概述 Claude Code 在 5 月份发布的时候，并没有引起我的注意，但它现在已经成为了我无法脱离的写码助手，我愿称之为最强写码助手。 与 Copliot 不同，Claude Code 是一个 CLI 工具，也就是命令行工具，这对于很多喜欢命令行工具的朋友来说是一件好事，而对于 “点点点” 的朋友来说就比较灾难了。但总体上来看，CLI 先天比 Copliot 在辅助开发上更具有优势。 本文将不在赘述 Claude Code 的下载安装方式，以及它的基础功能，更多介绍我以及朋友们分享的，在使用 Claude Code 过程中的一些技巧、我的高效开发流程以及 CLAUDE.md 文件配置。 plan mode 和 CLAUDE.md plan mode Claude Code 设计的 plan mode 可以说是非常巧妙的，通过一个小的任务规划去完成一个复杂的编码，其实是一个优秀的代码人在真实环境中所实践的，而 Claude Code 则将这一流程抽象为一个小的工作流，让 Claude Code 的操作变得更精准清晰，也一定程度也弥补了当前模型上下文不足的问题。 我建议你在开始一段对话前，使用 shift + Tab 进入 plan mode ，在这个模式下描述一个完整的需求，然后再进行接下来的要求。 而 CLAUDE.md 则是另一大优秀设计。 全局的 CLAUDE.md 文件 全局的 CLAUDE.md 文件可以记录自己的开发习惯，以及自己的“开发哲学”。比如，下面这个就是我的 CLAUDE.md 文件配置，它位于 ~/.claude/CLAUDE.md # Claude 开发配置文件 ## 角色定义 你是 Linus Torvalds，Linux 内核的创造者和首席架构师。你已经维护 Linux 内核超过30年，审核过数百万行代码，建立了世界上最成功的开源项目。现在我们正在开创一个新项目，你将以你独特的视角来分析代码质量的潜在风险，确保项目从一开始就建立在坚实的技术基础上。 ## 我的核心哲学 **1....

这大半年以来，我效仿 fernvenue 老师的这两篇博客 在 NX30 Pro 上嘗試 OpenWrt 和 在 OpenWrt 上配置策略路由 也在自己的住处安排了相应的配置，让上网变得更加丝滑，网络分流也更清晰。 不过曾经有一次我自己重装 OpenWrt 的过程中，遇到了 PBR 无法启动的问题，PBR 的下载安装，都没有问题，没有配置文件 enbale 的时候也可以正常启动，但一旦选中了某个配置文件，那么 PBR 立刻无法启动。而其中最关键的一行信息就是： Installing fw4 nft file [✗] 之前尝试过多种方法之后，终于解决了，但是我竟然忘记了是如何解决的，记得似乎是重启了一下就好了。但最近在给朋友进行相同配置的时候，这个问题又出现了，我尝试多次重启，也在网上查找了很多信息，似乎大家都没有遇到和我一模一样的问题。 由于我家里的那台 OpenWrt 在使用 PBR 的时候是没有问题的，所以就直接拿来一个一个得对比，我发现除了 固件版本 不一样以外，其他的都是一样的。这让我不得不怀疑是不是新版固件出了问题。 没记错的话，我当时给朋友安装的固件版本是： 24.10.2 r28739-d9340319c6 而我那台正常运行的则是： 24.10.1 r28597-0425664679 是的，只有这么一个小小的版本差距，但我看遍了所有的配置，只有这一个变量是不同的，于是决定立刻重装，并重头配置。 不出意料，果然 PBR 可以正常工作了。 目前，我还不知道是什么原因导致了这个问题，但我怀疑是内核问题，已向官方提了 issues 。

写在前面 输入法安全一直是被大众，甚至可以说是很多人忽视的问题。但恰恰相反的是，最了解你的产品，往往是你最信任的产品。输入法是我们每天都会用到的工具，它记录了我们的输入习惯，也记录了我们的一些隐私信息。 当然，针对输入法安全的考量是一部分，另一部分的考量就是输入法的词典了。 RIME - 中州韵 是一款开源的输入法引擎，它的词典是由用户自己维护的。正如中州韵官网主页所描述的一样： 聪明的输入法懂我心意。 这样的设计，一方面可以保证用户的隐私安全，另一方面也可以让用户自己定制自己的输入法。 RIME 横跨三大平台，在每个平台上都有开箱即用的软件。 在 Windows 平台上，RIME 有 小狼毫 在 macOS 平台上，RIME 有 鼠须管 在 Linux 平台上，RIME 有 fcitx5-rime 在 iOS 上，RIME 有 Hamster - 仓 但本文并不着重介绍 RIME 的安装和使用，而是介绍如何自己维护 RIME 的词典。 词典 正如前文所述，RIME 的词典是 RIME 的灵魂，只有适合自己的词典，才是真正“懂我心意”的输入法。为了兼和我平时的发言习惯，兼览各大佬们维护的词典，以及我自己的使用体验，最终挑选了以下词典： base.dict.yaml luna_pinyin.dict.yaml zhwiki.dict.yaml ext.dict.yaml tencent.dict.yaml 这些词典的选用既能保证日常高频词的覆盖，又能保证专业词汇的覆盖，也能保证网络流行词的覆盖。 中文维基百科词典 zhwiki.dict.yaml 是中文维基百科的词典，收录了非常巨量的专业词汇，比如各类书籍、人名、地名、机构名等等。 中文维基百科词汇 macOS 鼠须管 由于这个词 “新戈利斯科耶农村居民点” 比较特别，属于中文维基百科词典的专属词，也比较长，一般的词典没有收录，所以可以尝试能否打出来这个词可以用来测试词典是否生效。 腾讯词向量词典 tencent.dict.yaml 来自 雾凇拼音 是腾讯词向量的词典，收录了一些网络流行词汇，比如各类网络用语、网络流行语等等。是 dvel 长期维护的词典。 两字词 两字词统一放到 base.dict.yaml 中，便于平时修订和调频。 因为两字词的排序基本决定了词库舒适度，重码较多，所以都加上注音和权重，并大量增删和调频。...

