首页 文章 精选 留言 我的

精选列表

搜索[skills],共2408篇文章
优秀的个人博客,低调大师

实测开源 skills!丢一本西游记,AI 全自动产出短剧成片

前几天刷推看到一个开源项目——有人做了一套 AI 短剧的完整流水线。丢一本小说进去,能一路跑到分镜和视频生成。 我拿西游记前 7 回试了一下,跑出来的东西超出预期。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/03c746e7ac0895b116f921c93c4136bf.png) 10 个角色的完整设定卡(带形象图)、6 集大纲、15 场剧本、分镜提示词,最后用 MiniMax H3 生成了一段 30 秒的视频。整条链路从 txt 到视频,中间没有手动写一个提示词。 01 做 AI 短剧的第一步不是生视频 THE REAL FIRST STEP 这段时间 MiniMax H3 本地能跑了,好多人觉得 AI 短剧的门槛塌了。 我也这么想过。但真去做的时候发现一个问题——**角色不固定,后面每一步都会跑偏。**你第一段生成的孙悟空是金毛,第二段就变黑毛了。场景也是,前一秒天宫像欧式城堡,后一秒变回中式宫殿。 在生视频之前,先把角色、场景、剧本、分镜全部固定下来。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/d3d2876d7a6750cfbb5cfebac70394cd.png) 我决定跑一遍看看。 02 这套工具长什么样 THE TOOLCHAIN 6 个 Skill,一条流水线: 小说原文 → 改编大纲 → 角色设定 / 场景清单 / 剧本 → 分镜 → 视频生成 每一步都有脚本做质量检查——不是靠 AI "自觉",而是代码硬卡。比如角色不能超过上限、爽点间隔不能太长、台词单句不能超过 35 个字。 安装很简单,`git clone` 下来跑个脚本就行。Claude Code 和 Codex 都能跑,用你自己的订阅额度,不用额外配 API key。 03 我拿西游记试了什么 TESTING WITH JOURNEY TO THE WEST 选了前 7 回——大闹天宫篇。角色多、关系复杂、视觉冲击强,适合测试。 第一步:拆角色 4.4 万字丢进去,AI 扫出来 26 个角色,自动合并了不同称呼("美猴王""齐天大圣""弼马温"都归到孙悟空)。我选了前 10 个做完整设定——每个角色包含人物画像、形象提示词、音色提示词、性格分析。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/3ea8d0d1e580e3290ce26c31479c7720.png) 生成的角色图挺有意思。孙悟空是金毛、火眼、紫金凤翅冠,跟原著描写对得上。 ▼ 生成的 10 位角色设定图(左右滑动查看) ![](https://developer.qcloudimg.com/http-save/yehe-12043530/d211646772e2b2cabd8791b787850ae2.jpg) 孙悟空 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/b85fcc2dcc974ac714d957edf76f661b.jpg) 观音菩萨 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/ff45f33c202dcf0254c9856b22b53a12.jpg) 菩提祖师 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/c9bd7805aca5950b66c50f612461c171.jpg) 二郎神 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/64b77d9962af7150245f628c02c9fb51.jpg) 哪吒 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/ce00bed1baf91a4c0f022e7d0ce5b79f.jpg) 玉皇大帝 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/c49be9aa312c17aba5ef7faa08d4a046.jpg) 太白金星 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/d853f896ad7c57e1ba27406dc1d25b73.jpg) 李天王 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/11e0ee4b2874c1bccc4fc364a1bbd750.jpg) 太上老君 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/e4926b7d3258cb9d4dc3b1c00e050c4a.jpg) 东海龙王 第二步:写大纲 设定 6 集、每集 3 分钟、神话题材。AI 自动砍线、合人、排爽点。有 13 道质量门卡着——比如爽点间隔不能超过 3 集、第 1 集必须有钩子、大爆点不能压在最后一集。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/4b2a5cf25e7bf7d20fef6b405f85763b.png) 看这张爽点时间轴。每集的高潮点分布得很均匀,不是所有爆点都堆在最后一集。第 1 集就有"发现水帘洞"和"拜师学艺"两个钩子,第 4 集放了"偷吃蟠桃"的大爆点。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/c031f2e3143ec916da146d2d78fe1e9a.png) 每集有概要、悬念、钩子。第 6 集的悬念是"被压五行山后能否等来解救"——为续集留口。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/24e3d8809a4bc59be3ce5952c1dfe1ba.png) 这张是 AI 做的改编决策记录。它主动砍掉了一些支线(比如龙王送兵器的细节),合并了"弼马温"和"齐天大圣"两段为一集,理由是"节奏更紧凑"。