本文记录作者对 Soul（Android 6.37.0）网络协议的完整逆向经历，目标是将协议彻底复现为不依赖手机、不依赖 so 的纯 Python 客户端，连签名字段也要纯 Python 计算。作者声明全程仅使用自己的账号与授权的 root 设备（Pixel 6），仅供技术交流。 文章先盘点目标 App 的防护面：TLS 叠加私有 HTTPDNS 域（公网不解析）、主进程为 32 位（使 eCapture 等 eBPF 无注入方案出局）、反 Frida 双层检测、JNI 全部走 RegisterNatives 动态注册而没有 Java_* 导出、so 核心代码在磁盘上为密文、常量静态加密且 GOT 静止态也是密文、服务端强校验差一字节即拒。作者认为这类防护本质只是抬高时间成本，并非数学上不可解。 最终交付物是一个约 40 行的核心签名算法 cs_offline.py（标准库零依赖），以及一套完整客户端 soul_client/，覆盖短信登录、token 轮换、广场浏览/点赞/评论/关注/发帖（含图片）与 IM 收发，全部经服务端 10001 实测通过。颇具讽刺意味的是，算法本体最终被证明只是标准 MD5 加两个字符置换和两个明文常量。 入口定位上，作者从 System.loadLibrary 切入，命中 ImEncryptUtils 与 SoulPowerful 两个 JNI 门面，再逐层上溯调用链，梳理出 loadLibrary → 两个门面 → sy.h/sy.i（Retrofit 构建）→ sy.q（SoulNet 组装 OkHttp）→ ty.f（ParamsInterceptor，即 HTTP 签名落点）→ ColdStartupHelper.u 与 m0（DomainsManager）、g60.a（IM 连接配置）的结构。副产品包括按四套环境全量提取的 40 多条域名、IM 入口 im.soulapp.cn:8393 采用 HTTPDNS 多 IP 轮询，以及 ChatManager 到写线程再到 socket 的完整链路。 根据 ty.f 源码，作者整理出 HTTP 签名口径：签名串只取 url 的 path 而不带 host，将 query 与解码后的 form 合并排序，以 k=值（值用解码值）拼接；另一路取 tk、di、sdi、aid、av、at、User-Agent 七个头，按 Java 字符串排序后仅拼值；cs 交给 SoulPowerful.l 计算，sthor 走 SoulPowerful.i（v3，AB 开关），at 由另一个 so 里的 Hi.bth 生成。作者当时已意识到这些细节都可能成为服务端重算签名的雷区，随后发现自己选中的 ty.f 其实是旧版死代码，真正运行的拦截器位于 cn.soulapp.baseutility.fingerprint 相关类中。 文章规划的后继章节依次覆盖：App 阻止注入的现状、抓包的三个大坑、磁盘上并不存在的 so 代码带来的挫败、IM 帧解密的首次突破、cs 签名的五幕攻坚战、IM 消息签名与一次教科书级 dex 注入、服务端给予的教训、剩余口径的收尾，以及整体复盘。作者强调本文重在记录当时如何判断、为何这样选择、踩了什么坑与如何纠正，而非只罗列结论；正文在截断处结束，上述若干章节目前仅有标题。

XHS Agent 是一个面向小红书内容创作者的 AI 自动化运营工具。根据用户设定的运营目标，它能自动完成笔记文案生成、AI 配图（支持海报与真实照片两种风格）、参考图片素材管理、7 天发布计划制定，并通过 APScheduler 定时发布到账号，全程无需人工干预，同时支持 WxPusher 微信通知和多账号 Web 管理界面。 项目核心采用多级 AI 编排流水线：第一阶段由 text_service 调用 LLM 生成标题、正文、标签，并决策图片风格；第二阶段 prompt_agent 从预设模板中优化提示词；第三阶段 image_service 负责生成图片。海报模式特别使用串行生成策略，将第一张图作为风格锚点，确保多张图片色调、排版高度一致；真实照片模式则直接并发以保留多样性。 参考图片系统允许用户按风格、人物、产品、场景、品牌五类上传素材，由 GLM-4.6V 视觉模型自动标注，注入上下文以提升品牌贴合度。技术栈基于 FastAPI + aiosqlite 异步后端、React + Ant Design 前端、uv 包管理与 Docker 一键部署，精准解决人工运营中高频、高质、风格一致的痛点。

Douyin MCP 是一个专为 AI 助手打造的本地化数据服务桥梁，通过 Model Context Protocol (MCP) 协议打破信息壁垒，赋予大模型直接检索和分析抖音海量数据的能力。该项目的核心突破在于摒弃了传统的高延迟外部签名服务器方案，巧妙利用 Python 嵌入式 V8 引擎（py-mini-racer）在本地进程内完全攻破了抖音最核心的 a_bogus 反爬虫防线，结合现代 Python 异步生态构建了一个高稳定、易部署的数据访问架构。

本文介绍了一种通过修改Cursor客户端本地代码，将Claude 3.7模型的上下文窗口提升至200K的方法，从而实现类似Max版本的体验。具体做法包括：在`workbench.desktop.main.js`文件中修改`getEffectiveTokenLimit`函数，将返回值设为200000，实现所有模型或指定模型的上下文窗口扩展；修改`getModeThinkingLevel`函数，将思维深度设为最高；调整UI显示，使普通Claude 3.7模型在界面上显示为“MAX”并应用高亮样式。文章强调，这些更改仅影响本地客户端显示和行为，实际API调用和计费仍受Anthropic官方限制，无法绕过API密钥或服务器端的真实限制。最后提醒用户修改前做好备份，并注意这些更改不会改变Claude的底层功能。

DeepSeek发布的FlashMLA是一款为Hopper GPU设计的高效多头潜在注意力解码内核。它支持BF16计算、采用分页KV缓存技术（块大小64），并在H800 GPU上实现了3000 GB/s内存带宽和580 TFLOPS计算性能。该项目主要优化变长序列推理，可显著降低显存占用和计算开销。FlashMLA的主要应用场景包括大语言模型推理、机器翻译、语音识别和推荐系统等领域。它能加速Transformer计算，提高推理吞吐量，优化长文本处理，降低延迟。该项目受到FlashAttention 2&3和CUTLASS的启发，是2025年AI计算优化领域的重要突破。项目已开源，开发者可通过简单的Python安装命令快速部署使用。这一技术创新将为依赖GPU计算的企业和开发者带来显著的性能提升，推动AI计算效率迈向新的高度。