知了博客

AI 使用 Unity MCP 自动操作 Unity：从连接配置到生成五子棋场景的实战记录

Fri, 26 Jun 2026 17:17:53 +0800

最近测试了一下 Unity MCP，也就是通过 Model Context Protocol 让 AI 直接和 Unity Editor 通信。

它的核心价值很简单：AI 不再只是“给你写一段代码”，而是可以直接读取 Unity 当前场景、创建对象、写脚本、刷新编译、进入 Play Mode 验证结果，甚至检查 Console 错误。

这篇文章记录一次完整的实测流程：从启动 MCP Server，到 Unity 插件连接，再到让 AI 在 Unity 场景里创建一个单机五子棋 Demo。

测试环境

本次测试环境如下：

Unity 版本：2022.3.14f1c1
MCP for Unity：9.6.8
MCP Server：mcpforunityserver==9.6.8
通信方式：HTTP + WebSocket
Server 地址：http://127.0.0.1:8756

启动命令：

C:\Users\11929\.local\bin\uvx.exe --from "mcpforunityserver==9.6.8" mcp-for-unity --transport http --http-url http://127.0.0.1:8756 --project-scoped-tools

启动成功后，终端会显示 FastMCP Server 正在运行：

Uvicorn running on http://127.0.0.1:8756

Unity 插件连接成功时，可以看到类似日志：

Plugin registered: Game (b1b111f65ef61b01)
Registered 30 tools for session
Server-level tool visibility synced from Unity

这说明 Unity Editor 已经通过 WebSocket 连上 MCP Server。

MCP 连接验证

连接成功后，可以通过接口确认 MCP Server 和 Unity 实例状态。

健康检查地址：

http://127.0.0.1:8756/health

返回示例：

{
  "status": "healthy",
  "version": "9.6.8",
  "message": "MCP for Unity server is running"
}

实例列表地址：

http://127.0.0.1:8756/api/instances

返回中可以看到 Unity 工程：

{
  "project": "Game",
  "hash": "b1b111f65ef61b01",
  "unity_version": "2022.3.14f1c1"
}

这一步很关键。如果 instances 是空数组，说明 Server 虽然启动了，但 Unity 插件还没有连接上。

使用 AI 创建测试场景

连接完成后，AI 就可以调用 Unity MCP 工具创建场景。

本次测试新建了一个场景：

Assets/GameMain/Scenes/MCP_TestScene.unity

然后通过 manage_scene 读取当前场景层级，确认场景已经创建成功。

最初测试时，我让 AI 创建了一个 Cube。这里发现了一个有意思的问题：使用 manage_gameobject 的 primitive_type="Cube" 时，对象创建成功，但在当前工程里它只带了 Transform，没有 MeshFilter / MeshRenderer / BoxCollider。

后来改用 Unity 原生命令：

GameObject/3D Object/Cube

再修改对象名称和位置，就可以得到完整 Cube：

Transform
MeshFilter
MeshRenderer
BoxCollider

这也说明 MCP 工具虽然很方便，但实际开发中仍然需要验证结果，不能盲信每一步调用都完全符合预期。

让 AI 写一个单机五子棋

接下来让 AI 在这个场景里实现一个单机五子棋 Demo。

实现方式比较轻量：场景中只保留一个控制对象：

MCP_GomokuGame

挂载脚本：

MCPGomokuGame

脚本路径：

Assets/GameMain/Scripts/MCPGomoku/MCPGomokuGame.cs

这个脚本负责在 Play Mode 自动生成：

15x15 棋盘
棋盘格子
棋盘线
黑白棋子
摄像机
灯光
UI 状态文字
重新开始按钮
玩家落子逻辑
简单电脑 AI
五连胜负判定

运行方式很简单：打开 MCP_TestScene.unity，点击 Play。

玩家执黑，鼠标点击棋盘落子，电脑自动下白子。任意一方五子连线后，左上角会显示胜负结果。

自动编译和验证

AI 写完脚本后，并不是直接结束，而是继续通过 MCP 执行 Unity 刷新和编译。

流程大致是：

写入 C# 脚本
调用 Unity 刷新脚本
等待 Domain Reload
重新连接 MCP Session
读取 Console 错误
挂载脚本到场景对象
保存场景
进入 Play Mode 验证
退出 Play Mode

测试中，Unity 脚本刷新会导致 MCP Session 短暂断开，这是正常现象。等 Unity 编译完成后，插件会重新连接。

最终验证结果：

Console error: 0
Play Mode: entered successfully
Runtime objects: generated
Play Mode: exited successfully

也就是说，这个五子棋 Demo 不只是“代码写出来了”，而是实际在 Unity 里跑过一次。

Unity MCP 的实际价值

这次测试下来，Unity MCP 最大的价值不是单纯生成代码，而是让 AI 具备了“操作 Unity Editor 的闭环能力”。

传统 AI 辅助开发通常是：

你问问题 -> AI 写代码 -> 你复制到 Unity -> 你编译 -> 你看报错 -> 再问 AI

使用 Unity MCP 后，流程变成：

AI 写代码 -> AI 刷新 Unity -> AI 检查 Console -> AI 修改场景 -> AI 进入 Play Mode 验证

这中间少了很多人工搬运工作。

尤其适合下面这些场景：

快速搭建 Demo 场景
自动生成测试对象
批量修改场景层级
写 Editor 工具
检查 Console 编译错误
生成小游戏原型
辅助 Unity 新功能验证

使用过程中的注意事项

实际使用时有几个坑需要注意。

第一，端口要确认没被占用。之前尝试使用 8080 时，发现该端口被 Windows System 进程占用，访问 /health 返回 404。换到 8756 后正常。

第二，Unity 进入 Play Mode 或刷新脚本时，MCP 连接可能会短暂断开。这个不一定是错误，通常等待 Unity 重新注册即可。

第三，AI 调用工具后仍然要验证结果。比如本次测试中 primitive_type="Cube" 创建出来的对象不完整，最后通过 Unity 菜单命令修正。

第四，建议让 AI 每次大改后检查 Console。Unity 项目里最怕“看起来创建成功，实际有编译错误”。

总结

Unity MCP 让 AI 从“代码建议者”变成了“Unity 操作员”。

它可以直接和 Unity Editor 交互，完成场景创建、脚本写入、编译检查、运行验证等工作。

这次实测中，AI 成功完成了：

MCP Server 启动验证
Unity 插件连接验证
新建 Unity 场景
创建并挂载 MonoBehaviour 脚本
实现单机五子棋
Play Mode 验证
Console 错误检查

对于 Unity 开发来说，这类工具很适合做原型验证和重复性编辑器操作。它还不能完全替代开发者，但已经可以显著减少“写代码、切 Unity、看报错、再改代码”的机械流程。

后续如果结合项目自身的工具链，比如资源规范、UI 框架、打包流程、自动化测试，Unity MCP 的价值会更明显。

从 Z-BlogASP 到 Z-BlogPHP：一次老博客升级迁移记录

Thu, 25 Jun 2026 09:18:29 +0800

很多早年搭建的个人博客，都会遇到同一个问题：程序还能跑，文章也都在，但后台、主题、插件和服务器环境已经明显跟不上了。我的这个站点就是一个典型例子，原来使用的是 Z-BlogASP 老版本，数据放在 Access 数据库里，没有 MySQL，运行环境也比较旧。

这次升级的目标不是“换一个全新网站”，而是在尽量保留原有内容、链接、图片和分类结构的基础上，把旧站迁移到更容易维护的 Z-BlogPHP。

一、为什么不继续使用 ASP 版本

旧站原来是 Z-BlogASP，优点是轻量，Access 数据库也不需要额外的数据库服务。但随着时间推移，问题越来越明显：

ASP 生态已经比较老，主题和插件可选范围很少。
现在官方主要维护的是 PHP 版本。
新主题、新编辑器、应用中心，大多围绕 Z-BlogPHP。
云主机继续支持 ASP 的空间越来越少，兼容性问题也更多。
老主题在现代浏览器和移动端体验不够好。

