Posts

这两天最重要的AI新闻，就是Anthropic公开发布了招股书，这个招股书最早在今年（2026）6月1日时就秘密提交了，然后修改了5词，最终在10月26日公开，这是最近一段时间来，我们能够真正看清楚这家美国AI领头的公司，甚至整个AI发展现状和趋势的最权威、最有价值的文件了。 首先来简单过一下这个招股说明书，说明书非常长，我有必要帮大家捋一下。去掉头上格式要求的部分，招股书首先说了Anthropic公司的愿景：AI Agent将会无处不在，包括软件开发、物理、数学、生物学、药品、金融、经济、商业、机器人、军事等等方面。然后提出了AI的4个风险点：滥用、失控、专制滥用和经济危机。后面是公司介绍及文化，我们就跳过。再下面是目录和专有名词定义，然后就开始进入摘要部分，这部分是我们看懂公司逻辑的主要参考，我把内容放在后面，有兴趣的同学可以自己看。正文分为几大块内容： 1，风险因素： 列了一大堆，包括能否持续领先，对创始团队的依赖这些常见的，更值得注意的是对持续获得算力的需求，和AI引起的风险这些部分，这个是跟其他行业不太一样的地方，等下我们详细讲讲 2，关于前瞻性陈述的特别说明：格式要求，略过 3，行业、市场及其他数据：行业数据来源的说明，略过 4，募集资金用途：募集资金用途，主要用于优秀人才的聘用和留任（大模型公司真正的第一竞争力，比算力还值钱）、算力和基础建设投入，投资或者收购，但是公司并没有明确说明，而是可以自主决定 5，股利政策：没有任何承诺（毕竟公司还需要大把的算力投入） 6，资本结构：专业人士才关注，略 7，摊薄：专业人士才关注，略 8，管理层对财务状况和经营成果的讨论与分析： 这部分讲公司的财务模型，比较重要，我们仔细讲讲： 公司的财务模型建立在四个主要驱动因素之上，它们决定了公司业绩的走向： Claude 的采用。 Claude 每一代模型智能与能力的提升，推动 Claude 在全球经济中的普及。随着新客户采用 Claude、现有客户将其使用扩展至新的工作流程，公司的收入随之增长。 算力效率。 公司专注于提升每投入一美元算力所产生的智能和收入，并已实现显著的效率改进。 运营效率。 公司的人才高密度、高效的市场拓展，以及公司的团队在工作中对 Claude 的广泛使用程度，共同推动经营利润率、调整后经营利润率和人均收入的改善。 算力投资。 投资算力对支持公司的长期增长至关重要，公司拟继续在算力上进行大量投资。 公司业务的基础是公司的四个 Claude 模型类别家族——Mythos（包括 Fable）、Opus、Sonnet 和 Haiku——每一类别均针对能力-成本-速度曲线上的不同点位进行了优化。公司的前沿模型使客户能够为每个用例匹配合适的模型。客户通常在需要更高模型智能的复杂推理、编程和智能体工作流中使用更高能力的模型。客户也经常采用公司的全系列模型，将各项任务路由到沿能力-成本-速度曲线最能满足其需求的模型。客户使用的模型和使用量是客户支出的主要驱动因素。公司与客户建立直接的合同关系，并为客户提供直接向公司购买或通过云服务商市场购买的灵活性，许多客户同时使用这两种渠道。 按智能付费——公司基于按量收费的收入模式——是公司的主要收入模式，目前占公司总收入的绝大部分。在这一模式下，客户按使用量付费，使用量以token计量，并根据所选模型定价。公司的按智能付费收入主要来自构建集成 Claude 的应用或使用公司第一方应用的客户。此外，公司以订阅方式提供公司的某些应用，同时服务企业客户和专业个人用户。在这一模式下，客户为订阅期（通常为12个月或更短）内特定水平的使用量和功能支付订阅费。根据客户选择的模型、平台或应用，他们采用按智能付费定价、订阅制定价，或两者兼有。例如，当订阅用户接近或用尽其所在层级包含的使用容量时，他们可以升级到更高的订阅层级，或直接购买更多智能，从而形成从订阅到增量按智能付费收入的无缝衔接。越来越多的企业客户签订不可撤销的年度或多年期合同，并附带最低支出承诺，以换取承诺价格表。这些合同主要产生基于消费的收入。 基于按量收费的收入从截至2024年12月31日止年度的2.88亿美元（占总收入的75%）增至截至2025年12月31日止年度的38亿美元（占总收入的83%），并进一步增至截至2026年6月30日止六个月的131亿美元（占总收入的80%）。