铃阅时讯
❌

普通视图

172个AI分工,一个大活轻松干完|Codex Subagents入门篇

2026年7月30日 08:30

原创 强少Qone 2026-07-30 08:30 广东

把一个大活拆给 172 个子智能体,只收最终结果

同样用 AI,有人越用越轻松,有人越用越累。

差在哪?不是模型,是你有没有学会一件事:把活拆开。

我前阵子也卡在这。对着 AI 吐出来的一大坨东西,越看越懵——哪句准?哪块要重做?盯着屏幕半天,最后发现最累的还是我自个儿。

后来我把 Codex 那个 Subagents(子智能体)翻了个遍,啃完官方手册加 172 个预设角色,才琢磨明白:这功能被严重低估了。它干的事特别简单——把你从「使唤一个 AI」,变成「指挥一支 AI 队伍」。

打个比方你就懂了

以前你一个人带个全能选手,他既要当侦探找问题,又要当工人写东西,还要当质检挑毛病。忙是忙,但乱,就像让一个人又当导演、又当演员、又当剪辑。

Subagents 相当于你雇了一队专项小工。你只管接活、派活、收活。查代码的管查代码,跑测试的管跑测试,审安全的管审安全,各干各的,互不添乱。脏活累活——几千行日志、满屏报错——都关在他们自己屋里,不往你脸上糊。

你主窗口干干净净,只看见结果。

当然,不是啥活都值得组队。改个按钮、调个错别字,你自己顺手就完了,犯不着兴师动众。但凡活儿能拆成几摊互不搭界的,或者需要多个角度一起审的(对不对、安不安全、漏没漏测),它就香了。

查代码、跑测试、审安全,最后只把摘要送回主窗口

叫它们干活,说人话就行

不用记任何命令,大白话就说清四件事:叫谁、干啥、一起干还是排队、干完给谁。

最小写法,直接抄:

让 code-mapper 先把「登录报错」相关的代码都揪出来,别改,只告诉我关键文件和最可能出毛病的位置。

并行写法,也直接抄:

同时叫 reviewer、security-auditor、qa-expert:一个查对不对,一个查安不安全,一个查测试漏没漏。仨都完了,你帮我按轻重去重汇总,每个问题附上文件出处。

判断窍门一句话:互不依赖就一起干;A 的产出是 B 的食材就排队;几个人要动同一个文件——只留一个改,其余看戏。

新手最容易栽的 4 个坑

  • • 叫了一堆人却不点名谁干啥 → 它们互相客气,最后啥也没干成。要点名、派活。

  • • 几个人同时改一个文件 → 会「打起来」,互相覆盖。只让一个人改。

  • • 一次叫十几个 → 又贵又乱,报告厚得你自己都不想看。2 到 6 个最舒服。

  • • 把原始输出全塞回主窗口 → 那跟没分工有啥区别?只要摘要。

子智能体控制在 2 到 6 个,只留一个修改者,并让其他人提交摘要

想自己加个「员工」?三行就够

写个小配置,核心就三行:叫啥、啥时候该叫它、具体怎么干。

诀窍只有一个:描述别写「你是个资深专家」这种虚的,写「什么时候该叫你」。写得越准,它越会在对的时机自己冒出来。

最高频的组合,直接抄

  • • 想清楚要做什么:business-analyst + product-manager + ux-researcher

  • • 全栈一把梭:api-designer + 前端 + 后端 + 整合 + 测试

  • • 审东西:reviewer + security-auditor + 文档 → 汇总

  • • 卡性能:performance-engineer + 前端 + 数据库

  • • 不知道派谁:先叫 agent-organizer,让它帮你分

这 172 个「员工」,我把中文对照表整理出来了,外加 26 套能直接抄的干活话术(需求、PRD、竞品、全栈、支付金融都有)。光看英文名你大概率一脸懵,得配合话术使。

关注「强少来了」,后台回「子智能体」领走。

最后说一句

用了这么久,我越来越觉得一句话是对的:

你不是在操作一个工具,你是在带一支队伍。

下篇我不聊代码——很多做产品的朋友问「这玩意跟我有啥关系」,关系大了。我挑「调研 → 需求 → 原型」这个最累的场景,手把手演示怎么让这批 AI 员工接力干活。关注了别错过。

要是你也被「一个大活自己扛到崩溃」折磨过,顺手转给那个总加班到最后的同事——他缺的可能不是一个更聪明的 AI,是一支能分工的队伍。

END

如果本文对你有帮助,请点赞、在看和分享给身边的朋友!

别忘了关注「强少来了」

获取更多前端 · 后端 · B端产品思维的精彩内容!

👇👇👇

你的认可,是对我最大的鼓励

求转发,朋友圈

另外我建了一个读友交流群

你可以回复关键词「进群」

添加我个人微信,邀请你入群

跳转微信打开

写在 36 岁的最后一天

2026年7月29日 19:08

原创 刘飞Lufy 2026-07-29 19:08 北京

我不能严肃地假定我现在在做梦。

果园

经营果园,而不是出卖劳动力。

春种秋收。种下机会,等待结果。

成功从来不是突然出现的,它只是把过去那些看似不相关的经历,重新串在了一起。

不要想着一下就上大学。粗糙一点没关系,先多读几次小学,再读中学,最后才有机会进入大学。

自由、松弛并且有复利地工作,可能比单纯靠睡后收入休息和娱乐,更加健康且理想。对于相当一部分人。

不是所有的长期主义都是有价值的。要关注未来折现的现金流,不是当期的现金流。这个比长期价值更准确,因为说长期价值没有说大小和做对比。时间长不代表绝对值就是高的。

报道热点是廉价的增长。迈克尔·刘易斯(Michael Lewis)说在 10 Years of Acquired 的一句话。热点制造情绪,时间确认意义。让子弹飞一会儿,才知道它究竟射中了什么。

保持思考。警惕内容同质化。如果所有人都想得一样,那就没人真的在思考。

写作的核心是清晰的思考,而清晰思考本身就是一种稀缺资源。

虚荣是思想的死亡。

今年看了《奥兰多》话剧,记下一句话:「做一棵橡树。」

同时接受笨拙和不完美。「打开水龙头,一开始流出来的水是脏的,你得让它流一阵,干净的水才会来。创作也是一样,你必须先把烂作品排出来。」

所谓运气,很多时候只是机会到来时,你已经在附近待了足够久。

更能改变世界的产品,都有一个共同特征:它必须赶上一个时代,同时又必须和这个时代已有的东西不一样。而这个「不一样」,恰好是下一个时代需要的。

但不执着。

(2025.6 摄于奥斯陆)

执着

佛教里执着也称为染着。这个词真妙,代表内心的欲望和执念是源于从外部沾染的颜色。名利是金,情爱是红,嫉妒是绿,傲慢是灰,仇恨是黑。染色入肌理,很难洗,时时想起,一般浸染更甚。更需要时间漂白,心流冲刷,智识暴晒。颜色褪去,执念才自然消散,所谓不执染着。

萨特说人没有本质、存在先于本质,顺着这个逻辑推,根本就没有一个「剥离了所有社会影响之后的纯粹的你」在那儿等着被发现。

主体不是世界中的一个对象,而是世界的前提和界限;眼睛能看到一切,却看不到自己。

托尔斯泰说。每个人的生活有两个方面:个人的私生活和天然的、群体的生活,前一种生活的需要愈抽象,就愈自由;在后一种生活之中必然要遵循给他规定的规则。

重新认识世界和自己的关系。世界是随机的,我们其实也是随机的。

失败没关系。失败只是一个更聪明地重新开始的机会。

真正的尊严,不是永远不会失败,而是失败以后仍然能够决定下一步做什么。

「生活就是一连串微小的胜利,和巨大的溃败。」而《极乐迪斯科》告诉我们,人类背负恐惧继续前行,这本身很了不起。

摩擦力

维特根斯坦说,光滑的冰面没有摩擦力,因此无法行走;我们需要摩擦力,要回到粗糙的地面。

「世界上没有奇迹,只有你没见过的常态。」

李诞说,我建议每个自媒体博主都应该做的一件事情,是跟你的关注者见面。在保证安全的前提下跟你的关注者吃吃饭、喝喝酒,见见面、聊聊天。

对预测未来心怀恐惧、对市场波动保持敬畏,在追踪数据中随时准备承认错误并改变看法;接受下滑现实,自下而上、埋头苦干。

真正找到一条路,不是照着答案抄一遍,而是一个细致活,一个需要耐心和毅力的活。

技术本身创造不了价值,所有产品都是需求驱动的,有泡沫就说明是在技术飞速发展,但需求还很模糊、存在大量虚假需求的阶段。

遇到不了解的事情,不是先恐惧和焦虑,而是先了解。

不要报课。我发现很多上过 AI 课的人,对 AI 的理解有非常严重的刻板印象。就像学的第一首歌是贝多芬,还是社会摇,是不一样的,会严重影响一个人的音乐审美。

维特根斯坦还说,不要去想,而要去看。

读书是「看」,交朋友也是「看」。

「酒深情不厌,知己话偏长。莫负相钦重,明朝到草堂。」

李诞在跟我录播客的时候提过,有影响力本身也是一种特权。

我去逛北大的时候,请了一位博士生听友带我游览校园。这是一种做自媒体的奖励。

电影也是「看」。

李安讲的是压抑和爆发;杨德昌讲的是现代社会的异化;黑泽明讲的是命运和道德选择;小津讲的是日常生活的失去。我最喜欢的 4 位亚洲导演。

记忆

有两个习惯,比之前可能更有价值了。

一是多记。想法、观察、灵感、困惑,什么都记,不怕散不怕碎。

二是多存。好文章、好观点、好句子,看到就存,不用分类不用整理。

要是从零开始跟 AI 论述,就费劲得多了。况且多数靠自己记忆是根本记不住的。

日记、笔记、文摘、录音、照片、周报、邮件... ... 什么都好,先记下来存下来。富兰克林说,最接近把一个人的生活重新过一遍的事情是回忆那种生活,并用文字记录下来,让这种回忆尽可能地长久。

这是对于每个人很珍贵的 memory.md。

怎么更好地使用 AI,比 AI 本身的性能有多好更加重要。

没有 codex 和 flomo,我怕是都不知道这一年我想了以上这些。

这一年最喜欢的一句话:

我不能严肃地假定我现在在做梦。

跳转微信打开

Jina Reranker v3.5:专注垂直领域的 0.6B 列表式重排器

2026年7月29日 14:00

原创 Jina AI 2026-07-29 14:00 新加坡

0.6B 体量的卷王重排器

今天,我们正式推出 jina-reranker-v3.5。

作为 v3 系列的进阶版,它依旧保持了 0.6B 的参数规模以及标志性的 LBNL( Last but not late,一次前向传播处理整批文档)的列表式架构。在保持轻量化推理优势的同时,v3.5 专门解决了生产环境中最棘手的三个工程痛点:垂直领域适配、结构化记录的逻辑识别,以及长列表下的显存爆炸。

性能预览

维度

nDCG@10 表现

相比 v3 提升

核心亮点

BEIR (通用)63.20

+1.10

超越 4B 规模的 Qwen3-Reranker
MIRACL (多语言)74.11

+2.6%

0.6B 档位的性能标杆

RTEB (行业领域)70.95

+4.3%

覆盖法律/金融/医疗/代码

Struct-IR (结构化)48.3+24.8%

对 JSON 格式,表格,和字段背后的逻辑和规则的理解更清楚

推理速度

——

1.22×–1.56×

列表越长,加速越明显

为什么推出 v3.5?

Jina Reranker v3 的表现已经超出了我们的预期,它证明了 0.6B 参数配合 Listwise 架构,完全有能力在通用基准测试上和大模型掰掰手腕。但当我们将 v3 投入真实的业务时,却发现了一些榜单无法体现的坑。

  1. 垂直领域: 法律条文、临床诊断或金融研报,其语言模式与通用网页截然不同。BEIR 上的冠军模型,在复杂的法律判例面前也可能失效。

  2. 结构化数据: 面对 JSON 或表格数据,Reranker 如果不懂字段间的逻辑约束,比如“价格必须在 100~200 之间”、“必须是 L 码”等,就很容易给出离谱的评分。

  3. 长列表延迟:处理长文档列表时,全自注意力机制带来的显存开销是平方级增长的,延迟根本不可控。

v3.5 的出现,就是为了在保持轻量的同时,把这些工程盲区扫平。

三大核心演进

1. 3L2G 混合注意力架构

为了从根本上降低长列表下的计算开销,我们放弃了传统的全自注意力模式,转而采用 3L2G 混合注意力架构。

模型的大部分层运行 滑动窗口注意力(Sliding Window Attention),窗口大小设为 1024,这直接将计算复杂度从平方级拉到了线性级别。为了不丢失全局信息,我们周期性地 穿插了全局注意力层进行同步,并强制 末层必须全局可见,确保最终打分能吃透整组候选文档的特征。

2. 覆盖失效场景的数据策略

在训练阶段,我们将重点放在补齐 v3 的弱势场景上。

在法律和行业合规领域,我们补充了 EUR-Lex 和 AILA 等权威判例库,涵盖多国法律法规;医疗方面则补充了临床对话与生物医学论文。同时,利用大模型生成了大量极具干扰性的难负样本,逼模型学会区分细微的司法辖区和专业差别。

面对电商或企业系统中的 JSON 记录或者表格数据,传统模型往往只看字面词汇,不懂数字逻辑,比如搜 150 元以下,可能把 160 元的也匹配出来。我们采用 Struct-IR 策略,故意对 JSON 数据的关键字段,如价格、规格做微调或扰动,,逼模型去理解字段背后的约束与逻辑关系。

此外,多语言语料库 也扩展到了 50 多种语言,整体通用性与泛化能力进一步增强。

3. 三阶段自蒸馏流程

直接训练稀疏模型往往性能抖动,我们摸索出了一套迂回战术:

先练一个性能触顶的全注意力教师模型;再让 3L2G 学生模型去适应注意力路径的变化;最后通过 KL 散度和隐状态 MSE 等多维度蒸馏,让学生模型在大幅提速的同时,完美承接教师模型的排序质量。

性能实测

我们对比了 v3.5 与前代版本 v3,以及目前市面上主流的大参数重排模型。数据覆盖了通用搜索、多语言、垂直行业以及结构化数据四个维度。

1. 通用搜索:0.6B 规模超越 4B 模型

Jina Reranker v3.5 BEIR 基准测试结果与 Qwen3 和 Mixedbread rerankers 的比较

在通用的 BEIR 搜索基准测试中,v3.5 的平均分达到 63.20 (nDCG@10)。性能超过了参数量是其 7 倍的 Qwen3-Reranker-4B(62.28)。

2. 垂直行业:法律与金融场景的专项补强

Jina Reranker v3.5 RTEB 特定领域基准测试结果(法律、医疗和金融检索)

针对 法律、金融、医疗和代码 等行业语境(RTEB 基准),v3.5 的综合表现提升了 4.3%。在法律任务 AILA 上,v3.5 的 nDCG 指标相比 v3 猛增了 11 - 14 个点。

3. 结构化数据理解

Jina Reranker v3.5 在 Struct-IR 和 STaRK 上的结构化数据基准测试结果

这是 v3.5 进步最大的地方。在 Struct-IR 测试中,得分从 38.7 提升至 48.3,提升 24.8%。尤其在简历筛选等强约束场景中,Recall@5 指标已经能够与 Qwen-4B 持平。

4. 推理速度

数据集

平均文档长度

jina-reranker-v3

jina-reranker-v3.5

加速

BEIR

 短文档场景

~145 Tokens

371.1 ms

305.3 ms

22%
RTEB

 长文档场景

~1,900 Tokens

16,064.9 ms

10,290.9 ms

56%

混合注意力架构在长文档列表上展现了巨大的优势。以法律判例检索为例,处理速度提升了 56%,这直接解决了长上下文重排时最头疼的显存爆炸和延迟抖动的问题。

如何快速上手?

