【程序员副业指南】KwaiKAT AI制作小红薯[特殊字符]卡片MCP

【程序员副业指南】KwaiKAT AI制作小红薯[特殊字符]卡片MCP

【程序员副业指南】KwaiKAT AI制作小红薯卡片MCP

在这里插入图片描述

【程序员副业指南】KwaiKAT AI制作小红薯📕卡片MCP

背景

每个程序员都熟悉计算机,是最适合写技术博客以及做分享的人。最近发现了一个Markdown转知识卡片,值得注意的是,可以利用这个快速制作小红薯📕卡片,但是有点小贵,对于我这样的白嫖党,那肯定是负担不起的,于是决定利用KAT-Coder-Pro V1复刻一个小红薯📕卡片MCP。

效果展示

本项目已开源:https://github.com/lfrbmw/Little-Red-Book-Card-MCP

有朋友问这个有什么用,最近来看效果,你的到一个可以直接发的小红📕卡片,示例如下,直接输出一张可发布小红书的笔记,还提供多个样式。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

相关介绍

为什么选择 KAT-Coder-Pro V1?

🔥 高性能,高性价比
  • SWE-Bench Verified 解决率达 73.4%,媲美全球顶尖闭源模型
  • 256K 超长上下文,轻松处理项目级代码与复杂任务
  • 支持 自然语言驱动全链路开发:需求分析 → 架构设计 → 编码 → 调试 → 部署
  • 阶梯式按上下文计费,大幅降低使用门槛
🛠️ 深度适配主流 AI 编程工具

完美兼容4大平台:

  • Claude Code
  • Cline(VS Code 插件)
  • Kilo Code
  • Roo Code

只需 1 分钟配置 API,即可在熟悉环境中调用 Pro 级 AI 能力。

🎁 超强福利
  • KAT-Coder-Pro V1:新用户注册即赠2000万Tokens!
  • KAT-Coder-Air V1:API 永久免费,拥抱每一位开发者
在这里插入图片描述

什么是 MCP?

MCP(Model Context Protocol)是一种开放标准,用于让大模型安全、高效地调用外部工具与数据。

  • MCP Server:管理工具接口,执行具体操作(如生成图片)
  • MCP Client:嵌入 LLM 环境,发起工具调用
  • MCP Host:集成平台(如 Cursor、CodeBuddy、Trae)

优势:

  • 标准化接口,降低集成复杂度
  • 集中管控,提升安全性与可维护性
  • 支持动态数据获取与执行,让 AI 真正“能做事”
在这里插入图片描述

零代码开发小红薯📕卡片MCP

前置准备-接入KAT-Coder-Pro V1

这里就不过多的描述,可以参考,KAT-Coder-Pro V1 开发工具接入指南:https://www.streamlake.com/document/WANQING/me6ymdjrqv8lp4iq0o9

推荐使用Cline,1分钟就配置好了。

在这里插入图片描述

在cline配置好的效果。

在这里插入图片描述

准备提示词

开发一个小红书卡片MCP 功能: 1.将 Markdown 文档转换为精美的知识卡片,支持多种风格 2.支持 多 种主题样式:苹果备忘录 波普艺术 艺术装饰 玻璃拟态 温暖柔和 简约高级灰 梦幻渐变 清新自然 紫色小红书 笔记本 暗黑科技 复古打字机 水彩艺术 中国传统 儿童童话 商务简报 日本杂志 极简黑白 赛博朋克 3.如果长文就自动拆分 4.支持直接读取 Markdown 文件(可选择) 5.支持通过 type 参数直接指定卡片类型/尺寸(可选择) # 注意 1. 注意符合mcp开发 2. 注意中文编码问题 # 任务 根据 用户故事 和提供的 功能 生成小红书卡片MCP,以及相关注意点,将本项目上传至 MCP,并确保像 CodeBuddy 和 Cursor 这类工具也能让其他人正常使用这个 MCP 项目。 当前项目的 GitHub 地址已配置好,为 https://github.com/lfrbmw/Little-Red-Book-Card-MCP.git。后续要完成将项目上传至 GitHub 并发布到 NPM 的操作 

创建一个空文件夹就可以开始让AI干活了。

在这里插入图片描述

仅仅一次,就完成了从设计到成品,再到测试,可以看到在测试中遇到的问题它都会去处理,只有通过测试,它才会发布到npm。

遇到错误,分分钟就处理好了。

在这里插入图片描述

在测试完后,会自己主动的删除删除文件。

在这里插入图片描述

直接就在npm部署成功。

在这里插入图片描述

接下来就是在trae中配置这个MCP,进行实际的测试。

在这里插入图片描述

可以看到成功的制作并部署了一个小红书卡片mcp。其中有2个功能:

