Posts

Hysteria2 是一個基於 QUIC 協議（UDP）的代理工具，在高丟包、高延遲網路下表現遠超 TCP 協議。它和 VLESS+XTLS-Reality 形成互補：TCP 受限時用 Hysteria2，UDP 受限時用 VLESS+Reality，兩個協議搭配部署是目前最穩的方案。 為什麼選 Hysteria2 核心優勢： 基於 QUIC/UDP，在高丟包網路下仍有較好速度表現 內建頻寬偽裝，流量特徵更難被精準識別 配置簡單，比 Xray 輕量 mihomo（Clash Meta）原生支援 適用場景： 場景 推薦協議 TCP 被 QoS 限速 Hysteria2 ✓ UDP 被封 VLESS+XTLS 日常使用（兩個都有） mihomo 自動切換 前置準備 一臺海外 VPS，推薦 DMIT（支援 Hysteria2 的 UDP 流量） Ubuntu 22.04+ 一個域名（可選，用自簽證書也可以） 服務端部署 安裝 Hysteria2 bash <(curl -fsSL https://get.hy2.sh/) 安裝完成後，程式位於 /usr/local/bin/hysteria，systemd 服務名為 hysteria-server。 生成自簽證書 不需要域名的情況下，用自簽證書： ...

很多人試過語音輸入，然後放棄了——說出來的東西亂糟糟的，還要花時間整理，反而更慢。 這是舊時代語音識別的問題。Typeless 在識別後加了一層 AI 處理，基本解決了這個問題。用下來三個場景受益最明顯。 場景一：技術文章起草 寫技術文章最費時間的不是打字，是「從想法到第一稿」這個過程。腦子裡有結構，但要把它變成文字就會卡住，反覆刪改，越寫越慢。 換成語音之後，我的流程變成了： 在腦子裡過一遍文章結構（30 秒） 開 Typeless，對著 Obsidian 口述全文 AI 自動整理段落、列表、要點 檢查一遍，補細節 口述完一篇千字文章大概需要 5-8 分鐘，然後花 10 分鐘打磨，全程 20 分鐘以內。以前單純用鍵盤要 40-60 分鐘。 關鍵是：說話比打字更接近思維速度，中間不會因為手速不夠而打斷思路。 場景二：寫程式碼註釋和 PR 描述 這個場景有點出人意料，但效果很好。 程式碼註釋大家都知道該寫，但實際上很多人（包括我）經常偷懶不寫，原因就是打字麻煩。換成語音之後，寫註釋變成了：游標放到函式前，說一句"這個函式用來處理 Binance API 返回的持倉資料，計算實盤淨值並寫入 KV"，Typeless 自動格式化成註釋。 PR 描述也一樣：開啟 PR 介面，口述 What / Why / How，Typeless 輸出結構化的 Markdown 描述。 Typeless 支援 VS Code 和 GitHub，直接在編輯器裡用，不用跳到其他應用。 ...

打字太慢是我長期的生產力瓶頸。寫文章、回郵件、記錄想法，不是腦子跟不上，是手速跟不上。 直到我開始用 Typeless。 Typeless 是什麼 Typeless 是一款 AI 驅動的語音輸入工具，支援 macOS、Windows、iOS、Android。核心邏輯很簡單：你說，它寫。但和十年前那種粗糙的語音識別不同，Typeless 在識別的基礎上加了一層 AI 處理： 自動刪除"嗯"“啊"“那個"“就是說"等口頭禪 識別自我糾正（你說"明天……不對，後天”，只輸出"後天”） 根據上下文整理格式，自動識別列表、步驟、要點 根據當前應用調整語氣（在 Slack 裡偏口語，在 Word 裡偏正式） 速度差距有多大 官方資料：鍵盤平均 45 WPM，語音輸入 220 WPM，快將近 5 倍。 我自己測了一下，寫一篇 800 字的技術筆記： 鍵盤打字：約 25 分鐘 Typeless 語音：約 8 分鐘 差距主要來自兩塊：一是語音本身比打字快，二是不用停下來想怎麼拼、怎麼切換輸入法。 中英文混輸體驗 這是我最擔心的點，結果是最驚喜的。 我平時寫東西中英文混得很厲害，比如： “用 Claude Code 跑 backtest，發現 equity curve 的 drawdown 有點大，需要調一下 stop loss 引數。” ...

