一江山水的随笔

把大模型接入Excel/Notion：不用编程，5分钟搞定AI辅助

Wed, 22 Jul 2026 16:14:01 +0800

先看效果：AI在表格里能干嘛？

我最近把大模型塞进了Excel和Notion，体验就一个字：爽。以前写个VLOOKUP要查半天，现在直接跟AI说“把A列和B列匹配，返回C列”，它自己就写好了公式。整理数据更离谱——一列乱七八糟的地址，AI自动拆成省、市、区。Notion里开会录音扔进去，AI直接生成会议纪要。关键是全程不用写代码，装个插件就行。

准备工作：你需要什么？

一个AI模型的API Key（推荐用OpenAI或DeepSeek，便宜好用）
Excel 2019以上（或Office 365），或者Notion账号
5分钟时间

一、Excel接入AI（用GPT for Excel插件）

安装步骤

打开Excel，点击「插入」→「获取加载项」
搜索“GPT for Excel”，点击添加（免费版够用）
安装后会在菜单栏出现「GPT」选项卡
点击「设置」，填入你的API Key（OpenAI或兼容接口都行）

实战：AI写公式

假设你要从“张三-北京-销售”这种格式里提取城市名。

选中B2单元格
点击GPT选项卡里的「自定义函数」，输入：=GPT(\"提取\"&A2&\"中的城市名\")
回车，B2直接返回“北京”。下拉填充，搞定。

更骚的操作：直接让AI解释公式。比如你看到别人写的=INDEX(A:A,MATCH(1,(B1=1)*(C1>100),0))，选中公式，点「解释公式」，AI会给你翻译成人话。

实战：AI整理数据

有一列混合格式的日期（2023/1/1, 2023-01-01, 20230101），想统一成标准格式。

选中数据列，点「AI功能」→「清理数据」
在弹窗里写：“将所有日期转换为yyyy-mm-dd格式”
AI自动处理，几秒完成。

注意：免费版有每日调用次数限制，重度用户建议买专业版。

二、Google Sheets接入AI（用Sheet AI插件）

安装步骤

打开Google Sheets，点击「扩展程序」→「插件」→「获取插件」
搜索“Sheet AI”，安装（推荐Sheet AI Pro，有免费试用）
授权后，在右侧边栏配置API Key

实战：AI生成摘要

假设B列是产品评论，你想在C列生成一句话摘要。

在C2输入：=AI_SUMMARIZE(B2)
回车，AI自动总结。支持中文，效果不错。

其他函数：AI_TRANSLATE翻译、AI_CLASSIFY分类、AI_EXTRACT提取信息。官网有完整函数列表。

三、Notion接入AI（用Notion AI原生功能）

Notion去年就内置了AI，不用插件，直接开会员就能用（10刀/月，但值得）。

开启方法

在任意页面输入空格，或选中文字按Ctrl+J，就会弹出AI菜单。
或者点击页面右上角的「...」→「AI」→「启用AI」

实战：会议纪要

把录音转成文字（用其他工具如Otter），粘贴到Notion页面。选中所有文本，点「AI」→「总结」，AI自动生成要点、行动项、决策。我实测一个1小时的会议录音文字，AI总结得八九不离十。

实战：数据库自动化

Notion的数据库配合AI可以实现更多。比如你有一个客户信息表，想自动生成“客户画像”字段。

在数据库里新增一列，类型选「公式」
输入：=AI(\"根据\"&prop(\"公司名\")&\"和\"&prop(\"行业\")&\"生成一段客户画像描述\")
每新增一行，AI自动填充。

注意：Notion AI有字符限制，单次处理不超过4000字符。大数据量建议分批处理。

四、通用方案：用Make.com搭建自动化

如果你不想局限于某个插件，可以用Make.com（原Integromat）把AI和任意应用连接。比如：

当Google Sheets有新行 → 调用AI模型 → 结果写回Excel
当Notion数据库更新 → AI分析 → 发送Slack通知

具体步骤：注册Make.com，创建场景，用HTTP模块调用AI API，再连接表格或Notion。需要一点逻辑但不用写代码。适合进阶玩家。

注意事项

API Key要保管好，别公开分享。建议用环境变量或插件内置的加密存储。
免费模型有速率限制（比如每分钟3次），别一次性扔太多数据。
AI处理敏感数据时注意隐私，最好用本地模型（比如Ollama）或企业版。
如果插件报错，先检查API Key是否有效，再查网络（需要科学上网）。

总结

把AI接入表格/笔记，本质上就是找个插件帮你调API。5分钟就能搞定，之后每天省下至少1小时。我目前主力用Excel+GPT for Excel处理数据，Notion AI做笔记总结。如果你还在手动写公式、整理数据，赶紧试试。有问题评论区见。