基于订阅的收入在同期从9,800万美元（占总收入的25%）增至7.89亿美元（占总收入的17%），并进一步增至32亿美元（占总收入的20%）。基于按量收费的收入增幅更大，反映了 TTM 收入达10万美元或以上的客户数的增长。2023年，公司4,100万美元的收入几乎全部为基于按量收费的收入，反映了公司早期的经营状况。公司预计基于按量收费的收入在可预见的未来将继续占公司总收入的绝大部分。 公司近期的增长可能反映了早期采用动态、AI 市场的新兴性以及客户初期的快速扩张，这些可能随时间推移而不可持续。公司预计公司的收入增长率将随时间下降，并且随着公司的收入基数扩大和市场成熟，其下降幅度可能显著且快于公司的预期。 这里说说2026年上半年亏损807亿美元的事情。很多媒体宣传说，Anthropic公司巨亏，但是这里是个误读，2026年上半年，真正的运营利润已经转正。我们来拆解一下2026年上半年的收入和费用。2026年上半年，公司收入为162.86亿美元，算力和基础建设费用89.45亿美元，人力成本31.52亿美元，销售和市场费用31.68亿美元，管理费用17.14亿美元。这么算下来，运营利润为负6.94亿美元。那么亏损807亿美元是怎么来的呢？重点在后面，非经营性收入部分，我们继续拆解，利息收入11.11亿美元，可转换票据、衍生负债及 SAFE 的公允价值变动损失723.88亿美元（这是重点），其他费用87.57亿美元（这部分招股书后面有解释）。这样，这723.88亿美元的亏损就清楚了，是公司早期在募资时，发行的可转债，以当时较低的估值发行，现在估值上去了，这部分按照美国的会计准则就要算成损失，这不是真正的经营性损失。 下面这个按季度的收入和算力投入，才是真正要关注的，招股书里面放了这张图，看起来非常好看，收入增长速度高于投入增长 利润率逐步提升 企业客户数量迅速提升 整体上讲，Anthropic是一家以企业客户为主的toB公司，而且收入主要来自token按量收费。这个可以从两方面来解读：公司的大模型效果比竞争对手更好，企业愿意使用，同时也表明了企业用户随时可以迁移走，因为缺少订阅收费，企业客户更理性，会随时评估竞争对手的性价比。 这部分还有大量的财务报表，我们略过。 9，业务： 这部分主要讲公司的业务模型、产品策略、增长策略等等，也比较重要。 这里首先讲的是业务循环+投资循环。业务循环比较常规，就是更好的模型带来更多用户，更多用户的使用，可以改进模型。投资循环讲得是更好的模型，能够得到更多投资，更多投资能够持续改善模型。 更重要的是，模型本身就在两个循环当中，大模型企业中，跟一般公司产品服务不一样的地方，更好的模型，自己能够改善自己，用AI创造更好的AI，让AI自己演化！ 公司认为自己的核心优势在于：使命与专注（这个是废话）、人才与文化、模型的前沿性和安全性、算力获取的策略、和企业战略（这个也是废话）。AI 模型性能随模型规模、训练数据和算力的增加而可预测地提升，这点到目前仍然成立！公司收入快速增长的同时，运营效率也在同步提升，随着公司通过解锁新能力、并以更低的单任务成本交付现有能力来为客户创造价值，普及也在加速。客户的单任务成本下降有两个原因：更新、更强的模型版本可以更高效地完成任务；以及公司可能降低模型的收费价格。例如，随着2026年9月 Claude Fable 5.1 的发布，公司将典型工作负载的成本相比 Fable 5 降低了约25%，对于复杂编码和高度智能体化的任务，节省幅度最高可达45%。同样，随着同月 Opus 5.5 的发布，公司将客户的单任务成本相比 Opus 5 降低了约40%。在每种情形下，降幅都是更低价格与更高效率的组合，两者的贡献因任务而异。还有一个是高人才密度，截至2026年9月30日，在约5,300名员工的规模下，Anthropic的 TTM 人均收入超过660万美元——这反映了公司所认为的世界上最密集的 AI 研究人才。公司培育一种弱化自我、高影响力、与使命一致的文化，把摩擦降到最低；公司相信，这造就了一个产出与其人数不成比例的组织。 这里我做了个图对比一下： ...

