#16 Cloudflare 开始向 AI 爬虫收费，免费内容换流量的时代正在结束

AI SEO 2026-08-19

过去三十年，互联网形成了一套默认规则：网站免费提供内容，搜索引擎免费抓取，再通过搜索流量让网站获得广告收益。但生成式 AI 正在打破这套平衡。

Cloudflare计划于 2026年9月15日 调整默认爬虫规则，将爬虫分为 Search、Agent 和 Training 三类。新接入及免费客户的网站默认允许搜索爬虫访问，同时阻止 AI 代理和训练爬虫。更复杂的是 Googlebot、Bingbot 等混合爬虫既负责搜索索引，又可能服务于 AI 摘要，因此可能受到更严格策略影响。

Cloudflare还推出 Pay Per Crawl（按次付费爬取），要求 AI 公司为内容访问表达明确的支付意图。

这背后的核心矛盾是：传统搜索是“抓取内容→带来流量”，而 AI 搜索则可能“抓取内容→直接生成答案”，用户甚至无需点击原网站。内容生产者因此承担创作成本，却未必获得相应流量回报。

Cloudflare此举，本质上是在重新定义互联网内容的计价方式：从“免费抓取换流量”，转向“访问内容就要付费”。AI可以快速总结知识，但前提是有人持续生产知识。免费白嫖内容的时代，正在结束。

#15 Claude 全线产品上线隐形水印

AI 2026-08-11

近日，Anthropic 宣布为旗下 AI 助手 Claude 引入生成内容标记机制。从 8 月 2 日起，Claude 生成的文本将默认携带隐形水印，用户复制、粘贴部分内容后，水印仍可能保留。这意味着，未来一段由 AI 生成的文字，可能具备被检测和追踪来源的能力。

#14 Skills 安装

AI 2026-08-04

安装 GitHub 上 Star 超过 50k 的几个 Skills 仓库：

# --all
# -s '*' -a '*' -y
# --skill '*' --agent '*' -y
npx skills add mattpocock/skills -g --all
npx skills add coreyhaines31/marketingskills -g --all
npx skills add nextlevelbuilder/ui-ux-pro-max-skill -g --all
npx skills add addyosmani/agent-skills -g --all

npx skills update -g
npx skills list -g

  1. 个人工程实践 mattpocock/skills

    Matt Pocock 的 skills 是目前非常有影响力的通用 Agent Skills 集合，核心定位是 “Skills for Real Engineers”。仓库直接来源于作者自己的 .agents 目录，因此更像是把一个资深工程师日常使用的 Agent 工作流公开出来，而不是刻意设计成一套完整产品。当前包含大量面向实际开发工作的 Skill，并采用 .agents、skills/、AGENTS.md 等结构，同时提供 Claude Code Plugin 等集成方式。

    它的价值主要在于工程实践经验的编码化：例如代码重构、调试、测试、TypeScript、React、Git 等场景，把原本依赖工程师经验的操作步骤转化成 Agent 可以执行的工作流。相比单纯的 Prompt，它更强调可复用、可组合和自动触发。

  2. 营销领域 coreyhaines31/marketingskills

    marketingskills 是一个面向 AI Agent 的营销专业 Skill 集合，作者是增长营销专家 Corey Haines。它的定位非常明确：让 Claude Code、Codex、Cursor、Windsurf 等 Coding Agent 不仅能写代码，还能承担 CRO、文案、SEO、广告、数据分析、增长和 GTM 等营销工作。项目采用 Agent Skills 标准，目前已经扩展到约 49 个 Skill。

    它最大的特点是Skill 之间存在明确的知识依赖关系。product-marketing 是整个体系的基础，其他 Skill 会先读取产品定位、目标用户和核心卖点，再执行 SEO、CRO、Copywriting、Ads、Email、Sales Enablement、Pricing、Referral、Customer Research 等任务。这比简单堆积几十个 Prompt 更接近一个完整的营销知识系统。