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/18448e16c238f61de6d1787d2f230a5f.png) 调度矩阵能一眼看出谁在哪集出场。孙悟空全程在线,菩提祖师只出现在第 2-3 集,太上老君集中在第 5 集。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/768b887562b423571d4f292b0c5a2a79.png) 13 道质量门全绿通过。这不是 AI 自己说"我检查了没问题"——是跑了一个独立的 Node 脚本去验证 JSON 结构、爽点间距、角色引用完整性等硬指标。 第三步:写剧本 6 集、15 个场次、63 句台词。每集时长按语速自动折算(中文按 4 字/秒),台词按角色聚合后直接能对接 TTS。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/61e8bda3775569dc47062a3c362f9141.png) 单句台词卡在 35 个字以内——给配音用的,太长一口气读不完会断气。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/128ba3e13b613f7ea03618cd649c9ce6.png) 看这个场次列表。每集里谁在什么场景说了什么话,一目了然。动作描写穿插在台词之间,不是干巴巴的"孙悟空说"。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/5f2b3d2a7238578a0ef4abe9a950223c.png) 注意台词右边的情绪标注(mood)。这个参数是给 TTS 引擎用的——不是平读,是带感情的。"愤怒""得意""恐惧"直接控制语气。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/e363432ca1f40f4bf2e431d14222058c.png) 时长精确到秒。每集目标 60 秒,实际跑出来 50-58 秒,在容差范围内。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/44d5ecfb8776d6788a1a00d7bdd12999.png) 质量门全绿。台词长度、场景引用、角色 ID 匹配——又是一个独立脚本硬验的。 第四步:切分镜 第 1 集切成 5 个段、15 个分镜,每段自带 MiniMax H3 的视频提示词。这些提示词不是我写的,是 Skill 根据剧本和角色设定自动生成的。 ![](https://developer.qcloudimg.com/http-save/yehe-12043530/25193539e133a3e9cc2ab5a322ada95b.png) 每段有一张关键帧图片(用 gpt-image-2 生成),作为视频生成的首帧参考。 第五步:生成视频 拿分镜提示词调 MiniMax H3 的 API,用上一段的尾帧当下一段的首帧,保证视觉连贯。最后 5 段拼成 30 秒的完整片段,再用 ChatCut 加上配乐和音效。 04 踩到的坑 PITFALLS 角色图是用 Claude Code 调 API 生成的,但直接传给 MiniMax H3 的视频 API 会报错——图太大(2MB+),压缩到 200KB 以下才行。 哪吒的图生成失败了一次——提示词里有 "child warrior",触发了内容审核。改成 "youthful celestial deity" 就过了。 分镜之间的连贯性是最大的问题。如果每段独立生成,角色长相和场景风格会跳变。解决方案是串行生成——**每段用上一段的最后一帧当首帧。**代价是不能并行,5 段要等 20 分钟。 05 我的判断 MY THOUGHTS 这套工具解决的核心问题是:**在生视频之前,先把创作决策固定下来。** 角色长什么样、场景什么氛围、台词怎么说、镜头怎么切——这些不应该在生视频的时候才临时决定。固定了这些,后面换任何视频模型都能保持一致。 AI 短剧不是一个工具的事,是一条工作流。这套 Skill 把工作流的每个环节都拆成了可检查、可重复的步骤。 如果你手上有一本想改编的小说,这套东西值得试试。clone 下来装好 Skill,丢一个 txt 进去就能跑。

优秀的个人博客,低调大师

【Skills 实战】JeecgBoot 低代码 AI 一句话自动生成表单系统

引言:当 AI 遇上低代码表单设计 在企业级应用开发中,表单是最高频的交互组件之一。传统做法下,即便有低代码平台的加持,开发者仍需手动拖拽控件、逐一配置属性、调整布局…… 整个过程虽然比纯编码高效,但面对复杂业务场景时依然耗时。那么,有没有可能用一句自然语言,就让 AI 帮你把整套表单系统搭出来? JeecgBoot 低代码平台最新推出的jeecg-desformSkills 技能,正是为了解决这个痛点而生。它将 Claude Code 的 AI 理解能力与 JeecgBoot 表单设计器引擎深度融合,实现了从自然语言描述 → 智能推导控件 → 自动生成 JSON → API 接口创建的一站式自动化流程。 jeecg-desform 是什么? jeecg-desform是专为 Claude Code 打造的 AI Skill,它充当了开发者与 JeecgBoot 设计器表单(desform)之间的智能桥梁。你只需要用日常语言描述业务需求,AI 就能自动完成需求解析、JSON 结构生成以及表单创建的全部工作。 简单来说,它让 "画表单" 这件事变得像 "说话" 一样简单。不再需要关心控件选型、属性配置、JSON 格式 —— 这些繁琐的技术细节全部交给 AI 来处理。 核心能力一览 JeecgBoot 低代码的jeecg-desformSkill 提供了以下关键能力: 自然语言驱动:直接用中文描述你的表单需求,AI 会自动推导出最合适的控件类型和配置参数 完整 JSON 自动生成:自动输出符合 JeecgBoot 设计器规范的desformDesignJson,无需手写一行 JSON API 自动调用:生成完成后自动通过 API 创建表单并保存设计方案,全程无需人工干预 丰富的控件支持:覆盖 30+ 种控件类型,包括文本输入、日期选择、下拉框、文件上传、子表、关联控件、公式计算等 灵活的数据源配置:同时支持系统字典和静态选项两种数据源方式,满足不同业务场景 存量表单可编辑:不仅能新建,还能对已有的表单进行智能修改和优化 实战演示:一句话创建 CRM 系统 理论说再多不如实际看一遍。