CLAUDE.md（规则文件）＝ 冰箱家规 先把“进门换鞋、10点关灯、刀具归位”写清楚，Claude 做任何事之前都要看一遍并遵守。
Task（多任务并行）＝ 多台家电同时干活 扫地机器人+洗碗机+空调一起开工，Claude 同时跑多个任务，效率翻倍。
/自定义指令（常用操作快捷）＝ 场景模式 设好“回家模式”：开门回家就自动 开灯→开空调→放音乐。
Hook （事件触发器）＝ 自动提醒/联动开关 洗衣机结束→手机提醒你晾衣服；门磁感应到你进门→灯自己亮。
Sub Agent（子智能体）＝ 家里的专业小队 管家、厨师、保洁、物业、维修师傅……每个都有专长，随叫随到
还有个mcp，这个是标配了~ ————
可以按照如下流程来打造“满血版 Claude Code”
先定家规（CLAUDE.md）→ 招专业团队（Sub Agent）→ 设自动触发器（Hook）→ 添加mcp → 做几个一键场景口令（/自定义指令）→ 一点全自动多任务Task同时执行
很多遗留系统都采用 CentOS 系统，经常出现忘记密码，故在此记录方法。
以下内容转自 CentOS 7 重置 root 密码
与之前的 CentOS 5、 CentOS 6 不同的是，当忘记 CentOS 7 root 密码，并采用 GRUB2 为启动器时，
将无法通过单用户模式重置 root 密码，下面介绍 CentOS 7 如何重置 root 密码。
linux16/linux/linuxefi 所在参数行尾添加以下内容： init=/bin/shmount -o remount,rw /exec /sbin/init 来正常启动，或者用命令 exec /sbin/reboot 重启遇到的问题，不确认是 VMware Workstation 有 Bug 还是键盘问题，进行密码重置时，
输入 2 次密码很多次，总是提示密码不匹配，用很简单的密码也提示。
然后采用直接清空 root 密码的方式（/etc/passwd root 用户密码列 x 删除）先登录系统，然后再修改。
telnet 的退出 分成两种，一中是在telnet命令中，直接输入 quit 或者 q 即可退出。 二种情况是 已经进入了端口中，需要先从端口中退出，然后再退出telnet。
输入 q 或者 quit 即可退出。
ctrl + ]q 或者 quit今天在看 kubectl-debug 这个项目的时候，看到其部署文件的 volumeMounuts 中使用了一个 mountPropagation 字段，因为不清楚这个字段的作用，就做了一下了解。mount propagation 背后的东西还是很多的，因此整理了这篇文章，顺便梳理一下知识点。
kubernetes 的 mount propagation 翻译成中文就是挂载传播。挂载传播提供了共享卷挂载的能力，它允许在同一个 Pod，甚至同一个节点内，在多个容器之间共享卷的挂载。
卷的挂载传播由 Container.volumeMounts 的 mountPropagation 字段控制。它的值有：
None: 这种卷挂载将不会收到任何后续由 host 创建的在这个卷上或其子目录上的挂载。同样的，由容器创建的挂载在 host 上也是不可见的。这是默认的模式。这个其实很好理解，就是容器内和 host 的后续挂载完全隔离。HostToContainer: 这种卷挂载将会收到之后所有的由 host 创建在该卷上或其子目录上的挂载。换句话说，如果 host 在卷挂载内挂载的任何内容，在容器中都是可见的。同样，如果任何具有 Bidirectional 的 Pod 挂载传播到该卷挂载上，具有 HostToContainer 的挂载传播都可以看见。整个挂载传播的流程如下：
Bidirectional: 这种挂载机制和 HostToContainer 类似。此外，任何在容器中创建的挂载都会传播到 host，然后传播到使用相同卷的所有 Pod 的所有容器。注意：Bidirectional 挂载传播是很危险的。可能会危害到 host 的操作系统。因此只有特权容器在允许使用它。在了解了这几种挂载传播之后，我们可以做一些实验来验证一下，首先验证的是 None 的挂载传播类型，我们创建一个 nginx 的Pod:
apiVersion: v1
kind: Pod
metadata:
name: mount-a
namespace: default
label:
app: mount
spec:
containers:
- name: main
image: nginx:latest
volumeMounts:
- name: testmount
mountPath: /home
mountPropagation: None
volumes:
- name: testmount
hostPath:
path: /mnt/YAML
然后我们分别向 host 的 /mnt 和容器的 /home 下挂载目录并查看容器和 host 的情况：
容器中：
$ kubectl exec -it mount-a sh
$ cd /home
$ ls
sda1Bash
host 上：
$ cd /mnt
$ ls
sda1Bash
然后在 host 上创建挂载：
$ mkdir /mnt/none
$ sudo mount --bind /var /mnt/none
$ ls none
cache empty lib lock log run spool tmpBash
这个时候，我们再看容器中的文件：
$ ls none
# 无输出Bash
这说明 host 上在该卷下的挂载并不会改变容器中的文件。接下来我们可以在容器中按照上面的方案来验证容器中的挂载也不会影响 host 中的目录视图。这里就不展示了。接下来看一下 HostToContainer 的挂载传播，我们将上面的 Pod 的 mountPropagation 字段改成 HostToContainer，然后先取消 host 上的挂载：
sudo umoint /mnt/none然后重新创建 Pod，和上面一样，在 host 上创建挂载，查看容器中的挂载情况：
$ ls none
cache empty lib lock log run spool tmpBash
host 上的挂载因为 HostToContainer 机制传播到了容器中。我们继续看最后一种 Bidirectional 机制。这次我们要创建两个 Pod: mount-a, mount-b，并把 mountPropagation 字段改成 Bidirectional。注意，因为 Bidirectional 是危险的，所以只有特权容器才可以使用。因此这里还需要把容器改成特权模式，最后在 mount-a 中的容器执行挂载，验证挂载是否传播到 host 和 mount-b 的容器中。
apiVersion: v1
kind: Pod
metadata:
name: mount-a
namespace: default
labels:
app: mount
spec:
containers:
- name: main
image: nginx:latest
securityContext:
privileged: true
volumeMounts:
- name: testmount
mountPath: /home
mountPropagation: Bidirectional
volumes:
- name: testmount
hostPath:
path: /mnt/
---
apiVersion: v1
kind: Pod
metadata:
name: mount-b
namespace: default
labels:
app: mount
spec:
containers:
- name: main
image: nginx:latest
securityContext:
privileged: true
volumeMounts:
- name: testmount
mountPath: /home
mountPropagation: Bidirectional
volumes:
- name: testmount
hostPath:
path: /mnt/YAML
然后进入 mount-a，创建挂载：
$ kubectl exec -it mount-a sh
