往往能够在更早的草稿里发现一个简陋的初期版本。

写代码也是一样的。我不从语法讲起，因为那些只是繁杂的说明书。我更在乎的是整个系统的架构，以及梳理，解决问题的逻辑。

所以很多时候，即使我们写的第一版也许不完美，但它会反过来告诉你——需求应该长什么样，接口应该怎么分，哪些功能其实是幻觉，哪些才是核心。

就像画家通过笔触来捕捉光影，我们通过代码来塑造结构。这种在实践中不断迭代、由直觉驱动并最终闭环的过程，就是我理解的 Vibe Coding。

也是草稿，也是成品

传统的软件工程在写代码之前被要求进行完好的设计，但后面又引入了 Agile（敏捷开发）这个循环持续更新的工作流。

在《黑客与画家》里，保罗·格雷厄姆提到了一个极具启发性的观点：油画之所以在 15 世纪引起轰动，是因为油彩这种媒介带来了一种全新的创作方式——它允许你“改变主意”。画家可以在画布上反复涂抹、覆盖、修正。

接受“不完美”的开端，这就是 Vibe Coding 的乐趣所在。

没有任何东西是一蹴而就的，没有什么东西是开始就完美的。我们不需要在第一天就设计出一个完美的架构。我们不需要过度的进行设计——我们的草图，应该是一个快速构建，能跑的，简陋的原型。

在这个过程中，代码既是草稿 ，帮助我们探索思路；也是成品 ，因为它每时每刻都能运行。

我们应该承认第一版代码往往是丑陋的。但正是通过不断的“再设计”和重构，移除多余的特性，找出可能的问题。

我们的持续更新，反馈，往往才是 Vibe Coding 创造的方式。

也是作者，也是读者

“程序必须写得能够供人们阅读，偶尔供计算机执行”

写代码时，我们也是作者，也是读者。这就是我所说的软实力之一：换位思考（Empathy）。

普通的代码只保证机器能跑通，而优秀的代码在保证能持续更新的同时，与观众达成共识。

你在代码中定义的每一个变量名、每一个函数名，本质上都是在与阅读者建立一种“共通的词义”。

如果你的命名模棱两可，模糊的词语，读者和你的沟通就会失败。
如果你的逻辑像一团乱麻，读者就不懂你真正的想法。

Vibe coding 要求我们在敲击键盘时，时刻保持对他人的关怀。
这种关怀不仅是对他人，还有对未来自己的怜悯——毕竟谁也不想三个月后看不懂自己写的屎山。
于是这种关怀最终产生了我们优雅、清晰且易于维护的代码。

透视骨架

既然我们不从语法细节讲起，那我们应该关注什么？我们关注骨架。

就像阅读一本好书时，我们不能迷失在细枝末节中，而要找出书的骨架。每一个优秀的软件项目，在那些花哨的界面和复杂的算法之下，都有一套支撑其存在的逻辑结构。

在这个系列中，我们将尽力回答关于代码的几个基本问题：

这到底是一个什么样的项目？是实用的工具，还是理论的探索？
你能用一句话说清楚这个程序是干什么的吗？
这些模块是如何组合在一起，服务于那个核心主旨的？

作为架构师，我们决定做什么（What）；
作为工程师，我们决定怎么做（How）；
作为我们，现在开始 （Do It Now）。

骨架（What）与血肉（How），构成了 Vibe Coding 的基石。

写在序的最后

阅读一本书，一篇文章，本质上是读者与作者之间的一场对话。
同样，写代码是你与机器、与未来的自己、与使用你软件的人之间的一场对话。

在这个系列里，我希望我们能跳过那些枯燥的说明书，直接拿起键盘。
我们可能会犯错，可能会写出丑陋的代码，但这没关系。

让我们现在开始 Vibe Coding 进行创造吧。

与君共勉

Click to view the poll.

4 posts - 3 participants

Read full topic

via LINUX DO - 最新话题 (author: 木子不是木子狸)

各位，禁止你们在公司的办公电脑上安装Clawdbot。

咱上级领导决定公司电脑禁止安装Clawdbot， 😁 这个太危险了

6 posts - 6 participants

Read full topic

via LINUX DO - 最新话题 (author: lucky li)

Invalid media: image

分享一个在安装Claude code遇到的问题及解决方案

在安装Claude Code过程中，若使用Windows Powershell进行安装，应输入

irm https://claude.ai/install.ps1 | iex

这应该是网上常见解法。

但是我在输入这条命令时总是提示报错，就是停顿一会，然后大量的红字（好像是什么什么“参数列表中缺少参量”“此语言版本中不支持“var”关键字”等等）

提供一个我的解决办法，把上述命令拆成两部分

1. 管理员身份运行Powershell，这步在安装完Powershell之后应该就会设置好
2. 在Powershell中输入：

irm https://claude.ai/install.ps1 -OutFile "install.ps1"

