📡 AI 资讯日报

一个基于 Reed-Solomon 纠删码和 AES-256-GCM 加密的开源文件备份工具，把文件拆成多份分片，丢掉几份也能恢复。

https://github.com/Nigh/ReSoBackup ↗

到 GitHub Releases 下载对应 Windows、macOS 或 Linux 的可执行文件；新手直接运行 `rsbackup` 打开 GUI，选择要保护的文件，设置 shares 和 threshold，比如 5 份分片、任意 3 份可恢复，再勾选加密并输入密码。备份后把 `.rs.001` 到 `.rs.005` 分散放到不同网盘和本地硬盘。恢复时把任意满足阈值的分片放到同一目录，选择任意 `.rs.NNN` 或 `.rsmeta` 文件执行 restore 即可。命令行也可用 `rsbackup backup --input 合同.pdf --shares 5 --threshold 3 --encrypt --password "你的密码"`。

它把“加密备份”和“容灾冗余”合在一起，不依赖同一个云盘、不需要联网验证，也不是简单压缩包单点存储。Reed-Solomon 的 N/K 阈值设计让用户能在存储成本和容灾能力之间自己取舍，适合长期保存重要资料。

• 把合同、证件扫描件、密钥备份等敏感文件拆分后分散存到多个云盘。
• 为家庭 NAS、移动硬盘、本地工作目录增加低成本离线容灾备份。

一个 Apache-2.0 开源的图像生成与编辑模型家族，主打中英文文字渲染、海报/文档类图像生成和图片编辑。

https://huggingface.co/Boogu/models ↗

最省事的入口是打开在线 Demo：Base 用 https://demo-base.boogu.org/，Edit 用 http://demo-edit.boogu.org/，Turbo 用 http://demo-turbo.boogu.org/。想本地跑则在 Hugging Face 选择 `Boogu/Boogu-Image-0.1-Base`、`Turbo` 或 `Edit`，按模型卡安装 diffusers、transformers、accelerate 后，用 `DiffusionPipeline.from_pretrained("Boogu/Boogu-Image-0.1-Base", dtype=torch.bfloat16, device_map="cuda")` 加载模型，输入包含中文标语、版式、摄影风格或编辑需求的 prompt 生成图片。Turbo 版本用于 4-step 快速文生图，Edit 版本用于图像到图像编辑。

开源图像模型长期弱项之一是准确写字，尤其是中文和密集文本版式。Boogu 明确把中英文文字渲染、海报、文档、界面、品牌物料和精细文本编辑列为重点能力，并提供 Base/Turbo/Edit/fp8 多个版本，方便从在线试玩过渡到本地实验。

• 生成带中文标题、活动信息、品牌文字的海报和产品图。
• 做图像编辑、文字替换、背景替换、风格迁移等创意实验。

一个免费的网页视频播放器/互动视频套件，一个 JS 文件即可接入，支持 HLS、DASH、FLV、WebRTC、RTSP 等协议，并新增交互标注、水印、字幕、播放列表等在线编辑器。

https://www.zwplayer.com/zh/tools/videoplayer/ ↗

可以先打开官方在线播放器页面，拖入本地视频或填入网络流媒体地址测试播放；要集成到项目里，可下载 GitHub Release 的 `zwplayer-v3.3.0-build20260622.zip`，或直接用 `<script src="https://cdn.zwplayer.com/v3/zwplayer/zwplayer.js"></script>` 引入。3.3.0 的玩法重点是工具链：进入交互标注编辑器、水印编辑器、字幕编辑器、章节编辑器或播放列表生成器，拖拽配置后导出 ZWMAP JSON，再让播放器加载对应 JSON。WordPress 用户还可以安装 `zw-player-video-embed` 插件，用古腾堡区块属性配置互动视频。

它不是单纯“能播视频”的 H5 播放器，而是把播放、编辑、配置生成、互动热区、防录屏水印和字幕章节统一到一套在线工具链里。对课程、培训、营销视频来说，低代码生成 JSON 后直接加载，比重新开发互动播放器省很多时间。

• 在线课程视频中插入可点击热区、测验题、章节和多轨字幕。
• 企业内训或知识付费视频添加动态水印、播放列表和本地化播放器配置。

一个 Windows 单文件便携工具，通过系统原生 SRP 软件限制策略封禁软件发布者证书，从源头阻止某类流氓软件运行。

https://github.com/zhaofeiy2002-ctrl/certlock ↗

从 GitHub 仓库或 Release 获取 `CertLock.exe`，在 Windows 10/11 上以管理员身份运行；把想要封禁的已签名 `.exe`、`.dll`、`.msi` 或安装包拖入/选择，工具会提取其 X.509 签名证书，并写入 Windows Software Restriction Policy 规则。之后同一厂商证书签名的软件即使换目录、重命名或重新下载，也会被系统策略拦截。项目也支持哈希封禁和规则管理。注意 README 明确提示 PyInstaller 单文件可能被杀软误报，使用前最好阅读源码和 VirusTotal 说明。