    目前项目还在快速扩展，例如近期加入了 prospecting、sms 等能力，并提供大量第三方工具集成。

  3. UI/UX 领域 nextlevelbuilder/ui-ux-pro-max-skill

    UI/UX Pro Max 是一个非常典型的垂直领域 Skill，目标不是改善 Agent 的通用编程能力，而是让 AI 在 UI/UX 设计和前端实现方面具备更系统的设计决策能力。项目目前提供 67 种 UI 风格、161 套配色方案、57 组字体组合、99 条 UX 指南、25 种图表类型，并覆盖 15+ 技术栈。

    它比较有意思的地方是引入了 Design System Generator：Agent 根据项目需求分析并生成相应的设计系统，然后再辅助实现页面，而不是简单地告诉模型“做一个好看的页面”。项目支持 Claude Code、Cursor、Codex CLI、Gemini CLI、OpenCode 等大量 Agent 平台，并提供自动激活和 Workflow/Slash Command 两种使用方式。

    因此它更像一个领域专家 Skill。如果你经常让 Coding Agent 开发后台管理系统、SaaS、Dashboard、Landing Page，这个 Skill 的收益会比较明显；但如果主要做后端、基础设施或纯代码工作，它的价值就相对有限。

  4. 软件工程流程治理 addyosmani/agent-skills

    Addy Osmani 的 agent-skills 定位非常明确：Production-grade engineering skills for AI coding agents。它不是简单提供一些代码生成 Prompt，而是试图把资深工程师的软件开发流程固化成 Agent 可以执行的工程工作流。仓库目前包含约 24 个 Skill，并支持 Claude Code、Cursor、Codex、Copilot、Cline、Gemini CLI、Kiro、Windsurf、OpenCode 等多个 Agent。

    它的核心思想可以概括成：

    DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP

    也就是让 Agent 不要直接“写代码”，而是经过需求定义、规格设计、实现、测试验证、代码 Review 和交付等阶段。Skill 本身通常包含 触发条件、执行流程、验证标准、常见错误以及退出条件，强调“可验证的工程流程”，而不是泛泛的最佳实践。

#13 本地运行 LLM 的限制

AI LLM 2026-07-24

看了《你需要知道的 AI 内存知识》，我才知道：

  1. 本地运行大模型的核心资源主要有三个：内存容量、内存带宽和计算算力，三者共同决定模型规模和运行速度。
  2. 统一内存架构（Unified Memory） 可以让 CPU 和 GPU 共享大容量内存，从而突破传统独立显卡显存容量限制，更容易加载大模型。
  3. 模型名称中的 MoE（Mixture of Experts，混合专家模型） 表示模型只会激活部分参数进行计算，可以显著降低推理所需的内存和算力。
  4. 当前消费级设备，即使价格达到数万元，也仍然存在明显限制：要么模型规模受限，要么推理速度不足，实际更适合运行中小型模型或经过优化的 MoE 模型。

#12 阿里全面禁用 Claude Code

AI 开发者 2026-07-05

阿里巴巴宣布，自 2026 年 7 月 10 日起，全面禁止员工在办公及研发环境下使用 Anthropic 旗下 Claude 系列产品（含 Claude Code），并要求全员卸载清理，同时推荐使用阿里自研 AI 编程工具 Qoder 作为替代方案。

此前，阿里曾鼓励员工使用海内外 AI 辅助编程工具，Claude Code 是程序员高频使用的编码助手，相关外部模型调用费用可走企业报销。

此次变动主要可能基于三方面考量：

  1. Claude Code 被曝存在隐蔽检测/后门风险，可能导致企业核心代码与研发数据外泄；
  2. Anthropic 近年多次无预警封禁中国用户并限制中资企业使用其服务，供应链与合规风险上升；
  3. 阿里自研 Qoder 已具备端到端AI编程能力且支持内网私有化部署，可保障数据不出境、满足自主可控与信息安全合规要求。

#11 我的 Token 消耗情况

AI 开发者 2026-06-25

我用的是 Cursor 做开发，根据 Cursor 后台统计，一个月消耗 Token 大约 6 亿 Token。
需要购买 Pro+ 套餐才能满足要求，一个月 48 美金（年付），折合人民币大约 336 元。

