掘金热门技术文章每日精选：微信读书 Skills 上线、AI 工具站变现揭秘、姚顺宇访谈深度解析

微信读书 Skills 上线，免费工具站月访 118 万变现揭秘，姚顺宇 AI 访谈，Spring AI 源码分析。

2026年5月21日6 分钟阅读

摘要：本文精选了掘金社区最新热门技术文章，涵盖微信读书官方发布 Skills 功能让 AI 可以读取你的阅读数据、两个免费工具站月访问 118 万的变现模式揭秘、姚顺宇 4 小时访谈深度解析 AI 发展趋势、以及 Spring AI 流式工具调用的源码分析。这些文章涉及 AI 编程、工具开发、技术架构等多个领域，为开发者提供前沿技术洞察和实战经验。

📚 文章一：微信读书官方发了 skills，把我给秀麻了

作者：cxuanAI
阅读数：2.5k
原文链接：https://juejin.cn/post/7641439774993416242
标签：后端、程序员、人工智能

核心内容

微信读书官方发布了 weread skills，这是一个将微信读书数据开放给 AI 的功能模块。通过配置 weread skills，用户可以让 AI 助手帮助管理阅读数据、统计阅读情况、导出笔记划线等。

主要功能包括：

搜书/搜内容：支持搜电子书、网文、有声书、作者、全文、书单等
看书籍信息：查书籍详情、目录章节、阅读进度、累计阅读时长
看书架：拉取书架列表，统计电子书、有声书、文章收藏数量
看阅读统计：查本周、本月、今年、总计阅读时长、阅读天数、偏好分析
导出/查看笔记划线：查看有笔记的书、单本书划线、个人想法/点评
看公开书评：查某本书的全部、推荐、最新、差评点评
推荐书：获取个性化推荐或基于某本书找相似书
生成微信读书 App 跳转链接：拼 weread://深度链接，跳到书籍、章节、划线位置

技术实现：

底层是统一网关：https://i.weread.qq.com/api/agent/gateway
需要配置 WEREAD_API_KEY 进行认证
支持 CLI 命令行调用和 AI 自然语言调用

点评：这个功能的意义在于把你的阅读数据开放给了 AI。以前微信读书里的数据是被锁在 App 里的，你能看但很难二次加工。现在有了 skills，AI 可以帮你复盘、整理、发现阅读偏好，把碎片化的划线变成文章。这是阅读数据接入 AI 工作流的重要一步。

💰 文章二：两个免费工具站月访 118 万，它们到底靠什么赚钱？

作者：孟健 AI 编程
阅读数：994
原文链接：https://juejin.cn/post/7641229739893932078
标签：AI 编程、独立开发、SEO

核心内容

文章深度拆解了两个免费工具站 towebp.io 和 svgtopng.com 的商业模式。这两个站分别月访问 30.4 万和 87.6 万，合计约 118 万月访，但完全免费、没有订阅、没有登录。

商业模式分析：

广告变现：svgtopng.com 源码中有 8 个 Google AdSense 广告位，具备广告变现能力
App 导流：towebp.io 明确导向 Google Play 的 Android App，通过免费 Web 工具养 SEO 流量，再导入生命周期更长的产品形态
捐赠收入：towebp.io 有 Buy me a coffee 捐赠入口，但转化率通常很低
SEO 资产养站：流量成熟后接广告、affiliate、付费工具、API，或直接出售站点

技术成本优势：

核心处理在浏览器端，使用 JavaScript 运行在用户设备上
服务器只需承担静态页面托管、CDN 分发、少量统计请求
没有计算服务器、文件存储、队列、数据库，边际成本接近零

对做站矩阵的启示：

围绕 image converter/formatter/validator/generator 这类长尾词，批量做 20-30 个小工具站入口，每个站针对一个高意图关键词，做好 SEO，合计月访问可以到几百万量级。这些流量可以承接付费工具、SaaS、API 服务、Affiliate、数字产品等。

点评：这类站的真正价值取决于后面接了什么产品——没有承接，流量再大也是给别人的生意做嫁衣。免费工具站是流量入口层，不是终点。矩阵化并且有承接产品，逻辑才能跑通。

🎙️ 文章三：看了一下姚顺宇的访谈，确实太顶了

作者：cxuanAI
阅读数：4.0k
原文链接：https://juejin.cn/post/7640053666326609958
标签：后端、程序员、人工智能、AI 趋势