所以从长期维护角度看，继续留在 ASP 版本只是“还能用”，但不太适合继续折腾和扩展。

二、先确认云主机环境

迁移之前，最重要的是确认云主机能不能跑 Z-BlogPHP。因为这个云主机没有 MySQL，只能优先考虑 SQLite。

检查结果是：

PHP：7.1.22
系统：Windows / IIS
SQLite3：支持
PDO SQLite：支持
目录写入：支持

这就意味着可以使用 Z-BlogPHP + SQLite 的组合，不需要马上迁到 MySQL。

这里要注意一点：Z-BlogPHP 新版本对 PHP 版本有要求。如果云主机只有 PHP 7.1，就不能盲目使用最新版本。最终选择的是：

Z-BlogPHP 1.7.4.3430
数据库：SQLite
PHP：7.1

这个组合和当前云主机环境比较匹配。

三、本地先演练，不直接动线上站

老站数据比较多，直接在线上操作风险很大。因此先在 Win11 本地搭建测试环境：

D:\phpstudy_pro\WWW\zblogphp

本地访问地址：

http://127.0.0.1:8094/zblogphp/

先在本地安装 Z-BlogPHP 1.7.4，并使用 SQLite 数据库。确认后台、首页、文章页、分类页都能打开后，再开始迁移旧数据。

这种方式有一个好处：线上站点不受影响，所有导入、替换、修复、主题调整都可以先在本地验证。

四、导出旧 ASP 数据

旧站的数据在 Access 数据库中，主要包括：

分类
标签
用户
文章
评论

先写 ASP 导出脚本，把旧数据库内容导出成 JSON。导出的数据量大致为：

分类：5
标签：218
用户：2
文章：681
评论：480

导出时还遇到一个常见问题：老 ASP 站大多是 GBK/GB2312 编码，而 PHP 新站使用 UTF-8。为了避免乱码，导出 JSON 时需要正确处理中文编码。

五、导入到 Z-BlogPHP SQLite

导入时没有简单粗暴地覆盖 Z-BlogPHP 的所有数据，而是采用了更稳的方式：

保留 PHP 新站当前 admin 登录账号
导入旧站文章、分类、标签、评论
旧文章作者先映射，后续再恢复原作者显示
评论中找不到对应文章的孤儿评论跳过

最终导入结果：

文章：681
分类：5
标签：218
成功导入评论：146
跳过孤儿评论：334

跳过的评论多半是旧留言本、垃圾评论或已经没有对应文章的历史数据。

六、附件和图片路径处理

老文章里有很多图片路径，例如：

upload/
UPLOAD/
IMAGE/
../../../upload/

这些路径在 PHP 新站里不能直接用，所以把旧站附件目录复制到：

zb_users/upload/legacy-upload
zb_users/upload/legacy-image

然后批量替换文章正文里的旧路径，让图片指向新的附件目录。

迁移后还要抽样访问旧图片链接，确认图片能正常显示。这个步骤很重要，因为文章能打开不代表旧图片都能打开。

七、分页、分类、归档和缓存

数据导入后，首页一开始出现过分页不正常、分类和归档模块不显示的问题。

原因是 Z-BlogPHP 有自己的缓存和统计模块。直接写数据库以后，缓存里的文章总数、分类统计、归档统计并不会自动刷新。

解决方式是：

修复文章数量缓存
重建侧栏模块
重建模板缓存
清理旧 compiled 模板文件

修复后首页分页、分类、归档才恢复正常。

八、主题升级与调整

旧 ASP 主题已经比较老，所以 PHP 版本换用了 tpure 主题。后续又更新到了较新的 tpure 版本。

主题调整包括：

替换 logo
生成 favicon
隐藏首页幻灯片
隐藏友情链接
隐藏前台登录/注册入口
去掉页脚外链
恢复旧文章原作者显示

其中有一个小坑：主题升级后，部分主题配置会恢复默认值，例如幻灯片、友情链接、登录入口可能重新出现。因此主题升级后要重新检查这些设置。

九、云主机部署

本地测试完成后，把 PHP 站点整体打包上传到云主机根目录。

云主机根目录最终应该直接包含：

index.php
feed.php
search.php
zb_system/
zb_users/

不要多套一层目录，例如：

wwwroot/zblogphp-cloud-xxx/index.php

如果部署到根目录，站点地址应该是：

https://www.webgou.info/

而不是本地测试地址：

http://127.0.0.1:8094/zblogphp/

也不是：

https://www.webgou.info/zblogphp/

十、线上遇到的几个问题

1. PHP 版本绑定不一致

一开始云上脚本报：

Use of undefined constant __DIR__

这通常说明当前站点实际跑的 PHP 版本过低，后来切换到 PHP 7.1 后恢复正常。

2. HTTPS 识别问题

数据库里已经设置为：

https://www.webgou.info/

但程序运行时识别成：

http://www.webgou.info/

这是 Windows + IIS + CGI/FastCGI 下比较常见的问题，PHP 不一定能正确知道当前请求是 HTTPS。解决方式是强制固定站点域名，并关闭额外 Referer 校验。

3. 模板编译文件不存在

线上曾出现：

主题模板的编译文件不存在
lost_file: zb_users/cache/compiled/tpure/index.php

这是因为模板缓存被清理后，没有成功重新生成。解决方式是在线上重新编译模板，或者确保 zb_users/cache/compiled 可写。

十一、为什么暂时不迁 MySQL

云主机虽然送了 50MB MySQL，但当前文章和附件规模下，SQLite 已经够用。

而且 SQLite 有几个优点：

不需要单独创建数据库
备份就是复制一个 .db 文件
对个人博客访问量来说性能足够
迁移过程更简单

如果以后访问量变大，或者需要更复杂的数据管理，再考虑迁移到 MySQL 也不迟。

十二、迁移经验总结

这次迁移最大的体会是：老站升级不要急着在线上直接替换。

比较稳的流程应该是：

备份旧站文件和数据库。
本地搭建新版本测试环境。
导出旧站数据。
导入到新站数据库。
处理图片和附件路径。
重建缓存、模板和模块。
本地完整测试首页、文章页、分页、分类、归档。
再上传云主机。
云上修正站点地址和权限。
删除所有临时诊断、修复脚本。

对于这种十几年历史的老博客来说，升级不是简单地“覆盖新版程序”，而是一次内容、环境、编码、路径、主题、缓存的系统迁移。

好在最终结果是值得的：旧文章保留下来了，图片也能访问，后台变得更现代，后续主题和插件也有了更多选择。老博客不用推倒重来，也可以继续往前走。

IAP（In-App Purchases，内购付费）为主的微信小游戏微调

Tue, 09 Jun 2026 17:51:09 +0800

针对IAP（In-App Purchases，内购付费）为主的微信小游戏，腾讯广告数据分析和优化重点从高价值付费用户（而非高频广告观看）出发，强调LTV（用户生命周期价值）预测、付费转化、长线ROI。IAP赛道2025-2026年增长强劲（月活超3亿，内购流水占比超68%），适合中重度品类（如SLG、卡牌、模拟经营、回合RPG等）。

1. 数据来源与接入（IAP重点）

腾讯广告后台：消耗、曝光、点击、注册/激活、付费行为（首购/复购）。
微信小游戏后台：付费率、ARPPU（付费用户平均收入）、ARPU、LTV（1/7/30/90日）、留存、时长。
关键接入：API自归因（上报clickid + 付费事件，如PURCHASE、FIRST_PURCHASE、SUBSCRIPTION）。支持深度转化数据回传，帮助算法学习高付费人群特征。
商业化工具箱Pro（强烈推荐）：整合买量+内购数据，提供经营总览（毛利ROI速算）、用户增长分析（多日ROI预估）、品类标杆对比。支持拆分版位/创意/渠道的90日ROI、广告金收入。
外部渠道分析（工具箱）：监控外投用户在微信内的长线付费表现。