1. Jina AI API 

已在 Jina AI 官网同步上线,直接把模型名改成 jina_reranker_v3.5即可,代码逻辑不用改动。

curl https://api.jina.ai/v1/rerank \
  -H "Authorization: Bearer $JINA_API_KEY" \
  -d '{
    "model": "jina-reranker-v3.5",
    "query": "有机化学反应机制",
    "documents": ["SN2 亲核取代反应...", "如何烤制酸面包...", "钯催化偶联反应..."]
  }'

2. Elasticsearch 集成

通过 Elastic Inference Service (EIS) 调用,可作为 text_similarity_reranker retriever 接入混合搜索的流水线。

3. 私有化部署

https://github.com/jina-ai/jina-on-prem 支持 Docker 一键部署,适用于内网隔离或受监管的数据环境。

4. 模型已开源

模型权重已发布至 Hugging Face,支持通过 transformers 库直接加载。

model = AutoModel.from_pretrained("jinaai/jina-reranker-v3.5", trust_remote_code=True)

jina-reranker-v3.5 适用 CC BY-NC 4.0 许可协议,如有商业用途需求,请随时联系我们:sales@jina.ai

总结

在 0.6B 这个不挑卡的体量下,我们借由 3L2G 混合注意力架构,降低了长列表的推理门槛,并把对结构化数据的理解能力补齐到了生产可用的水平。

如果你现在的系统正面临长列表响应慢,或者垂直领域的检索,结构化数据的理解差点意思,Jina Reranker v3.5 提供了一个极具性价比的技术选型。

所有的技术细节与实验数据都已同步在技术报告 https://arxiv.org/abs/2607.18152 中公开,欢迎在实际业务中进行压测。

跳转微信打开

【第3734期】告别漫长等待:三步将 Playwright CI 流水线提速 80%

2026年7月29日 09:05

Jakob Norlin 2026-07-29 09:05 日本

无需复杂分片,通过缓存浏览器镜像与并行度优化,轻松将 Playwright CI 运行时间缩短至 5 分钟内。

前言

每次推送干等数分钟,浏览器重复下载,测试逐个串行 —— 问题不在用例而在配置。本文用缓存、并行、按需选浏览器三项改动,把 GitHub Actions 上的 Playwright 从三分钟压到一分钟内,无需分片,一个下午落地。

今日前端早读课文章由 @Jakob Norlin 分享,@飘飘编译。

用于解决我实际工作中的 前端 E2E 自动化测试流水线耗时过长 / 卡顿 问题,最值得借鉴的一点是:“将依赖分为‘二进制大文件’与‘OS 系统包’分层处理”:利用锁文件 Hash 缓存大文件,同时保留极轻量的 install-deps 保证环境完整性,用最小代价消除重复下载。

译文从这开始~~

GitHub Actions 流水线将 Playwright 测试拆分为多个并行的浏览器测试任务,每个任务最终都以成功的对勾结束。

你推送了一个提交,打开 Pull Request,然后等着。Actions 页面在那儿干转三四分钟,一个测试都没跑起来。等测试终于开始了,又是一个接一个地串行执行,整个任务耗费的时间远超你这次改动本身应得的等待。

如果你的流水线就是这副样子,罪魁祸首通常有两个,而且都不是你的测试套件本身。

第一个是浏览器安装。Playwright 自带了 Chromium、Firefox 和 WebKit 的专用构建版本,而默认的工作流每次运行都会把它们全部重新下载一遍。在典型的 GitHub 托管 Runner 上,这通常意味着 300 到 500 MB 的二进制文件,以及大约 30 到 90 秒的等待 —— 每次推送都要重复一遍,而这些文件几乎从不变化。具体数字因 Playwright 版本和 Runner 而异,本文后面的基准测试实测为 42 秒。

第二个是并行度。脚手架生成的配置默认将 CI 限制为单个 Worker,于是测试几乎逐个串行执行,哪怕 Runner 上还有空闲的 CPU 核心在那儿闲着。

这两个都是配置问题,不是套件问题,一个下午就能解决。

而且,你并不需要分片(sharding)。分片是把测试套件分散到多个并行的 CI 任务上跑,确实是个有用的手段,但它解决的是大多数团队尚未遇到的问题。对于一组运行较快的测试,只需缓存浏览器二进制文件并调整并行度,就能在单个 Runner 上将总时间压到五分钟以内,无需分片。当然,测试越慢,触及这个天花板就越快。

本文将完整走一遍这套配置。读完之后,你会清楚时间究竟花在了哪里,拥有一个能在每次 PR 时给出有效反馈的工作流,并且知道什么时候分片才真正值得引入。

基准线:Playwright 默认工作流到底在做什么

运行 npm init playwright@latest 时,它会提示你是否添加一个 GitHub Actions 工作流。大多数人选了 "是",于是 .github/workflows/playwright.yml 里就出现了下面这个文件。几乎所有人的起点都是它,所以在动手改之前,值得仔细看一看。

 name: Playwright Tests
 on:
   push:
     branches: [main, master]
   pull_request:
     branches: [main, master]
 jobs:
   test:
     timeout-minutes: 60
     runs-on: ubuntu-latest
     steps:
       - uses: actions/checkout@v4
       - uses: actions/setup-node@v4
         with:
           node-version: lts/*
       - name: Install dependencies
         run: npm ci
       - name: Install Playwright Browsers
         run: npx playwright install --with-deps
       - name: Run Playwright tests
         run: npx playwright test
       - uses: actions/upload-artifact@v4
         if: ${{ !cancelled() }}
         with:
           name: playwright-report
           path: playwright-report/
           retention-days: 30

这个配置能跑。它会执行你的测试,交给你一份报告。问题在于,绝大部分时间都耗在了每次推送都重复的相同初始化和串行测试执行上。

下面是这个工作流在一个公开仓库上的真实运行结果,测试套件包含大约 40 个用例。这些都是轻量级测试,跑得比大多数真实项目快,所以请把这些数字当作用来对比各项优化的固定基准,而非对你自己运行时间的预测。

基准运行总耗时:3 分 18 秒。

40 个测试跑了三分多钟。现在来看看时间究竟花在了哪些步骤上:

基准任务各步骤耗时。Checkout、Node 安装和依赖安装各只需约一秒,几乎全部时间集中在两个步骤上。

那些轻量步骤确实很轻。Set up job、checkout、Node 安装、npm ci 都在零到一秒之间,完全不值得去动。整个运行时间全部集中在两个步骤里。

第一个是 Install Playwright Browsers,耗时 42 秒。这一步下载 Chromium、Firefox 和 WebKit,外加浏览器所需的系统依赖库,而且每次运行都会重复,不管这些浏览器有没有变化。展开这一步的日志,你能看到二进制文件一个个被拉下来。

第二个是 Run Playwright tests,耗时 2 分 25 秒。这个数字更大,而对于一个 40 个用例的测试套件来说,实在太久了。原因就是并行度 —— 或者说,缺乏并行度。脚手架生成的 playwright.config.ts 里写着 workers: process.env.CI ? 1 : undefined,意思是在 CI 环境中只用一个 Worker。测试几乎逐个串行执行,哪怕 Runner 上有空闲核心也白搭。

所以,两个瓶颈就这样明晃晃地摆在第二张截图里,而且它们彼此独立。一个是重复的下载开销,通过缓存浏览器二进制文件即可解决;另一个是串行执行,通过开启并行即可解决。接下来两节将按这个顺序逐一攻破。

有一点值得时刻记在心里:大家执着追求的单元测试速度,很少是拖慢流水线的真正元凶。测试外围的初始化和编排才是 —— 而这恰恰是这两项优化所针对的问题。

速度优化一:缓存浏览器二进制文件

基准测试中的安装步骤耗时 42 秒,原因是 Runner 在运行第一个测试之前就要拉取近 400 MB 的浏览器二进制文件。这些文件只有在你更改 Playwright 版本时才会变化,因此每次推送都重新下载纯属无意义的重复劳动。只需缓存一次,此后每次运行都从缓存恢复而非重新下载,这样就能把那 42 秒的步骤缩短为几秒钟 —— 在你升级 Playwright 版本之前,每次 PR 都是如此。

Playwright 将浏览器安装在 ~/.cache/ms-playwright,在 Linux Runner 上对应的实际路径是 /home/runner/.cache/ms-playwright。基准测试截图中每行下载日志的末尾都能看到这个路径。这就是你要缓存的目录。

缓存键使用 package-lock.json 的哈希值。锁文件是 Playwright 版本的一个方便代理 —— 虽然不完美:升级 Playwright 会改变哈希值,从而正确地使缓存失效,但任何不相关的依赖变更也会导致哈希变化,造成一次本不必要的缓存未命中。对大多数仓库来说,偶尔多一次慢运行是一个可以接受的代价,换来的是一行搞定的缓存键。

接下来是大多数教程忽略的细节,也是缓存方案通过代码审查后却在 CI 中翻车的原因。缓存存储的是浏览器二进制文件,而非浏览器运行所需的操作系统级库,因为那些库是通过 apt 安装到系统全局的,根本不会进入 ~/.cache/ms-playwright。所以在缓存命中时,二进制文件是有了,但系统库缺失,测试会报错:Host system is missing dependencies to run browsers。解决办法是在缓存命中时仍然安装那些系统库,只是跳过浏览器下载。

缓存命中时,actions/cache 会在任务开始时自动将 ~/.cache/ms-playwright 恢复到磁盘上,因此在任何安装步骤执行之前,二进制文件就已经就位了。

这就引出了两个条件步骤,它们在每次执行时都会运行,而不是只在第一次运行。缓存未命中时,playwright install --with-deps 在一个步骤中同时下载浏览器和系统库,这个分支只在缓存键变化时才会再次触发。缓存命中时,则每次都改为运行 playwright install-deps,只安装系统库。这不是跑一次就永远跳过的一次性步骤。apt 仍然需要在每个全新的 Runner 上确认包已就位 —— 因为每个任务都从一台干净的机器启动,什么都没装 —— 但速度很快,因为不涉及下载,只是做一次依赖检查,除了那些库本身以外其他条件都已满足。

这里假设 Runner 能正常访问 apt 的软件包镜像;如果是网络受限或自托管的 Runner,请先确认这一点。

 steps:
   - name: Cache Playwright browsers
     id: playwright-cache
     uses: actions/cache@v4
     with:
       path: ~/.cache/ms-playwright
       key: ${{ runner.os }}-playwright-${{ hashFiles('package-lock.json') }}
   - name: Install Playwright browsers and system dependencies
     if: steps.playwright-cache.outputs.cache-hit != 'true'
     run: npx playwright install --with-deps
   - name: Install OS dependencies for browsers
     if: steps.playwright-cache.outputs.cache-hit == 'true'
     run: npx playwright install-deps

缓存步骤上的 id 让两个安装步骤能够读取 cache-hit 的值,从而选择正确的分支。第一次运行时缓存未命中,下载所有内容并填充缓存。之后每次运行都会命中缓存、跳过下载,而由于键绑定了锁文件,当你升级 Playwright 时整个缓存会自动失效 —— 无需手动更新任何东西。

还有一种替代方案完全不用缓存:在 Playwright 官方 Docker 镜像 mcr.microsoft.com/playwright 中运行任务,该镜像预装了浏览器和系统包,不过你仍需自行安装 Playwright npm 包。代价是每次任务都要拉取那个大镜像,所以你只是把浏览器下载换成了镜像拉取,并非真正消除了开销。这在视觉回归测试中比较常见 —— 因为渲染一致性很重要 —— 但它是为可信的测试目标设计的,不适用于不可信的站点。对大多数测试套件来说,缓存方案更轻量。

缓存在首次运行之后就把安装步骤从关键路径上移除了。剩下的是基准测试中那个更大的数字 ——2 分 25 秒的测试执行时间,下一节来解决它。

速度优化二:使用 Worker 并行运行测试

缓存把安装步骤从关键路径上移除了,但基准测试中那个更大的数字还杵在那里:40 个测试跑了 2 分 25 秒,几乎逐个串行执行。这种慢不是 Playwright 本身的问题,而是 Playwright 在严格执行生成配置的指令。

罪魁祸首就是 playwright.config.ts 中的这一行:

 workers: process.env.CI ? 1 : undefined,

脚手架有意这样设置,理由是对于未知的 CI 环境,单 Worker 是最安全的默认值。代价是无论 Runner 实际有多少核心,CI 中的每次运行都被强制压到单个 Worker,这就是基准测试如此缓慢的原因。

在本地环境中,值为 undefined,意思是让 Playwright 使用可用核心的 50%,而非一个固定数字。这只是脚手架对本地机器的默认选择,并非放之四海而皆准的最优值,应该把它当作起点而非一成不变的设定。如果你的本地机器有更多空闲核心,或者测试套件足够轻量、提高并行度也不会出问题,你同样可以在本地将 undefined 覆盖为一个明确的数字或百分比 —— 方式与本节下面为 CI 所做的调整完全一样。

这里有两个关键改动,作用各不相同。第一个是 fullyParallel: true。默认情况下,Playwright 在不同测试文件之间并行,但同一文件内的测试按顺序执行。如果你的测试分散在许多文件中,这个默认行为已经能让 Worker 保持忙碌。但如果测试集中在少数几个大文件里,仅靠文件级并行会让大部分 Worker 闲置,而 fullyParallel 正是解决这个问题的 —— 它允许单个文件内的测试也分配到不同 Worker 上执行。第二个是用基于百分比的 Worker 数量替换硬编码的单 Worker 上限,这样 CI 就能随可用核心数伸缩,而非被钉死在一个上。

 export default defineConfig({
   fullyParallel: true, // 顶层设置,应用于所有 project
   workers: process.env.CI ? "50%" : undefined, // 顶层设置,不要放在 project 内部
   // 你现有的配置项保持不变:
   use: {/* ... */},
   projects: [/* chromium, firefox, webkit */],
 });

这两个配置项都位于 defineConfig 的顶层,与 use 和 projects 平级,不嵌套在任何单个 project 内部,因此它们对整个测试套件生效。

将 CI 设为 50% 而非固定数字,是一个合理的起点,但不是保证最优的值。它能随你实际分配到的 Runner 进行伸缩,而非假定特定的核心数,但正确的数值仍取决于你的 Runner 规格以及测试消耗的内存,所以在调高之前请先实测。这是原始指导中值得放慢脚步仔细斟酌的部分,因为你读到的大多数建议都假设了错误的机器配置。

你会反复看到一个假设:GitHub 的免费 Runner 是 2 核的。对私有仓库确实如此,但公开仓库现在免费获得 4 核 Linux Runner,这个差异完全改变了计算。在 2 核 Runner 上,undefined 解析为 1 个 Worker,意味着默认实际上就是串行的,你必须手动调高才能看到任何并行效果。在 4 核 Runner 上,同样的 undefined 开箱即给你 2 个 Worker,还有继续提升的空间。前面的基准测试运行在公开仓库上,所以那里的慢完全是 process.env.CI ? 1 这个覆盖造成的,而非核心不够。

Runner

核心数

50% 对应

值得尝试

私有仓库,ubuntu-latest

2

1 个 Worker

明确设为 2

公开仓库,ubuntu-latest

4

2 个 Worker

'75%' 或 '100%',然后实测

更大规格的 Runner

8

4 个 Worker

'75%' 及以上,空间更充裕

请把这张表当作起点而一个固定数值。从 50% 开始,观察你的测试套件实际的总耗时,然后逐步提高,直到运行时间不再缩短或测试开始变得不稳定。不存在唯一正确的数字,因为它取决于你的核心数、测试的负载程度,以及每个浏览器实例吃掉多少内存。

最后一点也是不应该做的事。将 Worker 数大幅超出核心数 —— 比如在 2 核 Runner 上设置 workers: 4—— 并不会换来速度提升。每个 Worker 驱动着自己的浏览器实例,一旦它们开始争抢同样的两个核心和同一块内存,你换来的不是更快的运行,而是内存压力和那些在串行执行时根本不存在的间歇性失败。

