一个面向 NAS 的影视文件自动整理工具

最近整理 NAS 上的电影和剧集文件时，遇到一个很实际的问题：下载目录里的文件名经常非常混乱，包含资源站水印、清晰度、压制组、音轨、字幕信息，甚至还有拼音缩写、别名、错别字。如果全部手工整理，不仅耗时，也很容易出错。伴随Ai编码的使用，我现在已经比较少的使用现有的代码了，主要还是为了避免一些安全上的问题，毕竟要部署在我的装着各种资料的nas上。于是做了一个小工具：AutoReel。它的目标很简单： 监听一个输入目录，自动识别电影和剧集，然后按 Emby / Jellyfin / Plex 友好的目录结构移动并重命名文件。项目地址：https://github.com/walker22026/AutoReel代码的编写过程远远的超出的我的开始预估，框架搭建起来容易，但是真正的运行，能用就有一些问题，当然更谈不上好用。最主要的问题就是我的节目源主要来自于阿里云或者百度云，这个共享资源为了避免被“和谐”采取各种名称变型，导致猜测也猜不出来，这种情况下，我尝试使用llm来进行节目真实名称的理解，效果并不好。最终还是选择简化处理的模式，能够自动处理的自动处理，无法识别的放入特定目录中，等待使用

技术专业 · 14 天前
一个面向 NAS 的影视文件自动整理工具

Podsync 监控告警：避免podsync故障导致播客长时间停更

在 NAS 上自建 Podsync 是个很实用的方案，但有个隐患——网站的反爬机制会让 Cookie 静默失效，yt-dlp 开始报错，而你可能几周后才发现播客已经停止更新了。本文记录如何搭建一个简单的监控脚本，在出现问题时第一时间通过即时通讯工具推送告警，并每日定时发送下载统计日报。背景：Podsync 会遇到哪些问题运行一段时间后，日志里最常见的错误有三类：Cookie 失效The provided YouTube account cookies are no longer valid. They have likely been rotated in the browser as a security measure.Google 会在浏览器使用过程中自动轮换 Session Cookie，导致之前导出的 cookies.txt 失效。正常情况下 Cookie 能用 1~3 个月，但如果频繁使用，可能 2~4 周就会失效。机器人验证ERROR: Sign in to confirm you're not a bot.Cookie 失效后 yt-dlp 没有登录凭证，导致

技术专业 · 05-05
Podsync 监控告警：避免podsync故障导致播客长时间停更

从 Hacker News 看编程模型真口碑

今天接触了 https://hnup.date/hn-sota 这个网站。这个网站不同于其它侧重跑分的榜单，它主要是通过抓取 Hacker News 顶级开发者的真实评论，并利用 AI 进行情感分析来进行模型的评判。从网站展现的信息看，最强的模型仍然是 Claude (Anthropic)，其在复杂逻辑推理和代码重构方面的“工程感”被开发者公认为目前的第一名；其次是 GPT (OpenAI)，在生成速度、生态支持及主流语言的标准实现上依然保持着极高的稳健性；此外，DeepSeek 表现出了强劲的黑马势头，凭借极致的性价比和深厚的底层语言理解力，在硬核技术圈中赢得了极高的实战口碑。

