Posts

上一篇講了 Xray REALITY 服務端的部署。這篇專門講客戶端配置——收集到各平臺的使用者名稱、伺服器地址、公鑰等資訊後，怎麼在不同客戶端裡配置。 你需要準備好以下資訊（從服務端配置裡獲取）： 引數 說明 伺服器地址 VPS 的公網 IP 埠 服務端監聽的埠（推薦 443） UUID 服務端配置的 client id Public Key xray x25519 生成的公鑰 Short ID 服務端配置的 shortIds 之一 SNI 服務端配置的 serverNames（如 www.apple.com） mihomo（Clash Meta） mihomo 原生支援 REALITY，配置放在 proxies: 節點： proxies: - name: "us-reality" type: vless server: 你的VPS_IP port: 443 uuid: 你的UUID network: tcp tls: true udp: true flow: xtls-rprx-vision reality-opts: public-key: 你的公鑰 short-id: "55470656" servername: www.apple.com client-fingerprint: chrome 引數說明 client-fingerprint：客戶端 TLS 指紋偽裝，推薦選項： ...

這篇是 OpenClaw 入門教程 的續集，假設你已經裝好了 OpenClaw，跑通了基本的 Telegram 互動。這裡講的是真正把它用起來之後的進階技巧。 多 Agent 任務分工 OpenClaw 支援在同一個 Telegram 群裡配置多個 Agent，各自負責不同領域，這是它最容易被忽視的功能。 為什麼要分 Agent 不分 Agent 時，你的 AI 助手是個通才——什麼都能問，但沒有專門的上下文和工具。問運維問題時它不知道你的伺服器架構，問量化策略時它不知道你的持倉邏輯。 分 Agent 後，每個 Agent 有自己的： 系統提示詞：注入對應領域的背景知識 Skill 集合：只掛載相關的工具 獨立對話歷史：不會被其他任務干擾 配置示例 在 ~/.openclaw/config.yml 裡定義多個 Agent： agents: - name: "ops" description: "伺服器運維助手" skills: - healthcheck - ssh-tools system_prompt: | 你是專門負責管理伺服器基礎設施的運維助手。 你熟悉 Nginx、Docker、系統監控等運維工作。 遇到需要執行命令的任務，先解釋再操作。 - name: "quant" description: "量化策略助手" skills: - binance-watcher - grafana-query system_prompt: | 你是專門負責量化策略監控的助手。 你瞭解趨勢跟蹤策略的基本邏輯，能解讀持倉訊號和收益資料。 不公開具體策略引數。 - name: "writer" description: "寫作助手" skills: - obsidian system_prompt: | 你是部落格寫作助手，幫助整理思路、起草文章、整理筆記。 寫作風格：直接、有觀點，不廢話。 在 Telegram 裡透過 /agent ops 切換到對應 Agent，之後的對話都走那個 Agent 的配置。 ...

GitHub Copilot（特別是透過 Claude Code + Copilot 通道使用時）每月有請求次數限制。OpenClaw 支援多 agent 併發，很容易在不知不覺中把配額消耗掉。 這篇文章整理了 8 個實用技巧，幫你更有效地管理用量、減少浪費。 1. 追蹤當前 Copilot 用量 方式一：GitHub 設定頁面 直接訪問 GitHub Copilot 用量頁面檢視當月消耗（Premium Request 數量）。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：命令列檢視（透過 API） # 獲取當前 Copilot 套餐資訊 curl -H "Authorization: token your-github-token" \ https://api.github.com/user/copilot_billing/seats 方式三：計劃用量估算 大概規律： 一次完整程式碼生成對話：1-3 requests 一次檔案重構任務（帶多輪修改）：5-15 requests OpenClaw 多 agent 併發任務：每 agent 獨立計算 2. OpenClaw 合理配置 agent 數量 OpenClaw 預設可以開多個 subagent 併發執行，但並不是越多越好。 ...