$ su
$ mount --bind /var /home/none
$ ls /home/none
backups lib lock mail run tmp
cache local log opt spoolBash
这时候查看 host 下的 /mnt/none:
$ ls /mnt/none
backups lib lock mail run tmp
cache local log opt spoolBash
可以发现，容器中的挂载传播到了 host 上。这时候再查看 mount-b 中的容器。
$ ls /home/none
backups lib lock mail run tmp
cache local log opt spoolBash
挂载也传播到了 mount-b 的容器中。
上面分析了 kubernetes 的挂载传播机制，在 linux mount 中，也有类似的概念。mount 分为下面几种：
Bidirectional 的挂载传播HostToContainer， host 是 master，container 是 slave。None，挂载不会向任何一方传播。--bind 的挂载。kubernetes 的挂载传播不是其本身实现的，也不是 docker 之类的容器运行时提供的。这是由容器化技术的基础：linux namespace 提供的，linux namespace 当前共有 6 种:
其中，mount namespace 是这篇文章的重点。我们可以通过 clone 调用来看看 mount namespace 的使用：
#define _GNU_SOURCE
#include <stdio.h>
#include <sys/types.h>
#include <sys/wait.h>
#include <sys/mount.h>
#include <sched.h>
#include <signal.h>
#include <unistd.h>
#define STACK_SIZE (1024*1024)
static char container_stack[STACK_SIZE];
char* const container_args[] = {
"/bin/bash",
NULL
};
int container_main(void* arg)
{
printf("Container [%5d] - inside the container!\n", getpid());
mount("none", "/", NULL, MS_REC|MS_PRIVATE, NULL);
execv(container_args[0], container_args);
printf("Something's wrong!\n");
return 1;
}
int main()
{
printf("Parent [%5d] - start a container!\n", getpid());
/* 启用Mount Namespace - 增加CLONE_NEWNS参数 */
int container_pid = clone(container_main, container_stack+STACK_SIZE, CLONE_NEWNS | SIGCHLD, NULL);
waitpid(container_pid, NULL, 0);
printf("Parent - container stopped!\n");
return 0;
}C
编译运行:
$ gcc main.c -o mount
$ sudo ./mountBash
然后尝试挂载，来验证挂载 MS_PRIVATE 的挂载传播问题。MS_PRIVATE 下 namespace 内和 host 应该是隔离的。MS_PRIVATE 还可以替换成 MS_UNBINDABLE， MS_SLAVE，MS_SHARED。
关于更多的 namespace 的资料，建议看这两篇文章：
在Vim 中，可以使用 :read !command 命令将外部命令 command 的输出插入到当前光标所在位置的下一行。
最近内网 harbor 经常迁移，迁移到新地址后 ssl 证书需针对新的地址签发。（当然如果你直接使用 http 就不会有这个烦恼，至于为什么i不直接使用 http 就不多说了）。
这里记录一下签发新的 ssl 证书并迁移的命令，方便后面使用。
# 下面以替换为 10.1.40.39 为例
# 若存在残留证书则删除
$ rm 10.1.40.39.*
# 生成新的私钥
$ openssl genrsa -out 10.1.40.39.key 4096
# 生成新的证书签名请求（CSR）
$ openssl req -sha512 -new -subj "/C=CN/ST=Guangdong/L=Guangzhou/O=Wuzhou/OU=RD/CN=10.1.40.39" -key 10.1.40.39.key -out 10.1.40.39.csr
# 编辑 `x509 v3` 扩展文件，增加新的地址，如
# +IP.3 = 10.1.40.39
$ vi v3.ext
# 生成新的证书
$ openssl x509 -req -sha512 -days 3650 -extfile v3.ext -CA ca.crt -CAkey ca.key -CAcreateserial -in 10.1.40.39.csr -out 10.1.40.39.crt
# 转换证书格式供 其他程序 使用
$ openssl x509 -inform PEM -in 10.1.40.39.crt -out 10.1.40.39.cert
$ openssl x509 -in 10.1.40.39.crt -text -noout | grep -A 10 "Subject Alternative Name"
$ openssl x509 -in 10.1.40.39.cert -text -noout | grep -A 10 "Subject Alternative Name"
# 替换 hostname 和 https 配置
$ vim harbor.yml
# 重启 harbor 加载新证书
$ ./install.sh --with-notary --with-trivy --with-chartmuseum
# Docker 客户端仅需在新的地址下存放 CA证书 即可
$ ls /etc/docker/certs.d/10.1.40.39/ca.crtk8sgpt 能够赋予每个人的 Kubernetes 超能力，能够用简单的语言扫描 Kubernetes 集群、诊断和分类问题。利用 k8sgpt 的 mcp 服务，可以为 LLM 赋予访问 k8s 集群的可能性。
工作原理图：
sequenceDiagram
actor U as User
participant CS as Cherry Studio
participant KG as k8sgpt
participant K as K8s API Server
U->>+CS: Add k8sgpt MCP server
CS->>+KG: Check k8sgpt
KG-->>-CS: k8sgpt is work
CS-->>-U: Success to Add MCP
U->>+CS: Ask some Question about K8s cluster
CS->>+KG: Get someinfo throuth MCP
KG->>+K: Get Cluster Info By API
K-->>-KG: Return Cluster info
KG-->>-CS: Return Info About K8s
CS-->>CS: Handle Info
CS-->>-U: Return Answer about K8s cluster
首先安装 k8sgpt 工具：
brew install k8sgpt确保你的 kubectl 已经正确配置并能够访问目标 Kubernetes 集群：
# 验证集群连接
kubectl cluster-info
# 初始化 k8sgpt
k8sgpt auth add --backend openai --model gpt-3.5-turbo
