1. 项目概述与核心价值

最近在折腾一个挺有意思的小项目，叫 lyw123www/chatgpt-to-kelivo 。乍一看这个仓库名，可能有点摸不着头脑，但如果你同时是ChatGPT这类AI对话工具的重度用户，又恰好对知识库或信息整理有刚需，那这个项目很可能就是你一直在找的“桥梁”。简单来说，它解决了一个非常具体且高频的痛点： 如何将你在ChatGPT（或其他兼容OpenAI API的AI助手）中产生的、有价值的对话内容，自动、结构化地同步到你自己的知识库系统中 。这里的“kelivo”我理解为一个知识库或笔记系统的代称（可能是自建系统，也可能是类似Obsidian、Logseq等工具形成的本地知识网络）。

想象一下这个场景：你在和ChatGPT深入探讨一个技术问题，它给出了非常精彩的步骤解析、代码示例和原理说明。这段对话本身就是一个高质量的学习笔记或技术文档草稿。但问题来了，ChatGPT的对话历史是线性的、封闭的，很难被有效地分类、检索和长期复用。你不得不手动复制粘贴，再费劲地整理格式，这个过程极其低效，且容易遗漏。 chatgpt-to-kelivo 项目的核心目标，就是自动化这个“价值萃取”与“归档”的流程，让AI对话的产出能无缝流入你的个人或团队知识体系，真正成为可沉淀、可连接的资产。

这个项目适合所有希望构建“第二大脑”或系统化知识管理体系的从业者，无论是程序员、研究者、写作者还是学生。它不仅仅是一个简单的导出工具，更涉及对非结构化对话数据的解析、内容的重组标记（如添加标签、分类）、以及与目标知识库系统的API集成。接下来，我将深入拆解这个项目的设计思路、技术实现细节，并分享在搭建类似系统时可能遇到的“坑”和实战技巧。

2. 项目整体设计与架构思路

2.1 核心需求与方案选型

这个项目的需求非常明确： 监听或获取指定AI对话，解析其内容，并按照预定格式推送到指定的知识库 。但实现路径有多种，选择哪种取决于你的使用场景和技术栈。

2.1.1 数据获取方式的选择

这是第一个关键决策点。如何拿到ChatGPT的对话数据？

  1. 浏览器插件方案 ：开发一个Chrome/Firefox插件，注入到ChatGPT Web界面中。插件可以监听DOM变化，捕获用户与AI的每一轮问答。这种方式 直接、实时 ，能获取最原始的对话数据，包括可能的富文本格式（如代码块、加粗）。但缺点是对接特定网站，如果ChatGPT的页面结构更新，插件可能需要适配。此外，需要用户安装插件，有一定使用门槛。
  2. OpenAI API 日志方案 ：如果你直接使用OpenAI的API进行对话（例如通过命令行工具、自定义客户端或第三方应用），那么你可以直接收集API的请求和响应日志。这种方式 稳定、结构化程度高 ，因为你拿到的是纯净的JSON数据。但前提是你必须通过API调用，而不是使用Web界面。
  3. 导出文件解析方案 ：ChatGPT官方或一些第三方工具支持导出对话历史为JSON、TXT或PDF。项目可以设计为一个后处理工具，定期或手动处理这些导出文件。这种方式 最通用、侵入性最低 ，但实时性差，且依赖导出功能的稳定性。

对于 lyw123www/chatgpt-to-kelivo 这类项目，我推测其更可能采用 方案1（浏览器插件） 或 方案2（API日志中间件） ，以实现较高的自动化程度。方案3通常作为补充或备选。

2.1.2 内容解析与结构化

获取到原始对话数据（可能是一段包含多轮Q&A的文本或JSON）后，下一步是解析和结构化。这不仅仅是简单的文本分割，而是需要理解对话的语义结构。

  • 对话分割 ：将连续的对话流，按照“用户提问”和“AI回复”的轮次进行切分。这里要注意，一轮对话可能包含用户多次追问或AI分多条消息回复的情况，需要合理合并。
  • 内容提取与增强 ：
    • 元数据提取 ：自动从对话中提取可能的关键词作为标签（Tag）。这可以通过简单的关键词匹配，或集成一个轻量级的NLP模型（如TF-IDF、TextRank算法）来实现。
    • 代码块识别与高亮 ：如果对话中包含代码，需要识别其语言类型（如Python, JavaScript），并在推送到知识库时保留正确的代码块语法，以便目标知识库能正确渲染。
    • 总结生成 ：可以为每一段较长的AI回复，自动生成一个简短的摘要，作为知识库条目的描述或预览。

