AI 极客实战教程日报

原始教程

• Blog 原帖asadqi.com — I built a daily work log for Claude Code, and it never leaves my machines
• GitHubus-urvin/worklog-for-claude-code（0.1.0 首次公开发布于 2026-09-26，MIT）
• PyPIworklog-for-claude-code

作者是谁

Adil Sadqi，独立开发者，日常工作重度使用 Claude Code（笔记本 + 台式机、工作 + 个人双账号）。这是他为自己痛点写的工具，属于典型第一手 Build Log。

教程讲了什么

作者每天 18 点回答不了两个问题：今天到底做完了什么？token 用了多少？他用 Claude Code 的 session hooks（会话开始/结束触发）读取本地 transcript，外加每小时 systemd 定时器兜底，把每次会话写成一条小 JSON 记录存进自己的 git 仓——每台设备只写自己的文件路径，多机推送同一仓库也不会冲突。夜间任务把记录聚合成 Markdown 报告，本地 Web UI 展示。隐私是第一设计约束：只存 prompt 前 300 字符、token 数、文件名和 commit 标题，落盘前脱敏 API key/JWT/邮箱/IP。

为什么值得收藏

这是"AI Coding 进入日常化之后"才会出现的工具：当 Claude Code 成为你的主要工作方式，可审计性（做了什么）和可计量性（用了多少）就变成刚需。它还示范了一套干净的本地工具架构：hooks + systemd + git 同步 + loopback Web UI，对企业里"AI 使用量统计但不能上传代码"的合规场景有直接参考价值。

技术栈

完整 Workflow

手把手复现

1. 30 秒体验（假数据、不碰你的文件）：pipx run --spec worklog-for-claude-code claude-worklog demo，打开 http://localhost:8766
2. 正式安装：pipx install worklog-for-claude-code
3. 建数据目录：git init ~/claude-worklog-data
4. 装后台服务：claude-worklog install-service
5. 打开 http://worklog.localhost:8765，填设置表单，点 Install hook
6. 多机使用：把数据目录放进私有 GitHub/GitLab 仓库，各机器推送同一仓

关键代码 / 配置

pipx install worklog-for-claude-code
git init ~/claude-worklog-data
claude-worklog install-service
# 然后浏览器打开 http://worklog.localhost:8765 → Install hook

架构上最值得学的一点："每个文件路径只由一台设备写入"——用写入权划分取代锁和合并逻辑，多台机器可以向同一个 git 仓推送而永远不会产生 merge conflict。

踩坑与注意事项

普通人能不能复现

⭐⭐ 有基础用户 会基本 Linux 命令行 + 用 pipx 即可，10 分钟装好；不需要写任何代码。

如何迁移到其他场景

培训师点评

原始教程

• Blog 原帖thehype.news — How to Build an MCP Server: A Tested 2026 Guide（作者 Addy Crezee，24 分钟阅读）

教程讲了什么

作者用官方 MCP Python SDK 2.2.0 建了一个名为 thehype 的 Server，180 行 Python 提供三个工具：latest_articles（读 RSS）、read_article（长文分段返回）、search_articles（走 Ghost Content API，演示带 key 的 API 包装）。随后用 MCP Inspector 测试，并逐一接入 Claude Code、Codex、Cursor，记录了从 uv init 到首个双工具版本在 Claude Code 和 Codex 中跑通仅 8 分钟，以及 6 个真实故障的报错与修法。

技术栈

手把手复现

1. 环境：Python 3.10+、uv、Node.js 22.19+
2. 建项目：uv init thehype-mcp && cd thehype-mcp && uv add "mcp[cli]==2.2.0"
3. 写 server.py：SDK 2.x 主类已从 FastMCP 更名为 MCPServer
4. 工具参数描述用 Annotated[type, Field(description=..., ge=..., le=...)]
5. Inspector 测试：npx @modelcontextprotocol/inspector --cli uv run server.py --method tools/list
6. 接 Claude Code：claude mcp add thehype -- uv --directory /绝对路径/thehype-mcp run server.py
7. 接 Codex：codex mcp add thehype -- ...；自动化运行时对只读工具单独设 approval_mode="approve"
8. 接 Cursor：.cursor/mcp.json 必须放在 git 仓库根目录

关键代码 / 配置

// Cursor CLI 权限配置（.cursor/cli.json）——"deny": [] 省略会直接 schema 校验失败
{
  "permissions": {
    "allow": ["Mcp(thehype:latest_articles)", "Mcp(thehype:read_article)"],
    "deny": []
  }
}