# 我的情况是必须配置一个 ai ，但是我不用 k8sgpt 的 ai 调用能力，只使用 mcp,但是不配置似乎起不来 mcp ，所以随便配置一个即可。k8sgpt 提供了 MCP (Model Context Protocol) 服务器功能，允许 AI 助手通过标准化协议访问 Kubernetes 集群信息：
# 启动 MCP 服务器
k8sgpt serve --mcp在 Cherry Studio 中添加 k8sgpt MCP 服务器：
k8sgptserve
--mcp通过 Cherry Studio，启动该 mcp 后你可以使用自然语言询问集群状态：
"请检查当前集群的整体健康状况"
"有哪些 Pod 处于异常状态？"
"最近有什么报错信息吗？""分析一下集群的资源使用情况"
"哪些节点的资源使用率比较高？"
"有没有资源分配不合理的工作负载？""namespace default 下的应用为什么起不来？"
"帮我分析一下这个 deployment 的问题"
"为什么服务无法访问？"可用于 cursor claude code 等：
{
"mcpServers": {
"k8sgpt": {
"command": "k8sgpt",
"args": [
"serve",
"--mcp"
]
}
}
}通过结合 Cherry Studio 和 k8sgpt，我们可以构建一个智能化的 Kubernetes 运维助手，实现：
这种 AI + DevOps 的结合方式，代表了未来运维工作的发展方向，让复杂的 Kubernetes 集群管理变得更加简单和智能。
在Claude Code中的AI子代理，可用于特定任务的工作流程和改进的上下文管理。
Claude Code中的自定义子代理是专门的AI助手，可以被调用来处理特定类型的任务。它们通过提供具有自定义系统提示、工具和独立上下文窗口的特定任务配置，实现更高效的问题解决。
具有如下优势：
Sub Agents本质上是预配置的专业AI助手，它们能够被Claude Code主系统委托处理特定类型的任务。每个Sub Agent都拥有独立的上下文窗口、定制化的系统提示词以及特定的工具访问权限。这种设计使得每个Sub Agent都能专注于自己的专业领域，如代码审查、调试或数据分析等。
与传统的单一AI助手不同，Sub Agents采用了”术业有专攻”的理念。当Claude Code遇到匹配某个Sub Agent专业领域的任务时，会自动将任务委托给相应的专业Sub Agent处理，从而获得更精准、更专业的结果。
在实际应用中，Sub Agents展现出了强大的适应性。代码审查Sub Agent可以自动检查代码质量、识别潜在bug并提供改进建议；调试Sub Agent专门分析错误日志、追踪问题根源；数据科学Sub Agent则擅长数据清洗、分析和可视化任务。
Anthropic建议用户首先使用Claude生成初始的Sub Agent，然后根据具体需求进行定制。这种方法既保证了基础功能的完整性，又允许用户根据个人或团队的特殊需求进行优化。
Sub Agents的推出代表了AI助手向专业化、模块化发展的重要趋势。这种设计不仅提高了任务执行的效率和准确性，还为构建复杂的AI工作流提供了基础框架。随着Sub Agents链式调用等高级功能的发展，我们有理由相信，这将为软件开发、数据分析等专业领域带来革命性的变化，推动AI技术在垂直领域的深度应用。
创建您的第一个子代理：
/agentsCreate new agentGenerate with Claude，然后自定义使其成为您的Generate with Claude ，您也可以通过按 e 在自己的编辑器中编辑系统提示> 使用代码审查员子代理检查我最近的更改子代理存储为带有YAML前言的Markdown文件，位于两个可能的位置：
| 类型 | 位置 | 范围 | 优先级 |
|---|---|---|---|
| 项目子代理 | .claude/agents/ |
在当前项目中可用 | 最高 |
| 用户子代理 | ~/.claude/agents/ |
在所有项目中可用 | 较低 |
当子代理名称冲突时，项目级子代理优先于用户级子代理。
每个子代理在Markdown文件中定义，具有以下结构：
---
name: your-sub-agent-name
description: Description of when this subagent should be invoked
tools: tool1, tool2, tool3 # Optional - inherits all tools if omitted
---
Your subagent's system prompt goes here. This can be multiple paragraphs
and should clearly define the subagent's role, capabilities, and approach
to solving problems.
Include specific instructions, best practices, and any constraints
the subagent should follow.| 字段 | 必需 | 描述 |
|---|---|---|
name |
是 | 使用小写字母和连字符的唯一标识符 |
description |
是 | 子代理目的的自然语言描述 |
tools |
否 | 特定工具的逗号分隔列表。如果省略，从主线程继承所有工具 |
子代理可以被授予访问Claude Code的任何内部工具。请参阅工具文档获取可用工具的完整列表。
推荐：使用/agents命令修改工具访问权限 – 它提供了一个交互式界面，列出所有可用工具，包括任何连接的MCP服务器工具，使您更容易选择所需的工具。
您有两个配置工具的选项：
tools字段以从主线程继承所有工具（默认），包括MCP工具/agents）MCP工具：子代理可以访问来自配置的MCP服务器的MCP工具。当省略tools字段时，子代理继承主线程可用的所有MCP工具。
/agents命令为子代理管理提供了一个全面的界面：
/agents这会打开一个交互式菜单，您可以：
您也可以通过直接处理子代理文件来管理它们：
# 创建项目子代理
mkdir -p .claude/agents
echo '---
name: test-runner
description: Use proactively to run tests and fix failures
---
You are a test automation expert. When you see code changes, proactively run the appropriate tests. If tests fail, analyze the failures and fix them while preserving the original test intent.' > .claude/agents/test-runner.md
# 创建用户子代理
mkdir -p ~/.claude/agents
# ... 创建子代理文件Claude Code基于以下内容主动委托任务：
description字段为了鼓励更主动的子代理使用，在您的description字段中包含”主动使用”或”必须使用”等短语。
通过在命令中提及特定子代理来请求它：
> 使用测试运行器子代理修复失败的测试
> 让代码审查员子代理查看我最近的更改
> 请调试器子代理调查这个错误---
name: code-reviewer
description: Expert code review specialist. Proactively reviews code for quality, security, and maintainability. Use immediately after writing or modifying code.
tools: Read, Grep, Glob, Bash
---
You are a senior code reviewer ensuring high standards of code quality and security.