2.1.3 目标知识库（Kelivo）的对接

“Kelivo”在这里是一个抽象概念。在实际实现中，它可以是：

  • 本地文件系统 ：将解析后的内容生成为Markdown文件，保存到指定目录。这可以与Obsidian、Logseq、Typora等本地优先的笔记工具完美配合。这是 最简单、最可靠的方案 ，兼容性极强。
  • 云笔记API ：如Notion、语雀、飞书文档的API。需要处理OAuth认证、页面创建、内容块（Block）组装等复杂逻辑。功能强大，但依赖第三方服务稳定性。
  • 自建知识库系统 ：通过其提供的RESTful API或GraphQL接口进行推送。这提供了最大的灵活性。

项目架构上，通常会采用 “数据采集 -> 数据处理 -> 数据推送” 的管道（Pipeline）模式。每个环节解耦，方便独立扩展和替换。例如，数据采集模块可以同时支持插件和API日志两种方式；数据处理模块可以配置不同的解析规则；数据推送模块可以适配多个不同的知识库后端。

2.2 技术栈与工具选型解析

基于上述架构，一个典型的技术栈可能如下：

  • 核心语言 ： Python 或 JavaScript/TypeScript 。
    • Python 优势在于数据处理和AI集成生态丰富（如用OpenAI自己的API来总结内容），适合做后端服务或CLI工具。
    • JavaScript/TypeScript 优势在于开发浏览器插件天然契合，且利用Node.js可以轻松构建全栈应用。对于 chatgpt-to-kelivo ，如果侧重浏览器插件，JS/TS是更自然的选择。
  • 浏览器插件开发 ：使用Chrome Extensions Manifest V3规范进行开发。需要掌握 content_script （注入页面脚本）、 background service worker （后台处理）和 popup （插件图标交互）的基本用法。关键点是监听ChatGPT对话容器的DOM变化（ MutationObserver ）。
  • 数据处理 ：
    • 文本处理 ：使用 langchain 的 TextSplitter 进行智能文本分割，或者用 markdown-it 等库解析Markdown格式。
    • 关键词提取 ：可以集成 jieba （中文）、 nltk 或 spacy （英文）进行分词和关键词提取。为了轻量，也可以直接用正则表达式匹配高频技术术语。
  • 知识库推送 ：
    • 本地文件 ：使用Node.js的 fs 模块或Python的 os / pathlib 库即可。
    • Notion API ：使用官方 @notionhq/client SDK。难点在于将对话内容映射为Notion的Block对象（段落、标题、代码块、引用等）。
    • Webhook或自定义API ：使用 axios （JS）或 requests （Python）库发送HTTP请求。
  • 配置与持久化 ：使用 JSON 或 YAML 文件存储用户配置（如知识库类型、API密钥、保存路径、标签规则等）。敏感信息（如API Key）应考虑使用环境变量或安全的配置管理方式。
  • 任务调度 ：如果需要定时运行，可以集成 node-cron （JS）或 schedule / APScheduler （Python）。

注意 ：工具选型的核心原则是“够用就好，保持轻量”。这个项目的价值在于流程自动化，而不是堆砌复杂技术。初期应优先实现核心链路，再逐步优化体验和增加高级功能。

3. 核心模块实现与实操要点

3.1 数据采集模块的实战细节

我们以 浏览器插件方案 为例，深入讲解如何可靠地捕获ChatGPT的对话。

3.1.1 定位与监听对话元素

ChatGPT Web界面的DOM结构可能会变，但基本模式稳定：对话通常存在于一个具有特定类名或属性的容器内（例如，一个 div ，其类名可能包含 text-base 、 group 等）。你需要使用开发者工具仔细分析。

  1. 打开ChatGPT网页，进入一次对话 。
  2. 右键检查 ，使用元素选择器工具，点击用户消息和AI回复消息，找到它们所在的公共父容器以及各自的消息单元。通常，每一轮对话（无论是用户还是AI）都包裹在一个具有角色标识的 div 中。
  3. 编写 content_script ：这个脚本将注入到ChatGPT页面中。 
    // content-script.js
// 目标对话容器的选择器（示例，需根据实际情况调整）
const CONVERSATION_SELECTOR = 'div[data-testid^="conversation-turn-"]';
// 或者更稳定的方式：找到包含所有消息滚动区域的父元素
const MAIN_CONTAINER = 'div.h-32.md\\:h-48.flex-shrink-0'; // 举例，需更新

let lastMessageCount = 0;

function extractConversation() {
  // 这里实现具体的对话提取逻辑
  const messageElements = document.querySelectorAll(CONVERSATION_SELECTOR);
  if (messageElements.length <= lastMessageCount) {
    return; // 没有新消息
  }
  const newMessages = Array.from(messageElements).slice(lastMessageCount);
  // 解析每个messageElement，区分用户和AI，提取文本和代码块
  const parsedMessages = newMessages.map(el => parseMessageElement(el));
  lastMessageCount = messageElements.length;
  
