MCP 是 Anthropic 推出的开放协议，为 LLM 提供了一套标准化的 “ 感知与行动 “ 接口。其核心价值在于：将 AI 从 “ 对话孤岛 “ 升级为可操作真实世界的智能体。

flowchart LR
    subgraph Host["Host (Cursor/Claude)"]
        LLM[LLM]
        Client[MCP Client]
    end
    subgraph Servers["MCP Servers"]
        S1[GitHub Server]
        S2[Search Server]
        S3[Browser Server]
    end
    LLM <--> Client
    Client <-->|JSON-RPC 2.0| S1
    Client <-->|JSON-RPC 2.0| S2
    Client <-->|JSON-RPC 2.0| S3

深入解析 AI Prompt 的工作原理，阐述提示词工程的核心要素，并在 Fine-tuning 与 Prompting 之间建立清晰的认知边界。

Claude Agent Skills 将 Claude 从纯对话模型升级为可调用外部工具的智能代理。通过预定义的工具描述，Claude 根据任务需求自主决定何时查询天气、操作电脑、检索数据库或执行其他具体操作。

%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#4F46E5', 'primaryTextColor': '#000', 'primaryBorderColor': '#3730A3', 'lineColor': '#6366F1', 'secondaryColor': '#10B981', 'tertiaryColor': '#F59E0B'}}}%%
flowchart TD
    A(["用户请求"]) --> B["Claude 核心决策层"]

    subgraph "Claude 决策闭环"
        B --> C{"需要工具?"}
        C -->|"是"| D["选择技能/构造参数"]
        C -->|"否"| E["直接回答"]
    end

    subgraph "执行与反馈层"
        D --> F["工具箱"]
        F --> G["API 调用"]
        F --> H["Computer Use"]
        F --> I["代码解释器"]

        G --> J["执行结果"]
        H --> J
        I --> J
    end

    J --> B
    E --> K(["最终输出"])

    classDef primary fill:#4F46E5,stroke:#3730A3,color:#fff
    classDef success fill:#10B981,stroke:#059669,color:#fff
    classDef decision fill:#F59E0B,stroke:#D97706,color:#000
    classDef info fill:#06B6D4,stroke:#0891B2,color:#fff

    class A,K primary
    class B,D info
    class C decision
    class E,G,H,I,J success

服务端渲染 (SSR) 将页面渲染从浏览器前置到服务端，服务器执行组件逻辑并生成完整 HTML 返回给浏览器。本文从 SPA 的痛点出发，梳理主流渲染策略的原理与适用场景，并覆盖缓存、部署、降级等工程实践。

本文详细介绍 Google 账号地区修改方法、Google Play 商店访问、家庭组管理配置、Gemini 学生认证流程以及常见问题的解决方案。

1. 修改地区

1.1 查看当前地区设置

修改地区前，首先确认账号当前关联的地区信息。

• Google 服务条款 - 查看账号关联的地区信息
• Google Play 商店 - 右下角显示当前地区

graph TD
    Root["Ghostty 终端(全景)"] --> Core["核心引擎(性能基石)"]
    Root["Ghostty 终端(全景)"] --> Config["个性化配置(定制)"]
    Root["Ghostty 终端(全景)"] --> UX["交互体验(原生感)"]
    Root["Ghostty 终端(全景)"] --> Ecosystem["生态扩展(高级)"]

    Core --> TechStack["Zig 语言(内存安全且快)"]
    Core --> Rendering["GPU 加速(渲染如丝般顺滑)"]
    Core --> CrossPlatform["跨平台(macOS/Linux)"]

    Config --> FileStructure["纯文本配置(~/.config/ghostty)"]
    Config --> Theming["主题配色(支持无数配色方案)"]
    Config --> Fonts["字体特性(连字/NerdFonts)"]

    UX --> NativeUI["原生 UI(无违和感)"]
    UX --> Keybinding["快捷键系统(完全自定义)"]
    UX --> TabsSplits["标签与分屏(基础窗口管理)"]

    Ecosystem --> Multiplexers["终端复用器协作(Tmux/Zellij)"]
    Ecosystem --> ShellInteg["Shell 集成(Bash/Zsh/Fish)"]
    Ecosystem --> Shaders["着色器特效(复古CRT效果等)"]

Ghostty 是一个基于 Zig 编写的跨平台终端模拟器，使用 GPU 加速提升渲染性能。相比 iTerm2 更轻快，比 Alacritty 功能更丰富，GPU 渲染即使输出大量日志也能保持流畅响应。

1. 使用场景

1.1 Prompt 和 Skills

• https://github.com/unix2dos/ai-prompt
• https://github.com/unix2dos/skills

有了 skills 后，可以维护自己的 skills 库终身使用。

整理 AI 编程核心资源：Code Review 工具、AI IDE 配置方案及账号认证方法。

flowchart LR
    subgraph CR["Code Review"]
        A1["CodeRabbit"]
        A2["Greptile"]
        A3["AmpCode"]
    end

    subgraph IDE["AI IDE"]
        B1["Kiro"]
        B2["Antigravity"]
        B3["AmpCode"]
        B4["OpenCode"]
        B5["Cursor"]
        B6["Clude Code"]
    end

    subgraph AUTH["账号认证"]
        C1["ChatGPT 教师认证"]
        C2["谷歌相关认证"]
    end

    AI["AI 编程资源"] --> CR
    AI --> IDE
    AI --> AUTH

    classDef primary fill:#4F46E5,stroke:#3730A3,color:#fff
    classDef success fill:#10B981,stroke:#059669,color:#fff
    classDef warning fill:#F59E0B,stroke:#D97706,color:#000
    classDef info fill:#06B6D4,stroke:#0891B2,color:#fff

    class AI primary
    class A1,A2,A3,A4 success
    class B1,B2,B3,B4 info
    class C1,C2 warning

本文旨在解析大型语言模型（LLM）的核心概念、命名规范及 Google 模型生态，并汇总实用的代理与免费资源，为开发者提供高效的选型与使用指南。

1. AI 核心概念

理解 Token 机制与计费模型是进行成本控制和架构设计的基础。

获取客户端 IP 看似简单，实际涉及网络架构与安全信任两个维度的权衡。服务是否经过代理、代理是否可信，直接决定了获取策略。

1. IP 获取优先级

以下是获取客户端真实 IP 的标准优先级，适用于部署在可信代理（Nginx、AWS ELB、Cloudflare 等）后的服务：

%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#4F46E5', 'primaryTextColor': '#000', 'primaryBorderColor': '#3730A3', 'lineColor': '#6366F1', 'secondaryColor': '#10B981', 'tertiaryColor': '#F59E0B'}}}%%
flowchart TD
    A(["请求到达"]) --> B{"X-Forwarded-For 存在?"}
    B -->|"是"| C["取第一个 IP"]
    B -->|"否"| D{"X-Real-IP 存在?"}
    D -->|"是"| E["使用 X-Real-IP"]
    D -->|"否"| F["使用 RemoteAddr"]
    C --> G(["返回客户端 IP"])
    E --> G
    F --> G

    classDef primary fill:#4F46E5,stroke:#3730A3,color:#fff
    classDef success fill:#10B981,stroke:#059669,color:#fff
    classDef decision fill:#F59E0B,stroke:#D97706,color:#000

    class A,G primary
    class C,E,F success
    class B,D decision