开启 fullyParallel 并解除 Worker 上限后,4 核 Runner 上的测试执行时间从串行基准线大约减半,加上安装步骤已被缓存,两项优化叠加就是把整个任务压到五分钟以内的关键。下一节将通过精确控制每次推送实际运行哪些浏览器,进一步压缩时间。

速度优化三:只运行你需要的浏览器

基准测试的数字其实藏着一个东西没有明说。npm init 生成的默认配置不只是运行你的测试 —— 它会在 Chromium、Firefox 和 WebKit 三个浏览器上分别跑一遍,因为脚手架为每个浏览器都定义了一个 project。所以那 40 个测试实际上是每次推送执行 120 次,三个浏览器引擎各跑一轮。那 2 分 25 秒的测试时间中,有相当一部分是同样的断言在另外两个浏览器上多执行了两遍 —— 而这些浏览器很少能发现第一个没捕捉到的 bug。

如果你的产品并不需要在每次变更时都保证所有浏览器正常工作,一个务实的做法是按事件类型分层。每次 Pull Request 只跑 Chromium—— 因为这里的反馈循环需要快,而且大多数渲染和逻辑 bug 本来就会在 Chromium 上暴露 —— 然后把完整的三浏览器扫描留给合入 main 或夜间定时任务,那时你负担得起额外的时间,而且确实需要在代码上线前获得跨浏览器信号。Pull Request 保持迅捷,覆盖率并没有丢失,只是挪到了它真正值回票价的时机。

限定为单一浏览器只需一个标志 --project=chromium,然后根据触发运行的事件进行切换:

 on:
   pull_request:
   push:
     branches: [main]
 jobs:
   test:
     runs-on: ubuntu-latest
     steps:
       # checkout、setup-node、缓存和安装步骤沿用前面章节的配置
       - name: Run Playwright tests
         run: |
           if [ "${{ github.event_name }}" = "pull_request" ]; then
             npx playwright test --project=chromium
           else
             npx playwright test
           fi

在 Pull Request 上只运行 Chromium。推送到 main 时则走到 npx playwright test,运行配置中的所有 project。这样所有东西都保持在一个任务里,与本文一贯采用的单 Runner 方案保持一致。

这些都不影响本地运行;条件判断依据的是 CI 事件,所以在你的机器上执行 npx playwright test 仍然照常运行完整的浏览器集合。

如果你希望在 main 上让三个浏览器作为独立的并行任务运行,而非在同一个任务中共享 Worker,可以用条件矩阵来实现:

 jobs:
   test:
     runs-on: ubuntu-latest
     strategy:
       fail-fast: false
       matrix:
         project: ${{ github.event_name == 'push'
           && fromJSON('["chromium", "firefox", "webkit"]')
           || fromJSON('["chromium"]') }}
     steps:
       # 相同的初始化步骤
       - run: npx playwright test --project=${{ matrix.project }}

推送到 main 时会展开为三个任务,每个浏览器一个;Pull Request 则收缩为单个 Chromium 任务。代价是 main 上消耗更多 CI 分钟数,所以只有当完整扫描慢到并行运行各浏览器能节省可观的实际等待时间时,这才值得。任务数始终限定在三个,不会滑向分片那种开放式的任务拆分。

完整矩阵是否值得运行,最终取决于你的用户构成。如果相当比例的用户在使用 Safari 或 Firefox,或者产品涉及大量布局,就在 main 上保留它。如果用户几乎全部使用基于 Chromium 的浏览器,放到夜间任务就够了。关于 WebKit 有一点需要注意:Playwright 在 Linux 上运行的 WebKit 构建跟踪的是 WebKit 的主开发分支,往往领先于 Apple 在 Safari 中实际发布的版本,而且缺少 Apple 自有的平台集成。Linux 上 WebKit 测试通过是布局和 JavaScript bug 的良好信号,但不能证明页面在 Safari 中显示正确。当这个区别很重要时,你需要 macOS Runner—— 那是独立于本工作流的另一个决策。

在 Pull Request 上仅跑 Chromium,叠加缓存和并行化之后,每次 PR 运行的测试执行量降为原来的三分之一,浏览器来自缓存,跨多个 Worker 并行。这套组合拳就是让百来个测试保持在五分钟以内的关键。接下来要确保的是:当测试失败时,你能看清原因 —— 也就是在 Runner 消失之前把 HTML 报告取出来。

将 HTML 报告作为 GitHub Actions Artifact 上传

Playwright 每次运行都会生成一份 HTML 报告,但在 CI Runner 上,这份报告写入的机器在任务结束的瞬间就会被销毁,所以默认情况下它随 Runner 一起消失,你永远看不到。许多团队是在第一次 CI 失败时才发现这个问题 —— 当他们想找到红叉背后的细节时,发现已经什么都打不开了。解决办法是在任务退出前将报告作为 artifact 上传 —— 基准工作流其实已经在做这件事了 —— 同时再加一个 reporter,让你无需下载任何东西就能直接看到失败信息。

上传本身只需一个步骤,关键路径是 playwright-report/,这是 Playwright 默认写入 HTML 报告的位置:

 steps:
   - name: Upload Playwright report
     uses: actions/upload-artifact@v4
     if: ${{ !cancelled() }}
     with:
       name: playwright-report
       path: playwright-report/
       retention-days: 14

if: ${{ !cancelled() }} 这个条件在这里起着关键作用。没有它的话,这一步只在前面所有步骤都通过时才运行 —— 这完全是反着来的,因为你最需要报告的恰恰是失败的那次运行。这个条件确保无论测试通过还是失败都上传报告,只有在你手动取消任务时才跳过。关于 retention-days,活跃开发中 14 天是合理的默认值,因为你主要查看近期的运行;对于发布分支,设为 30 天比较值得,因为你可能需要在几周后回溯某次构建。无论哪种,artifact 过期后就不再占用存储额度。

Artifact 给了你完整的报告,但需要几次点击:下载 zip 文件、解压、然后在本地启动服务 —— 因为直接打开 HTML 文件是不行的。报告通过 HTTP 加载数据,所以你需要执行 npx playwright show-report path/to/playwright-report,它会启动一个本地服务器并正确打开报告。当你需要深入查看 trace 时这个流程没问题,但对大多数失败来说,这样的摩擦成本过高了。

这就是第二个 reporter 发挥作用的地方。Playwright 自带一个 github reporter,它会将失败信息以内联注解的形式直接写入 GitHub Actions 界面,所以失败的断言会显示在运行摘要中,以及 diff 里对应的那一行旁边,全程无需下载。你把它加在 HTML reporter 旁边而非替换它,这样深入排查时仍有完整报告可用,而日常情况下直接看内联视图即可:

 export default defineConfig({
   reporter: [["html"], ["github"]],
   // ... 其余配置
 });

两者配合之后,失败的运行会在摘要中标注出什么坏了、在哪里坏的,而完整的 HTML 报告仍作为 artifact 附着在那里,供你在某次失败需要查看 trace、截图和步骤时间线时使用。这套组合让失败真正变得可读:大多数时候你根本不用离开 GitHub 页面,而当某个特定失败需要比注解所能展示的更多信息时,那个 zip 文件就在那里等着你。


github reporter 将失败以注解形式展示在运行摘要中,每条注解标明了测试名称及其所在位置。

至此,流水线在每次运行时都能产出可用的失败报告。下一节将把前面所有内容整合进一个完整的工作流文件,可以直接放入你的 GitHub 仓库。

完整的生产就绪工作流

前面四节的所有内容最终落在两个文件里。Worker 数量、fullyParallel 和两个 reporter 属于 playwright.config.ts,而缓存、PR 上只跑 Chromium 的策略以及 artifact 上传则属于工作流 YAML。以下是这两个文件的完整内容,附有行内注释,方便你理解每个部分的作用并适配到自己的仓库。

playwright.config.ts:

 import { defineConfig, devices } from "@playwright/test";
 export default defineConfig({
   testDir: "./tests",
   fullyParallel: true, // 在文件内部也并行执行测试,而不仅仅是跨文件并行
   forbidOnly: !!process.env.CI, // 如果不小心提交了 test.only,直接让构建失败
   retries: process.env.CI ? 2 : 0, // 仅在 CI 中重试不稳定的测试
   workers: process.env.CI ? "50%" : undefined, // 根据 Runner 规格伸缩 Worker 数;从这里开始实测并逐步调高
   reporter: [
     ["html"], // 完整报告,作为 artifact 上传
     ["github"], // 在运行摘要中生成内联注解
   ],
   use: {
     trace: "on-first-retry", // 测试重试时捕获 trace,用于调试失败
   },
   projects: [
     { name: "chromium", use: { ...devices["Desktop Chrome"] } },
     { name: "firefox", use: { ...devices["Desktop Firefox"] } },
     { name: "webkit", use: { ...devices["Desktop Safari"] } },
   ],
 });

.github/workflows/playwright.yml:

 name: Playwright Tests
 on:
   pull_request:
     branches: [main]
   push:
     branches: [main]
 jobs:
   test:
     timeout-minutes: 60
     runs-on: ubuntu-latest
     steps:
       - uses: actions/checkout@v4
       - uses: actions/setup-node@v4
         with:
           node-version: lts/*
           cache: "npm" # 缓存 ~/.npm(安全的 npm 缓存),而非 node_modules
       - name: Install dependencies
         run: npm ci
       # 缓存浏览器二进制文件。此处假设使用 npm;锁文件作为 Playwright 版本的代理,
       # 因此在你更新 Playwright 时通常会自动失效。
       - name: Cache Playwright browsers
         id: playwright-cache
         uses: actions/cache@v4
         with:
           path: ~/.cache/ms-playwright
           key: ${{ runner.os }}-playwright-${{ hashFiles('package-lock.json') }}
       # 缓存未命中:同时下载浏览器和系统库
       - name: Install browsers and system dependencies
         if: steps.playwright-cache.outputs.cache-hit != 'true'
         run: npx playwright install --with-deps
       # 缓存命中:二进制文件已恢复,但系统库仍需安装
       - name: Install OS dependencies for browsers
         if: steps.playwright-cache.outputs.cache-hit == 'true'
         run: npx playwright install-deps
       # PR 上只跑 Chromium 以获得快速反馈;合入 main 时运行完整的浏览器集合
       - name: Run Playwright tests
         run: |
           if [ "${{ github.event_name }}" = "pull_request" ]; then
             npx playwright test --project=chromium
           else
             npx playwright test
           fi
       # 无论测试通过还是失败都上传报告,确保失败信息不会丢失
       - name: Upload Playwright report
         uses: actions/upload-artifact@v4
         if: ${{ !cancelled() }}
         with:
           name: playwright-report
           path: playwright-report/
           retention-days: 14

把这两个文件放进去,推送,第一次运行会填充缓存,之后每次运行都跳过下载。

如果你的测试需要诸如 base URL 或 API token 之类的配置,通过测试步骤的 env 块传入即可。非敏感值可以直接写在工作流中,而任何机密信息都应存储为仓库 Secret 并引用,而非明文写在文件里:

 steps:
   - name: Run Playwright tests
     env:
       BASE_URL: https://staging.example.com
       API_TOKEN: ${{ secrets.API_TOKEN }}
     run: # ... 同上

这就是全部配置了。对于大约 100 个测试以内的套件,到这里就可以停下。下一节讨论的是如何判断你是否真的已经超出了这套方案的承载力,这样你就能在确实需要时才有意识地引入分片,而非将其当作默认选项。

何时引入分片(何时不必)

分片是把你的测试套件拆分到多个并行运行的 CI 任务上,每个任务处理一个切片,最后再用一个步骤将各自的报告合并为一份。这是应对 Playwright 套件变慢的标准答案,确实有效,但它解决的是一个你尚未遇到的问题 —— 除非单个 Runner 确实已经力不从心。前面所有内容都是在让单个 Runner 跑得足够快,而对大多数测试套件来说,这就是全部。

决策规则很简单。先从 workers 和 fullyParallel 入手,将 Worker 数调到与你的 Runner 匹配,然后测量单 Runner 的最优时间。如果你已经把它调到极限仍然不够快,在分片之前先试试更大的 Runner:一台 8 核或 16 核的 GitHub 托管 Runner 能给你更多 Worker,而不用引入 merge-reports 步骤或维护分片数量。只有当一台 Runner—— 即使是更大规格的 —— 也无法在你的 PR 审查窗口内(通常约五分钟)完成时,才去考虑分片。下面的数字是粗略的起点,不是固定规则。你自己的盈亏平衡点取决于测试时长、Runner 硬件和套件的负载程度,而非仅仅是测试数量。

套件规模

单 Runner 耗时

怎么做

50 个测试以下

远低于 5 分钟

Workers 和 fullyParallel 足矣

50–200 个测试

大约 3 到 5 分钟

先换更大的 Runner,再考虑分片

超过 200 个测试,或 10 分钟以上

超出 PR 审查窗口

分片,或将运行移交给外部基础设施

一组重量级的端到端流程会比同等数量的轻量页面检查更快触及天花板,因为真正起决定作用的是运行时间。

分片换来的是总等待时间的缩短 —— 通过同时运行多个切片。它的代价也很实在:更多的 CI 分钟数(因为每次运行要为多台 Runner 付费)、一个用于拼接各份独立报告的 merge-reports 步骤,以及一个需要随套件增长而定期重审的分片数 —— 上个季度均匀的四路拆分,在套件翻倍后可能就不再均衡了。这些都不是不可逾越的障碍,但它们是你有意识承担的维护成本,而非运行稍慢就该迈出的默认下一步。

还值得了解的是,分片并非突破单 Runner 天花板的唯一途径。你可以完全跳过分片管理的开销,将套件放到专门为你并行化测试的基础设施上运行 —— 用 YAML 复杂度换取一个外部服务。这是否合适,取决于你有多想亲自掌控 CI 管道的每一环。

核心要点是:分片未必总是最佳方案。对绝大多数测试套件而言,一台跑得飞快的单 Runner 才是正确的配置,而引入分片的时机是你自己的数据越过了上面那条线的那一刻 —— 不要更早。当你确实需要时,Playwright 的分片文档详细说明了具体操作。

常见配置错误及如何避免

以下这些问题大多只是浪费你一个下午,而非直接搞崩什么东西,每一个都源于某个看起来合理、实则暗藏陷阱的默认设置。最常见的四个:

安装浏览器时没加 --with-deps。 单独运行 npx playwright install 只会下载二进制文件,不会安装浏览器运行所依赖的系统库,而 GitHub Runner 默认并不自带这些库。测试会报一个 "Host system is missing dependencies" 的错误,却对真正的原因只字不提。按照缓存章节的做法:缓存未命中时用 --with-deps,缓存命中时用 install-deps。

缓存 node_modules 而非 npm 缓存。 这是一个与前面浏览器二进制缓存不同的缓存,针对的是你的 npm 包而非 Playwright。恢复的 node_modules 可能带有特定平台的或构建不完整的依赖,与当前 Runner 不匹配,导致难以追踪的诡异故障。应该缓存 ~/.npm—— 通过在 setup-node 步骤中设置 cache: 'npm'(上面的完整工作流已经这样做了),然后让 npm ci 在每次运行时干净地重建 node_modules。

Worker 数设得超出 Runner 的核心数。 一旦 Worker 数量超过核心数,增加更多就不再有收益。超出之后,浏览器实例争抢同一块 CPU 和内存,速度没换来,反而换来了串行运行时根本不存在的不稳定性。让 Worker 数与 Runner 匹配,只在实测数据保持稳定的前提下才逐步调高。

忘记添加 github reporter。 没有它的话,失败的运行只告诉你有东西坏了,却不说是什么,逼你去下载并解压 artifact 才能一探究竟。在 ['html'] 旁边加上 ['github'],失败信息就会内联显示在运行摘要中,绝大多数情况下根本不需要碰那个 zip 文件。

