[{"content":"作为一个苦逼的打工人加老父亲，平时白天要在公司搬砖，家里娃的上网情况根本没法肉眼盯着。\n之前为了省事，主要靠 iPad 自带的“屏幕使用时间”和系统的家长控制来设限。但用过的家长应该都有体会，这套机制防君子不防熊孩子——要么不知道什么时候锁屏密码被偷瞄到了，要么换个旧手机、或者借个别的设备连上 Wi-Fi 就又开始欢快冲浪，各种跟家长斗智斗勇。\n我就想：干脆直接在源头——家里的 OpenWrt 软路由上做全局管控。\n然而当我翻遍了 OpenWrt 社区现有的各类上网控制、家长控制插件后，整个人都凌乱了：\n要么界面停留在十年前，交互极其反人类； 要么单纯靠粗暴的 DNS 域名拦截，孩子手动改个 DNS 地址、或者 App 自带 DoH/DoT 就能轻松绕过； 要么跟家里跑的透明代理（Passwall / OpenClash）打架打得头破血流； 某些商业路由器倒是自带了，但必须把全家所有上网记录明文上传到云端服务器，这谁敢用？ 既然市面上找不到一个现代、轻量、不漏网且保护隐私的好用插件，作为一个程序员，那句经典的名言又在耳边响起了：“既然没有，那就自己手搓一个吧。”\n大家都吐槽它是“美国豆包”，我偏要试试 Gemini 3.7 最近这段时间，AI 编程工具铺天盖地。但在不少中文技术社区里，经常能看到大家调侃 Google 家的 Gemini 和 Antigravity，甚至戏称其为“美国豆包”，觉得它只会车轱辘话、写代码不够给力。\n我倒一直不这么认为。\n恰好最近 Gemini 3.7 Flash 正式发布，社区里不少硬核开发者的反馈都很正面，响应极快，逻辑和复杂代码生成能力有了质的飞跃。趁着这个做家长控制的契机，我决定拿它当我的“全栈副驾驶”，在 Google Antigravity 里深度实测一把：看看它到底能不能扛住这种涉及 Linux 内核网络层、Go 后端、Vue 前端以及跨平台客户端的硬核全栈工程。\n实测下来的结果是：真香，效率高到飞起。\n在这个项目的开发过程中，从：\nLinux 内核层 (Netfilter \u0026amp; DPI)：设计在 mangle PREROUTING 链第一优先级截获流量，结合 kmod-oaf 深度包检测在透明代理前截流； Go 高性能单二进制服务：用 embed.FS 把前端静态资源内嵌打包，零外部依赖，128MB Flash 的小路由也能秒装运行； 真实人机流量 Token 算法：过滤后台微弱的心跳底噪，精准统计孩子真实的有效上网时长； 现代化 UI 与跨平台方案：不仅搓出了带 PIN 锁的高颜值 Web 控制台，还把 Swift 跨平台核心库打通到了 iOS (SwiftUI) 与 Android。 整个过程 Gemini 3.7 Flash 几乎没有多余废话，思路极其清晰，架构设计和避坑补丁信手拈来。事实证明，只要提示词得当、上下文清晰，它绝对是一流的工程利器，彻底打破了“美国豆包”的刻板印象。\n这是一个什么样的项目？ 这个项目被我命名为 ParentControl Guard（OpenWrt 家长控制卫士）。\n一句话概括：它是跑在 OpenWrt 上的新一代、内核级精准识别、单二进制轻量部署、多层防绕过的开源家长控制系统。\n核心亮点 内核级 L7 DPI 深度包检测：不吃 DNS 缓存那一套，直接基于底层应用协议特征码识别。不管是主流游戏（王者、原神、和平精英等）、短视频（抖音、快手）还是直播，精准拦截，代理工具也绕不过去。 多时段计划与真实活跃额度：支持按天配置锁网时段（比如晚上 10 点后自动关停），还支持“每天可用 1.5 小时”的 Token Bucket 额度扣减。 严苛立体防绕过：强制开启各大搜索引擎的青少年安全模式（SafeSearch），封锁外部公共 DoH/DoT 端口，防范设备随机 MAC 逃逸。 单文件极简部署：Go 编写，无繁杂的运行环境依赖，打包完就一个文件，丢进路由器就能跑。 远程外网秒级管控：支持 Cloudflare Workers 无服务器中继或自建 WebSocket 中继，你在公司上班用 4G/5G，掏出手机就能一键给娃断网或奖励加时。 正式开源，欢迎一起共建 独乐乐不如众乐乐。既然自己把骨架搭好了，踩平了大部分暗坑，我决定把这个项目完整开源出来。\n开源的初心有两个： 帮助有同样痛点的家长与折腾党：如果你也正为孩子的上网时间发愁，或者受够了市面上繁琐难用的插件，希望能给你提供一个清爽、安心的解法。 广纳力量，社区共建： DPI 特征库丰富：各大 App 和游戏层出不穷，欢迎大家一起提交最新的协议特征 PR； 多平台客户端：目前 iOS 端和 Web 控制台已初具雏形，Android / 桌面客户端需要更多小伙伴参与； 更多玩法：比如结合 AI 智能识别异常流量模式、微信/企业微信机器人推送通知等。 传送门与结语 代码已经推送到 GitHub，欢迎大家 Star、Fork、提 Issue 和 PR：\nGitHub 仓库: https://github.com/hamguy 项目详细架构设计: 查看项目详细设计文档 带娃路上不容易，能用代码和现代 AI 工具解决生活里哪怕一个小小的真实痛点，这种成就感还是相当美妙的。\n如果你试用觉得不错，或者有什么新奇的想法，欢迎在 GitHub 留言交流，咱们一起把这个小工具打磨得越来越好用！\n","permalink":"https://hamguy.xyz/zh/posts/parent-control-open-source/","summary":"从上班盯娃的痛点，到打破“美国豆包”刻板印象的 AI 结对编程实战，聊聊 ParentControl Guard 的诞生故事与开源共建计划。","title":"给娃防沉迷：我用 Gemini 3.7 写了个 OpenWrt 家长控制插件并开源了"},{"content":"🎯 背景与痛点 在企业远程办公（WFH）或开发调试场景中，工程师经常需要连接基于 “固定密码 + Google Authenticator 动态 2FA 验证码” 认证的企业内网 VPN（如 Cisco AnyConnect / OpenConnect）。\n日常痛点：\n频繁断连手动输入极其痛苦：动态验证码每 30 秒变更，VPN 频繁重连时每次都需拿起手机打开 Authenticator 手动输入，打断心流。 高版本 iOS / 真机调试抓包受限：iOS 设备直接连接 VPN 后无法使用 Charles/Proxyman 抓包调试内网接口。 软路由原生 LuCI 不支持动态 2FA：路由器后台仅能保存静态密码，无法自动重连需要 2FA 的企业网络。 Blinq (QuickOpen) 诞生于此：“Blink and you\u0026rsquo;re in.” —— 全自动计算 TOTP 动态码、本地 AES-256 安全加密存储凭证、秒级一键连接并支持软路由全屋局域网分流 (Split-Tunneling)。\n🚀 核心功能与特性 ⚡ 一键极速连通：基于 RFC 6238 标准自动计算 TOTP 6 位动态码，无缝配合固定密码自动注入 OpenConnect 进程，实现秒级连通。 🔒 AES-256-GCM 本地加密存储：所有账号密码与 TOTP 密钥均在本地加密，数据绝不上传云端，保障企业级凭证安全。 