“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。
Sakana Fugu：协作式AI如何改变游戏规则
手把手拆解 Sakana Fugu：一个多智能体AI系统，它像团队一样工作
老实说，每次在ChatGPT、Claude、Gemini之间来回复制粘贴，就为了比一比哪个AI回答得更好——这事儿我干过无数次了。你也干过吧？不同的模型各有长处：有的写代码一把好手，有的文笔特别优美，有的逻辑推理强得离谱。但问题是，手动切换来切换去，效率低得让人抓狂。
Sakana AI 搞了个挺聪明的方案：Sakana Fugu。这玩意儿是个多智能体AI系统，把好几个顶尖模型打包成一个无缝的整体。你看到的只是一个普通的聊天界面，但背后它像个项目经理一样，调度一整个AI团队帮你干活。
什么是 Sakana Fugu？
简单说，Sakana Fugu 是一个协作式AI框架。它不依赖一个超级大模型包揽所有事情，而是把一群专业模型（比如GPT-5、Claude Opus、Gemini Pro）组织起来，像团队一样协作。
当你给Fugu一个复杂、多步骤的提示时，它会：
- 分析任务，把它拆成几个步骤
- 分配专业角色（比如研究员、程序员、编辑）给不同的AI模型
- 让它们之间来回传递工作，直到最终结果打磨完成
团队作战的效果，远好于任何单一模型单打独斗。
秘密武器：团队协作大于模型规模
Fugu 的智能调度基于两个核心概念，这两个概念在 ICLR 2026 会议上被正式提出。
1. 管理者：TRINITY
把 TRINITY 想象成团队的经理。它是一个轻量级的协调模型，负责给工人LLM分配具体角色。
举个例子，TRINITY 可能会让 Gemini 生成初始代码，让 Claude 找出bug，再让 GPT 写用户文档。这些模型之间协作得天衣无缝，完全不需要合并它们的代码库——各干各的，但步调一致。
2. 指挥家：Conductor
Conductor 的角色是通信网络设计师。它针对你的具体问题，找出工人AI之间最有效的沟通方式。它会为每个工人模型编写自定义指令，发现那些人类设计师可能永远想不到的协作策略。
这意味着什么？Conductor 不是死板地套用固定模式，而是动态生成协作方案，每次都可能不一样。
为什么 Fugu 是AI的未来
Fugu 代表了我们使用AI方式的一个重大转变：
面向未来：当更强大的新LLM发布时，Sakana AI 只需要把它加入Fugu的模型池，更新一下协调器。Fugu 自动变得更聪明，而你的API端点完全不变。你不需要改一行代码。
推理能力更强：协作式AI在处理复杂、多步骤的问题时表现尤其出色。单一模型经常在中间步骤迷失方向或者犯错——比如走错一步，后面全错。但Fugu的团队机制允许模型互相校验、接力完成。
使用简单：你不需要懂怎么搭建复杂的agent网络。只需要调用一个API，Fugu 搞定所有后台调度。
快速上手：本地安装 Sakana Fugu
如果你是 macOS 或 Ubuntu 用户，装起来非常简单。一条命令搞定：
curl -fsSL https://sakana.ai/fugu/install | bash
装完之后，启动它：
codex-fugu
对，就是这么简单。一条命令安装，一条命令运行。
我的感受
说实话，Sakana Fugu 让我觉得AI的未来不光是造更大的模型——更重要的是教会AI怎么合作。把不同模型组织成一个协作团队，Fugu 提供了一种更聪明、更快、更容易使用的AI体验。
如果你也想深度了解，推荐去看：
- Sakana Fugu GitHub仓库（我还没细看，但README写得挺清楚）
- arXiv技术报告（论文里有一些关于TRINITY和Conductor的数学细节，挺有意思）
这篇文章基于我在DEV社区看到的一篇分享，结合自己的理解和动手尝试整理而成。如果你也在折腾多Agent系统，欢迎留言交流。