总结

在 GitHub Actions 上实现快速的 Playwright 流水线并不需要分片。贡献最大的两项优化 —— 缓存浏览器二进制文件和针对 CI Runner 优化并行度 —— 都是一个下午就能完成的配置改动,一旦就位,它们在每一次 PR 上都在持续回报,而不是一次性的收益。这就是优化配置相比追求测试速度的隐性优势:节省的时间在团队此后的每一次运行中复利累积。

完整工作流中的单 Runner 方案在套件增长的相当长时间内都能胜任,而诚实的表述在这里很重要。当一个团队确实超出了这套方案的承载力时,那是一个在数据越线时有意识做出的扩展决策,而非说明之前哪里做错了。过早引入分片本身就是一种错误 —— 为你根本不会损失的时间付出了复杂度的代价。

一切的底层贯穿着一个值得铭记的理念。测试套件存在的意义是在每次推送时给出快速、可信的反馈,而本文中的每一项优化 —— 从缓存键到 Worker 数量再到内联 reporter—— 都是在为此服务。一条能在几分钟内给出清晰答案的流水线,才是人们真正信任并愿意等待的。而一条缓慢或嘈杂的流水线则会被忽视 —— 这悄无声息地辜负了你当初写测试的全部初衷。

如果你的套件已经越过了那条线,而你不想亲自维护分片数量、矩阵任务和报告合并,Endform 可以为你提供同样的并行化能力,无需自己搭建 CI 管道。

关于本文
译者:@飘飘
作者:@Jakob Norlin
原文:https://endform.dev/blog/playwright-github-actions

这期前端早读课
对你有帮助,帮” 
赞 “一下,
期待下一期,帮”
 在看” 一下。

阅读原文

跳转微信打开

14 天,110 次上线

2026年7月28日 22:14

原创 王建硕 2026-07-28 22:14 美国

一个人加上 Claude,14 天上线 110 次——一个想想法从冒出来到用户手上,平均不到两个小时。翻完这两周的 release note,我挑出四件自己都觉得厉害的事。

过去 14 天,按照 git log 的统计,我的 VoiceDrop 上线了 110 次。分为几类:

第一类:让每一条提示词,都记得自己的作者是谁。

VoiceDrop 是一个用语音写文章的 App。里面有一种东西叫提示词——比如「把这张图改成手绘解释风」,一条调好的指令。

这两周,提示词从「自己用」长成了一个小市场。:

  • 7 月 22 日:「魔法数字 4 位起步、占满自动升位」。每条分享出去的提示词有一个 4 位数字的码,对着手机念出来就能兑换,像口令红包。

  • 7 月 22 日:「导入件再分享溯源转发——未改正文返回原码,奖励归原作者」。你收下我的提示词,再转给别人,码还是我的,奖励也是我的。

  • 7 月 19 日:「worker 出图后回调前嵌入 XMP 溯源」。AI 生成的每张图,用了谁的提示词,直接写进图片文件内部。图走到哪,作者跟到哪。

一个市场能不能长起来,取决于创作者的东西会不会被白拿。链路记住作者,分享才有动力。 现在的显示的部分并没有做呢。

第二类:把国内用户的等待,从卡死降到 1.6 秒。

有人反馈:分享页的图片一直转圈。查下来不是代码慢,是光缆慢——跨境线路只有 60KB/s。

解法是三层:

  • 7 月 18 日:「照片/封面 302 直连——已上线验证 1.6 秒取全图」。先止血。

  • 7 月 20 日:「voicedrop.cn 迁移 EdgeOne 完成——边缘函数替代 VPS 反代,照片走国内边缘缓存」。图片不再过境。

  • 7 月 20 日:「D1 read replication——国内动态读走就近副本」。连数据库的读,都挪到离用户近的地方。

CloudFlare 实在是个非常好的提供商,很多产品做得非常适合 AI 直接生成部署。可惜国内还没有类似理念的公司,云产品都做得无比笨重。如果还慢的话,就把所有的服务都搬一份到国内。

第三类:把「正在生成」从十几秒压缩到一秒。

用语音改文章,最难受的是等。你说完「把第三段改简洁」,屏幕转圈十几秒,人就走神了。

7 月 25 日一天连发三条,把这件事了结了:

  • 「文章写入直连数据库——单次写入从 8–22 秒到亚秒」。原来每次保存要绕一圈 HTTP,现在直着走。

  • 「编辑服务钉在固定机房 + 模型配置缓存」——治「快路径也要十几秒」。

  • 「乐观回执——『正在生成』压到网络往返级」。先把号牌塞你手里,菜在后厨接着做。

前一天(7 月 24 日)先上了「写后校验:haiku 质检员」——每次改动背后,还有一个小模型在把关。不过,这也证明了一件事情:AI 的代码,常常在一个角度优化而忽略另一个角度,比如速度。我在 CLAUDE.md 里加入了关于 performance 的约束了。

第四件事:同音错字,在转写层就地消灭。

「题图」被转成「提图」,「分享码」变成「分想马」。以前的思路是转写完再修,这次直接往上游走了一步。

7 月 20 日:「ASR 请求级热词(题图/图一到图二十/分享码等),同音错字在转写层就地消灭」。同一天,流式转写也吃上了热词,而且「无需 App 发版」。

同时,也从用户的编辑中学习,语音识别经常犯的错误,然后添加到热词里面,以后就不会错了。

成本变了,节奏就变了;节奏变了,做产品的方式就变了——从憋一个大招,变成每天往前挪八小步。Claude Code 几乎每天都发一个版本,有时候一天几个版本。

但问题是,一个完整的产品, 前面 1/5 的时间,基本上已经完成了大多数的功能,但是后面的 4/5,都是一些不容易看到的小功能,比如兼容性,比如速度,比如边缘案例什么内容。这就是大家感觉这一段似乎没有什么明显的变化的原因。

    ## 逐日明细(新→旧)
    ### 2026-07-28(周二,2 条)
    - log(miner): ASR 完成日志加 asr_dur_ms(火山检测的音频实际时长)
    - feat(invite): 微信内去掉下载蒙层——iOS apps.apple.com 白名单直跳 App Store
    ### 2026-07-25(周六,6 条)
    - fix(lib): writeArticleDoc 对 current 一侧同样清洗顶层字段 + 未迁移 doc 先迁移——堵直写引入的 schema 泄漏
    - perf(agent): 乐观回执 + 瘦身写入——「正在生成」压到网络往返级
    - fix(agent): 图片锚点漂移自愈 + 出图回复文案微调
    - fix(agent): 连接快照 loadDoc 失败重试一次并打日志——null article 快照会消掉任务芯片却不更新正文
    - perf(agent): 文章写入直连 article-store 库,砍掉 HTTP→Pages 绕行(put_article 8–22s → 亚秒)
    - perf(agent+paint): 编辑 DO 钉 wnam + 模型配置缓存 + paint 输入图异步下载——治「fast path 也要十几秒」
    ### 2026-07-24(周五,11 条)
    - perf(agent): 语音编辑提速三件套——长按图片 prompt 直通出图、photo 工具短路、写后校验只验高风险编辑
    - fix(admin): llm/mine 日志日期列表跟 cursor 翻页——R2 delimited list 按扫描 key 数截断,日志攒多后新日期滚不出来(llm 页停在 07-13 的根因)
    - remove(prompts): 系统缺省「合影照片」组删掉「电影感调色」「日系动画电影」两个动作
    - remove(style): 下线多风格对比——miner 只按 head 文风挖单篇,/style API 不再读写 profile.styles
    - fix(style): undo 后再写不再截断未来版本——整链保留,新版本接链尾
    - feat(agent): 编辑 loop 写后校验(haiku 质检员)+ 长按菜单提示词开放给语音(use_my_prompt)
    - feat(a): VoiceDrop 文章阅读数据报告页(reco engagement 近一月)
    - feat(voicedrop-cn): route /agent and /reco through EdgeOne
    - feat(voicedrop): 系统模板新增「合影照片」缺省组——AE209A 整组 6 个动作收编
    - refactor(mcp): login tool splits code/verify_code/pairing, no more overloaded code field
    - feat(a): add MCP visual debugger at /a/mcp
    ### 2026-07-22(周三,15 条)
    - chore(voicedrop): nightly English mirror sync
    - feat(voicedrop): Android 下载全线切应用宝,iOS/Android 下载并列
    - fix(voicedrop): LibraryAgent queue 表补 anchor/item_id 列迁移——修长按语音指令卡死
    - fix(voicedrop): 溯源转发 code-review 9 项修复
    - feat(voicedrop): prompt-market 候选排除 borrowed 行(同码不重复展示)
    - feat(voicedrop): borrowed 条目关分享只删自己索引,绝不碰原作者分享
    - feat(voicedrop): 导入件再分享溯源转发——未改正文返回原码,奖励归原作者
    - feat(voicedrop): effectiveLeaf 透传 importedFrom(写穿副本不带)
    - feat(voicedrop): core-db prompt_shares 读写带 borrowed + coreDeletePromptShare
    - feat(voicedrop): D1 migration 0004 — prompt_shares.borrowed + code 唯一索引改 partial
    - fix(voicedrop): 落地页总守卫下限降到 4 字符,放行 4–5 位魔法数字
    - feat(voicedrop): 魔法数字 4 位起步、占满自动升位
    - fix(voicedrop): 根治 files/photo 4xx 报警风暴——畸形封面 key 拦截 + photo 404 静音
    - feat(voicedrop): 提示词退出社区 feed + /agent/prompt-market 市场端点
    - a/: add Cloudflare 增长引擎 + Zero Trust 科普两份报告页
    ### 2026-07-23(周四,1 条)
    - perf(voicedrop): 提示词市场物化缓存——打开从 3-5s 降到一次 R2 读
    ### 2026-07-21(周二,7 条)
    - chore(voicedrop): nightly English mirror sync
    - feat(voicedrop): sitemap.xml(动态,含公开社区帖) + robots.txt
    - fix(voicedrop/admin): 准入接受 anon_ 访问令牌(app 默认凭证),不只签名 session
    - refactor(voicedrop/admin): 白名单按不可篡改的 scope/ID 码匹配,去掉可冒充的名字匹配
    - feat(voicedrop/admin): 后台准入从 FILES_TOKEN 改成用户白名单
    - feat(realtime): OpenAI 额度耗尽(insufficient_quota)时 APNs 报警管理员 + iOS 停重连风暴
    - feat(voicedrop): 社区分享每日限额 20→200
    ### 2026-07-20(周一,12 条)
    - perf(voicedrop): D1 read replication——国内动态读走就近副本
    - docs(a): 收录 VoiceDrop 存储排查·D1 迁移页到 /a/,更新索引卡片
    - feat(voicedrop): 存储迁移 P3——身份/档案/push token/举报迁 D1
    - feat(voicedrop): 存储迁移 P2——文章/录音索引迁 D1,列表接口一条 SELECT 直出
    - feat(voicedrop): 存储迁移 P1——refhits/invites/prompt-shares/importCount 迁 D1 voicedrop-core
    - feat(agent): 流式 ASR 热词——/agent/asr 代理拦截 full client request 帧注入 corpus.context,实时预览+口述改稿同吃热词,无需 App 发版
    - feat(agent): ASR 请求级热词——auc submit 带 corpus.context(题图/图一~图二十/分享码等41词),同音错字在转写层就地消灭
    - feat(agent): 分享码模型侧推断解析 use_shared_prompt——ASR 汉字数字(七七六六四四3)可兑换,码长不写死(≥3位);EDIT_SYSTEM 补同音错字目标推断+复述规则
    - perf(files): 照片 200 缓存 1 天 → 1 年 immutable(key 写入后不变;404 no-store 不动)
    - docs(voicedrop-cn-edgeone): 证书终态=eofreecert 已部署;记录 apex CNAME 扁平化误报
    - feat(infra): voicedrop.cn 迁移 EdgeOne 完成——边缘函数替代 VPS Caddy,照片走国内边缘缓存
    - Add EdgeOne ownership verification file for voicedrop.cn
    ### 2026-07-18(周六,5 条)
    - chore(voicedrop): nightly English mirror sync
    - fix(paint-size): 补 gpt-image-2 总像素下限——竖图 9:16 缩成 576x1024 不足 655360 被 paint 整单拒,现等比放大到达标(竖版照片改风格必失败的根因)
    - fix(voicedrop-cn): 照片/封面 302 直连 jianshuo.dev——盒子跨境仅 ~60KB/s,分享页图片全卡死;已上线验证 1.6s 取全图
    - feat(files-api): POST wechat-validate——保存前经 relay 从白名单 IP 真拿一次 token,微信侧 errcode 原样透传给 App
    - report(a): VoiceDrop 访客周报 2026-07-14~18(PostHog 首周数据)
    ### 2026-07-19(周日,16 条)
    - refactor(agent): 删文字反查换 item_id 精确解析——payload/queue/ctx 全链穿透 item_id,magicForItem 走 byItem+importedFrom
    - feat(agent): 长按菜单调指令出图也带魔法数字——指令文本反查自己的活跃分享码进 XMP
    - fix(agent): 照片 key 不再用绝对毫秒时间戳——改图保留原图偏移前缀只换随机尾,生成图用会话目录+秒偏移
    - feat(agent): 口播分享码穿透到出图 XMP——resolveSharedPromptBlock 返回 {block,magic},ctx.sharedMagic 下行
    - perf(prompts): 保存不再等分享副本同步——rekey+同步挪进 ctx.waitUntil 后台
    - feat(agent): paint XMP 溯源调用方接线——VoiceDrop 关 prompt 只标来源,prompt-lab 带指令 id/魔法数字
    - fix(paint): harden xmp_meta key validation against spoofed provenance
    - feat(paint): worker 出图后回调前嵌入 XMP 溯源
    - feat(paint): POST /api/jobs 收 xmp_prompt / xmp_meta(校验 + 入库)
    - feat(paint): embedXmp — PNG iTXt / JPEG APP1 原子插块
    - feat(paint): buildXmp 拼 XMP 溯源包
    - feat(usage): 新用户注册赠送 500 → 200 算力
    - docs: paint XMP 溯源实现计划
    - feat(prompt-share): 分享提示词带分组落位——副本记 groupPath,收下进同名组/自动建组,标题「分组|名字」
    - docs: paint 出图自带 XMP 溯源 design spec
    - feat(style): 文风版本保留上限 10 → 20
    ### 2026-07-17(周五,9 条)
    - feat(admin): 访客 IP 并入 /voicedrop/admin 后台——新页 refhits.html + master token 鉴权
    - fix(referral): beacon 只在反代页注入——直连页不再一次访问记两条指纹
    - feat(analytics): 分享页访问打点——文章/社区/提示词三类页发「分享页访问」事件
    - feat(referral): 访客 IP 一览调试页 GET /agent/referral/refhits?key=…
    - debug(referral): 指纹临时改明文 IP(DEBUG_PLAINTEXT_IP 开关)+ test owner 不写指纹
    - feat(iap): 售卖开关——R2 config/iap.json {"enabled":true} 零部署开闸,默认关
    - feat(iap): 订阅产品 ID 带价格 + 档位表——monthly_19_9,以后加档只加一行
    - chore(test): fakes 注释同步 0004 迁移
    - feat(iap): 苹果订阅 P3 服务端——¥19.9/月每月自动入账 200 算力桶
    ### 2026-07-16(周四,18 条)
    - feat(prompts): 「收下这条提示词」幂等——同码重复导入不再重复添加
    - 提示词分享页「收进工具箱」改 universal link:跨域 https 链接替代 voicedrop:// scheme
    - fix(referral): 打点真实 IP 改走 X-Forwarded-For 首段——X-Real-IP 被 CF 边缘覆写不可用
    - fix(referral): 落地页打点 distinct_id 用 X-Real-IP 真实访客 IP——PostHog 里不再「全是同一个人」
    - feat(auth): 绑过实名的匿名 scope 获社区写权限——MCP 配对 token 可分享/取消分享/投币
    - feat(invite): 邀请落地页分享卡片带 App logo(og:image/image_src → icon-512.png)
    - fix(referral): 归因三修——第一方 beacon 复活 IP 层、剪贴板 execCommand 兜底+微信蒙层、邀请人到账推送
    - chore(agent): POSTHOG_API_KEY 进 worker vars(phc_ 可公开客户端 key,用户授权 2026-07-16)
    - feat(referral): 漏斗打点进 PostHog——落地页访问/下载点击/claim 结果分布
    - feat(share): prompt 分享页加「一键收进我的工具箱」按钮
    - fix(share): prompt 社区帖公开页 404——kind=prompt 无 articleKey,原地渲染指令页
    - fix(edit): 锚点 image key 校验做两代照片标记归一——legacy [[photo:N]] 数字 token 经 doc.photos 解析成相对 key,老文章长按图片不再被静默丢弃——锚点 T1 review fix
    - feat(edit): 锚点协议服务端——anchor 透传/校验/漂移自愈/上下文注入——锚点 T1
    - feat(referral): 邀请好友——/agent/referral/link 铸码 + voicedrop.cn/i/<码> 落地页 + claim 认邀请码
    - fix(community): 提示词帖两洞——[[photo]] 占位符不再抠成假题图;投币支持 prompt 帖
    - perf(prompt-share): 黑名单读并进并行组 + 首铸跳过 importCount 保护读——关键路径 ~3 个来回
    - perf(prompt-share): 开分享从 ~15 个串行存储操作压到 ~6——并行前段读 + 发帖挪 waitUntil
    - feat(mint): 投喂到账给作者发 APNs 推送,点开进算力账单
    ### 2026-07-15(周三,8 条)
    - fix(community): 提示词帖同死补漏——举报下架/销号连码删 + 举报列表摘要 + 自愈防误删
    - docs(mcp): share_prompt/unshare_prompt 描述跟上自动发社区帖语义——Task 6
    - feat(community): get 合成提示词帖形状 + unshare 帖码同死 + reconcile 收编——Task 5
    - feat(agent): 开分享=铸码+发社区帖,关分享=帖码同死;登录门槛+审核——Task 4
    - feat(agent): 提示词社区帖发布/撤回帮手 + RECO_DB binding——Task 3
    - feat(community): 展示索引与 list 认 kind 列——提示词社区帖 Task 2
    - feat(reco): community_posts 加 kind 列,feed 透传——提示词社区帖 Task 1
    - feat(mcp): 提示词分享 6 工具——list/share/unshare/status/preview/import
    ### 2026-07-14(周二,1 条)
    - chore(voicedrop): nightly English mirror sync

