兰 亭 墨 苑

标题 *

URL 别名 *

内容 * (支持 Markdown 格式) # 我为什么抛弃浏览器，在终端里刷了半年知乎 #### 从“十步”到“一步”，一个命令行工具如何重塑我的信息获取方式 你上一次主动打开知乎，是去“刷”，还是去“找”？ 这两个字，区别很大。刷，是漫无目的地滑，大拇指在屏幕上消耗着时间；找，是带着一个明确的问题，比如“RAG评测到底该用什么指标”或“2026年入门AI编程该选哪个工具”。 但不管哪一种，流程都差不多：打开浏览器、等页面加载、被信息流带偏、输入关键词、翻几页回答，最后才可能找到你想要的。2025年底我统计过自己从“想到一个问题”到“找到可用答案”之间的步数——打开浏览器、点击书签、等待首页渲染、识别搜索框、输入关键词、处理联想词、按下回车、扫过三个广告位、识别出真正的结果。整整**十步**。如果中途被一条热榜带偏，这个链条还会重置。 后来我换了方式。2026年初，我在终端里敲下了第一行知乎CLI命令。从输入到结果，**一步**。没有加载动画、没有推荐流、没有广告位，只有纯文本格式的搜索结果。 这种感觉有点像你一直开着SUV在市区堵车，突然有人递给你一辆自行车。没什么轰鸣声，但你知道你能更快到达那些真正值得去的地方。 ## 浏览器之外的另一扇门 终端访问和浏览器访问的本质区别，不在于UI，而在于**交互模式**。 浏览器是为“浏览”设计的——它的每一步都在鼓励你停留、滑动、点击。终端是为“执行”设计的——它的每一步都在催促你完成、退出、进入下一件事。 你在终端里可以把“搜索‘RAG评测方法’并返回前5条回答”包装成一个脚本，每天定时跑，跑完把结果推送给AI助理做摘要。这**不是一个更快的手动操作，而是一个可以被编程的操作**。浏览器做不到，除非你写一套自动化脚本——相当于用开坦克的方式去拧螺丝。 这些CLI工具不是黑进了知乎后台，它们走的是**知乎开放平台的官方API**。目前知乎开放平台的能力大致分三类：**读操作**（搜索、热榜、问题详情）已覆盖最全；**写操作**（发布回答/文章、点赞、收藏）部分工具已支持，但权限更严格；**进阶能力**（知乎直答、全网搜索）需要额外配置。 ## 三款工具，三种脾性 目前社区里最主流的三款知乎CLI工具，各有各的基因。 **`zhihu-search`** 的核心定位是“为AI而生”。它基于Python，但主要目标不是让人类在终端里查东西，而是让AI Agent调得动知乎。它通过MCP协议作为AI客户端工具，如果你在用Claude Desktop、Cursor或其他支持MCP的客户端，接入后可以直接对AI说“帮我搜一下知乎上关于图数据库的最新讨论”，AI会自动调用工具、拉回结果、整理给你看[1]。 **`pyzhihu-cli`** 的定位是“在终端里把知乎玩明白”。它支持的写操作更全——发布提问、写文章、发想法，`zhihu-search`目前还没覆盖。它还特别强调无需安装Playwright即可使用二维码登录。如果你是Python技术栈的创作者，希望从查看到发布全在终端完成，这款工具更顺手[2]。 **`zhihu-cli`（Node.js版）** 的设计哲学是“安全优先”。它不支持在聊天中传输敏感Cookie，登录态文件权限严格限制为`0600`。这种谨慎来自Node.js生态开发者对权限管理的重视。它还特别强调Markdown创作和多类型内容发布，适合习惯用Markdown写稿的创作者[3]。 不存在“最好的工具”，只有“最不别扭的匹配”。 ## 两个关键概念：MCP与Skill 要理解知乎CLI在AI时代的真正价值，需要先厘清两个概念。 **MCP（模型上下文协议）** 是Anthropic在2024年底推出的开放标准，目的是让AI应用与外部工具有统一的对话方式[4]。你可以理解为AI领域的“USB-C接口”——以前要让AI调用一个工具，得为每个工具写适配代码；现在只要工具实现了MCP协议，任何一个支持MCP的AI客户端都可以直接调用。`zhihu-search`把自己实现为MCP Server，所以AI客户端能和它直接对话。 **Skill** 是一个更轻量的概念——一个标准化的能力描述文件，告诉AI“这个工具能做什么、怎么调用”。如果说MCP解决的是连接问题，Skill解决的是发现问题。 2026年3月，有开发者用OpenCLI写了一个Skill，让AI同时查知乎热榜、微博热搜和B站热门视频，三条命令并行执行，十几秒内把三个平台的热点汇总在一段文字里[5]。这就是终端里那个知识宇宙的雏形——不华丽，但当你习惯了这种效率，你会开始怀疑那些需要加载3秒、滑动5下才能到达的界面，到底是在帮你，还是在留你。 ## 搜索、热榜与阅读：重新学会与信息相处 ### 热榜：别让榜单牵着鼻子走 `zhihu hot`可能是最直观的命令。但我想聊的不是命令本身，而是**你该怎么看热榜**。 去年秋天的一个晚上，我在车站等高铁，在终端里敲了`zhihu hot --limit 30 --json`，然后用`jq`把前三十条话题的热度值排了个序。结果发现：热度最高的前五条里，有三条是“如何看待……”的句式，而真正有信息增量的技术讨论贴，全在十五名开外。