🔍 稍后读 · 极速版 - 全文检索

📝 描述

在右上角的搜索框输入 all:xxx 即可得到包含本地快照命中内容的稍后读。

🖼️ 效果

在 Timeline 访问的效果

在其他视图下因为受限于界面有限，所以当使用此功能时会弹出对话框方式。

🔌 API

读取 simpread_config.json 中的 unrdist 字段。

⚙️ 设置

此功能可直接使用，支持多维度筛选与响应裁剪 https://simpread.pro/docs/#/API

同时也支持增加 Token 用于保护你的数据 https://simpread.pro/docs/#/稍后读外部访问

🚀 快速开始

curl "http://localhost:7026/api/unrdist?date=last30&tags=科技史话/AI战争"

📋 接口说明

GET /api/unrdist

所有参数均为可选，通过 URL query string 传递，参数之间为 AND 关系（同时满足）。

无参数时返回全部 unrdist 条目。

🔍 支持的检索参数

额外控制参数（可与上述组合）：

🔎 关联阅读

GraphLens 是 简悦 Andrej Karpathy LLM Wiki 方案 3.0 版 中的知识图谱可视化工具，它能将 Wiki 文件中 ## 知识图谱（Knowledge Graph） 里编写的 Mermaid 图谱自动渲染为可交互的 WebGL 网络图，让你以「看图」的方式理解知识点之间的关系。

同步助手 1.5.3 将这个功能也内置到了 稍后读 · 极速版。

🔗 详细说明

https://github.com/Kenshin/simpread/discussions/3864#discussioncomment-17114433

💡 它能做什么？

1️⃣ 关系洞察：不同类型的实体（人物、组织、事件）用不同颜色区分，一眼看出知识结构

2️⃣ 快照直达：点击任意节点或链接，直接打开对应的简悦本地快照原文

3️⃣ Peek 模式：类似 Notion 的侧边预览，不离开当前页面即可阅读原始来源

4️⃣ 多图谱支持：一个 Wiki 文件中包含多个图谱时，可分别查看或合并展示

5️⃣ 拖拽布局：左右分栏宽度可自由拖拽调整

📗 使用前提

设置完 raw/ 目录 并 确保 wiki/ 已经存在相关文件后可使用。

注意：生成 wiki/ 下的内容属于 Andrej Karpathy LLM Wiki 操作范畴，需要了解相关规则。

📘 如何使用

访问 http://localhost:7026/unread 在页面右上角会看下图所示的 Icon

当在使用 检索（包括：点击标签等操作） 如果 对应的 wiki/ 存在同名文件 即可使用此功能。

点击 基于此标签的上下文，可以看到下图所示内容

点击的本地快照链接可自动在右侧预览

点击 基于此标签的知识图谱，可以看到下图所示内容

点击图谱上任意节点可自动在右侧预览

🕸️ 内置 Explorer

确保你的同步助手为 1.5.3 版 且 简悦 Andrej Karpathy LLM Wiki 方案为 3.0 版

当 wiki/ 里面的内容满足上述条件后，可以直接在浏览器打开 http://localhost:7026/rag/wiki/index/ 然后查看 详细说明

📊 阅读统计

将阅读统计内置到了 稍后读 · 极速版，包括：

1️⃣ 12周内的阅读热力图

2️⃣ 近七日的阅读统计

3️⃣ 月度统计

🔗 详细说明

https://github.com/Kenshin/simpread/discussions/3864#discussioncomment-17188883

🔌 如何使用

访问 http://localhost:7026/unread 在页面右上角会看下图所示的 Icon

点击后在左侧打开阅读统计，包括：

• 12周内的阅读热力图
• 近七日的阅读统计
• 月度统计

点击 12周内的阅读热力图 或 近七日的阅读统计 可以在下方看到对应的稍后读

点击对应的内容可以在右侧打开

📔 查看更多

点击后可自动打开 http://localhost:7026/database/statistics

🔎 关联阅读

https://github.com/Kenshin/simpread-karpathy-llm-wiki-compiler

💡 前情提要

https://zhuanlan.zhihu.com/p/2031406760142041796

✍️ 升级说明

3.0 版本是一次面向知识可视化与输出质量的重大升级。核心目标只有一个：让这套 Wiki 方案不仅能整理知识，更能以专业的方式呈现知识。

🪄 GraphLens：知识图谱

Wiki 页面自动生成 Mermaid 知识图谱，直观展示实体关系网络，一眼看清知识结构。

每个图谱实体都关联对应的本地快照，形成「图谱实体快照索引」表格，点击即可溯源到原文。支持多图谱模式，复杂主题可生成多个子图谱（如”塞北民族体系”、”西域民族体系”）。