下面展示如何用一句话让 AI 自动构建一套完整的 CRM 模块。 在 Claude Code 中输入指令:通过表单设计器,创建一套CRM模块,然后静待 AI 完成全部工作即可。 AI 对话与执行过程 整个过程中,AI 会自动分析 CRM 系统所需的表单结构,推导出客户管理、联系人、商机跟踪等模块所需的字段和控件类型,然后逐一生成并创建: 可以看到,AI 从需求理解、字段规划到 JSON 生成、API 调用,每一步都自动完成,开发者全程只需等待。 AI 设计的表单效果 生成完成后,进入 JeecgBoot 表单设计器可以直接查看 AI 创建的表单: 表单的控件类型、字段命名、布局排列都由 AI 根据 CRM 业务场景智能推导,无需任何手动调整就能直接使用。 系统运行效果 将表单部署到 JeecgBoot 低代码系统后,直接就能在前端页面中看到完整的业务模块: 从表单设计到系统上线,整个过程不到两分钟。这就是 AI + 低代码的真正威力。 多表单串联:复杂业务场景也能轻松应对 实际项目中,业务系统往往不是一个孤立的表单,而是多个表单之间存在关联和流转。jeecg-desform同样支持这种多表单串联的场景: 无论是主子表关联、跨表单引用,还是多模块联动,AI 都能根据你的描述自动规划表单间的关系并完成创建。 适用场景与实践建议 基于实际使用经验,jeecg-desform特别适合以下几类场景: 快速原型验证:产品经理提出需求后,开发者可以在几分钟内生成可运行的表单原型,大幅缩短需求确认周期 标准业务模块搭建:OA 审批、CRM 客户管理、进销存等通用业务模块,AI 对这类场景的理解非常成熟 批量表单生成:当项目需要大量相似结构的表单时,用自然语言描述比逐个手工配置效率高出数个量级 非技术人员参与:业务人员可以直接用业务语言描述需求,降低了技术门槛 同时也建议注意以下几点:对于高度定制化的交互逻辑(如复杂联动规则),AI 生成的表单可能需要后续微调;生成后建议在设计器中检查一遍字段配置,确保符合实际业务规则。 总结 JeecgBoot 低代码平台的jeecg-desformAI Skill,将表单开发的效率提升到了一个全新的高度。从 "拖拽式低代码" 进化到 "对话式零代码",开发者只需要一句话就能完成过去可能需要数小时的表单设计工作。随着 AI 能力的持续增强,这种 "自然语言驱动开发" 的模式将会成为企业级应用开发的主流范式之一。

优秀的个人博客,低调大师

基于Harness工程和渐进式探索的源代码逆向工程- Skills 技能设计和实践

**大家好,我是人月聊IT。**今天继续聊AI辅助下的源代码逆向工程设计和实现。注意该技能包和实践只针对Java微服务项目进行了细化定制,暂时没有考虑其他开发框架和开发语言的个性化需求。 > 接手一个百万行存量项目时,最昂贵的动作不是"读代码",而是"重复读代码"。本文介绍一套以渐进式探索为核心的逆向工程技能(Skill)实践:先把大型代码库逆向成"可导航元模型",再让后续的每个需求、每个 Bug 都在这张地图上做定点打击,而不是一次次全库重扫。 ![](https://developer.qcloudimg.com/http-save/yehe-8165035/dedb019fbed324f742b3c1cf5c3e8abb.png) ## **一、大型存量代码库的"理解困局"** 每个经历过存量项目交接的工程师都熟悉这样的场景:新需求来了,先在代码库里漫无目的地搜索关键词,顺着调用链跳了十几个文件,终于找到改动点;三个月后同一个需求再来一次,发现又要从头走一遍——因为上一次理解的结论只存在会话里,没有沉淀下来。 这个问题不是"记忆力不好"造成的,而是由大型代码库的三个客观性质决定的。 **第一,上下文是预算,不是垃圾桶。** 一个会话能承载的有效上下文有限。百万行代码如果全部塞进上下文,不仅成本不可接受,有效信息密度也会被稀释——真正重要的边界、入口、状态变更点,淹没在大量无关实现细节里。 **第二,一次性理解无法沉淀。** 传统做法是一次性通读、输出一份"项目总结报告"。报告写得再好,也无法回答三个月后的新问题:这个接口有哪些调用方?这张表被哪些服务写入?这个状态机在哪里迁移?因为报告是"面向作者当时的关注点"的,不是"面向未来所有任务"的。 **第三,记忆必然漂移。** 代码库在持续演化,而人类(以及依赖静态报告的人)的记忆却停在过去。三个月前正确的结论,今天可能已经失效——文件被重命名、函数被重构、表结构被变更。用过期索引去定位问题,比没有索引更危险。 **第四,重复扫描有复利成本。** 更隐蔽的问题是团队层面的:十个人各自理解过一遍项目,就有十份互不相通的私人地图;每次新人入职、每次项目交接,同样的全库扫描重来一遍。理解成本随团队规模与人员流动呈复利式增长——这是存量项目"越老越难改"的深层原因之一。 这三条(其实四条)合在一起,指向一个结论:**对大型存量项目的理解,不能靠"读",要靠"工程"**。我们需要一套方法,把"理解项目"从一个一次性的动作,变成一个可持续维护的知识工程——这就是本文要讲的"渐进式探索"技能实践的核心出发点。 ## **二、核心思想:从"总结报告"到"可导航元模型"** 传统逆向的产物是"摘要":一份几十页的架构说明,读起来很有收获,用起来无从下手。本文介绍的技能把产物定义为**元模型(Meta-Model)**——一个对项目本身进行建模的模型,它区别于摘要的四个特性是: - **可导航**:每个结论都挂在层级结构里,从总入口逐层下钻,而不是平铺直叙; - **可钻取**:每个节点都携带源码索引(path / symbol / config / table / grep keywords),从结论能一步跳回代码; - **可更新**:它不是一次会话的产物,而是随代码演化持续维护的对象; - **可验证**:每条结论都标注证据级别,任何一条都可以被重新验证或宣告失效。 元模型回答的不是"这个项目是什么",而是"下一次任务需要什么"——需求变更落在哪个模块、Bug 最常出现在哪个区域、改动一张表会波及哪些流程。 实现这一目标的方法是**渐进式探索(Progressive Exploration)**,它由三个原则支撑: **原则一:先地图,后细节。