  // 将解析后的消息发送给background script处理
  chrome.runtime.sendMessage({
    type: 'NEW_MESSAGES',
    data: parsedMessages
  });
}

function parseMessageElement(el) {
  // 1. 判断角色：通过元素内的特定文本或图标判断是用户还是AI
  const isUser = el.querySelector('img[alt*="User"]') || el.innerText.includes('You');
  // 2. 提取纯文本和代码
  const textContent = el.innerText;
  const codeBlocks = Array.from(el.querySelectorAll('pre code')).map(code => ({
    language: code.className.replace('language-', '') || 'text',
    content: code.innerText
  }));
  return {
    role: isUser ? 'user' : 'assistant',
    text: textContent,
    codeBlocks: codeBlocks,
    timestamp: new Date().toISOString()
  };
}

// 使用MutationObserver监听容器内子节点的变化
const observer = new MutationObserver((mutations) => {
  // 当观察到变化时，尝试提取对话
  extractConversation();
});

// 启动监听
const targetNode = document.querySelector(MAIN_CONTAINER) || document.body;
observer.observe(targetNode, { childList: true, subtree: true });

3.1.2 处理动态加载与分页

ChatGPT在滚动时会动态加载历史消息。我们的监听器需要能处理这种情况。上述的 MutationObserver 已经可以捕获DOM节点的添加。但更完善的做法是，在插件首次加载或页面刷新时，主动扫描并提取当前已加载的所有历史消息，建立一个初始快照，然后再监听新增。

3.1.3 与后台脚本通信

content_script 运行在页面上下文中，能力受限（例如不能直接访问 chrome.storage 的同步存储，或发起跨域请求到你的知识库API）。因此，它通常只负责采集数据，然后通过 chrome.runtime.sendMessage 将数据发送给插件的 background service worker 。

background.js 负责核心业务逻辑：接收消息、处理数据（去重、格式化）、调用知识库推送接口、管理状态和配置。

// background.js
chrome.runtime.onMessage.addListener((request, sender, sendResponse) => {
  if (request.type === 'NEW_MESSAGES') {
    const messages = request.data;
    // 1. 去重：比较时间戳或内容哈希，避免重复处理同一消息
    // 2. 格式化：将消息数组组织成更结构化的对话单元
    const formattedConversation = formatConversation(messages);
    // 3. 调用处理函数
    processAndSaveConversation(formattedConversation);
  }
});

3.2 数据处理与增强模块

拿到结构化的消息数组后，我们需要将其转化为适合知识库存储的格式。

3.2.1 对话重组与格式化

一个典型的对话可能包含多轮交互。我们可能希望将一次完整的“提问-解答-追问-再解答”保存为一个知识条目。

function formatConversation(messages) {
  const sessions = [];
  let currentSession = { title: '', qaPairs: [] };
  let currentQuestion = null;

  for (const msg of messages) {
    if (msg.role === 'user') {
      // 如果是用户消息，且当前没有悬空的问题，则作为新问题的开始
      if (currentQuestion) {
        // 如果已有问题但AI还没回答，可能是不完整的对话，暂时忽略或特殊处理
      }
      currentQuestion = { question: msg.text, answer: '' };
    } else if (msg.role === 'assistant' && currentQuestion) {
      // 如果是AI消息，且当前有问题，则作为回答
      currentQuestion.answer = msg.text;
      // 这里可以合并代码块
      currentQuestion.codeBlocks = msg.codeBlocks;
      currentSession.qaPairs.push(currentQuestion);
      currentQuestion = null; // 重置，等待下一个问题
    }
  }
  // 为本次会话生成一个标题（例如，用第一个问题的前N个字符）
  if (currentSession.qaPairs.length > 0) {
    currentSession.title = generateTitle(currentSession.qaPairs[0].question);
    sessions.push(currentSession);
  }
  return sessions;
}