語音識別技術本身已經很成熟了，但真正用起來體驗差的核心原因不是識別率——是識別出來的文字沒法直接用。 Typeless 的定位是在語音識別之上加一層 AI 處理，讓輸出結果直接可用。這篇文章拆解它的幾個核心功能。 自動清理：去口頭禪和冗餘表達 這是 Typeless 最基礎也最實用的功能。 正常說話和寫文字之間有一道鴻溝。說話的時候我們會： 頻繁使用"嗯"“啊"“那個"“就是說” 說到一半換思路：“明天……不對，等一下，後天來處理這個” 重複同一個意思：“這個很重要，非常重要，一定要注意” 傳統語音識別把這些全部轉錄出來，你要花時間再清理一遍。Typeless 的 AI 層會識別這些模式並自動處理： 刪除填充詞（“嗯"“啊"等） 識別自我糾正，只保留最終表達 合併重複意思 實際效果：口述出來的東西，基本上不需要再做語言層面的清理，只需要補充內容和調整結構。 智慧格式化：自動識別結構 這個功能讓我最驚喜。 我口述的時候會說"有三點，第一點是……第二點是……第三點是……"，Typeless 會自動把這段話整理成帶編號的列表，而不是一段連續的文字。 同樣，說"首先……然後……最後……"，輸出是有順序標記的步驟列表；說"重點是……"，它會用加粗或獨立段落突出顯示。 這個功能特別適合： 口述會議記錄（自動整理行動項） 起草文件大綱（說出結構，自動變成層級列表） 寫郵件（自動識別正文段落和要點列表） 上下文感知：根據應用調整風格 Typeless 會檢測當前啟用的應用，並調整輸出語氣。 在 Slack 裡，同樣一句話會用更口語化的表達；在 Word 或 Outlook 裡，會更正式；在 VS Code 裡，會注意程式碼相關的格式（比如變數名不會被"糾正"成中文）。 這不需要手動設定，自動識別。對於我這種一天要在十幾個應用之間切換的人來說省了很多麻煩。 隱私設計：錄音不上雲 很多人對語音輸入有一個合理的顧慮：我說的話是不是被錄下來上傳到伺服器了？ Typeless 的設計是：音訊處理在本地完成，不上傳原始錄音，歷史記錄只存在本地裝置上，不用於模型訓練。 這和大部分雲端語音 API（比如某些輸入法的雲識別）不同。後者要把錄音發到伺服器識別，Typeless 的隱私邊界更清晰。 對於涉及商業資訊、客戶資料、個人隱私內容的場景，這一點很重要。 個性化學習：越用越準 Typeless 有兩種方式學習你的表達習慣： ...

OpenClaw 預設配置跑一段時間會遇到兩個問題：額度消耗太快、長會話超時崩潰。這篇文章記錄我實際調優的 8 個引數，以及背後的原因。 先說清楚架構 我用的組合： GitHub Copilot Pro+：月付 $19，提供 1500 次/月的 premium request 額度 Claude Opus 4.6：透過 Copilot 的模型路由訪問，模型 ID github-copilot/claude-opus-4.6 OpenClaw：負責 Telegram 互動、Skill 呼叫、定時任務 額度計算邏輯：每次 AI 助手回覆 = 1 次 premium request（包括 tool call 後的回覆）。1500 次聽起來很多，但沒最佳化的話很快就不夠用。 8 項標準最佳化 1. 模型只保留 Copilot，清空 fallbacks 問題：預設配置有多個 model provider 做 fallback，一旦主模型超時，會依次嘗試所有 fallback，每次嘗試都消耗額度。 最佳化： { "agents": { "defaults": { "model": { "primary": "github-copilot/claude-opus-4.6", "fallbacks": [] } } } } fallbacks 清空後，失敗直接報錯，不會觸發 2-3 次無效重試。每月節省約 50 次。 ...