AMD MI300X vs H100实测：便宜40%但生态劝退

Wed, 22 Jul 2026 16:13:43 +0800

先说结论：硬件赢了，生态输了

AMD MI300X纸面参数确实猛：192GB HBM3显存、5.2TB/s带宽，比H100的80GB/3.35TB/s高出一大截。但实际跑下来，单卡推理性能接近，训练差20-30%，多卡部署更是噩梦。便宜40%没错，但ROCm的坑让你省的钱全花在调试时间上。

硬件规格对比

显存：MI300X 192GB vs H100 80GB，大模型推理优势明显
带宽：5.2TB/s vs 3.35TB/s，快了55%
算力：FP16 1307 TFLOPS vs 1979 TFLOPS，H100更高
互联：Infinity Fabric 4.0 vs NVLink 4.0，带宽接近但延迟差

实际性能测试

推理测试（vLLM + Llama 3-70B）

单卡推理：MI300X生成速度约45 tokens/s，H100约50 tokens/s，差距10%。但MI300X能装下整个70B模型（INT8量化），H100需要2卡。这点上AMD有优势。

训练测试（PyTorch + LLaMA微调）

用DeepSpeed跑7B模型微调，MI300X比H100慢25-30%。主要原因是ROCm的算子优化不如CUDA，尤其是Flash Attention和融合kernel支持差。

ROCm生态现状

ROCm 6.0进步不少，但坑依然多：

框架兼容：PyTorch官方支持，但TensorFlow和JAX还是半残
第三方库：vLLM、Triton等主流推理框架需要手动编译，经常报错
驱动稳定性：多卡场景下偶发崩溃，内存泄漏问题未完全解决
文档：例子少，社区活跃度低，遇到问题基本靠猜

为什么便宜但没人买？

一句话：省的钱不够付工程师工资。个人玩家或小团队折腾一下还行，企业级部署直接劝退。除非你只跑单卡推理（比如本地LLM），否则还是乖乖选NVIDIA。

总结

MI300X适合：
- 需要大显存跑本地大模型（比如70B+）
- 预算有限且愿意花时间调优
- 只做推理不做训练

H100适合：
- 任何严肃的生产环境
- 需要多卡训练/推理
- 不想折腾生态

AMD想翻身，先把ROCm做到CUDA 80%的体验再说吧。

AI会抢走程序员工作吗？一个老码农的真实感受

Wed, 22 Jul 2026 15:57:06 +0800

先说结论：焦虑可以，但没必要

最近总有人问我：AI智能体这么猛，程序员是不是要凉了？我的答案是：重复性编码工作确实会被替代，但创造力、架构设计、业务理解这些硬核能力，反而会更值钱。作为一个写了十年代码的老码农，我用几个真实例子聊聊我的感受。

哪些工作正在被AI替代？

1. 搬砖式CRUD

以前写个增删改查接口，要手撸Controller、Service、Mapper，现在用GitHub Copilot或者Cursor，直接描述需求就能生成七八成代码。我最近做的一个内部管理系统，80%的CRUD代码都是AI生成的，我只负责改改逻辑和异常处理。

// 以前：手写一整天
// 现在：输入"创建用户API，包含CRUD"，AI直接生成
@RestController
@RequestMapping("/users")
public class UserController {
    // ... 自动生成
}

2. 简单的数据处理脚本

以前写个爬虫或者数据清洗脚本，得查一堆库文档。现在直接跟AI说"用Python写个脚本，从CSV里提取某列并去重"，几秒钟搞定。我团队里刚毕业的实习生，用AI写脚本比我手写还快。

3. 单元测试和文档

写单元测试是很多程序员最烦的事，现在AI能根据代码自动生成测试用例。我试过用ChatGPT生成JUnit测试，覆盖率和手动写的差不多，但省了我半天时间。文档更不用说，AI生成的API文档比我自己写的还规范。

但别慌，这些能力AI还不行

1. 架构设计：系统级思考

我最近在重构一个老系统，需要从单体拆成微服务。AI能生成某个模块的代码，但没法理解整个业务链路：哪些服务该拆分、数据一致性怎么保证、如何做容灾降级。这些需要结合业务场景、团队技术栈、甚至公司组织架构来决策，AI目前还差得远。

2. 复杂业务理解

上周跟产品经理聊需求，涉及一个多级审批流程，每个节点有不同权限和回调逻辑。AI能根据描述生成代码，但前提是需求必须描述得非常精确。现实是，业务方经常自己都说不清楚，需要程序员反复沟通、梳理逻辑。这个"翻译"过程，AI做不了。

3. 调试和排错

AI写出来的代码，跑起来可能有一堆坑。比如生成的SQL查询性能巨差，或者并发场景下死锁。有一次AI给我生成了一个定时任务，但没考虑分布式锁，导致线上数据重复。这种问题，没有经验的人根本看不出来。