是啥？ RNN 就像一个有短期记忆的学习者，它能记住最近的信息，但时间越长，记忆越模糊。 通俗来说，RNN（循环神经网络） 可以类比成一个有记忆的“学习者”。假设这个学习者在读一篇文章，他每读完一个词就会暂时记住这个词的意思，再去读下一个词。在传统神经网络中，每次处理的输入都是独立的（像每次都从零开始阅读），但在RNN中，它会“记住”之前的信息（之前的词），并将这些记忆传递给下一步处理，让整个句子有上下文的联系。 但是，RNN 有一个非常明显的问题：短期记忆强，长期记忆弱。就像你记得刚刚读到的几个词，但越往前回忆，记忆就会越来越模糊。这种现象在处理长文本或长序列时尤为明显，它“记住”早期信息的能力会随着时间推移迅速衰减，这被称为 梯度消失 问题。 那 LSTM（长短期记忆网络） 为 RNN 解决了什么问题呢？ 可以想象 LSTM 是一个“有着更加聪明记忆能力的学习者”。它不仅仅像 RNN 那样简单地记住最近的信息，还学会了如何挑选重要的记忆保留下来，并抛弃不重要的内容。LSTM 通过 “遗忘门”和“记忆门” 等机制，决定哪些信息应该忘掉，哪些应该长期记住，从而解决了 RNN 无法很好地记住长时间信息的问题。 举个例子：想象你在读一本小说，刚开始时提到的某个人物情节对故事发展很关键，但过了一段时间你可能就不需要记住每个不重要的细节了。LSTM 就好比你的大脑，它有能力判断哪些信息应该记住很久（比如关键的主线人物）而哪些可以随时忘记（比如不重要的细节）。这样它就可以更好地处理那些时间跨度较大的信息，而不会像 RNN 那样迅速遗忘。 一些细节 1. RNN 的技术细节 RNN 的核心在于它的“循环”，即网络的输出不仅依赖于当前输入，还依赖于上一时刻的隐藏状态。这是它“记忆”的来源。 数学表达： 在 RNN 中，隐藏状态 \( h_t \) 是通过当前输入 \( x_t \) 和前一个时刻的隐藏状态 \( h_{t-1} \) 共同计算的： \[ h_t = \tanh(W_h h_{t-1} + W_x x_t + b) \] \( W_h \) 是连接隐藏状态的权重矩阵（负责记住过去的信息）。 \( W_x \) 是输入层的权重矩阵（负责处理当前输入）。 \( \tanh \) 是激活函数（可以替换为其他如 ReLU，但常用的是 \( \tanh \)）。 \( b \) 是偏置项。 RNN 的梯度消失问题 在训练 RNN 的过程中，我们会使用反向传播算法来更新权重。在长序列中，隐藏状态 \( h_t \) 会不断地被传递下去。这意味着，越早的输入对当前状态的影响需要经过多次链式计算。随着序列长度增加，隐藏状态的梯度会逐渐接近于零，这就是梯度消失。...

是啥？ 在深度学习中，“交叉熵”是一个用来衡量两个概率分布之间差异的函数，通常用于分类任务。 比喻：猜糖果的颜色 想象你有一袋糖果，里面有红色、绿色和蓝色三种颜色。你猜这袋糖果的颜色分布是红色 50%，绿色 30%，蓝色 20%。但实际上，这袋糖果的真实分布是红色 60%，绿色 20%，蓝色 20%。 交叉熵的作用就是告诉你，你的猜测（预测）和糖果袋的真实分布有多接近。如果你的猜测和真实情况差别很大，交叉熵的值会很大；如果你猜得很接近，交叉熵的值就会很小。 数学解释 交叉熵的数学公式可以写成： \[ H(p, q) = - \sum p(x) \log(q(x)) \] 其中： \( p(x) \) 是真实的概率分布（比如糖果袋的真实颜色分布）。 \( q(x) \) 是你预测的概率分布（比如你猜测的颜色分布）。 这个公式的意思是：对于每种可能的糖果颜色，真实的概率 \( p(x) \) 和你预测的概率 \( q(x) \) 之间的差异，乘上 \( \log(q(x)) \)，然后取负号，最后对所有颜色的可能性求和。 直观解释： 如果你猜得很对：比如你猜红色糖果有 60%，而真实也是 60%，那么交叉熵的值就会很小，表示你预测得很准确。 如果你猜得不对：比如你猜红色糖果只有 20%，而真实是 60%，那么交叉熵的值就会很大，表示你的预测与真实情况差距很大。 交叉熵的计算 例子： 假设我们有一个简单的分类问题，只有两个类别，比如“猫”和“狗”。 真实的标签是“猫”，所以真实概率 \( p(x) \) 是： 猫：1.0 狗：0.0 模型预测的概率 \( q(x) \) 是： 猫：0.8 狗：0.2 逐步计算： 根据公式，交叉熵计算会涉及每个类别。我们带入这两个类别的概率： \[ H(p, q) = - \left( p(\text{猫}) \cdot \log(q(\text{猫})) + p(\text{狗}) \cdot \log(q(\text{狗})) \right) \] 计算“猫”部分：...