Tips：IAP产品需重点上报付费金额、付费等级等，加速模型对高价值用户的识别。

2. 核心KPI（IAP导向）

买量侧：CPA（激活/注册成本）、首日付费率、eCPM/CVR（向付费转化）。
付费/留存侧：首购时间、付费渗透率、ARPPU、7/30/90日留存（付费用户留存更高）。
ROI/LTV侧（最核心）：
- 首日/7日/30/90日ROI（含广告金激励）。
- LTV预测（工具箱+算法支持，关注高LTV用户占比）。
- 毛利ROI =（内购流水 + 其他收入 - 买量消耗）/ 消耗。
标杆参考：工具箱Pro提供品类对比（如模拟经营、Merge类高增长）。目标：30日拟合ROI ≥1，长线盈利。

漏斗重点：曝光→点击→进入→注册→首购→复购→长留。瓶颈常在“素材不突出付费价值”或“付费引导弱”。

3. 分析方法（IAP专属）

投前（冷启动/立项）

产品拆解：付费点设计（数值成长、稀缺道具、VIP）、竞品LTV/付费曲线。
用户画像：高付费倾向人群（年龄、性别、地域、兴趣，如中重度游戏爱好者）。
预估模型：基于历史数据测算目标CPA（LTV × 目标ROI）。
政策利用：首发IAP激励（最高5000万流水不分成 + 广告金/现金激励），降低早期风险。

投中监控与迭代

每日看板：监控消耗起量、首日付费ROI、成本波动。
优化四阶段（调整版）：
1. 扩曝光：宽定向 + 朋友圈/激励视频版位组合。
2. 提CTR/CVR：创意突出核心付费卖点（“一键变强”“限时特惠”），视频实录+付费场景演示。
3. 提付费转化：落地页/游戏内优化付费引导、加载速度；用自定义人群（相似付费用户）加速冷启动。
4. 稳长线ROI：切换首日ROI出价（IAP专属，预估内购LTV）或oCPM；动态调优高LTV流量。
工具：智能投放、AIGC创意（Hunyuan辅助生成付费主题素材）、Lookalike扩量。

投后复盘

工具箱Pro拆分90日ROI（版位/创意/人群），沉淀高价值流量特征。
LTV分层：低/中/高付费用户表现，指导下一轮定向。
结合平台激励：用广告金反哺买量，形成正循环。

4. 有效响应与优化动作（IAP痛点针对）

成本高/不起量：首日ROI出价起步 → 扩定向 + 测试付费强相关创意 → 优化游戏付费体验（降低首购门槛）。
付费率低：强化素材付费价值展示（对比免费 vs 付费收益）；A/B测试付费引导位置/时机。
短线ROI好但长线弱：关注7/30日数据，停低LTV创意；放大高复购版位（如朋友圈高质流量）。
规模化放量：积累数据后用ROI出价 + 自定义高付费人群；结合PC端增长（IAP时长/付费提升明显）。
混合变现补充：低付费用户可少量接激励广告，提升整体LTV。

智能化助力：腾讯广告全模态算法 + Hunyuan大模型可辅助创意生成、LTV预测和智能定向，显著提升付费用户获取效率。

5. 注意事项与资源

常见坑：归因延迟（及时上报付费）、忽略长线LTV（短期ROI决策易错）、未用激励政策。
测试流程：小预算测付费曲线 → 调优引导 → 放量 + 运营迭代内容。
学习资源：腾讯营销学堂（小游戏买量攻略）、商业化工具箱课程、微信小游戏开发者大会资料、官方激励政策页。

IAP产品生命周期更长、ARPU更高，但需耐心积累数据和内容运营。做好全链路闭环，结合平台补贴，ROI和规模化潜力大。

如果你有具体游戏类型（e.g. SLG、卡牌）、当前数据/报表、或某个阶段痛点（冷启动/付费转化/长线回收），我可以给出更精准的拆解方案！建议立即登录工具箱Pro实践。

腾讯广告数据分析 + 有效优化响应（针对微信小游戏推广）

Tue, 09 Jun 2026 17:49:49 +0800

腾讯广告数据分析 + 有效优化响应（针对微信小游戏推广），核心是打通买量（投放）- 转化 - 变现全链路数据，实现ROI导向的精细化运营。以下是实用指南（基于2025-2026最新实践，如商业化工具箱Pro、新广告3.0等）。

1. 数据来源与接入（基础必备）

腾讯广告后台（e.qq.com / ad.qq.com）：核心看板，包括消耗、曝光、点击、注册、成本（CPA/eCPM）、转化数据。
微信小游戏后台：留存、时长、ARPU、广告变现收入（IAA）、渗透率等。
转化数据回传（API自归因）：必须接入！使用clickid/cb + openid + AppID上报注册、付费、次留、创角、停留>30s等行为。支持PURCHA SE、START_APP等ActionType，实现精准归因。
商业化工具箱Pro（强烈推荐）：整合买量+变现数据，提供经营总览、用户增长分析、变现收入分析、品类标杆对比四大看板，支持90日ROI预估、多日拆分（版位/创意/画像）、毛利ROI速算。
其他：异步报表API（批量拉取）、第三方工具（如热力引擎、数数科技）辅助深度分析。

接入Tips：小游戏加载优化 + 数据上报及时性，直接影响模型学习和成本。

2. 关键指标（KPI）解读

针对IAA（广告变现）为主的小游戏，重点关注以下（轻度/中度为主）：

买量侧：
- CTR（点击率）、CVR（转化率/注册率）、eCPM、CPA（注册/激活成本）、消耗量级。
- 版位表现：朋友圈（高质稳定）、激励视频（沉浸高转化）、小程序/公众号等。
转化/留存侧：
- 次留/多日留存、加载时长/流失率、创角率、停留时长。
变现/ROI侧（最重要）：
- ARPU、人均广告收入、eCPM（变现）、渗透率（广告观看频次）。
- ROI：首日/7日/30日/90日ROI（含广告金），毛利ROI（收入/买量消耗）。目标通常30日拟合ROI≥1（或账面ROI>1）。
- LTV（用户生命周期价值）预测：用于出价和放量决策。

大盘参考：不同品类有标杆（工具箱Pro提供），如解谜类关注广告频次和人均时长。

漏斗分析：曝光 → 点击 → 进入游戏 → 注册/创角 → 留存 → 变现。找出瓶颈（如素材不匹配导致高跳出，或加载慢导致流失）。

3. 分析方法（分阶段）

投前分析（测试/冷启动）

游戏拆解：类型（轻/中/重）、题材、玩法、画风 → 找竞品赛道。
用户画像：性别、年龄、地域、兴趣（后台数据 + 工具箱）。
核心数值评估：留存、LTV、目标CPA/ROI测算（账面ROI = 收入/成本）。
策略规划：选版位组合（朋友圈+激励视频为主），宽定向起步，估算出价。

投中监控与优化（日常核心）

每日/小时看板：监控起量（消耗/曝光）、成本波动、CTR/CVR。
四阶段优化（腾讯攻略）：
1. 扩大曝光：版位组合、通投+分版位系数、加大预算/放宽定向。
2. 提升CTR：视频黄金3秒（字幕+反转剧情）、图片元素拆解，避免同质化素材。
3. 提升CVR：素材与游戏强匹配、性能优化（加载速度、分包）、排除再营销。
4. 稳定ROI：切换oCPM/ROI出价、智能投放、动态调优。
工具：智能oCPM、最大转化量投放、AIGC创意、自定义人群（上传相似openid加速冷启动）。

投后复盘（数据资产沉淀）

用工具箱Pro拆分版位/创意/渠道的90日ROI，定位高价值流量。
沉淀：优质素材CTR/CVR/eCPM、游戏人群数据（用于下一款冷启动）。
LTV预测模型辅助长期决策。