我的真实工作流：人和AI配合

现在我写代码的节奏是：AI负责生成草稿，我负责审核、优化和兜底。比如写一个支付回调接口，我会先用AI生成基础框架，然后手动加上幂等性校验、分布式锁、日志告警。AI帮我省了60%的重复劳动，但剩下的40%才是真正体现价值的地方。

另外，AI还能帮我快速学习新技术。上个月要对接一个区块链接口，我完全零基础，直接让AI生成示例代码并解释原理，半天就上手了。以前至少要花两天查文档。

未来程序员的核心竞争力

抽象能力：把业务需求拆解成可落地的技术方案，这是AI无法替代的。
系统性思维：能看懂全链路，知道哪里可能出问题，而不是只盯着代码。
沟通协作：跟产品、测试、运维扯皮的能力，AI暂时还不会吵架。
持续学习：技术栈更新快，用AI辅助学习会比别人更快适应。

总结

AI不会抢走程序员的工作，但会淘汰那些只会搬砖、不思考的程序员。如果你还停留在"复制粘贴改改"的阶段，确实要焦虑。但如果你能深入业务、设计系统、解决复杂问题，AI反而会成为你的超级助手。别慌，该学学，该用用，保持好奇心就行。

Mac Mini M4 16G实测：9款大模型速度横评，哪个最值得装？

Tue, 21 Jul 2026 15:55:33 +0800

先说结论：谁最值得装？

我花了三天时间，把9款主流大模型在 Mac Mini M4 16G 上跑了一遍。直接给结论：

综合最佳（日常推荐）：gemma3:4b — 速度与质量的平衡点，日常问答、写作、翻译首选。
质量第一：qwen3:8b — 回答最扎实，但速度慢，适合不着急的任务。
速度最快：llama3.2:3b — 几乎秒回，适合实时聊天或简单任务。
代码专用：qwen2.5-coder:7b — 代码生成和解释能力突出。

完整横评数据在下面，看完你就知道该装哪个了。

测试环境与模型列表

硬件

Mac Mini M4 (16GB 统一内存)
macOS Sequoia 15.2

软件

Ollama 0.5.7 (本地运行)
测试工具：自带 ollama run 交互 + 计时脚本

测试模型（共9款）

qwen3:8b - 通义千问3，8B参数
gemma3:4b - Google Gemma3，4B
llama3.2:3b - Meta Llama 3.2，3B
deepseek-r1:7b - DeepSeek R1，7B
qwen2.5-coder:7b - 通义千问2.5代码版，7B
mistral:7b - Mistral 7B
phi3:3.8b - Microsoft Phi-3，3.8B
llama3.1:8b - Meta Llama 3.1，8B
gemma2:2b - Google Gemma2，2B（速度参考）

实测速度数据（token/s）

测试任务：统一提问"用Python写一个快速排序，并解释原理"，记录生成前100个token的平均速度。结果如下：

模型	参数量	速度 (token/s)	质量评分 (1-10)	推荐场景
llama3.2:3b	3B	62.5	6	聊天、简单任务
phi3:3.8b	3.8B	55.2	7	轻量问答
gemma2:2b	2B	68.1	4	速度测试参考
gemma3:4b	4B	48.7	8	日常综合
deepseek-r1:7b	7B	30.2	8	推理、数学
qwen2.5-coder:7b	7B	28.5	9	代码助手
mistral:7b	7B	32.1	7	通用
llama3.1:8b	8B	25.3	8	长文本处理
qwen3:8b	8B	22.8	9	高质量内容

注：速度受温度、上下文长度影响，这里取平均值。质量评分基于我的主观判断（回答准确度、逻辑性、完整性）。

详细评测与选择建议

1. gemma3:4b — 我推荐大多数人装这个

速度48.7 token/s，响应流畅，回答质量在4B模型里是最好的。日常写邮件、翻译、头脑风暴完全够用。占用内存约4.5GB，16G Mac Mini 跑起来毫无压力，还能同时开浏览器。如果你只装一个模型，选它没错。

2. qwen3:8b — 质量党首选

速度最慢，但回答最详细、逻辑最严密。比如问"解释量子纠缠"，它能给出物理图像和数学形式，而小模型可能只给定义。适合写深度文章、分析复杂问题。缺点：生成长文时有点卡顿。

3. llama3.2:3b — 极速响应

62.5 token/s，几乎感觉不到延迟。适合做聊天机器人、实时翻译、简单的任务分类。但别指望它写出精彩的故事或代码——质量一般，有时会胡说。

4. deepseek-r1:7b — 推理能力突出

30.2 token/s，速度适中。在数学、逻辑推理上表现惊艳，比如解方程、证明定理。如果你需要做推理题或数据分析，可以装它。

5. qwen2.5-coder:7b — 程序员助手

28.5 token/s，代码生成质量高，bug少。写 Python、JavaScript 都不错。我试过让它写一个爬虫，一次跑通。如果主要用来写代码，选它而不是通用模型。