    阅读原文

    跳转微信打开

    Better Harness 开源了:立即把 Harness 专家带进你的 AI Coding 工具

    2026年7月28日 21:28

    Phodal 2026-07-28 21:28 浙江

    Better Harness 是一套面向 Coding Agent 工作流的开源分析与持续改进工具,将 Harness Engineering 与 Loop Engineering 的工程实践、评估模型和运行能力连接起来,并适配 Claude Code、Codex、Qoder 和 Cursor。

    上周,我们在 Qoder Desktop 中内置了 Better Harness。上线后,很多用户都在问:这个功能会开源吗?

    答案是:会!

    今天,我们正式开源 Better Harness。

    项目地址:

    https://github.com/QoderAI/better-harness

    Better Harness 是一套面向 Coding Agent 工作流的开源分析与持续改进工具,将 Harness Engineering 与 Loop Engineering 的工程实践、评估模型和运行能力连接起来,并适配 Claude Code、Codex、Qoder 和 Cursor。

    四个平台共享同一套判断模型,但会话分析、证据覆盖和输出能力尚未完全对齐。其中,Qoder 已在真实开发工作流中反复验证,是当前能力最完整的参考实现。

    图片
    图片

    完成对应平台的安装或加载后,都可以在要分析的项目中执行:

    /better-harness

    你可以先让它跑起来,边看报告,边继续读这篇文章。如果某类证据不可用,Better Harness 会在结果中保留这个边界,而不会用配置数量或其他平台的数据替代它。

    Better Harness 关心的是 Agent 在任务中做了什么

    假设 Agent 修改了一个模块,运行一条测试命令后便宣布任务完成。真正需要判断的,不是仓库“有没有测试”,而是这条测试是否与改动相关、是否覆盖主要风险,以及结果能否支持交付。

    Better Harness 因此不会把 AGENTS.md、Rules、Skills、MCP、Hooks、Memory、测试或 CI 的存在,当成它们已经在任务中发挥作用。每条待优化项(Finding)都需要给出可追溯的证据、具体的用户影响、最小修复边界,以及修复后的验证方式。

    下面是 Better Harness 在 Codex 中对自身项目进行的一次分析快照:

    图片

    图中没有把“缺少 Codex 宿主测试”直接写成“Codex 已经失败”,而是保留未执行宿主测试的证据边界。分数只帮助定位问题,真正重要的是结论、影响、最小修复范围和验证方式。

    这也是 Better Harness 与配置清单的区别:配置清单告诉你项目拥有什么;Better Harness 关注这些能力是否真正支持 Agent 完成了一次可信的任务。

    而要让报告中的判断能够被检查、修改和重新验证,开源就不能只停留在一个可执行入口。

    Better Harness 的三层开源体系

    如果只是把 /better-harness 的 Prompt 放到 GitHub 上,它当然也可以被称为开源。

    但对 Coding Agent 来说,真正决定结果的从来不是某一句提示词,而是提示词背后的整套工作方式:什么值得检查,什么证据才算数,怎样形成判断,以及这些判断如何在真实项目中持续运行和修正。

    图片

    因此,这次 Better Harness 开放的是三层彼此连接的内容。

    第一层是 Harness Engineering 最佳实践

    它回答的是:面对 Session、CLI、可观测性、Rules、Skills、MCP、Memory、Hooks 和自动化,我们应该检查什么,又有哪些结论不能仅凭配置存在就得出。

    这些知识按照问题领域被组织在 references 中:

    图片

    Better Harness 不会在每次运行时加载一个无限膨胀的总 Prompt,而是根据当前发现的问题,读取对应领域的判断依据。遇到诊断问题时进入可观测性实践,遇到 Skill 问题时进入 Skill Review,发现重复流程时再判断它是否应该由 Skill、Hook、Script 或 Automation 长期承载。

    第二层:Agent Work Loop 评估模型

    它负责把工程实践转化为可以逐项检查的问题,并约束证据、评分与结论之间的关系。当前模型和证据状态定义公开在 Agent Work Loop 中。

    鉴于标准尚未成熟,我们避免让单个模型主观定义 “好的Harness”。首轮内部评测选取 30 个 GitHub 真实项目,由四类模型基于 OpenAI 的 Harness Engineering 文章独立评估,生成 120 份标准化报告;随后通过跨模型对比和人工校准,明确证据要求、判断边界及项目类型差异,并应用更新准则对全部项目重新评估。

    图片

    这条“自动评测—自动汇总—人工校准—自动复跑”的闭环,帮助我们得到第一个可复现、可持续调整的 Harness Engineering 评估模型。

    第一版模型仍然更接近传统的软件工程成熟度扫描,关注项目是否拥有文档、测试、CI 和安全机制。但我们很快发现,静态资产不能证明 Agent 真正完成过一次任务。

    为了持续追踪模型与项目能力的变化,我们采用 Spec 驱动的方式建设 Better Harness。随着 200 多份 Spec 的积累,模型逐渐从关注“仓库里有什么”,转向判断“任务中实际发生了什么”。

    评估对象由仓库或会话,收敛为一个具体的任务;会话不再是评估对象,而只是承载证据的容器。模型也逐步稳定为五个维度:任务理解、可控执行、改动验证、可靠交付和经验沉淀。文件存在、配置数量、时间相邻,甚至一次命令成功,都不能再被直接推导为某项能力已经真正生效。

    最终,Agent Work Loop 不再是一张静态评分表,而是一套围绕真实任务、能够复现并持续校准的判断系统。

    第三层:可运行的工程实现

    它负责让前两层不只停留在文档和模型中,而是能够在真实项目里重复运行。Better Harness 通过插件或 CLI(项目中的 scripts 目录下的 JavaScript 代码) 启动一次分析,先冻结任务范围,再分别采集三类证据:

    • • Session Evidence 还原 Agent 在真实任务中的行为;

    • • Project Harness 检查项目是否可启动、可诊断、可验证和可恢复;

    • • Agent Customize 检查 Rules、Skills、MCP、Memory 和 Hooks 的配置、路由与使用证据。

    三类证据在采集和分析阶段保持独立,最终才由 Lead 结合 References 中的判断依据和 Agent Work Loop 评估模型进行综合判断。因为“项目拥有一项能力”和“Agent 在任务中真正使用了它”,始终是两个不同的事实。

    图片

    最终输出的不只是一个分数,而是一组带有证据边界、用户影响、修复范围和验证方式的 Findings。报告经过渲染和校验后,可以继续进入修复流程;如果发现稳定的重复工作,则通过 Loop Engineering 判断它应该由 Skill、Hook、Script、Automation 或其他机制长期承载。

    修复完成也不等于流程已经改善。只有在后续同类任务中再次观察到更好的结果,改进闭环才真正成立。

    现在,从第一条可验证的问题开始

    Qoder 用户

    Qoder Desktop 已内置 Better Harness,更新到最新版即可,打开 Quest 视窗选择 Better Harness(Beta),或者直接运行 /better-harness。Qoder CLI 和 JetBrains 插件在装过 Qoder Desktop 的机器上同样直接可用。

    开源仓库

    访问 Better Harness 的 GitHub 仓库 (https://github.com/QoderAI/better-harness)

    按照 README 安装并运行第一次 /better-harness。诸如 Claude Code 用户可以依次执行:

    1. /plugin marketplace add QoderAI/better-harness
    2. /plugin install better-harness@better-harness

    然后运行:

    /better-harness 分析我项目的Harness情况,生成 HTML 报告

    第一次运行 Better Harness,不必立即构建一套完整的 Agent 工程体系,也不必追求满分。更实际的方式,是先找到一个证据明确、影响具体,并且能够快速验证的问题。

    它可能是一条 Agent 找不到的检查命令,一段无法提供下一步诊断路径的错误日志,也可能是一个已经存在、却从未进入任务路由的 Skill。

    修复一个问题,重新运行检查,再观察后续相似任务是否发生变化。Harness Engineering 不是一次性的配置工作,而是持续让项目更容易被 Agent 理解、执行和验证。

    图片

    欢迎来给 Better Harness 贡献

    Better Harness 已经在 Qoder 的真实研发流程里反复运行和校准过,但当前模型主要来自我们熟悉的项目类型和任务场景。

    面对不同的技术栈、工程规模、团队约束和 Coding Agent,它仍然可能存在判断盲区,也需要更多真实证据来持续修正。

    如果你愿意参与,可以从以下几个方面贡献:

    • • 补工程实践:往 references/ 里加一份某个语言、框架或者常见工作流的判断依据。不用写代码。

    • • 补评估视角:往 models/ 或 scripts/ 里加一个有证据支撑的检查维度或检测器,带上 fixture 和测试。

    • • 补宿主支持:为另一个 Coding Agent 补齐证据采集与验证,仓库的 Roadmap 里有现成的 to-do 清单。

    • • 补真实案例:往 case-studies/ 里贡献一个脱敏的团队实践例子。

    如果你不认同报告里的某一条 Finding,也热烈欢迎直接开 issue。对我们来说,一条来自真实项目的反驳,比一个 star 有用得多(当然也欢迎顺手点个 Star 😁)。

    项目地址:

    https://github.com/QoderAI/better-harness

    阅读原文

    跳转微信打开

    《HelloGitHub》第 124 期

    2026年7月28日 08:15

    原创 HelloGitHub 2026-07-28 08:15 北京

    兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!每月 28 号更新。

    兴趣是最好的老师,HelloGitHub 让你对开源感兴趣!

    简介

    HelloGitHub 分享 GitHub 上有趣、入门级的开源项目。

    github.com/521xueweihan/HelloGitHub

    这里有实战项目、入门教程、黑科技、开源书籍、大厂开源项目等,涵盖多种编程语言 Python、Java、Go、C/C++、Swift...让你在短时间内感受到开源的魅力,爱上开源!


    以下为本期内容|每月 28 号更新

    C 项目

    1、86Box:复古 PC 模拟器。这是一款开源的复古电脑模拟器,可自由搭配、模拟各种经典硬件,比如奔腾、赛扬处理器、声卡、显卡等。支持运行 DOS、Windows 98、Windows XP 等早期操作系统和同时代的软件。

    地址:github.com/86Box/86Box

    2、simplewall:小巧的 Windows 网络管控工具。这是一款用于管理和控制 Windows 网络活动的工具,体积小、没广告、完全免费。它基于 WFP 实现网络过滤,不依赖系统自带防火墙,支持自定义规则、IPv6、拦截名单等功能。

    地址:github.com/henrypp/simplewall

    C# 项目

    3、FluentCleaner:更好用的 Windows 系统清理工具。这是一款基于 WinUI 3 构建的 Windows 系统清理工具,灵感来自经典的 CCleaner。它使用维护多年、覆盖数千款应用的 winapp2.ini 规则库,支持自定义规则库和静默自动清理,清理过程透明、精准、无套路。

    地址:github.com/builtbybel/FluentCleaner

    4、nvidiaProfileInspector:解锁 NVIDIA 驱动隐藏设置。这是一款用于编辑 NVIDIA 驱动配置文件的 Windows 工具,可访问官方控制面板未展示的隐藏选项。它支持为单个游戏单独建档,调节帧率限制、垂直同步、纹理过滤和光线追踪等参数,配置可导出为 .nip 文件,方便备份或分享。

    地址:github.com/Orbmu2k/nvidiaProfileInspector

    C++ 项目

    5、JoltPhysics:《死亡搁浅 2》背后的物理引擎。这是一款用 C++ 编写的刚体物理与碰撞检测库,支持多核并发和确定性模拟。它提供球体、方块、胶囊体等形状的连续碰撞检测,以及多种约束类型、软体、毛发模拟等功能,《地平线:西之绝境》和《死亡搁浅 2》等游戏均采用了该库。

    地址:github.com/jrouwe/JoltPhysics

    Go 项目

    6、App-Store-Connect-CLI:命令行发布 App Store 应用。这是一款用 Go 编写的 App Store Connect 命令行工具,可在终端、IDE 或 CI/CD 流水线中自动完成应用发布,支持构建上传、TestFlight、提交审核、签名等操作,覆盖 iOS、macOS、tvOS 和 visionOS 全平台。

    地址:github.com/rorkai/App-Store-Connect-CLI

    7、kage:把整个网站打包离线阅读。该项目是用 Go 编写的网站离线保存工具,可将任意网站保存为可离线浏览的本地文件夹。保存后的网页看起来和线上一样,但不会发起任何网络请求,还支持打包成单个 .zim 文件或可直接运行的可执行文件。

    地址:github.com/tamnd/kage

    8、make-look-scanned:让 PDF 看起来像扫描件。该项目可将 PDF 文件处理成类似扫描件的效果,支持命令行和浏览器本地运行,相同文件默认会得到完全一致的结果。

    地址:github.com/overflowy/make-look-scanned

    9、zabbix:开源的企业级分布式监控平台。该项目是企业级开源分布式监控系统,可实时监控网络设备、服务器、数据库、虚拟机、容器、云服务和应用的运行状态。它支持自动发现、Agent/Agent-less 采集和故障检测等功能,并可通过 Slack、Jira、Teams、邮件或短信发送告警。Zabbix 在中国也有非常活跃的社区。