** 永远先建立项目地形图(技术栈、入口、模块划分、数据流入口),再决定从哪里向下钻取。不看完整地图就深入细节,等于在陌生的城市里跟着直觉走小路。 **原则二:先索引,后展开。** 每一轮输出都以"索引"为骨架——一行摘要、一个链接、一组检索关键词。索引足够小、足够稳定,可以被反复读取;而细节知识被"延迟装载",只在任务真正需要时才展开。 **原则三:先稳定,后可变。** 建模顺序严格按稳定性排序:系统边界 → 模块边界 → 领域对象 → 数据模型 → 关键流程 → 可变实现细节。稳定的层是地基,可变细节是墙皮;反过来做,等于先研究墙皮再研究地基。 需要强调一点:这套方法论之所以被称为"技能(Skill)",是因为它不只是几条方法论口号,而是以 Skill 形态被封装为一套可执行资产——触发说明(什么场景调用)、分阶段工作流、每个阶段的提示词包、产物目录与节点模板、一致性校验清单。**方法论决定了"往哪个方向走",Skill 封装决定了"每次执行不重样、不跑偏"。** 任何人加载同一个 Skill,面对同一个仓库,产出的元模型结构一致、术语一致、质量线一致——这正是把个人经验变成团队资产的载体。 贯穿这三个原则的,是**证据分级**:每一条结论都必须标注为"已确认事实、高概率推断、待验证假设"三者之一。这一点在后面单独展开。 ## **三、逆向工程的九个阶段** 整套技能把逆向过程划分为九个阶段,每个阶段有明确的输入、操作与**完成标准**: |阶段|名称|一句话| | --- | --- | --- | |0|架构类型识别|判断单体 / 模块化单体 / monorepo / 微服务| |1|项目地形扫描|技术栈、构建、入口、配置、测试目录| |2|模块地图|稳定模块、职责、上下游依赖| |3|功能清单逆向|用户功能 → 前后端入口 → 源码 → 表| |4|领域对象抽取|实体、状态机、跨模块共享语义| |5|数据库模型逆向|表、键、字段语义、实体映射| |6|关键流程还原|请求/业务/落库/异步/定时五条链路| |7|高风险变更区|结构证据 + git 证据 + 技术债聚合| |8|总入口索引|meta-index + 二级索引 + 进度检查点| |9|一致性校验|引用完整性、孤立对象、主链路、低置信度| **阶段 0:架构类型识别。** 先回答"这是什么类型的系统",判断依据必须来自目录结构、构建文件、启动入口数量、部署清单、服务调用配置等客观证据,且至少两条独立证据交叉,证据不足的判断必须标记为"假设"。这一步决定了后续所有阶段的建模维度:单体项目只需要模块级元模型,微服务必须同时维护服务级与模块级两个层级。 **阶段 1:项目地形扫描。** 这是"先地图"的落地动作。只看根目录、构建文件、入口文件、配置目录、文档与测试目录,回答五个问题:技术栈是什么、入口在哪里、模块怎么划分、数据和控制流从哪里进入、服务边界在哪里。产出"前 10 个继续深挖的位置"——注意,是"位置",不是"结论"。地形扫描的纪律是:**不读业务细节**。 **阶段 2:模块地图。** 把系统拆成稳定模块,为每个模块记录职责、输入输出、上下游依赖、关键入口、典型变更点。完成标准是"所有顶层代码目录都有归属,模块间依赖没有未知留白"。 **阶段 3:功能清单逆向。** 这是整个元模型里需求价值最高的部分,因为需求总是以"某个功能"的形式被提出。按用户可感知功能拆分,每个功能记录:所属模块、前端落点(路由/页面/按钮)、后端 Controller、核心 Service、关键表、外部依赖、grep 关键词。前端追踪有专门的方法(见第七节)。 **阶段 4:领域对象抽取。** 提炼实体、值对象、状态机、枚举、DTO、聚合,重点回答哪些对象是业务语义核心、哪些跨模块共享、状态如何迁移。 **阶段 5:数据库模型逆向。** 当项目存在 DDL、Entity、Mapper 或显式 SQL 时,必须显式做数据库建模:主表、关系表、主键/唯一键、字段语义、代码实体到库表的四层映射(DDL → Entity → Mapper → Service),以及登录、权限、租户、菜单等核心域的表间关系。 **阶段 6:关键流程还原。** 优先还原五条链路:用户请求链路、核心业务处理链路、数据落库链路、异步消息链路、定时任务链路。每条链路必须回答:从哪里进入、经过哪些模块、关键判定点、状态在哪变化、数据在哪落库、可以从哪里插入需求变更。 **阶段 7:高风险变更区。** 识别需求高变区、高频 Bug 区、公共底座区、强耦合区、边界复杂区。与直觉相反,这个阶段**一半的证据来自 git 历史而不是代码结构**(见第七节)。 **阶段 8:总入口索引。** 把前面所有阶段收敛为一份小而稳定的 `meta-index.md`,并更新进度检查点 `PROGRESS.md`。这是整个元模型对外的唯一入口。 **阶段 9:一致性校验。** 收尾校验各产物之间的引用完整性,防止"能看但不好用"的孤立模型(见第八节)。 ## **四、阶段之间的关系:依赖、层级与闭环** 九个阶段不是简单的线性流水线,它们之间存在三种关系。 **递进依赖。** 前一阶段的产物是后一阶段的输入:没有地形扫描,模块划分就是猜;没有模块地图,功能归属就无处安放;没有数据库模型,流程还原就看不见"数据在哪落库"。这种依赖要求阶段严格按序执行,尤其是不允许"越级下钻"——直接跳到某个 Controller 的实现细节里,是整个流程最容易犯的错。 **稳定层优先。** 从建模对象的角度看,九个阶段恰好构成一个从稳定到可变的层级序列: ``` ┌─────────────────────────────────────────────┐ │ 系统边界(阶段0:架构类型、服务边界) │ ← 最稳定 ├─────────────────────────────────────────────┤ │ 模块边界(阶段1、2:地形、模块、依赖) │ ├─────────────────────────────────────────────┤ │ 领域对象(阶段4:实体、状态机、共享语义) │ ├─────────────────────────────────────────────┤ │ 数据模型(阶段5:表、键、字段语义、映射) │ ├─────────────────────────────────────────────┤ │ 关键流程(阶段3、6:功能、链路、变更点) │ ├─────────────────────────────────────────────┤ │ 可变实现细节(阶段7:热区、技术债) │ ← 最可变 └─────────────────────────────────────────────┘ ``` 越靠上的层越稳定,越值得投入精力精确建模;越靠下的层越易变,建模时要保留"随时回源验证"的能力。