Study Notes

最近用了一段时间Claude Code（CC）来写一篇工作的实验代码。通过在项目中贴上算法的notes，配合稍微详细一些的引导提示词，Minimax M2.7也还能完成大部分内容，特别是一些简单重复的劳动。在使用过程中，尽管知道不会触碰5小时600次调用的上限，但还是不时想去看看官网看看Token Plan的用量。一来二去，觉得比较麻烦。于是探索了一下CC的statusline。目前已有非常多的优秀实现，如claude-hud, ccstatusline等，但大多只支持Claude的模型。在找了很久之后发现了一个适配Minimax的项目，minimax-hud。如下图所示，该插件能够实现在statusline中显示context window占用和5小时用量。 1 安装 在~/.claude/plugins/marketplaces中， 1 2 3 4 5 6 7 8 9 # 1. Clone this repo git clone https://github.com/Fighting05/minimax-hud.git cd minimax-hud # 2. Install dependencies npm install # 3. Build npm run build 等待构建完成后，dist目录下会生成相应的代码。 2 配置 接下来是配置CC来使用上一步中构建完成的代码，首先在~/.claude/settings.json中，增加 1 2 3 4 5 6 { "statusLine": { "command": "bash -c '\"/path/to/node\" \"/path/to/minimax-hud/dist/index.js\"'", "type": "command" } } 注意，这里command对应的第一个路径是node的安装路径，第二个是项目build后的路径。 然后， 新建一个~/.claude/plugins/marketplaces/minimax-hud/config.json 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 { "language": "en", "lineLayout": "expanded", "gitStatus": { "enabled": false, "showDirty": false, "showAheadBehind": false, "showFileStats": false }, "display": { "showModel": true, "showProject": false, "showContextBar": true, "contextValue": "percent", "showUsage": true, "usageBarEnabled": true, "showTools": false, "showAgents": false, "showTodos": false, "sevenDayThreshold": 5 } } 完成后，重启CC即可实现在statusline中查看context window占用和5小时使用量。

这周尝试了一下Claude Code，记录一下安装和Minimax M2.7的配置过程。 1 Claude Code安装 Requirements: Mac OS 10.15+, Win 10+, Ubuntu 20.04+ Node.js v18.0+ Git 1.1 安装Node.js 直接在Terminal中使用brew安装node，或去官网下载安装。安装完成后，查看版本号（确保不低于18.0 ) 1 node -v 1.2 安装Claude Code 在Terminal中通过npm下载安装， 1 npm install -g @anthropic-ai/claude-code 安装完成后，查看claude code版本号，以检查是否安装成功 1 claude --version 2 Minimax M2.7配置 2.1 编辑或创建 Claude Code 的配置文件 在用户目录下的./claude中编辑或者新建一个settings.json，写入如下内容 1 2 3 4 5 6 7 8 9 10 11 12 13 { "env": { "ANTHROPIC_BASE_URL": "https://api.minimaxi.com/anthropic", "ANTHROPIC_AUTH_TOKEN": "MINIMAX_API_KEY", "API_TIMEOUT_MS": "3000000", "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": 1, "ANTHROPIC_MODEL": "MiniMax-M2....

今天吃饭的时候突然想起了多年前的一件事：和一个朋友聊天时说，想实现一个助手能根据设置的分类，每天早上自动整理新闻展示给我。这样一来，就能很方便的看到各种感兴趣的新闻。转眼已经过去十多年，时光匆匆…… 前段时间在树莓派上部署了OpenClaw，于是想能否让他帮忙完成这件事，于是就有了这篇学习笔记。下图展示了2026-03-17的新闻简报： 1 每日新闻简报 1.1 news-summary news-summary是一个用于获取新闻更新、每日简报或全球动态的OpenClaw Skill。他通过自动抓取新闻，做摘要，然后输出“每日简报”。其总体流水线如下： 1 2 3 4 5 6 7 8 9 RSS feeds ↓ 抓取新闻 ↓ 抽取标题 + 内容 ↓ LLM总结 ↓ 输出结构化结果 1.2 newspaper-brief newpaper-brief是一个把“长文本”变成“手机友好的视觉内容”的OpenClaw Skill。其总体流水线如下： 1 2 3 4 5 6 7 JSON / 文本摘要 ↓ HTML 模板渲染 ↓ Headless 浏览器截图 ↓ PNG 图片 1.3 daily-news-brief-cn 在实际使用中，直接将上述两个Skills的进行结合总是不太稳定。于是，就把上述两个Skill结合起来，写成一个Skill。此外，由于国内网络的问题，我将新闻RSS源换成了人民网，36Kr和虎嗅。整体项目放在了Github仓库：daily-news-brief-cn 2 定时发送简报 我想让OpenClaw准时在每天早上08:00发送新闻简报，考虑到OpenClaw需要花上一些时间才能完成新闻收集和总结，因此我决定将任务分成两步： 在07:50开始让OpenClaw去新闻RSS爬取新闻，并完成新闻总结 在08:00发送结果到飞书 目前，OpenClaw的Cron还有很多bug，不太稳定。在探索了很多方法之后，最终还是直接修改配置文件， 1 ~/.openclaw/cron/jobs.json 在jobs中添加下面两个任务： create daily news brief 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 { "id": "XXX", "agentId": "main", "name": "create daily news brief", "enabled": true, "deleteAfterRun": false, "schedule": { "kind": "cron", "expr": "45 7 * * *", "tz": "Asia/Shanghai" }, "sessionTarget": "isolated", "wakeMode": "next-heartbeat", "payload": { "kind": "agentTurn", "message": "请使用daily-news-brief-cn技能生成每日新闻简报图片，确保存储路径和命名方式。" }, "delivery": { "mode": "none" } } send daily news brief...