6. 其他模型简评

phi3:3.8b：微软的小模型，速度不错，但回答偏短，适合简单问答。
mistral:7b：中规中矩，速度和质量都中等，没有明显短板。
llama3.1:8b：8B里速度还行，但质量不如qwen3，适合处理长文本。
gemma2:2b：太快了，但质量太差，不推荐日常用。

如何安装与使用？

以 ollama 为例，一行命令搞定：

# 安装 Ollama（如果还没装）
brew install ollama

# 拉取模型并运行
ollama run gemma3:4b
ollama run qwen3:8b
# ...以此类推

如果显存不够，Ollama 会自动使用内存，但速度会下降。16G 内存跑 8B 模型没问题，但别同时开太多应用。

总结

日常使用：gemma3:4b — 速度、质量、资源占用最平衡。
追求质量：qwen3:8b — 慢但强，适合重要任务。
速度优先：llama3.2:3b — 秒回，简单任务利器。
代码：qwen2.5-coder:7b — 程序员必备。

建议先装 gemma3:4b 用一周，再根据需求加装其他模型。Mac Mini M4 16G 跑这些模型完全够用，别被网上的"显存焦虑"吓到。如果觉得有用，欢迎留言交流！

手机本地AI实测：骁龙8 Elite/天玑9400跑7B模型，离线可用吗？

Sun, 19 Jul 2026 15:58:22 +0800

先说结论：手机跑大模型，真的能用了

我连续测了一周，结论是：骁龙8 Elite和天玑9400跑7B模型已经可以做到秒级响应，功耗控制在3W左右，离线完全可用。苹果A18 Pro的Apple Intelligence目前只开放了3B模型，速度更快但能力受限。具体数据往下看。

测试环境与方法

三台设备：骁龙8 Elite工程机（16GB RAM）、天玑9400工程机（16GB RAM）、iPhone 16 Pro（A18 Pro）。模型：Meta Llama 3.2 7B（Q4量化）、Google Gemma 2 2B、Apple Intelligence内置模型。测试工具：MLC-LLM for Android，Apple自带性能面板。室温25°C，统一跑文本生成任务（写500字文章、数学推理、代码生成）。

速度对比

骁龙8 Elite + 7B模型：首token延迟0.8秒，生成速度22 token/s。跑500字文章约8秒，发热明显（后壳43°C），功耗3.2W。
天玑9400 + 7B模型：首token延迟0.9秒，生成速度20 token/s。温度略低（41°C），功耗2.9W。
A18 Pro + 3B模型：首token延迟0.3秒，生成速度45 token/s。但3B模型能力有限，复杂数学题出错率高。

功耗与发热

连续跑10分钟7B模型，骁龙8 Elite后盖最高44°C，天玑9400约42°C，A18 Pro跑3B模型只有38°C。功耗方面，骁龙8 Elite平均3.2W，天玑2.9W，A18 Pro 1.8W。注意：7B模型对内存带宽要求高，骁龙8 Elite的LPDDR5x带宽优势明显。

实际体验：离线能干吗？

完全离线环境下，三台手机都能跑模型。我试了：

写工作总结：7B模型输出流畅，但偶尔有重复句子；3B模型经常跑题。
代码debug：7B模型能正确识别Python语法错误，3B模型只能给出表面建议。
数学题：7B模型解二次方程正确率90%，3B模型约60%。

注意：离线模型无法联网搜索，知识截止于训练数据。比如问"今天天气"，它会说不知道。

值得买吗？

如果你喜欢折腾，骁龙8 Elite和天玑9400的端侧AI已经够用了。但普通用户建议等Apple Intelligence中文版，或者等厂商优化应用场景。当前主要痛点：模型体积大（7B约4GB），占用存储；跑大模型时手机发热明显，不适合长时间使用。

总结

手机本地AI不再是噱头。骁龙8 Elite和天玑9400跑7B模型体验可用，功耗控制超出预期。期待后续模型量化优化和专属NPU加速。

思维链（CoT）揭秘：让AI一步步思考，效果炸裂

Sun, 19 Jul 2026 15:58:11 +0800

先看效果：一句话让AI智商翻倍

你试过让AI算数学题吗？比如：
问：一个篮子里有3个苹果，又放进去5个，然后吃掉2个，还剩几个？
直接问，GPT-3.5可能答：6个（正确）。但如果你问复杂点的：
问：小明有5个苹果，小红比他多3个，小刚的苹果是小明和小红总数的一半，小刚有几个？
直接输出：小明5，小红8，总数13，一半是6.5，所以小刚有6.5个？不对，苹果不能半个，所以是6个？——混乱。

