Posts on 嚏语 | 阿嚏的小站

什么是中转站？怎么特朗普都要来插一脚？

Fri, 08 May 2026 23:00:00 +0800

前有币圈孙割（孙宇晨）上线 b.ai，支持用 API Key 调用各种大模型，新用户注册即送 0.5 美元额度。

孙宇晨 b.ai 平台

后有懂王下海——特朗普家族旗下 WLFI 生态推出了名为 WorldClaw / WorldRouter 的项目。看来，操纵股票都比不上开中转站来钱快！

特朗普 WorldRouter 项目

什么是中转站

中转站，说白了就是卖 Token。 而且卖的还不是自己生产的 Token，而是汇聚了各个渠道的 Token，统一对外出售。

中转站架构示意

我们日常接触的 AI——豆包、DeepSeek、ChatGPT 等——都是以 App 的形式存在，用户直接使用厂商提供的成品服务。

不严谨地说，我们的日常交互过程可以分为两层：

第一层是 App 端，用户直接面对，负责输入和输出；

第二层是服务端，负责接收输入、调用大模型计算，再将结果返回到 App。

假如一个开发者想自己做一个应用、接入大模型能力，就需要对接 DeepSeek、豆包（火山引擎）或 ChatGPT 的开发者平台。这些平台会以最直接的方式给你 Token——花钱买。

下面是部分模型的官方售价（M = 每百万 Token）：

模型官方售价对比

但问题来了： 如果开发者想同时接入多个大模型，就需要分别对接多家服务商，用量也不好统一管理。更不用说，有的大模型存在地区限制，有的注册流程设置了各种离谱的门槛。

于是，中转站应运而生。

你只需要在中转站注册、充值，拿到一个 API Key，就可以一站式调用多个模型。

中转站怎么赚钱

中转站赚钱的核心逻辑就一个字——差价。

正规渠道的 Token 价格很难压低，除非遇到 DeepSeek 发布首月就打 2.5 折、或小米送出 100 万亿 Token 这类限时活动。所以，售价低于官方价格的中转站，要么在计费方式上做了手脚，要么 Token 来路不正、掺了水。

至于其他黑灰手段，来源主要就是薅羊毛：比如利用 ChatGPT 一个月的 Plus 试用期，批量开出成百上千个账号组成号池；再比如通过各种工具把网页版转成 API 接口（这也是厂商 TOS 明令禁止的）。

一句 Prompt 生成超逼真证件照：ChatGPT 图像生成实测

Mon, 27 Apr 2026 22:00:00 +0800

起因

最近在 Linux.do 上看到一个帖子，作者 @dkly2004 分享了一个 Prompt，可以让 ChatGPT 生成极其逼真的职业证件照。效果好到什么程度？——你把生成的照片发给朋友，朋友以为是真的。

作为一个懒得去照相馆的人，这太对胃口了。

完整 Prompt

直接上干货，以下是调教过的完整提示词：

Transform the photo into a high-end studio portrait in the style of Apple executive headshots. The subject is shown in a half-body composition, wearing professional yet minimalist attire, with a natural and confident expression. Use soft directional lighting to gently.

使用方式：

打开 ChatGPT（建议使用 GPT-4o 及以上模型）
上传你的一张单人自拍（清晰度越高越好）
直接把上面的 Prompt 发给它，不需要特意选择"生成图片"
一次过，等结果就行

为什么这个 Prompt 效果好？

作者在帖子下面聊了不少关于调 Prompt 的心得，我觉得有几点挺有价值的：

1. 借力知识库中已有的风格模板。 Prompt 里提到了 “Apple executive headshots”，苹果官网高管照的风格在训练数据中大概率存在，所以模型知道你要的是什么样的背景、什么样的光影、什么样的气质。

Context Is All You Need：用 AI 做深度学习科研的真实经验

Sun, 26 Apr 2026 00:00:00 +0800

![[Gemini_Generated_Image_f8ybwaf8ybwaf8yb.png]]

起因

前几天在 Linux.do 上看到一篇帖子，作者是 Top10 CS PhD 在读，发过 CVPR、ICCV、ICML、NeurIPS 等顶会，分享了自己用 AI 做深度学习科研的真实经验。标题叫《AI科研不完全指北》，副标题是：Context Is All You Need。