    地址:github.com/zabbix/zabbix

    Java 项目

    10、jabref:写论文用的文献管理工具。这是一款免费开源、跨平台的文献与引用管理工具,原生支持 BibTeX/BibLaTeX。它可以从 Google 学术、arXiv 等平台检索论文,自动补全文献信息、提取 PDF 元数据、合并重复条目,并支持与 Word、LibreOffice 和多款 LaTeX 编辑器联动。来自 @Xuefeng Xu 的分享

    地址:github.com/JabRef/jabref

    JavaScript 项目

    11、astryx:Meta 开源的 React 设计系统。该项目是基于 React 和 StyleX 构建的设计系统,在 Meta 内部经过多年实践。它内置 150+ 组件、7 套可定制主题、深色模式、页面模板和 CLI,对 AI Agent 友好。来自 @JRZYgit 的分享

    地址:github.com/facebook/astryx

    12、ColorTxt:会给小说上色的阅读器。这是一款基于 Electron 构建的本地小说阅读器,支持 TXT、EPUB、MOBI、PDF 等格式。它可自动为正文中的人名和关键词设置颜色,并支持章节识别、划线笔记、语音朗读和 AI 剧情分析等功能。

    地址:github.com/ssnangua/ColorTxt

    13、karakeep:可自托管的浏览器书签管理平台。这是一款可自托管的浏览器书签管理应用,可保存链接、笔记、图片和 PDF,并支持 AI 自动打标签与生成摘要。它提供全文搜索、OCR、浏览器扩展、移动端应用、RSS 自动收藏和网页归档等功能。

    地址:github.com/karakeep-app/karakeep

    14、magic-resume:在线 AI 简历编辑器。这是一款免费的在线 AI 简历编辑器,无需登录、内置多种模板。它基于 TanStack Start、TypeScript 和 Tiptap 构建,支持实时预览、配置 AI 服务商、深色模式、PDF 导出和自动保存等功能。

    地址:github.com/JOYCEQL/magic-resume

    15、TREK:可多人协作的旅行规划平台。这是一款可自托管的旅行规划平台,支持多人实时协作、交互式地图、费用分摊、行李清单、预订管理和旅行计划等功能。它内置 MCP 服务,可结合 AI 助手规划旅行。

    地址:github.com/liketrek/TREK

    Python 项目

    16、abogen:带同步字幕的有声书生成器。这是一款基于 Kokoro-82M 的文本转语音有声书生成工具,可将 EPUB、PDF、TXT、Markdown 和字幕文件转成 MP3、M4B、FLAC 等格式的音频。它提供批量处理、章节拆分、语速调节等功能,支持包括中文在内的 9 种语言。

    地址:github.com/denizsafak/abogen

    17、git-filter-repo:Git 历史重写工具。这是一款用于重写 Git 仓库历史的命令行工具,可作为 git filter-branch 的替代品。它仅需 Python 和 Git 即可运行,支持批量改写提交信息、标签重命名、仓库拆分和自动清理等功能。

    地址:github.com/newren/git-filter-repo

    18、HypoMux:把多张网卡的带宽叠加起来。这是一款专为 Windows 平台打造的多网卡带宽聚合下载加速工具。当电脑同时接入网线、Wi-Fi 或手机热点时,它可将下载任务分配到不同网卡上,实现远超单网卡的下载速度,并支持虚拟网卡、进程分流和实时流量监控等功能。

    地址:github.com/Hypostasis-Cat/HypoMux

    19、msgspec:更快的 Python 序列化库。这是一个高性能 Python 序列化与数据校验库,支持 JSON、MessagePack、YAML 和 TOML 格式,常见操作比同类库快 10-80 倍。

    地址:github.com/msgspec/msgspec

    20、wenyi:整本翻译外文小说的工具。这是一个用于翻译长篇小说的命令行工具,支持 EPUB、FB2、TXT、Markdown、HTML 和 PDF 文件格式。它通过全书分析、滚动上下文、动态术语表、润色和校对,提升长篇小说翻译的一致性和可读性。来自 @DawnGhost 的分享

    地址:github.com/BigDawnGhost/wenyi

    Rust 项目

    21、harper:本地优先的英语语法检查工具。这是一个用 Rust 编写的英文语法检查工具,可在本地完成语法分析,无需将内容上传到服务器。它检查速度快、内存占用少,可编译成 WebAssembly 在浏览器里运行,也能集成到 VS Code、Neovim、Helix、Emacs、Zed 等编辑器中使用。

    地址:github.com/Automattic/harper

    22、herdr:管理多个 AI 编程助手的终端工具。该项目是用 Rust 编写的终端多路复用工具,专为同时操作多个 AI 编程助手而设计。它能在一屏内查看每个助手的终端画面,一眼看出谁在运行、谁卡住、谁已完成。支持断开后继续运行、随时从其他终端或 SSH 重新接入,同时兼容 tmux 风格的快捷键。来自 @JRZYgit 的分享

    地址:github.com/ogulcancelik/herdr

    Skills

    23、archify:让 AI 读代码画出架构图。这是一款面向 Codex、Claude Code、Cursor 和 OpenCode 的架构图生成技能,可读取代码仓库或系统描述,生成可交互的架构图。它提供 5 种图表类型和 4 套主题,支持搜索节点、上下游链路追溯、架构变更对比,并可导出 PNG 或 SVG。

    地址:github.com/tt-a1i/archify

    24、claude-video:让 AI 助手看懂视频。这是一个为 Claude Code 等 AI 助手提供视频理解能力的技能包。输入视频网址或本地文件后,它会借助 yt-dlp 和 FFmpeg 提取关键帧与字幕,无字幕时可调用 Whisper 转录,让 AI 助手结合画面与语音定位录屏故障、分析内容或生成摘要。

    地址:github.com/bradautomates/claude-video

    25、hallmark:拒绝 AI 味的网页设计技能。这是一个面向 Claude Code、Cursor 和 Codex 的网页设计技能,旨在避免 AI 生成页面千篇一律。它内置 20 个主题、4 种命令模式、57 项检查规则和自检流程,支持从截图或 URL 提取设计特征。

    地址:github.com/Nutlope/hallmark

    Swift 项目

    26、LockIME:锁住输入法的 macOS 菜单栏工具。这是一款用 SwiftUI 开发的 macOS 菜单栏工具,可全局或按应用、网址锁定指定输入法,一旦被手动或其他应用切换,便会立即恢复。它支持自定义快捷键、规则备份、配置导入导出等功能,安装包不到 3MB,且无需系统权限。来自 @Kevin Cui 的分享

    地址:github.com/oomol-lab/LockIME

    27、opendisplay:把 iPhone 变成 Mac 扩展屏。这是一款免费开源的 macOS 副屏工具,可将闲置的 iPhone 或 iPad 变成第二个显示器。插上数据线或连同一 Wi-Fi 即可使用,可以直接把窗口拖过去,支持用手指点按、拖拽和双指滚动操作 Mac。

    地址:github.com/peetzweg/opendisplay

    28、WhichSpace:菜单栏里的桌面空间切换工具。这是一款用于查看和切换 macOS 桌面的工具,支持点击图标或滚动鼠标快速切换桌面,还能为每个桌面设置颜色、图标、文字标签或表情符号。

    地址:github.com/gechr/WhichSpace

    人工智能

    29、code-review-graph:让 AI 少读代码的图谱工具。这是一款本地优先的代码智能图谱工具,专为 MCP 和 CLI 设计。它通过 Tree-sitter 解析函数、类、调用和测试之间的关系,并持久化存成图。修改文件时,它能沿着图找出受影响的调用方和依赖代码,提供更精准的上下文,避免读取整个代码库浪费 token。

    地址:github.com/tirth8205/code-review-graph

    30、gastown:同时指挥多个 AI 编程助手。该项目是多智能体工作区管理和编排系统,可统一调度 Claude Code、GitHub Copilot、Codex 等 AI 编程助手并行工作。它通过 Git 持久保存工作状态,Agent 重启后不丢上下文,可继续接着干。还提供实时监控、任务交接、卡死检测和合并队列等功能,支持 20-30 个智能体协同工作。

    地址:github.com/gastownhall/gastown

    31、harbor:AI 智能体评测框架。这是一个跑 AI 智能体和大模型评测的开源框架,一条命令就能在 Docker 里把 Claude Code、Codex CLI 这些 Agent 拉起来,用 SWE-Bench 等评测集跑分。嫌本地慢也可以接 Daytona 这类云平台,开多个环境同时跑。

    地址:github.com/harbor-framework/harbor

    32、OpenMontage:把 AI 编程助手变成视频工作室。这是一个开源的智能体视频制作系统,可让 Claude Code、Cursor、Copilot、Windsurf 和 Codex 根据自然语言完成调研、脚本、素材生成、剪辑和合成。它内置 12 条制作流程、100 多个工具,以及 700 多份技能与制作知识文件,支持真实素材、AI 图像、配音、字幕和成片自检。

    地址:github.com/calesthio/OpenMontage

    33、outlines:严格的 LLM 结构化输出框架。这是一个约束大语言模型输出格式的 Python 库,可在生成过程中保证结果符合指定结构,而不是生成后再用正则修补。调用时只需传入期望的类型,同一段代码还能在 OpenAI、Ollama、vLLM 之间无缝切换。

    地址:github.com/dottxt-ai/outlines

    其它

    34、crosspoint-reader:Xteink 墨水屏阅读器的开源固件。这是一款开源的电子书阅读器固件,可替换 Xteink X3、X4 等 ESP32-C3 设备的原厂系统,通过浏览器连接 USB 即可刷入。它支持 EPUB、TXT 等格式,可自定义字体、主题和按键,并提供词典查询、KOReader 进度同步,Web 界面无线传书等功能。

    地址:github.com/crosspoint-reader/crosspoint-reader

    35、exercises-dataset:上千个健身动作的集合。这是一份包含 1000+ 个健身动作的开放数据集,每条记录标注了动作名称、目标肌群、协同肌肉、所需器械和分步教程。教程提供中文等 10 种语言,并配有缩略图和演示动图。

    地址:github.com/hasaneyldrm/exercises-dataset

    36、flutter_server_box:手机上的服务器管理工具。这是一款用 Flutter 开发的服务器监控与管理工具,支持 iOS、macOS、Android、Linux 和 Windows。它提供 CPU、传感器、GPU 状态图表,以及 SSH 终端、SFTP、Docker、进程、Systemd 管理等功能。来自 @KongQi 的分享

    地址:github.com/lollipopkit/flutter_server_box

    37、gitfut:把 GitHub 数据做成球星卡。这是一款将 GitHub 个人数据生成足球球星卡的 Web 应用,可根据提交、Star、PR、关注者、语言等数据换算成球员能力值。

    地址:github.com/Younesfdj/gitfut

    38、local-llm:本地运行 SOTA 大模型实录。该项目是作者整理的本地运行前沿开源大模型实践指南,记录了从 2k 到 40k 美元的硬件方案,内容涵盖硬件清单、BIOS 调优、Docker 配置等。

    地址:github.com/jamesob/local-llm

    开源书籍

    39、ai-agent-book:《深入理解 AI Agent:设计原理与工程实践》。这是一本讲解 AI Agent 的开源中文书籍,围绕「Agent = LLM + 上下文 + 工具」展开,共 10 章。内容从原理讲到生产实践,涵盖上下文工程、用户记忆与知识库、MCP 协议、Coding Agent 等,并配有 92 个实验项目和 7 种语言版本。

    地址:github.com/bojieli/ai-agent-book

    40、little-book-rl:《强化学习小册子》。这是一本强化学习入门书籍,从基础概念讲到算法实现。内容包含基于 PyTorch 的多种算法实现,比如蒙特卡洛、PPO 等,也包括动态规划算法的详细推导和严格证明。

    地址:github.com/alxndrTL/little-book-rl

    最后

    感谢参与分享开源项目的小伙伴们,欢迎更多的开源爱好者来 HelloGitHub 自荐/推荐开源项目。

    希望本期内容有你感兴趣的开源项目,兴趣是最好的老师,它能点燃你对开源的热情、勇敢地迈出第一步,随时欢迎你加入开源的大家庭!如果还没看过瘾,点击阅读 往期内容。

    图片

    点击阅读原文可按照编程语言浏览项目

    阅读原文

    跳转微信打开

    人生周报v083:心力

    2026年7月27日 22:56

    原创 李继刚 2026-07-27 22:56 北京

    「问君何能尔?心远地自偏。」

    《剑来》里,陈平安遇到眼前一亮的句子,会一笔一画刻在竹简上,时不时拿出来晒晒太阳,翻拣重读。

    以陈平安为师,我想记录一下每周在这世上遇到的好句子。

    每周读到的好句子,收下来晾一晾 —— 是以有「读」。

    心里总有话忍不住想对这个世界讲 —— 是以有「说」。


    读

    创作喜欢的产品,和喜欢的人一起工作和生活,投喜欢的 founder,把每一秒都投在喜欢的人和事上。

    负能量的人和事,每日物理上心理上彻底删除拉黑隔离。人就高兴很多。人高兴了一切都好了,特别简单。

    人生就是一场场体验。尽可能精彩,感受深度和广度,体验极致的喜怒哀乐。每次体验,都迭代成更好的自己。

    最近重新进入 2020 年同款状态:心情灵动,非常放松,感官极致感受,极致创造力和执行力。

    20—35,想探索的全都用尽全力探索了,想要的都实现了。

    35—50,玩更大型的游戏。世界就是一个游乐场,请尽情疯狂。

    即刻 @Vakee_Bobby.RockFlow

    想做任何事情都不用喊,做就完事儿了。就平静的做,不用管结果,不用管做不做得成,不用想别人怎么看。因为只要你是真想做,这些都不重要。

    就专注做每一件能构筑它、成就它的小事,扣每一个能扣的细节。尽力去做,不要留力气,不要说我就是随便做做的。没有随便,想做的事情就是要做。做出来就是厉害,做不出来啥都不用说了。

    即刻 @丸籽本丸

    朱光潜先生的座右铭:此身、此时、此地。

    此身,凡此身应该做而且能够做的事,决不推诿给别人。

    此时,凡此时应该做而且能够做的事,决不推延到将来。

    此地,凡此地应该做而且能够做的事,决不等待想象中更好的境地。

    即刻 @ChatV

    最近看《金钱心理学》这本书,书里在前面一两章的时候说到:我们对他人行为的指指点点,本质上是来源于我们对他人的无知。

    任何一个人在当时做出的行为和决定,其实都是基于他当时所处的环境,以及他对应的认知。

    你其实没有办法去衡量或指点,说这个人的某个动作就一定是错的或者对的。

    因为你并不具备那个人当时身上所对应的那些条件。

    所以说啊,论人论事,设身处地。

    站在自我的环境下评价他人,也是不太 ok 的一件事。

    当然,能做到这样的人,很少很少很少,也算是检验一个人是否 ok 的条件之一吧。

    即刻 @sincere-real

    获得幸福的根本原理:

    • 长期高追求(要做好事、难事、独特的事)

    • 每日低预期(不期望顺利、完美、幸运)

    • 永远不违心(不追求自己不认可的东西,不做自己不认可的事,不否定自己的选择,不回避自己的需求)

    即刻 @二当家李多余

    关于领袖的人格魅力,两个直观体现:

    1. 带给他人信心、希望、安全感与勇气

    2. 引导他人呈现人格中美好的一面

    即刻 @王盐

    重要的事,最好在变紧急之前开始。

    即刻 @笑里不藏刀老老王

    美国的模型公司让智力产生通缩

    中国的模型公司让模型产生通缩

    即刻 @志达

    对他者的贬损和轻佻并不会带来自我的崇高。

    即刻 @哈雷 Halley

    Language doesn’t just describe reality. It edits it.

    X @MoZarrinsadaf

    Taste is compressed experience.