知识图谱置于头部摘要之后，作为 Wiki 可视化入口。图谱内容必须与当前 Wiki 正文强相关，不得引入正文中未出现的实体或关系。

更多详情 👉 graph/README.md

🎨 排版系统：专业级 HTML 输出

内置两套排版方案，将 Markdown Wiki 转化为精美 HTML 文件，输出到 outputs/ 目录。

--lite 核心特点：

• 零依赖，生成自包含 HTML，浏览器直接打开
• 暗色模式：自动跟随系统偏好 + 手动 toggle
• Mermaid 知识图谱：AI 转内联 SVG（零 JS），复杂图谱自动降级 CDN
• 8 种图表组件：Timeline / Bar / Donut / Line / Quadrant / Tree / Waterfall / Venn
• LXGW WenKai 开源中文字体，屏幕可读性佳

触发方式：

/render 星巴克 --lite          ← 直接排版 wiki/星巴克.md
/report 星巴克 --lite          ← 生成简报后排版
/ask 星巴克相关问题 --lite      ← 生成回答后排版
查询关键词 星巴克 --lite        ← MCP 搜索后排版

不指定 --lite 或 --kami 时，默认走 --lite。

更多详情 👉 tools/template/README.md

同时配套本地预览工具，可一键查看渲染效果 👉 tools/render/README.md

🔧 index_map.txt 生成工具

独立的映射表生成脚本，无需依赖同步助手即可创建 index_map.txt。

自动扫描 raw/{主题}/ 目录下所有 .md 文件，提取 [本地快照](http://localhost:7026/reading/xxx) 中的快照 ID 和 [原文地址](https://...) 中的原文链接，生成标准格式映射表。

使用方式：

# 生成单个主题的 index_map.txt
tools/generate-index-map.py -m 霸王茶姬 瑞幸

# 批量生成所有主题
tools/generate-index-map.sh -a

使用场景：

• 从其他来源导入 raw 文件，需要快速生成映射表
• 同步助手版本不支持自动生成 index_map.txt
• 需要重建或修复已有的 index_map.txt

更多详情 👉 indexes/README.md

📦 如何升级

1️⃣ 更新代码到最新版本

2️⃣ 执行 /refresh 重新加载协议

3️⃣ 执行 /gen fix.md 批量修复 Sources 映射表与知识图谱

4️⃣ （可选）生成 index_map.txt：tools/generate-index-map.sh -a

5️⃣ （可选）执行 /render {主题} --lite 体验排版系统

🔎 关联阅读

💡 前情提要

✍️ 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

🔎 关联阅读

🔗 官网

https://github.com/Kenshin/simpread-karpathy-llm-wiki-compiler

💡 前情提要

✍️ 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。

Token 消耗降低 5-10 倍

假设：一个主题包含 10 个 raw 文件，每个文件 1000 行

1.0 版本（无 index_map.txt ）：

• 需要读取 10 个文件 = 10,000 行文本
• Token 消耗：约 50,000 tokens

2.0 版本（有 index_map.txt ）：

• 读取 index_map.txt = 10 行
• 仅 1 个文件变化，读取 1 个文件 = 1,000 行
• Token 消耗：约 5,000 tokens

💡 节省比例：约 10 倍！

index_map.txt 文件由 同步助手 1.5.2 生成 👉 详细说明

🔎 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

🔎 关联阅读

🖥 下载地址

https://simpread.pro/docs/#/Sync?id=下载

💡 1.5.2 版功能

新增 index_map.txt 映射文件，用于提升简悦 Andrej Karpathy LLM Wiki 方案的编译效率。

📖 解决了什么问题

Wiki 方案的工作原理是将 raw/ 文件夹下的原始素材编译为结构化维基。每次编译时，AI 需要知道：哪些文件是新增的？哪些快照发生了变化？哪些需要重新处理？

在 1.0 版本中，AI 必须逐个读取 raw/ 下的全部文件才能回答这些问题。假设一个主题有 10 个文件，每个 1000 行，每次编译就要读取约 10000 行文本，消耗约 50000 tokens。

index_map.txt 的出现让这一切变得不同。

实际场景：10 个 raw 文件 × 1000 行的主题，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。