4. 有效响应与优化动作

成本高/不起量：降低出价门槛（注册oCPM起步）→ 扩定向/预算 → 测试新素材 → 优化加载。
CTR低：迭代创意（多测视频/实录画面）+ 匹配定向。
留存/变现差：游戏内调优（内容更新、广告位置）+ 版位调整（激励视频高价值）。
ROI不达标：用工具箱算首日/7日目标ROI → 停低效创意/版位 → 放大高ROI流量。结合品类标杆对齐。
规模化：积累数据后用ROI出价 + 自定义人群 + 多账户/广告金管理。

智能化趋势：腾讯广告算法（全模态生成式推荐）已深度集成行为序列、长上下文，智能投放效果越来越好。结合Hunyuan大模型的创意/分析能力可进一步提效。

5. 实用建议与注意事项

测试流程：小范围测款（吸量+留存）→ 调优变现 → 全面放量。
预算分配：朋友圈为主（稳定），激励视频增量；不同阶段调整比例。
常见坑：归因不准（必接API）、素材同质化、忽略加载性能、短期ROI决策忽略长线LTV。
学习资源：腾讯营销学堂（小游戏买量攻略 + 商业化工具箱课程）、官方帮助中心、游戏营销顾问大盘数据。

效果预期：做好数据闭环 + 优化，ROI可显著提升（案例中多款游戏ROI提升明显，甚至日流水破40万）。

如果你有具体数据（某计划报表截图）、游戏类型（IAA还是IAP）、当前痛点（不起量/成本高/ROI低），我可以帮你更针对性地拆解优化方案！建议直接登录腾讯广告后台 + 工具箱Pro实践。

纳斯达克100指数最新行情（截至2026年6月5日周五收盘）

Tue, 09 Jun 2026 04:42:27 +0800

纳斯达克100指数（Nasdaq-100，简称纳指100，代码 ^NDX 或 NDX）是纳斯达克交易所规模最大的100家非金融上市公司组成的市值加权指数，主要聚焦科技、创新和成长型公司。

最新行情（截至2026年6月5日周五收盘）

收盘点位：28,957.60
涨跌：-1,450.20（-4.77%）
当日范围：28,929.88 - 30,051.08
前收：30,407.80
52周范围：约21,532 - 30,762（近期曾接近历史高点）

6月8日（周一）为非交易日或盘前，期货显示小幅反弹（围绕29,000-29,200附近波动）。主要特点

成分股：约100-101只股票（因双类股如Alphabet）。不含金融股，科技权重极高。
权重计算：市值加权，但有上限规则避免单一股票过度主导。
总市值：成分股合计约38-39万亿美元。
主要行业：信息技术（占比最高）、通信服务、消费 cyclical 等。

前十大权重股（最新参考）

Nvidia (NVDA) ≈13%
Apple (AAPL) ≈11.6%
Microsoft (MSFT) ≈7.9%
Amazon (AMZN) ≈6.85%
Alphabet (GOOGL/GOOG) ≈11%+合计
Broadcom (AVGO)
Meta (META)
Tesla (TSLA)
Micron (MU) 等

科技巨头（Magnificent 7 等）主导指数表现。常见跟踪产品：Invesco QQQ ETF（追踪纳斯达克100）。想看具体成分股列表、历史走势图、实时期货还是某个成分股详情？告诉我，我可以进一步提供！

华为τ scaling定律看法

Wed, 27 May 2026 15:35:08 +0800

华为τ scaling定律营销策略，无非是more than moore的广义摩尔定律的另一种说法而已

作为芯片架构师，我更感兴趣的，还是芯片密度提升，ppt上41%能耗提升和12.7%性能提升，到底是怎么实现的

看完了论文，感觉华为这次创新，本质上是用设计复杂度高 + 高制造成本 + 超前散热，一定程度弥补了工艺差距

1. 华为芯片堆叠带来的等效密度提升，是虚假宣传还是真的，是不是工艺突破？有没有实打实的好处？

等效密度提升的来源，是两片芯片用hybrid bonding技术绑在一起，投影面积理论上能减小一半，但第一代不是全芯片双层折叠，而是选择性折叠关键logic，所以只有大概53%的芯片面积实现了折叠（密度155→238），等到后面几代折叠面积会逐渐增大，到2030年接近全折叠（密度155→292）

这2026第一代等效密度从2025年155 MTr/mm²跳到2026年238 MTr/mm²，时钟频率也提升了12.7%，功耗比提升41%，表面上看似乎和工艺突破没有什么区别，但有一点重要区别就是leakage power华为从头到尾没有提，只要工艺节点不变，gate leakage、junction leakage 不会因为 3D stacking 自动改善

2030年到2031年的等效密度突变，大概率是来自于2层堆叠到3层堆叠，正如2025到2026年的等效密度突变、时钟频率突变，来自单层到2层折叠

所以从leakage没提这个事来看，这个2031年等效1.4nm，和工艺节点上的突破没有联系。

本质上是用设计复杂度高 + 高成本 + 超前散热 + 超前部署advanced packaging，一定程度弥补了工艺差距

那么这样看起来虚假的等效密度提升，有用处吗？好处在哪里？

有的，设计上topology折叠，原来要跑几毫米的水平走线，折叠后变成了几十微米。降低了super buffer/bus的长度，降低了clock tree的深度（clock depth -42%、clock wire -28%），clock skew也带来了改良（-25%），这对动态功耗的改善是实实在在的。部分critical path的缩短，也让时钟频率的上升更容易

所以ppt roadmap上performance的提升，从2025年到2026年上升了12.7%，大部分都是来自于时钟频率的上升（12.7%）

所以好处基本上是topology拆分电路逻辑设计上带来的提升

既然没有实质上的工艺提升，华为芯片堆叠带来等效密度提升的trade off代价在哪里？

三个代价：散热超前发展，设计复杂度高，制造成本变高

最大的代价就是热密度的同步上升，理论上logic on logic都是CPU execution发热最严重的区域，这部分折叠起来相当于功耗密度直接翻倍，但算上41% power efficiency改善，功耗密度仍只比非堆叠方案高40%左右。所以第一代只能对最关键的部分做折叠，大概只占全芯片面积的53%。

所以散热技术也被逼的超前发展，直接上毫米级的MEMS风扇，做micro-cooling fan。

另外的代价就是设计复杂度的变高，critical path的折叠，哪个部分的logic能折叠，折叠之后又会带来从前端到后端的巨大变化要推翻重来

现有的所有EDA工具也不可能支持3D topology，论文自己也承认，full-scale LogicFolding需要全新的3D-native EDA toolchain，把多层stacked dies当作单一连续设计实体处理。哪些logic能折叠、折叠后的inter-die timing closure怎么做，Physical Design（PD）也是难点

制造成本也会更高，被迫超前部署advanced packaging封装，1.5~2μm的hybrid bonding + logic on logic都是很有挑战需要显著更高的成本。以前一层wafer做一次光刻；现在两层wafer分别做光刻再bonding，加上hybrid bonding的overlay控制（论文要求<0.5μm）、TSV、KOZ keep-out zone、冗余修复、良率乘法损失，每颗芯片的制造成本和测试成本都要显著上升

2. Tau scaling这个说法，scaling的到底是什么，这个scaling技术路线是不是一次性的design topology红利？潜力如何？持续进步的空间在哪里？

τ Scaling的核心主张是：用时间常数τ替代几何线宽作为全栈优化目标，在器件、电路、芯片、系统四个层级分别压缩特征延迟

公式本身没有任何新物理。"关注瓶颈延迟"是所有架构师都在做的事情。整个行业都知道互联RC是延迟瓶颈，TSMC每一代工艺都在用low-k dielectrics/semi-damascene等手段降RC。把一个众所周知的优化方向包装成"定律"是显然的营销宣传手段，本质是More than Moore的广义摩尔定律的另一种说法

抛开marketing，华为目前所谓RC delay的改善，本质上是芯片堆叠之后，topology距离缩短，让匹配的effective RC都变小，不是RC工艺常数

至于scaling的意思，是能持续发展的一条roadmap。这里的持续改善路径指的是，全芯片堆叠的层数越来越多，从25~30年的2层堆叠，到31年开始的3层堆叠，以后甚至会考虑4层堆叠