    X @MoZarrinsadaf

    说

    常识,是将世界经验压缩后得到的先验概率。

    在「行动」上闭合,在「认知」上开放。

    我们努力、成长,不断把自己推向更高处,是为了面对世界时获得更多的「选择权」,少一些「不得不」。

    但选择权并不是终点。

    当那些曾经遥不可及的道路终于铺展在眼前,我们仍需完成关键的一跃:作出选择,并承担对应的责任。

    书

    本周推荐书籍《乔布斯、禅与投资》。

    书名把乔布斯、禅与投资并置,表面像跨界随笔,真正讨论的问题却很具体:在信息过载、价格波动、因果关系脆弱的世界里,人如何形成判断并付诸行动?只有理性模型不够,因为注意力会被仓位和情绪劫持;只有强烈意志也不够,因为意志很容易变成执念,用选择性信息保护自己。

    作者对此作了两层回答:

    第一层回答是「缘起性空」。空不是一无所有,而是没有任何事物能脱离条件独立、恒常地存在。公司、竞争优势、市场价格和人的自我,都是因缘聚合的阶段性结果。理解空性,不是从现实撤退,而是追问:它由哪些条件形成?哪个条件正在变化?改变哪些条件,结果会不同?

    第二层回答是「心力」。心并不凭意念制造客观世界,却会决定我们感知什么、把注意力放在哪里、理解到多深,并能否重组条件创造新事物。

    把「心力」拆成四种力:

    1. 愿力选择长期方向;

    2. 专注力把分散能量收拢到当下;

    3. 洞察力穿过表象寻找条件与规律;

    4. 创新力重新组合条件,使尚不存在的东西成为可能。

    跳转微信打开

    Obsidian 的三个问题|模板开发日志(二)

    2026年7月27日 14:05

    原创 二一的笔记 2026-07-27 14:05 福建

    吉祥物、囤积癖、热衷表演

    前情提要:Obsidian 模板开发日志(一)下定决心


    最近这两个月我的内心总是惴惴不安,却又常常涌现出一些美好画面,我期待着模板发售那天可能迎来的好评,念头一转又惶恐害怕,到时画面也可能是混乱狼狈,插件也许会出现 BUG,想起来实在紧张得恶心晕眩。

    我在想,这和表白的前一天也没多大区别。

    幸好我还有时间去打磨模板、插件、以及配套的教程,因此在这套系统正式发布之前,我想先和你聊聊,我所观察到的三个与 Obsidian 有关的问题。

    如果你正在犹豫是否要选择 Obsidian,那么本文或许会将你劝退,但应该也能给你一些使用上的建议。

    如果你好奇模板长什么样子
    文末有图片预告

    问题一、Obsidian 正在成为吉祥物

    在我眼里 Obsidian 已经成为一种类似「抖加」的东西,如果你做过自媒体应该能理解这是什么概念,这个东西用了就会有流量,只不过抖加要花钱,而把 Obsidian 放在标题里是免费的。

    半懂不懂的人大肆夸耀 Obsidian + AI 能搭建如何强大的知识库,然后从头到尾展示的是 Claude Code 或者 Codex 在卖力地喷薄智慧。蜂拥而至的 AI 高手所能分享的洞察就是,Obsidian 是个新潮的时尚单品,除此之外有相当一部分人也许并不明白,自己用 AI 写下的稿子到底都在念些什么。

    然后渐渐地,雷同的内容变得供大于求,味同嚼蜡的内容正在占领我的主页。

    我不禁想问,Obsidian 在这些场景里,到底在发挥什么不可或缺的作用,这和随便创建一个本地文件夹有什么区别?我没有看到实践,只看到垒在大模型之上的空中楼阁。

    因此关于使用 Obsidian,我的第一个诚恳建议就是请务必降低你的预期。

    那些鼓吹十分钟就可以搭建好的知识库、一键就可以拆分概念并创建关联的自动化,最大的作用就是用来拼凑出几个一闪而过的神奇镜头,或者让你迷失在一堆串联的节点里。实际上他们可能并不希望你继续深究,这东西除了可以变成一个选题之外还能有什么实际的作用。

    为什么我这么清楚,仔细想来,曾经的我或许也是其中的一个。

    问题二、Obsidian 让囤积癖病入膏肓

    在信息稀缺的年代,囤积是理性的,但这样的苦日子过惯了,导致陈旧的笔记习惯在 AI 时代依然主导着我们今天使用 Obsidian 的方式。

    哪怕 AI 模型已经可以批发知识,PKM 的生态还维持着过去的惯性,不仅要把看到的文章都剪藏下来,甚至连 Agent 的每一个几万字的会话都想导入到 Obsidian 里面,然后期待 AI 可以从中涌现出可能改变人生的智慧。

    殊不知如果智慧真的有用,那早在 GPT3.5 问世之时,我的人生早该获得某种跃进。

    你以为你在搭建个性化知识库,其实用的还是末日爱好者的思考方式:一个坚不可摧的地下堡垒塞满了各种罐头物资、一觉醒来全世界智慧程度下降 1000 倍,而我独享一个超级大脑。

    这怎能不让人有成就感拉满的喜悦?

    但其实,地下室里残缺的图书馆远不如一个大小只有 3B 的模型来得有智慧,因此我的第二个建议就是,请不要再漫无目的地囤积以下四类东西:

    问 AI 更快的事实和概念

    完整的 Agent 会话

    自动化、批量导入的信息源

    未经自己判断的二手观点

    这些东西存下来的唯一作用,是浪费你的 Token 并让你误以为自己真的拥有了它们。如果知识的数量可以带来质变,那么就算是豆包也可以让人一步登天了。

    问题三、Obsidian 让人热衷表演

    那现在,如果我已经正视了 Obsidian 的价值,不把它当成是展示 AI 能力的舞台布景,如果我已经正视了记录的价值,只用 Obsidian 记录独属于自己的学习过程、灵感和思考,又为何 AI 已经如此强大,我依然在工作里困顿叹气,在夜里辗转难眠、不知方向?

    我当然知道学习的重要性,所以每天都在追踪前沿资讯,加入各种新潮社群,不停地输入和思考,为了掌握新的方法而拆解概念、创建关联,企图在星星点点的 LLM Wiki 图谱里洞察一切。

    显然 Obsidian 的各种功能为这些需求都做好了准备,它在 AI 时代简直是天选之子,让这一切看起来优雅又体面,勤奋又执着。

    于是我看着枝繁叶茂的笔记库图谱,生出的是「我很努力」的满足,而不是「我又没开始」的愧疚。

    但整个笔记库还是像空转的引擎,把昂贵的 Token 当燃料般库库一顿炫,动力强劲嗷嗷作响,仔细一看却又是原地踏步,该做的事情毫无进展,但人却感觉还怪充实的。

    有大智慧的人则会诉诸第一性原理,事情做不到的根本原因还是得怪 AI,是模型还不够强,有了 Fable 5 还想要 Mythos。

    我想我们都需要坦诚面对,知识已经廉价到像水龙头里的水,看似充满智慧的信息已经随处可见,真的不必再费劲地到处打井,表演给自己看。

    因此,在搭建 Obsidian 模板系统的这半年时间里,我最终得到的结论是,任何一开始就盼着你先捕捉再行动的系统,也就是把 Info Capture 列为最优先的系统,最终都会重蹈覆辙,覆水难收。

    各种被 AI 批量生产的文章,加上被 Skill 强化过情绪的标题,以及各路自媒体不知疲倦地散播焦虑,让你永远都会有读不完的文章、学不完的技能、跟踪不完的资讯,美其名曰要终身学习,实际上你在这条流量分发的生产线上,只能被量化成点击率和完播率。

    学习带来了一种一直在进步的错觉,你剪藏的文章越来越多,笔记永远整理不完,然后行动永远停留在明天,这让人很难区分,自己到底是在为真正的目标做准备,还是仅仅只是享受摄入信息的带来的饱腹感。

    一定要警惕,精致的碳水真的会让人变胖。

    过度准备却从不开始、假装学习实则消遣逃避、不知道要做什么但每天都过得很忙很焦虑,我想是每一个用 Obsidian 搭建知识库的人不得不品的一个环节。

    所以我的第三个建议就是,如果你想做什么事,就直接去做,立刻去做,把那些第一时间在脑海里浮现的「是什么」和「怎么办」先放一放,让肌肉先于大脑动起来,这里的大脑当然也包括所谓的第二大脑。

    具体表现在工具逻辑里,你应该优先创建的必须是「任务」而不是「笔记」,你应该优先写下的是「我的目的」而不是「我的想法」。

    行动是最好的过滤器,事情没开始之前,你会有一百种「怎么办」的顾虑,每一种都会让你对各种信息蠢蠢欲动,于是什么都想存档下来。

    但只要你真正动手,凌乱的思路就能收敛成一两个具体的困难,这时该学什么、该记什么就可以变得很清晰,AI 才能给出实现目的的最短路径。

    因此我认为,让知识管理有效的前提是先做好目标管理,Obsidian 不能只是一个纯粹的承载知识的信息容器。

    有了具体的目标和正在推进的事,学习和记录才能被真实的需求所拉取,你也才能有一个不可动摇的支点去撬动 AI 的能力,而不是纯粹在享受燃烧 Token 的快感。

    Obsidian 还能做什么

    预期给得太高,东西囤得太多,事情做得太少,前文所述的这三个问题看起来各有原因,但其实是一体三面,本质相同,那就是我们一直在让一个软件替自己回答「我到底要做什么」,但这恰好是它唯一回答不了的问题。

    不过好在这并不意味着 Obsidian 只能做个摆设。

    它无法替你决定方向,但可以让你的方向变得具体,让你看见自己现在要完成什么,手上的事情推进到了哪一步,上一次为什么改变主意,踩过的坑又该如何避免。

    只要这些东西能够持续呈现,下一次打开电脑时,迎接你的便不会是一个包罗万象却和今天毫无关系的笔记仓库,你可以立刻接着昨天没有做完的事情继续往前。

    知识的供应已经可以放心交给 AI,Obsidian 更应该保管的是这一路上产生的犹豫、判断、错误和改变。这些东西看起来稀碎,很难被包装成什么闪闪发光的知识卡片,但正因为它们既无法下载,也无法让模型凭空生成,才能真实地描述清楚你到底是谁。

    这也逐渐变成我最近几个月不断删改这套模板时,最重要的一条判断标准。

    每增加一个字段、视图或者自动化,我都需要反复思考,它究竟是能让人更明确地看见自己的目标,还是只让系统看起来更加厉害?它是在减少使用者的笔记负担,还是又一次把维护知识库本身变成了新的工作?

    我如此忐忑,是因为我即将交出去的并不只是一堆文件夹、模板和插件,它会深刻地影响一个人如何记录、如何行动,又如何理解自己。倘若它只是看起来厉害,用不了多久便会成为另一个需要维护的数字盆栽,那我前面所批评的一切,最后也会成为打到自己身上的回旋镖。

    不过紧张只是习惯性的,其实我对最终成品真的非常有信心,这套模板和插件将完全革新你对 Obsidian 的陈旧印象。

    我会在下一篇开发日志里完整介绍它的样子,感谢你能看到这里。

    篇幅有限

    以下预告仅占全部功能的三分之一

    📢

    感兴趣的话,可以通过下方链接提交你的愿望单,届时会有首发优惠,也会让我有更多动力,加速我的工作。

    21obsidian.com/waitlist

    阅读原文

    跳转微信打开

    Zabbix 官方插件市场来了:14 个插件,一键补齐运维短板

    2026年7月27日 11:30

    Zabbix开源社区 2026-07-27 11:30 北京

    以下文章来源于:Zabbix开源社区

    Zabbix开源社区

    Zabbix开源社区由Zabbix大中华区唯一总代理宏时数据建立并维护,负责商务、业务等相关事宜,也为国内Zabbix爱好者提供交流学习的平台和专业的技术支持。

    Zabbix Plugins 正式上线!

    同天晚上20:00

    一场与飞致云联合发布的纯演示直播

    带上你遇到的真实监控场景

    现场拆解插件怎么解决问题

    导语

    作为企业基础设施监控的主流开源方案,Zabbix 凭借稳定、通用、低成本的优势覆盖数万政企机房,在 20 年的发展历程中服务过成千上万家客户,其能力获得了用户的一致认可。

    但有些用户也向原厂反馈,Zabbix 的原生功能在可视化、运维报表、资产管控等方面可以继续优化。

    好的,用户想要,用户得到!!!

    今日,Zabbix 中国官方插件市场一次性上线多款自研原生扩展插件,覆盖 AI 智能告警分析、网络可视化、批量资产管理、性能报表、系统运维诊断、品牌 Logo 定制等多个场景,全部以 Zabbix 原生模块方式部署,开箱即用、无需修改核心源码、支持中英文双语切换,从告警处置、配置上线、资产盘点、系统健康巡检到平台 Logo 自定义,补齐 Zabbix 运维多场景下短板。

    插件详情与适用场景

    插件 1|

    AI 告警分析助手 AI Alert Analyzer Assistant

    运维痛点:

    突发告警多、含义模糊,跨工具查资料、手动梳理故障根因,排障耗时久、依赖运维经验。

    适用场景:

    7×24 小时值班巡检、线上故障快速根因定位、企业私有化大模型对接监控平台。

    核心功能:

    • 支持 OpenAI/DeepSeek/Qwen/Claude 等多厂商大模型接口,私有化模型无缝接入;

    • 在「监测 - 问题」列表内置 AI 分析按钮,弹窗输出结构化故障解读、影响评估、分步排查等方案;

    • 自定义提示词、API 全参数可调、会话缓存减少重复请求,不离开 Zabbix 即可完成告警研判。

    插件 2|

    网络交换机可视化面板 Network Switch Panel

    运维痛点:

    交换机端口分散,流量、状态、告警无法统一查看,巡检需要逐台设备切换。

    适用场景:

    网络运维大屏、机房交换机日常巡检、端口流量容量评估。

    核心功能:

    • Dashboard 原生组件,自动识别交换机端口监控项,卡片化展示端口 Up/Down/ 告警三色状态;

    • 实时展示入出流量、端口速率、利用率仪表盘;

    • 自动统计异常端口,联动触发器告警上色及问题跳转,多品牌交换机统一可视化。

    插件 3|

    主机导入导出 Host Import/Export

    运维痛点:

    多环境克隆、主机批量迁移只能手动新建,配置丢失风险高,无操作审计。

    适用场景:

    测试 / 生产环境配置克隆、机房批量上新设备、监控配置备份迁移、多分支机构统一纳管。

    核心功能:

    • 支持 JSON/CSV 双格式批量导出主机,资产、接口、模板、宏、标签全字段可选;

    • 导入模拟预检,提前识别缺失依赖、冲突主机,降低误操作;

    • 全量操作记入审计日志,操作者、时间、主机数量全程可追溯。

    插件 4|

    性能报表 Performance Report

    运维痛点:

    服务器 CPU、内存、负载需要手动拉取趋势、人工统计均值峰值,容量规划无数据支撑。

    适用场景:

    月度服务器容量巡检、业务扩容评估、闲置资源回收、运维周报自动产出。

    核心功能:

    • 多维度筛选主机 / 主机组,自定义时间范围自动统计 CPU、内存、负载最大 / 平均值;

    • 基于指标阈值自动输出服务器资源优化建议,零代码生成性能分析报告;

    • CSV 报表一键导出,高效获取原始性能数据,支持深度分析。

    插件 5 -- 插件6|

    配置数据备份-MySQL / PostgreSQL

    运维痛点:

    Zabbix 数据库配置备份需登录服务器执行命令,备份文件难管理。

    适用场景:

    版本升级前配置快照、定期监控系统备份、故障后配置快速恢复、等保合规数据留存。

    核心功能:

    • 一键备份核心配置表,自动排除历史趋势大数据表,gzip 压缩后文件<10MB;

    • 自动读取 Zabbix 数据库配置,无需手动输入账号密码,Web 端直接下载 / 删除备份包;

    • 区分 MySQL、PostgreSQL 双数据库适配,适配不同企业 Zabbix 部署架构。

    插件 7|

    Zabbix 队列报表 Zabbix Queue Report

    运维痛点:

    采集队列积压只能后台执行 SQL 查询,无法直观区分延迟等级,大规模环境采集故障难定位。

    适用场景:

    Zabbix Server 性能巡检、百万级监控项采集瓶颈排查、Proxy 负载异常定位。

    核心功能:

    • 三色分级展示延迟监控项(黄 / 橙 / 红),表格展示延迟时长、采集间隔、代理信息;

    • 按主机组、主机、监控项键值筛选,队列清单一键导出 CSV 离线分析。

    插件 8|

    主机可用性报表 Host Availability Report

    运维痛点:

    无法统一查看 Agent/SNMP/IPMI/JMX 多接口采集状态,大量主机采集失败无法批量筛查。

    适用场景:

    每日监控可用性巡检、新设备监控上线验收、监控主机采集故障批量排查。

    核心功能:

    • 红绿灰三色标识主机可用 / 不可用 / 未知,区分四类采集接口独立状态;

    • 支持维护期标识、多条件组合过滤,持久化筛选条件,适配数千台主机大规模环境。

    插件 9|

    主机Tree 树形视图 Host TreeView

    运维痛点:

    主机列表平铺展示,多层级主机组资产分布不直观,故障主机分组查找繁琐。

    适用场景:

    多业务集群统一巡检、机房资产分组管理、值班快速定位告警集中区域。

    核心功能:

    • 自动解析主机组分隔符支持子组层级树形结构,支持折叠展开;

    • 各级分组实时统计各级别告警数量,一眼定位故障业务集群。

    插件 10|

    不支持的监控项 Unsupported Items

    运维痛点:

    Not supported 采集失败项分散在各主机,遗漏形成监控盲区,逐个排查效率极低。

    适用场景:

    监控体系健康度治理、新模板上线校验、定期消除监控盲区。

    核心功能:

    • 集中展示所有启用主机异常监控项,标注失败原因、最后采集时间;

    • 多维度筛选,一键导出CSV 报表。

    插件 11|

    自定义品牌 Logo  Custom Brand Logo

    运维痛点:

    原生 Zabbix 界面无企业标识,多套测试 / 生产环境界面无区分,无法匹配企业运维平台视觉规范。

    适用场景:

    政企内部监控平台标准化、多环境视觉区分、对外交付客户监控系统品牌定制。

    核心功能:

    • Web 可视化配置登录页 Logo、侧边栏图标、Favicon、页脚信息与帮助链接;

    • 资源持久存储,卸载模块后品牌配置不丢失,无需修改 Zabbix 前端源码;

    • 上传文件大小校验、格式过滤,适配深浅主题界面展示。

    插件 12|

    未知触发器 Unknown Triggers

    运维痛点:

    触发器表达式异常、依赖缺失导致 Unknown 状态,原生无统一汇总页面,告警规则失效难以发现。

    适用场景:

    告警规则月度巡检、模板批量更新后校验、监控故障根因排查。

    核心功能:

    • 全量汇总评估失败触发器,展示报错详情、检测周期;

    • 结果导出 CSV 报表。

    插件 13|

    主机资产报表 Hosts Inventory Report

    运维痛点:

    原生资产清单展示字段固定,无法自定义视图,资产盘点只能导出 Excel 二次整理。

    适用场景:

    机房资产盘点、设备维保统一管理、硬件报废评估、IT 资产合规审计。

    核心功能:

    • 支持 60 + 项 Inventory 资产字段自由展示,用户视图配置持久保存;

    • 硬件配置、维保日期、联系人、软件参数等字段统一汇总,多关键词筛选资产;

    • 筛选结果一键导出 CSV 报表,适配审计台账。

    插件 14|

    ItemID 数据查询 ItemID Datas

    运维痛点:

    查询单指标历史数据需要多层点击主机 - 监控项,异常指标快速溯源效率低。

    适用场景:

    突发指标异常快速溯源、单监控项长期趋势分析、故障精准数据取证。

    核心功能:

    • 输入 ItemID 直达监控项,一键切换表格 / 趋势图表两种展示模式;

    • 自定义页面展示数据行数,快速调取指标历史波动数据。

    视频号

    扫码观看

     更多插件详情

    插件优势

    01

    原生兼容

    全为 Zabbix 标准 Web 模块,开箱即用,不侵入核心代码,兼容主流 7.0LTS 版本

    02

    轻量化无性能损耗

    无后台常驻进程,仅前端交互,不占用 Server 采集资源

    03

    零开发门槛

    全部可视化 GUI 操作,无需编写脚本、API、SQL,运维新手快速上手

    04

    场景多覆盖

    从故障处置、设备纳管、资产盘点、系统自检到平台 Logo 自定义

    05

    合规可追溯

    批量导入导出、备份操作全量记录审计日志,满足等保、ITIL 审计要求

    06

    双语适配

    界面跟随 Zabbix 系统语言自动切换中英文,适配国内出海、外资企业运维团队

    07

    官方标准化维护

    由 Zabbix 原厂团队开发和统一维护,质量保障、服务托底

    谁应该立刻使用这套插件?

    • 服务器运维团队:批量纳管、性能报表、监控系统自检、配置备份

    • 网络运维团队:交换机面板可视化

    • 数据中心运维:资产盘点、设备上下架管理

    • 7×24 值班运维:AI 告警智能分析、队列 / 可用性快速巡检

    • 政企 IT 合规岗:资产审计报表、操作日志留存、监控配置备份

    • 多分支 / 多环境运维:主机批量导入导出、企业品牌 Logo 定制

    在哪里下载插件?

    目前插件已正式上架 Zabbix 中国官方插件市场

    (zabbixplugins.grandage.cn)

    欢迎运维小伙伴前往下载体验,

    高效简化日常监控运维工作!

    注:联系官方客服【400-823-0118】获取更多信息,

    或添加Plugins小助手【13524209482】

    扫码预约

    B 站同步直播

    跳转微信打开

    【第3733期】用 Web Locks API 优雅解决跨标签页并发问题

    2026年7月27日 09:00

    Cesar Contreras 2026-07-27 09:00 日本

    介绍了如何利用原生 Web Locks API 实现跨标签页并发互斥,高效解决大文件重复上传问题。

    前言

    大文件断点续传遇上多标签页,每个标签页都争着恢复同一个上传,重复请求接踵而至。localStorage 有竞态风险,BroadcastChannel 又过于复杂。本文分享如何用浏览器原生 Web Locks API 实现原子级跨标签页互斥,优雅杜绝重复上传问题。今日前端早读课文章由 @Cesar Contreras 分享,@飘飘编译。

    用于解决实际工作中的 前端多标签页状态同步 / 资源竞争 问题,最值得借鉴的一点是:对用户主动触发的操作使用 “非阻塞锁”(有锁就持有,无锁也继续),而对系统自动恢复的操作使用 “条件锁”,既保障体验又不产生冗余。

    译文从这开始~~

    编程中的并发,是指同时管理和执行多个任务或进程的能力(或至少看起来如此),使程序保持响应迅速且高效运行。你可以把它想象成一位忙碌厨房里的大厨:他不会把每道菜从头到尾按顺序一道道做完,而是一边切着蔬菜,一边看着这口锅在炖煮、那口锅在烘烤 —— 同时推进着好几道菜的进度。

    我是 OLX 的一名前端工程师,日常主要使用 React 和 Next.js,但我的技术背景其实是 Java 并发编程。开发多线程应用是件让人头疼的事,要跟锁、信号量打交道…… 还有我的 "最爱"—— 死锁(在大型代码库里简直是噩梦)。当我完全转向 Web 开发时,从没想过还会遇到类似的场景。

    Web 开发已经演变成了一个极其强大的生态系统。从早期那个只有用 HTML marquee 做些花哨滚动动画的年代(这里有点玩笑的意思 😆),从 JQuery 一统天下的时代,发展到如今这个强大的环境 —— 你可以使用 Workers、用 WebGL 和 Canvas 做 2D 和 3D 动画、用 Service Workers 实现离线功能,等等不一而足。这充分说明,Web 如今已经能够应对真正复杂的挑战,遇到类似问题只是时间早晚的事。

    问题所在

    最近,我们在 OLX 面临了一个大文件上传的挑战。在处理上传时想要提供最佳用户体验并非易事,现实中大多数场景都要求用户留在页面上等待上传完成,但我们不想这样。由于文件体积可能非常大(最高达 20GB),我们希望用户可以自由地去做其他事情,即使关闭了浏览器或标签页再重新打开,上传也能自动继续,无需任何手动操作。为此,我们需要提供一种断点续传机制。

    但麻烦也随之而来。如果用户打开了你应用的多个标签页会怎样?每个标签页都会尝试恢复并继续同一个上传任务。后果呢?多个重复的上传请求打到你的 S3 存储桶,带宽被白白浪费,产生不必要的处理成本,而用户则眼睁睁看着上传进度条毫无规律地跳来跳去,一脸困惑。

    两个标签页各自恢复后,独立触发了同一个上传任务;由于缺乏协调,视频被上传了两次。

    如果你正在现代 Web 应用中构建文件上传体验,大概率遇到过这个场景。今天,我将带你了解我们使用 Web Locks API 实现的一套稳健方案,来解决这个令人抓狂的协调难题。

    不过,在深入讲解我们的解决方案之前,我们需要先理解同步与锁的概念。

    首先,什么是锁?

    锁是一种机制,用于确保共享资源(变量、对象、函数调用等)在同一时刻只能被一个调用者访问,并且每个调用者都能获取到最新的信息。你可以想象一个非常经典的场景 —— 一家银行在共享内存中存有多个账户,同时有多台 ATM 机在进行取款、存款和余额查询操作。如果没有协调机制(同步),结果将一团糟,如下图所示。

    为了解决这个混乱局面,我们必须通过对账户的读写操作加锁来控制访问。这样一来,无论执行什么操作(取款、存款还是查询余额),第一个获得锁的调用者将独占资源,其他调用者必须等待,直到第一个持有者完成操作并释放锁。下图展示了对账户访问进行同步后的效果。

    现在我们已经理解了同步和锁的工作原理,接下来让我们看看如何将它付诸实践 🚀。

    跨标签页协调的技术全景

    在深入我们的解决方案之前,先来看看在浏览器标签页之间协调操作有哪些可选方案:

    方案一:localStorage + 轮询

    这是一种 "经典" 做法,利用 localStorage 作为共享锁机制:

     // 简化示例 - 请勿在生产环境使用
     if (!localStorage.getItem('upload-lock')) {
       localStorage.setItem('upload-lock', Date.now());
       // 开始上传
     }

    存在的问题:

    • 竞态条件:localStorage 的读写操作不是原子性的

    • 过期锁:如果标签页崩溃,锁会永远残留

    • 轮询开销:需要持续检查锁的状态

    • 事件局限:storage 事件只在其他标签页触发,当前标签页收不到

    方案二:Broadcast Channel API

    这种方式通过 Broadcast Channel API 在标签页之间发送消息来进行协调:

     const channel = new BroadcastChannel('upload-coordination');
     channel.postMessage({ type: 'REQUEST_UPLOAD_PERMISSION' });

    面临的挑战:

    • 缺少互斥原语:你需要从零开始构建状态机

    • 竞态条件:同时发出的消息可能产生冲突

    • 协议复杂:需要手动处理心跳、崩溃检测和冲突解决

    • 容易出错:消息排序和时序问题非常常见

    Web Locks API 登场:浏览器原生互斥锁

    Web Locks API 恰好提供了我们所需要的东西:一个真正的、原子性的互斥锁系统,直接内置于浏览器中。它的优势在于:

    • 原子性锁获取 —— 没有竞态条件

    • 自动清理 —— 标签页关闭或崩溃时锁会自动释放

    • 非阻塞选项 —— 避免 UI 冻结

    • API 简洁 —— 无需实现复杂协议

    • 浏览器兼容性 —— 所有主流浏览器均已支持 😃

    我们的实现:useUploadCoordinator

    以下是我们通过自定义 React Hook 解决该问题的方式:

    核心策略

    针对两种场景采用两种不同的处理方式:

     // 1. 全新上传(用户主动发起):非阻塞
     // 尝试获取锁,但无论是否获取到都继续执行
     navigator.locks.request(LOCK_NAME,
       { ifAvailable: true },
       async (lock) => {
         if (lock) {
           // 持有锁直到上传完成
           await holdLockUntilComplete(abortController);
         }
         // 无论如何都继续上传 - 绝不阻塞用户
       }
     );
     // 2. 恢复上传:有条件执行
     // 只有获取到锁才继续
     navigator.locks.request(LOCK_NAME,
       { ifAvailable: true },
       async (lock) => {
         if (lock) {
           uploader.emit("restore-confirmed"); // 继续恢复上传
           await holdLockUntilComplete(abortController);
         }
         // 如果未获取到锁,静默跳过 - 另一个标签页正在处理
       }
     );
    关键实现细节

    锁的生命周期管理:

     const holdLockUntilComplete = (abortController: AbortController) => {
       return new Promise<void>((resolve) => {
         const cleanup = () => {
           // 移除所有监听器并 resolve(释放锁)
           uploader.off("complete", cleanup);
           uploader.off("error", cleanup);
           uploader.off("cancel-all", cleanup);
           resolve();
         };
         // 在任何终态事件发生时释放锁
         uploader.on("complete", cleanup);
         uploader.on("error", cleanup);
         uploader.on("cancel-all", cleanup);
         // 组件卸载时也释放锁
         abortController.signal.addEventListener("abort", cleanup);
       });
     };

    浏览器兼容性与优雅降级:

     const checkWebLocksAvailable = (): boolean => {
       return typeof navigator !== 'undefined' && 'locks' in navigator;
     };
     // 降级处理
     if (!checkWebLocksAvailable()) {
       // 允许恢复操作继续(接受可能出现重复的风险)
       uploader.emit("restore-confirmed");
       return;
     }

    实际收益

    自从上线这套方案以来,我们看到了:

    • 跨标签页协调导致的重复上传归零

    • 更好的用户体验 —— 上传永远不会因协调逻辑而卡住

    • 基础设施成本降低 —— 不再有重复的处理和存储开销

    • 代码更简洁 —— 不再需要复杂的状态机或轮询逻辑

    现在,我们的方案效果如下:

    通过共享锁,只有第一个获取到锁的标签页会继续执行上传;第二个标签页检测到锁已被占用后,便悄然退让。

    实际应用中的注意事项

    适用场景:
    • 支持持久化 / 恢复的文件上传

    • 后台同步操作

    • 任何在同一时间只应在一个标签页中运行的单例操作

    性能影响:
    • 极小 —— 没有轮询开销

    • 自动清理机制避免内存泄漏

    • 非阻塞设计确保 UI 始终流畅响应

    测试策略:
    • 在所有目标浏览器中进行测试

    • 验证标签页意外崩溃时的行为表现

    • 确认在不支持该 API 的环境中能优雅降级

    结语

    跨标签页协调不必成为一场噩梦。Web Locks API 提供了一个稳健的、浏览器原生的解决方案,免去了自定义协调协议的复杂性和脆弱性。

    在构建这套方案的过程中,我们总结出跨标签页协调成功的关键在于:

    1、绝不阻塞用户操作 —— 对用户主动发起的操作使用非阻塞锁
    2、安全地失败 —— 优雅降级胜过功能崩溃
    3、保持简单 —— 善用平台原生能力,而非重新造轮子

    Web Locks API 不仅仅适用于上传协调;任何时候你需要在标签页之间实现互斥,都值得考虑使用它。随着浏览器支持的持续完善,它正在成为现代 Web 开发者工具箱中越来越实用的利器。

    关于本文
    译者:@飘飘
    作者:@Cesar Contreras
    原文:https://tech.olx.com/handling-concurrency-on-the-web-with-web-locks-api-163b7e07eddd

    这期前端早读课
    对你有帮助,帮” 
    赞 “一下,
    期待下一期,帮”
     在看” 一下。

    阅读原文

    跳转微信打开

    ❌