Xray 的 VLESS+XTLS-Reality 是目前公認抗封鎖能力最強的協議組合。它的核心原理是流量偽裝成正常的 TLS 握手，讓 GFW 難以透過特徵識別判斷是代理流量。 這篇文章從零開始，完整部署一套可用的配置。 前置準備 一臺海外 VPS（推薦 DMIT 香港或美國節點，線路質量好） VPS 系統：Ubuntu 22.04+ 本地客戶端：mihomo（原 Clash Meta） 服務端部署 安裝 Xray bash -c "$(curl -L https://github.com/XTLS/Xray-install/raw/main/install-release.sh)" @ install 生成 XTLS-Reality 所需金鑰 xray x25519 輸出類似： Private key: 你的私鑰（儲存好） Public key: 你的公鑰（填入客戶端配置） 再生成 UUID： xray uuid 服務端配置檔案 /usr/local/etc/xray/config.json： { "inbounds": [ { "port": 443, "protocol": "vless", "settings": { "clients": [ { "id": "你的UUID", "flow": "xtls-rprx-vision" } ], "decryption": "none" }, "streamSettings": { "network": "tcp", "security": "reality", "realitySettings": { "show": false, "dest": "www.apple.com:443", "xver": 0, "serverNames": ["www.apple.com"], "privateKey": "你的私鑰", "shortIds": [""] } }, "sniffing": { "enabled": true, "destOverride": ["http", "tls", "quic"] } } ], "outbounds": [ {"protocol": "freedom", "tag": "direct"}, {"protocol": "blackhole", "tag": "block"} ] } 關鍵引數說明： ...

買了 VPS、寫了量化策略程式碼，但怎麼讓它"自動跑起來"並且"隨時告訴你發生了什麼"？這是大部分人卡住的地方。 我用 OpenClaw 解決了這個問題。 OpenClaw 是什麼 簡單說：一個讓 AI 助手能呼叫各種工具的框架。 它的核心能力是： 提供 CLI 工具（openclaw message send），可以從任何指令碼里發 Telegram/Discord 訊息 有 Skill 系統，可以給 AI 掛載各種能力（GitHub、Notion、天氣、自定義指令碼） 支援 cron 定時任務和遠端觸發 對量化來說，最有用的就是訊息推送這一塊。 我的量化訊號推送架構 cron（每30分鐘） ↓ signal_monitor.py（拉資料 → 計算訊號 → 對比上次狀態） ↓ 有新訊號？ ├── 是 → generate_report.py（生成 PDF） │ ↓ │ openclaw message send（發 Telegram） │ ├── 群組（@ 訊號通知） │ └── 私信（附 PDF + 耗時統計） └── 否 → openclaw message send（私信巡檢報告） 跑在區域網的 Linux 機器上，24 小時不間斷。 ...

量化策略開發有個高門檻：你得懂交易邏輯，還得會寫程式碼。Claude 把這個門檻降低了一半——你只需要懂交易邏輯，程式碼的部分可以讓它來。 這篇文章記錄我用 Claude 從零開始寫一個完整量化訊號系統的過程。 我的策略背景 我跑的是突破類趨勢策略，核心邏輯是唐奇安通道（Donchian Channel）： 當價格突破過去 N 根 K 線的最高價 → 買入 當價格跌破過去 M 根 K 線的最低價 → 賣出 聽起來簡單，但要做成能在 8 個品種、3 個時間週期上自動跑的系統，並且每半小時推送訊號到 Telegram，需要不少工程量。 第一步：跟 Claude 描述策略邏輯 我的輸入很簡單： “幫我寫一個 Python 指令碼，用 yfinance 拉 BTC 的 1 小時 K 線，實現唐奇安通道突破策略：價格突破過去 20 根最高價買入，跌破過去 10 根最低價賣出。每次訊號變化時透過 openclaw 發 Telegram 訊息。” Claude 給出的初版程式碼覆蓋了： yfinance 資料拉取 訊號計算邏輯 狀態持久化（避免重複推送） openclaw CLI 呼叫傳送訊息 這一步花了約 10 分鐘。 ...

IP 被封是代理節點的常見問題，處理過很多次了，這篇文章寫下完整的應對流程。 第一步：確認是 IP 被封還是其他問題 連不上節點時，先排除非封鎖原因： # 從國內測試 IP 連通性（用手機熱點，排除本地網路問題） ping 你的VPS_IP # 測試埠是否通 nc -z -w5 你的VPS_IP 443 && echo "open" || echo "blocked" 常見混淆情況： 現象 可能原因 ping 不通，但 SSH 能連 協議被識別，埠被封 SSH 也連不上 IP 被完全封鎖，或 VPS 宕機 能 ping 通，但連線慢 線路擁塞，不是封鎖 只有晚高峰斷 QoS 限速，不是封鎖 驗證 IP 是否被牆的最快方法：用國內網路和海外網路分別 ping，海外能 ping 國內不行 = 被牆。 線上工具：ping.pe，輸入 IP 從多個國家測試連通性。 第二步：應急切換 如果有備用節點 這是最重要的一課：永遠不要只有一個節點。 我的 mihomo 配置了自動故障切換： proxy-groups: - name: "自動選擇" type: fallback # 有節點掛了自動切換 url: http://www.gstatic.com/generate_204 interval: 30 proxies: - DMIT-HK - DMIT-US - 騰訊雲-JP 主節點被封后 30 秒內自動切到備用，使用者無感知。 ...