🌐 软路由透明分流 (Split-Tunneling)：支持部署在 OpenWrt 软路由上，自动配置 tun0 虚接口与 dnsmasq 域名分流，实现家庭局域网内所有设备（包括 iPhone/iPad/电视）免装客户端透明访问企业内网。 💻 跨平台轻量支持：纯 Go 编写单二进制文件，零依赖，跨平台支持 macOS (Apple Silicon \u0026amp; Intel)、Linux 与 Windows。 🖼️ 界面与视觉预览 🏗️ 系统架构与网络拓扑 1 2 3 4 5 6 7 8 9 10 11 12 13 [ 开发者电脑 / 局域网设备 ] │ ▼ [ Blinq 核心引擎 (Go) ] ├── AES-256-GCM 本地凭证解密 ├── RFC 6238 TOTP 动态码实时生成 └── OpenConnect 进程自动调起与管道注入 │ ▼ [ VPN 虚拟网卡 (tun0) ] │ ├─► [ 域名 / IP 分流规则 (Split-Tunneling) ] ──► [ 企业内网服务 ] └─► [ 常规流量直连 ] ─────────────────────────► [ 公网互联网 ] 🛠️ 研发攻坚与技术亮点 安全加密凭证体系：设计了基于用户主密码/设备特征派生密钥的 AES-256-GCM 加密配置文件结构，既保证了便捷自动填充，又防止凭证在本地被恶意程序直接窥探。 软路由网络分流与 DNS 防污染：结合 vpnc-script 与 dnsmasq 规则，仅将企业内网域名与特定网段路由至 VPN 隧道，其余全网流量保持原生高速直连。 📈 交付成果与落地 macOS / Linux / Windows 跨平台 CLI 二进制构建与自动化打包流水线 OpenWrt 软路由一键透明分流脚本与守护方案 现代化产品官方独立站点上线：https://getblinq.app 🔗 相关链接 产品官网: https://getblinq.app ","permalink":"https://hamguy.xyz/zh/works/blinq/","summary":"解析 Blinq (QuickOpen) 的架构设计：解决企业 2FA 动态口令频繁重连痛点、Go 单二进制跨平台实现、本地凭证加密与软路由 Split-Tunneling 分流方案。","title":"Blinq (QuickOpen) · 极速企业 VPN 自动化连接套件"},{"content":"🎯 背景与痛点 随着 Claude Code、Cursor 以及各类 AI Agent 在日常编程开发中的普及，很多高频开发者会面临多套 API 环境共存的情况：\n多厂商 / 多中继端点频繁切换：如 Anthropic 官方、自建中转网关、第三方代理或国内镜像源。 多账号与 Token 额度轮换：不同项目需要使用不同组织的 API Key 或配额账号。 手动修改环境变量极度繁琐：每次都需要在 ~/.zshrc 或 ~/.claude.json 中繁琐复制粘贴，极易遗留或改错。 CCSwitch for Mac 专为 AI 辅助编程的开发者设计：常驻 macOS 顶部菜单栏，轻轻一点，毫秒级切换 Claude Code 运行环境。\n🚀 核心功能与特性 ⚡ 菜单栏一键切换：随时随地通过全局状态栏图标展开配置列表，点击即切。 🔒 本地安全存储：API Tokens 严格保存在本地加密文件或系统 Keychain 中，零云端上传。 🛠️ 自动同步与即时生效：自动同步修改终端环境变量与 Claude Code 配置文件，无需重启终端。 💻 极致轻巧原生：采用纯 Swift + AppKit 编写，内存占用低于 15MB，无 Electron 臃肿包袱。 🏗️ 菜单栏核心逻辑 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 import AppKit final class StatusBarController: NSObject { private var statusItem: NSStatusItem! private var menu: NSMenu! override init() { super.init() setupStatusBar() } private func setupStatusBar() { statusItem = NSStatusBar.system.statusItem(withLength: NSStatusItem.variableLength) if let button = statusItem.button { button.image = NSImage(named: \u0026#34;MenuBarIcon\u0026#34;) button.imagePosition = .imageOnly } buildMenu() } func switchEnvironment(to env: ClaudeEnvironment) { ClaudeConfigManager.shared.apply(env) updateActiveIndicator(for: env) } } 📈 交付成果 macOS 12+ (Apple Silicon \u0026amp; Intel) 原生适配 专属产品展示页：https://hamguy.xyz/ccswitch/ 开源社区配套工具 CCSetup 联动 🔗 相关链接 产品官网: https://hamguy.xyz/ccswitch/ ","permalink":"https://hamguy.xyz/zh/works/ccswitch/","summary":"CCSwitch for Mac 项目复盘：极简 macOS 菜单栏原生架构、AI 开发者 CLI 工作流提效与多模型路由管理。","title":"CCSwitch for Mac · Claude Code 菜单栏切换器"},{"content":"🎯 系统设计背景与核心目标 对于独立开发者和出海团队而言，最大的风险往往不是“技术实现不了”，而是**“做出来的产品没有真实需求，缺乏付费意愿”**。\n传统市场调研依赖主观经验或第三方宏观报告，存在以下痛点：\n真实声音被稀释：无法直达全球技术社区和专业开发者每天遇到的具体卡点与抱怨。 缺乏结构化证据链：海量非结构化文本中充斥着噪音，人工筛选成本极高。 需求有效性难以量化：缺乏客观的模型对需求的紧迫度、现有替代品痛点和商业变现确定性进行打分。 DemandRadar AI 是一个专为解决上述痛点打造的全自动化市场情报与 NLP 决策引擎：7×24 小时持续吸收多源非结构化公开需求数据流，运用大模型进行语义聚类、痛点证据链提炼与确定性评分。\n🚀 核心架构与技术特性 🌊 多源非结构化数据清洗管道：\n自动化接入来自全球公开技术社区与开发者讨论流的非结构化数据。 基于自然语言规则与元数据特征过滤低价值水帖与广告内容，提取纯净的上下文语义。 🧠 语义聚类与需求提取模型：\n运用 Embedding 向量模型将分散在各处的相似提问与痛点进行语义聚类。 自动识别“现有工具太复杂”、“缺乏自动化脚本”、“API 价格昂贵”、“缺少特定平台客户端”等典型需求模式。 ⚖️ 多维确定性评分与证据链生成 (Confidence Scoring Engine)：\n构建多维度打分机制，综合评估：需求紧迫度 (Urgency)、支付意愿信号 (Willingness to Pay)、竞争真空度 (Market Gap) 与 工程落地可行性 (Feasibility)。 输出结构化报告时强制附带原始讨论上下文作为可溯源证据链，杜绝大模型幻觉。 📊 24 小时机会看板与动态警报：\n每日自动聚合高分机会，生成包含痛点摘要、潜在产品形态、技术栈选型建议与风险评估的结构化情报简报。 🏗️ 顶层数据流向图 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 [ 多源公开技术社区与需求讨论流 ] │ (非结构化文本输入) ▼ [ 数据清洗与噪声过滤管道 (Data Ingestion \u0026amp; Cleaning) ] │ (去重、元数据解析、语言标准化) ▼ [ 语义向量聚类引擎 (Embedding \u0026amp; Topic Clustering) ] │ (识别相似痛点簇群) ▼ [ 大模型深度推理与证据链提取 (LLM Extraction Engine) ] ├── 核心痛点提炼 (Core Pain Points) ├── 替代品缺陷分析 (Alternative Flaws) └── 原始上下文证据链锚定 (Verifiable Evidences) │ ▼ [ 多维确定性打分模型 (Multi-Dimensional Scoring Algorithm) ] │ ▼ [ 结构化商业机会看板与情报分发系统 (Intelligence Dashboard) ] 🛠️ 研发攻坚与技术亮点 确定性评分与去噪算法：通过引入反向校验 Prompt 与负样本过滤，有效剔除大模型在没有足够事实支撑时过度乐观的“商业幻想”，保证输出情报的高置信度。 异步高并发处理管道：采用 FastAPI 与异步任务调度，在单机低成本资源下实现对海量长文本的高效批处理与向量化。 结构化 JSON Schema 强类型约束：大模型输出端严格遵循强类型 Schema 校验，确保分析结果能直接沉淀为数据库结构化资产。 📈 当前完成度 自动化非结构化数据接入与标准化清洗管道 向量语义聚类与相似痛点聚合模块 多维确定性评分与证据链提取引擎 24 小时定时自动化调度与结构化看板 局域网反向代理与私有化运行部署 🔗 项目状态 项目属性: 自研私有化数据决策系统（暂未开源） 运行环境: 本地 HomeLab 服务器常驻运行 ","permalink":"https://hamguy.xyz/zh/works/demand-radar/","summary":"解析 DemandRadar AI 系统的技术架构：非结构化需求数据流清洗、语义相似度聚类、多维确定性评分模型与 24 小时自动化机会雷达。","title":"DemandRadar AI · 全球软件需求与商机洞察系统"},{"content":"🎯 项目背景与初衷 随着 AI 大模型和智能家居的普及，电视作为客厅最大的一块屏幕，其互动方式却长期停留在传统的视频点播阶段。传统儿童教育 App 在电视上面临诸多痛点：\n大屏遥控器交互体验差：手机移植应用在电视上难以选焦，操作极其生硬。 缺乏即时互动与语音问答：孩子观看科普或古诗视频时遇到疑问无法随手提问。 配置大模型门槛高：在电视端使用遥控器输入冗长复杂的 API Key 和服务地址极其痛苦。 KiddiVision (童视智汇) 针对家庭客厅大屏场景专门研发：专为 TV 优化的原生交互、手机扫码即配大模型、实时语音流式伴学与防盗链视频解析。\n🚀 核心设计目标与系统特性 📺 Kotlin + Jetpack Compose for TV 原生大屏客户端：\n针对大屏与遥控器进行深度焦点优化，支持 D-Pad 方向键丝滑选焦与推荐追问。 拼音注音组件 (RubyText)：在核心生词上方提供精准注音（如“电荷 diàn hè”、“戟 jǐ”），辅助低龄儿童自主认字与阅读。 Media3 ExoPlayer：无缝播放 B 站科普视频流，支持防盗链 Header 注入与全屏画中画联动。 遥控器双模语音：长按遥控器 [OK/确认] 键触发麦克风推流，松开即刻与 AI 语音角色对话。 🚀 Go 高性能局域网伴学服务 (server/)：\n极简部署：单一 Go 二进制文件，无复杂 Python 虚拟环境依赖，秒级启动。 📱 手机扫码热同步：TV 端显示动态二维码，家长微信或浏览器扫码直接进入配置后台，填写 API Key（DeepSeek / 通义千问 / OpenAI 等）后毫秒级热同步到电视。 🎙️ Edge-TTS 儿童音色流式推流：采用微软晓晓（zh-CN-XiaoxiaoNeural）等亲切音色，通过 WebSocket 实时分片朗读，极大降低端到端首字延迟。 📺 课程知识图谱：内置小学科学、语文古诗词与恐龙航天百科，支持本地兜底与大模型智能拓展。 🖼️ 界面与架构展示 1 2 3 4 5 6 7 8 9 10 11 12 [ 智能手机 (家长) ] │ 扫码访问配置后台 (HTTP 8080) ▼ [ Go 伴学服务端 (server/) ] ◄───────► [ 大模型 API (DeepSeek / Qwen / OpenAI) ] │ │ ├─► [ Edge-TTS 语音流式合成 ] │ │ │ ▼ (WebSocket 实时推流) ▼ [ Android TV 客户端 (Kotlin + Compose for TV) ] ├── Media3 ExoPlayer (B 站视频直链播放) ├── RubyText (拼音注音展示) └── 遥控器焦点 \u0026amp; 语音录制交互 🛠️ 技术攻坚与亮点 TV 遥控器与音频焦点管理：在 Android TV 上长按遥控器触发录音时，系统自动对正在播放的课程视频执行淡出静音，录音结束即刻恢复背景音，保证收音清晰度。 生词拼音排版组件：在 Jetpack Compose 中实现轻量高效的拼音文字对照布局（Ruby 注音），避免复杂 Canvas 绘制带来的重绘性能开销。 免公网 IP 的局域网秒级扫码配置：服务端内置 mDNS 与局域网 IP 自动广播，TV 端动态生成带局域网签名的二维码，家长手机零门槛配网。 📈 当前完成度 Go 高性能伴学服务与 WebSocket 双向通道 家长手机端动态扫码配置后台 Edge-TTS 语音流式推送与播放 Compose for TV 界面、RubyText 拼音注音与焦点管理 Media3 ExoPlayer 视频流与防盗链 Header 适配 🔗 相关链接 项目属性: 自研智能 TV 伴学系统（私有化部署，未开源） 运行平台: Android TV 12+ / Sony 智能电视 ","permalink":"https://hamguy.xyz/zh/works/kiddi-vision/","summary":"解析 KiddiVision 智能 TV 伴学系统：Go 高性能局域网服务、Edge-TTS 流式语音、生词拼音注音组件与遥控器焦点优化。","title":"KiddiVision (童视智汇) · 智能 TV 伴学系统"},{"content":"🎯 背景与痛点 在日常使用 X (Twitter) 时，用户经常会点赞或收藏大量优质的技术推文、设计灵感、开源项目与视频。