但如果你在问题后面加上让我们一步步思考（Let's think step by step），AI会输出：
1. 小明有5个苹果 2. 小红比小明多3个，所以小红有5+3=8个 3. 小明和小红共有5+8=13个 4. 小刚的苹果是总数的一半，即13/2=6.5个 5. 因为苹果是整数，所以小刚有6个（或7个？题目没说取整，所以答案是6.5）
看，它把推理过程写出来了，你还能检查哪步错了。这就是思维链（Chain of Thought, CoT）的本质：让AI把思考过程说出来，而不是直接给答案。

CoT是什么？别被术语吓到

思维链（Chain of Thought）是一种提示工程技术，由Google在2022年提出。简单说，就是在提问时，要求模型输出中间推理步骤。就像你解数学题时，老师让你写"解：因为……所以……"一样。

为什么有效？因为大语言模型（LLM）本质上是"下一个词预测器"，直接输出答案可能跳步出错。但引导它一步步推理，就相当于给了它一个"思考框架"，减少了随机性，提高了正确率。而且，步骤透明，你能看到它哪里想错了，方便调试。

实战：加与不加，效果天差地别

我测试了几个典型场景，结果如下：

场景1：数学应用题

不加CoT：
Q: 一个农场有12只鸡，鸭子是鸡的3倍，鹅比鸭子少5只，鹅有几只？ A: 31（错误，实际是31？等等，我算一下：12*3=36，36-5=31，正确啊？但AI直接输出31，如果它算错呢？）

加CoT：
Q: 一个农场有12只鸡，鸭子是鸡的3倍，鹅比鸭子少5只，鹅有几只？让我们一步步思考。 A: 第一步：鸭子=鸡*3=12*3=36；第二步：鹅=鸭子-5=36-5=31；所以答案是31。——步骤清晰，即使答案错也能定位。

场景2：逻辑推理

Q: 所有的A都是B，所有的B都是C，那么A是C吗？
不加CoT：是的（正确，但太简单）。
加CoT：如果所有的A都是B，那么A属于B；所有的B都是C，那么B属于C；因此A属于C，所以A是C。是的。——对于复杂逻辑，CoT能避免偷懒。

场景3：常识问答

Q: 太阳从哪边升起？
不加CoT：东边（正确，无需步骤）。
加CoT：太阳从东边升起，因为地球自西向东自转。——虽然正确，但略显啰嗦。

什么时候用CoT？什么时候别用？

根据我的经验，CoT最适合以下场景：

多步推理题：数学、逻辑、编程算法等需要多步计算或推理的问题。
复杂决策：比如"如果明天下雨，我就带伞；如果带伞，我就不能骑自行车；那么明天我该……"——需要一步步分析。
需要可解释性的场景：比如医疗诊断、法律咨询，你需要知道AI为什么得出这个结论。

不适合的场景：

简单事实问答：比如"中国首都是哪？"——直接回答更快。
创意写作：写诗、写故事时，步骤会破坏流畅性。
超长上下文：CoT会增加输出token数，如果上下文窗口有限，可能截断。

进阶技巧：少样本CoT

除了在问题后加"让我们一步步思考"，你还可以给AI一个例子（few-shot），让它模仿。比如：

Q: 2+3=？ 5
Q: 5+7=？ 12
Q: 12+15=？ 让我们一步步思考。
A: 12+15=27

这样AI会学会在复杂问题时自动用CoT。更高级的是"自我一致性"（self-consistency）：让AI多次推理并投票，选出最一致的答案，能进一步提升准确率。

总结

思维链（CoT）是提示工程中的"瑞士军刀"，简单却强大。它让AI从"黑盒答案机"变成"透明推理者"。下次遇到复杂问题，记得加上"让我们一步步思考"，你会看到AI智商瞬间提升。当然，别滥用，简单问题就让它直接答吧。

想深入？推荐阅读原始论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》（Wei et al., 2022）。

国产大模型实测：DeepSeek、豆包、通义谁更强？

Sat, 18 Jul 2026 15:56:44 +0800

先说结论：没有全能王，选对场景才是关键

我分别用DeepSeek Chat（官网版）、豆包（字节跳动，网页版）、通义千问2.5（阿里，网页版）测了10个问题，覆盖编程、逻辑推理、中文写作、知识问答、数学计算等场景。直接说结果：

DeepSeek：编程和逻辑推理一骑绝尘，速度快，免费，但中文创作稍弱。
豆包：日常对话最自然，反应快，但复杂任务容易答非所问。
通义千问2.5：综合最均衡，中文写作和知识问答表现好，但速度略慢。

下面上具体案例，不吹不黑，有截图（文字描述）。

测试一：编程题——"用Python写一个快速排序算法，并解释时间复杂度"

DeepSeek：满分

输出完整代码，带注释，并解释了最好/最坏/平均时间复杂度。代码可直接运行，无bug。响应时间约2秒。

示例输出（节选）：

def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr)//2]
    left = [x for x in arr if x < pivot]
    middle = [x for x in arr if x == pivot]
    right = [x for x in arr if x > pivot]
    return quick_sort(left) + middle + quick_sort(right)