3.2.2 自动打标与分类

这是提升知识库可用性的关键。我们可以基于对话内容自动生成标签。

  • 基于规则的关键词匹配 ：维护一个技术关键词词典（如“Python”、“Docker”、“机器学习”）。遍历对话文本，匹配到的关键词即可作为标签。简单有效，但不够智能。
  • 基于摘要模型 ：调用一个轻量级的文本摘要或关键词提取API（例如，使用 TF-IDF 算法本地计算）。虽然 chatgpt-to-kelivo 项目本身可能不集成大模型，但这是一个很自然的增强方向——用AI来整理AI的对话。 
    # 一个简单的Python示例，使用sklearn的TF-IDF
from sklearn.feature_extraction.text import TfidfVectorizer
import jieba # 用于中文分词

def extract_keywords_zh(text, top_k=5):
    # 先分词
    words = jieba.lcut(text)
    corpus = [' '.join(words)] # 需要将分词结果用空格连接
    vectorizer = TfidfVectorizer()
    tfidf_matrix = vectorizer.fit_transform(corpus)
    feature_names = vectorizer.get_feature_names_out()
    # 获取第一个文档（即当前文本）的TF-IDF权重并排序
    sorted_items = sorted(zip(feature_names, tfidf_matrix.toarray()[0]), key=lambda x: x[1], reverse=True)
    keywords = [item[0] for item in sorted_items[:top_k]]
    return keywords
    对于英文，可以使用 nltk 库进行分词和停用词过滤。

3.2.3 生成Markdown内容

最终推送前，需要将结构化的会话数据转换为目标知识库支持的格式。Markdown是通用性最强的选择。

function convertSessionToMarkdown(session) {
  let md = `# ${session.title}\n\n`;
  md += `*自动同步自ChatGPT对话，时间：${new Date().toLocaleString()}*\n\n`;
  md += `**标签：** ${session.tags.join(', ')}\n\n---\n\n`;

  for (const [index, qa] of session.qaPairs.entries()) {
    md += `## Q${index + 1}: ${qa.question.substring(0, 50)}...\n\n`;
    md += `**用户提问：**\n${qa.question}\n\n`;
    md += `**AI回复：**\n${qa.answer}\n\n`;
    if (qa.codeBlocks && qa.codeBlocks.length > 0) {
      md += `**包含代码：**\n`;
      qa.codeBlocks.forEach(block => {
        md += `\`\`\`${block.language}\n${block.content}\n\`\`\`\n\n`;
      });
    }
    md += `---\n\n`;
  }
  return md;
}

3.3 知识库推送模块的实现

我们以 保存为本地Markdown文件 和 推送到Notion 两种最典型的场景为例。

3.3.1 保存至本地文件系统

这是最直接的方式。你需要决定文件如何组织。

  • 按日期归档 ： ./knowledge/2024-05/2024-05-20-ChatGPT-关于Docker网络配置的讨论.md
  • 按标签/分类归档 ： ./knowledge/Python/2024-05-20-解释装饰器.md
  • 使用唯一ID ： ./knowledge/ 目录下直接用 conversation_<timestamp>.md 命名。

在background script中，你需要获得写入本地文件的权限（Chrome插件需要 "downloads" 权限，但更常见的做法是让用户选择一个根目录，然后插件通过 chrome.fileSystem API 进行读写）。一个更简单的架构是：插件将数据发送给一个本地运行的 本地服务 （例如用Python Flask或Node.js Express写的一个小服务），由这个服务负责文件写入。这样避免了插件复杂的文件权限问题。

3.3.2 同步至Notion数据库

这需要更复杂的集成。

  1. 在Notion中创建集成（Integration） ：访问Notion开发者页面，创建一个新的“内部集成”，获取 API Key 。
  2. 分享数据库给集成 ：在Notion中创建一个数据库（Database），并邀请你刚创建的集成作为连接用户。
  3. 使用Notion API创建页面 ：每个ChatGPT对话可以保存为数据库中的一个新页面（Page）。 
    // 使用 @notionhq/client
import { Client } from "@notionhq/client";
const notion = new Client({ auth: process.env.NOTION_API_KEY });

