简悦 MCP 助手 2.0

▎ 内置 Skills 的 2.0 版本现已发布

🔗 永久链接 | GitHub | 知乎专栏 | 语雀 | Newsletter

💡 前情提要

/posts/625

✍️ 2.0 版

内置 Skills 可以让查询语义更加自然化，2.0 版重构了整个流程，让 AI 完美支持 1000+ 检索结果。

🎯 核心能力

📅 按日期获取：支持今天 / 昨天 / 每日 / 本周 / 最近 7 天 / 最近 30 天

🔍 全文搜索：按任意关键词搜索简悦内容的标题和正文

🏷 标签筛选：按简悦标签筛选内容

💬 更强大的自然语言交互

你不需要学习复杂的命令，用自然语言即可：

输入 今日阅读回顾 → 自动生成今天的阅读简报

输入 查询关键词 OpenAI 在此结果检索 马斯克 内容，并生成简报 → 全文搜索 + 结果内二次检索 + 简报输出

输入 获取标签为 AI 的文章，并生成简报 → 按标签筛选并生成简报

🔗 与 简悦 Andrej Karpathy LLM Wiki 方案 无缝协作

📚 简悦 LLM Wiki 负责深度知识整理，生成结构化 Wiki 页面

🔎 简悦 MCP 负责实时检索稍后读

两者结合，Wiki 提供深度和结构，MCP 提供广度和实时性。

🪄 用法

请查询关键词 OpenAI 在此结果中查询与 Anthropic 的相关内容，并生成简报

→ MCP 搜索 OpenAI 相关内容，然后继续在结果中检索 Anthropic 并调用 Wiki 方案生成专门用于简报的结构

/report 星巴克 -m ~r

→ 调用 Wiki 方案的简报格式，并使用 Mermaid 可视化简报 ~r 将本地快照链接转换为原文链接，手机端也能正常使用

📦 安装前提

1️⃣ 安装 Node.js 环境

2️⃣ 配置 简悦同步助手（高级账户功能），开启自动同步与本地快照

3️⃣ 支持 Claude、Codex 等任意支持 MCP 和 Skills 的工具。

详细步骤 👉 GitHub

📚 延伸阅读

点击 #OpenAI 查看更多

简悦 Andrej Karpathy LLM Wiki 方案 2.0

▎ 从 1.0 到 2.0 ：更低的消耗，更强的能力

🔗 永久链接 | GitHub | 知乎 | 语雀 | Newsletter

💡 前情提要

/posts/652

✍️ 升级说明

2.0 版本是一次面向效率与扩展性的重大升级。核心目标只有一个：让这套 Wiki 方案在处理数千篇文章时更省 Token、更易维护、更易检索。

🪄 核心升级：Token 消耗降低 5~10 倍

通过引入 index_map.txt 映射表机制，实现增量感知，大幅减少不必要的文件读取，2.0 仅读取 index_map.txt（几行），提升约 50 倍

实际场景：10 个 raw 文件 × 1000 行的 raw/主题，1.0 需读取约 50000 tokens，2.0 仅读取变化的 1 个文件，约 5000 tokens，节省约 10 倍。