1. 由于Powershell可能会禁止本地脚本运行，输入命令以允许在当前会话下执行脚本：

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope Process

1. 最后，直接安装即可

.\install.ps1

这时候不出意料就会跳出一个进度条，开始进行安装，速度较慢，可以科学上网来加快安装速度。

安装完成后，输入命令

claude -v

就会跳出版本号了，这边应该就是安装成功了。

之后，我运行claude，也是出现了红字报错，在L站里搜到了解决办法：
C盘/用户文件夹/用户名文件夹里，有”.claude.json“文件，双击运行，在最大的花括号内（花括号有挺多的，别加错了）添加一行：

"hasCompletedOnboarding": true,

就可以了（先检查有没有"hasCompletedOnboarding”，如果没有在添加，如果有，把后面的值改成true）

1 post - 1 participant

Read full topic

via LINUX DO - 最新话题 (author: 爱呱呱的鼠鼠)

求推荐一台 AI 中转服务器

不限流量 ！！！
延迟比较低 ！！！
不搭梯子
只做反代 和 AI 模型中转 （国内+国外模型）

这种需求是不是 买阿里腾讯火山的 日本或新加坡服务器比较好（小白拙见）

已有 dmit 品川 800G （流量已刷爆）
bwg 美西三网 2000g （延迟太高，也有newapi 中转国内模型的需求）

15 posts - 6 participants

Read full topic

via LINUX DO - 最新话题 (author: heishen)

佬们，AI stuio ，刚用一会儿为啥就reached your rate limit. Please try again late

8 posts - 5 participants

Read full topic

via LINUX DO - 最新话题 (author: 商刘祥)

Leetcode每日一题 —— 2977. 转换字符串的最小成本 II

力扣 LeetCode

2977. 转换字符串的最小成本 II - 力扣（LeetCode）

2977. 转换字符串的最小成本 II - 给你两个下标从 0 开始的字符串 source 和 target ，它们的长度均为 n 并且由 小写 英文字母组成。 另给你两个下标从 0 开始的字符串数组 original 和 changed ，以及一个整数数组 cost ，其中 cost[i] 代表将字符串 original[i] 更改为字符串 changed[i] 的成本。 你从字符串 source 开始。在一次操作中，如果 存在 任意 下标 j 满足 cost[j] == z ...

思路
还是延续昨天的思路使用弗洛伊德算法。今天的题难度虽然提高了，但是本质没变，只是把字符的转换改成了字符串的转换。
首先通过弗洛伊德算法，找出从i->j的最小成本。然后通过递归将源字符串移除开头可转换部分降级为的更小规模字符串。

代码

class Solution {
    // 用于存储 i->j所需要的成本
    private HashMap<String, HashMap<String, Integer>> map;
    // 剩余长度的最小成本，用于记忆化搜索
    private long[] vis;
    // 转换信息类
    private record Converter(String s, String t, int c){}
    public long minimumCost(String source, String target, String[] original, String[] changed, int[] cost) {
        // 初始化
        map = new HashMap<>();
        vis = new long[source.length() + 1];
        Arrays.fill(vis, -1);
        for (char i = 'a'; i <= 'z'; i++) {
            HashMap<String, Integer> jc = new HashMap<>();
            jc.put(String.valueOf(i), 0);
            map.put(String.valueOf(i), jc);
        }