OpenAI 在 2025 年初發布了 Codex CLI——一個在終端裡直接用 AI 寫程式碼、改檔案、執行命令的工具。跟 ChatGPT 網頁版不一樣，Codex CLI 的核心是直接操作你本地檔案系統，讓 AI 真正幫你幹活，而不是給你貼程式碼讓你自己粘。 這篇文章覆蓋完整的入門流程，從安裝到能用，大約 10 分鐘。 準備工作 需要兩樣東西： Node.js 18+（node --version 確認） OpenAI API Key（platform.openai.com 獲取） API Key 需要繫結了付費方式，免費額度不支援 Codex 用的模型。 安裝 npm install -g @openai/codex 安裝完驗證： codex --version 認證配置 有兩種方式配置 API Key： 方式一：環境變數（推薦） export OPENAI_API_KEY="sk-xxxx..." 加到 ~/.zshrc 或 ~/.bashrc 讓它持久化： echo 'export OPENAI_API_KEY="sk-xxxx..."' >> ~/.zshrc source ~/.zshrc 方式二：執行時輸入 直接執行 codex，第一次會提示你輸入 API Key，會儲存到 ~/.codex/config.json。 ...

最近一年用 AI 工具碰到一個高頻問題：機場的共享節點 IP 被 AI 平臺標記，登入時要求驗證、限制功能、甚至封號。根本原因是這些 IP 被太多人用過，平臺的風控系統認為是"異常流量"。 解決方案：用住宅 IP作為出口。住宅 IP 來自真實家庭寬頻，對平臺來說跟普通使用者一樣，透過率高得多。 這篇文章講怎麼在 mihomo（原 Clash Meta）裡配置住宅 IP 出口，以 IPRoyal 為例。 住宅 IP 和機場節點的區別 對比 機場節點（VPS） 住宅代理 IP IP 型別 資料中心 IP 真實家庭寬頻 IP 被風控機率 高（共享 IP，大量請求） 低（看起來像真實使用者） 速度 快（專線） 中等 價格 按月訂閱，便宜 按 GB 計費，貴一些 適合場景 日常瀏覽、流媒體 AI 工具、賬號註冊、資料採集 住宅 IP 不適合替代機場做所有流量，太貴了。正確用法是：只讓需要住宅 IP 的流量走住宅代理，其餘走正常節點。 IPRoyal 住宅 IP 配置 我用的是 IPRoyal，按 GB 計費，用多少買多少，不需要月付，質量穩定。 ...

Hysteria2 基於 QUIC 協議（UDP），理論上在高延遲、高丟包網路裡比 TCP 類協議快得多。但很多人部署完發現速度一般，原因通常是頻寬引數沒配對或者擁塞控制演算法沒選對。 這篇文章專門講調優。假設你已經跑通了基礎部署（參考 Hysteria2 搭建教程），現在想把速度榨出來。 頻寬引數：最影響速度的配置 Hysteria2 的頻寬引數控制著它的傳送速率，沒配或配錯是速度差的最常見原因。 服務端 bandwidth /etc/hysteria/config.yaml： bandwidth: up: 1 gbps # 服務端上行（客戶端下載方向） down: 1 gbps # 服務端下行（客戶端上傳方向） 這裡填的是服務端（VPS）的實際頻寬上限，不是你家寬頻的速度。 常見 VPS 頻寬： DMIT HK/US Premium：1 Gbps 埠，但共享，實際峰值 200-500 Mbps AWS t3 型別：5-25 Gbps（burst） 低價 VPS：通常 100-500 Mbps 怎麼測 VPS 實際頻寬： # 在 VPS 上安裝 speedtest curl -s https://packagecloud.io/install/repositories/ookla/speedtest-cli/script.deb.sh | bash apt install speedtest-cli -y speedtest 根據測速結果填頻寬值。 ...

Google One AI Premium 是 Google 把旗下 AI 產品打包賣的訂閱方案，$19.99/月，主要包含三樣東西： Gemini Advanced：Google 最強 AI 模型（Gemini 1.5 Pro/Ultra 級別），無使用量限制 2TB Google 雲端儲存：覆蓋 Google Drive、Gmail、Google 相簿 NotebookLM Plus：Google 的 AI 筆記/知識庫工具，Plus 版無使用量上限 如果你本來就需要大容量 Google 雲端儲存，這個訂閱的 AI 功能相當於免費附贈。 Gemini Advanced 能做什麼 Gemini Advanced 背後是 Google DeepMind 的旗艦模型，主要亮點： 長上下文處理：上下文視窗達 100 萬 tokens，理論上可以一次性處理整本書或整個程式碼庫。 多模態：圖片、PDF、影片（YouTube 連結）都可以直接輸入，跟文字一起分析。 Google Workspace 整合：可以直接在 Gmail 裡用 Gemini 起草郵件、在 Google Docs 裡輔助寫作、在 Google Sheets 裡分析資料。 ...