Token 消耗降低 5-10 倍

假设：一个主题包含 10 个 raw 文件，每个文件 1000 行

1.0 版本（无 index_map.txt ）：

• 需要读取 10 个文件 = 10,000 行文本
• Token 消耗：约 50,000 tokens

2.0 版本（有 index_map.txt ）：

• 读取 index_map.txt = 10 行
• 仅 1 个文件变化，读取 1 个文件 = 1,000 行
• Token 消耗：约 5,000 tokens

💡 节省比例：约 10 倍！

🔧 特点

1️⃣ Token 消耗降低 5-10 倍：AI 无需逐个读取全部 raw 文件，只需读取几行映射表即可完成变更检测，从约 50000 tokens 降至约 5000 tokens。

2️⃣ 精准增量感知：新增了文件？快照 ID 数量变了？映射表一比对就知道，AI 只需读取变化的文件，其余跳过。

3️⃣ Sources 账本自动对齐：Wiki 页面底部的 ## Sources（映射表） 可直接从 index_map.txt 生成，无需从正文中逐行提取快照链接。

4️⃣ 简悦用户的专属优化： index_map.txt 中的快照 ID 与简悦本地快照（http://localhost:7026/reading/{id}）一一对应，实现从 Wiki 结论到原始阅读环境的秒级跳转。

🧠 一句话总结

index_map.txt 让 Wiki 方案从 “每次全量扫描” 变为 “只读变化部分”，是 2.0 版本降低 Token 消耗的核心机制。

🔌 如何使用

同步助手导出时自动生成，无需手动配置，确保版本为 1.5.2 即可。

🔎 关联阅读

🔗 官网

https://github.com/Kenshin/simpread-karpathy-llm-wiki-compiler

🌟 核心理念

作为 简悦（SimpRead） 的创建者，我设计了这个框架，旨在弥合 “稍后阅读（Read-it-Later）” 与 “永远不读（Read-it-Never）” 之间的鸿沟。

本项目是基于 Andrej Karpathy 提倡的 LLM Wiki 概念构建的 个人知识库自动化知识构建方案。它不仅是一套工具链，更是一种将 “被动囤积” 转化为 “主动内化” 的个人知识库自动化构建协议。

这套框架利用具备文件读写权限的 AI 环境，将任意本地 Markdown 文件（或通过简悦导出的本地的本地快照）转化为高度结构化、可溯源、且具备双向链接的个人维基（Wiki），专为处理 大规模（1000+）异步阅读素材 而生。

我使用这套框架管理着通过 简悦 (SimpRead) 收集的数千个深度阅读内容（稍后读）。它不只是简单的存储，而是通过一套 协议驱动型架构，将凌乱的 HTML/Markdown 剪藏增量编译为具备高度逻辑性、可回溯、且带有本地快照链接的结构化维基。

它比 RAG 方案 更简洁，比 AI 浏览器方案 更强大，这套框架的 👉 具体使用方案

😆 太长不看

简悦用户请查看左侧目录 简悦用户专属配置 其他用户请查看左侧目录 使用说明 或直接查看左侧目录 快速上手。

🧬 设计哲学：Karpathy LLM Wiki Protocol

• 原子化 (Atomic)：知识点被拆解为最小逻辑单元。
• 原始数据驱动 (Data-Driven)：Wiki 只是 Raw 素材的 “编译产物”，随原始数据的演进而进化。
• 显式溯源 (Grounding)：每一条知识 wiki/ 均引用原始来源 raw/。
• 无损演进 (Non-destructive)：采用 [ADD] 增量合并与 [FIX] 轨迹修正，完整保留知识的迭代过程。

👥 目标受众

1. 理念践行者：对 Andrej Karpathy LLM Wiki 理念感兴趣，且具有大量处理大量本地文件（知识库）的用户。
2. 简悦资深玩家：已配置 本地知识库 的简悦用户。