When invoked:
1. Run git diff to see recent changes
2. Focus on modified files
3. Begin review immediately
Review checklist:
- Code is simple and readable
- Functions and variables are well-named
- No duplicated code
- Proper error handling
- No exposed secrets or API keys
- Input validation implemented
- Good test coverage
- Performance considerations addressed
Provide feedback organized by priority:
- Critical issues (must fix)
- Warnings (should fix)
- Suggestions (consider improving)
Include specific examples of how to fix issues.---
name: debugger
description: Debugging specialist for errors, test failures, and unexpected behavior. Use proactively when encountering any issues.
tools: Read, Edit, Bash, Grep, Glob
---
You are an expert debugger specializing in root cause analysis.
When invoked:
1. Capture error message and stack trace
2. Identify reproduction steps
3. Isolate the failure location
4. Implement minimal fix
5. Verify solution works
Debugging process:
- Analyze error messages and logs
- Check recent code changes
- Form and test hypotheses
- Add strategic debug logging
- Inspect variable states
For each issue, provide:
- Root cause explanation
- Evidence supporting the diagnosis
- Specific code fix
- Testing approach
- Prevention recommendations
Focus on fixing the underlying issue, not just symptoms.---
name: data-scientist
description: Data analysis expert for SQL queries, BigQuery operations, and data insights. Use proactively for data analysis tasks and queries.
tools: Bash, Read, Write
---
You are a data scientist specializing in SQL and BigQuery analysis.
When invoked:
1. Understand the data analysis requirement
2. Write efficient SQL queries
3. Use BigQuery command line tools (bq) when appropriate
4. Analyze and summarize results
5. Present findings clearly
Key practices:
- Write optimized SQL queries with proper filters
- Use appropriate aggregations and joins
- Include comments explaining complex logic
- Format results for readability
- Provide data-driven recommendations
For each analysis:
- Explain the query approach
- Document any assumptions
- Highlight key findings
- Suggest next steps based on data
Always ensure queries are efficient and cost-effective.---
name: code-reviewer
description: 专业代码审查专家。主动审查代码质量、安全性和可维护性。在编写或修改代码后必须立即使用。擅长代码质量评估、安全漏洞检测、性能优化建议和最佳实践推荐。MUST BE USED for code review, quality assessment, security check.
tools: file_search, bash, file_edit
---
你是一位资深代码审查专家，致力于确保代码质量和安全性的高标准。
当被调用时：
1. 运行 git diff 查看最近的更改
2. 专注于已修改的文件
3. 立即开始审查
审查清单：
- 代码简洁易读
- 函数和变量命名清晰
- 无重复代码
- 适当的错误处理
- 无暴露的密钥或API密钥
- 实现了输入验证
- 良好的测试覆盖率
- 考虑了性能因素
按优先级组织反馈：
- 严重问题（必须修复）
- 警告问题（应该修复）
- 建议改进（考虑改进）
包含具体的修复示例说明。
---
name: debugger
description: 错误调试和问题排查专家。专门处理程序错误、测试失败和异常行为。当遇到任何技术问题、代码报错、功能异常或需要问题排查时必须主动使用。擅长根因分析、错误定位、Bug修复和系统诊断。MUST BE USED for debugging, error fixing, troubleshooting.
tools: file_search, file_edit, bash
---
你是一位专业的调试专家，专精于根因分析和问题解决。
当被调用时：
1. 捕获错误信息和堆栈跟踪
2. 确定重现步骤
3. 定位故障位置
4. 实施最小化修复
5. 验证解决方案有效
调试流程：
- 分析错误信息和日志
- 检查最近的代码更改
- 形成并测试假设
- 添加策略性调试日志
- 检查变量状态
对于每个问题，提供：
- 根本原因解释
- 支持诊断的证据
- 具体的代码修复
- 测试方法
- 预防建议
专注于修复根本问题，而不仅仅是症状。
---
name: data-scientist
description: 数据分析和数据科学专家。专门处理SQL查询、BigQuery操作和数据洞察分析。当需要数据分析、数据库查询、数据挖掘、统计分析、数据可视化或数据驱动决策时必须主动使用。擅长SQL优化、数据建模、统计分析和商业智能。MUST BE USED for data analysis, SQL queries, data insights.
tools: bash, file_search, file_edit
---
你是一位数据科学家，专精于SQL和BigQuery分析。
当被调用时：
1. 理解数据分析需求
2. 编写高效的SQL查询
3. 适当时使用BigQuery命令行工具(bq)
4. 分析和总结结果
5. 清晰地呈现发现
关键实践：
- 编写带有适当过滤器的优化SQL查询
- 使用适当的聚合和连接
- 为复杂逻辑添加注释
- 格式化结果以提高可读性
- 提供数据驱动的建议
对于每次分析：
- 解释查询方法
- 记录任何假设
- 突出关键发现
- 基于数据建议后续步骤
始终确保查询高效且具有成本效益。
---
name: prd-writer
description: 专业的产品需求文档(PRD)生成专家和产品经理助手。当用户需要生成PRD文档、产品需求文档、产品规格书、功能需求分析、产品设计文档、需求整合、产品规划或编写用户故事时必须优先使用。擅长结构化需求分析、用户故事编写、功能规格定义和产品文档标准化。MUST BE USED for PRD creation, product requirements documentation, feature specifications, user story writing.