听说龙虾的创始人每月消耗 6000 多亿 Token，是我的 1000 倍，确实有点吓人。
哪怕采购量大可以打一折，也得 3 万多元人民币。
PS：他是 OpenAI 员工，可以无限量调用自家模型，不用花钱。

网约车巨头 Uber 今年头四个月就花完了全年34亿美元的 AI 预算，不得不限制使用 AI 了。
微软也因为费用超标，放弃了 Claude Code，改用自家托管的 OpenAI 模型。

听同事讲，公司提供的 Codex 200 刀的套餐，所有研发共用，每月基本上足够。
Codex 200 刀的这个套餐可以这么划算么？我查了 Codex 订阅和相关信息，看起来也不至于这么划算啊。
不知道实际上同事们的使用程度到底如何。

基础认知：

  1. Cusor Tab（代码自动补全）通常不消耗额度，AI 对话/生成能力才会消耗额度
  2. 模型价格 × 输入上下文长度 × 输出长度 × 调用次数
    其中：输入上下文通常是最容易失控的部分，一定需要控制好。
  3. 控制上下文范围，比控制模型选择更重要

草拟了一个控制 Token 消耗的方法：

  1. 默认使用 Auto 模型，让 Cursor 根据任务自动选择成本和效果更加平衡的模型。
  2. 任务拆解后再交给 AI，不要直接把复杂目标交给 AI，确保问题规模小，描述准确。
    让 AI 解决明确的小问题，而不是让 AI 自己探索整个系统。
    扫描大量代码 + 生成超长上下文 + 多轮修改 = 快速消耗 Token
    我的套餐更适合日常开发修改，不适合让 Agent 长时间承担「全仓库理解 + 多轮推理 + 大范围修改」这类高消耗任务。
    所以少说：解决 xx 问题、重构 xx 方案。
  3. 精准控制上下文范围，尽可能精准指定代码范围，只把相关代码加入模型上下文。
    不仅上下文更小，修改也会更准确一些。
  4. 新任务就开启新对话（New Agent），避免长期复用同一个对话。
    长期积累会导致上下文膨胀。
    保持每个 Agent 任务边界清晰。
  5. 定期查看 Dashboard 监控模型使用量和 On-Demand 消耗。

#9 AI 编程经验

AI 开发者 2025-04-25
  1. 减少交互，自动执行
  2. 每次完成代码编写之后都执行 go build -o main.exe .
  3. 保证数据类型定义在 model.go 中
  4. 保证代码结构扁平化，不要创建多余的目录

#8 关于 MCP Server（Model Context Protocol）

AI 2025-03-19

Model Context Protocol（模型上下文协议，简称 MCP）是由 Anthropic 公司于 2024 年末推出的开放标准协议，旨在为大型语言模型（LLM）与外部数据源、工具及系统提供标准化连接接口。其核心目标是解决传统 AI 系统集成复杂、维护困难的问题，通过定义通用规则实现 LLM 与数据库、API、本地文件等资源的即插即用式交互。

我的理解：就是用来向 AI 模型拓展一些功能，比如获取数据、运行程序、发送邮件、订购商品等，将 AI 这个大脑连接上真实世界。

Anthropic 就是做 Claude AI 编程模型的那家公司，设计这套协议用来拓展 AI 模型，比如执行目录查看、编辑文件、文本查找、文本替换、Git 提交、执行代码格式化工具。

但是这套协议可以用来拓展到方方面面，比如将我司的邮件服务、短信服务、AppPush 等提供出去，这样支持 MCP 的 IDE 可以在开发过程中直接发送邮件、短信、应用推送出去了。
最简单的场景，比如执行单元测试之后，将测试结果推送给相关人员。