将Markdown内容转换为知识卡片 列出所有可用的主题样式 

对它说:列出所有可用的主题样式,可以看到,成功的列出了我们初始化时给出的19个主题。

在这里插入图片描述

修修补补项目

在测试过程中,它没有实际的实现目标,我们只需要对他说出我们的目的,他会自行的优化。

测试过程实际使用mcp过程中,交互如下, { "content": "# 高效学习的五个技巧\n\n- 设定具体目标:明确今天要完成的任务。\n- 番茄工作法:25分钟专注,5分钟休息。\n- 主动回忆与间隔重复:用检索而非重读。\n- 输出驱动:用讲解或写作检验理解。\n- 及时复盘:记录问题与改进点。\n\n> 学习不是时间的堆砌,而是效率的提升。\n\n## 快速行动清单\n- 今天的目标写下来\n- 安排2个番茄钟\n- 用问题自测一次\n- 输出一段总结\n- 晚上做5分钟复盘\n", "theme": "清新自然", "type": "standard" } 响应 { "html": "\n <!DOCTYPE html>\n <html lang=\"zh-CN\">\n <head>\n <meta charset=\"UTF-8\">\n <meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n <style>\n \n .card {\n background: linear-gradient(135deg, #e8f5e8 0%, #c8e6c9 100%);\n border: 1px solid #81c784;\n border-radius: 10px;\n padding: 20px;\n box-shadow: 0 4px 8px rgba(129, 199, 132, 0.3);\n font-family: 'Open Sans', sans-serif;\n color: #2e7d32;\n }\n \n .card-content {\n margin: 0;\n padding: 0;\n }\n </style>\n </head>\n <body>\n <div class=\"card\">\n <div class=\"card-content\"><h1>高效学习的五个技巧</h1>\n<ul>\n<li>设定具体目标:明确今天要完成的任务。</li>\n<li>番茄工作法:25分钟专注,5分钟休息。</li>\n<li>主动回忆与间隔重复:用检索而非重读。</li>\n<li>输出驱动:用讲解或写作检验理解。</li>\n<li>及时复盘:记录问题与改进点。</li>\n</ul>\n<blockquote>\n<p>学习不是时间的堆砌,而是效率的提升。</p>\n</blockquote>\n<h2>快速行动清单</h2>\n<ul>\n<li>今天的目标写下来</li>\n<li>安排2个番茄钟</li>\n<li>用问题自测一次</li>\n<li>输出一段总结</li>\n<li>晚上做5分钟复盘</li>\n</ul>\n</div>\n </div>\n </body>\n </html>\n ", "css": "\n .card {\n background: linear-gradient(135deg, #e8f5e8 0%, #c8e6c9 100%);\n border: 1px solid #81c784;\n border-radius: 10px;\n padding: 20px;\n box-shadow: 0 4px 8px rgba(129, 199, 132, 0.3);\n font-family: 'Open Sans', sans-serif;\n color: #2e7d32;\n }\n ", "metadata": { "theme": "清新自然", "type": "standard", "wordCount": 26, "charCount": 197 } } 没有实际的输出转换为知识卡片例如一张图片png格式等,保存在当前文件夹,我要的时实际的实现,而不是一个架子 
在这里插入图片描述


在这里插入图片描述

最终版本

本项目已开源:https://github.com/lfrbmw/Little-Red-Book-Card-MCP

MCP具有的功能:

在这里插入图片描述

对MCP的实际调用(生成了一张不错的图片,我们可以直接发布小红书了):

在这里插入图片描述

KAT-Coder-Pro V1的调用监控

使用KAT-Coder-Pro V1还有一个好处,我们可以实时的看到调用监控,通过调用监控及时的分享有问题的地方,小插曲,我第一次用是出了一点小问题,重试了也不行,于是看监控,发现它这个重试的错误,可以看到我只调用了214次就成功实现了这个小红薯📕的实现,实际就是AI对话了3或4次而已。

在这里插入图片描述

总结

  • 无需写代码:用自然语言描述需求,AI 自动生成完整项目
  • 端到端交付:从设计 → 开发 → 测试 → NPM 发布,全自动完成
  • 真正可用:支持图片输出、多主题、多尺寸,满足小红书发布需求
  • 低成本高效率:借助 KAT-Coder-Pro V1 的强大能力与免费额度,零成本实现创意
程序员的终极生产力:不是写代码,而是让AI帮你写代码。

🌟 项目地址:https://github.com/lfrbmw/Little-Red-Book-Card-MCP

📦 NPM 包:little-red-book-card-mcp

🚀 快来试试,让你的 Markdown 一键变身小红书爆款笔记!