核心内容

文章整理了张小珺对姚顺宇的 4 小时播客访谈重点。姚顺宇是清华物理系出身，2024 年 10 月加入 Anthropic 从事强化学习方向，参与 Claude 3.7/4/4.5 的训练，2025 年 9 月加入 Google DeepMind，参与 Gemini 3/3 Deep Think/3.1 Pro 的开发。

关键观点：

关于 AI 竞争格局：模型同质化、商品化了，纸面 benchmark 上差距缩到 1-2 个百分点，"大部分是噪声，不是信号"。真正的差异只在实际用户体验里：Claude 工具使用最强，Codex 最近追平，Gemini 日常推理更好。
Pre-train 没有到头："2026 年第一季度，模型改进速度完全没有放缓。"他认为预训练过去几个月一直在变强，接下来四个月还会有进步。主驱动是数据和算力，算法更像阶段性跃迁。
Coding 的爆发：编程领域发展最快因为有两大结构性优势：奖励信号定义清晰、数据基座天然存在。他自己的代码产出中 90% 以上由模型生成，工作效率提升 20-50 倍。
对程序员的未来判断：AI 最终会取代程序员，但是渐进过程。"AI 是高度集中化的技术，让少数人更强，让大多数人失去独特价值"。传统软件工程的终局可能是"千分之一的人做完所有人的活，拿 100 倍的工资"。
关于蒸馏：把蒸馏分为"硬蒸"（直接拿 Claude 生成的 token 去强制训练）和"软蒸"（在自己的数据 pipeline 里用其他模型做助手）。"硬蒸商业上不道德，智商上相当蠢"；"软蒸商业上灰色，但技术上其实很有意思"。
人生经验："大胆一些。如果你不争取，就永远得不到。即使你争取，也未必能得到。但如果你不争取，就肯定得不到。"

点评：这场访谈信息量巨大，涵盖了 AI 发展趋势、模型竞争、程序员未来、人生哲学等多个维度。姚顺宇作为亲历三大模型公司（Anthropic、Google DeepMind）的核心研究者，其观点具有极高的参考价值。特别是关于"Pre-train 没有到头"的判断，与当前市场上"Scaling Law 撞墙"的论调形成鲜明对比。

🔧 文章四：Spring AI 流式工具调用：你的 TOOL_CALLS Chunk 去哪了？

作者：倚栏听风雨
阅读数：3
原文链接：https://juejin.cn/post/7641928809241657370
标签：后端、Spring AI、Java、源码分析

核心内容

文章深入分析了 Spring AI 流式工具调用中一个常见困惑：当 LLM 触发工具调用时，带 finishReason=TOOL_CALLS 和 toolCalls 数据的 ChatResponse chunk 神秘消失了，subscribe 回调中只收到了工具执行后的最终结果。

问题复现：

当 LLM 决定调用工具时，OpenAI 返回的流式 chunk 序列中，携带 finishReason=TOOL_CALLS 的 chunk 不会到达你的 subscribe 回调，你只会收到工具执行完毕后 LLM 返回的最终回答 chunk。

双层拦截机制：

第一层：模型内部拦截（OpenAiChatModel.internalStream）
- 使用 collectList() 把所有流式 chunk 缓冲成一个 List
- 检查缓冲的 chunk 中是否有 tool calls
- 如果有，用 ToolCallBuilder 合并碎片化的 tool call delta
- 执行工具调用，然后递归调用 LLM，只发出最终结果
第二层：Advisor 层过滤（ToolCallAdvisor）
- 通过 .filter() 过滤掉所有 hasToolCalls() == true 的 chunk
- streamToolCallResponses 默认为 false，导致 tool call chunk 被过滤
- 在流完成后检查聚合结果，如果有工具调用则执行并递归

关键源码分析：

// 第一层拦截核心逻辑
return flux.collectList().flatMapMany(list -> {
    boolean hasToolCalls = list.stream()
        .map(this::safeAssistantMessage)
        .anyMatch(am -> !CollectionUtils.isEmpty(am.getToolCalls()));
    
    if (!hasToolCalls) {
        return Flux.fromIterable(list); // 无工具调用：原样发出所有 chunk
    }
    // 有工具调用：进入聚合 + 执行逻辑，原始 chunk 不会到达下游
});

点评：这不是 Bug，而是 Spring AI 的设计决策。文章通过深入源码分析，揭示了 Spring AI 对流式工具调用 chunk 的"拦截"机制全貌。对于使用 Spring AI 进行流式开发的开发者来说，理解这个机制非常重要，可以避免很多不必要的困惑和调试时间。