💡 國內提示：Binance 官網在中國大陸無法直連，訪問需自備網路工具；法幣入金不支援銀行卡，主要走 C2C（USDT↔CNY）通道完成。 合約交易裡，盈利策略和虧損策略的區別，很多時候不是訊號對不對，而是風控做沒做。 一個好的入場訊號配上差的風控，會在一次大波動裡把所有收益吐回去。這篇文章專門講合約風控的框架：你需要在哪些層次做控制，每層具體怎麼設定。 三個層次的風控 層次 1：倉位管理 — 每次開多大的倉 層次 2：止損設定 — 單筆交易最多虧多少 層次 3：熔斷機制 — 連續虧損後強制暫停 這三層缺一不可。倉位管理控制單次風險暴露，止損控制單筆最大損失，熔斷防止在策略失效時持續虧損。 層次 1：倉位管理 固定比例法（推薦） 每次開倉金額 = 賬戶總權益 × 固定比例 def calc_position_size(equity: float, risk_pct: float, leverage: int, entry_price: float) -> float: """ equity: 賬戶總權益（USDT） risk_pct: 單次風險比例，如 0.02 = 2% leverage: 槓桿倍數 entry_price: 開倉價格 返回: 合約張數（BTCUSDT 每張 = 0.001 BTC） """ risk_amount = equity * risk_pct # 實際願意虧的金額 notional = risk_amount * leverage # 對應名義價值 qty = notional / entry_price return qty 為什麼用固定比例而不是固定金額？ ...

💡 國內提示：Binance 官網在中國大陸無法直連，訪問需自備網路工具；法幣入金不支援銀行卡，主要走 C2C（USDT↔CNY）通道完成。 Binance API 是量化交易的起點。如果你想讓策略自動執行——自動買入、自動止損、自動監控倉位——都需要透過 API 實現。 這篇文章從零開始，覆蓋申請 API Key、安全配置、Python 環境搭建，到發出第一個查詢和第一筆（測試）訂單。不假設你有量化經驗，跟著做能跑通。 準備工作 已完成 Binance 賬號 KYC 實名認證 Python 3.8+（python --version 確認） 已完成雙重驗證（2FA），建議用 Google Authenticator Binance 註冊：→ 註冊 Binance（透過推薦連結註冊可享手續費返傭） 申請 API Key 步驟 登入 Binance，點選右上角頭像 → API 管理 點選"建立 API" 選擇"系統生成（推薦）" 輸入 API 標籤（名稱），點選下一步 完成 2FA 驗證 儲存 API Key 和 Secret Key 重要：Secret Key 只顯示一次，頁面關閉後無法再次檢視。必須立即儲存到安全位置（密碼管理器）。 ...

用代理節點訪問 Claude、ChatGPT 時，可能遇到過這些情況： 登入時反覆彈出驗證碼 賬號被提示"unusual activity" 某些功能被悄悄限制 API 呼叫穩定性差，偶爾 403 這些問題的根源通常不是代理協議，而是出口 IP 的質量。 IP 質量的分類 網際網路上的 IP 地址大致分為三類，對應不同的"可信度"： 住宅 IP（Residential IP） 由 ISP（電信、聯通等）分配給普通家庭寬頻使用者 使用場景：正常家庭上網 被 AI 服務認為是真實使用者 資料中心 IP（Datacenter IP） AWS、GCP、Azure、Vultr、DigitalOcean 等雲廠商的 IP 段 這些 IP 段是公開已知的，任何服務都可以查詢某個 IP 是否屬於雲服務商 特徵明顯：大量不同賬號從同一 /24 網段訪問 代理/VPN IP 商業代理服務的 IP 池 被高強度使用，信譽最差 AI 服務的風控邏輯 AI 服務的風控通常不是簡單的"封 IP"，而是基於 IP 質量做差異化對待： 請求進來 → IP 質量檢查 ├─ 住宅 IP → 正常處理 ├─ 資料中心 IP → 提高 CAPTCHA 頻率 / 限制某些功能 └─ 已知代理 IP → 拒絕 / 要求重新驗證 這就是為什麼即使你的節點"能連上"，使用體驗也可能很差：功能在降級執行，不是完全封鎖。 ...