        // 转换信息队列，作为中间节点 k 来更新两字符串之间的最小成本
        Queue<Converter> queue = new ArrayDeque<>();
        // 初始化 两字符串间的转换
        for (int i = 0; i < original.length; i++) {
            int c = cost[i];
            map.computeIfAbsent(original[i], k -> new HashMap<>()).compute(changed[i],
                    (k, v) -> v == null ? c : Math.min(v, c));
            queue.offer(new Converter(original[i], changed[i], c));
        }
        // 通过中间节点 k 更新两点间最小成本
        while (!queue.isEmpty()) {
            Converter converter = queue.poll();
            String i = converter.s;
            String k = converter.t;
            int c1 = converter.c;
            HashMap<String, Integer> kMap = map.get(k);
            if (kMap == null) {
                continue;
            }
            HashMap<String, Integer> iMap = map.get(i);
            for (Map.Entry<String, Integer> jc : kMap.entrySet()) {
                String j = jc.getKey();
                int c = jc.getValue() + c1;
                if (!iMap.containsKey(j) || iMap.get(j) > c) {
                    iMap.put(j, c);
                    queue.offer(new Converter(i, j, c));
                }
            }
        }
        // 找出两字符串之间的最小成本
        long ans = dfs(source, target);
        return ans == Long.MAX_VALUE ? -1 : ans;
    }
    private long dfs(String source, String target) {
        int sLen = source.length();
        // 如果已访问过，直接返回最小成本
        if (vis[sLen] >= 0) {
            return vis[sLen];
        }
        long cost = Long.MAX_VALUE;
        // 遍历所有转换，如果能将源字符串的最前部分转为目标字符串的对应部分，则递归剩余字符串
        for (Map.Entry<String, HashMap<String, Integer>> entry : map.entrySet()) {
            String i = entry.getKey();
            HashMap<String, Integer> jc = entry.getValue();
            if (source.startsWith(i)) {
                String j = target.substring(0, i.length());
                if (jc.containsKey(j)) {
                    String nSource = source.substring(j.length());
                    String nTarget = target.substring(j.length());
                    long sub = sLen == i.length() ? 0 : dfs(nSource, nTarget);
                    vis[nSource.length()] = sub;
                    if (sub == Long.MAX_VALUE) {
                        continue;
                    }
                    cost = Math.min(cost, sub + jc.get(j));
                }
            }
        }
        return cost;
    }
}

优化思路
看速度最快的算法，是用的字典树，又是没学过的知识，容我消化消化~

1 post - 1 participant

Read full topic

via LINUX DO - 最新话题 (author: 魔法师)

Invalid media: image

看起来谷歌开始清算学生了

之前看到别人被取消以为可能是新号的原因，现在一个12月订阅的老号也被取消订单了，谷歌看来也顶不住薅了🥲

20 posts - 16 participants

Read full topic

via LINUX DO - 最新话题 (author: 404)

Invalid media:
image
image

求助：在云端 dify 可以使用 但是调用 api（agent）就无返回 报 500

=== Dify chat-messages API 返回的完整内容 ===
data: {
“event”: “error”,
“conversation_id”: “ed76347e-4567-4a09-9f8d-26cfe3d946c9”,
“message_id”: “6309b959-6c7f-4641-b92a-5f3833013225”,
“created_at”: 1769745315,
“code”: “internal_server_error”,
“message”: “Internal Server Error, please contact support.”,
“status”: 500
}

=== HTTP 响应信息 ===
HTTP状态码: 200
Content-Type: text/event-stream; charset=utf-8
响应时间: 3.191s

1 post - 1 participant

Read full topic

via LINUX DO - 最新话题 (author: 纯棉花)

Invalid media: image

dify 使用小指南

在大家的印象里可能类似dify、fastgpt、n8n这种拖拽式的workflow工作平台是低代码的，大部分操作节点其实挺直白，不过我个人用起来其实更像是一个框架而已，虽然说是低代码，但没有代码思维写起来会很烂很烦。
特此开个贴来记录一下我在工作中使用dify一点点经验。而且dify的迭代和循环不能放在一起，有时候还真有点麻烦。

本地部署

本地部署如果是在大陆的机器，我是非常建议用qwen和doubao的，因为这两家首字速度非常非常快，而且无论账户多少钱都有高并发，模型在日常使用例如客服、视觉上都是够用的。（不够用就并行多几个qwen plus来验证，反正便宜）。

如果是香港的机子访问qwen和doubao慢了一点点但感觉还是很快的，而且这里可以解锁openrouter中的vertex中的gemini（速度很快不过不知道为什么会出现速率限制，明明是收费的），但依旧用不了claude和openai

如果是其他地方的机器，qwen和doubao的访问速度就会明显下降，如果选择使用百炼国际节点来使用qwen，我只能说非常贵，大概是国内的3倍，不如直接用gemini 3 flash解决一切，我试了我的场景（客服和教育），claude不好用；openai大杯模型都不错（贵），mini那些不行。

并发量

如果是本地部署，在我的使用场景里很容易碰到迭代并发量不够的导致执行这个节点速度很慢，默认是10，所以需要去env设置一个参数（不记得什么参数了，把env文件喂给ai问问就行）

变量合聚合器

变量聚合器这个节点可以把相同类型的变量聚合在一起，这个节点可以节省很多功夫，例如客人想咨询还是购买，我设置了不同的回复，但后续节点是一致的，就可以把不同的回复聚合在一起，不用写两个甚至更多一模一样的后续流程。

