xgood's 教程

Claude Code（CC）从零到精通完全指南 这篇文章不是只讲“怎么安装一个命令行工具”，而是把 Claude Code 当成一个可以读文件、改代码、跑命令、调用工具、沉淀项目规则的 AI Agent 来理解。 如果你刚接触 Claude Code，最容易卡住的地方通常不是某个命令，而是不知道它到底和普通聊天机器人有什么区别：它什么时候能自己做事，什么时候需要你确认，什么时候该给它更多上下文，什么时候又该清空上下文重新开始。 这篇教程按“先理解，再安装，再实战，再扩展”的顺序整理，适合从零开始搭建自己的 Claude Code 工作流。 一、先理解 Claude Code 是什么Claude Code 可以先理解成一个运行在本地开发环境里的 AI Agent。 它和普通聊天式 AI 最大的区别是： 普通聊天 AI 主要负责回答问题。 Claude Code 可以在项目里读取文件、修改文件、执行终端命令，并根据结果继续下一步。 也就是说，它不是只和你聊天，而是在一个“理解任务 -> 制定计划 -> 执行动作 -> 观察结果 -> 继续修正”的循环里...

Codex App 全功能实战教程：从安装到高级自动化 这篇文章按真实使用路径整理 Codex App：先安装和登录，再理解沙箱与权限，然后用项目、计划模式、Git、云端任务、记忆、插件和自动化把它串成一套完整工作流。 如果你之前只把 AI 当成聊天窗口使用，那么 Codex App 的重点会不太一样。它更像一个能进入项目目录、理解文件、提出计划、修改代码、运行命令、等待你审批并持续推进任务的 AI 工作台。 这篇教程会尽量用“能直接照着做”的方式讲清楚：什么时候该新建项目，什么时候该开计划模式，什么时候该批准权限，什么时候该让它分支并行，什么时候又该停下来检查代码。 一、安装前准备在安装 Codex App 之前，建议先准备好下面这些基础条件。 1.1 必备软件建议按顺序准备： * Node.js很多前端项目、本地脚本和包管理工具都依赖 Node.js。 * Git用来保存版本、回滚代码、创建分支和同步 GitHub。 * VS Code 或其他编辑器Codex App 可以执行任务，但你仍然需要一个熟悉的编辑器查看文件和差异。 * 一个可用的 OpenAI ...

中转服务从零部署 这篇文章只保留真正能直接执行的部署步骤，目标是让一台新的云服务器尽快把 CPA / CLIProxyAPI 和 new-api 跑起来。 如果你后面还要把 Codex、Claude Code 或其它客户端统一接进来，这篇文章就可以直接当部署底稿来用。以下内容默认基于 Docker 容器部署，且云服务器需提供登录方式。 这篇文档的范围很明确，只处理这两个项目： CPA / CLIProxyAPI new-api 一、服务器连接当前线上服务器参考： 公网 IP：139.155.128.49 登录用户：ubuntu SSH 私钥：C:\Users\Lenovo\.ssh\tencent\MuYue.pem 连接命令： 1ssh -i "C:\Users\Lenovo.ssh\tencent\MuYue.pem" ubuntu@139.155.128.49 二、安装 Docker 和 Docker Compose在 Ubuntu 上执行： 123456789101112131415sudo apt updatesudo apt instal...

Obsidian 笔记使用全攻略再次特别感谢技术爬爬虾的课程。 我们学的不是单个软件，而是一整套可以长期沉淀知识资产的工作流。结合 AI，可以提高知识整理、内容生产和资料复用的效率。最后把这套内容沉淀成真正能长期迁移、备份、协作和复用的知识资产。 我们关心的不是“某个按钮在哪里”，而是怎么把笔记、知识沉淀、多端同步、版本管理和 AI 协作真正串起来，让 Obsidian 不只是一个写字软件，而是自己的本地知识中台。 一、开场白1.1. 教程主要内容 理解为什么长期选择 Obsidian：它更适合沉淀可迁移的知识资产。 知道怎么把 Obsidian 接上 GitHub，获得免费同步、云端备份和版本管理。 知道怎么通过 Obsidian Git 插件降低手动同步成本。 知道图片、附件、链接和导出如何标准化，避免笔记库后期变乱。 知道手机端如何接入同一个笔记库，并理解 Git 冲突风险。 知道怎么把 Gemini CLI、Claude Code、Codex 等 AI 工具接进本地笔记工作流。 知道这套方案的边界：GitHub 不是唯一备份，AI 不是完全自动驾驶，版本控制才是安全网...

这篇文章只保留 Claude Code，Codex 以及 Antigravity 真正能直接落地的安装、配置、代理、登录和排障步骤，适合在 Windows 环境下边看边做。 一、安装前置准备1.1 基础环境1.1.1 终端环境设置首先我们要知道 Windows 电脑总共有三种终端： CMD 终端：老式终端，功能有限。按住 Win + R 键后，输入 cmd 然后回车打开。 PowerShell 终端：新式终端，微软强烈推荐。按住 Win + X 键后，选择终端。 终端管理员：拥有管理员权限的 PowerShell 终端。按住 Win + X 键后，选择终端管理员。 Windows PowerShell 终端默认严格禁止脚本命令。我们需在 PowerShell 中运行以下命令解除限制： 1Set-ExecutionPolicy RemoteSigned -Scope CurrentUser 注：若执行后电脑还不能执行脚本命令，则需重启。 1.1.2 运行环境安装 Node.js 下载：https://npmmirror.com/mirrors/node/v24.13...