把有限的探索预算花在稳定层上,是元模型长期有效的根本原因——**稳定层建得越扎实,后续维护成本越低。** 对于微服务架构,这套层级还需要叠加一个**双层级**约束:服务级与模块级。服务级元模型回答"系统怎么部署、怎么协作"——服务拓扑、接口契约、事件拓扑、配置矩阵、数据归属;模块级元模型回答"代码怎么组织、逻辑在哪"——模块地图、领域对象、流程。一次跨服务的需求变更,要先用服务级地图定位边界(走哪个 API、发哪个事件、改哪张表),再钻进服务内部用模块级地图定位实现。两层之间的对应关系(哪个服务承载哪个模块、哪张表由哪个服务主写)是微服务元模型里最容易被忽略、却最常被问起的部分。 **校验闭环。** 阶段 9 不是可选的收尾仪式,而是整个流程的闭环:它回检阶段 0-8 的所有产物,发现引用断裂、孤立对象、主链路缺失,然后驱动修复并重跑,直到 0 ERROR。同时,证据升级(推断 → 事实)贯穿全程,是另一条看不见的反馈回路。整个流程可以用下图概括: ``` 阶段0 ─► 阶段1 ─► 阶段2 ─┬─► 阶段3 功能清单 ─┐ 架构识别 地形扫描 模块地图 ├─► 阶段4 领域对象 │ ├─► 阶段5 数据库模型 │ └─► 阶段6 流程还原 ─┘ │ ▼ 阶段8 总入口索引 + PROGRESS(断点续跑 ← 跨会话循环) ▲ │ 阶段9 一致性校验 ────┘ 回检阶段0-8,修复后重跑 ``` ## **五、渐进式探索的六个落地机制** 三个原则是思想,落地需要机制。这套技能把渐进式探索操作化为六个具体机制。 **机制一:入口索引(meta-index.md)。** 借鉴了 MEMORY.md 的设计:总入口文件必须小、稳定、可持续维护,每个条目一行、一个链接、一句摘要,详细知识分散到独立文档。后续任何任务的第一步都是读 meta-index.md,命中相关节点,再展开局部上下文: ``` - [模块地图](./module-index.md) - 系统模块、职责、依赖、热区 - [功能清单](./functional-inventory.md) - 功能、入口、源码、库表映射 - [关键流程](./flow-index.md) - 请求入口、调度链路、状态变更点 - [变更热区](./change-hotspots.md) - 高频 Bug 区、需求高变区、脆弱边界 ``` **机制二:深度三档与停止规则。** 渐进探索最怕两件事:小型项目过度逆向、大型项目刹不住车。为此定义三档深度:浅扫档(快速摸底,核心代码读取 ≤150 个文件)、标准档(一般需求,≤500 文件)、深挖档(大改造或长期维护,无硬上限、允许跨会话)。**达到档位上限即停止下钻**,把未覆盖项写入进度检查点,而不是无限扩展阅读。上下文是预算——预算要有额度,额度用完要记账,而不是超支。 **机制三:阶段完成标准(exit criteria)。** 每个阶段都有可勾选的完成标准。例如阶段 2 的完成标准是"所有顶层代码目录归属到模块、每模块具备职责/依赖/入口/索引四件套、模块间依赖无未知留白"。完成标准解决了两个问题:什么时候可以进入下一阶段(避免浅尝辄止),什么时候必须停手(避免过度建模)。 **机制四:进度检查点(PROGRESS.md)。** 深挖档必然跨多个会话。PROGRESS.md 记录目标档位、已完成阶段(日期+覆盖范围+遗留项)、待验证清单、下轮建议。新会话的第一步是读 PROGRESS.md + meta-index.md,从遗留项继续,而不是从头重扫——这是"一次性理解无法沉淀"的解法:**知识不沉淀在会话里,沉淀在文件里。** **机制五:最小上下文原则。** 处理具体需求或 Bug 时,先映射到元模型节点,只展开与任务直接相关的最小文件集合,任何扩展阅读都要有明确收益。这是"面向变更"的设计:元模型的价值恰恰在于,它让"最小上下文"成为一个可执行的检索动作,而不是一次碰运气的搜索。 **机制六:增量重扫。** 代码在演化,元模型必须跟上。增量更新的方法很朴素:用 `git diff --name-only ` 确定变更目录,只重扫变更区并更新对应文档。持续维护的元模型,维护成本远低于重建成本——前提是每次变更都落盘。 ## **六、证据分层:对抗记忆漂移** 元模型最大的敌人是"看起来正确":文件还在但逻辑已变、函数还在但行为已改。对抗手段是**证据分级 + 强制标注**。 每条结论必须标记为三级之一: - **事实**:已由代码、配置、测试、文档直接确认,可 grep 到; - **推断**:代码迹象强,但未完全闭环; - **假设**:需要继续读取或运行验证。 三级之间不是静态标签,而是一套生命周期。**升级配方**规定了升级的必要条件:推断升事实必须满足任一——测试命中(存在断言该行为的测试)、多路径交叉(如 Entity 字段、Mapper SQL、Service 写路径三处一致)、配置或文档佐证、运行验证。**升不上去就留在原级别,不要为了"好看"而升级。** 这句话是这个协议里最重要的一句话:证据级别是给未来的自己和同事看的信用记录,虚报信用只会让整个元模型失去信任。 **失效协议**解决"记忆漂移":元模型里的任何标识符都不是永真。定期(或每次基于元模型给修改建议前)用 grep 批量回源验证索引里的 path、symbol、表名是否仍存在: ``` # 批量回源:一次 grep 验证一批索引条目 grep -r "OrderService" src/main/java --include="*.java" -l grep -r "INSERT INTO t_order" src/main/resources --include="*.xml" -l ``` 验证失败的对象标记"已失效(日期):原因",移入文档的"历史/已变更"小节,并在进度检查点记录。**基于元模型给出的任何修改建议,落地前必须回源确认。** 这条规则把"防漂移"从口号变成了可执行的纪律。 