✨ 特点与优势

• 无须配置：支持开箱即用。
• 增量更新：仅处理新增或修改的文件，节省 Token 并提高效率。
• 海量处理：支持 1000 行以上的大文件以及多主题并发处理。
• 高度扩展：支持自定义技能库( skills/ )，轻松实现功能插件化。
• 协议与数据解耦：不依赖于特定 LLM 的长期记忆（Long-term Memory），而是依赖于本地文件夹中的结构化事实和操作协议。
• 简报模式：专门用户大量数据提取主题并生成简报，可直接生成 ASCII / Mermaid / 表格 / 关系图等结构。

🔥 相比 RAG 的优势

⚠️ 处理大文件的机制

为解决大文件导致的 “信息截断” 顽疾，本方案内置了 强制分块读取流：

1. 行数预检：AI 处理前会先确认原始文件的总行数。
2. 循环吞噬：若超出单次处理窗口，AI 会自主执行循环分段读取（如 read_lines），直至触达文件末尾（EOF）。

📂 目录结构说明

.
├── raw/              # 原始素材库：按主题文件夹存放原始素材
│   ├── 主题A/         # 主题文件夹，每个主题文件夹对应一个 Wiki 页面（如果是简悦用户的话，每个文件夹下面有若干个序号从 0 开始的文件 e.g. `0.md`, `1.md`, ...
│   ├── 主题B/
│   ├── 主题C/
├── wiki/             # 目标知识库：编译后的 Wiki 页面 (*.md)
├── skills/           # 核心技能库
├── command/          # 常用命令
└── AGENT.md          # 全局元协议：定义 AI 执行任务时的基本准则

🛠️ 技能库 (Skills) 详解

0️⃣ 全量初始化：skills/init.md

全量扫描 raw/ 根目录，在 wiki/ 创建相应的主题，建立 INDEX.md 索引锚点。

1️⃣ 添加操作：开辟新主题 (skills/add.md)

识别 raw/ 下的新主题，自动注册（在 wiki/ 创建对应 .md ）至 Wiki 体系。

2️⃣ 更新操作：深化已有主题 (skills/update.md)

仅处理新增素材，执行增量追加。

3️⃣ 全量审计：skills/audit.md

对特定主题重新深度扫描，找回隐藏的逻辑关系，丰富简略段落。

4️⃣ 知识消费协议：command/qa.md

强制执行 “知识库优先” ，当内部知识库无法满足回复时，将会引用外部知识体系。

5️⃣ 快捷命令：command/ask.md

执行后，自动调用 command/qa.md 的回答规则，在之后将使用 /ask [提问内容] 提问。

6️⃣ 执行 skills 命令：command/generate.md

输入 /gen [快捷指令] 调用具体的 skills 命令。

7️⃣ 执行 skills 命令：command/report.md

执行 /report [主题] 自动生成基于架构图的深度洞察简报。

生成图表时包含了 ASCII （默认）和 Mermaid 方案，可通过 /report -- mermaid 切换。

8️⃣ 执行 skills 命令：command/refresh.md

当修改 AGENT.md skills/ command/ 里面的内容后，需要使用此命令获取并理解这些内容。

📖 使用说明

📥 下载

git clone git@github.com:Kenshin/simpread-karpathy-llm-wiki-compiler.git 或 手动下载并解压缩到任意目录

🚀 首次使用

执行 startup.md 即可完成全部初始化设置。

💡 提问

1. 输入 /ask [提问内容] 即可开始提问。
2. 输入 /report [主题] 即可开始生成对应主题的简报。

🧰 后续维护

1. 添加新主题：输入 /gen add.md
2. 更新旧主题：输入 /gen update.md

🔎 审查（重新梳理任意主题）

当某个主题的内容较大时（如 1000 行以上，包含多个索引 .md 文件），LLM 生成的 Wiki 的知识颗粒度可能不够，这时需要使用 audit.md 进行深度审计。

1. 执行 generate.md 内容（仅需一次，如已执行，则无须再次使用）。
2. 输入 /gen audit.md 开始针对某一主题进行重新审计。

🔄 更新技能

当修改 AGENT.md skills/ command/ 里面的内容后，需要使用此命令获取并理解这些内容。

1. 执行 refresh.md 内容（仅需一次，如已执行，则无须再次使用）。
2. 输入 /refresh 全部重新扫描 skills/ command/ 的内容并重新理解和严格执行。
3. 输入 /refresh [filename] 开始针对某一主题进行重新审计，如 /refresh audit.md 仅重新理解和严格执行 audit.md。

