管理多台 VPS 时，每天检查一遍状态是刚需：磁盘快满了、某个服务挂了、内存用量异常……这些如果不主动检查，可能等到出了问题才发现。 这篇文章讲一个实际方案：Python 脚本 SSH 到各台服务器采集指标 → Gemini CLI 分析异常 → Telegram Bot 推送日报。 整个流程每天定时跑一次，不需要手动干预。 架构 定时任务（cron） └─ Python 巡检脚本 ├─ SSH 到每台服务器 │ └─ 采集：CPU / 内存 / 磁盘 / 服务状态 / 近期错误日志 ├─ 汇总成文本报告 ├─ 调用 Gemini CLI 分析报告（找异常、给建议） └─ 发送到 Telegram Bot 前置准备 1. 安装 Gemini CLI npm install -g @google/gemini-cli gemini auth # 用 Google 账号登录 验证： ...
Claude、ChatGPT、Perplexity 这类 AI 服务对出口 IP 质量非常敏感。如果你用普通 VPS（数据中心 IP）挂代理访问，经常会遇到： 账号登录触发验证码 被要求重新验证身份 某些功能被限制（Claude Projects、ChatGPT Plus 功能等） 请求被静默降速 原因是这些服务的风控会识别 IP 来源，数据中心 IP 是已知的"代理流量"特征，住宅 IP 则不是。 解决方案：AI 流量单独走住宅代理，普通流量继续走 VPS 节点。 架构概览 本机 ├─ AI 服务请求（api.anthropic.com / api.openai.com / ...） │ └─ Surge → 住宅代理（SOCKS5/HTTP，家宽出口） └─ 其他流量 └─ Surge → VPS 节点（REALITY / Hysteria2） 住宅代理可以是： 家里的软路由 + 公网 IP（最优，完全真实住宅 IP） 商业住宅代理服务（IPRoyal、BrightData 等，按量计费） 本文以第一种（软路由转发）为例，第二种逻辑完全相同，只是替换代理地址。 ...
GitHub Copilot（特别是通过 Claude Code + Copilot 通道使用时）每月有请求次数限制。OpenClaw 支持多 agent 并发，很容易在不知不觉中把配额消耗掉。 这篇文章整理了 8 个实用技巧，帮你更有效地管理用量、减少浪费。 1. 追踪当前 Copilot 用量 方式一：GitHub 设置页面 直接访问 GitHub Copilot 用量页面查看当月消耗（Premium Request 数量）。不同模型消耗倍率不同： 模型 消耗倍率 GPT-4o 1x Claude Sonnet 1x Claude Opus 10x o1 10x o3 更高 方式二：命令行查看（通过 API） # 获取当前 Copilot 套餐信息 curl -H "Authorization: token your-github-token" \ https://api.github.com/user/copilot_billing/seats 方式三：计划用量估算 大概规律： 一次完整代码生成对话：1-3 requests 一次文件重构任务（带多轮修改）：5-15 requests OpenClaw 多 agent 并发任务：每 agent 独立计算 2. OpenClaw 合理配置 agent 数量 OpenClaw 默认可以开多个 subagent 并发执行，但并不是越多越好。 ...
最近一年用 AI 工具碰到一个高频问题：机场的共享节点 IP 被 AI 平台标记，登录时要求验证、限制功能、甚至封号。根本原因是这些 IP 被太多人用过，平台的风控系统认为是"异常流量"。 解决方案：用住宅 IP作为出口。住宅 IP 来自真实家庭宽带，对平台来说跟普通用户一样，通过率高得多。 这篇文章讲怎么在 mihomo（原 Clash Meta）里配置住宅 IP 出口，以 IPRoyal 为例。 住宅 IP 和机场节点的区别 对比 机场节点（VPS） 住宅代理 IP IP 类型 数据中心 IP 真实家庭宽带 IP 被风控概率 高（共享 IP，大量请求） 低（看起来像真实用户） 速度 快（专线） 中等 价格 按月订阅，便宜 按 GB 计费，贵一些 适合场景 日常浏览、流媒体 AI 工具、账号注册、数据采集 住宅 IP 不适合替代机场做所有流量，太贵了。正确用法是：只让需要住宅 IP 的流量走住宅代理，其余走正常节点。 IPRoyal 住宅 IP 配置 我用的是 IPRoyal，按 GB 计费，用多少买多少，不需要月付，质量稳定。 ...
用代理节点访问 Claude、ChatGPT 时，可能遇到过这些情况： 登录时反复弹出验证码 账号被提示"unusual activity" 某些功能被悄悄限制 API 调用稳定性差，偶尔 403 这些问题的根源通常不是代理协议，而是出口 IP 的质量。 IP 质量的分类 互联网上的 IP 地址大致分为三类，对应不同的"可信度"： 住宅 IP（Residential IP） 由 ISP（电信、联通等）分配给普通家庭宽带用户 使用场景：正常家庭上网 被 AI 服务认为是真实用户 数据中心 IP（Datacenter IP） AWS、GCP、Azure、Vultr、DigitalOcean 等云厂商的 IP 段 这些 IP 段是公开已知的，任何服务都可以查询某个 IP 是否属于云服务商 特征明显：大量不同账号从同一 /24 网段访问 代理/VPN IP 商业代理服务的 IP 池 被高强度使用，信誉最差 AI 服务的风控逻辑 AI 服务的风控通常不是简单的"封 IP"，而是基于 IP 质量做差异化对待： 请求进来 → IP 质量检查 ├─ 住宅 IP → 正常处理 ├─ 数据中心 IP → 提高 CAPTCHA 频率 / 限制某些功能 └─ 已知代理 IP → 拒绝 / 要求重新验证 这就是为什么即使你的节点"能连上"，使用体验也可能很差：功能在降级运行，不是完全封锁。 ...