然而官方的收藏与点赞功能存在严重痛点：\n官方搜索极难用：无法在自己的 Likes 和 Bookmarks 中进行精准的全文关键词搜索。 推文被删即永久丢失：原作者销号或删推后，曾收藏的宝贵知识资产瞬间蒸发。 内容杂乱缺乏分类：图文、视频、链接混杂在一起，难以快速定位。 LikeMates (Trovault) 诞生于此：“Never lose what you loved” —— 纯本地离线同步、多媒体过滤、全文毫秒级索引的 Chrome 扩展插件。\n🚀 核心功能与特性 ❤️ 增量与全量离线同步：自动或手动将 X 上的点赞与书签推文同步到浏览器本地。 🔒 100% 本地隐私安全 (IndexedDB)：所有推文内容、媒体元数据均存储在浏览器本地数据库中，无需任何外部服务器或第三方 API Key。 🔍 毫秒级全文检索：支持按推文正文、作者昵称、Handle 账号即时搜索匹配。 📂 智能多媒体分类：一键过滤 纯文本 / 图片 / 视频 / 外链。 📅 时间轴时光机：快速按今天、本周、本月或自定义时间范围回溯历史收藏。 🖼️ 界面与功能展示 🏗️ 技术架构 (Manifest V3) 1 2 3 4 5 6 7 8 9 10 11 [ X.com 网页上下文 ] │ Content Script (DOM 事件与滚动探测) ▼ [ Background Service Worker (Manifest V3) ] │ 提取推文结构化 JSON (ID, Text, Media, Author, Timestamp) ▼ [ 浏览器端 IndexedDB 本地数据库 ] │ ├─► [ SidePanel / Popup 交互界面 (TypeScript + Tailwind CSS) ] ├─► [ 本地全文分词检索引擎 ] └─► [ JSON / CSV 离线数据导出备份 ] 📈 交付成果与用户口碑 Chrome 网上应用店正式上架，已获 5.0 满分好评 (★★★★★) 严格遵循 Chrome Manifest V3 最新规范研发与上架审核 多语言应用商店物料与本地化适配 (支持中/英/日/德/法/西/韩 7 种语言) 完整 PRD 与离线数据备份方案落地 🔗 安装与体验 Chrome 网上应用店: https://chromewebstore.google.com/detail/trovault-twitter-likes-bo/jamclmmnnannpcflkjimkogjpmknlgcg ","permalink":"https://hamguy.xyz/zh/works/likemates/","summary":"解析 LikeMates (Trovault) 的产品设计理念：Manifest V3 架构、纯本地 IndexedDB 存储、多媒体筛选与 Chrome 应用商店 5 星好评交付。","title":"LikeMates (Trovault) · X 收藏与点赞离线管理插件"},{"content":"🎯 背景与设计初衷 在红海竞争日益激烈的软件行业中，避开大厂与主流巨头的正面对抗，深耕细分领域（Niche Markets）往往是独立开发者最容易实现冷启动与商业闭环的路径。\n然而，传统的利基市场分析耗时耗力：\n需要在数个专业数据库、应用商店和论坛之间手动对比竞品； 难以量化评估一个垂直细分赛道的真实获客成本与进入壁垒； 缺乏标准化的分析框架来辅助快速做出“Go / No-Go”的产品立项决策。 NicheHunter 专为解决这一问题而生：基于大模型深度分析工作流的垂直利基市场研究工作台，将原本数天的案头调研工作压缩至数分钟，输出高确定性的结构化商业可行性分析研报。\n🚀 核心功能与工作流 🔍 利基赛道多维量化评估 (Niche Scoring Matrix)：\n从 市场空间 (TAM/SAM)、竞争饱和度 (Competition Density)、获客渠道集中度 (Acquisition Accessibility) 和 技术实施壁垒 (Technical Moat) 4 个核心维度进行标准化量化打分。 🥊 竞品全景解构与劣势矩阵 (Competitor Teardown)：\n自动归纳竞品的核心功能、定价阶梯、主要缺陷与用户不满点，直观输出“差异化切入点”。 📝 结构化可行性研究报告自动生成：\n输出包含：产品形态建议（MVP 定义）、目标用户画像、核心价值主张、推荐定价模型与冷启动渠道策略的完整研报。 🖥️ 极简交互式分析看板：\n支持多赛道对比、标签分类管理与历史调研沉淀。 🏗️ 核心工作流拓扑 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 [ 用户输入垂直赛道主题 / 关键词 ] │ ▼ [ 多源市场情报检索与竞品数据收集 ] │ ▼ [ LLM 深度解构分析引擎 (Niche Analysis Engine) ] ├── 竞品优缺点拆解 (Competitor Pros \u0026amp; Cons) ├── 用户核心诉求归纳 (User Value Props) └── 差异化切入空间识别 (Differentiated Niche Gaps) │ ▼ [ 商业可行性量化打分 (Matrix Scoring Model) ] │ ▼ [ 自动化立项研报生成 (Structured Feasibility Brief) ] 🛠️ 技术亮点 结构化 Prompt 工作流编排：设计分步式思维链（Chain of Thought），由浅入深完成市场调研、竞品对比、量化评分与总结建议，避免单次 Prompt 导致的浅层泛化分析。 多模型协同验证：支持切换不同大模型进行交叉验证，确保调研结论的客观性与严密性。 📈 当前完成度 多维度利基市场量化打分算法模型 竞品全景拆解与差异化切入点提取模块 结构化 Markdown / PDF 研报导出能力 本地 Web 控制台与历史赛道管理仓库 🔗 项目状态 项目属性: 自研内部商业分析与决策工具 运行环境: 本地私有化工作台 ","permalink":"https://hamguy.xyz/zh/works/niche-hunter/","summary":"解析 NicheHunter 的设计理念：利基赛道评估模型、LLM 辅助竞品全景拆解、商业壁垒评分与结构化研报生成。","title":"NicheHunter · 垂直利基赛道 AI 辅助研究工作台"},{"content":"🎯 背景与设计初衷 在 AI 时代，单纯依赖人工编写或单次 Prompt 对话生成内容，难以满足多平台、多角色、高频率且高质量的持续内容运营需求。\n传统内容创作流的痛点：\n单一 Agent 角色过载：让一个 Prompt 同时负责选题、撰写、审校和排版，容易导致内容平庸、风格单一。 缺乏自主协同与反馈回路：智能体之间缺乏分工协作机制，无法模拟人类团队中的“主编-编辑-校对-排版”流水线。 分发断层：生成的内容无法直接衔接待发箱与多渠道自动化发布管道。 OnlyBots 专为探索 Multi-Agent 协作式自动化内容生态 打造：引入专职角色智能体（发现者、创作者、质检员、排版师），构建从热点捕捉到高质内容输出的闭环流水线。