本文是Zotero-MCP的安装和使用笔记。最近几天将组里几个同学的zotero文献做了一个汇总，消除了重复的条目、补全了文献的pdf附件，花了不少时间和精力。为了让这个整理更有价值，希望能接入LLM并实现语义搜索，于是学习了一下如何使用Zotero-MCP。 Zotero-MCP安装 安装教程可以参考Zotero-MCP的Github仓库，在安装之前需要先明确以下依赖项： Python 3.10+ Zotero 7+ MCP客户端（比如Claude Desktop，Cherry Studio等） 第一步，使用pip进行zotero-mcp-server安装 1 pip install zotero-mcp-server 并等待程序下载和安装所需的python包， 第二步，使用Auto-configure进行配置， 1 zotero-mcp setup 自动完成一些设置后，开始在terimnal中手动选择以设置语义搜索（Semantic Search） Note: 为什么需要语义搜索？Zotero中采用的是关键词搜索，无法从语义层面理解文献。然而，有时我们需要通过自然语言进行搜索。Zotero-MCP中提供了语义搜索能力，其原理是对元数据或全文进行分块（chunk），然后用词嵌入（embedding）模型对这些分块文本进行 “编码”，得到每个分块的语义向量并存入向量数据库。每一个向量表示对应分块文本在语义空间中的位置。如果两个文本语义相近，那么他们在空间中“距离”越近。这种距离可以采用余弦值表达。在搜索时，提问被采用相同的方式进行嵌入而得到一个向量，通过这个向量与向量数据库中存储的向量两两计算余弦值，匹配出top-K距离最近的文本。于是，就可以得到符合搜索语句语义的内容。 包括以下内容： 可用的embedding模型，选择默认的all-MinLM-L6-v2。也可以选择OpenAI的付费embedding模型 向量数据库更新配置，选择每N天。也可以选择手动更新或其他 （若选择每N天更新）选择更新频率，输入30 内容抽取设置和数据库存储路径可以选择默认 第三步，进行向量数据库的初始化 1 2 3 4 5 # Build the semantic search database (fast, metadata-only) zotero-mcp update-db # Build with full-text extraction (slower, more comprehensive) zotero-mcp update-db --fulltext Note: 在进行此步骤之前，请确保Zotero已经打开，并在Settings->Advanced中允许其他应用通讯 至此，Zotero-MCP完成安装。 Cherry Studio配置 Zotero-MCP提供了一个MCP Server，要使用LLM还需要一个MCP Client。Zotero-MCP主推的是Claude Desktop，但是因为只能使用Claude模型，所以有一些封闭。相比之下，Cherry Studio可以设置不同LLM，是更好的选择。以下以DeepSeek为例，介绍设置过程。 第一步，在DeepSeek开放平台充值并创建API。 第二步，在Cherry Studio中Settings -> Model Provider，设置DeepSeek API Key。...

做不动科研的时候总是喜欢干点其他有趣的事，给自己充充电。最近，小龙虾（OpenClaw）大火。由于不想污染工作环境，于是翻出吃灰已久的树莓派，准备将小龙虾部署在其上。 1 一键部署 官方推荐使用QuickStart进行交互式安装，在Terminal中输入 1 curl -fsSL https://openclaw.ai/install.sh | bash ​ 这个脚本会先检测本地是否安装 Node.js和Git，然后就会通过npm下载最新版的OpenClaw并安装。进入安装引导程序后，按步骤和提示选择进行配置。若想进行手动安装，可以参考这篇CSDN博客。 ​ 安装完成后，如下图所示。 2 连接飞书 OpenClaw支持接入飞书，总体上需要经过三步： 安装OpenClaw飞书插件 在飞书开放平台创建机器人 在OpenClaw中配置机器人 详细步骤可以参考这个Github仓库，完成后即可在飞书中与OpenClaw进行对话。 3 整理文献 在树莓派上安装Zotero，然后同步自己的文献库，从而实现让OpenClaw帮忙整理文献。 举个例子，我让他帮忙列出现有文献中Bertsimas教授有几篇文章， 或者进一步，让他帮忙整理研究Vehicle-to-Grid的文章并将其进行分类概括，