很多人试过语音输入，然后放弃了——说出来的东西乱糟糟的，还要花时间整理，反而更慢。 这是旧时代语音识别的问题。Typeless 在识别后加了一层 AI 处理，基本解决了这个问题。用下来三个场景受益最明显。 场景一：技术文章起草 写技术文章最费时间的不是打字，是「从想法到第一稿」这个过程。脑子里有结构，但要把它变成文字就会卡住，反复删改，越写越慢。 换成语音之后，我的流程变成了： 在脑子里过一遍文章结构（30 秒） 开 Typeless，对着 Obsidian 口述全文 AI 自动整理段落、列表、要点 检查一遍，补细节 口述完一篇千字文章大概需要 5-8 分钟，然后花 10 分钟打磨，全程 20 分钟以内。以前单纯用键盘要 40-60 分钟。 关键是：说话比打字更接近思维速度，中间不会因为手速不够而打断思路。 场景二：写代码注释和 PR 描述 这个场景有点出人意料，但效果很好。 代码注释大家都知道该写，但实际上很多人（包括我）经常偷懒不写，原因就是打字麻烦。换成语音之后，写注释变成了：光标放到函数前，说一句"这个函数用来处理 Binance API 返回的持仓数据，计算实盘净值并写入 KV"，Typeless 自动格式化成注释。 PR 描述也一样：打开 PR 界面，口述 What / Why / How，Typeless 输出结构化的 Markdown 描述。 Typeless 支持 VS Code 和 GitHub，直接在编辑器里用，不用跳到其他应用。 ...
语音识别技术本身已经很成熟了，但真正用起来体验差的核心原因不是识别率——是识别出来的文字没法直接用。 Typeless 的定位是在语音识别之上加一层 AI 处理，让输出结果直接可用。这篇文章拆解它的几个核心功能。 自动清理：去口头禅和冗余表达 这是 Typeless 最基础也最实用的功能。 正常说话和写文字之间有一道鸿沟。说话的时候我们会： 频繁使用"嗯"“啊"“那个"“就是说” 说到一半换思路：“明天……不对，等一下，后天来处理这个” 重复同一个意思：“这个很重要，非常重要，一定要注意” 传统语音识别把这些全部转录出来，你要花时间再清理一遍。Typeless 的 AI 层会识别这些模式并自动处理： 删除填充词（“嗯"“啊"等） 识别自我纠正，只保留最终表达 合并重复意思 实际效果：口述出来的东西，基本上不需要再做语言层面的清理，只需要补充内容和调整结构。 智能格式化：自动识别结构 这个功能让我最惊喜。 我口述的时候会说"有三点，第一点是……第二点是……第三点是……"，Typeless 会自动把这段话整理成带编号的列表，而不是一段连续的文字。 同样，说"首先……然后……最后……"，输出是有顺序标记的步骤列表；说"重点是……"，它会用加粗或独立段落突出显示。 这个功能特别适合： 口述会议记录（自动整理行动项） 起草文档大纲（说出结构，自动变成层级列表） 写邮件（自动识别正文段落和要点列表） 上下文感知：根据应用调整风格 Typeless 会检测当前激活的应用，并调整输出语气。 在 Slack 里，同样一句话会用更口语化的表达；在 Word 或 Outlook 里，会更正式；在 VS Code 里，会注意代码相关的格式（比如变量名不会被"纠正"成中文）。 这不需要手动设置，自动识别。对于我这种一天要在十几个应用之间切换的人来说省了很多麻烦。 隐私设计：录音不上云 很多人对语音输入有一个合理的顾虑：我说的话是不是被录下来上传到服务器了？ Typeless 的设计是：音频处理在本地完成，不上传原始录音，历史记录只存在本地设备上，不用于模型训练。 这和大部分云端语音 API（比如某些输入法的云识别）不同。后者要把录音发到服务器识别，Typeless 的隐私边界更清晰。 对于涉及商业信息、客户数据、个人隐私内容的场景，这一点很重要。 个性化学习：越用越准 Typeless 有两种方式学习你的表达习惯： ...
打字太慢是我长期的生产力瓶颈。写文章、回邮件、记录想法，不是脑子跟不上，是手速跟不上。 直到我开始用 Typeless。 Typeless 是什么 Typeless 是一款 AI 驱动的语音输入工具，支持 macOS、Windows、iOS、Android。核心逻辑很简单：你说，它写。但和十年前那种粗糙的语音识别不同，Typeless 在识别的基础上加了一层 AI 处理： 自动删除"嗯"“啊"“那个"“就是说"等口头禅 识别自我纠正（你说"明天……不对，后天”，只输出"后天”） 根据上下文整理格式，自动识别列表、步骤、要点 根据当前应用调整语气（在 Slack 里偏口语，在 Word 里偏正式） 速度差距有多大 官方数据：键盘平均 45 WPM，语音输入 220 WPM，快将近 5 倍。 我自己测了一下，写一篇 800 字的技术笔记： 键盘打字：约 25 分钟 Typeless 语音：约 8 分钟 差距主要来自两块：一是语音本身比打字快，二是不用停下来想怎么拼、怎么切换输入法。 中英文混输体验 这是我最担心的点，结果是最惊喜的。 我平时写东西中英文混得很厉害，比如： “用 Claude Code 跑 backtest，发现 equity curve 的 drawdown 有点大，需要调一下 stop loss 参数。” ...