长文工具的分段返回设计值得抄：文章超过 8000 字符时按 "Part N of M" 返回，并在工具描述里告诉模型可以请求下一段。

踩坑与注意事项

普通人能不能复现

⭐⭐ 有基础用户 会 Python 基础 + 命令行即可；全文命令完整可复制，作者从建项目到跑通只用了 8 分钟。

培训师点评

原始教程

• Show HNShow HN: Rig, a small operating system for your agent（2026-09-26 发布；安装脚本域名 tryrig.ai）

教程讲了什么

Rig 把一个 OpenAI 兼容端点（本地 llama.cpp/Ollama 或 OpenRouter 等托管服务）变成能长期干活的 Agent。亮点设计：工具调用并行但结果按序落地；Worker 在沙箱（jail）里跑长任务且保留可恢复的 transcript；/scheduler 用真实 cron 表达式定时任务；插件就是一个含 DESCRIPTION/SCHEMA/run 的 Python 文件，模型自己写的插件会进 pending 目录等人工批准；所有状态（任务、记忆、调度、会话）都在仓库里落盘，可从手机 SSH 恢复会话。

技术栈

手把手复现

1. 安装：curl -fsSL https://tryrig.ai/install.sh | sh
2. 写 ~/.rig/settings.json：指定 model 与 baseUrl
3. 写 ~/.rig/models.json：每个模型一行——上下文窗口、maxTokens、reserve、effort 档位
4. 写 ~/.rig/AGENTS.md 常驻指令
5. 进项目目录运行 rig，试着说："熟悉一下仓库，后台跑全量测试，把学到的东西记下来"

关键代码 / 配置

# ~/.rig/plugins/weather.py —— 一个插件就只有这三样
DESCRIPTION = "current weather for a city"
SCHEMA = {"type": "object", "properties": {"city": {"type": "string"}}}

def run(args):
    return fetch_weather(args["city"])

模型自己也能写插件，但会落在 pending 目录——你批准之前它不会生效。这一条把"Agent 自我扩展能力"和"人对能力边界的控制"同时保住了。

踩坑与注意事项

培训师点评

原始教程

• GitHubracetozero/kiss（README 即完整使用文档；最近提交 2026-09-27）

教程讲了什么

KISS 是一个终端 Coding Agent：默认只有 read/write/edit/bash 四个工具，启动到首帧约 5ms。支持 OpenAI Codex（ChatGPT 订阅）、Anthropic OAuth（Claude 订阅）、Cursor、Google、OpenRouter、Bedrock、GitHub Copilot 等 44 个内置 provider。功能面：会话持久化/恢复/分支/压缩；子代理（最多 4 个活跃子会话、1 层嵌套）；定时循环与 autoresearch；本地/远程 MCP（含 OAuth）；原生 ACP v1（可直接接进 Zed 编辑器）；Rust/Python/TypeScript/WASM 四种 SDK。

关键代码 / 配置

// TypeScript SDK —— 三行起一个 Agent 会话，顺手拿到缓存 token 统计
const session = await Session.create({ tools: ["read", "bash"] })
await session.prompt("What files are here?")
const stats = await session.sessionStats()
console.log(stats.tokens.cacheRead, stats.tokens.cacheWrite)

值得注意的设计：所有 SDK 暴露缓存 token 累计值（cacheRead/cacheWrite/cacheWrite1h），作者明确建议用它做成本看板与告警——这是把"省钱"做成一等 API 的少见案例。

踩坑与注意事项

普通人能不能复现

⭐⭐⭐ 开发者 终端使用对进阶用户友好；SDK/WASM 嵌入面向有工程能力的开发者。

培训师点评

原始教程

• Blog 教程CogitoDaily — How to Build Deep Research Swarms with Exa（作者 Alfian Majid，2026-09-27）

教程讲了什么

教程从零建一个 exa_swarm_demo 项目：用 AsyncExa 客户端触发 Agent Ultra 蜂群搜索，根控制器把查询拆成多个子查询，每个子代理执行"语义发现 → 深度递归遍历 → schema 对齐抽取"三段式流程；用 Pydantic v2 定义 EnterpriseTarget/ResearchSwarmResult 强约束输出；10 个子代理并行绘制"2026 年向量数据库与检索中间件市场地图"，结果进 pandas 导出 CSV。