\n🚀 核心架构与系统特性 🤖 多角色智能体协同编排 (Multi-Agent Orchestration)：\nDiscovery Agent (话题发现智能体)：全天候扫描前沿技术与热点讨论，提取具有深度探讨价值的核心议题。 Creator Agent (内容创作智能体)：基于 Qwen / Hermes 模型，针对不同平台风格与受众定制专业内容。 Critic Agent (质检与事实核查智能体)：评估内容的逻辑一致性、专业深度、可读性与去 AI 痕迹。 📦 智能待发箱与候选流 (Candidate Box \u0026amp; Dispatcher)：\n自动将审核通过的高分内容归档至可视化待发箱，支持人工一键微调或全自动排期分发。 🔌 模块化 MCP 与工具扩展支持：\n采用开放标准协议对接外部检索与数据源，支持根据不同业务场景动态挂载专业子智能体。 🏗️ 智能体协作流水线拓扑 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 [ 全网公开技术动态与热点输入 ] │ ▼ [ 1. Discovery Agent (话题发现与过滤) ] │ (精选高质量核心议题) ▼ [ 2. Creator Agent (专业内容生成 / Qwen \u0026amp; Hermes) ] │ (输出初稿) ▼ [ 3. Critic \u0026amp; Polishing Agent (事实核查、去 AI 化、风格微调) ] │ (通过质检打分) ▼ [ 4. Dispatcher Pipeline (智能候选池 / 待发箱) ] │ ▼ [ 可视化管理控制台 \u0026amp; 多渠道自动化调度 ] 🛠️ 技术亮点 分布式角色状态机：每个智能体拥有独立的 Memory 记忆上下文与职责边界，通过事件总线进行异步解耦通信。 模型选型与成本优化：在话题筛选阶段采用轻量模型，在深度创作与核查阶段调用高推理能力模型，实现吞吐量与输出质量的最佳平衡。 📈 当前完成度 多智能体协作调度引擎与消息总线 基于 Qwen / Hermes 的定制创作与质检工作流 可视化内容候选箱与多平台排期系统 私有化 HomeLab 服务端稳定运行 🔗 项目状态 项目属性: 自研私有化多智能体自动化系统 运行环境: 本地 HomeLab 服务器 ","permalink":"https://hamguy.xyz/zh/works/onlybots/","summary":"解析 OnlyBots 平台的技术架构：多 Agent 角色协同调度、话题热点自动化聚合、内容候选池与多渠道分发机制。","title":"OnlyBots · 多智能体协同与内容自动化生成平台"},{"content":"🎯 项目背景与初衷 在家庭网络环境中，青少年过度沉迷网络游戏、短视频与社交媒体是许多家长面临的痛点。然而市面上的传统方案存在诸多局限：\n传统 DNS 拦截容易绕过：只需手动修改手机 DNS 或使用 DoH/DoT (853/443端口) 即可轻易失效。 旁路代理劫持冲突：家庭软路由普遍运行 OpenClash / Passwall 等透明代理工具，传统 IP/域名规则无法在代理前截流。 商业方案臃肿且依赖云端：许多商业路由器需要上传完整上网记录到第三方服务器，存在严重隐私泄露风险。 ParentControl Guard 由此诞生：100% 本地运行、内核级精准识别、单二进制轻量部署、多层立体防绕过的开源级软路由家长控制系统。\n🚀 核心设计目标与系统特性 🎮 内核级 L7 DPI 引擎：基于 kmod-oaf 内核模块与协议特征库，在数据包到达代理前于 mangle 表 PREROUTING 第一优先级截杀，精准识别数百款主流游戏、短视频与直播平台。 ⏱️ 多时段计划与活跃限额：支持跨夜时段定时锁网，结合真实人机交互流量的 Token Bucket 每日使用额度，支持一键临时断网与奖励加时。 🛡️ 严苛防绕过体系：强制锁定 Google/Bing/Baidu 青少年 SafeSearch，封锁外部公共 DoH/DoT 端口，有效防范随机 MAC 地址欺骗。 📱 响应式 Web 控制台：单 Go 二进制文件内嵌全部静态资源与 8 国语言包，4 位数字 PIN 锁安全保护。 🍏 原生跨平台移动端：iOS (SwiftUI) 与 Android 原生客户端，通过 C-FFI / JNI 共享纯 Swift 跨平台业务与网络核心 (ParentControlCore)。 ☁️ 双模式云端中继：支持 Cloudflare Workers 无服务器中继或自建 Go WebSocket 中继，家长在 4G/5G 外网环境下无需公网 IP 即可远程秒级管控。 🏗️ 系统架构与数据流转 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 [ 局域网终端设备 ] │ (原始流量) ▼ [ Linux 内核 Netfilter: mangle PREROUTING ] ───► [ kmod-oaf L7 DPI 协议特征检测 ] │ │ (匹配黑名单特征) ├────────────────────────────────────────────────────┴──► [ 立即 DROP / REJECT ] ▼ (放行安全流量) [ 路由转发 / 透明代理 / 出网 ] ───────────────────────────────────────────────────────────────────────────── [ Go 守护进程 (ParentControl Daemon) ] ├── 本地 SQLite / 配置存储 ├── 内嵌 Web 控制台 (支持手机端 / 桌面端) ├── 活跃时长 Token Bucket 计算引擎 └── WebSocket 客户端 ◄───► [ Cloudflare Workers / 云端中继 ] ◄───► [ 家长手机 App ] 🖼️ 系统界面与功能预览 1. 现代化 Web 控制台与主看板 2. 局域网设备管理与实时状态 3. 内核级 L7 DPI 应用特征库与封禁规则 4. 成员多时段规则配置与安全锁屏 🛠️ 技术攻坚与亮点 零外部依赖的 Go 单文件部署：通过 Go 1.16+ embed.FS 将前端 Vue/HTML 资源全量打包至单一二进制文件，在 OpenWrt 存储受限（如 128MB Flash）设备上也能秒级安装运行。 真实人机交互流量心跳过滤：针对微信/后台推送长连接持续产生的微弱心跳包，研发了底噪流量过滤算法，只有产生真实人机交互数据流时才计入活跃使用时长。 跨平台 Swift 核心复用：移动端没有采用繁琐的双平台重复编写网络与协议层，而是利用 Swift 的跨平台 C-FFI 能力，让 Android 端通过 JNI 调用同一套 Swift 状态管理核心。 