🔎 MCP 支持

直接查询简悦本地快照库，实现实时、精准的内容检索，与 Wiki 方案形成互补：Wiki 负责深度知识整理，MCP 负责广度与实时性。

📅 按日期获取，支持类型：今天、昨天、每日、本周、最近 7 天、最近 30 天，例子： 今日阅读回顾

🔍 全文搜索，例子： 查询关键词 OpenAI 在此结果检索 马斯克 内容，并生成简报

🏷 标签筛选，例子： 获取标签为 AI 的文章，并生成简报

💡 与 Wiki 命令结合，例子： 今日阅读回顾 ~r （MCP 获取今日文章 + 将本地快照链接转换为原文链接，适合手机端）

更多高级命令 👉 GitHub | 语雀

📦 如何升级

1️⃣ 更新代码到最新版本

2️⃣ 同步助手 1.5.2+ 版

3️⃣ 确保 raw 文件夹包含 index_map.txt（需要使用同步助手重新导出）

4️⃣ 执行 /refresh 重新加载协议

5️⃣ 执行 /gen fix.md 批量修复 Sources 映射表

五一宅家玩简悦 · 第二期 - 简悦 AI 用法合辑

▎ 这是「五一」特辑的第二期，预计 2 ~ 3 期 😄

🔗 第一期 | 第二期 | 第三期 | 第四期 | 永久链接 | 知乎 | Newsletter

📝 写在前面

拖延症发作了，实在抱歉，再加上五一期间的各种事情，导致这一期的更新时间有点晚了。😂

🤖 聊聊简悦的各种 AI 用法

简悦是最早加入 AI 功能的产品了，基于阅读模式的使用场景，我发布了多种基于 AI 的使用方案，在这里做一个总结。

📚 基于阅读模式的 AI 方案

1️⃣ 下载量超 100K 专门负责阅读理解的 阅读助手

2️⃣ 让 AI 帮你翻译的 全文翻译 + 划词翻译 方案

💾 RAG 数据库（在线方案）

简悦的优势在于本地化的稍后读数据，而这些数据可以作为 RAG 方案的输入，来构建你的专属知识库。

目前已经有不少（学生）用户基于这点将 LLM 当作专属 QA 问答机器人来使用。

👉 导出简悦知识库 | 将你的稍后读用于 LLM 的数据来源（RAG）

💽 RAG 数据库（本地方案）

如果你是 Obsidian 用户（或本地快照用户），可以利用这些本地化的数据，零代码打造你的个人专属 AI 本地 LLM 知识库

1️⃣ Trace 篇

2️⃣ Ollama + Cherry Studio 篇

⚡️ MCP 插件

将简悦的稍后读功能接入 MCP 服务，相比上面的方案，此方案更轻量级，也更灵活。

👉 简悦 MCP 助手

简悦 MCP 助手

▎ 将简悦的稍后读功能接入 MCP 服务。

🔗 永久链接 | 教程 | 知乎 | 语雀 | Newsletter

✨ 能做什么

通过此工具可以将你的 simpread_config.json（以及本地快照）接入到任意大语言模型（LLMs），并内置了一些现成的工具方便您与稍后读内容进行交互。

📝 使用前提

1️⃣ 此项目基于 MCP 开发，安装 Node.js 运行环境后才能使用。

2️⃣ 由于需要访问您本地的 simpread_config.json 文件，因此需要安装并配置同步助手功能，该功能为高级账户专属，如有需要 请升级。

3️⃣ 需要配置同步助手的自动同步与本地快照功能，配置方法 请看此教程。

🏆 推荐客户端与 LLM 组合

在开发此工具期间，我们测试了多种支持 MCP 的客户端和大语言模型，目前效果最佳的组合为：ChatWise + Doubao 1.5 pro 256k（火山引擎）

📥 下载与配置

GitHub | 语雀

⚙️ 功能（工具）

📊 获取阅读简报 get_daily

输入指令如 今日阅读回顾 ，支持的关键词包括： 今日 昨日 本周 上周

🏷 标签检索 search_tag

输入指令如 请检索标签 AI战争 的内容 ，系统将生成相应简报。

当前标签检索采用模糊匹配方式，例如：aaa 会匹配 aaa aaa/bbb 等包含 aaa 关键字的标签。

🔍 内容检索 search_content

输入指令如 请检索包含 英伟达 的内容 ，系统将生成简报，检索范围包括： 标题 描述 标签 标注的备注 标注的文本内容 标注的标签

⚡️ 环境变量配置

1️⃣ SEARCH_SNAPSHOT

控制上述功能是否包含本地快照内容，默认不包含，启用后，检索结果将包含本地快照，可获得更精准的答案（但会相应增加 Tokens 消耗）。

👉 详细说明

2️⃣ PROMPT

自定义 LLM 的返回内容格式，默认会根据您的提问直接回答，同时系统也提供了默认回复模板。

👉 详细说明

🎁 彩蛋（预告）

五一期间宅家「玩简悦」，我会在小长假期间推送关于简悦的一些新插件与AI 联动的新玩法。

📚 引申

点击 #OpenAI 查看更多

聊聊我经常使用的免费 LLM 模型

▎ 分享我经常使用的 LLMs

🔗 永久链接 | GitHub | 语雀 | Newsletter

📝 写在前面

简悦的很多功能都接入了 AI，例如：阅读助手、全文翻译、划词翻译，甚至 专门用于导出简悦稍后读内容以用于 RAG 的插件。

接下来聊聊我经常使用的模型。

💻 SiliconFlow

1️⃣ Qwen/Qwen2.5-7B-Instruct

首选模型，来自阿里的非推理型模型，具有小巧、简单、快速的特点。

2️⃣ deepseek-ai/DeepSeek-R1-Distill-Qwen-7B

推理模型，速度相对较慢，作为对 Qwen/Qwen2.5-7B-Instruct 的补充。

当我使用全文翻译的 左右栏 + 一次性全文翻译 功能时就会选用此模型，它能将英文内容更符合中文语义地转换为中文。

3️⃣ THUDM/glm-4-9b-chat

来自智谱的 AI 模型，支持 128K 上下文，因此在处理超长文章时我会使用此模型。

例如在使用 RAG 方案时，由于输入给 LLM 的内容通常很大，这时就会考虑使用此模型。

🌐 OpenRouter

1️⃣ deepseek/deepseek-chat-v3-0324:free

由于 SiliconFlow 不免费支持 DeepSeek v3-0324 版本，我改用 OpenRouter 提供的免费方案。

虽然主要对标 Qwen/Qwen2.5-7B-Instruct 但从我的使用体验来看，两者差异并不明显。

2️⃣ 其他备选

使用 OpenRouter 的优势是可以经常体验较新的 LLM 模型，如：

📗 Google Gemini 2.5 Pro Experimental

📘 Meta Llama 4

📙 NVIDIA Llama 3.3

🌋 火山引擎

1️⃣ doubao-1-5-pro-256k-250115

来自字节跳动的大模型，支持 256K 上下文的对话模型，使用体验良好，特别是与简悦 MCP + ChatWise 搭配使用时效果最佳。

虽然是收费模型，但火山引擎提供了充足的免费额度，完全能满足日常使用需求。

🔗 关联

📖 阅读助手

🌐 全文翻译

🔤 划词翻译

🔎 延伸阅读

点击 #OpenAI 查看更多