📚 快速上手

为方便快速上手，此框架中内置了一些 Demo 数据（来自通过简悦生成的 276 篇文章，分为 47 个文件），位置在 raw/标签@科技史话_AI战争/ 下面，同时使用这套访问生成了对应的 wiki/标签@科技史话_AI战争.md

1. 打开 simpread-karpathy-llm-wiki-compiler 并下载
2. 执行 startup.md
3. 提问 /ask 请以 OpenAI 为关键字，生成一份以时间线为主的简报，并按照 /report 的格式给出答案。

稍等片刻后就会得到非常不错的 Wiki 效果。

🌊 工作流指南

• 情况 A（新主题）：素材放入 raw/ → 输入 /gen add.md → 确认报告并 开始执行。
• 情况 B（更新素材）：新素材丢进 raw/已有主题/ → 输入 /gen update.md → 查看变更日志。
• 情况 C（深度挖掘）：如果觉得某个 Wiki 主题内容有缺失可输入 /gen audit.md 后根据提示重新从 /raw/[主题] 挖掘。
• 情况 D（提问）：输入 /ask [你的问题]。
• 情况 E（简报）：输入 /report [主题]。
• 情况 F（高级用法）： 输入 /ask 请在 AI 相关内容中检索 OpenAI CEO 相关内容，并按照 /report 方案整理。
• 情况 G（高级用法）： 输入 /ask 请在 AI 相关内容中检索 OpenAI CEO 相关内容，并按照 /report -- mermaid 方案整理。

🖥 仅迁移到新的环境

相比 RAG 方案，此方式可以方便的迁移到任意支持本地操作的 AI 环境中。

假设你已在使用这套 LLM Wiki 了（也就是 wiki/ 积累了很多内容），当迁移到新环境中，仅需要执行 startup.md

✅ Done！

🖼 截图

GithHub | 语雀

🔌 简悦用户专属配置

🛠️ 深度整合：简悦 (SimpRead) 生态

本项目针对 简悦 (SimpRead) 导出的素材进行了专项优化：

• 快照直达：完美映射简悦本地解析服务器地址 (http://localhost:7026/...)，实现从 Wiki 结论到原始阅读环境的秒级跳转。
• 元数据兼容：自动识别简悦导出的原文地址、标签及原始文件名。
• 海量吞噬：针对数千个文件可能带来的上下文溢出问题，内置了动态行数预检与分块流式读取机制。

📚 使用前提

1. 用户需配置 本地知识库。
2. 确保同步助手版本 ≥ 1.5.1，如有必要 请点击升级。

💡 特点

确保存在本地快照即可，设置目录后，可将本地快照以各种检索方式（如标签、时间点、任意搜索内容等）进行保存到 raw/ 目录。

⚡ 在稍后读 · 极速版使用

GitHub | 语雀

📖 在阅读模式下使用

使用简悦插件 · 导出简悦知识库 👉 GitHub | 语雀

🤖 使用工具建议

只要是可以操作本地文件的 AI 工具均可，此工程在 Visual Studio Code · Codex · Trae · OpenCode 下完成。

分别使用了 Google Gemini Flash · GPT-5.4 · MiniMax-M2.7 模型。

🤝 贡献与反馈

欢迎 提交 Issue 或 Pull Request 来完善编译器协议。

此功能为 同步助手 1.5.1 版 功能，如低于此版本 请升级，此文档同步更新至 文档中心。

下载地址

https://simpread.pro/docs/#/Sync?id=下载

什么是 Andrej Karpathy LLM Wiki 方案

一种将个人知识重构成 AI 高效索引与理解的 “结构化 Markdown 外部记忆” 方案 👉 项目地址

为什么简悦要支持此方案

它比 RAG 方案 更简洁，比 AI 浏览器方案 更强大，这套框架的 👉 具体使用方案

此方案需要借助同步助手 1.5.1 版，所以本次内容首先是关于新功能介绍。

1.5.1 版功能

设置

同步助手（主窗体） → 导出 → Karpathy LLM Wiki（LLM RAG）方案

功能说明

1️⃣导出位置

配合 Karpathy LLM Wiki 理念的话，一般是在 raw/ 目录，如不设置此目录会自动导出到本地快照的目录 output/

2️⃣最大行数

LLM 在读取文本文件时，因为上下文的限制，所以需要设置一个最大行数，这样方便 LLM

• n 任意数字（默认值为 1000 ，不建议修改，如需修改的话，建议可以咨询你的 LLM，下面有相关案例）
• -1 合并为一个文件
• 0 不合并（按照稍后读的数量直接保存）

