AI on Billy's Blog

我让 AI 每天自动出一条 90 秒视频：AI 早报流水线拆解，成本和翻车都写上

billychen826@gmail.com (Billy) — Sat, 10 Oct 2026 16:35:00 +0800

这周我搭了一条流水线：每天早上 10:02 自动跑一次，产出一份 AI 早报文字简报和一条 88 秒左右的中文讲解视频，然后投到 B 站。今天这期在这里：AI 早报 10.10。

起因是歸藏（@op7418）10 月 8 日公开了他做「AI 早报 + 讲解视频」的整套提示词（原帖），第二天又把「newsletter 转 2 分钟视频」做成了可以直接装的 bot 模板（原帖）。我照着搭了一套，样片跑通了。但跑一期 demo 和每天稳定出片是两回事，后者要回答这几个问题：

采集、写稿、渲染、发布，各自交给谁？
怎么保证视频里的数字没编？
一期花多少钱、多长时间？
出错了是悄悄发一条烂片，还是停下来？

下面按这几个问题拆。文中的耗时、轮数、成本和退出码都来自流水线自己落盘的日志，出处列在文末。

整体架构

图里是三层，真正干活的是前两层。拆成两层，是因为两边能拿到的东西不一样。

Claude Code 跑在一台云端 Linux 机器上，那里没有 X 的连接器，读不到我的收藏和推文。编排层是一个常驻的 Grok Bot 助手，手上有 X 连接器、能联网核对官方页，也有定时任务。所以采集、核对、写简报都归它，Claude Code 只拿 brief.md 干活，而且被要求把它当成唯一事实来源。

这样分还有个好处：渲染那一层不联网找资料，也就没有机会自己「补」新闻进来。prompt 第一句写的就是：

你在 box 上非交互运行，没人能回答问题；不要发任何消息/帖子，不要访问社交账号。

目录和入口

/workspace/ai-daily/
├── RUNBOOK.md 全流程手册
├── run_daily.sh 每日入口
├── prompts/video.md 首次搭建用的完整 prompt（engine 不存在时）
├── prompts/daily.md 日常复用 prompt（engine 已存在时）
├── engine/ 可复用的视频工程
│ ├── make_video.sh 一键 8 步
│ ├── DIRECTION.md 影片方向（镜头表每天自动重写）
│ ├── tools/ build_content.py / tts.py / qa_layout.mjs ...
│ └── src/shots/news.jsx 所有版式
└── out/<Y>/ 每期的 brief、sources、items、narration、mp4、keyframes、qa-report

run_daily.sh 不长，核心就几段。先检查编排层有没有把简报写好，没有就直接退出，不让 Claude Code 凭空发挥：

RAG 技术深度解析：从基础到 GraphRAG，以及大 Context 时代的思考

billychen826@gmail.com (Billy) — Wed, 05 Nov 2025 10:00:00 +0800

RAG 基础原理

什么是 RAG

RAG (Retrieval-Augmented Generation) 检索增强生成，是一种结合了信息检索和大语言模型生成能力的技术范式。其核心思想是：

用户查询 → 检索相关文档 → 将文档作为上下文 → LLM 生成答案

为什么需要 RAG

在 RAG 出现之前，LLM 面临几个核心问题：

知识截止日期：模型训练数据有时效性，无法获取最新信息
幻觉问题：模型可能生成看似合理但实际错误的内容
领域知识局限：对特定领域的深度知识覆盖不足
无法访问私有数据：企业内部文档、数据库无法被预训练模型学习
Context Window 大小受限：Context Window 不足以塞下全部文档内容，用户提问时 window 就塞满了

RAG 的基本架构

┌─────────────┐
│ 文档语料库 │
└──────┬──────┘
 │ 离线处理
 ▼
┌─────────────┐
│ 文档切块 │ (Chunking)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 向量化 │ (Embedding)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 向量数据库 │ (Vector DB)
└──────┬──────┘
 │
 │ 在线查询
 │
┌──────┴──────┐
│ 用户查询 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 查询向量化 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 相似度检索 │ (Top-K)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 重排序 │ (可选)
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 构建 Prompt │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ LLM 生成 │
└──────┬──────┘
 │
 ▼
┌─────────────┐
│ 返回答案 │
└─────────────┘

关键技术组件

1. 文档切块 (Chunking)

切块策略直接影响检索质量。

使用Go开发MCP并接入Claude Desktop：go-mcp库实践

billychen826@gmail.com (Billy) — Tue, 08 Apr 2025 15:30:00 +0800

引言

人工智能助手如Claude已经成为我们日常工作的重要工具，但其能力往往受限于预设功能。通过Model Completion Protocol (MCP)，我们可以显著扩展AI助手的能力边界，使其能够执行更多实用的任务。本文将详细介绍如何使用go-mcp开源库在Go语言环境下开发MCP服务，并将其成功接入Claude Desktop，实现与本地应用程序的交互。