async function createNotionPage(session, databaseId) {
  const response = await notion.pages.create({
    parent: { database_id: databaseId },
    properties: {
      // 映射到数据库的属性
      'Title': { title: [{ text: { content: session.title } }] },
      'Tags': { multi_select: session.tags.map(tag => ({ name: tag })) },
      'Date': { date: { start: new Date().toISOString().split('T')[0] } }
    },
    children: session.qaPairs.flatMap(qa => [
      {
        object: 'block',
        type: 'heading_2',
        heading_2: { rich_text: [{ type: 'text', text: { content: `Q: ${qa.question.substring(0, 50)}...` } }] }
      },
      {
        object: 'block',
        type: 'paragraph',
        paragraph: { rich_text: [{ type: 'text', text: { content: `**用户提问：** ${qa.question}` } }] }
      },
      {
        object: 'block',
        type: 'paragraph',
        paragraph: { rich_text: [{ type: 'text', text: { content: `**AI回复：** ${qa.answer}` } }] }
      },
      // ... 处理代码块，类型为'code'
    ])
  });
  return response;
}
    Notion API对Block的创建有速率限制，对于长对话需要分批次或做延迟处理。

3.3.3 配置化管理

用户需要能够灵活配置。可以在插件的 popup.html 页面中提供设置界面。

  • 存储方式 ：本地路径、Notion数据库ID等。
  • 同步规则 ：是实时同步每一条新消息，还是手动触发同步？是否只同步包含特定关键词的对话？
  • 标签规则 ：自定义关键词列表，用于自动打标。 这些配置可以通过 chrome.storage.sync 或 chrome.storage.local API进行持久化。

4. 部署、调试与常见问题排查

4.1 开发与调试流程

  1. 加载未打包的插件 ：在Chrome中打开 chrome://extensions/ ，开启“开发者模式”，点击“加载已解压的扩展程序”，选择你的插件目录。
  2. 调试Content Script ：在ChatGPT网页上右键“检查”，在开发者工具中，切换到“Sources”标签，在左侧导航栏找到“Content scripts”，这里可以看到你注入的脚本，并可以设置断点、查看Console。
  3. 调试Background Script ：在 chrome://extensions/ 页面，找到你的插件，点击“service worker”链接（对于Manifest V3），会打开一个独立的开发者工具窗口。
  4. 调试Popup ：点击插件图标，在弹出窗口上右键“检查”。

4.2 常见问题与解决方案实录

在实际开发和使用中，你几乎一定会遇到以下问题：

问题现象 可能原因 排查步骤与解决方案
插件无法捕获任何消息 1. 选择器失效。
2. MutationObserver 未正确绑定。
3. Content Script未注入。		 1. 检查ChatGPT页面DOM结构是否已更新，调整选择器。 实操心得 ：使用更通用的父容器选择器，或通过 data-* 属性定位，比依赖易变的CSS类名更稳定。
2. 在Content Script的Console中打印日志，确认脚本已执行，并检查 targetNode 是否正确找到。
3. 检查 manifest.json 中 content_scripts 的 matches 字段，确保包含了ChatGPT的域名（ https://chat.openai.com/* ）。
消息重复保存 1. MutationObserver 对同一内容变化触发了多次。
2. 插件重启后重复处理历史消息。		 1. 在数据处理层增加去重逻辑，例如为每条消息生成一个唯一ID（基于时间戳+内容哈希），在推送前检查是否已存在。
2. 在Background Script中维护一个已处理消息ID的集合（存储在 chrome.storage 中），并在插件启动时初始化。
同步到Notion失败 1. API密钥无效或权限不足。
2. 数据库ID错误。
3. 请求速率超限。
4. 网络问题。		 1. 在Notion集成的设置页面重新复制API Key，并确认已在目标数据库中邀请了该集成。
2. 仔细核对数据库ID（是数据库页面的URL中的长串哈希值，不是页面标题）。
3. Notion API有速率限制（约每秒3次请求）。需要在代码中实现简单的请求队列和延迟（例如使用 setTimeout 或 p-limit 库）。
4. 检查Background Script的报错信息，网络请求需要正确的错误处理（try-catch）和重试机制。
自动生成的标签不准确 1. 关键词词典覆盖不全。
2. TF-IDF算法提取了无关的常用词。		 1. 定期维护和更新你的技术关键词词典，可以分领域（前端、后端、运维）配置。
2. 在使用TF-IDF前，务必进行有效的 停用词过滤 （移除“的”、“了”、“如何”、“怎么”等无意义词）。对于中文，还需要高质量的分词库。 一个技巧 ：结合规则匹配和简单算法，先匹配已知关键词，再用算法提取新词作为补充。
代码块格式丢失 1. 从DOM中提取代码内容时，只取了 innerText ，丢失了语言类型。
2. 目标知识库不支持Markdown代码块语法。		 1. 提取时，要同时获取 pre 或 code 标签上的类名（如 language-python ）来确定语言。
2. 对于Notion，需要使用 code 类型的Block，并正确设置 language 属性。对于本地Markdown，确保使用正确的反引号语法。
插件在ChatGPT更新后失效 ChatGPT前端页面结构发生变化。 这是浏览器插件方案的固有风险。 建议 ：将核心的选择器配置化，允许用户在插件设置中手动调整或选择“自动探测”模式。可以设计一个简单的“学习模式”，让用户点击页面上的消息，插件自动记录其选择器路径。