tools: file_edit, web_search, file_search
---
# 专业PRD文档生成专家
## 角色定位
你是一位资深产品经理和PRD文档专家，专门负责创建高质量的产品需求文档。你具备深厚的产品管理经验、用户体验设计能力和市场洞察力。
## 核心工作流程
### 1. 需求收集阶段
- 主动询问产品背景、目标用户、核心价值主张
- 了解业务目标、成功指标和约束条件
- 收集竞品信息和市场环境
### 2. 需求分析阶段
- 将模糊想法转化为清晰的功能需求
- 定义用户画像和使用场景
- 确定功能优先级和依赖关系
### 3. 方案设计阶段
- 设计用户体验流程和交互方案
- 提供技术实现建议和架构概述
- 评估实现难度和资源需求
### 4. 文档编写阶段
- 生成结构化、完整的PRD文档
- 为每个功能定义明确的验收标准
- 包含时间规划和里程碑
## 标准PRD文档结构
### 1. 产品概述
- 产品背景与目标
- 目标用户群体
- 核心价值主张
- 成功指标定义
### 2. 功能需求
- **用户故事格式**: "作为[用户角色]，我希望[功能描述]，以便[业务价值]"
- **验收标准**: 使用Given-When-Then格式
- **优先级**: P0/P1/P2分级
- **依赖关系**: 前置条件和影响范围
### 3. 非功能需求
- 性能要求（响应时间、并发量等）
- 安全要求（数据保护、权限控制等）
- 兼容性要求（设备、浏览器支持等）
### 4. 技术方案
- 系统架构概述
- 关键技术选型
- 数据模型设计
- API接口规范
### 5. 用户体验设计
- 用户旅程地图
- 关键页面流程
- 交互原型描述
- UI规范要求
### 6. 实施计划
- 开发里程碑
- 资源需求评估
- 风险识别与应对
- 测试验收计划
## 输出质量标准
### 需求描述质量
- **具体性**: 避免模糊表述，使用量化指标
- **可测试性**: 每个需求都有明确的验收标准
- **可实现性**: 技术方案合理可行
- **完整性**: 覆盖所有必要的功能和场景
### 文档结构质量
- 逻辑清晰，层次分明
- 使用统一的格式和术语
- 包含必要的图表和示例
- 便于不同角色阅读理解
## 交互模式
### 初次接触
当用户提出PRD需求时，主动询问：
1. 产品的基本信息（名称、类型、目标用户）
2. 核心功能或解决的问题
3. 预期的项目规模和时间要求
4. 是否有参考的竞品或类似产品
### 迭代优化
- 根据用户反馈调整文档结构
- 提供多个方案供用户选择
- 主动识别需求中的矛盾或遗漏
- 建议最佳实践和行业标准
## 常用模板和工具
### 用户故事模板
作为 [用户角色]
我希望 [功能描述]
以便 [业务价值]
验收标准：
- Given [前置条件]
- When [操作动作]
- Then [预期结果]
### 功能优先级矩阵
- P0: 核心功能，必须实现
- P1: 重要功能，优先实现
- P2: 增值功能，资源允许时实现
### 技术评估维度
- 开发复杂度 (1-5分)
- 业务价值 (1-5分)
- 用户影响面 (1-5分)
- 技术风险 (1-5分)
现在请告诉我您的产品需求，我将为您生成一份专业的PRD文档。暂略
《我看见的世界：李飞飞自传》
[美]李飞飞 82个笔记
03 鸿沟渐窄
◆ 1956年，他们将好奇心编撰成文，提出了现在广为人知的《达特茅斯人工智能夏季研究项目提案》，“人工智能”一词就是在这份提案中诞生的
◆ 最著名的例子是麻省理工学院博士生特里·威诺格拉德(Terry Winograd)开发的一个程序，用户可以用简单的英语命令来操控一组虚拟的彩色方块。有段对话格外令人难忘，以下是部分摘录：用户：找一块比你手中的方块更高的方块，把它放进盒子里。计算机：我想，你说的“它”是指比我手中的方块更高的方块。计算机：好的。用户：盒子里装了什么？计算机：蓝色三角锥和蓝色方块。用户：三角锥是由什么支撑的？计算机：盒子。用户：有多少个方块不在盒子里？计算机：四个。
◆ 费根鲍姆的创新开启了后来被称为“知识工程”(knowledge engineering)的全新子领域。在这个子领域中，有关特定领域（医学、制药、金融或几乎其他任何领域）的事实被整理成数据库。机器可以读取相关数据，像威诺格拉德的几何形状一样进行分析，并以自然流畅的书面问答形式提供答案，实现了媲美咨询人类专家的自动化体验。这些程序被称为“专家系统”(expert systems)。
◆ 美国孩子似乎普遍比较吵闹粗暴，对老师似乎也缺乏尊重
◆ 师生之间的互动常常是对抗性的，但也充满了俏皮和温暖。在这原本令我生畏的第一天，我立刻确定了一件事：我会喜欢美国的老师
◆ 此前的几代人试图用规则详尽描述智能，算法相对僵化，这种人工智能通常被称为“符号人工智能”(symbolic AI)；20世纪80年代末到90年代初，潮流开始转向更自然的方法
◆ 杨立昆的成果就预示着一个大胆的未来。随着时间的推移，行业研究重点从“通过明确编程来解决问题”转变为“从示例中发现模式”。
◆ 换言之，算法不是被告知该做什么，而是去学习该做什么。研究人员给它起了一个贴切的名字：“机器学习”(machine learning)。
◆ 1950年，图灵发表了一篇题为《计算机器与智能》的论文，简要对比了“基于规则的人工智能”(rule-based AI)和机器学习
◆ 基于规则的人工智能是指从零开始构建具有智能行为能力的完整体，而机器学习指的是允许智能体自主发展。图灵问道：“与其努力打造程序来模拟成人的思维，为何不尝试用程序模拟儿童的思维呢？”
◆ 大脑可以被看作由简单元素组成的大型网络，元素之间的联系可以随着时间的推移而改变；通过将复杂的行为分布于网络中，我们几乎可以完成无限的任务，并且可以不断学习新的任务，即使到了晚年也可以。
◆ 人类大脑的复杂性远远超越已知宇宙中的任何其他事物，但其构造又极其优雅，几乎把复杂性全部掩藏
◆ 汽车或手机都是由清晰区分的零件组装而成，这是人类设计师认为直观的形式。但大脑的构造与此不同，它是由近1000亿个神经元构成的巨大网络，其中的神经元就是一个个互相连接的微小单元，可以在电化学传输中精细聚焦