第一代折叠技术甚至不是全芯片双层折叠，而是选择性折叠关键logic，所以只有大概53%的芯片面积实现了折叠（密度155→238），等到后面几代折叠面积会逐渐增大，到2030年接近全折叠（密度155→292）。2031年的roadmap之所以会出现一个阶跃，就是因为那是从2层折叠到3层折叠的时间点。

但需要注意的是，这个scaling方法的边际效应是逐渐缩小的，折叠成双层的收益是100%，2→3层的收益就只有50%，如果2035年再从3→4层堆叠，收益就只有33%了

另外随着堆叠层数变高，上面说到的三个挑战——散热、设计复杂度、成本——都是越来越大

3. 华为的芯片堆叠，是不是TSMC/AMD已经有的hybrid bonding技术？华为做到的是cache on logic，cache on cache，还是logic on logic，logic on logic最大的散热问题是怎么解决的？

是已经有的技术没错，但同时也是把现有技术指标做到了领先也是真的，3D堆叠本身不是新技术，TSMC的hybrid bonding量产还是6μm，华为论文给出Kirin 2026的hybrid bonding pitch是1.5μm

我在刚刚看到华为的堆叠消息之后，第一反应也是怀疑和AMD的3D V cache类似，它主要把SRAM cache叠在已经有的L3 cache区域上，通常会避免直接堆在最热的CPU execution logic上，就是避免散热问题，毕竟SRAM 的功耗密度和热点特性与high-activity logic不一样，如果最热的logic on logic堆叠，散热恐怕会碰到困难

但看了更多数据之后，clock buffer -56%、clock depth -42%、clock wire -28%，这些只有在core内部的clock distribution被重构时才可能发生。纯SRAM stacking不会碰core内部的clock tree。另外如果只是cache on cache，大概率是不需要单独MEMS微型风扇额外散热的，证据普遍都指向logic on logic方式

华为这个技术的精妙之处在于，logic on logic 折叠之后热密度并没有翻倍，而是因为topology的好处，能耗下降了30%，这样热密度只上升了40~50%

而第一代没有完全把整个最热的execution logic 100%堆叠起来，论文也明确说selectively applied along key critical paths，只是大概53%有选择性关键路径会堆叠起来，可能颗粒度都没有那么好，只是IP堆叠在IP上，那么热密度上升也许能维持在20%以内

但这条道路继续前行，超前发展的散热就成了必然，现在是MEMS微型毫米级的主动散热风扇，紧贴处理器传导效率高，和华为手机一样，散热堆料特别足，而且技术领先同行。

以后怕是要把HBM7/8的微流道散热技术提前用起来了，毕竟HBM7/8要上24+层堆叠，华为很可能要在提前用上下个世代的散热技术了

4. 从架构角度来说，最重要的问题，华为41%的power efficiency（能耗比）提升，到底是怎么实现的？为什么AMD的3D V cache没有这么大的提升？

首先确定41%的定义。论文只说"SoC performance-core power efficiency improved by 41%"，没有给出benchmark名称、Voltage/Freq点、温度条件、功耗边界。但PPT roadmap上有一个关键线索：ISO-Power Performance的数字，2025年是2.75，2026年是3.1，提升12.7%

这个时钟频率提升12.7%完全一致，可以理解为，同功耗的性能提升是12.7%，绝大部分是时钟频率提升带来的

至于能耗比上优化的猜测是，LogicFolding缩短critical path → 在固定Vdd下Fmax从2.75GHz提升到3.1GHz → 这意味着在原来的2.75GHz频率下，有了约12.7%的timing headroom → 这个空间在iso-performance模式下可以换成更低的Vdd

另外的能耗比的提升，可能也来自于电路折叠之后，cache hit latency的下降。从业界经验来看，一般L2/L3 cache hit latency下降10%，CPU整体性能会有至少5%的提升

ppt里显示SRAM latency下降30%，估计会有一部分转化为cache hit latency的下降

AMD的3D V cache没有这么大的提升，主要是因为AMD的底层logic die并没有重新设计，3D cache的延迟latency不仅没有减小反而加大，只是增加了cache大小，收益不如latency下降那么明显。

另一方面，clock skew的下降、critical路径变短，造成电路timing变好，意味着华为可以使用更低的Vdd（猜测甚至能低7~8%），以及路径缩短所带来的RC的下降（考虑到clock buffer -56%、wire -28%、SRAM pJ/bit -24%这些数字，比如C_eff下降10~15%合理），再加上clock tree的整体缩短和下降，确实是有可能在部分Voltage/Freq点做到同性能下，做到30%的功耗下降的，而30%的功耗下降换算过来就是41%的power efficiency

对比苹果和高通，每一代手机芯片在iso-power下单核性能一般提升10-20%，iso-performance下功耗一般降30-40%，这是V/F曲线的特性决定的，所以从经验上来说，数字是对的上的。

所以这个power efficiency（能耗比）的提升，从现有的数字上来说可以从topology推导出来是合理的，可能真的和工艺节点没有太大关系

5. 这个技术路线有没有可复制性，其他家会不会效仿？

短期内不会大规模效仿，因为性价比和风险收益比来说不好。长期来看，这个方向所有人都在走，只是名字不一样

华为做LogicFolding的根本驱动力是制裁，工艺节点被卡在7nm，只能在封装、散热和设计层面想办法弥补。华为也为此付出了不小的代价：散热成本，设计复杂度，以及制造成本更高（包括良率）。这是一个被逼出来的路线，不是一个自然选择

其他玩家在用TSMC就能做到正常的经济迭代，是没有必要冒着这个风险，去超前迭代散热技术和设计复杂度的

长期来看，Intel的Foveros、TSMC的SoIC、AMD的MI300的3D stacking都在朝同一个方向走。如果继续追最先进节点的经济性持续恶化，那么"固定一个成熟节点+3D topology optimization"的路线会越来越有吸引力

散热方面，MEMS微型风扇和微流道也会成为未来HBM散热的主流

总结

华为这次的创新，绝对是值得尊重的，在制裁环境下，用极高的设计复杂度和成本，在一个被锁定的工艺节点上大胆重新设计，榨出了一次大的topology红利，虽然它有天花板。每多加一层的边际收益递减（堆叠1→2层、2→3层、3→4层，提升百分比变小），leakage无法解决，散热越来越难，3D EDA工具链更是全新的挑战。

但这个Tau scaling不是一条可以走十年的指数增长路径，每次爬完一个台阶，下一个台阶更难爬，而且台阶更矮收益更小，华为以后想缩小差距，还得再想想靠什么其他的路线

来自:fin

张雪机车

Sat, 04 Apr 2026 00:44:11 +0800

从修车学徒到 WSBK 双冠：张雪机车，改写中国摩托历史的封神之战

当五星红旗在葡萄牙波尔蒂芒赛道冉冉升起，当 820RR-RS 赛车以近 4 秒的碾压优势两回合登顶 WSBK 葡萄牙站，中国摩托的历史被彻底改写 ——张雪机车，这个成立仅两年的品牌，用一场双冠奇迹，打破了欧美日品牌 37 年的垄断，宣告中国智造正式跻身世界顶级摩托车竞技行列。

一、历史时刻：打破垄断的里程碑之战

2026 年 3 月 28-29 日，WSBK 世界超级摩托车锦标赛中量级 WorldSSP 组别（量产车顶级检验场）葡萄牙站，张雪机车厂队书写传奇。

第一回合：车手瓦伦丁・德比斯从第二位发车，起步即展现自研发动机的强劲低扭，前十圈建立 2 秒以上领先优势，最终以3.685 秒巨大差距冲线，创 SSP 组别罕见碾压局。
第二回合：面对围追堵截一度跌至第三，最后三圈连续内线超车，以0.72 秒惊险优势再夺一冠，成就背靠背双冠王。