在文档层面,证据协议落地为两个强制字段:`结论级别`(事实/推断/假设)与 `最后核验`(日期 + 依据,如"2026-08-13,测试 OrderFlowTest 命中")。每个节点模板都内置这两个字段,意味着**标注证据不是可选的注释,而是产物的固定组成部分**——未来的读者(包括未来的 AI)拿到任何一条结论,都能判断它值多少信任、上一次被验证是什么时候。 ## **七、三个高信号证据源** 在常规的代码阅读之外,这套技能刻意引入三个"高信号证据源"——它们单位投入的信息产出远高于逐行读代码。 **git 历史:时间维度的热区。** 代码结构回答"现在是什么",git 历史回答"哪里一直在变"。热区分析一半的证据来自这里: ``` # 需求高变区:最近 90 天提交最密集的目录 git log --oneline --since=90d -- modules/order | wc -l # 高频 Bug 区:bug 修复提交集中的目录 git log --oneline --grep='fix|bug' -- modules/payment # 强耦合证据:跨目录同时提交(同一次提交改动多个模块) git log --name-only --oneline -n 200 | grep -A1 'modules/' ``` 注意 git 证据的边界:高活跃可能意味着活跃开发而非高风险,所以它必须与结构证据合并使用,两者冲突时要说明冲突而不是忽略。 **契约与事件:跨服务语义的档案。** 微服务项目里,跨服务共享语义(DTO、状态枚举、事件体、幂等键)是最高价值的领域对象,但它们分散在各服务各自的代码库里。方法是在接口契约索引中单独建模:每个 REST 接口、Feign 调用、MQ 事件,记录契约定义位置、调用方、消费方、兼容性风险。这类对象往往有序列化测试与契约测试,是"推断升事实"的现成配方——一个事件体有对应的消费者测试断言其字段,就能交叉确认它是事实而非猜测。 **测试代码:行为契约的存档。** 测试是行为契约的最高信号——入口参数、边界条件、期望输出都在测试里写死了。有测试覆盖的关键流程,用测试还原期望行为,比读十遍实现更准确;有测试的功能可以直接升级为"事实";回归建议直接引用相关测试文件。代价是几乎为零,因为测试代码本来就在仓库里。 **前端追踪:四层映射。** 需求总是从"某个页面、某个按钮"开始描述,所以功能清单的入口必须从前端建立。方法是一条六步链路:识别前端技术栈(决定路由是配置式还是约定式)→ 收集路由清单 → 提取菜单与权限码 → 在请求层(axios/fetch 封装、api 目录)一次性收敛全部 URL 清单 → 与后端 Controller 的 @RequestMapping 做交集匹配 → 把页面 → API →Controller → Service → 表 的映射落盘。关键技巧是**在请求层收敛 URL 而不是逐页阅读**:一个 api 目录往往只有几十个文件,却覆盖了成百上千个页面的后端交互。 ## **八、一致性校验:让元模型"能用"** 元模型文档写完之后,最危险的状态是"每条都写了,互相不对账"。功能清单里引用的表在数据库模型里找不到、流程的入口在模块地图里没有归属、微服务的契约挂在不存在服务上——这种孤立模型"能看但不好用",甚至会误导后续任务。 阶段 9 一致性校验是收尾的质检工序,检查清单包括: 1. **引用完整性**:功能清单的表是否在数据库模型中,功能与流程的归属是否在模块地图中; 1. **孤立对象**:未被任何功能/流程引用的核心表、未映射的实体、无调用方的接口; 1. **主链路覆盖**:每个核心场景是否至少关联一个功能、一个接口、一张表; 1. **数据归属**(微服务):核心表是否被多个服务同时声明为主写; 1. **重复语义**:名称不同但描述近似的对象,提示可能重复建模; 1. **索引完备**:核心对象是否携带 path/symbol/grep,支持后续最小化补读; 1. **过度建模**:大量边缘对象但主链路未闭环,提示收敛粒度; 1. **低置信度**:置信度低的推断/假设汇总为人工复核清单。 输出按 ERROR / WARNING / INFO 分级,每条带对象名、问题类型、修复建议,最后给出覆盖度摘要:已识别多少个业务场景、功能点、接口、核心表、服务,以及哪些域的覆盖明显不足。覆盖度摘要的价值在于把"我不知道自己不知道什么"显式化——它列出的是逆向工作的盲区,后续任何依赖元模型的任务都能据此判断结论的边界。修复后重跑直到 0 ERROR。这一步保证了元模型从"写完了"到"能用"的跨越——**校验的不是完整性,是可用性。** ## **九、最小实践示例** 用一个虚构的订单系统快速演示整套流程的骨架(细节省略,只展示产物形状)。 **阶段 0-1 之后**,地形扫描的产物: ``` # 项目总览 - 架构类型:模块化单体(事实:单一 war 包,多 maven 模块,无注册中心) - 技术栈:Spring Boot 2.7 + MyBatis + MySQL + RabbitMQ - 主要入口:OrderApplication(HTTP)、OrderConsumer(MQ)、JobLauncher(XXL-Job) - 模块候选:order-core / order-api / order-infra / common ``` **阶段 2 之后**,模块地图的节点: ``` ## 模块:order-core - 结论级别:事实(多路径交叉:Entity + Mapper + Service 三处一致) - 职责:订单主流程领域逻辑 - 输入:OrderCreateCommand(来自 order-api) - 输出:OrderCreatedEvent(发布到 MQ) - 下游:order-infra(持久化)、payment-api(外部调用) - 关键入口:OrderService#createOrder - 索引:path=order-core/.../service/OrderService.java symbol=createOrder table=t_order grep=createOrder ``` **阶段 7 之后**,热区节点: ``` ## 热区:订单状态机 - 热区类型:高频 Bug / 边界复杂 - 结构证据:状态迁移集中在 OrderService,分支达 12 处 - git 证据:近 90 天 47 次提交,其中 fix/bug 相关 18 次 - 