3️⃣ 导出时可选 全文 或 标注
除非你经常喜欢标注，否则建议选择 全文

如何使用

打开 稍后读 · 极速版 2.0 右上角位置（如图）

当通过右上角搜索得到一些稍后读合集后，就可以点击此按钮下载了（前提需要设置 导出目录）

操作过程

如何合理的设置最大行数

在你的 LLM 中直接询问它可以读取的最大行数，如下图所示的话，需要设置的值为 250

在我使用 Codex 询问时，这时可以考虑直接设置为 1000

注意

如果在生成的 Wiki 提问时感觉内容有所缺失，大概率是你的 LLM 没有彻底读完文件导致的，这时你需要降低你最大行数这个值。

或者直接设置为 0 （即按照稍后读的数量）

接下来

简悦 Andrej Karpathy LLM Wiki 方案的详细说明👇🏻

https://zhuanlan.zhihu.com/p/2031406760142041796

关联

大部分时候，我希望 AI 加持的阅读场景：围绕不同内容的总结（生成简报），比如：我今日阅读了什么、昨日阅读了什么、近 x 日阅读了什么、关于某主题的多篇内容总结等。

这些内容分散在不同的页面（通过简悦生成的本地快照），所以单纯的总结某一页的 AI 工具们显然无法胜任此类工作。

在 AI 出现后相当长的一段时间内，上述流程大部分都是 通过 RAG 方案 实现的，但这种方式还是太「重」了，每次的流程：新的信息（本地快照生成的 Markdown ） →（投喂给） AI 工具 → 生成 RAG（需要等待） → （让 LLM 开始总结）得到我希望的结果。

后来，各种 AI 浏览器出现了，如 Dia 等，我发现它们可以同时读取多个标签页的内容（标签组功能）并生成你需要的总结（简报），经过一段时间的使用，在众多 AI 浏览器里面，Tabbit 脱颖而出。

为什么是 Tabbit

支持标签组的功能的 AI 浏览器有不少，为什么我主要以 Tabbit 为主，因为它的标签组功能是我用过全部 AI 浏览器里面做的最好的一个（几乎可以说没有之一）

同样类似 Dia 这样的浏览器也具有标签组，但在实际使用时的感受确实不如 Tabbit（ Dia 在某些使用逻辑上一如既往的与它的前任如出一辙 😂

Chrome 也可以通过将多个 Tab 发送给 Gemini 的功能，但相对来说也仍比较简陋。

除此之外 Tabbit 内置了一些还不错的模型 e.g. Kimi-K2.5 / MiniMax-M2.7 等，相对来说速度更快，如果只是用来阅读理解和生成简报的话，完全够用。

这是我的侧栏

除了标签组以外，我偏爱 Tabbit 还有两个地方：

1. 国际版内置御三家的 LLM Claude-Opus-4.7 / Gemini-3.1-Pro(Flash) / Claude-Sonnet-4.6 / Claude-Haiku-4.5 / GPT-5.4 等模型。（目前暂时没有任何费用）
2. 无论是国内版，还是国际版，都可以正常安装简悦。

一个浏览器打天下？

我并没有将 Tabbit 作为我的主力浏览器，我一直不是一个 All-in-One 的推崇者，所以 Vivaldi 是我的主力浏览器，而 Tabbit 就做好它应该做的事情：沉浸式的帮我阅读和通过 AI 总结。