它不靠后台常驻、不装驱动、不改 hosts，也不是传统杀毒规则，而是利用 Windows 自带的证书级执行限制。对反复安装、自动拉起、换壳更新的软件族群，证书层封禁比删文件或卸载更持久。

• 在个人 Windows 电脑上阻止某些捆绑安装器或流氓软件家族再次运行。
• 给家人电脑或测试机配置轻量级软件执行黑名单，减少重复清理成本。

一款原生 macOS 维护应用，把缓存清理、应用卸载、系统优化、磁盘地图和状态监控整合到一个本地工具里。

https://mole.fit/ ↗

访问官网下载安装 Mole，macOS 14+ 的 Apple Silicon 和 Intel Mac 都支持；免费试用可先扫描再决定是否购买。打开后可以用 Earth/Cleanser 清理 App 缓存、浏览器临时文件、Xcode build、npm/pip 下载、Slack/Discord/Adobe/ChatGPT/Claude 残留等 11 类垃圾；用 Mars/Forgetter 卸载应用并查找 preferences、Application Support、caches、launch agents、login items 等残留；用 Jupiter/Cartographer 查看磁盘 treemap 并从地图里丢弃文件夹；用 Sun/Heart 查看 CPU、内存、GPU、磁盘 I/O、网络、电池、温度和进程状态。1.8.0 还新增电池护理、Apple Silicon 风扇控制、更快更新和更流畅磁盘地图。

Mac 清理类工具常见问题是过度推销、后台扫、乱删。Mole 的页面强调本地扫描、无遥测、删除前展示文件列表和字节数、可恢复操作进废纸篓，定位更克制；同时把 DaisyDisk/iStat/CleanMyMac/App Uninstaller 类能力浓缩成一个轻量原生应用。

• 定期清理开发者 Mac 上的 Xcode、npm、pip、聊天软件和 AI 客户端缓存。
• 卸载不常用 App 并检查残留，同时用磁盘地图定位大文件夹。

一个开源桌面语音输入应用，按住快捷键说话、松开后把识别文本输入到当前光标位置，支持 macOS 和 Windows。

https://buildwithais.github.io/voicekey/ ↗

打开官网点击 Download App，或到 GitHub Releases 下载最新版；安装后先配置智谱 AI/GLM 的语音转写 API Key。macOS 因为应用未签名，若提示损坏需要按 README 的安全说明处理，并在“系统设置 → 隐私与安全性 → 辅助功能”为 Voice Key 授权，因为它需要监听按键并模拟输入。配置完成后，在任意聊天框、编辑器、浏览器输入框里按住设定热键说话，松开后自动转写并输入。开发者也可以拉取源码，基于 Electron、React、Vite、TypeScript、TailwindCSS、shadcn/ui 和 Zustand 本地改造。

它把语音转文字从“打开单独录音 App”变成系统级输入方式，适合高频短文本输入。开源形态让用户能审计快捷键、权限和 API 调用逻辑，也便于替换后端转写服务或做团队内部定制。

• 在微信、飞书、邮件、IDE Issue、浏览器表单里快速语音输入长段文字。
• 给不喜欢打字或需要无障碍输入的用户配置跨应用语音键盘。

AWS 给 AI 编码代理准备的工具包，通过 MCP、技能和受控 AWS API 访问，让 Claude Code、Cursor、Codex、Kiro 等代理更可靠地构建、部署和排障 AWS 应用。

https://aws.amazon.com/products/developer-tools/agent-toolkit-for-aws/ ↗

访问 AWS 官方页面，按你的编码代理选择对应接入方式：支持插件、MCP Server 配置或把 AWS 技能安装进兼容代理。核心思路是让代理不要只靠模型记忆猜 AWS API，而是通过 AWS MCP Server 获取当前文档、API reference、最佳实践、受控 AWS API 操作和复杂工作流技能。接入后可以让代理执行更具体的任务，比如创建 production-ready VPC、把 Lambda 接到 API Gateway、部署 ECS 容器应用、调查 CloudWatch 日志/指标或 CloudFormation stack 状态。企业环境中可通过 IAM、CloudWatch 和 `aws:CalledViaAWSMCP` 区分并审计代理行为。

AI 编码代理做云基础设施最怕“知识过期 + 权限失控 + 调错 API”。AWS 官方把文档、API、审计、IAM guardrails 和工作流技能打包，等于给代理加了一层生产环境上下文，能降低 token 浪费和误操作风险。

• 让 Claude Code/Cursor/Codex 帮你搭建和部署 AWS 服务，同时遵循 Well-Architected 实践。
• 用代理排查部署失败、成本异常、日志报错等运维问题，并保留可审计记录。