因为目前只有几个 IDE 支持，但是我们也不一定只能用来做代码开发，直接在里面管理工作理论上也是可行。
还拿邮件功能举例，比如可以开发 MCP 接入自己的客户信息，然后在 AI 交互中安排自动化场景营销任务。
PS：MCP 这样的开放标准肯定是 AI 应用的大势所趋。

flowchart
    subgraph APP
        AppStart[App 启动]
        AppGetTask[接收任务]
        AppParse[解析 AI 输出]
        AppRun[App 执行任务]
    end

    subgraph MCP[MCP Server]
        McpResource[资源/接口]
        McpRun[MCP 执行任务]
    end

    User --> |提交任务|AppGetTask
    AppGetTask --> |请求大模型<BR>系统提示词 + 任务描述|Model[AI 大模型]
    AppStart -->|获取信息| McpResource
    Model --> AppParse --> AppRun
    AppRun <--> McpRun

资源：

Introducing the Model Context Protocol

2024 年 11 月 25 日
https://www.anthropic.com/news/model-context-protocol

Today, we're open-sourcing the Model Context Protocol (MCP), a new standard for connecting AI assistants to the systems where data lives, including content repositories, business tools, and development environments. Its aim is to help frontier models produce better, more relevant responses.

As AI assistants gain mainstream adoption, the industry has invested heavily in model capabilities, achieving rapid advances in reasoning and quality. Yet even the most sophisticated models are constrained by their isolation from data—trapped behind information silos and legacy systems. Every new data source requires its own custom implementation, making truly connected systems difficult to scale.

MCP addresses this challenge. It provides a universal, open standard for connecting AI systems with data sources, replacing fragmented integrations with a single protocol. The result is a simpler, more reliable way to give AI systems access to the data they need.

Model Context Protocol

The Model Context Protocol is an open standard that enables developers to build secure, two-way connections between their data sources and AI-powered tools. The architecture is straightforward: developers can either expose their data through MCP servers or build AI applications (MCP clients) that connect to these servers.

Today, we're introducing three major components of the Model Context Protocol for developers:

  • The Model Context Protocol specification and SDKs
  • Local MCP server support in the Claude Desktop apps
  • An open-source repository of MCP servers

Claude 3.5 Sonnet is adept at quickly building MCP server implementations, making it easy for organizations and individuals to rapidly connect their most important datasets with a range of AI-powered tools. To help developers start exploring, we’re sharing pre-built MCP servers for popular enterprise systems like Google Drive, Slack, GitHub, Git, Postgres, and Puppeteer.

Early adopters like Block and Apollo have integrated MCP into their systems, while development tools companies including Zed, Replit, Codeium, and Sourcegraph are working with MCP to enhance their platforms—enabling AI agents to better retrieve relevant information to further understand the context around a coding task and produce more nuanced and functional code with fewer attempts.

"At Block, open source is more than a development model—it’s the foundation of our work and a commitment to creating technology that drives meaningful change and serves as a public good for all,” said Dhanji R. Prasanna, Chief Technology Officer at Block. “Open technologies like the Model Context Protocol are the bridges that connect AI to real-world applications, ensuring innovation is accessible, transparent, and rooted in collaboration. We are excited to partner on a protocol and use it to build agentic systems, which remove the burden of the mechanical so people can focus on the creative.”

Instead of maintaining separate connectors for each data source, developers can now build against a standard protocol. As the ecosystem matures, AI systems will maintain context as they move between different tools and datasets, replacing today's fragmented integrations with a more sustainable architecture.

Getting started

Developers can start building and testing MCP connectors today. All Claude.ai plans support connecting MCP servers to the Claude Desktop app.

Claude for Work customers can begin testing MCP servers locally, connecting Claude to internal systems and datasets. We'll soon provide developer toolkits for deploying remote production MCP servers that can serve your entire Claude for Work organization.

To start building:

  • Install pre-built MCP servers through the Claude Desktop app
  • Follow our quickstart guide to build your first MCP server
  • Contribute to our open-source repositories of connectors and implementations

An open community

We’re committed to building MCP as a collaborative, open-source project and ecosystem, and we’re eager to hear your feedback. Whether you’re an AI tool developer, an enterprise looking to leverage existing data, or an early adopter exploring the frontier, we invite you to build the future of context-aware AI together.