大模型通识 这篇文章重点不是讲公式，也不是罗列厂商名字，而是先帮零基础读者建立一张 AI 概念地图。只要能分清模型、上下文、知识库、工具调用、工作流和智能体分别解决什么问题，后面再学工具和项目就不会乱。 很多人刚接触 AI 时，会同时看到 ChatGPT、Claude、DeepSeek、豆包、RAG、Agent、MCP、工作流这些词。词越多，越容易误以为自己在学习 AI，其实只是在收集名词。 更稳的方式是先抓主线：大模型负责理解和生成，Prompt 负责给任务，上下文负责给材料，RAG 负责补知识，Tools 负责做动作，Workflow 和 Agent 负责把这些能力串成流程。 一、先用一张图理解 AI 应用一个常见 AI 应用，可以先这样理解： 12345678用户目标 -> Prompt 说明任务 -> 上下文提供材料 -> xgood 进行理解、推理和生成 -> RAG 补充外部知识 -> Tools 调用外部工具 -> Workflow / Agent 串起流程 -> 输出结果并让人验收这张图里最重要的...

Embeddings 和向量数据库入门 这篇文章重点不是背定义，而是先把 Embedding、相似度检索、向量数据库这条主线讲顺，帮助我后面学 RAG 时不再只会背名词。 如果你现在一看到“向量”“召回”“相似度”这些词就有点乱，那建议先把这篇文章从头顺一遍，再去看具体框架和项目。 一、什么是 EmbeddingEmbedding 可以理解为：把文本、图片、音频或视频映射成一组数值向量。这些数值不是给人直接阅读的，而是给模型和检索系统计算“相似度”用的。 举个最简单的例子： “苹果手机” “iPhone” 虽然文本不同，但语义接近，所以它们生成出来的向量通常也会更接近。 这就是 Embedding 的核心价值：让机器能计算语义上的相近程度。 1.1 Embedding 常见类型 文本 Embedding：最常见，用于搜索、推荐、RAG 图片 Embedding：用于以图搜图、图像相似检索 多模态 Embedding：把文本和图片映射到同一语义空间 二、为什么需要向量数据库如果只有少量数据，向量可以直接存在内存或普通数据库里。但一旦数据规模变大，就会遇到两个问题： 向量维...

RAG 技术入门 这篇文章重点不是上来就讲框架，而是先把 RAG 为什么需要、整条链路长什么样、初学者最容易踩什么坑讲清楚。 如果你现在只是模糊知道“RAG 就是给模型接知识库”，那这篇文章更适合先拿来把主线理顺，再回头补项目实操。 一、RAG 到底解决什么问题RAG 是 Retrieval-Augmented Generation，也就是“检索增强生成”。 它解决的核心问题不是“让模型更聪明”，而是： 当模型本身不知道，或者不该只靠自己记忆回答时，怎样把外部知识准确接进来 最典型的场景包括： 企业知识库问答 产品文档问答 课程资料辅助学习 私有笔记总结 法务、客服、售后类问答 这些场景有一个共同点： 信息量大 更新频繁 很多内容不在模型训练数据里 只靠通用模型，很容易： 答得不准 答非所问 一本正经地胡说 这就是 RAG 的价值所在。 二、先别把 RAG 想得太神秘RAG 本质上可以拆成两段： 先从外部资料中找出相关内容 再把这些内容交给模型生成答案 也就是说，RAG 不是“另一个模型”，而是一套系统设计方法。 你可以把它理解成： 检索负责“找资料” 模...

AI 应用开发学习路线 这篇文章不追求把所有概念一次性讲全，而是想先帮零基础用户把学习顺序理顺，避免一上来就被 Agent、RAG、工作流这些词带偏。 如果你现在刚开始学 AI 应用开发，最需要的不是多，而是先知道先学什么、后学什么、每一步为什么不能跳。这篇路线就是按这个思路整理的。 一、这篇路线适合谁这篇文章主要写给三类人： 完全零基础，想系统学 AI 应用开发的人 会一点工具使用，但还不会真正做 AI 应用项目的人 已经接触过 Dify、Coze、ChatGPT，但知识点很散的人 如果你最后的目标是： 看懂主流 AI 产品是怎么搭起来的 自己做一个知识库问答、内容生成器或学习助手 能把项目部署出来并持续迭代 那这条路线是合适的。 二、先给结论：零基础不要一上来就学 Agent很多人一接触 AI，就被“智能体”“自动化”“多 Agent”这些词吸引住了，结果越学越乱。 更稳的顺序其实是： 先补开发基础 再建立大模型通识 再学 API 调用和 Prompt 再学 Embedding、向量数据库和 RAG 再学 Dify、Coze 这类工作流平台 最后再学 Agent ...

大模型原理 学习主线：AI 可以先理解成“寻找输入到输出映射函数”的过程；神经网络负责逼近复杂函数；Transformer 提升序列建模能力和训练效率；大语言模型则是在数据、参数、算力和工程生态共同放大后的结果。 这篇笔记按“概念主线 + 关键机制 + 落地理解”的方式整理。重点不是背术语，而是把大模型拆回几个基础组件：函数、参数、损失、梯度、向量、注意力、预测下一个 token。 一、核心思想：万物皆函数人工智能的底层问题，本质上可以先看成一个映射问题： 输入一些信息，经过某种规则或模型，输出一个更有用的结果。 例如： 输入房子的面积、地段、楼层，输出大概房价。 输入天气、气温、是否下雨，输出穿衣建议。 输入一句话的前文，输出下一个最可能出现的 token。 从技术路线看，AI 的发展可以粗略分成两种思路： 路线核心想法典型特点局限 符号主义人类显式写出规则函数规则清晰、可解释性强，例如勾股定理、牛顿第二定律面对图像识别、自然语言理解等复杂任务，很难手工写出完整规则 连接主义用数据训练模型，让模型近似真实规律不要求人类写死规则，而是通过参数调整学习隐式规律需要大量数据...