关键代码 / 配置

response = await exa.agent_ultra_search(
    query=prompt,
    num_subagents=max_subagents,
    depth="exhaustive",
    output_schema=EnterpriseTarget.model_json_schema(),
    filter_domains=["github.com", "medium.com"],
    crawl_subpages=True,
    max_depth_per_site=2
)

整篇教程的核心思想就一句：用 schema 而不是 prompt 来约束蜂群。output_schema 直接传 model_json_schema()，抽取模型对着它解析原始 HTML，丢弃导航栏/页脚/cookie 横幅等噪声。

踩坑与注意事项

培训师点评

原始教程

• 二手整理LUMIENAI — Claude Code + FFmpeg: Make Motion Graphics Videos Without Editing Software

教程讲了什么

核心思路：把每一帧画面当成一个 1920×1080 网页来写——HTML/CSS 摆文字和图形，动画库按数值推进时间，HyperFrames 技能包负责逐步截图，600 张 PNG（30fps×20s）交给 FFmpeg 拼成 MP4。作者实测：600 帧导出 20.6 秒，成片 2.0MB（含音频 2.52MB）。

关键代码 / Prompt

npx skills add heygen-com/hyperframes --all --global
winget install Gyan.FFmpeg
npx hyperframes doctor
npx hyperframes init my-video --example kinetic-type
npx hyperframes check   # 导出前必跑：动画错误/溢出/对比度

Prompt 侧的关键细节：第二次尝试时作者在 prompt 里显式要求"内嵌日文字体"，解决了第一版的豆腐块问题——非拉丁文字渲染要在 prompt 阶段就声明字体策略。

培训师点评

原始教程

• GitHubAPUS-AI-Lab/fast-browser-use（MIT，2026-09-19 建仓）

教程讲了什么

传统 Browser Agent 让大模型"写下一步操作"，容易产生选择器幻觉；fast-browser-use 换了一条路：先读取渲染完成的 DOM，把当前真实可见、可操作的元素整理成一组带编号的合法候选动作，映射为 token，模型只做一次前向计算对候选集打分，选出下一步。开放问题被收窄成"从已存在的选项里选一个"，从机制上消灭幻觉。

关键设计

最值得抄的不是代码而是动作空间收窄：模型永远只能选"当前真实存在的元素"，非法选择器在候选集构造阶段就被物理排除。社区总结的判断原则同样值得记：完全确定性任务用正则/代码；模糊输入但有界输出用决策模型；开放式生成推理才用 LLM。

踩坑与注意事项

培训师点评

原始教程

• GitHubanthropics/claude-plugins-official（Apache-2.0）
• DocumentationClaude Code 插件官方文档

教程讲了什么

用户侧：在 Claude Code 里 /plugin install {名称}@claude-plugins-official 或 /plugin → Discover 浏览安装。开发者侧：插件标准结构（.claude-plugin/plugin.json 必需）；插件 name 是不可变 slug，改名会导致老用户 plugin-not-found，必须靠 marketplace.json 顶层的 renames 映射自动迁移；没有 manifest 的纯技能仓库可以用 strict:false + 显式 skills 数组以 git-subdir 方式上架。

关键配置

// marketplace.json 顶层 —— 改名不伤老用户的唯一正确姿势
"renames": {
  "old-name": "new-name"
}

// skill-bundle 插件（无 manifest 的技能仓库）声明要点
{ "name": "example-bundle", "strict": false,
  "source": { "source": "git-subdir", "url": "https://github.com/example-org/sdk.git",
              "path": "packages/agent-skills", "ref": "main", "sha": "" },
  "skills": ["./skill-a", "./libA/skill-1"] }

培训师点评

原始教程

• Show HNShow HN: An OpenAI-compatible, model-agnostic agent API（2026-09-27）
• DocumentationRebyte Agents API 官方文档
• GitHubReByteAI/commerce-agent-starter

关键代码

import OpenAI from 'openai';

const client = new OpenAI({
  apiKey: process.env.REBYTE_API_KEY,
  baseURL: 'https://api.rebyte.ai/v1',
  maxRetries: 0,
});
const session = await client.beta.agents.sessions.create({
  agent: { model: 'gpt-6-luna', instructions: 'Help the user.' },
  environment: { type: 'openai_hosted' },
  input: 'Hello!',
});

关键设计：会话之间完全隔离——即使复用同一个已存 Agent，Session 也不会继承别的 Session 的沙箱与 Artifact。这对多租户 SaaS 是刚需语义。

培训师点评