这篇文章让我印象深刻，不是因为它给出了什么"终极指南"，恰恰相反——它最有价值的地方在于，把那些网上"AI 科研教程"里被漂亮流程图抹平的脏活、累活、坑，原原本本地写了出来。

我结合自己的理解，把文章里最核心的认知梳理一下。

核心认知：上下文管理决定一切

文章的核心观点可以用一句话概括：

被污染的上下文会崩溃式地影响模型的能力。

AI 一直修不好一个 bug，不一定是它没有这个能力，而是它的上下文已经被彻底带偏了。整篇文章在讲的所有设计、所有踩坑、所有最终选择的方案，背后都只在做一件事：管住每一个 session 的上下文。

这个认知其实可以推广到所有使用大模型的场景——不只是科研。

AI 科研 ≠ AI 生成论文

文章一开始就划了一条清楚的线：

❌ 让 AI 生成一篇"看起来像论文"的 PDF，那不是科研
✅ 所有结论有出处、idea 与 method 一一对应、实验可复现——这才是底线

做不到这些，你用 AI 产出的就不是科研成果，而是学术垃圾。而且是带着 AI 高精滤镜、看起来更精致、但污染性更强的垃圾。

流程拆解：每一步都在管理上下文

文献调研：让 Gemini 去搜

作者试过把所有 MCP 都接上、用 Zotero 当知识库，最后都放弃了。最终方案：

用 Gemini 做搜索（搜索能力最强）
让 Claude 自动拆解需求传给 Gemini
只关注顶会论文 + 有开源代码的工作
调研阶段只喂摘要和 Introduction，不要一口气塞整篇论文

关键洞察：文献调研不是可选项，而是在为大模型构建"领域专家级别的上下文"。上下文的质量直接决定后续 idea 的质量。

你好世界 — 嚏语的第一篇文章

Sat, 25 Apr 2026 23:30:00 +0800

嚏语开张了 🎉

你好！我是阿嚏，欢迎来到「嚏语」——我的个人小站。

这是博客的第一篇文章，简单聊聊为什么要搭建这个博客。

为什么叫「嚏语」？

打个喷嚏，说两句话。

轻松、随意，不必正经地坐在那里写长篇大论。就像打了个喷嚏一样自然——想到什么就记录什么。

这个博客是怎么搭的？

技术栈很简单：

Hugo — 静态网站生成器，编译速度飞快
PaperMod — 简洁优雅的主题
GitHub Actions — 推送代码即自动部署
GitHub Pages — 免费托管
Giscus — 基于 GitHub Discussions 的评论系统

整个流程就是：

`1`	`写 Markdown → git push → 自动部署 → 上线`

完全零成本，体验极佳。

接下来写什么？

大概会有这些内容：

🛠️ 技术分享 — 开发中踩过的坑，有用的工具和技巧
💭 随想 — 碎碎念，生活中的观察和思考
📚 学习笔记 — 读书、学习新技术的记录

希望这里能成为一个有趣的小角落。

欢迎在下方留言，和我打个招呼 👋

Obsidian 多端同步实战：PVE + WebDAV + Cloudflare Tunnel

Sat, 25 Apr 2026 20:00:00 +0800

为什么要折腾同步？

Obsidian 同步方案

用 Obsidian 记笔记有个绕不开的问题：多端同步。

官方的 Obsidian Sync 好用归好用，但一年 $96 实在肉疼。iCloud 同步在 Windows 上体验灾难级。第三方网盘（坚果云、OneDrive）要么速度慢，要么有冲突问题。

所以我选择了自建方案：PVE 容器 + Rclone WebDAV + Cloudflare Tunnel。

整体架构非常简单：

Obsidian (各设备)
    ↕ HTTPS
Cloudflare Tunnel (内网穿透)
    ↕
Rclone WebDAV (PVE 容器内)
    ↕
本地磁盘 (/opt/obsidian_sync/data)

环境准备

我的环境是 PVE 下的 Debian 12 LXC 容器。如果你用的是其他 Linux 发行版，命令大同小异。