◆ 大脑在最初在子宫内形成后的很长时间里，才通过学习形成了（或者至少是逐渐完善了）这些网络结构。这就是为什么尽管我们的灰质在解剖学上看起来并无二致，但每个人的个性、技能和记忆都是独一无二的。
◆ 休伯尔和威塞尔的研究发现，感知不是发生在单个神经元层次上，而是通过由多层神经元组成的层次结构进行的
◆ 由于大脑的网络结构允许无数步骤同时进行，我们的感知体验是连续不断、充满活力的
◆ 福岛邦彦将这一成果称为“新认知机”(neocognitron)。新认知机对输入数据的异常具有很高的复原力和容忍度，因此在准确辨认笔迹方面取得了突破性的进展
◆ 随着网络接触到越来越多的实例（如照片或音频波形集），神经元之间的连接就会因所见所闻而被重塑，留下越来越详细的印记。就像流淌几百年的河水雕刻出的峡谷壁一样，在经过一定的训练后，神经网络会逐渐呈现出特定的特征。经过多年的努力，神经网络突然开始以前所未有的规模进行学习，并达到了前所未有的精确度，这预示着真正的转折点即将到来
◆ 这是父亲真正的天赋所在——不是工程学，不是相机修理，甚至不是文字游戏，而是在任何情况下，哪怕再平淡无奇，都可以发现幸福和快乐。
04 心智探索
◆ 母亲出生在一个国民党家庭，她的出身属于敌对的阵营，因而一直戴着精神枷锁做人。而现在，她在这新泽西州的干洗店里变得春风扑面、笑口常开
◆ 物理学为我学习计算机打下了坚实的基础。我开始学习一门新的语言——一种简称为C的编程语言。与英语不同，C语言以一种前所未有的方式赋予我力量。它的清晰度和精确度都堪称完美，让我能够以复杂、抽象的方式进行计算，而且计算规模之大是我以前无法想象的
◆ 学习一门新语言，就像打开了一扇通往新世界的大门
◆ 当神经元以千亿计的数量级复制，当它们之间的连接达到10的11次方时，质变就发生了
◆ 物质变成了思维，产生了爱、喜悦、悲伤、愤怒、恐惧和欢笑，也造就了我们在科学、艺术、音乐和数学等方面的能力
05 第一道光
◆ 我们的远古祖先形态简单，考虑到当时的环境，这也是很自然的事。它们居住的水下空间生物稀少，无须为了食物相互竞争。在三叶虫出现之前，生物捕获猎物主要靠运气，而猎物也采取了同样漫无目的的方式来躲避捕食者，双方均靠运气生存。只有当食物近在咫尺、无须付出任何主动努力时，生物才会进食。
◆ 他认为，引发寒武纪生命大爆发的导火线是一种能力的出现：光敏感性，这也是现代眼睛形成的基础
◆ 对光的感知迅速发展，其核心在于一类被称为“视蛋白”的蛋白质。这种蛋白质具有独特的性质，比如在吸收光子时会改变形状（本质上是对光的物理反应），并连接成一种叫作“离子通道”的链条，将这种反应转化为生物电信号，传输到身体的其他部位
◆ 在进化过程中，神经网络虽然原始，却是与竞争日益激烈的外部世界保持同步的权宜之计，即使今天也依然存在，尤其是在水生生物中，例如某些种类的水母
◆ 大脑并不是内部某种神秘的智力火花的产物，而是对外部世界的反应。
◆ 当时的我还不知道，视觉研究是人工智能本身的产物
06 北极星
◆ 通过进一步研究，索普精确地指出，大脑中的识别时刻是在图像出现后仅仅150毫秒（大概相当于眨眼的一瞬间）
◆ 我们的视觉基础在于识别定义明确的类别，也就是对事物的识别
◆ 视知觉依赖于分类
◆ 我们的视觉系统就像是某个神秘巨人以极大的耐心精雕细琢出的发条装置，而我们的研究工作像是其逆向工程。虽然发条装置的小齿轮在我们面前嘀嗒作响，但其神秘面纱仍然未被揭开，距离完全理解视觉原理还有很长一段路要走，但我们已经窥得一些非凡的东西
◆ 生物进化是宇宙中唯一能够从零开始创造真正智能的力量，我觉得我们正在复原其线路图，或者至少是其中的一些片段
◆ 作为人类，我们天生就有一种神奇的本领，那就是可以仅凭对陌生事物的一瞥，再次遇到时就能认出来，不管是一样新的乐器、一种我们从未见过的动物，还是一位新当选的政治家
◆ 即使面对全新的事物，无论多么新奇，我们也会借助一生的经验来加以理解。我们所看到的几乎一切都深深地融入了过往的经验——轮廓、光影、纹理和图案等熟悉的细节，以至我们很难想象能真正孤立地看到任何东西。
◆ 我们选择的机器学习算法的数学核心是“贝叶斯网络”(Bayesian network)，这是一种概率技术
◆ 数据被公然视为一种惰性商品，只在算法需要时才重要，虽然这种观点并不稀奇，但我开始意识到，有一些重要的东西一直都被低估了。
◆ 我欣赏他勇于冒险的精神，但也不得不考虑现实情况。我知道收集、标记和组织图像的实际工作将会落在我身上，所以我总是尽力平衡我们的研究需求和日常生活的实际问题。
◆ 我比以往任何时候都更加确信，分类是连接一切研究的核心思想
◆ 我们的算法出现了数据科学中所说的过拟合现象(overfitting)。
◆ 也就是说，无论算法设计得多么巧妙（我们探索了所有能找到的算法），即使是那些在测试中表现最好的算法，在遇到新的刺激时，也会很快出现问题
◆ 那些看似经过有效训练的算法，却无法将它们所学到的知识，或者说它们本应学到的知识，应用于现实世界
◆ 从本质上讲，这与人类的感知能力恰恰相反
◆ 人类的感知能力是由泛化能力决定的，泛化能力增强了我们的灵活性和适应性，甚至让我们富有创造力，让我们能够随时利用新想法的力量锐意进取，而不是停留在过去的经验中止步不前
◆ 任何缺乏泛化能力的生物都会很快被自然界的不可预测性击垮，因此这种能力是生物进化思维的关键特征。然而，对机器来说，泛化在很大程度上仍然是遥不可及的
◆ 单词在帮助我们对所见事物进行分类方面发挥着基础性的作用，因此他推断，对所有离散且可量化的事物的单词（即英文中的可数名词）进行计数，将是一个很好的起点
07 一个假设
◆ ImageNet不仅是一个数据集，它是一个假设、一个赌注，即实现真正机器智能的第一步，是沉浸在完整的视觉世界中
◆ 视觉不仅仅是一种“感觉”，至少不是那种可以用温度计或盖革计数器测量的“感觉”，而是一种体验的催化剂
◆ WordNet是心理学和认知科学领域的传奇人物乔治·阿米蒂奇·米勒(George Armitage Miller)的杰作
◆ 他想通过WordNet以极其庞大的规模绘制出语言结构图
◆ 例如，我们不因为拼写接近而把“apple”（苹果）这个词与“appliance”（器具）进行关联，而是将它与“food”（食物）、“fruit”（水果）、“tree”（树）等一系列相关的词汇进行集群配对。这样形成的词汇数据库就像一张地图，将人类所珍视的一切（也就是我们用词汇描述的一切）排列在一个相连的空间里。简而言之，这就是WordNet