修改前必读:OrderService#transition、OrderStateEnum - 回归建议:OrderFlowTest(覆盖全部合法迁移与 6 个非法迁移) ``` **跨会话续跑**时,进度检查点的一行: ``` - [x] 阶段 5 数据库模型(2026-08-13,覆盖 t_order/t_order_item/t_payment, 遗留:t_coupon 无实体映射,进待验证清单) ``` **阶段 9 校验**的输出形态: ``` [ERROR] 功能 FUNC-12 引用的表 t_coupon 未在 database-model.md 中定义 [WARNING] 表 t_refund_log 未被任何功能/流程引用,可能为孤立表 [INFO] 对象 API-08 为低置信度推断,建议人工复核 ``` 整个过程走下来,最终沉淀的是十几个相互勾稽的 markdown 文档——它们合在一起,就是这张订单系统持续可用的"知识地图"。 ## **十、结语** 把大型代码库逆向成元模型,本质上是一次认知范式的转换:**从"读懂项目"转向"把项目建成可导航、可验证、可持续维护的知识资产"。** 渐进式探索是这场转换的方法论——先地图后细节、先索引后展开、先稳定后可变,配合证据分级对抗记忆漂移,配合进度检查点实现跨会话续跑,配合一致性校验保证产物可用。 这套技能最想传达的一个观点是:**理解代码库不应该是一次性的事件,而应该是一项持续投资的基础设施。** 第一次逆向投入的每一分钟,都会在后续的每一次需求变更、每一个 Bug 定位、每一次新人上手中被成倍地回收。当团队里的任何一个人都能从 meta-index.md 出发,在五分钟内定位到改动点、影响面与回归面时,这个团队就真正拥有了对存量系统的"制度性理解"——而这份理解,比任何一份过期的架构报告都更长久。

优秀的个人博客,低调大师

《WorkBuddy Skills 实战》第20招 五分钟跑通第一条链

## 01、痛点 我是老李。这几天同事群里高频出现同一类问题:给 WorkBuddy 装了一堆能力扩展,最后却连一个网页都没跑起来。 有个做交付的兄弟,一下午装了浏览器自动化、缺陷诊断、日志、CI、告警、知识库等 15 个扩展。启动工作台后,上下文又长又乱,还报权限错误。他发来的日志前几行是 Playwright 初始化失败,后面却跟着十几条能力包版本冲突。真正的错误被噪音淹没了。 这种事并不少见。很多人遇到工具生态,第一反应不是跑通一件事,而是先集齐所有能力。结果第一个网页没打开,第二个、第三个扩展已经抢着报错。 这里有两个更隐蔽的坑。 第一,清单式安装。装得越全,能力越强的错觉,会让新手在还没验证核心链路时,就把复杂度拉满。反馈周期一长,人就容易怀疑工具,而不是怀疑安装顺序。 第二,安装器命令和普通 Shell 命令被混在一起。比如文档里出现 `$toolkit-installer`,不少读者会直接复制到终端敲。其实这个带美元符号的字符串是变量引用,不是系统里现成的可执行文件。把变量当命令用,当然会报 `command not found`。 这两个坑叠加,把十分钟能验证的问题拖成半天。所以我们要换一种打法:不要一次装 15 个,先拿到第一个闭环价值。 ## 02、是什么 WorkBuddy 的能力包,不是系统可执行程序。它更像一个运行时挂载单元,里面通常包含描述文件、脚本、配置和依赖声明。安装器负责把这个单元放进扩展目录,并在当前工作台环境完成注册。安装动作要在 WorkBuddy 的上下文里完成,而不是直接在终端敲一个孤立命令。 可以把它类比成手机应用商店里的某个自动化配置,而不是系统自带设置。你要安装,必须经过应用商店或管理入口,而不是自己直接去改底层驱动。这个类比不一定完全准确,但能帮助新手记住一个关键点:安装能力包和运行系统命令是两条路。 Playwright 是浏览器自动化运行时。它能启动真实浏览器,打开网页、读取页面结构、点击按钮、输入文本、截图,甚至等待某个元素出现。它和普通脚本最大的区别是,它操作的是真实页面,不是模拟 DOM 或静态抓取。很多动态渲染、跳转、登录后的状态变化,只有真实浏览器才能给出可信结果。 WorkBuddy 加 Playwright,解决的是一个非常具体的场景:你告诉它目标,它驱动真实浏览器完成操作,并把可验证的结果带回来。比如读取登录按钮是否存在、点击后 URL 有没有变化、表格里有没有出现新数据。这个组合的核心价值不是聊天,而是闭环。所谓闭环,就是指令发出去以后,能返回一个你肉眼可确认的结果。 ## 03、为什么 为什么现在要讲这个?因为工具生态越来越丰富,反而让很多人掉进完整性陷阱。好像不装完全部能力,就不好意思开工。 可学习工具的进度,从来不看你装了多少包,而看你多久拿到第一个可验证结果。五分钟跑通一条真实链路,比读完一整页能力清单重要得多。 从认知负荷看,一次装 15 个能力扩展,至少带来三层负担。 第一,依赖冲突。不同能力包可能依赖不同版本的浏览器或运行时。一次装太多,排错难度指数上升。你可能不知道是 A 包和 B 包冲突,还是环境变量错了。 第二,命令入口混乱。有些能力通过 WorkBuddy 调度,有些需要外部配置,新手很容易把不同的调用方式搞混。尤其当文档里同时出现裸命令和变量引用时,更容易复制错。 第三,反馈不聚焦。一个包失败会污染其他包的判断,你不知道是基础环境坏了,还是某个扩展本身有问题。错误信息越多,真正的原因反而越难找。 反过来,先装一个。链路短,出问题就那两三个变量。搞定一个,再装第二个,每一步都有真实任务驱动。真实工作流里,今天最紧急的问题大概率不是我要一个全能助手,而是某个具体任务很痛:自动打开后台页面读数据、自动点击导出按钮、自动做一次冒烟回归。这类任务用 Playwright 跑通,立刻就有生产力。 ## 04、架构 为了把这个问题讲清楚,可以把 WorkBuddy 与浏览器自动化能力分成四层。 第一层,入口层。WorkBuddy 是主控入口,负责理解目标、调度已注册能力、判断依赖是否齐全。它知道当前环境里哪些能力可用,哪些缺失。 第二层,能力管理层。安装器通常由 WorkBuddy 内部调用,可能表现为 `workbuddy capability install playwright`。如果文档里写的是 `$toolkit-installer install playwright`,它的意思是:`$toolkit-installer` 是一个变量,指向能力包安装器路径。