通过 V 站找到工作的

对我来说我一直在读书，家里的亲戚一年最多只能见上一面，而且因为农村拆迁，亲戚们都搬到各个地方，着实是见不着，在这种情况下，生疏也是没办法的事。

目前在用 TRAE 、GLM-4.5 + CC
TRAE 是比较便宜能用上 Claude Sonnet 4 的方式了
GLM-4.5 的能力比 Claude 差一点，但是配合 cc 用起来非常舒服，做仓库的一些问答，写一些小脚本都非常好使

不要买，对这个牌子的印象不好，出租房里的是这个牌子的低端产品，亮度感觉都不够，我看着都眼花

也就一些小众领域缩写变多，日常会话这些年看也没什么变化吧

当前的 AI 解决的是规模化的问题，不是解决从零到一的问题。狗屎的现有流程放大了只是一堆狗屎而已。

你可能需要的是平铺式窗口管理器，例如 Amethyst

我用的也是 iPhone 13 ，平时出门多带了块磁吸充电宝，没电就充，也没续航焦虑了

我用的是第一代的 macbook air ，原生只能接一个显示显示器，然后淘了个二手的 displaylink 拓展坞，大概 220 ，能带动两台显示器，但要占用 CPU 。只是码字看看视频还是比较流畅的，因为是办公室的显示器，所以没试过游戏效果怎么样。

总之是没有太高延迟的要求，displaylink 的拓展坞还是不错的，完全够用，毕竟一代 macbook air 也能带得动。

二手的 displaylink 可以考虑。

不推荐三星的 T 系列，推荐镁光的移动硬盘

推荐 tabby ，可以本地代码问答和，如果内存在 16GB 或以下，建议用 1.5b 的模型，再大速度就很慢了。

如果使用 macOS ，直接用 brew install tabbyml/tabby/tabby ，然后访问后台注册账户，在设置界面拿到 token ，然后在 vscode 中装上 tabby 扩展，填入本地 tabby 服务地址和 token

如果使用 ollama 做后端，可以参考下面配置：

下面是一个使用 qwen2.5-coder:7b 的参考配置，你需要先用 ollama pull qwen2.5-coder:7b-base 和 qwen2.5-coder:7b ，前者适合做补全，后者适合做问答。

~/.tabby/config.toml
```
# Completion model
[model.competion.http]
kind = "ollama/completion"
model_name = "qwen2.5-coder:7b-base"
api_endpoint = "http://localhost:11434"
# prompt_template 不同的模型配置可能不一样，需要自己注意一下
prompt_template = "<|fim_prefix|>{prefix}<|fim_suffix|>{suffix}<|fim_middle|>"

# Embedding model
[model.embedding.http]
kind = "ollama/embedding"
model_name = "bge-m3:latest"
api_endpoint = "http://localhost:11434"

# Chat model
[model.chat.http]
kind = "openai/chat"
model_name = "qwen2.5-coder:7b"
api_endpoint = "http://localhost:11434/v1"
```

喷壶 + 魔术扫把 + 抹布
喷壶先给地面撒一遍水，然后用魔术扫扫一遍，絮状物和水最后集中在一起，用抹布清掉

fsnotes

macOS 有没有开机键根本问题不大，试问大家多少次碰一次电源键？让使用频率低的操作隐藏起来还可以避免接线的时候误触，我觉得这个改动没问题。

另外你可以考虑用使用一些代码的复杂度计算工具，例如看看循环复杂度，代码的不稳定度，然后从循环复杂度最低的函数开始看起，从易到难，然后再去重构哪些循环复杂度高的代码。