最近看公众号文章，发现openclaw已经没了热度，即使刷到，也是“openclaw死了”这样的标题，但是真的是这样吗？我先放一张图，我最近截的github星星排行榜： OpenClaw排名第六，而且排在它前面的，都不是真正的开源软件项目，排在它后面的也不是（前10），都是些编程学习资源，看来大家都喜欢搜集免费资源啊。我不是想说openclaw有多好，它的使用门槛确实仍然很高，只限于专业技术人员（可能不少开发人员也跑不顺利吧），但是它仍然是技术人员用的最多的开源项目之一，而且它是完全开源的，有足够的灵活度，应该也是国内一众harness的模仿（如果不是抄袭）的对象。如果没有openclaw一炮打响，像腾讯workbuddy这样的产品，估计会晚很久才出来。这个就像linux，有个最初的内核，就会有更多的系统厂家来基于它，发布自己维护的版本，也会有更多软件厂商来基于这个操作系统来构建和发布自己的软件。现在有越来越多的CLI，MCP，SKILL等等层出不穷，一个软件不开放给Agent，已经很难被用户接受，AI的一整天使用，逐渐成长为一个生态。 那为什么这么多人说“OpenClaw已死”，我想大概是非傻即坏，傻的就是缺少批判性思维，去验证其他人的说法是不是事实，去思考别人的思维逻辑是否正确，或者自己完全不懂，不会用，甚至没用过，久盲从别人的说法。坏的那些大概就是用一个标题来吸引眼球，获得流量，做键盘侠。 既然我说OpenClaw还是开源顶流，拿了github的排名说事，很多人可能还会质疑，那我就说一下，两个我在OpenClaw上搭建的工作流。 第一个工作流是从文字材料到视频生成技能。 现代人们阅读文字的意愿（如果不是能力）越来越低，想要更好地讲清楚一件事情，需要把文字内容制作为简单明白的视频内容。如果按照以前的做法，从文案、脚本、分镜、拍摄、后期、剪辑到最后视频制作，周期漫长、成本极高。有了AI以后，大可以这样做，先把需要制作的文字材料，改写为适合视频的文案，比如内容取舍、内容概括、包括转为更口语化的内容等等。这一步AI可以做得非常好了，我一般会让AI生成几个版本，然后按照我设定的评价体系，让AI从中选择一个最好的。 做工作流，有一个很重要的经验，就是每个步骤的中间结果都要有检查，有返工，不让问题留到下一个步骤，越早发现的问题，解决的成本越低，影响越小。所以，每个步骤的评价体系和返工的要求，是一个工作流能否稳定、高质量工作的关键。 有了文案以后，就要开始做分镜。一般按照文字内容中的场景切换、步骤等，让AI进行切分，而且每个分镜的时长，控制在5秒以内。因为太长了，后面的视频生成步骤时，会很容易出错，而且可选的模型也会更少。在分镜后，我会要求把各个分镜中出现的同一个人物角色、物品的信息提取出来，然后单独生成图片，给后续视频生成时参考。（这里也可以用同样的提示语，而不是图片作为参考，这样虽然在一致性上会差一点，但是成本会更低）同样，分镜完成以后，会检查分镜之间是否一致，是否衔接等等。 下一步是每个分镜的提示语了。在开始前，要确定好整体风格、画面比例这些信息，让每个提示语都带上。一个好的提示语，应该包含哪些内容？其实官方一般都会有说明，比如：主体、动作、背景、构图、焦距、光圈、风格、氛围、光线、色调等等。（哦，和拍摄照片视频几乎一样，像我这样喜欢拍照的人来说，这些都太熟悉了，但是要在按下快门那一刻，同时考虑那么多内容，确实非常非常难，但是用这些要求让AI生成画面，就简单很多）同样，提示语完成以后，要让AI自己通过设定好的checklist，进行仔细核查。提示语有了以后，就可以调用text2image或者image2image，有非常多的CLI或者API可选。生成图片以后，我还好找一个多模态的AI模型，来判断图片和提示语是否一致，图片中是否有不合理的地方等等，如果发现了，就让AI修改提示语，增加限制，然后重新生成。 后面步骤也类似，用图片生成视频(image2video），增加旁白(text2speach)，最后用ffmpeg把多段内容压到一起，增加背景音乐等等。