MCP协议简介

Model Completion Protocol (MCP)是一个允许AI助手与外部工具进行交互的协议。通过MCP，Claude等AI助手可以：

调用外部工具和API
访问本地系统资源
执行特定的计算任务
获取和处理实时数据

这使得Claude能够突破知识截止日期的限制，获取最新信息，并执行需要额外计算能力或系统访问权限的任务。

go-mcp库介绍

go-mcp是一个基于Go语言的MCP协议实现库，它提供了一套完整的API用于开发MCP服务。使用go-mcp，开发者可以轻松地创建自定义工具，并将这些工具无缝集成到Claude Desktop中。

该库的主要特点包括：

完整实现MCP协议规范
支持HTTP和stdio两种通信方式
灵活的服务端架构
内置请求验证和错误处理
类型安全的API设计

开发环境准备

在开始开发之前，我们需要准备以下环境：

# 安装Go (确保版本至少为1.18)
brew install go

# 克隆go-mcp仓库
git clone https://github.com/virgoC0der/go-mcp.git
cd go-mcp

# 安装依赖
go mod tidy

实现应用启动器MCP服务

参考go-mcp仓库中的examples/app-launcher示例，我们来实现一个应用启动器MCP服务，这个服务将允许Claude Desktop打开本地应用程序。

1. 创建项目结构

mkdir claude-app-launcher
cd claude-app-launcher
go mod init github.com/yourusername/claude-app-launcher

2. 实现服务结构

首先，让我们实现一个满足MCP协议要求的服务结构：

package main

import (
	"context"
	"encoding/json"
	"fmt"
	"log"
	"os"
	"os/exec"
	"os/signal"
	"runtime"
	"sync"
	"syscall"

	"github.com/virgoC0der/go-mcp"

	"github.com/virgoC0der/go-mcp/internal/types"
	"github.com/virgoC0der/go-mcp/transport"
)

// AppLauncherServer implements the MCP service interface
type AppLauncherServer struct {
	prompts []types.Prompt
	tools []types.Tool
	resources []types.Resource
}

// NewAppLauncherServer creates a new app launcher server instance
func NewAppLauncherServer() *AppLauncherServer {
	s := &AppLauncherServer{
		// 定义支持的提示
		prompts: []types.Prompt{
			{
				Name: "openApp",
				Description: "Open a macOS application",
				Arguments: []types.PromptArgument{
					{
						Name: "appName",
						Description: "Name of the application to open",
						Required: true,
					},
				},
			},
		},
		// 定义支持的工具
		tools: []types.Tool{
			{
				Name: "openApp",
				Description: "Open a macOS application",
				InputSchema: map[string]interface{}{
					"type": "object",
					"properties": map[string]interface{}{
						"appName": map[string]interface{}{
							"type": "string",
							"description": "Name of the application to open",
						},
					},
					"required": []string{"appName"},
				},
			},
		},
		// 定义支持的资源
		resources: []types.Resource{
			{
				URI: "apps",
				Name: "apps",
				Description: "List of common macOS applications",
				MimeType: "application/json",
			},
		},
	}
	return s
}

3. 实现服务接口方法

接下来，我们需要实现MCP服务接口所需的各种方法：

Claude+MCP一键生成博客：AI助力内容创作与自动化部署

billychen826@gmail.com (Billy) — Mon, 31 Mar 2025 10:00:00 +0800

在这个信息爆炸的时代，高效地创建和发布内容已成为许多创作者的迫切需求。今天，我想分享一个结合了AI大语言模型Claude和Model Context Protocol (MCP)的强大工作流，它可以让你以惊人的速度从创意到发布完成整个博客创作过程。

工作流概述

这个一键式博客生成和部署流程包含三个主要步骤：

使用Claude生成高质量的博客内容并保存为Markdown文件
通过MCP desktop-commander自动推送到GitHub仓库并触发GitHub Actions
利用MCP playwright自动检查部署结果

这个过程完全自动化，从内容创建到部署验证，几乎不需要人工干预。

配置MCP工具

要开始使用这个工作流，首先需要在Claude客户端中配置MCP工具。步骤如下：

打开Claude客户端
点击Settings -> Developer -> Edit Config
输入以下配置：

{
 "mcpServers": {
 "fileSystme": {
 "command": "npx",
 "args": [
 "-y",
 "@modelcontextprotocol/server-filesystem",
 "YOUR PATH"
 ]
 },
 "playwright": {
 "command": "npx",
 "args": [
 "@playwright/mcp@latest"
 ]
 },
 "desktop-commander": {
 "command": "npx",
 "args": [
 "-y",
 "@smithery/cli@latest",
 "run",
 "@wonderwhy-er/desktop-commander",
 "--key",
 "YOUR PERSONAL KEY"
 ]
 }
 }
}

这个配置告诉Claude如何与三个关键MCP工具通信：