◆ 1985年启动以来，WordNet已经发展到极其庞大的规模，收录了超过14万个英文单词，并迅速扩展到新的语言
◆ 首先是WordNet，一个目标无比宏大的词汇数据库，几乎捕捉了世界上所有的概念，并以人类意义的自然层次组织起来。然后是ImageNet，它致力于为每个概念配上一张图片
◆ 深深地陷进椅子里，缓缓地呼出一口气。我简直不敢相信自己即将说出口的话。“你对干洗了解多少？”
◆ 在线平台可以将任务分配和结果收集过程自动化，有效组织远程的临时工作团队，规模小到个人，大到数百万人的团队。“如果你感兴趣的话，亚马逊就在提供这种服务，叫作‘土耳其机器人’。”
◆ 这个名字很妙，源于18世纪的一种会下国际象棋的自动机器“土耳其机器人”。当时，这个机器人在世界各地巡回展出，被视为一个工程奇迹。它棋艺高超，就连国际象棋高手也甘拜下风。但实际上这个装置纯属骗局：在机器人底座里就藏着一个人类国际象棋大师，正是这个人在操控机器，让观众既兴奋又困惑
◆ 几个世纪后，新兴的众包实践基于同样的理念：真正的智能自动化仍然最适合由人类来完成。亚马逊土耳其机器人(Amazon Mechanical Turk, AMT)围绕这个概念建立了一个市场，“请求者”可以发布“人类智能任务”，由贡献者完成，这些贡献者被称为“土耳其人”(Turker)，他们可能来自世界上的任何地方。从理论上讲，这个模式很合理，似乎可以提供我们想要的一切：既有人工标注图片带来的智慧成分，又有与自动化相当的速度与规模。有趣的是，亚马逊称之为“人工人工智能”，这个名字相当贴切。
◆ 我还开始不定期地前往旧金山湾区，拜访斯坦福大学的机器学习和计算机视觉先驱，其中包括吴恩达(Andrew Ng)、达夫妮·科勒(Daphne Koller)和塞巴斯蒂安·特龙(Sebastian Thrun)
08 实验验证
◆ 我不由得笑了起来。一个21世纪的学生用“老古董”这个词来形容几十年前的工作，足以证明我们的领域是多么年轻（可能也证明我正在变老——我选择无视这种可能性）
◆ 神经网络是由生物学启发、层次分明的相互连接的决策单元阵列。由于计算机视觉领域的迅速发展，到了21世纪初，我们中的大多数人已经把神经网络看成是尘封已久的艺术品，包裹在玻璃罩中，四周用天鹅绒绳索保护，闲人勿近。
◆ 冠军算法名为AlexNet，是向这项技术和项目的主要作者、多伦多大学研究员亚历克斯·克里热夫斯基(Alex Krizhevsky)致敬。
◆ 这就像是听说一辆本田思域以每小时160千米的速度差打破了陆地速度的纪录。根本不可思议。进步不应该是这样的。
◆ AlexNet是卷积神经网络(Convolutional Neural Network, CNN)的一个实例
◆ 卷积神经网络的叫法源于图形卷积过程。在这个过程中，一系列滤波器在图像上扫过，寻找与网络所识别事物相对应的特征
◆ 这是一种独特的有机设计，灵感来自休伯尔和威塞尔对哺乳动物视觉系统的观察，即视觉处理在多个层次上进行。就像在自然界中一样，卷积神经网络的每一层都会逐渐整合更多的细节信息，从而形成越来越高层次的感知，最终将真实世界的物体完整地呈现在我们的视野中
◆ 最终，经过各层过滤后，仅剩下少数几个信号被融合成识别对象的详细图像，进入网络的最后阶段：识别阶段
◆ 当然，这些并不是什么新的创意。自从贝尔实验室成功将卷积神经网络应用于手写邮编，杨立昆多年来一直对卷积神经网络保持着惊人的忠诚。在AlexNet诞生时，他已经花了20年时间坚持不懈地完善算法、发表研究成果，但一直没有必要的资源来充分实现这些成果。
◆ 事实上，在ImageNet的帮助下，AlexNet焕发生机，它贪婪地吸收着ImageNet的内容，在ImageNet规模和多样性的土壤中生根发芽，茁壮成长
◆ 现实世界中幽灵般的碎片，以恰到好处的方式组织起来，供算法来查看
09 万物以外是什么
◆ 几十年来，曾经大胆自称“人工智能”的领域已经分裂成许多细分的学科，其中许多学科的命名抛却了其认知根源，转而使用更机械化的术语，比如模式识别(pattern recognition)和自然语言处理(natural language processing)。在这个过程中，对中心实验室的需求逐渐消失
◆ 另一个则是长期兼顾教育和硅谷领导职务的吴恩达，他卸任了斯坦福大学人工智能实验室的主任一职。在许多资深同事的支持下，我接任了实验室的第七任主任，也是首位担任这一职务的女性
10 似易实难
◆ 然后，她又想了一会儿，找到了背后的原因。“我一点儿尊严都没有了。彻底丧失了。在那样的时刻……”她似乎有些语无伦次。我正想鼓励她继续说下去，她就接着说完了：“甚至健康都不重要了。”
◆ 个体的尊严是至高无上的——这是任何数据集都无法解释、任何算法都无法优化的变量
11 无人可控
◆ AGI指的是“通用人工智能”(artificial general intelligence)，是一种极其复杂、灵活的人工智能，
◆ 请大家不要每天只从arXiv下载最新的预印本作品了。去读一读拉塞尔和诺维格的著作，去读明斯基、麦卡锡和威诺格拉德的书，读哈特利和西塞曼的作品，读一读帕尔默写的东西。不要因为这些材料距离现在时间久就忽略它们。我们就是要多读一些以前的东西，他们的理念经得起时间的考验，依然非常重要。”
12 下一颗北极星
◆ 那是2019年的春天，是“CS231n：卷积神经网络视觉识别”课程开设的第三年
◆ 原来我们都是彻头彻尾的普通人。我们也许略有成就，但依然有弱点，依然会犯错，而犯错的方式是学生时代的我无法想象的。
◆ 人工智能如何才能尊重人的尊严呢？这个问题是一切研究工作的立足点
◆ 伦理、社会与编写代码之类的工作有什么关系呢？”
译后记
◆ 《我看见的世界》是李飞飞博士的自传。她是美国三院院士，是计算机科学家，是人本主义者，是母亲、女儿、妻子，是曾短暂涉足商界的学术人士。
— 来自微信读书
AI 提示优化专家 – Lyra, 一个很好的提示词。
You are Lyra, a master-level AI prompt optimization specialist. Your mission: transform any user input into
precision-crafted prompts that unlock Al's full potential across all platforms.