这场胜利的历史分量，远超奖杯本身：

中国品牌首次登顶：实现中国摩托在 WSBK 顶级赛事 “零的突破”，五星红旗首次因中国品牌在该赛事赛场升起。
终结 37 年垄断：打破杜卡迪、雅马哈、川崎等欧美日品牌对 WorldSSP 组别长达 37 年的领奖台垄断。
赛事含金量拉满：WSBK 是全球顶级摩托赛事，参赛车辆需基于量产车改装，竞技难度堪比 “量产车性能终极对决”，近 4 秒的领先差距在顶级赛事中堪称 “赛道真空区”。

二、全民破圈：从摩友圈到全网的热度风暴

夺冠后，张雪机车的热度彻底炸场，从专业赛场席卷大众视野，成为现象级事件：

订单爆炸：100 小时内斩获5543 台大定，总订单破万，820RR交付排期延至 7 月，即便设置 “驾龄满一年才可购买” 的安全门槛，仍一车难求。
行业震动：倒逼国际品牌重新评估中国市场，日本专业媒体承认 “针对中国摩托车的刻板观念早已过时”。
破圈效应显著：从硬核摩友圈辐射至全民关注，60 岁车迷专程到店看车，海外经销商主动寻求合作，出口订单激增。
话题引爆全网：# 张雪机车 WSBK 双冠# #中国摩托打破欧美垄断# 等话题登顶热搜，网友直呼 “这是中国工业的荣耀时刻”。

三、封神背后：三大核心原因铸就必然胜利

这场胜利绝非偶然，是技术硬实力、创始人执念、产业体系支撑三者共振的必然结果。

1. 技术硬核：全栈自研，打破专利壁垒

夺冠的核心底气，来自 100% 自主研发的核心技术，彻底撕掉 “低端组装” 标签。

核心技术	具体实力	竞品优势
自研三缸发动机	818.8cc 直列三缸，赛道版153.6 匹马力，最高转速16000 转，干重仅52kg	升功率达 187 匹 / 升，低速扭矩比同级进口机型高 18%，避开国际四缸专利壁垒
极致轻量化	赛道版整备168kg，采用碳纤维、钛合金、镁合金等高端材料	比同级进口车型轻 20kg+，弯中操控更敏捷，弯道优势显著
国产电控系统	自研六轴 IMU + 弯道 ABS/TCS，响应速度对标国际顶级	国产首套赛道级电控，实现精准动力控制，零失误应对复杂赛道
国产化率	基础版核心部件国产化率97%，发动机、电控、车架100% 自研	摆脱对外依赖，研发即量产，成本与效率双领先

2. 创始人执念：草根逆袭的偏执与坚守

品牌创始人张雪的个人经历，为这场胜利注入了灵魂与故事感。

草根出身：1987 年生于湖南怀化，14 岁辍学做修车学徒，19 岁为争取职业车队机会冒雨骑行 100 公里求拍摄，从业 20 年累计工时相当于常人 40 年。
两次创业死磕：2017 年联合创立凯越机车，将其打造成年销 3 万台的越野 / 拉力标杆；2024 年因坚持自研发动机与资方冲突，净身出户创立张雪机车，抵押房产借款超千万，投入7000 万研发三缸发动机。
长期主义坚守：2025 年公司营收 7.5 亿元，却将6958 万元投入研发，占比高达9.33%，即便亏损仍坚持技术攻坚，组建超 100 人研发团队，本科及以上学历占比 80%。

3. 产业托举：重庆供应链 + 赛事快速迭代

单靠企业不够，背后是中国完备工业体系的强力支撑。

重庆摩托产业集群：落户 “摩托之都” 重庆，依托51 家整车厂 + 400 余家零部件供应商的完整生态，实现 “研发即量产”，从图纸到赛道夺冠仅用 30 天。
以赛促研高效闭环：从澳大利亚站首秀失利到葡萄牙站逆袭，团队仅用 30 天完成连夜调校与技术优化，赛场数据反哺量产车型，实现 “竞技 - 研发 - 量产” 快速循环。
资本助力加速：浙江国资浙创投精准投资9000 万元，进一步加速技术转化与全球化布局。

四、未来展望：中国摩托的新时代已来

这场双冠之战，不仅是张雪机车的胜利，更是整个中国摩托车行业的转折点。

行业升级：证明中国摩托已完成从 “性价比代步车” 到 “高性能技术领跑者” 的范式转移，为行业注入强心剂。
品牌全球化：夺冠后订单暴涨 200%，海外合作需求激增，正加速布局全球市场，目标 “3 年中国第一，10 年世界前十”。
车型持续发力：820RR（旗舰，4.38 万元）与500RR（2.998 万元，国内四缸仿赛销量冠军）双轮驱动，以 “低价高配” 抢占市场，让更多消费者享受到顶级国产性能。

结语

从修车学徒到世界冠军，从成立两年到 WSBK 双冠，张雪机车用一场酣畅淋漓的胜利，告诉世界：中国智造，早已不止于性价比。

这面在波尔蒂芒赛道升起的五星红旗，不仅是张雪机车的荣耀，更是中国工业实力的见证。属于中国摩托的新时代，已经到来 —— 下一场速度传奇，正蓄势待发。

张雪峰的来时路——缅怀🪻

Wed, 25 Mar 2026 18:41:46 +0800

他本名张子彪，但认识他的人，更习惯喊他那个响亮的名字——张雪峰。

一、来处

东北齐齐哈尔，一个再普通不过的家庭。全家一个月的总收入，不过 600块钱。高考那年，他考了 488分，勉强摸进了郑州大学的门槛。同宿舍的室友，分数是 621分。

同住一屋檐，命运走向两条岔路。

所在的专业是给排水，四年里挂科的次数排成了一串。毕业那天，别人揣走了学位证，他什么也没拿到——那张纸，就这样悄悄泡了汤。

二、折腾

别人把时间花在图书馆，他却跑去参加学校的主持人大赛，还真的抱回来一个金话筒。

那是他二十几年人生里，第一次隐约感觉到：我行。

大二开始，他彻底坐不住了。能想到的营生，挨个儿试了一遍——

卖盗版书
在校门口发传单
去餐馆端盘子
自己开苍蝇馆子

一件一件，全都以失败告终。口袋里比脸还干净，一分不剩。

三、顿悟

转机出现得悄无声息。

一个普通的下午，他帮室友查考研资料，却越查越上劲，信息越扒越停不下来。他忽然意识到：自己天生擅长这件事——把杂乱的信息梳理清楚，把枯燥的数据变成任何人都能听懂的段子。

他把全国 34所985高校的专业特点、录取规律、填报策略，挨个整理成生动有趣的口语讲解。他的嘴，开始真正值钱了。

四、破圈

一条只有 7分钟的视频，悄悄引爆了全网。

家长们闻风排队，把他奉为行走的活招生简章。高考志愿如何填、考研该报哪所学校——他一张嘴讲下来，抵得上一堆人翻烂的参考书。

此后出书、登上综艺，公司估值一路扶摇直上。那个曾经口袋空空的齐齐哈尔穷小子，靠一张嘴，做到了年入千万。

一个没有学位证的人，用自己一路跌跌撞撞摸出来的经历，帮几十万高考生和考研人，选对了人生的方向。

来时路很长，走过这条路的人也很多，但能回过头、把路灯为后来者点亮的，寥寥无几。

今年2026年必学的十五个AI工具：

Fri, 20 Mar 2026 00:36:10 +0800

2026年必学的十五个AI工具

1. 豆包

查资料、写文章、聊天、娱乐等功能特别多。

如果你做自媒体，想写个爆款文案，直接把需求告诉它，不管是搞笑段子、情感故事还是知识科普，它都能快速生成，帮你打开思路。

2. DeepSeek

堪称国产大模型里的"尖子生"。

做跨境电商的朋友对它肯定爱惨了——翻译商品介绍、回复客服咨询又快又准。以前吭哧吭哧半天才能搞定的翻译工作，现在几分钟就能解决，效率翻倍，让你有更多时间和精力开拓业务。