普通用户（非简悦用户）

如果不是简悦用户的话，可以直接使用我在 Tabbit 分享的专门用于多组标签页内容的简报生成 Skill（妙招）

如果你没有使用 Tabbit 浏览器的话，也可以直接使用这些提示词。

请直接在左侧查看 【一组用于多内容分析的简报类 Skills】 目录。

使用前提（简悦用户）

这套方案需要配置简悦的 知识库系统 并且确保 同步助手版本在 1.5.0（以上） 😄

使用方式

在 Tabbit 打开 http://localhost:7026/unread/ 然后在通过某些选择（如按照日期得到稍后读、按照检索得到稍后读等），打开它们

注意：首次此使用此方式，请留意下面的 权限设置。

然后选中这些标签 → 新建组（或添加到某个已存在的组）

最后，根据需要选择一个适合的 Skill （妙招）给你的 LLM，稍等一会 LLM 会按照既定的结构生成简报。

权限设置

当同时 同时打开多个稍后读快照 进行合并提问时，需要开启下图所示的权限。

下图所示的权限一般出现在首次使用 同时打开多个稍后读快照 时在浏览器地址栏弹出，按下图所示确认权限即可。

一组用于多内容分析的简报类 Skills

目前有四个 Skill ：

1️⃣ 阅读回顾（按照时间 / 多主题整理的简报）

2️⃣ 主题切面（以详细分析当前主题为主的简报）

3️⃣ 主题时间轴（以时间轴为基准的简报）

4️⃣ 主题提取（适合存在多个主题时，手动输入你希望生成简报的主题）

每个 Skill 都可以生成关系图（支持 ASCII / Mermaid 方案）、以表格呈现，输出的每条内容都可以溯源（引用到简悦的本地快照）

1. 阅读回顾

分享链接

https://web.tabbitbrowser.com/share/skill/hRUZZ3dkfu

Prompt

https://gist.github.com/Kenshin/e65340f48e0b14d5ecc3b2e175aad0df#file-simpread-reading-review-skill

使用场景

一般用于以日期为分组的时候，比如：今天 | 昨日 | 仅七日 | 近 30 日 加入的稍后读，特点是：内容比较散乱、仅仅是以加入稍后读时的日期为「合辑条件」的适合。

使用效果

导出图片太大 点击查看全图

2. 主题切面

分享链接

https://web.tabbitbrowser.com/share/skill/d6JiDmd6bC

Prompt

https://gist.github.com/Kenshin/e65340f48e0b14d5ecc3b2e175aad0df#file-simpread-topic-skill

使用场景

以标签或某一具体检索内容得到的稍后读，可以使用此方案，当使用时会自动阅读这些链接的内容，并整理为以此为主题内容的简报。

使用效果

导出图片太大 点击查看全图

3. 主题时间轴

分享链接

https://web.tabbitbrowser.com/share/skill/SjSeff2RX2

Prompt

https://gist.github.com/Kenshin/e65340f48e0b14d5ecc3b2e175aad0df#file-simpread-topic-timeline-skill

使用场景

与 主题切面 基本相似，但是以事件发生的事件为简报主题。

使用效果

导出图片太大 点击查看全图

4. 主题提取

分享链接

https://web.tabbitbrowser.com/share/skill/1UAU8J8H4G

Prompt

https://gist.github.com/Kenshin/e65340f48e0b14d5ecc3b2e175aad0df#file-simpread-topic-extraction-skill

使用场景

当多个页面中存在多个主题时，使用此方式并告知需要生成简报的具体主题。

使用效果

导出图片太大 点击查看全图

使用 OneTab 配合标签组

当标签组具有大量标签页的内容时，最好使用 Onetab 来配合使用，将不需要的标签组收纳到 OneTab 中，方便下次使用。

使用 Tabbit 自带的标签组工具

当标签组太多，每次打开浏览器太卡（这点做的不如 Vivaldi 浏览器的 Workspace 功能，Vivaldi 的工作区有「冻结」当前页面的功能，在切换不同的工作区时，哪怕工作内的标签再多，也会秒开，不会有任何卡顿，这也是我使用 Vivaldi 作为我主力浏览器的原因）