一个面向 deep research 和长链推理的重型 AI 求解器，强调多阶段推理链设计、执行、审查和验证。

https://www.apodex.ai/ ↗

访问 https://www.apodex.ai/ 注册或登录体验。根据推文，现阶段可免费使用，适合把原本需要 GPT/Gemini 深度研究的复杂问题交给它。页面介绍其 Apodex pipeline 会先设计 reasoning chain，再严格执行每一步，随后检查逻辑一致性并决定结论；Deep Mode 强调 verification gates。实际使用时可以把研究问题写成清晰任务，例如“调研某开源项目的竞品、商业模式和技术风险”，要求输出引用、证据和结论；对需要金融、科学、数学或多文档比较的问题，建议明确要求逐步验证和列出不确定性。

它的卖点不是普通聊天，而是把“深、慢、可验证”的 System 2 thinking 产品化，并强调 300 步推理链上的累计准确率目标。对于需要长链分析、交叉核验和多轮子任务的 research 场景，和通用聊天模型的使用方式明显不同。

• 做市场、技术、论文、竞品、投资主题的 deep research 初稿。
• 把复杂问题拆成多步骤推理与验证，辅助形成可追溯决策材料。

一个 Markdown 转 Word/预览工具，支持 PlantUML、Mermaid、Vega、drawio、Canvas、Graphviz、LaTeX 公式、代码高亮和 29 套主题，本地处理并可一键导出 Word。

https://docu.md/ ↗

打开 docu.md 按平台安装：Chrome/Chromium 扩展、Firefox 扩展、VS Code 扩展，或查看其 GitHub 开源项目。安装后用它打开 Markdown 文件，文中的 Mermaid、PlantUML、Vega/Vega-Lite、drawio、Graphviz DOT、LaTeX 公式和代码块会被渲染成适合阅读和导出的格式；需要交付 Word 时点击下载/导出即可生成带高清图、可编辑 Word 公式、语法高亮和专业主题的文档。技术文档可以先选 Technical/Academic/Business 等主题，再导出给非技术同事或客户。

很多 Markdown → Word 流程会在流程图、公式、代码和表格上翻车，最后还要手工截图和调格式。这个工具明确把复杂图表和公式转换作为核心能力，且本地处理、免费、开源，更适合技术写作交付。

• 把包含 Mermaid/PlantUML/LaTeX 的技术方案、论文笔记、项目文档导出成 Word。
• 在 VS Code 或浏览器里快速预览并美化 Markdown 文档，减少排版时间。

Sakana AI 发布 Fugu 和 Fugu Ultra，用户通过 OpenAI-compatible API 调用一个端点，背后由系统动态编排多个模型/智能体完成复杂任务。

Fugu 的关键不是又一个单模型，而是“multi-agent system as a model”：它把模型选择、角色分工、任务拆解、协调和验证隐藏在一个 API 后面，开发者可以像换模型一样接入多智能体系统。官方还把 TRINITY、Conductor 等 learned orchestration 研究作为基础，说明模型编排正在从手写 workflow 走向学习型 coordinator。

如果这类模式成立，应用开发者未来可能更少手写 agent graph，而是把难题交给可配置的“模型池编排端点”。这会冲击传统单模型路由、RAG 工作流和企业多模型管理方式，也会让 API 供应商围绕“质量/延迟/成本/合规可控的模型组合”竞争。

多位博主讨论百度新开源 OCR/文档智能模型，重点提到多页文档、R-SWA/恒定 KV Cache、端到端文档解析与 image-to-Markdown 等能力。

Qianfan-OCR 的公开资料显示，它是 4B 参数端到端文档智能模型，统一文档解析、布局分析、OCR、表格/公式/图表理解和 key information extraction，并支持 Layout-as-Thought。推文中提到的 Unlimited OCR/R-SWA 则指向长文档解析时 KV Cache 不随输出长度爆炸的方向，这正是传统“逐页 OCR + 拼接”流程的痛点。

文档智能正在从传统 OCR pipeline 向视觉语言模型端到端解析迁移。对企业报表、合同、票据、考试卷、论文和档案处理来说，未来竞争点不只是识别率，而是多页上下文、布局推理、Markdown/JSON/HTML 结构化输出和长文档成本控制。

Micron 宣布与 Anthropic 围绕 Claude 工作负载达成多年期 HBM、DRAM 和 SSD 合作，同时 Micron 内部也将部署 Claude。

这类合作说明 AI 模型训练和推理已经深入影响上游存储/内存架构设计。Anthropic 不只是采购硬件，而是和供应商围绕模型工作负载共同优化内存与存储；Micron 则同时扮演供应商、合作伙伴、客户和投资者角色，把 AI 需求绑定到下一代产品路线。

HBM、DRAM、SSD 不再只是通用算力配套，而会围绕大模型上下文、推理吞吐、训练通信和能效做协同设计。产业链上游厂商与模型公司的绑定会更紧，也可能让头部模型公司的硬件议价与供应保障能力继续增强。