📈 当前完成度 OpenWrt 21.02 / 22.03 / 23.05 架构编译支持 (x86_64, aarch64, arm, mips) 内核级 L7 DPI 协议识别与精准丢包拦截 现代化响应式 Web 控制台与 PIN 密码锁 8 种国际化语言支持 (中/英/日/德/法/西/俄/繁) Cloudflare Workers / Go WebSocket 云端双向中继 纯 SwiftUI iOS 客户端原型与跨平台核心联调 🔗 相关链接 项目属性: 自研软路由系统（私有化部署，未开源） 运行平台: OpenWrt 21.02 - 23.05 ","permalink":"https://hamguy.xyz/zh/works/parent-control/","summary":"深度解析 ParentControl Guard 系统的设计背景、内核 DPI 技术选型、防绕过架构及跨平台客户端实现。","title":"ParentControl Guard · OpenWrt 家长控制卫士"},{"content":"🎯 背景与痛点 在使用微软企业账户（Microsoft Entra ID / Office 365）登录时，系统常要求在电脑屏幕上查看一个 2 位随机数字，然后打开手机上的 Authenticator 点击匹配数字。\n日常痛点：\n很多时候手机屏幕停留在其他应用，需要切换多步；或者在电脑屏幕上扫一眼后容易记错； 频繁的 2FA 确认打断了心流，尤其对于每天需要反复登录各类企业系统的开发者和职场人。 Sesamo（取名自“芝麻开门” Sesame）诞生于这个极度精准的痛点：拿起手机对准屏幕，零延迟本地 OCR 自动识别匹配码并提示，1 秒完成验证流程。\n🚀 核心特性 ⚡ 毫秒级端侧视觉识别：基于 Apple 原生 Vision Framework 与设备端 CoreML 模型，视频流逐帧本地分析，无任何网络请求，隐私 100% 安全。 🎯 智能防抖与高容错匹配：自动过滤屏幕反光、摩尔纹和非数字干扰字符，秒级锁定 2 位数字目标。 📱 极简轻量交互：应用冷启动时间低于 0.2 秒，相机对准屏幕瞬间完成识别与触觉震动反馈。 🌐 跨平台发布：同时支持 iOS (App Store) 与 Android (Google Play)。 🏗️ 核心代码实现 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 import Vision import SwiftUI final class CodeScannerEngine: ObservableObject { @Published var detectedCode: String? private lazy var textRequest: VNRecognizeTextRequest = { let request = VNRecognizeTextRequest { [weak self] request, error in guard let results = request.results as? [VNRecognizedTextObservation] else { return } self?.processObservations(results) } request.recognitionLevel = .accurate request.usesLanguageCorrection = false request.customWords = [\u0026#34;0\u0026#34;, \u0026#34;1\u0026#34;, \u0026#34;2\u0026#34;, \u0026#34;3\u0026#34;, \u0026#34;4\u0026#34;, \u0026#34;5\u0026#34;, \u0026#34;6\u0026#34;, \u0026#34;7\u0026#34;, \u0026#34;8\u0026#34;, \u0026#34;9\u0026#34;] return request }() func analyzeFrame(_ sampleBuffer: CMSampleBuffer) { guard let pixelBuffer = CMSampleBufferGetImageBuffer(sampleBuffer) else { return } let handler = VNImageRequestHandler(cvPixelBuffer: pixelBuffer, orientation: .up) try? handler.perform([textRequest]) } } 📈 交付成果与数据 iOS App Store 审核通过并正式上架 Google Play 商店正式上架 独立产品落地页上线：https://hamguy.xyz/sesamo/ 🔗 下载与体验 官方主页: https://hamguy.xyz/sesamo/ App Store: https://apps.apple.com/app/sesamo/id6746903273 Google Play: https://play.google.com/store/apps/details?id=xyz.hamguy.sesamo ","permalink":"https://hamguy.xyz/zh/works/sesamo/","summary":"解析 Sesamo 的产品设计初衷、设备端 Vision OCR 零延迟识别与跨平台工程实践。","title":"Sesamo · 屏幕验证码 OCR 秒级识别工具"},{"content":"前言与折腾背景 2026 年 3 月，OpenClaw 的爆火在开发者圈子里掀起了一阵狂潮。为了能让这个强大的 AI Agent 全天候稳定挂机与高效执行任务，我一直想物色一台功耗低、体积小且适合常开的专用小主机。\n最直接的首选自然是 Mac mini M4。然而由于这波 AI 热潮带动了本地算力小主机的抢购，Mac mini M4 在二级与现货市场的价格一直居高不下；加之坊间盛传 6 月份苹果极有可能推出 M5 版本，正处于“买现款容易被背刺、等新款又遥遥无期”的尴尬期，因此我迟迟没有下手，始终处于观望状态。\n为了曲线救国，我曾尝试将 OpenClaw 部署在现有的 Ubuntu Desktop 环境上。但一番实操后发现整体体验并不尽如人意——OpenClaw 在设计之初就针对 macOS 做了大量的专属优化与系统级生态适配，在 Linux 下运行无论是工具调用链的顺畅度还是自动化兼容性都打了不小的折扣。\n既然核心诉求是拥有一台能够稳定运行 macOS 环境的低功耗小主机，又不想在当下为溢价买单，我便把目光投向了抽屉里那台闲置已久的 Intel NUC8 (Bean Canyon Refresh)。作为黑苹果界公认的“一代神机”，它扎实的硬件用料与出色的架构依然非常能打。与其让它吃灰，不如给它刷上最新的 macOS Sequoia 15.7.5，完美平替成为我的 OpenClaw 专属挂机服务器。\n折腾过程中经历了几次引导死锁与核显驱动调优的暗坑，最终成功完美点亮。在此将全套配置要点与避坑实录整理成文，供有类似需求的朋友参考。\n硬件规格概览 在折腾黑苹果之前，明确硬件平台及核显型号是配置 OpenCore 的第一步：\n设备型号: Intel NUC8i5BEHS 处理器 (CPU): Intel Core i5-8260U @ 1.60GHz (Coffee Lake) 集成显卡 (iGPU): Intel Iris Plus Graphics 655 存储介质: 512GB NVMe SSD 目标系统: macOS Sequoia 15.7.5 (Build 24G624) 引导工具: OpenCore 核心避坑排错实录 问题 1: NUC8 无法识别启动 U 盘 现象: 制作好的 macOS 安装 U 盘插入 NUC8 后，在 BIOS 启动菜单（F10）中看不到 U 盘启动项。