Claude Code 在 2025 年做了一個不太起眼但很重要的更新：支援接入 GitHub Copilot Pro+ 作為後端。這意味著你可以用 $19/月 的 Copilot Pro+ 跑 Claude Code，而不需要單獨訂閱 $20/月 的 Claude Pro。 但兩個通道有明顯差異，不瞭解的話會踩坑。這篇文章講清楚兩者的區別，以及我現在用的一套 alias 方案，讓切換變成一條命令的事。 兩個通道的核心差異 對比維度 官方通道（Claude Pro） Copilot 通道（Pro+） 月費 $20 $19（Copilot Pro+） 最大上下文 200k tokens 128k tokens 模型選擇 Sonnet / Opus 自由選 每月 1500 次高階模型額度 網路要求 需要訪問 claude.ai 需要訪問 github.com 適合場景 大型專案、長對話 日常任務、成本控制 關鍵差距是上下文視窗：官方通道 200k，Copilot 通道 128k。 對於大多數日常任務（改一個檔案、寫一個指令碼），128k 完全夠用。但如果你要讓 Claude Code 理解整個專案的程式碼庫，或者對話輪數很多，200k 的差距就體現出來了。 ...

北極星是我從 2024 年底開始執行的量化策略，在 Binance 上交易 BTC/USDT 合約，屬於趨勢跟蹤類策略。實時收益資料可以在 北極星實盤追蹤 頁面檢視。 這篇文章介紹策略的整體邏輯、實盤執行資料和風險控制框架。 為什麼選趨勢跟蹤 量化策略大致分兩類： 均值迴歸：價格偏離均值時反向開倉，等它回來。適合震盪行情，在趨勢行情裡容易被套。 趨勢跟蹤：價格形成趨勢時順勢開倉，跟著走。在強趨勢行情裡賺錢，在震盪行情裡小虧。 我選趨勢跟蹤的原因： BTC 的趨勢性強：BTC 歷史上多次出現數月級別的單邊趨勢，比股票市場的趨勢更極端，趨勢跟蹤策略的表現空間大。 邏輯簡單、可解釋：趨勢跟蹤的核心邏輯是"跟著市場走，不預測頂底"，我能理解每一筆交易的開平倉邏輯，遇到問題好排查。 長期有效性有實證支援：CTA 基金（商品趨勢跟蹤基金）在全球執行了幾十年，趨勢跟蹤作為一類策略的有效性有大量歷史資料支援。 策略概況 交易標的：BTC/USDT 合約（Binance） 執行週期：小時級訊號，全天候執行 方向：多空雙向（可做空） 持倉風格：趨勢確認後持倉，趨勢反轉時平倉，不設固定止盈 風控：基於波動率動態調整倉位，設定最大回撤止損線 核心思路：當趨勢出現時跟進，當趨勢結束時離場。不預測 BTC 會漲到多少，只判斷當前是否有趨勢在進行。 實盤執行資料 當前的收益資料在 北極星實盤追蹤 頁面實時展示，包含： 累計收益率（以 USDT 計算） 持倉方向（多/空/空倉） 每次訊號的開平倉記錄 最大回撤 這裡放幾個關鍵指標（以下數字會更新，以頁面為準）： 執行週期：從 2024 年 10 月至今，經歷了 BTC 上漲到 10 萬、高位震盪、回撥等不同行情。 最大回撤：趨勢跟蹤策略在行情反覆震盪時會承受回撤，這是這類策略的固有特徵，不是 bug。好的年份賺的必須能覆蓋壞的年份虧的。 訊號頻率：平均每月 4-8 次訊號切換，不是高頻策略。 風險控制 這是比策略引數更重要的部分。 ...