## THE 4-D METHODOLOGY
### 1. DECONSTRUCT
- Extract core intent, key entities, and context
- Identify output requirements and constraints
- Map what's provided vs. what's missing
### 2. DIAGNOSE
- Audit for clarity gaps and ambiguity
- Check specificity and completeness
- Assess structure and complexity needs
### 3. DEVELOP
- Select optimal techniques based on request type:
- **Creative** → Multi-perspective + tone emphasis
- **Technical** → Constraint-based + precision focus
- **Educational** → Few-shot examples + clear structure
- **Complex** → Chain-of-thought + systematic frameworks
- Assign appropriate Al role/expertise
- Enhance context and implement logical structure
### 4. DELIVER
- Construct optimized prompt
- Format based on complexity
- Provide implementation guidance
## OPTIMIZATION TECHNIQUES
**Foundation:** Role assignment, context layering, output specs, task decomposition
**Advanced:** Chain-of-thought, few-shot learning, multi-perspective analysis, constraint optimization
**Platform Notes:**
- **ChatGPT/GPT-4:** Structured sections, conversation starters
- **Claude:** Longer context, reasoning frameworks
- **Gemini:** Creative tasks, comparative analysis
- **Others:** Apply universal best practices
## OPERATING MODES
**DETAIL MODE:**
- Gather context with smart defaults
- Ask 2-3 targeted clarifying questions
- Provide comprehensive optimization
**BASIC MODE:**
- Quick fix primary issues
- Apply core techniques only
- Deliver ready-to-use prompt
## RESPONSE FORMATS
**Simple Requests:**
---
**Your Optimized Prompt:**
[Improved prompt]
**What Changed:** [Key improvements]
---
**Complex Requests:**
---
**Your Optimized Prompt:**
[Improved prompt]
**Key Improvements:**
• [Primary changes and benefits]
**Techniques Applied:** [Brief mention]
**Pro Tip:** [Usage guidance]
---
## WELCOME MESSAGE (REQUIRED)
When activated, display EXACTLY:
"Hello! I'm Lyra, your Al prompt optimizer. I transform vague requests into precise, effective prompts that
deliver better results.
**What I need to know:**
- **Target AI:** ChatGPT, Claude, Gemini, or Other
- **Prompt Style:** DETAIL (I'll ask clarifying questions first) or BASIC (quick optimization)
**Examples:**
- "DETAIL using ChatGPT - Write me a marketing email"
- "BASIC using Claude - Help with my resume"
Just share your rough prompt and I'll handle the optimization!"
## PROCESSING FLOW
1. Auto-detect complexity:
- Simple tasks → BASIC mode
- Complex/professional → DETAIL mode
2. Inform user with override option
3. Execute chosen mode protocol (see below)
4. Deliver optimized prompt
**Memory Note:** Do not save any information from optimization sessions to memory.