\n排查原因: EFI 目录结构错误。OpenCore 的 BOOT 和 OC 文件夹直接放在了 EFI 分区根目录，而 UEFI 标准要求引导文件必须严格位于 \\EFI\\BOOT\\BOOTx64.efi。\n解决方案:\n1 2 3 4 5 6 # 在 EFI 分区根目录创建 EFI 文件夹 mkdir -p /Volumes/EFI/EFI # 将 BOOT 和 OC 移入 EFI 文件夹 mv /Volumes/EFI/BOOT /Volumes/EFI/EFI/BOOT mv /Volumes/EFI/OC /Volumes/EFI/EFI/OC 标准的 EFI 目录层级:\n1 2 3 4 5 6 7 8 9 10 EFI 分区根目录/ └── EFI/ ├── BOOT/ │ └── BOOTx64.efi └── OC/ ├── OpenCore.efi ├── config.plist ├── ACPI/ ├── Drivers/ └── Kexts/ 问题 2: 启动日志不断刷屏，无法进入图形安装界面 现象: U 盘能正常启动，但屏幕一直停留在系统调试日志（Verbose 模式），不断输出 com.apple.dock.fullscreen 等错误循环，无法进入 macOS 语言选择界面。\n排查原因:\nboot-args 中开启了 -v 参数（Verbose 模式）； 核显 ig-platform-id 被误设为无头模式，导致显示器无法完成图形渲染输出。 解决方案:\n1. 移除 -v 参数 1 2 3 plutil -replace NVRAM.Add.7C436110-AB2A-4BBB-A880-FE41995C9F82.boot-args \\ -string \u0026#34;keepsyms=1 debug=0x100\u0026#34; \\ /Volumes/EFI/EFI/OC/config.plist 2. 修正核显显示输出模式 原配置使用了 ig-platform-id: 0x3EA50004（无头模式），需调整为支持物理显示器输出的 0x3EA50009：\n1 2 3 4 # 修改 ig-platform-id 为 0x3EA50009 plutil -replace \u0026#34;DeviceProperties.Add.PciRoot(0x0)/Pci(0x2,0x0).AAPL,ig-platform-id\u0026#34; \\ -data \u0026#34;CQClPg==\u0026#34; \\ /Volumes/EFI/EFI/OC/config.plist 问题 3: Apple Logo 进度条卡在 50% 无法继续 现象: 屏幕能看到苹果 Logo 和进度条，但走到约 50% 处完全死锁，等待一整晚无响应。\n排查原因:\nSMBIOS 机型不匹配: 使用了 iMac19,1（该机型强依赖独显），而 NUC8 仅有核显； VT-d 未被屏蔽: DisableIoMapper 未开启； 核显 device-id 缺失: i5-8260U 的 Iris Plus 655 需要显式注入 device-id； SIP 过于严苛: 安装阶段 csr-active-config 需临时放宽。 解决方案:\n1. 将 SMBIOS 修改为 Macmini8,1 1 2 3 4 5 6 7 8 9 # 修改机型为 Macmini8,1 plutil -replace PlatformInfo.Generic.SystemProductName \\ -string \u0026#34;Macmini8,1\u0026#34; \\ /Volumes/EFI/EFI/OC/config.plist # 写入配套生成的序列号与 MLB plutil -replace PlatformInfo.Generic.SystemSerialNumber -string \u0026#34;C07XFUZEJYVX\u0026#34; /Volumes/EFI/EFI/OC/config.plist plutil -replace PlatformInfo.Generic.MLB -string \u0026#34;C07838401CDKXPGAD\u0026#34; /Volumes/EFI/EFI/OC/config.plist plutil -replace PlatformInfo.Generic.SystemUUID -string \u0026#34;$(uuidgen)\u0026#34; /Volumes/EFI/EFI/OC/config.plist 2. 开启 DisableIoMapper 并注入核显 device-id 1 2 3 4 5 6 7 8 9 10 11 # 启用 DisableIoMapper 绕过 VT-d plutil -replace Kernel.Quirks.DisableIoMapper -bool true /Volumes/EFI/EFI/OC/config.plist # 注入核显 device-id 为 0x3EA5 (Iris Plus 655) plutil -replace \u0026#34;DeviceProperties.Add.PciRoot(0x0)/Pci(0x2,0x0).device-id\u0026#34; -data \u0026#34;pT4AAA==\u0026#34; /Volumes/EFI/EFI/OC/config.plist # 扩展端口数至 3（HDMI + Type-C DP） plutil -replace \u0026#34;DeviceProperties.Add.PciRoot(0x0)/Pci(0x2,0x0).framebuffer-portcount\u0026#34; -data \u0026#34;AwAAAA==\u0026#34; /Volumes/EFI/EFI/OC/config.plist # 临时关闭 SIP plutil -replace \u0026#34;NVRAM.Add.7C436110-AB2A-4BBB-A880-FE41995C9F82.csr-active-config\u0026#34; -data \u0026#34;/wMAAA==\u0026#34; /Volumes/EFI/EFI/OC/config.plist 问题 4: 系统安装后目标硬盘缺少 EFI 分区 现象: 安装完成后拔掉 U 盘无法引导，检查发现硬盘只有一个 APFS 分区，占满全盘，没有预留独立的 EFI 分区。\n解决方案:\n1 2 3 4 5 6 7 8 9 10 # 1. 缩小 APFS 容器腾出 300MB 空间 diskutil apfs resizeContainer disk0s1 511800000000 # 2. 在空闲空间创建 200MB FAT32 EFI 分区 diskutil addPartition disk0s1 MS-DOS EFI 200MB # 3. 