“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
代码整洁度如何影响AI编码智能体？一项严格的最小配对研究
代码整洁度不影响AI编码智能体的任务通过率，但显著降低其Token消耗和文件重访次数。
核心问题
随着自主编码智能体（coding agents）的快速普及，业界对其评估主要聚焦于任务完成率，且通常保持目标代码库不变。这留下了一个关键问题：代码的结构和风格质量，即“整洁度”（cleanliness），是否会影响智能体导航和修改代码的能力？ 换句话说，一个混乱的代码库是否会让AI“更难”工作，而一个整洁的代码库是否能提升其效率？
研究方法：最小配对协议
为了将代码整洁度的影响从智能体能力中分离出来，研究者引入了一种基于最小配对（minimal-pair）的评估协议。核心思想是构建一对代码仓库，它们在以下方面完全一致：
- 架构（architecture）
- 依赖（dependencies）
- 外部行为（external behaviour）
但唯一的不同在于：静态分析规则违反情况（static-analysis rule violations）和认知复杂度（cognitive complexity）。
如何构建最小配对？
通过智能体流程（agent pipelines）来双向构建：
- 从整洁到混乱：将一个整洁的仓库降级（degrade），引入各种代码异味和违反编码规范的问题。
- 从混乱到整洁：将一个混乱的仓库清理（clean）成整洁的版本。
这样，每一对仓库都互为“干净版”和“脏版”，且行为完全等价。
实验设计
- 任务数量：在6个这样的最小配对中，作者设计了33个不同的任务。
- 评估方式：通过应用程序公共接口（public surface）的隐藏测试（hidden tests）来判定任务是否通过。
- 智能体：使用 Claude Code 作为实验对象。
- 总试验次数：660次（33个任务 × 6个配对 × 多种条件？原文提到660 trials，具体分配未详述，但足以支撑统计显著性）。
关键发现
1. 任务通过率无显著变化
代码整洁度不会改变智能体的通过率。 无论代码是整洁还是混乱，智能体完成任务的概率基本相同。这意味着，从“能否完成任务”这一粗粒度指标来看，代码质量并不是瓶颈。
2. 操作足迹（Operational Footprint）显著变化
虽然通过率不变，但智能体在操作过程中消耗的资源发生了显著变化：
- Token 消耗减少 7-8%：在处理整洁代码时，智能体使用的 Token 数量平均减少了7%到8%。
- 文件重访次数减少 34%：最显著的变化是，智能体对文件的重新访问（file revisitations）次数减少了34%。这意味着智能体在整洁代码中导航时，更少需要回头查看已经读过的文件。
解读：为什么通过率不变，但效率提升？
- 通过率不变：说明当前智能体（如Claude Code）在理解混乱代码方面已经足够鲁棒，能够绕过代码噪声完成功能。混乱代码不会导致它“完全失败”。
- 效率提升：整洁代码降低了智能体的认知负担。它不需要反复阅读同一段代码来理解逻辑，也不需要生成大量无关的Token去处理代码中的“坏味道”。文件重访次数的暴跌尤其关键——它直接反映了智能体在整洁代码中“迷路”的概率更低，导航更直接。
对AI驱动开发的意义
研究结论明确：传统的可维护性原则（maintainability principles）在AI驱动开发时代依然高度相关。 它们不再仅仅影响人类开发者，而是实质性地塑造了AI编码智能体的计算成本和导航效率。
作者将代码整洁度与模型选择（model choice）、工具链（harness）和提示工程（prompting）并列，作为影响智能体行为的实质性因素。
实践建议
- 持续集成代码质量检查：在AI辅助开发的工作流中，应继续坚持代码审查和静态分析工具（如SonarQube、ESLint等）。
- 重构优先级提升：对于频繁由AI智能体修改的代码库，保持代码整洁可以显著节省Token费用（按API计费模式）和减少延迟。
- 评估指标多元化：除了任务通过率，应考虑将Token消耗、文件重访次数等作为评估智能体效率的指标。
局限与未来方向
- 单一智能体：实验仅使用了Claude Code，结果是否适用于GPT-4、Copilot等其他智能体尚待验证。
- 任务类型：33个任务可能未能覆盖所有复杂场景（如跨模块重构、深层依赖分析）。
- “整洁”的定义：基于静态分析规则和认知复杂度，可能忽略了更细微的代码设计问题（如设计模式滥用、过度抽象）。
结论
代码整洁度不会让AI智能体“失败”，但会让它“更贵”和“更慢”。在AI开发成本日益受到关注的今天，保持代码整洁不再只是人类开发者的舒适度问题，而是一个实实在在的经济和效率问题。