它不是系统 PATH 里的可执行文件。不要把它当成 `ls`、`cat`、`npm` 那样的命令。 第三层,运行时层。Playwright 启动真实浏览器进程,通过进程通信或调试协议控制页面。WorkBuddy 把抽象目标翻译成可执行步骤,比如读取标题、获取文本、点击元素、等待跳转。 第四层,结果层。截图、页面文本、点击后的状态变化、结构化日志,返回给用户确认。闭环价值来自这一层:你看到了真实结果,而不是只听一句我成功了。 这种分层的好处是排错时能快速定位。包装不上看管理层,驱动不了看运行时层,点击没反应看页面选择器或结果层。不同层的问题不要混着查。举几个典型错误:如果提示变量未定义,多半是把变量引用当成命令了;如果提示浏览器可执行文件缺失,多半是 Playwright 的浏览器运行时没装好;如果页面打开了但点击超时,多半是元素选择器变了。 ## 05、实战 下面按最小闭环操作。目标不是展示复杂功能,而是让一个真实网页被打开、被读取、被操作。 第 0 步,确认工作台入口。假设你的入口命令是 `workbuddy`。先执行: ``` workbuddy doctor ``` 查看运行环境是否正常。再执行: ``` workbuddy capability list ``` 看当前可用的能力包列表。注意,这些命令都要通过 WorkBuddy 入口执行,不要去系统终端找 `capability` 这个独立程序。 第 1 步,安装 Playwright 能力。正确做法是让 WorkBuddy 自己调用安装器: ``` workbuddy capability install playwright ``` 如果资料里写的是 `$toolkit-installer install playwright`,请一定看清:`$toolkit-installer` 是变量,不是命令。你需要先在 WorkBuddy 或 Shell 初始化脚本里给它赋值,或者直接用 WorkBuddy 提供的封装命令。不要直接复制带美元符号的字符串到终端,否则会报 `command not found`。 第 2 步,运行第一个网页任务。以示例站点为例: ``` workbuddy run playwright --url https://example.com --action '读取页面标题,然后点击 login' ``` 等待输出。如果链路正常,你会看到浏览器启动、页面打开、返回标题文本,以及点击后的 URL 或页面状态变化。这一步成功,就完成了一个最小闭环。 第 3 步,换成你自己的业务页面。比如内部后台的列表页,读取表格前 10 行,或者点击导出按钮。建议先选不需要登录的页面,减少变量。如果必须登录,优先用已登录的浏览器上下文或测试账号,不要一上来处理复杂认证。 如果安装完发现浏览器没有启动,先看 `workbuddy doctor` 里的浏览器运行时是否安装;如果提示变量未定义,检查 Shell 初始化脚本;如果页面打开但点击失败,先确认元素选择器是否变化。一步步缩小范围,不要急着重装全部环境。 进阶顺序要收敛。第二个装 `diagnosing-bugs`,用来把失败日志、报错堆栈、环境信息结构化,方便后续定位问题。第三个再按自己的工作流选择 CI、Sentry、内容管理或知识类能力包。原则是:每加一个包,都要有当前任务需要,而不是因为清单上看着顺眼。 ## 06、洞见 学习新工具最好的方式,不是先读完整清单,而是五分钟做出一个可验证结果。 工具的价值必须在真实反馈中显现。清单再长,如果不产生可感知的变化,心智模型也建立不起来。你记住的往往不是文档里的功能列表,而是第一次看到浏览器自动打开并完成点击的那一瞬间。 可验证结果有几个特征:时间短、命令少、输出可见。例如打开网页并读取标题,十秒内就能判断成功与否。被验证过的链路会变成锚点。后面再装诊断、告警、CI 等能力时,你有了对照:是新增包坏了,还是基础链路坏了。 为什么五分钟比一小时更有效?因为短链路帮助建立最小的心理表征。你能记住一条从安装到运行到结果的路,而不是只记得一堆零散名词。 另一个洞见是:工作流不是装出来的,是长出来的。先让一个能力包真正解决今天的问题,用顺了,再让它长成自己的 WorkBuddy 工作流。每一步增长都有真实任务驱动,而不是为了完整性。 ## 07、行动 如果只做一件事,就做这句:先装一个真正解决今天问题的能力包,用顺了,再让它长成自己的 WorkBuddy 工作流。 具体可以这样开始。 第一,把今天最想自动化的网页任务写下来,越具体越好。不要写我要自动化网页,而是写我要打开后台订单页,读取前 10 条订单号。 第二,只挑一个能力包解决它,不要顺手装别的。先装浏览器自动化,跑通再说。 第三,跑通最小闭环,记录一条命令和一次输出结果。最好截图或保存日志,作为基线。 第四,明天再考虑加第二个包,比如缺陷诊断或错误监控。一周节奏可以是:第一天跑通网页操作,第二天加诊断能力,第三天接一个真实任务,周末再扩展。 不要一次装 15 个,不要先读完整清单,也不要把带美元符号的变量当成系统命令。 ## 08、小结 这篇文章不是劝你少用工具,而是劝你先拿到结果。WorkBuddy 加 Playwright 的价值,在于让网页操作从我觉得可以变成我看到了。 最小闭环、真实反馈、按需扩展,这三件事比多装几个包重要得多。先把一个能力用顺,它自然会成为后续工作流的地基。工具永远是为解决今天的问题服务,不是用来集邮。 ## 09、链接与概念说明 `WorkBuddy`:本文默认的工作台入口,能力包安装和运行都要在它的上下文中执行。 `Playwright`:浏览器自动化运行时,支持真实浏览器操作、读取页面、截图和脚本化交互。 能力包:本文用来指代那些可安装扩展,本质是描述文件、脚本、配置和依赖声明的组合。 `$toolkit-installer`:变量引用,不是系统可执行程序。它在配置或文档里出现时,不要直接当成命令敲。 `workbuddy capability install`:安装能力包的示例入口,实际命令以你使用的 WorkBuddy 版本为准。 `diagnosing-bugs`:可用于诊断缺陷的扩展,建议在基础链路跑通后第二个安装。 `CI`:持续集成,适合在基础链路稳定后接入。 `Sentry`:错误监控服务,适合与诊断能力配合使用。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册
修改密码
忘记密码