4.3 性能与体验优化建议

  1. 节流与防抖 ： MutationObserver 的回调可能被频繁触发。使用防抖函数（如Lodash的 _.debounce ）确保只在对话停顿一段时间（如1.5秒）后才触发处理逻辑，避免不必要的性能消耗。
  2. 增量同步 ：不要每次都将整个对话历史重新处理。只处理自上次同步以来新增的消息。这需要插件能持久化记录上次同步的位置（例如，最后一条已处理消息的ID或时间戳）。
  3. 提供手动同步按钮 ：在插件Popup页面中提供一个“立即同步”按钮，给予用户控制权。同时，在ChatGPT网页的对话旁添加一个小的“保存到知识库”按钮（通过Content Script注入），用户体验会更佳。
  4. 错误反馈与日志 ：在插件的Popup页面或一个独立的管理页面中，展示同步任务的历史记录和错误信息。这对于排查问题至关重要。
  5. 支持多知识库后端 ：设计一个抽象的 Publisher 接口，让本地文件、Notion、语雀等不同实现都适配这个接口。这样未来扩展新的目标知识库会非常容易。

5. 扩展思路与高级玩法

基础功能实现后，你可以考虑以下方向来提升项目的价值：

5.1 对话内容的质量过滤与评分 不是所有对话都值得保存。可以引入简单的规则或模型来评分：

  • 规则过滤 ：只保存AI回复长度超过一定阈值、或包含代码块、或用户提问中包含“总结”、“步骤”、“原理”等关键词的对话。
  • 模型评分 ：使用一个轻量级的文本分类模型（或调用OpenAI的API本身），判断一段AI回复的“信息密度”或“知识价值”，低于阈值的不自动同步。

5.2 与本地向量数据库结合，实现智能检索 将保存的对话内容，通过嵌入模型（Embedding Model）转换为向量，存储到本地的ChromaDB或LanceDB中。这样，你可以在自己的知识库中，用自然语言提问，直接检索到历史上相关问题的ChatGPT解答，形成真正的“可检索记忆”。

5.3 支持更多AI平台和知识库 将数据采集模块抽象化，使其支持Claude、Gemini、Kimi等其他AI聊天平台。同时，增加对更多知识库（如语雀、Confluence、GitHub Wiki）的推送支持。

5.4 构建完整的桌面应用 将浏览器插件、本地文件服务、向量数据库、甚至一个简单的检索前端打包成一个跨平台的桌面应用（使用Electron或Tauri），提供更一体化的体验。

开发 lyw123www/chatgpt-to-kelivo 这类工具，最大的成就感来自于它切实地改变了你的工作流。它让那些原本散落在对话历史中的智慧碎片，得以规整、沉淀，并最终成为你个人知识体系中有机的一部分。这个过程本身，也是对你如何与AI协作、如何管理信息的一次深度思考和实践。从简单的脚本开始，逐步迭代，你会发现自己不仅在构建一个工具，更是在塑造一种更高效的学习和工作方式。

# ChatGPT
Logo
码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

Manim 数学动画完全指南：五分钟从零到成片

Manim 是用 Python 驱动的数学动画引擎，把抽象的公式与曲线转成逐帧可控的动态可视化。适合想制作 Python 数学可视化视频的编程新手、数学学生和科普创作者。## 数学为什么需要"动"起来你试过用一张静态图讲清导数的概念吗？切线、割线、极限位置都能画出来，但"割线逼近切线"发生的那一下，观众只能靠脑补。课本插图大多是"结论截图"：只留下最终状态，过程被压缩成一句"易见"。函

avatar 码道开发者社区
cover

Claude API + Python实战：结构化输出后，如何拦住“看起来正确”的JSON

avatar 码道开发者社区
cover

GLM-5.3-Flash深度解析：3200亿参数只卖Opus四十分之一，国产算力首次跑通前沿模型

avatar 码道开发者社区