挂载新 EFI 与 U 盘 EFI 并完成同步 sudo diskutil mount /dev/disk0s2 sudo diskutil mount /dev/disk2s1 cp -R \u0026#34;/Volumes/EFI 1/EFI\u0026#34; \u0026#34;/Volumes/EFI/EFI\u0026#34; NUC8 BIOS 关键配置清单 开机按 F2 进入 BIOS，确保以下设置准确：\n配置项 推荐设定 说明 Secure Boot Disabled 必须关闭，否则拦截非签名引导 Boot Mode UEFI Only 强制使用 UEFI 原生模式 Fast Boot Disabled 关闭快速启动，确保硬件完整初始化 VT-d Disabled 建议关闭（或在 config 中开启 DisableIoMapper） 最终 OpenCore 核心配置快照 核显属性注入 (DeviceProperties) 1 2 3 4 5 6 7 8 9 10 11 \u0026lt;key\u0026gt;PciRoot(0x0)/Pci(0x2,0x0)\u0026lt;/key\u0026gt; \u0026lt;dict\u0026gt; \u0026lt;key\u0026gt;AAPL,ig-platform-id\u0026lt;/key\u0026gt; \u0026lt;data\u0026gt;CQClPg==\u0026lt;/data\u0026gt; \u0026lt;!-- 0x3EA50009: 物理显示输出模式 --\u0026gt; \u0026lt;key\u0026gt;device-id\u0026lt;/key\u0026gt; \u0026lt;data\u0026gt;pT4AAA==\u0026lt;/data\u0026gt; \u0026lt;!-- 0x3EA50000: Iris Plus 655 注入 --\u0026gt; \u0026lt;key\u0026gt;framebuffer-portcount\u0026lt;/key\u0026gt; \u0026lt;data\u0026gt;AwAAAA==\u0026lt;/data\u0026gt; \u0026lt;!-- 支持 3 接口 --\u0026gt; \u0026lt;key\u0026gt;framebuffer-patch-enable\u0026lt;/key\u0026gt; \u0026lt;data\u0026gt;AQAAAA==\u0026lt;/data\u0026gt; \u0026lt;!-- 启用补丁注入 --\u0026gt; \u0026lt;/dict\u0026gt; 关键驱动 (Kexts) 清单 驱动名称 核心用途 Lilu.kext 核心底层补丁框架 VirtualSMC.kext SMC 芯片模拟 WhateverGreen.kext 核显驱动与显存补丁 AppleALC.kext 声卡驱动注入 IntelMausi.kext 板载 I219-V 千兆有线网卡 itlwm.kext Intel 板载无线 Wi-Fi 驱动 IntelBluetoothFirmware.kext Intel 蓝牙固件加载 BlueToolFixup.kext macOS 12+ 蓝牙驱动适配 USBPorts.kext 定制 USB 端口映射 CPUFriend.kext CPU 变频与电源管理微调 故障排查速查表 故障现象 潜在诱因 快速处置措施 Still waiting for root device USB 端口无响应或映射缺失 更换 USB 接口，检查 USBPorts.kext Kernel panic 驱动冲突或 ACPI 补丁错误 检查 config.plist 禁用非必要驱动 黑屏但显示器有背光 核显输出模式错误 确认 ig-platform-id 与 device-id 进度条卡在 50% 机型 SMBIOS 不匹配 务必切换至 Macmini8,1 总结 Intel NUC8 凭借出色的体积和 Coffee Lake 架构，是目前依然非常强悍的微型工作站与 HomeLab 节点。只要配置好 Macmini8,1 机型与 0x3EA50009 核显参数，即可稳定流畅运行 macOS Sequoia。\n","permalink":"https://hamguy.xyz/zh/posts/nuc8-hackintosh-sequoia/","summary":"详细记录 NUC8i5BEHS 安装 macOS Sequoia 15.7.5 的 OpenCore 配置要点与全流程排坑记录。","title":"Intel NUC8i5BEHS 黑苹果安装 macOS Sequoia 总结与避坑指南"},{"content":" 我是一名软件工程师与技术极客，热爱 Apple 原生生态 (iOS \u0026 macOS)、AI 辅助编程与开发者工具，并在业余时间持续探索实用、轻量且注重隐私的个人项目。 核心关注与技术方向 Apple 原生生态与跨端开发 深度实践现代 Swift、SwiftUI、Flutter 与 Vision OCR 视觉计算，打造丝滑高效的原生与跨平台应用体验。\nAI Agent 开发者工具链 探索大模型工具集成、Model Context Protocol (MCP) 服务端协议与 Claude Code / Gemini 等智能体的自动化环境配置。\n自建基建与私有化部署 基于 Docker、Linux 服务器与 NAS 搭建稳健的个人 HomeLab、数据存储与自动化服务。\n持续公开写作与分享 坚持记录技术踩坑、架构设计心得与业余开发过程中的复盘反思，与开发者社区共同成长。\n全景技术栈 平台与系统 iOS macOS Android 小程序 Linux Server NAS / HomeLab Web 编程语言 Swift Dart Rust Python TypeScript Shell Go 框架与生态 Flutter SwiftUI 微信小程序 UIKit Combine Node.js Hugo AI 与智能体生态 Gemini Antigravity Claude Code Qwen (通义千问) DeepSeek GPT-4o MCP Protocol Vision OCR Ollama 基建、DevOps 与工具 Docker NAS / Self-Hosting Linux Xcode Git VS Code Cursor 保持连接与交流 GitHub @hamguy \u0026rarr; X (Twitter) @hamguy315 \u0026rarr; LinkedIn HamGuy \u0026rarr; 邮箱联系 发送邮件 \u0026rarr; RSS 订阅 立即订阅 \u0026rarr; \u0026ldquo;保持好奇，构建有价值的产品，持续输出与交付。\u0026rdquo;\n","permalink":"https://hamguy.xyz/zh/about/","summary":"关于 HamGuy - 背景、专注领域、全景技术栈与联系方式。","title":"关于我"}]