这时 Tabbit 的历史标签页分组功能就会很有用了，它会记住你每个标签组的内容，需要时打开即可。

弊端与局限

当标签组内含的标签页太多时 LLM 并不一定能 100% 完整读取这些页面（虽然跟 LLM 的「智力」有关），我的测试极限是：80 个标签页以内）

所以此方案更适合：阅读回顾和不那么多的内容（标签页）方案。

如果你真的需要整理这么多的标签页内容，请使用 浮游简报•主题提取 方案，例如详细告知 LLM 你需要让它整理多少个标签页

/浮游简报•主题提取 星巴克（注意：这些页面一共为 166 个标签页）

这么做的后果虽然可以完成，但花费的时间较长（当然 166 页本就不是一个小数字 😂

关联

简悦 + RAG 方案的 更多用法

感谢 CRX Installer 终于可以在 Firefox 上使用了简悦了 😄 👍

支持浏览器

• Firefox Nightly
• Firefox Developer Edition
• Librewolf
• Zen browser

下载地址

[Github] | [语雀]

如何配置

1️⃣ 在上述浏览器中打开 about:config 找到 xpinstall.signatures.required 并设置为 false 最后重启浏览器

2️⃣ 在支持的浏览器（首选 Zen browser 或 Firefox Developer Edition ）下载并安装 CRX Installer ，然后打开 CRX Installer 再通过它安装已下载好的 simpread.crx 文件，即可。

视频演示

https://www.zhihu.com/video/2024823812064117647

完美支持

• 阅读模式 / 聚焦模式
• 安装插件
• 更新站点
• 稍后读 / 标注

需配合同步助手 1.5.0 后支持

• 自动同步（同步助手 1.5.0 版的 相关介绍 ）

不完美支持

快捷键暂时无法使用，但你可以使用 全局快捷键解决无法进入阅读模式和加入稍后读的问题，也可以使用 Assistive Touch 解决简悦插件快捷键无法使用的问题，详细说明请看页面下方。

在 Firefox 正式版中使用简悦

因为安全性的问题，在Firefox的常规版本中，将 xpinstall.signatures.required 设置为 false 无法正确工作。

所以需要稍稍微手动调整 omni.ja 后才能使用。

找到 omni.ja

在 Mac 中通过 Finder 进入应用程序找到 Firefox 右键 → 显示包内容的方式进入对应的目录

/Applications/Firefox.app/Contents/Resources

或 Windows 直接打开下面的目录

C:/Program Files/Mozilla Firefox/omni.ja

解压缩

将找到的 omni.ja 复制到你的桌面（或任意文件夹），下面以 Mac 为例，假设复制到了

/Users/xxx/Downloads/omni.ja

下面，接下来需要打开终端进入 /Users/xxx/Downloads/ 目录后输入

unzip omni.ja -d ./omni_content

稍等片刻后会在 /Users/xxx/Downloads/ 得到 omni_content 文件夹，路径为

/Users/xxx/Downloads/omni_content

编辑并修改 AppConstants.sys.mjs

在 Finder 进入这个文件夹并找到 AppConstants.sys.mjs 此文件，位置见下图所示

请使用任意文本编辑器打开它，并检索字符串 MOZ_REQUIRE_SIGNING

改为 false 后保存

还原

接下来的步骤比较重要，需要你的 zip 压缩软件，将压缩率设置为不压缩，这里以 Keka 为例（注意：每个不同的压缩软件的设置界面都不一样）

然后将 omni_content 全部的文件拖拽到 Keka 上，这时会自动在 omni_content 文件夹下面生成名为 归档.zip 的文件。

请留意下面视频操作（以及视频最后的部分）

https://www.zhihu.com/video/2025535417341032010

将 归档.zip 改名为 omni.ja 再复制到原位置，即

/Applications/Firefox.app/Contents/Resources

注意：请将原位置的 omni.ja 改名为 omni.ja.org 用于备份

最后一步（清除缓存）

打开 about:support 在右上角选择 清除启动缓存...

点击后会自动重启 Firefox

完成

这时，你就可以通过 CRX Installer 正常 安装简悦 啦 🎉

使用全局快捷键方案

用来解决无法使用快捷键进入 阅读模式 / 加入稍后读 的问题

打开 about:addons 并进入 管理扩展快捷键

然后在简悦中设置全局快捷键

使用 Assistive Touch 方案

解决简悦插件无法使用快捷键的问题

下载并安装 Assistive Touch

随便找一个网页进入阅读模式 e.g. 疯狂的Skill-36氪 然后按下图所示设置

设置后，就得到了一个 使用 Assistive Touch 加入稍后读的快捷键方案

在 Assistive Touch 中可以设置任意你已安装的插件作为触发条件

你也可以为 任意快捷键设置一个好看的 Icon