不过目前，最后的剪辑，我还是手工完成，虽然AI可以实现，但是做得还不够好，而且最终还需要人的审美来判断某些内容要不要用，放在哪里用等等。 其实仔细思考会发现，一个好的AI工作流，跟一个好的真实工作流，要具备的特性一模一样：每个环节职责、输入、输出清晰，自我负责；整个工作流有始有终，有闭环。这样的工作流，才能保证一个稳定的输出结果。 第二个工作流是文章写作。这个非常有意思，并不是常用的AI批量生成文章的能力，让我慢慢说来。 首先，现在读微信公众号文章，或者头条这样的，有UGC的内容的平台，非常多的文章，都会有一股浓浓的AI味，我总结了一下，比如事实性的错误，夸张的语气，自以为是的提法。我并不排斥AI生成的内容，但是这些让人读起来很不舒服的内容，我会坚决抵制。于是我先训练了一个AI文字检测的程序。 简单说一下原理，目前，任何一个主流的大模型，它的输出都是一个概率模型，比如上一个字是”你‘，下一个就会按照一定概率输出“好”，“是”等等，这个概率和候选字(词)的范围，每个模型是固定的。要检测一段文字，是不是ai生成的，只要看它是不是符合这个概率。网上还有一些通过特定句式、结构来判断是否是ai生成的内容，比如wiki百科里面有：Signs_of_AI_writing这部分内容，也有人基于这个专门做了去AI味的技能，比如humanizer。仅仅是基于ai生成常见句式来修改的方法，做起来很容易，让人读起来不那么难受，但是在检测模型前，无所遁形，因为修改以后输出的内容，还是会符合ai生成的概率模型。 知道这个原理以后，自己做一个ai检测的模型，就不难。首先要找一批人类写作的内容，比如2020年前的各种博客文章、知乎论坛、甚至电子书籍。内容形式尽量广泛（除非你想训练的是针对某个特定领域的内容），再找一批AI写作的内容，我是用各种模型（GLM、Qwen、deepseek、minimax、kimi、豆包等等）用同样的提示词和要求，生成了一批。这里有个小技巧，为了提升检测模型的准确度，可以增加同一篇文章用不同模型生成的混合内容。下一步，就是让ai基于这些内容，来训练模型，这里详细方法就太偏技术性了，就不冗述了。 目前，在特定方向内容上，我自己训练的模型，基本可以替代腾讯的朱雀大模型使用。有了这个ai判断模型以后，就可以做更多非常有意思的事情，比如如果要改变大模型输出的固定概率，就要把这个模型反过来用。 有了一个比较准确的ai生成文章判断的模型还不够。一篇好文章，最重要的是有好的内容，真正有价值的内容，比如引发读者思考，抚慰读者心灵等等。这部分我还是手工来做，但是可以使用AI来提供更多可选的角度、素材等等。手工写完以后，就可以让AI模仿自己的风格（当然，是通过以前自己写作的内容，让AI提取成个人风格来实现），来进行改写和扩充。第一遍完成以后，就可以用ai分数判断，是否合格，哪里不合格，是否需要重新生成全部，还是只需要修改部分段落。这些都是可以一整套自动化完成的。最后，当然，还少不了人工审核，和修改，这最后一道关卡还不能省略。 用这套工作流写出来的文章，基本看不出AI味道，而且是对读者真正有价值的内容。（调皮的人，还可以模仿其他作者的风格，比如用红楼梦的风格来写技术文章等等） 最后再说说openclaw使用中常见的问题。 一个是关于openclaw的升级，确实是它最大的问题之一，非常慢，而且我都遇到好几次升级失败的情况，只能一次一次自己手动来做，直接通过npm来重新安装，甚至是编译代码，更新以后通过openclaw doctor来修复配置文件里面的问题。不过最近几个版本，已经有了明显改善，比如9月的最后几个版本，及10月的第2个版本（10.1这个版本确实有问题）。我的建议是不急着升级，毕竟这原先是一个以个人开发者为基础的小项目，前期对不同系统考虑会少一点，有很多坑要填。现在openclaw仍然保持着非常高的发布频率，版本号规则是年+月，加上这个月的第几个版本。