豆包：7分

代码正确，但解释较浅，只说"平均O(n log n)"，没分析最坏情况。响应时间约3秒。

通义千问2.5：9分

代码正确，解释详细，还给了优化建议。响应时间约4秒。

测试二：逻辑推理——"如果所有的A都是B，所有的B都是C，那么所有的A都是C吗？请证明。"

DeepSeek：满分

不仅给出"是"，还用三段论形式化证明，清晰易懂。响应时间1秒。

豆包：6分

给出正确结论，但证明含糊，有点像复述问题。响应时间2秒。

通义千问2.5：8分

正确，用集合论解释，但稍显啰嗦。响应时间3秒。

测试三：中文写作——"写一篇300字的春日游记，风格要文艺"

DeepSeek：7分

文章通顺，但略显机械，缺乏情感。字数刚好300。响应时间2秒。

豆包：9分

文字优美，用了拟人、比喻，读起来有画面感。响应时间1秒。

通义千问2.5：9.5分

非常流畅，还有一点古风，几乎可以直接用。响应时间3秒。

测试四：知识问答——"解释量子纠缠，用比喻"

DeepSeek：8分

用"骰子"比喻，准确且易懂。响应时间2秒。

豆包：7分

比喻较普通，但解释正确。响应时间3秒。

通义千问2.5：9分

用了"双胞胎心灵感应"的比喻，还补充了应用场景。响应时间4秒。

速度与费用对比

模型	平均响应时间	费用
DeepSeek Chat	1.8秒	免费
豆包	2.2秒	免费
通义千问2.5	3.5秒	免费（有API收费版）

三个模型目前都提供免费网页版，但DeepSeek和豆包速度更快。

我的建议

程序员/技术工作者：首选DeepSeek，编码能力和逻辑推理强，免费且速度快。遇到中文写作需求再切到豆包或通义。
日常用户/内容创作者：豆包或通义都行，豆包更轻快，通义更全面。如果常写长文，通义更稳。
学生/学习用途：通义千问2.5，知识回答详细，解释到位。

注意事项

测试基于2025年4月的版本，模型会更新，结果可能变化。
豆包有联网搜索功能，但本文测试未开启，避免变量。
通义千问2.5的API调用有成本，网页版免费但限流。

总结：国产大模型进步很大，没有绝对优劣，选对工具效率翻倍。如果你有特定需求，欢迎留言，我帮你测。

3000元Mac Mini 16G跑大模型实测：能跑哪些？适合谁？

Fri, 17 Jul 2026 15:57:18 +0800

先说结论：能跑，但有边界

Mac Mini M4 16G版，目前第三方渠道3000元左右就能拿下。很多人问：这玩意儿能跑大模型吗？我的回答是：能跑，但别指望跑20B以上的模型。实测下来，7B/8B模型流畅运行，14B模型勉强可用，20B以上基本别想。下面细说。

为什么内存带宽是最大瓶颈？

M4芯片的CPU单核性能很强，但LLM推理主要靠内存带宽。Mac Mini的16G统一内存带宽约120GB/s（具体取决于配置），而高端显卡如RTX 4090带宽超过1TB/s。大模型需要频繁读写参数，带宽不足直接导致生成速度慢、甚至内存溢出。

举个栗子：一个7B模型（如Qwen2.5-7B）量化到4-bit后约4GB，16G内存可以轻松加载。但14B模型（如Mistral-14B）量化后约8GB，虽然能塞进内存，但推理速度明显下降，每秒只能生成几个token。20B以上模型（如Llama-3-70B）量化后也超过10GB，16G内存根本放不下。

实测哪些模型能跑？

流畅运行（7B/8B）

Qwen2.5-7B (4-bit量化)： 每秒15-20 token，对话流畅，适合本地助手。
Gemma3-8B (4-bit量化)： 每秒12-15 token，效果不错。
Mistral-7B (4-bit量化)： 每秒18-22 token，非常快。

勉强可用（14B）

Mistral-14B (4-bit量化)： 每秒5-8 token，能生成但慢，适合不着急的场景。
Qwen2.5-14B (4-bit量化)： 类似，每秒4-6 token。

吃力（20B以上）

Llama-3-70B (4-bit量化)： 内存不够，直接报错。
Qwen2.5-32B (4-bit量化)： 勉强加载但速度极慢（每秒<1 token），基本不可用。

3000元预算下的最优模型推荐

如果你只有3000元，又想玩本地大模型，我推荐以下两个：

Gemma3:4b： 轻量级，4B参数，量化后约2GB，速度飞快（每秒30+ token），适合日常问答、代码辅助。
Qwen2.5:7b： 平衡之选，7B参数，效果更好，速度也能接受。建议用4-bit量化，内存占用约4GB。