如果你用過 Claude Code，OpenClaw 可以理解成它的"非同步版本"——Claude Code 適合你坐在電腦前互動式幹活，OpenClaw 適合讓 AI 在後臺持續幫你做事，即使你不在電腦旁。 OpenClaw 的核心定位 一句話：讓 AI 助手能訪問和操作外部工具，並透過 Telegram 等渠道跟你互動。 它解決的問題： AI 模型本身無法主動觸達你（你要開口問，它才回答） AI 模型沒有持久狀態（每次對話從頭開始） AI 模型無法直接操作外部系統（GitHub、Notion、伺服器） OpenClaw 透過 Skill 系統 解決這三個問題。 Skill 系統 Skill 是 OpenClaw 的核心概念：一個 Skill 就是給 AI 掛載一個工具。 已有的 Skill 舉例： Skill 功能 github 讀寫 Issue、PR、Actions obsidian 讀寫 Obsidian 筆記庫 weather 查詢天氣（open-meteo） notion Notion 頁面/資料庫操作 healthcheck 系統安全巡檢 skill-creator 建立自定義 Skill 安裝一個 Skill： ...

選 VPS 踩過不少坑，這篇文章分享我真實用過的幾家服務商，直接說結論，不繞彎子。 選 VPS 的核心指標 魔法上網用的 VPS 和普通建站用的不一樣，核心看三點： 延遲：對國內的 ping 值，越低越好 穩定性：IP 是否容易被封，線路是否抖動 出口質量：CN2 GIA > 普通 BGP，直連 > 中轉 DMIT：目前我的主力 我在用 DMIT 的香港和美國節點，用了快一年，總體滿意。 優點： 香港節點延遲極低（廣州 ping 通常 20-40ms） 線路質量好，原生 IP，流媒體解鎖能力強 支援 Hysteria2，UDP 加速效果明顯 缺點： 價格偏高，香港基礎款月費不便宜 有時候購買頁面需要耐心等庫存 **適合：**對延遲敏感、對穩定性要求高的使用者。 騰訊雲國際版：日本節點備用 我的 aws-jp 之外還有一臺騰訊雲日本節點作備用。 優點： 和國內騰訊骨幹網打通，日本節點延遲不錯 有時候有大促，價格很便宜 缺點： IP 被封的機率比 DMIT 高 客服支援較弱 AWS：量化專用，不推薦用來魔法上網 我的量化策略跑在 AWS，它的網路穩定性很好，但： IP 段太知名，容易被識別和封鎖 價格貴 不適合魔法上網，適合對接 API 的後臺服務 住宅 IP：IPRoyal 做一些需要住宅 IP 的任務（比如註冊賬號、訪問某些限制嚴格的網站），推薦 IPRoyal。 ...

⚠️ 註冊門檻：Pionex 不支援中國大陸身份證透過 KYC，需持有臺灣 / 新加坡 / 馬來西亞 / 美國等地有效證件。參考 Pionex 受限地區官方說明。 同樣是網格交易，Pionex 和 Binance 的差別比很多人想象的大。我兩個都在用，這篇文章說說選擇邏輯。 核心區別一覽 維度 Pionex Binance 網格機器人費用 免費 需要 BNB 或額外付費 交易手續費 0.05%（掛單/吃單相同） 0.1%（掛單）/ 0.1%（吃單），持 BNB 打折 流動性來源 Binance + Huobi 聚合 Binance 自有 資金託管 存入 Pionex 存在自己的 Binance 賬戶 策略靈活性 預設模板為主 API 完全開放 機器人種類 16 種內建 網格 + 少量內建 手續費：Pionex 佔優 Pionex 網格機器人本身免費，只收 0.05% 交易手續費（做市商和吃單相同）。 ...