环境变量

环境变量在chatflow和workflow都很好用，因为可以定义一个公共的变量，无论是很重复的prompt或者定义一个标记变量都可以用这个，例如设置了一个prompt是定义所有llm的角色，或者所有llm都需要遵循的规则，如果后续有变动可以直接改变量而不是一个个改（烦死）。

自定义分流

我觉得dify自带的问题分类器不好用，不如写一个llm节点来执行执行分流，例如客人是想咨询还是购买。

json schema（非常重要）

llm节点里面有一个结构化输出，也就是json schema，这个可以卸载llm的参数设置里（gemini、openai等插件），也可以写在这里。主要功能是限制llm输出json格式且对应字段，在很多情况非常好用。现在的模型基本上都有这个功能，最近的模型只有doubao seed 1.6有时候不太遵守。

自定义记忆

在某些场景下，我们需要对用户输入进行分流或信息提取。此时，不应使用 LLM 节点自带的记忆功能。

原因在于：我们通常会在 system prompt 中明确定义分流规则，例如“情况1输出A，请求2输出B”，并要求模型仅输出 A 或 B。然而，如果启用了记忆功能，LLM 会将此前多轮 user/assistant 的对话历史一并带入当前请求。这相当于在补全上下文，但其中混杂了大量与当前任务无关的对话内容，会严重干扰 system prompt 中设定的严格输出规则。

举个例子：

● 上一个节点是通用对话 LLM，用户说“你好”，LLM 回复：“你好，我是AI客服，有什么可以帮到您？”
● 下一个节点切换为分流 LLM，其 system prompt 要求只输出 A 或 B。
● 但如果启用了记忆功能，上述对话历史（包括 assistant 的回复）会被作为上下文传入分流 LLM。
● 结果，分流 LLM 可能受历史回复影响，不再严格遵守“仅输出 A 或 B”的指令，导致行为偏离预期。

因此，我个人的做法是：通过插件或自定义 workflow，将整个对话历史收集并整合为一条完整的 user 输入，再一次性发送给 LLM。这样既能保留必要上下文，又避免了多轮对话中 assistant 回复对分流逻辑的干扰，确保 system prompt 的规则被准确执行。

就先记到这里吧，之后我遇到了什么问题再补充，也欢迎大家给出自己的经验。

5 posts - 3 participants

Read full topic

via LINUX DO - 最新话题 (author: 爱吃桃子的土狗一号)

Invalid media:
image
image
image
image

反重力或者反代遇见问题请更新版本参考下面提交

好像今天反重力检验拉版本
旧版本会出现 下面问题:

如果是反重力软件就官方更新版本
如果是反代参考我修改的代码:

image
具体提交信息查看 合并 antigravity 分支：更新antigravity 版本号解决版本回复问题 · dadongwo/claude-relay-service@367347f

1 post - 1 participant

Read full topic

via LINUX DO - 最新话题 (author: Dadongwo)

Invalid media:
image
image

GPT team车位靠谱吗?一般能用多久呢？哪里来的渠道呢？

之前一直用Gemini，以为GPT没有薅的方法，昨天突然看到有team这种说法应该是跟Gemini家庭组一样，看到有人50LDC卖，这是一个月的吗？这些车头怎么来的，靠不靠谱啊，会不会导致自己封号呢？还有就是这个一个月是按我加入时间算还是车头开通时间算的呢？求佬们给我解答一下

15 posts - 10 participants

Read full topic

via LINUX DO - 最新话题 (author: 鬼还没吹灯)

Kimi海外0.99刀一个月Moderato订阅（国内99元）+2月份3倍使用额度，大伙速冲！

KIMI官方刚刚宣布即日起至2026年2月28号，每个新老用户都可享受最高平时3倍的使用额度

详见： Kimi Code Plan 升级：接入 K2.5，升级 token 计费，还有最高「3x」狂欢活动 - #2，来自 Midflowers
配合KIMI海外0.99刀一个月Moderato订阅的砍价活动，国内订阅价格为99元，简直不要太香，可以使劲蹬了，大伙速冲！

砍价活动攻略： KIMI国外砍价活动，0.99刀拿下Moderato一个月订阅（国内原价99元）

7 posts - 7 participants

Read full topic

via LINUX DO - 最新话题 (author: RoderickXiong)

Invalid media: image

公司打算推广 AI 编码，各位佬有什么经验可以分享吗？

这个锅到了我头上了 🫠

12 posts - 4 participants

Read full topic

via LINUX DO - 最新话题 (author: Anilpixel)