← 返回建站之路

一天的重构:换名字、上两条流水线、做第一个工具

这一天开始时站里只有两篇文章,结束时它有了名字、五个板块、两条每天自动运行的发布流水线,和一个真正能用的工具。记一下都做了些什么,以及踩了哪些坑。

一、先想清楚为什么要这个名字

原来的名字「海边小屋」只解决了一件事——私人空间。它说得清「这是谁的博客」,说不清「进来能读到什么」。内容攒到第二篇就开始别扭:写 AI 的文章和一封随笔躺在同一个列表里,读者只能靠翻。

于是先定了五个板块,再定名字:

  • AI 前哨 — 每天收集、总结 AI 前沿信息
  • 灵光一现 — GitHub 上值得看的项目,以及怎么复刻
  • 建站之路 — 这个站本身是怎么长出来的
  • 工具箱 — 能直接用的小工具
  • 趣味天地 — 测评、赛博算命这些不严肃的东西

名字取「蔚来实验室」:五条线都还只是实验,谈不上成熟。顺带承认一个副作用——它和某家汽车公司同音,搜索词大概率会撞车。权衡之后还是留下:先有内容,再谈搜索。

板块落地时有个细节值得记:旧的 /posts/... 已经被收录过一次,不能让它变成 404。Hugo 的 aliases 正好解决这件事——给迁移后的文章和新板块首页写上旧地址,构建时会生成一个 meta-refresh 页面,读者无感,搜索引擎也能跟着走。

# content/build/_index.md
aliases: ["/posts/"]

二、页脚那句「x 人在线」

需求很小:页脚加一句「现在有几个人在看」。做法上有两条路——塞个第三方统计脚本,或者自己算。

第三方脚本会拖慢首屏、也会把访客数据给别人,于是选了自算:站里原本就有一个记阅读数的 Python 小服务,顺手加一个 180 秒滑动窗口的内存字典。

  • 访客每次访问任意页面,/api/online?beat=1 打一个心跳,服务端记下 IP 和时间戳
  • 返回当前窗口内的独立 IP 数
  • 页脚每 60 秒刷一次,页面切到后台就停

好处是「在线人数」这个词终于名副其实——它统计的是浏览器标签还开着的人,不是「当日 UV」。代价是单实例内存态,重启即清零,但一个个人站并不需要更严肃的方案。

三、AI 前哨:每天凌晨一点自动发一篇

这是这天最花功夫的部分。目标是:整理日常阅读的 AI 信息流,每天凌晨 1 点自动成文并发布,不用人管。

链条是 systemd timer → 抓取脚本 → LLM 总结 → 写 Markdown → git 提交推送 → Hugo 构建 → 切软链 → 清缓存。整条链路在服务器上跑,本地不用开机。

信息源选了媒体 RSS(量子位、TechCrunch AI、The Verge AI)、Hacker News 的 Algolia 接口、arXiv 的 cs.AI / cs.CL / cs.LG,以及 GitHub 上新近冒头的 AI 仓库。抓回来先按「权重 + 新鲜度 + 关键词」打分,再按板块配额挑出二十来条——给 arXiv 和 GitHub 设了保底,否则中文快讯会把论文全挤掉。

踩得最惨的一个坑:第一版上线,文章发出来了,正文是空的——整篇只有 184 字节,一个标题下面什么都没有。

排查发现,用的模型是推理型的,响应里先有一段 reasoning_content 再才是正文,而 max_tokens 是把推理 token 一起算进去的。素材一多,模型在「想」的阶段就把额度用光,正文被截断成空字符串。接口不报错,finish_reason 也不会明确告诉你「我话没说完」。

于是加了两道保险:

# 1. 额度给够
"max_tokens": 12000

# 2. 正文太短就当失败,直接降级成纯聚合版
if len(content) < 200:
    raise ValueError(f"LLM 正文过短(finish={finish}, content_len={len(content)})")

第二条比第一条重要:失败要响。一个静默产出空文章的流水线,比一个报错的流水线危险得多——你不会去看它,直到某天发现首页挂着三篇空白。

重新跑之后是 24 条、四个板块(今日看点 / 媒体动态 / 论文速览 / 开源热门),七千多字节,正常。

有了日报的经验,第二条流水线快得多:每天 01:35 抓 GitHub Trending 当日榜前十,逐个拉 README,让模型写一段趋势观察,再给每个仓库写「是什么、能干嘛、适合谁」。

两个必须记住的细节:

  1. 抓 GitHub 必须带浏览器 User-Agent。用默认 UA 拿到的是简化页,<article> 结构直接消失,解析出来是零个仓库。
  2. README 要截断、要剔代码块。不剔的话模型会把大段安装命令当成项目描述复述一遍;四千字符足够讲清一个项目。

失败时同样降级成纯列表(语言、星数、今日新增),保证「每天一定有一篇」。

五、工具箱:把图片变成拼豆图纸

五板块里「工具箱」最容易做成空壳——放一堆链接,点进去还是别人的站。所以第一个工具自己写:图片转拼豆图纸。

需求很具体:给一张图,输出带网格和色号的图纸,再给一份「哪个色号要几颗」的清单。去 GitHub 上找了一圈,有现成项目,但要么是命令行工具、要么得部署后端。而这是一个纯静态站,没有后端可用——那就全部放到浏览器里跑。

算法是自己重写的简化版,四步:

  1. 取样:把图缩成「W × H」个格子,每格取面积加权的平均色;处理透明和纯白背景(超过四分之三的格子是白的就留空,不用铺满整板)
  2. 压色:k-means++ 把整张图的颜色聚成 8~32 个主色,控制「最多用色」——颜色越少越好买、越好拼
  3. 映射:用 redmean 加权距离找最近的 MARD 色号(人眼对绿色最敏感,所以绿色通道权重最高);要照片效果就换成 Floyd–Steinberg 抖动
  4. 去噪:把孤立的单颗豆子并进周围颜色,省豆子也省眼睛

色板用了 MIT 授权项目的 MARD 291 色——国内最好买的体系。三个开源项目里,有两个没有 license,数据一律没用。

效果是这样的量级:一张 96×96 的测试图,32 格宽出 784 颗豆、13 个色号;开抖动 40 格宽出 1600 颗、79 个色号。图片全程不出浏览器。

六、这天踩的坑,攒成一张表

现象原因解法
文章发出来正文是空的推理模型的 max_tokens 含推理 token,额度被「想」用完额度调大 + 正文过短直接抛错降级
Trending 解析出 0 个仓库默认 UA 拿到简化页带浏览器 UA
抓到的 RSS 是 HTML 页面那个源的官方 RSS 早已下线换源,或走 RSSHub
定时任务显示的时间差 8 小时服务器是 UTC,OnCalendar 要显式写时区*-*-* 01:00:00 Asia/Shanghai
清缓存报 Invalid request headerstoken 复制时带了引号配置文件里不要引号,解析器也不该指望它
一行 Python 命令跑不动PowerShell 里中文和引号互相打架一律写成 .py 文件再执行

收尾

一天下来最大的感受不是「做了多少功能」,而是自动化最贵的部分不是写代码,而是让它失败时能被发现。空正文那次如果没顺手加个「正文少于 200 字就报错」,大概率要等几天后翻首页才会发现。

下一步想做的:图纸能记住上次的设置、导出可打印的分页版,以及工具箱里再补两三个真正会用到的工具。