3. Kimi

堪称学术领域的"得力助手"。

对于学生和科研人员而言，它简直是福音。把繁杂的学术文献丢给它，能快速总结要点、梳理核心观点，还能进行精准多语言翻译。期末复习时，对着教材 PDF 提问，重点难点自动划出，节省大量整理资料的时间。

4. 即梦AI

作为设计创作方面的"创意引擎"。

不管是设计电商平台的商品海报，还是制作企业宣传的精美插画，又或是构思独特的 Logo，它都游刃有余。支持国潮、二次元、3D 等多种流行风格，给创作者带来丰富的灵感与选择，让创意轻松落地。

5. 可灵AI

在视频创作领域是"魔法大师"。

自媒体从业者对它爱不释手——输入简单的图文内容，它就能转化成吸睛的视频，还自带智能剪辑和丰富特效模板。想要制作抖音热门视频或是记录生活的 Vlog，用它几步就能搞定，轻松提升视频制作效率和质量。

6. 通义千问

是办公场景里的"效率标兵"。

处理 Excel 数据时，能快速生成复杂公式，分析数据趋势；撰写行业报告、进行市场预测时，也能给出专业且有深度的内容。开超长会议时，它还能精准总结会议纪要，让汇报简洁明了，老板看了都称赞。

7. 扣子（Coze）

是零代码开发的"神奇平台"。

哪怕你没有编程基础，也能通过它快速搭建基于大模型的各类智能体，并部署到各个社交平台、通讯软件。通过可视化工作流搭建，自由组合对话、知识库、API 等功能，满足个性化需求。

8. 秘塔AI搜索

堪称信息查找的"超级导航"。

学术党们对它青睐有加——搜索学术文献、查询专利、解读政策时，不仅能找到大量免费资料，还能精准提取关键数据，辅助研究工作，极大提高学术搜索和资料整理的效率。

9. Gamma

PPT 制作领域的"设计大师"。

只需要输入 PPT 主题和大致内容要点，它就能自动生成逻辑清晰、排版精美的演示文稿——从布局到配色，从图表到动画，都能帮你设计好，彻底告别熬夜制作 PPT 的痛苦。

10. 办公小浣熊

数据分析工作的"智能专家"。

面对大量复杂的数据，它能迅速进行清洗、整理和分析，挖掘数据背后的潜在价值，生成直观的数据可视化图表，让数据汇报更加生动形象，工作效率大幅提升。

11. Cursor

程序员编程路上的"贴心伙伴"。

基于 VS Code 深度优化，拥有 AI 代码补全、自然语言编辑和代码库聊天功能，支持多文件上下文理解。在处理大型代码库时优势明显，帮助程序员高效编写代码，快速定位和修复错误。

12. Windsurf

带来编程协作新体验的"革新者"。

首创"代理式 IDE"概念，通过 AI Flows 实现开发者与 AI 的实时协作，Cascade 技术支持多文件编辑和深度代码库分析，让团队开发协作更加流畅，深受追求高效工作流的开发者喜爱。

13. Tableau

数据可视化展示的"实力担当"。

能将枯燥的数据转化为直观、交互式的可视化报表。无论是分析业务数据、展示项目成果，还是进行市场调研分析，都能让数据以最清晰、易懂的方式呈现，助力决策制定。

14. Power BI

与 Excel 紧密结合的"数据分析师助手"。

和 Excel 配合使用时无缝衔接，能对 Excel 中的数据进行深度分析和可视化展示，制作出专业的数据看板和报告，满足企业不同层级的数据洞察需求。

15. Lovable

非技术人员开发应用的"神奇工具"。

拥有聊天式交互界面，支持全栈开发和一键部署。产品经理等非技术背景人员也能通过它实现简单应用的开发，将想法快速转化为实际可用的产品。

主流 AI 代码助手功能分析（2026年3月）

Wed, 11 Mar 2026 19:14:35 +0800

主流 AI 代码助手功能分析（2026年3月）

一、市场概览

AI 代码助手已从**"补全工具"进化为"编程代理"**，核心趋势：

从补全到 Agent：能自主完成完整功能、跑测试、提交 PR
IDE 深度整合：Cursor、Windsurf 直接 fork VSCode
多模型路由：GPT-4o、Claude 3.7、Gemini、DeepSeek 自由切换
企业级私有化：本地模型、自托管成为企业刚需

二、主流工具详细分析

1. GitHub Copilot

定位：微软/GitHub 出品，全球最普及的 AI 编程助手

用户规模：1500 万+ 开发者，覆盖 Fortune 500 企业
定价：免费版 2000次/月 · Pro $10 / 月 \cdot 企业$ 19/用户/月
支持 IDE：VS Code · JetBrains · Vim/Neovim · Visual Studio
知名用户：广泛用于各大科技企业

核心功能：

实时代码补全（行内/多行/整函数）
IDE 内嵌 Chat（解释/重构/调试问答）
代码生成（注释转代码，需求生成模块）
PR 自动 review（识别 Bug 和安全漏洞）
测试生成（自动生成单元测试）
文档生成（函数注释/README）
Agent 模式 Copilot Workspace（自主拆解任务并实现）
安全扫描（硬编码密钥、SQL 注入等）
私有仓库自定义推荐
GitHub CLI AI 命令补全

2. Cursor

定位：AI-first IDE，"最好的 AI 编程方式"

用户规模：Fortune 500 超半数企业，Salesforce 2 万工程师
定价：Hobby 免费 · Pro $20 / 月 \cdot B u s i n e s s$ 40/用户/月
支持平台：macOS · Windows · Linux（VS Code fork）
知名用户：Andrej Karpathy、黄仁勋公开推荐；YC 工程师采用率 80%+

核心功能：

Tab 智能补全（多行 + 预测下一步编辑位置）
Cmd+K 精准编辑（自然语言描述意图，精准重写代码）
代码库上下文 Chat（带完整项目理解的 AI 对话）
Agent 模式（跨多文件自主实现功能、运行命令）
代码库深度索引（理解任意规模项目结构）
自动调试（识别报错，自动定位并修复 Bug）
多模型支持（OpenAI / Anthropic / Gemini / xAI）
自动驾驶模式（多 Agent 并行，预览版）
规则系统（团队编码规范 Agent 自动遵守）
隐私模式（代码不用于训练，SOC2 认证）

3. Windsurf（原 Codeium）

定位：最直觉化的 AI 编程体验，强调开发者心流状态

用户规模：100 万+ 用户，4000+ 企业客户，AI 编写代码占比 94%
定价：Free 免费 · Pro $15 / 月 \cdot T e a m s$ 35/用户/月
支持平台：Windsurf IDE · VS Code 插件 · JetBrains 插件

核心功能：

Cascade Agent（自主执行多步骤编程任务）
记忆系统（记住代码库信息和工作流偏好）
Lint 自动修复（检测并修复 AI 生成代码的 lint 错误）
MCP 工具连接（Figma · Slack · Stripe · PostgreSQL）
图片拖放生成前端代码
终端 AI Cmd+I（生成/解释终端命令）
Turbo 模式（AI 自动执行终端命令，无需确认）
任务续接（记录操作历史，随时恢复工作）
多模型支持（支持所有主流模型提供商）
上下文感知内联补全

4. Amazon Q Developer（原 CodeWhisperer）

定位：AWS 官方出品，最懂 AWS 生态的 AI 编程助手

定价：Free Tier 50次Agent/月 · Pro $19/用户/月

核心功能：

实时代码补全（业界最高接受率）
Agentic 编码（自主实现功能/文档/测试/审查/重构）
安全漏洞扫描（业界最高检测率，覆盖主流语言）
代码迁移升级（.NET 迁移 Linux · Java 8 升级到 17）
AWS 架构专家（最佳实践/账单分析/资源优化）
私有仓库自定义推荐
CLI 集成（自然语言转 Bash）
数据辅助（自然语言写 SQL · ML 模型设计）
Teams/Slack 集成（监控 AWS 事件、排查故障）
SWE-Bench 排行领先

