程序运行时需要大量配置信息：临时目录在哪、用什么语言区域、代理地址是什么、可执行文件去哪找。这些配置如果全写死在代码里，换一台机器就得重新编译；如果每个程序自己搞一套配置文件，又重复造轮子。环境变量就是操作系统提供的一套进程级、可继承的键值对配置机制：系统给每个进程维护一份环境变量表，程序运行时直接读取，无需自己解析配置文件。它和 shell 里用VAR=value环境变量会被子进程继承。当你在

9router 是一个协议网关——把订阅制 AI 编码产品（Claude Code、Codex、Qoder）的额度统一封装成 OpenAI 兼容的 /v1/chat/completions 端点，对上抹平各家鉴权差异，对下抹平响应格式差异。文章以 Qoder 接入为解剖样本，逐层拆解五个机制：1. 鉴权层：Qoder 只支持 Device Code Flow，token 是一次性的 30 天资产，

起因是怀疑一个反代 Claude Code 的中转站是否在中间偷偷注入了系统提示或工具——为了查清这个问题，作者第一次认真动手抓包，并借此把 HTTPS 拦截、CA 证书、mitmproxy 这套机制彻底捋了一遍。文章分为原理篇与实战篇：原理篇厘清四个基础认知：- 抓包抓的是应用层 HTTP 请求响应，靠的是让流量绕道经过一个中间人代理。- HTTPS 让代理只能看到密文，因此抓包工具必须做"授权

上一篇文章里，你用 Python + SQLAlchemy 把"学生选课系统"从 SQL 终端搬到了 FastAPI 项目。这四个生态选了截然不同的路线——有的几乎强制用 ORM，有的社区对 ORM 充满敌意，有的在两者之间找到了独特的折中方案。本文从你刚建立的 Python 经验出发，横向对比四个主流语言生态。

3 月，腾讯、阿里、字节几乎同一周内公布了各自的 Skill 生态布局；7 月，阿里达摩院开源 SkillWeaver，把 Agent 工具调用的 Token 消耗干到原来的 1%。再往前翻，浙大、阿里、腾讯等 19 家机构联合推出 SkillNet，把 20 万+ 技能结构化。把这几个时间点串起来，会发现一件事：Skill 不是某个厂商的私域概念，而是行业正在自发形成的新标准层。这篇文章想搞清楚

在 Windows 上写 C/C++，Dev-C++ 太老，Visual Studio 太重，VC6.0 已经过时。本文记录如何用 VS Code 搭建一套同时支持 Windows 原生编译和 Linux POSIX 编译的双环境：MSYS2 + MinGW GCC 覆盖 Windows 侧，WSL2 + GCC 覆盖 Linux 侧。重点拆解了 MSYS2、MinGW、pacman 三者的关系，

理解了"why"，接下来看"how"——MCP 的架构选了哪条路，以及为什么选这条路。MCP 解决了 “N×M 适配矩阵” 问题。在 MCP 之前，每个 AI 应用都要为每个工具单独写适配代码。MCP 用 Client-Server + 标准协议把 N×M 变成 N+M，让工具实现一次即可随处使用。三层抽象各司其职。Tools 负责"动手"（执行操作），Resources 负责"查阅"（获取数据）

理解了"why"，接下来看"how"——MCP 的架构选了哪条路，以及为什么选这条路。MCP 解决了 “N×M 适配矩阵” 问题。在 MCP 之前，每个 AI 应用都要为每个工具单独写适配代码。MCP 用 Client-Server + 标准协议把 N×M 变成 N+M，让工具实现一次即可随处使用。三层抽象各司其职。Tools 负责"动手"（执行操作），Resources 负责"查阅"（获取数据）

理解了"why"，接下来看"how"——MCP 的架构选了哪条路，以及为什么选这条路。MCP 解决了 “N×M 适配矩阵” 问题。在 MCP 之前，每个 AI 应用都要为每个工具单独写适配代码。MCP 用 Client-Server + 标准协议把 N×M 变成 N+M，让工具实现一次即可随处使用。三层抽象各司其职。Tools 负责"动手"（执行操作），Resources 负责"查阅"（获取数据）

理解了"why"，接下来看"how"——MCP 的架构选了哪条路，以及为什么选这条路。MCP 解决了 “N×M 适配矩阵” 问题。在 MCP 之前，每个 AI 应用都要为每个工具单独写适配代码。MCP 用 Client-Server + 标准协议把 N×M 变成 N+M，让工具实现一次即可随处使用。三层抽象各司其职。Tools 负责"动手"（执行操作），Resources 负责"查阅"（获取数据）