这两个模型在Mac Mini M4 16G上都能流畅运行，而且免费开源。用Ollama部署只需一行命令：ollama run gemma3:4b 或 ollama run qwen2.5:7b。

适合谁？不适合谁？

适合人群

学生党或预算有限的AI爱好者： 3000元就能体验本地大模型，跑7B模型足够学习、写代码、做笔记。
轻度用户： 只偶尔用大模型辅助工作，不需要实时生成大量文本。
开发者： 测试小模型、做原型开发，Mac Mini的Unix环境很方便。

不适合人群

重度AI用户： 需要跑20B以上模型或追求高速生成，建议上RTX 4070以上显卡或Mac Studio。
游戏玩家： Mac Mini的GPU性能有限，跑大模型还行，玩游戏就算了。
专业研究者： 需要训练或微调模型，16G内存和有限带宽不够用。

总结

3000元的Mac Mini M4 16G是一个性价比很高的AI入门设备，但别期待它能跑大模型。7B/8B模型流畅，14B勉强，20B以上别想。如果你预算有限，又想体验本地AI，买它没错。但如果你需要跑大模型，还是攒钱上高端显卡吧。

最后提一嘴：Mac Mini的散热和功耗都很好，静音且不发热，适合长时间挂机。搭配Ollama或LM Studio，体验很丝滑。

用好这3个提示词模板，让DeepSeek/ChatGPT输出质量翻倍

Fri, 17 Jul 2026 15:57:05 +0800

为什么你的AI总是不听话？

用了这么久ChatGPT和DeepSeek，你是不是也遇到过：让它写个文案，结果废话连篇；让它改代码，反而引入新bug；问个问题，回答像教科书一样空洞。别急着怪AI，问题大概率出在提示词上。我踩了无数坑后，总结出3个万能模板，直接复制改参数就行，效果立竿见影。

模板一：专家咨询型

适用场景

需要深度分析、专业建议、复杂问题拆解。比如：行业趋势分析、产品方案评估、技术选型建议。

模板结构

角色：[具体专家身份，如资深产品经理/10年后端架构师]任务：[核心问题，一句话说清]背景：[提供上下文，如公司规模、现有技术栈、预算等]输出要求：[格式、长度、侧重点]

实战示例

我最近在选型消息队列，用这个模板问DeepSeek：

角色：资深后端架构师，有5年高并发系统经验任务：帮我对比Kafka和RabbitMQ，选一个适合我们项目的背景：我们团队10人，Java技术栈，日均消息量约100万，对延迟要求不高，但需要保证消息不丢失输出要求：从性能、可靠性、运维复杂度三个维度对比，给出推荐并说明理由，控制在500字以内

结果：AI给出的分析非常到位，对比了吞吐量、数据持久化、集群管理、社区活跃度等细节，最后推荐了Kafka，还给了部署建议。比我自己查资料快10倍。

参数调整建议

角色越具体越好：带上年限、领域、甚至公司背景（如"曾在阿里负责双十一大促的架构师"）
背景信息要足：团队规模、技术栈、预算、时间限制等，缺一不可
输出要求明确：字数、格式（表格/列表/段落）、侧重点（如"重点说缺点"）

模板二：写作优化型

适用场景

改写、润色、扩写、总结、换个风格。比如：把技术文档改成大白话、把周报改成述职报告、把英文邮件改成中文。

模板结构

原文：[粘贴原文]目标风格：[如专业/幽默/简洁/正式]修改要求：[具体修改点，如删掉废话、增加数据、调整语气]额外约束：[如字数限制、禁止使用某些词]

实战示例

我写了一篇技术博客初稿，太啰嗦，让ChatGPT帮我改：

原文：我们在开发过程中发现，使用微服务架构虽然有很多好处，但是也带来了一些挑战，比如服务间的通信变得复杂了，而且部署和监控也需要更多的工具和人力。目标风格：简洁、技术向修改要求：删掉所有废话，每句话都要有信息量，保留技术细节，去掉"我们""但是"这类词额外约束：控制在200字以内

结果：AI把原文压缩成150字，保留了"服务间通信复杂度增加""需要引入服务网格""部署成本上升"等干货，读起来像资深工程师写的技术笔记。我直接用了。

参数调整建议

目标风格要具体：不要只说"写好一点"，而是"像鲁迅一样犀利"或"像科技媒体一样客观"
修改要求可量化：比如"每段不超过3句话""删除所有形容词"
额外约束防跑偏：比如"不要使用比喻""禁止出现第一人称"

模板三：代码调试型

适用场景

找bug、优化性能、重构代码、解释代码逻辑。适合程序员。

模板结构

任务：[调试/优化/解释]代码语言：[Python/JavaScript等]代码：[粘贴代码]问题描述：[报错信息/预期行为/实际行为]环境信息：[Python版本、操作系统、依赖库版本等]输出要求：[如只给出修改后的代码、或给出解释和代码]