技术专业 · 05-04
从 Hacker News 看编程模型真口碑

用 TrendRadar 搭建我的信息流中心

假期除了两天加班，另外就是折腾一个叫 TrendRadar 的开源项目，折腾完觉得值得记录一下。为什么需要它我订阅了不少英文财经和科技 RSS，雅虎财经、Bloomberg、Seeking Alpha、Hacker News 都在列。问题是这些源每天产出量很大，标题又是英文，扫一遍本身就需要时间，更别说判断哪条值得细读。我想要的其实很简单：有新内容就告诉我，顺便翻译一下，晚上给我做个总结。不需要自己盯着 RSS 阅读器，也不需要每次打开都看到一堆昨天的旧内容。TrendRadar 基本上就是做这件事的。什么是 TrendRadarTrendRadar 是一个开源的舆情监控工具，核心功能是聚合多平台热榜和 RSS 订阅，通过 AI 筛选、翻译和分析后推送到手机。它支持的推送渠道很全，飞书、钉钉、Telegram、邮件、ntfy、Bark 都有。我用的是 Telegram，配置最简单。AI 这块基于 LiteLLM 统一接口，理论上支持所有主流模型提供商。我通过自建的 LiteLLM 网关接入 Gemini Flash，转发给 TrendRadar 使用。部署方式：还是 Docker 放

技术专业 · 05-04
用 TrendRadar 搭建我的信息流中心

修复播客 RSS 封面显示问题

今天主要处理了两个播客生成项目中封面无法正常显示的问题，同时顺带优化了学习音频播客的生成数量和变更记录方式。第一个项目中，原来的播客 RSS 使用的是外部封面图片。由于该图片地址已经失效，导致播客客户端无法正常显示频道封面和单集封面。本次修改没有动音频生成、转录、AI 摘要、同步、播放器和部署配置，只是把 RSS 里的封面地址统一改成本地音频目录下的封面文件。代码上新增了一个专门生成封面地址的方法，把原来写死的外部图片地址替换为统一方法调用。这样以后如果目录结构或访问路径发生变化，只需要改一个地方。修改后，RSS 中频道普通封面、频道播客封面、单集播客封面都使用同一个本地封面文件，避免继续依赖已经失效的外部资源。修改完成后，重新构建并启动录制容器，确认新容器已经正常运行。同时检查了 RSS 文件、封面文件和容器日志，确保封面地址已经写入 RSS，封面图片也能被客户端正常读取。第二个项目主要面向外语学习音频，用来把本地音频目录生成成可订阅的播客源。今天对它做了几项小调整：一是将每次生成的节目数量从 50 条提高到 80 条，更适合反复听、批量听的学习场景；二是增加了播客封面配置，补齐了标

技术专业 · 05-04
修复播客 RSS 封面显示问题

我如何优化我的 Hermes 个人助手，实现任务和领域的严格区隔

在日常生活中，我们会涉及到多个不同的领域：投资、工作、日记、生活等。随着人工智能助手的发展，像 Hermes 这样的智能助理逐渐成为我们生活的好帮手。然而，随着我对 Hermes 的使用深入，我发现它的能力虽强，但存在一个显著问题——领域之间的混乱。在谈论股票时，常常会穿插我的工作内容；而在记录日常生活时，又会偶尔涉及投资的思考。这种混杂的现象让我开始思考，如何将不同的任务和内容领域进行有效隔离，让 Hermes 更加高效和专业地为我服务。1.核心原则：一个入口，多个隔离角色首先，我决定将 Hermes 设计成一个总入口 + 多个专业分身的结构。具体来说，我将 Hermes 拆分为以下五个模块：总控 Hermes：负责判断当前任务属于哪个领域，并将其交给相应的分身模块。股票助手：专注于股票分析、资产配置、长期持仓等问题。工作助手：涉及稽核系统、客服工作、项目汇报、AI赋能等内容。日记助手：记录个人反思、博客内容、技术折腾等。生活助手：处理家庭、健康、旅行、葡语学习等日常事务。每个领域模块之间必须有严格的界限，防止内容交叉，确保每个模块只专注于自己领域的任务。2.最重要的是做“知识库分区