我是LucianaiB,一个找不到工作而失业的倒霉蛋,寻找第二曲线、探索更多人生可能,聚焦AI编程、AI智能体、RPA方向。

如果你想加入我的免费AI编程交流群/活动运营群,直接扫码下方左边二维码、备注【AI编程及活动】,还可以领取一份见面礼🎁

如果你想关注并跟随AI的最新动态,可以扫下方中间二维码关注公众号【LucianaiB】、不再错过最新AI资讯和实用干货内容📚

Read more

3大性能瓶颈突破:faster-whisper语音识别效率提升500%实战指南

3大性能瓶颈突破:faster-whisper语音识别效率提升500%实战指南 【免费下载链接】faster-whisper 项目地址: https://gitcode.com/gh_mirrors/fas/faster-whisper 作为技术顾问,我经常遇到客户抱怨语音识别系统效率低下的问题:1小时音频需要30分钟处理时间,GPU内存占用动辄10GB以上,普通CPU设备几乎无法使用。今天,我要为你介绍一个革命性的解决方案——faster-whisper,这个基于CTranslate2引擎重构的语音识别系统,将彻底改变你对语音转写效率的认知。 问题诊断:传统语音识别的三大性能瓶颈 内存消耗过高导致设备限制 传统Whisper模型在处理长音频时,内存占用呈线性增长。以large-v3模型为例,处理13分钟音频时: * OpenAI Whisper:GPU内存11.3GB,CPU内存9.4GB * faster-whisper:GPU内存4.7GB,CPU内存3.2GB 这种内存效率的提升,使得普通办公电脑也能流畅运行专业级语音识别任务。 推理速度缓慢影响用户体验

Qwen3.5-4B 微调实战:LLaMA-Factory 打造医疗AI助手

Qwen3.5-4B 微调实战:LLaMA-Factory 打造医疗AI助手

最近在帮一个医疗创业团队做技术支持,他们想把通用大模型改造成能回答专业医疗问题的智能助手。今天就把整个过程整理出来,希望对有类似需求的朋友有所帮助。 核心工具链:LLaMA-Factory + Qwen3.5-4B + 医疗问答数据集 Qwen3.5 是阿里最新发布的千问系列模型,4B 参数量刚好卡在"效果够用 + 显存友好"的甜蜜点;LLaMA-Factory 则是目前开源社区最成熟的微调框架,上手简单,坑也相对少。 准备工作 先说硬件要求。4B 模型用 LoRA 微调的话,一张 12GB 显存的显卡就够了(比如 RTX 4070)。如果手头只有 8GB 显存的卡,可以上 QLoRA 量化方案,牺牲一点精度换显存空间。 微调方式 4B 模型显存需求 推荐显卡 LoRA (16-bit) ~10-12 GB

5种生成模型(VAE、GAN、AR、Flow 和 Diffusion)的对比梳理 + 易懂讲解 + 代码实现

5种生成模型(VAE、GAN、AR、Flow 和 Diffusion)的对比梳理 + 易懂讲解 + 代码实现

目录 1 变分自编码器(VAE) 1.1 概念 1.2 训练损失 1.3 VAE 的实现 2 生成对抗网络(GAN) 2.1 概念 2.2 训练损失 a. 判别器的损失函数 b. 生成器的损失函数 c. 对抗训练的动态过程 2.3 GAN 的实现 3 自回归模型(AR) 3.1 概念 3.2 训练过程 a.核心思想: 用历史预测未来 b. Transformer 的损失计算:交叉熵监督预测 c.

机器人-六轴机械臂的正运动学

机器人-六轴机械臂的正运动学

在机器人运动学建模领域,D-H(Denavit-Hartenberg)参数法绝对是绕不开的核心技术。它以极简的4个参数,就能清晰描述机械臂各连杆间的相对位姿关系,是实现正运动学求解、轨迹规划的基础。本文将从理论原理出发,一步步拆解六轴机械臂的D-H法建模流程,最后结合代码实现让理论落地,适合机器人初学者或技术爱好者深入学习。 一、为什么选择D-H法?—— 机械臂建模的“通用语言” 六轴机械臂作为工业场景中最常用的机器人构型,其连杆与关节的空间关系复杂。如果直接用三维坐标系叠加计算,不仅公式繁琐,还容易出现坐标混乱的问题。而D-H法的核心优势的在于“标准化”: * 简化参数:用仅4个参数(关节角、连杆偏移、连杆长度、连杆扭转角)描述相邻连杆的位姿,替代复杂的三维坐标变换; * 通用性强:适用于所有串联机械臂,无论是六轴、四轴还是协作机械臂,都能套用同一套建模逻辑; * 计算高效:通过齐次变换矩阵的乘积,可快速求解末端执行器相对于基坐标系的位姿,为后续运动学分析奠定基础。 简单来说,学会D-H法,就掌握了串联机械臂建模的“通用语言”。 二、D-H法核心:4个