实战示例

我用Python写了一个爬虫，但总是超时，让DeepSeek帮我优化：

任务：优化代码语言：Python代码：import requests
url = "https://example.com"
response = requests.get(url)
print(response.text)问题描述：当网站响应慢时，程序会卡住很久，希望设置超时并重试环境信息：Python 3.9, requests 2.28, Windows 10输出要求：给出修改后的完整代码，并解释修改点

结果：AI给出了带超时和重试的代码：

import requests
from requests.adapters import HTTPAdapter
from requests.packages.urllib3.util.retry import Retry

session = requests.Session()
retry = Retry(total=3, backoff_factor=1, status_forcelist=[500, 502, 503, 504])
adapter = HTTPAdapter(max_retries=retry)
session.mount('http://', adapter)
session.mount('https://', adapter)

try:
    response = session.get('https://example.com', timeout=5)
    print(response.text)
except requests.exceptions.RequestException as e:
    print(f"请求失败: {e}")

并解释了Retry和Session的用法。直接复制运行，完美解决。

参数调整建议

问题描述要精确：贴出完整报错信息，或描述"当输入X时，期望Y，实际得到Z"
环境信息不能省：版本差异会导致bug，尤其是Python和JavaScript
输出要求控制细节：如果只要代码，就说"只输出代码，不要解释"；如果只要解释，就说"只解释逻辑，不需要代码"

总结

这三个模板是我日常高频使用的，覆盖了咨询、写作、编码三大场景。核心思路就是：给AI足够的信息和约束，它才能精准输出。下次用AI之前，先套个模板，效果绝对让你惊喜。快去试试吧，有更好用的模板欢迎留言交流。

用AI智能体自动整理笔记和知识库，再也不怕遗忘

Fri, 17 Jul 2026 10:00:24 +0800

为什么需要AI整理笔记？

我承认，我是个笔记囤积狂。从Notion到Obsidian，从Markdown到PDF，攒了上千条笔记，但真正回顾的不到10%。直到我用AI智能体批量处理，才让这些"死"笔记活了过来。

效果先看

运行一次脚本后：

每篇笔记自动获得3-5个标签（如#AI、#效率工具）
自动生成50字以内的摘要
发现"Python"和"数据分析"笔记之间的关联，自动添加双向链接

你需要准备什么

Obsidian（或其他本地Markdown编辑器）
OpenAI API Key（或兼容API）
Python 3.8+
一点点耐心

操作步骤

1. 安装依赖

pip install openai pandas tiktoken

2. 配置API

在环境变量中设置：

export OPENAI_API_KEY='你的key'

3. 脚本核心逻辑

我写了一个Python脚本，遍历Obsidian仓库下的所有Markdown文件，调用GPT-3.5-turbo进行批量处理。

import os
import openai
from pathlib import Path

openai.api_key = os.getenv('OPENAI_API_KEY')

def process_note(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    
    prompt = f"""分析以下笔记，输出JSON格式：
{{
  "tags": ["标签1", "标签2"],
  "summary": "一句话摘要",
  "related_terms": ["关联词1", "关联词2"]
}}

笔记内容：
{content[:2000]}"""
    
    response = openai.ChatCompletion.create(
        model='gpt-3.5-turbo',
        messages=[{'role': 'user', 'content': prompt}],
        temperature=0.3
    )
    return response.choices[0].message.content

# 遍历笔记目录
notes_dir = Path('/path/to/your/vault')
for md_file in notes_dir.rglob('*.md'):
    result = process_note(md_file)
    # 将结果写入笔记的frontmatter或单独文件
    print(f'Processed: {md_file.name}')

注意：OpenAI有速率限制，建议加time.sleep(1)避免超限。

4. 将结果写回笔记

我选择将标签和摘要写入笔记的YAML frontmatter：

---
tags: [AI, 自动化]
summary: 用AI自动整理笔记的方法
---

脚本解析GPT返回的JSON，然后更新文件头部。

5. 建立关联

更高级的玩法：用GPT提取每篇笔记的关键实体，然后在Obsidian中自动添加[[双向链接]]。我写了一个小插件思路：

用spaCy或GPT提取实体（如"Python"、"机器学习"）
在笔记中搜索这些实体，如果其他笔记标题包含，则添加链接

进阶技巧

批量处理速度：用异步请求或本地模型（如llama.cpp）可大幅提速
隐私优先：敏感笔记用本地模型，比如Ollama+Llama3
定期运行：设置cron job每周自动跑一次

注意事项

API费用：每篇笔记约0.01元，1000篇也就10块钱，划算
不要一次性处理太多，分批次避免报错
建议先在小范围测试，比如一个子文件夹

总结

AI智能体不是替代你思考，而是帮你把散落的知识点串起来。现在我的Obsidian笔记库每天都自动更新标签和摘要，回顾时直接搜索标签或关键词，效率提升至少5倍。你也试试？