银铃的开发笔记与工具箱https://fukalous.com作品、文字与小工具zh-CN这个站点是怎么搭起来的https://fukalous.com/blog/how-this-site-works/https://fukalous.com/blog/how-this-site-works/Wed, 14 Oct 2026 00:00:00 GMTAstro 静态站 + GitHub Actions 定时同步贡献数据 + giscus 评论，零服务器、零数据库。一直想要一个地方，把 GitHub 上零散的贡献、写过的笔记，以及和其他人的交流放在一起。要求很简单：

  • 不维护服务器：没有数据库，没有后端进程，挂了也不用半夜起来修
  • 数据自动更新：贡献图和 PR 列表不应该靠手动截图
  • 写作成本低：一个 Markdown 文件就是一篇文章

#整体结构

站点架构：Markdown 文章与 GitHub 数据经静态构建发布，评论由 GitHub Discussions 提供。
文章流程图

三块内容各有各的数据来源，但最终都是纯静态 HTML。

#贡献数据：构建时拉取

scripts/fetch-github.mjs 在 astro build 之前运行，用 GraphQL 一次性拿到：

数据 GraphQL 字段
贡献热力图 contributionsCollection.contributionCalendar
上游 PR user.pullRequests，过滤掉自己名下的仓库
统计数字 totalCommitContributions 等

拉取失败时脚本会沿用上一次的快照，而不是让整个构建失败。本地没配 token 也能正常 npm run dev。

GitHub Actions 里配置了每天一次的 schedule，所以即使不发文章，贡献图也会每天刷新。

用一个很粗略的指标描述贡献密度：

density=active daysdays since account creation\text{density} = \frac{\text{active days}}{\text{days since account creation}}

#交流：giscus

评论系统选了 giscus，它把评论存在仓库的 GitHub Discussions 里：

  1. 访客用 GitHub 账号登录即可评论，天然过滤掉大部分垃圾内容
  2. 数据在自己的仓库里，随时可以迁移
  3. 每篇文章按 pathname 映射到一个 Discussion，留言板则固定映射到一个 term

再加上一个友链页和 RSS 输出，基本覆盖了「和其他站交流」的需求。

#写一篇新文章

在 src/content/blog/ 下新建一个 Markdown 文件：

md
---
title: 标题
description: 一句话摘要，会出现在列表页和 RSS 里
pubDate: 2026-10-14
tags: [标签A, 标签B]
draft: false
---

正文……

git push 之后大约一分钟，文章就会出现在站点上。

]]>建站AstroGitHub Actions开源贡献阶段小结：16 个项目，34 个 PRhttps://fukalous.com/blog/open-source-recap/https://fukalous.com/blog/open-source-recap/Tue, 13 Oct 2026 00:00:00 GMT回顾最近在 SurfSense、OpenViking、FlashRAG、ms-swift 等 AI Infra 项目上的贡献，以及踩过的坑。最近集中给一批 Agent / AI Infra 方向的开源项目提了 PR，借这个站点上线做一次小结。完整列表和实时数据见开源贡献页面。

#数字

  • 共 34 个上游 PR，覆盖 16 个仓库
  • 23 个已合入，6 个仍在 review 中
  • 主要语言是 Python，零星涉及 Rust、Go、C++、Ruby、TypeScript

#主要投入的项目

#SurfSense

MODSetter/SurfSense 是投入最多的项目，14 个 PR 合入了 13 个。大部分集中在本地模型管理和桌面端的健壮性上，比如：

  • 安装受限（gated）模型仓库前先拒绝，而不是下载到一半失败
  • 复制 GGUF 文件后做一致性校验
  • 桌面端 sidecar 进程崩溃时上报原因
  • 流式输出开始前的错误不再被吞掉

这类问题的共同点是：正常路径没毛病，边界情况下的错误信息很差。修起来改动不大，但对用户体验的影响很直接。

#OpenViking 与 FlashRAG

volcengine/OpenViking 是面向 Agent 的上下文数据库，PR 主要涉及记忆注入和健康检查的凭证校验。

RUC-NLPIR/FlashRAG 的两个 PR 都合入了：一个修复 LLM judge 打分解析，一个新增文档级检索指标。

#训练框架

modelscope/ms-swift 修复了生成出错后 ZeRO-3 hooks 没有恢复的问题；MakazhanAlpamys/Soup 的诊断工具增加了对长样本记忆化的检测。

#几点体会

  1. 先读 CONTRIBUTING 和近期合入的 PR。每个项目对 commit 格式、测试要求、changelog 的习惯都不一样，照着最近合入的 PR 写，一次通过率高很多。
  2. PR 越小越好合。被关掉的几个 PR 大多是范围不够聚焦，或者和维护者的规划方向不一致。
  3. 错误信息是被低估的贡献方向。不需要深入理解整个系统，就能实实在在地改善用户体验。

后面打算挑一两个具体的 PR 单独写复盘。

]]>开源AI Infra复盘