技术专业 · 04-29
我如何优化我的 Hermes 个人助手，实现任务和领域的严格区隔

Podsync 下载问题解决日记

问题现象podsync 日志中频繁出现两类错误：Bot 验证错误：ERROR: Sign in to confirm you're not a bot. Use --cookies-from-browser or --cookies限流错误：WARN: server responded with a 'Too Many Requests' error原因分析错误类型原因Bot 验证yt-dlp 没有携带登录凭证，YouTube 识别为爬虫Too Many RequestsNAS 出口 IP 请求频率过高被限流，多个容器同时下载加剧了问题解决方案：配置 cookies第一步：导出 cookiesChrome 安装插件 "Get cookies.txt LOCALLY"打开 youtube.com 并确认已登录点击插件图标立即导出 cookies.txt导出后不要再访问 YouTube，避免 cookies 被轮换失效第二步：上传 cookies 到 NAScookies 必须放在容器挂载的数据目录内，否则容器无法访问。先确认容器挂载路径：docker in

技术专业 · 04-29
Podsync 下载问题解决日记

ChatGPT Images 2.0发布 使用下其效果

让chatgpt按照它对我的理解，帮我绘制我现在的生活状态。提供人物素材后，让其帮我绘制我所理想的退休生活。翻看我的日志找到的2013-11-03 13:09记录的一个关于兰花的故事，让其绘制为一个连环画。测试图片怎么能少了ppt生成效果的测试

技术专业 · 04-23
ChatGPT Images 2.0发布 使用下其效果

这个周末，我搭建起了属于自己的三位一体AI系统

这个周末，我终于把脑子里想了很久的一套 AI 能力架构，真正搭起来了。不是那种“装几个工具”的拼装，而是开始有点“系统”的味道了。三个模块，各有分工，也开始有一点协同的感觉。第一块，是个人助理。这一块我基本是沿用了之前折腾的 hermes 智能体。之前在博客里也写过，我是把它部署在群晖 NAS 上，让它长期在线，做信息的收集和处理。相比云端方案，这种“本地常驻”的感觉更像一个真正属于自己的助手——稳定、可控，而且可以慢慢喂数据。接下来我打算把自己过往的日记逐步整理进去，让它真正理解我的行为模式和决策逻辑，而不是只做一个“工具型 AI”。我希望它未来更像一个“长期记忆 + 认知增强”的角色。第二块，是家庭助手。这一块是我自己手搓出来的。从架构到功能，基本都是围绕“语音理解 + 意图识别”来做的。说白了，就是希望它能听懂我说什么，并且知道我要干什么。目前最核心的一件事情，是把它和我的投资体系打通。包括仓位信息、调仓提醒、策略触发这些内容，逐步让它接入。比如：市场有波动，它可以提醒到达某个策略条件，它可以提示甚至执行日常也可以做一些简单的状态汇总这一块其实是整个系统里“最有执行力”的部分。它

技术专业 · 04-19
这个周末，我搭建起了属于自己的三位一体AI系统

LiteLLM 模型分流配置实录

今天花了点时间把 LiteLLM 网关的模型分流策略彻底梳理了一遍，记录一下整个思路和最终配置。为什么需要模型分流我的 AI 基础设施是这样的：Telegram → Hermes → LiteLLM 网关 → 各模型LiteLLM 作为统一网关，对外暴露一个 OpenAI 兼容接口，后端接了十几个模型。Hermes 只需要知道 ai.XXX.com 这一个地址，不需要关心底层用的是哪个模型。这样做的好处是：模型随时可以替换、升级、切换，Hermes 完全无感知。模型池构成最终配置了以下模型：付费模型（按量计费，极低成本）DeepSeek V3 — 中文最强，输入 $0.27/百万 token，性价比极高Gemini 3 Flash — Google 最新快速模型，支持多模态，免费额度充足Gemini 3.1 Pro — 强推理，限速时作为 Pro 级备用NVIDIA NIM 免费模型meta/llama-3.3-70b-instruct — 通用英文主力minimaxai/minimax-m2.5 — 中文能力强moonshotai/kimi-k2.5 — 推理能力强z-ai/glm

技术专业 · 04-19
LiteLLM 模型分流配置实录
2016 - 2026 自由翱翔：十年学习成长之路. All Rights Reserved.
Theme Jasmine by Kent Liao