比如2026.9.9，就是2026年9月份的第9个版本，网上很多说什么openclaw 2.0的，看到这样的标题，可以直接拉黑作者，连openclaw的版本号命名规则都不懂，文章质量可想而知。 第二个是关于大模型的评分，大家可以参考，但是还是要以自己实际使用结果为准（所以，为每个结果设定一个可量化、可评价的结果，非常重要）。我感觉有些大厂的模型，有刷榜的嫌疑，而且每个人用AI完成的任务、要求都不相同，每个模型都有自己适合的场景。同样，建议不同的任务，使用不同的模型，比如coding，写作，agent，这三个常用任务，我就使用了三套不同模型，在价格和结果之间，获得比较好的平衡。总的来说，一个模型好不好用，不要看评分，要看实际付费情况下的使用量。截一个openrouter上各个模式的使用量信息： 第三个是openclaw运行的环境。我现在是装在wsl里面，既可以使用电脑的GPU来运行一些简单的模型、跑一些数据分析模型，又相对可以隔离windows环境。openclaw自己的安全性也有了非常大的改善，有了沙箱功能，也支持不同等级的安全级别，一般情况足够使用了。 有了openclaw或者其他harness这么好的工具，确实能大幅提升工作产出，空余时间可以用来做自己喜欢的事情，去户外徒步、去摄影、去读书，真正享受生活，我想这是AI给人类带来的真正的价值。还在继续使用openclaw，或者想使用，但是遇到困难的小伙伴们，可以在评论区留下你们的想法，也可以私信给我交流。

Part 1 2025 年可能是人类发展的一个拐点，有点类似于瓦特发明蒸汽机，标志着人类历史上生产效率最伟大的变革———工业革命开始了。而 ChatGPT 的推出，让人类确信人工智能可以达到人类的智力水平，而后就开始不计投入地砸钱在这项技术上。这个投入，不仅仅是企业的投入、资本的投入，更多地是国家的投入，从教育到人才，从政策到资金，就像几支探险队同时发现了宝藏地图，所有人只能狂奔向终点，因为最早到达的队伍，才能获取最大的收益。同样，最早实现通用智能的公司、国家，就会掌握智能霸权。 放下大家都在说的宏大叙事，我更关心的是每一个微小的个体，在这样一个拐点时刻，就像一个站在工业革命开端的人一样，一定会发出一个让人焦虑的问题，未来会怎样？会像工业革命带来两次世界大战那样，引起一系列灾难吗？或者像科幻小说里面那样，人工智能统治世界，人类沦为奴隶吗？甚至人类只是为了发展出硅基生命的中间状态，一旦目标达成，人类使命就完成了，也就随之消亡么？ 答案是，我不知道。不仅我不知道，我也不认为人类有能力想象出未来世界的样子。 每个个体能做的，就是在新一轮的变革里面，尽量活下来。按照进化论的观点，真正能幸存、发展的物种，不是那个当时最强大、或者数量最多的物种，而是那些能最快适应变化的物种，套用到人类社会，最能在时代发展中获益的，不是那些最聪明、最有钱的人，而是那些最能适应时代变化的人。其实中国的迅速发展，给我们一个非常好的例子，我们从一个农业国家，发展到世界上最强大的工业国家，现在又发展到掌握最先进技术的国家之一，几十年走过了别国两三百年的历史，社会发展不可谓不快。中国社会中，能站在潮头的，始终是哪些最快适应变化的人，比如第一批冲劲足，敢下海的人，第一批视野开阔，能走出国门的人等等。 那么怎么才是 AI 时代下，最具有适应能力的人呢？或者说，AI 时代下，掌握哪些能力的人，最可能适应变化，生存下去，获得最大的收益呢？ 先回到 AI 本身，上一篇文章也讲过，现在的 AI 到底是怎么一回事？其实现在的大模型，本质上还是一个概率模型，他学习了人类全部的文字、图片甚至影像内容，然后记住了每一段上文，会产出怎样的下文的概率。读到这里，有想法的你，一定会觉得：就这？这样真的能算得上智能吗？这样的大模型，能算得上有逻辑推理能力吗？这又要回到人类大脑的工作模式，因为现在的大模型是完全按照人类大脑的方式来设计的，并做了一些简化，所以称之为神经网络。 人类大脑有 860 亿到 1000 亿个神经元，每个神经元有多个树突（可以看出信号的输入）和一个轴突（可以看出信号的输出），神经元输入和输出的信号只有两种：0 和 1。