笔记
0工具
0此页用于记录用户反馈问题后的每一次改进
关于
“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
不想公开、只想临时给人看：点“分享”生成一条带密码和有效期的链接，到期自动失效，你也能随时撤销。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
趋势
AI经济真正的分界线不是人与机器，而是人与人
老实说，最近我刷社交媒体的时候，总能看到类似“AI又砍掉了几千个科技岗位”的标题党文章。你要是搞IT的，看了这些新闻心里不发毛才怪。我的私信里天天有人发：“我是个全栈开发者，也会点vibe-coding，刚被裁了，现在很迷茫。”或者“数据分析岗、网络安全岗，投了两年简历都找不到工作。”
你是不是也发过这样的消息？
但我想说，真正的问题不是AI本身。那些吓人的数据背后，其实藏着更深层的东西——我们到底该怎么理解这场变革。
每个搞技术的人都知道，变化是必然的，也是必要的。行业靠变化进步，人也得跟着变。要么你跟着变化走，要么被竞争淘汰。没有哪个公司愿意落后，更不可能容忍自己的员工拖后腿。这就是为什么整个行业转型的速度会这么快。
适应能力：不是会用AI，而是会思考
注意，我说的不是那种“vibe-coding”或者简单复制粘贴。我说的是围绕AI去进化自己。
什么让你成为一个有分量的专业人士，一个AI替代不了的人？答案是：你能展示出超越“使用AI”的能力。
用AI做项目没问题，用AI写代码、写作业、或者帮你头脑风暴下一期播客的选题，都没问题。但真正让你区别于一个同样能产出结果的AI系统的，是你的自适应智能。
这个道理很简单：在AI经济里，能活下来的不是那些“用AI用得最多”的人，而是那些懂得把AI当作游戏规则改变者，去提升质量、交付速度和效率的人。
适应能力不是每周换一个新AI工具玩玩。它是学会换一种思维方式。
想想十年前，一个好开发的标准是写干净的代码。现在呢？你得能批判性地审查AI生成的代码。以前研究一个问题，要翻十个Stack Overflow帖子。现在呢？你得会对照官方文档去验证AI给出的答案。以前衡量生产力，看你一个人能做完多少事。现在，看你能把你的专业能力和AI结合得多好，同时不降低质量。
这就是“用AI”和“被AI放大”之间的区别。它奖励的是那些会思考的人。
提示工程已死，上下文工程才是未来
还记得前两年有人卖500美元的提示工程课程，号称这是未来十年最高薪的技能吗？大概火了六个月吧。
现在的模型在理解意图方面已经强太多了。你不需要写“扮演一个有20年经验的高级软件工程师”，直接说“审查这个认证中间件，找找提权漏洞”，模型就知道该干什么。
这就引出了上下文工程的概念。
你提供的上下文越充分——比如文档、架构、代码库、约束条件、威胁模型、业务目标等等——AI的表现就越好。提示词本身没那么重要，上下文才是关键。
除非你是在搭Agentic pipeline，否则你甚至可以要求模型进一步评估输出结果：“这个可维护吗？”“安全吗？”“可扩展吗？”“可读吗？”“可测试吗？”
提示工程教我们怎么跟AI说话，上下文工程教AI怎么理解我们。
质量重于数量：为什么大多数vibe-coder会失败
现在每个人都能用一个下午搭个应用出来。这本身不是问题，很多正经的创业公司也是这样起步的。
问题是：这个应用能撑过生产环境的考验吗？
我承认，AI几分钟就能生成一个应用，写CRUD端点、写SQL查询、连API、甚至部署。这确实很厉害。但生产级软件的好坏，不是看它建得多快，而是看当十万个用户同时涌进来的时候，或者有人试图逆向工程、发现一堆未测试端点上的漏洞的时候，它扛不扛得住。
这就是“用AI”和“用AI做工程”之间的鸿沟。
即便AI知道你们组织的威胁模型、合规要求和风险偏好，能给你的端点生成安全默认配置，它也只是基于它见过的情况做“有根据的猜测”。这未必符合你们组织的最佳实践，甚至可能在实施新功能时把安全配置搞乱。这对安全架构来说风险很大，一旦公司被网络攻击，损失可能是毁灭性的。
所以，给所有想搞AI创业的人，我在下面列了一个安全检查清单。部署产品之前，请务必问自己这些问题：
- 谁负责认证？
- 密钥存在哪里？
- API密钥怎么轮换？
- 密码是用Argon2或同等算法哈希的吗？
- 授权是在服务端强制执行的吗？
- 配置了速率限制吗？
- Redis挂了怎么办？
- 备份测试过吗？
- 应用做过DDoS压力测试吗？
- 依赖库有没有监控CVE漏洞？
- 每个端点都有日志吗？
- 员工账号被攻破了怎么办？
- 有没有实现ACL/RBAC？
通常你会在代码里导入很多包，这对开发效率是好事，但如果处理不当，对安全就是坏事。
代码库
↓
47个直接依赖
↓
其中一个依赖被攻破
↓
整个应用沦陷
↓
用户数据危险
最著名的供应链攻击案例就是XZ Util后门和SolarWinds网络攻击。结果呢？公司不仅要支付巨额赔偿，市场声誉也一落千丈。根据IBM《2025年数据泄露成本报告》，全球数据泄露的平均成本是444万美元。
一个健康的SDLC（软件开发生命周期）应该长这样：
AI辅助的代码库
↓
开发者审查功能
↓
安全工程师审查信任边界
↓
QA审查行为
↓
DevOps审查部署
↓
生产环境
AI让写代码变得便宜，但并没有让工程变得便宜。架构、安全、弹性、可观测性、所有权——这些仍然是人的问题。
把一个项目交付出去很容易，但让它能在生产环境里活下来，才是真正的挑战。
AI没有取代工作，而是重新定义了工作
归根结底，一切只取决于谁能更好地利用AI，交付高质量成果。
随着技术不断演进，AI实际上是在转变工作岗位，而不是消灭它们。世界经济论坛的《2025年就业未来报告》指出，86%的雇主预计AI将改变他们的业务。AI和信息处理技术是2025-2030年间全球工作场所变革的最大驱动力之一。
普华永道分析了近10亿条招聘广告，关键发现如下：
- 需要AI技能的岗位，薪资溢价平均高达56%
- 2019到2024年间，AI相关岗位的招聘量增长了38%
- 受AI影响最大的行业，生产率增长是受影响最小行业的三倍
- AI相关岗位所需技能的变化速度，比其他岗位快66%
这些数据说明什么？说明市场正在用真金白银投票。AI不会让你失业，但一个不会用AI的同事可能会。真正的分界线，从来都不是人和机器之间，而是懂AI的人和不懂AI的人之间，是能用AI做工程的人和只会用AI搭玩具的人之间。
所以，别焦虑了。去学、去适应、去思考。这才是你在这场变革中唯一的护身符。