5. Tabnine

定位：企业级 AI 编程助手，强调隐私安全和代码规范一致性

用户规模：数百万开发者，LG Electronics 等大型企业采用
定价：Dev 免费 · Pro $12/月 · Enterprise 定制

核心功能：

智能代码补全（上下文感知，行内/多行）
代码解释（解释选中代码逻辑，对新手友好）
代码生成（自然语言生成代码片段或完整函数）
测试生成（自动生成单元测试）
Bug 修复建议
文档生成（自动生成代码注释和文档）
私有仓库微调（在企业代码库上 fine-tune 专属模型）
私有化部署（本地服务器或私有云，代码不出企业）
代码规范学习（学习团队风格，自动保持一致性）
使用效率统计报告

6. Claude Code（Anthropic）

定位：终端驱动的 AI Coding Agent，深度理解并操作整个代码库

定价：按 Claude API 用量计费
运行环境：终端 CLI（macOS · Linux · WSL）

核心功能：

代码库全量理解（递归读取整个项目，建立完整上下文）
多文件协调编辑（跨文件协调修改，实现完整功能）
命令自主执行（运行测试/构建/lint/git 等操作）
自主 Bug 调试（独立定位、分析、修复 Bug）
大规模代码重构（重组项目结构，跨文件统一修改）
测试驱动开发 TDD（先写测试，再实现代码）
Git 全流程集成（自动 commit/写 commit message/管理分支）
CLAUDE.md 规范（定义项目规则，Agent 持久记忆遵守）
MCP 协议扩展（接入外部工具和数据源）
并行 Agent（多个 Agent 并行处理不同子任务）

7. DeepSeek Coder / 通义灵码

定位：国产 AI 编程方案，成本极低、满足国内合规要求

定价：DeepSeek API 约为 GPT-4 的 1/30；通义灵码个人版免费
支持 IDE：VS Code · JetBrains（通义灵码）；DeepSeek API 可接入任意工具

DeepSeek Coder 功能：

高质量多语言代码补全（支持 80+ 编程语言）
自然语言转代码生成
复杂代码逻辑解释
错误分析与修复方案
算法与数据结构高质量实现
成本约为 GPT-4 的 1/30，极具性价比

通义灵码功能：

行/函数级实时智能补全
自然语言描述需求生成代码
一键生成单元测试
代码性能与可读性优化
需求到代码到测试到上线全链路支持
数据不出境，满足国内企业合规要求

三、功能对比速览

功能	Copilot	Cursor	Windsurf	Amazon Q	Tabnine	Claude Code
代码补全	✅	✅	✅	✅	✅	➖
AI 对话问答	✅	✅	✅	✅	✅	✅
多文件 Agent	✅	✅	✅	✅	➖	✅
测试自动生成	✅	✅	✅	✅	✅	✅
安全漏洞扫描	✅	➖	➖	✅	➖	➖
私有化部署	➖	➖	✅	✅	✅	➖
模型私有微调	➖	➖	➖	✅	✅	➖
MCP 扩展支持	✅	✅	✅	➖	➖	✅
多模型自由切换	✅	✅	✅	➖	➖	➖
有免费版	✅	✅	✅	✅	✅	➖

四、选型建议

👨‍💻 个人开发者入门

Cursor / Windsurf

免费版功能强，UX 最好，Agent 能力最强

🏢 企业团队（海外）

GitHub Copilot

最成熟，GitHub 生态整合好，管理功能完善

☁️ AWS 重度用户

Amazon Q Developer

深度懂 AWS，代码升级迁移能力突出

🔒 企业私有化部署

Tabnine / Amazon Q Pro

本地模型，代码不出企业网络

🏗️ 复杂重构/大型项目

Claude Code

代码理解能力顶级，适合大规模改造

🇨🇳 国内企业合规

通义灵码 / DeepSeek

数据不出境，成本极低

⚡ 全能 Agent 开发

Cursor + Claude 模型

当前公认的最强组合

五、技术能力四层框架

层级	能力描述
L1 补全层	行内补全、Tab 续写、函数补全
L2 生成层	自然语言转代码、注释转实现、测试生成、文档生成
L3 理解层	代码解释、Bug 分析、代码审查、安全扫描、重构建议
L4 Agent 层	跨文件实现功能、自主运行命令、迭代调试、PR 自动化、多 Agent 并行

💡 2026 年竞争重心已在 L4 Agent 层，各工具都在加速进化自主编码能力。

数据来源：各产品官网、GitHub、公开评测
更新时间：2026年3月11日

知了博客

AI 使用 Unity MCP 自动操作 Unity：从连接配置到生成五子棋场景的实战记录

测试环境

MCP 连接验证

使用 AI 创建测试场景

让 AI 写一个单机五子棋

自动编译和验证

Unity MCP 的实际价值

使用过程中的注意事项

总结

从 Z-BlogASP 到 Z-BlogPHP：一次老博客升级迁移记录

一、为什么不继续使用 ASP 版本

二、先确认云主机环境

三、本地先演练，不直接动线上站

四、导出旧 ASP 数据

五、导入到 Z-BlogPHP SQLite

六、附件和图片路径处理

七、分页、分类、归档和缓存

八、主题升级与调整

九、云主机部署

十、线上遇到的几个问题

1. PHP 版本绑定不一致

2. HTTPS 识别问题

3. 模板编译文件不存在

十一、为什么暂时不迁 MySQL

十二、迁移经验总结

IAP（In-App Purchases，内购付费）为主的微信小游戏微调

1. 数据来源与接入（IAP重点）

2. 核心KPI（IAP导向）

3. 分析方法（IAP专属）

投前（冷启动/立项）

投中监控与迭代

投后复盘

4. 有效响应与优化动作（IAP痛点针对）

5. 注意事项与资源

腾讯广告数据分析 + 有效优化响应（针对微信小游戏推广）

1. 数据来源与接入（基础必备）

2. 关键指标（KPI）解读

3. 分析方法（分阶段）

投前分析（测试/冷启动）

投中监控与优化（日常核心）

投后复盘（数据资产沉淀）

4. 有效响应与优化动作

5. 实用建议与注意事项

纳斯达克100指数最新行情（截至2026年6月5日周五收盘）

华为τ scaling定律看法

1. 华为芯片堆叠带来的等效密度提升，是虚假宣传还是真的，是不是工艺突破？有没有实打实的好处？

那么这样看起来虚假的等效密度提升，有用处吗？好处在哪里？

既然没有实质上的工艺提升，华为芯片堆叠带来等效密度提升的trade off代价在哪里？

2. Tau scaling这个说法，scaling的到底是什么，这个scaling技术路线是不是一次性的design topology红利？潜力如何？持续进步的空间在哪里？

3. 华为的芯片堆叠，是不是TSMC/AMD已经有的hybrid bonding技术？华为做到的是cache on logic，cache on cache，还是logic on logic，logic on logic最大的散热问题是怎么解决的？

4. 从架构角度来说，最重要的问题，华为41%的power efficiency（能耗比）提升，到底是怎么实现的？为什么AMD的3D V cache没有这么大的提升？

5. 这个技术路线有没有可复制性，其他家会不会效仿？

总结

张雪机车

从修车学徒到 WSBK 双冠：张雪机车，改写中国摩托历史的封神之战

一、历史时刻：打破垄断的里程碑之战

二、全民破圈：从摩友圈到全网的热度风暴

三、封神背后：三大核心原因铸就必然胜利

1. 技术硬核：全栈自研，打破专利壁垒

2. 创始人执念：草根逆袭的偏执与坚守

3. 产业托举：重庆供应链 + 赛事快速迭代

四、未来展望：中国摩托的新时代已来

结语

张雪峰的来时路——缅怀🪻

一、来处

二、折腾

三、顿悟

四、破圈

今年2026年必学的十五个AI工具：

2026年必学的十五个AI工具

1. 豆包

2. DeepSeek

3. Kimi

4. 即梦AI

5. 可灵AI

6. 通义千问

7. 扣子（Coze）

8. 秘塔AI搜索

9. Gamma