人类一个神经元的树突数量，可以达到 1000 个、10000 个、甚至几万个，这样算下来，人类大脑至少是一个 1000 万亿参数模型的大模型。为了支持这样一个规模的大脑，人类把全部消耗热量的 20% 花在了只占体重 2% 的器官上，算下来大概一天 300-400 卡路里。人类在努力思考、学习时，大脑消耗就会比休息时高 5%。再来对比一下人类和人工智能的能耗，一个 GPT 5 大模型参数是 50 万亿，一条指令消耗的电力的 0.001 千瓦时到 0.01 千瓦时，换算成热量也就是 860-8600 卡路里。对比一下，人类大脑一天的消耗，还不到参数是人类数量 1/20 之一的大模型一个指令的一半，两者差距至少在两个数量级，这说明 AI 还有很长的路要走（至少 10 年），这对我们来说，可能是个好事情。为什么除了参数数量，我那么强调能耗？很简单，如果能耗不能降下来，人类是没有能力负担起大模型的消耗，大模型的发展很快就会受限于能源，包括能源的生产、传输与基础建设。 但是，大模型的参数数量和能耗，赶上人类以后，能算得上智能吗？这里就涉及到另一个非常反直觉的客观现象，或者叫客观规律：涌现。简单的说，当数量足够大，群体就会显现出跟个体完全不一样的性质。研究一只蚂蚁，和研究一个蚁群，是完全不一样的事情，就像我们对人体研究得再深入，也得不出社会学的结论。人类大脑也是这样，一个个神经元看起来非常简单，简单到就是一个二进制的计算器，但是当 1000 亿个神经元，1 万亿个连接建立起来，能产生的能力，就完全不一样了。那么到底什么是智能？人类到底有没有智能？人类真的有逻辑推理能力吗？人类真的有对世界的认知能力吗？ 先思考一下，下次我再来说我的答案，当然我的答案不一定是正确的，而且几乎可以肯定是错误的，所以，这里需要你自己的思考。 Part 2 话接上文，我们来讨论一个问题，什么是智能？ 这里我要请出一位，我觉得在近代哲学史上最重要的人——康德。可以这么说，康德把两千年来哲学家讨论的最重要的问题之一，人类是如何认识这个世界的，给解决了，而且把这条路走到了尽头，简单地说，他认为人天生就有对这个世界的认识的能力，这个能力决定了人类能认识到怎样的世界。有点拗口，我试着讲得更简单一点，要分成两个点。 第一点，人的认知能力是先天的，不然不可能认知到这个世界，我们看到过黑马，看到过白马，但是我们从来没看到过"马"，然而人类就能认识"马"，下次看到一匹红马，就会知道这是"马"； 第二点，人在后天的生活中，有了经验，也就是对这个世界的认知，这是在先天的认知能力下产生的。人类对世界的认知是从经验中来，但是受限于人类的认知能力。也就是，人类对世界的认知，需要后天经验。而且我觉得，人类去感受这个世界，不仅仅通过五感，还有包括体内分泌的各种激素，因为这些激素水平也会对大脑产生非常大的影响。 这对我们考虑人工智能有什么意义呢？我们知道现在的人工智能，用的是人类的文字和影像资料来训练的，可以认为包含了人类所有的知识，也就是人类对世界的认识。但是由于人工智能（暂不考虑机器人），并不能去经历这个世界，也就是没有对这个世界的经验，得不到大脑中的认知应用到真实世界以后的反馈，所以，我认为目前人工智能对世界是没有真正的认知的。那么，如果有一天，有了 AI 大脑的机器人，能够去实施 AI 产生的想法，然后又得到反馈，甚至可以去设计和操作实验，去验证一些科学假说，那么这算是有智能了吗？ ...

Hello, Hugo 这是 aezug.cn/blog 的第一篇文章。 用了什么 Hugo v0.166.0（自编译 regular，apt v0.131.0 太老） PaperMod 主题 Markdown 直接写，Obsidian 配 Hugo Exporter 插件（待装）导出 功能验证 Hugo 装好 PaperMod 主题就位 hugo.toml 配好 一篇文章能 build nginx /blog/ 反代 rsync 发布链路（下一步）