**热度不等于价值**——这个判断在浏览器里凭直觉能感受到，但在终端里，当数据被拉平成一列纯文本，这个感受会变得锋利。 所以我对热榜的用法和别人相反：**我不追实时刷新，我只记录快照**。 你可以用`watch`实现自动刷新，但真正的价值是隔几天回头翻这些日志，看哪些话题真正穿透了周期。去年冬天我翻十一月攒下来的热榜日志，当时排名前三的话题早已无人问津，倒是两条排第十九和二十二的编程工具讨论帖，至今还在阅读列表里反复出现。 频繁查看热榜这件事本身，就是在主动降低自己的信息品位。每次刷新，你都是在把自己对“什么值得关注”的判断权拱手让给一套你完全不了解的排序算法。我现在只在三个固定时间点各抓一次热榜存档，其余时间不主动刷新。把“发现”和“阅读”拆成两个独立动作，你带走的有效信息会多出很多。 ### 精准搜索：把关键词当手术刀 `zhihu search`的进阶用法，是那几个容易被忽略的参数。 假设你要调研“RAG系统在实际落地中的评测方法”，我的习惯是分三步： 先粗搜看话题分布：`zhihu search "RAG 评测 方法" --count 30 --json | jq '.data[].type' | sort | uniq -c`；再按类型精筛，只看问题和文章（回答太碎）：`zhihu search "RAG 评测 方法" --type question --count 15`；最后按“最热”或“最新”排序，根据目的调整。 这里的关键是**搜索质量取决于你拆解问题的颗粒度**。搜“大模型”返回的全是科普帖；搜“大模型 微调 显存 优化 量化”回来的东西就能直接用了。你不会被搜索引擎的自动补全带偏节奏，这反而迫使你把需求想得更清楚。 ### 深度阅读与结构化输出 `zhihu question <id>`是深度阅读的入口。但命令行真正的优势在于，你可以把任何输出接给任何处理工具： ```bash zhihu question 7244378221 --answers --limit 50 | grep -A 5 -B 5 "知识图谱" --color=always | less -R ``` 浏览器做不到这种精准过滤——网页阅读是“人找信息”，终端里这套组合拳是“人用工具找信息”，效率不在一个量级。 所有知乎CLI工具都支持`--json`输出。这意味着知乎内容可以被脚本、定时任务、数据分析流程直接消费。你不再是被动阅读者，而是变成了自己信息管道的架构师。 每周一我自动跑一个脚本：搜一百条相关内容、筛选投票过百的、只保留我关心的字段、按热度排序取前十、存成JSON。整个流程不打开一次浏览器，不登录一次网页。 ## 内容创作与互动 从“读”切换到“写”，是心理门槛的跨越。 过去我写知乎回答，本地写完复制到浏览器，粘贴，然后花十分钟调整排版。这十分钟里想的已经不是“论证是否严谨”了，而是“加粗按钮在哪里”。这不是创作，是排版劳动。 命令行工具把这件事重新拉回了正轨。Node.js版的`zhihu-cli`将写操作拆成**预览**和**应用**两阶段——任何写操作都必须先执行`preview`拿到确认令牌，再执行`apply`。看起来多了一步，但解决了一个实际问题：终端里输错命令直接发布，代价太大。而`pyzhihu-cli`走更轻量的路线，一步到位，删除操作会弹确认提示，加`-y`才能跳过。 我用一个月实验：所有知乎回答和文章都在终端发布。流程是：Vim写Markdown，只关心论点论据语言；预览命令校验格式；确认后发布。整个过程几秒完成。 **核心价值不是“快”，而是“不分心”**。写得快的人往往不是打字快，而是切换上下文次数少。在浏览器里写2000字回答平均2小时15分钟，其中真正打字约40分钟，剩下95分钟花在翻看其他标签页、纠结排版、刷新新回复上。终端写作把后者压缩到了15分钟以内。 ## 为AI装上“知乎大脑” 2025年秋天，我反复敲着`zhihu search "RAG 评测方法"`，把结果复制给Claude分析。复制到第三轮我停下来了——机器在替我读，我在替机器搬运，唯独思考是我自己在做，却卡在最没必要的环节上。这台不该由我来当。 MCP解决的就是这个问题。把知乎搜索能力接进AI客户端只需三步：添加Skill、保存Access Secret、在MCP配置文件中加入Server。完成后你就可以对AI说“帮我搜一下知乎上关于图数据库的最新讨论”，AI会真的去搜，读完再给你总结。 我实际在用的两个场景： **热点追踪Agent**——每小时抓一次热榜，AI筛选出含有关键词的话题，推送摘要到Telegram。某天凌晨三点，它推了一条关于国产GPU跑通大模型推理的消息，早上看到时相关讨论已在热榜挂了一整夜。 **知识库构建Bot**——每周自动搜索指定话题的高赞回答，拉取完整内容，追加到知识库文档。运行半年累计327条，其中289条最终被引用到文章里。知识库的价值不在“大”，在“会被你用到”。AI帮干筛选搬运的苦活，做判断的那个人始终是你。 ## 当工具重塑认知 这本书的初稿里，我花了很多力气写技术细节，但交稿前我突然觉得不对——读者买这本书，真的是为了学怎么配环境变量吗？ 那些技术文档在GitHub上到处都是，但这本书里真正属于“我”的，恰恰是我自己都没想明白的那些纠结。 去年底我接了一个咨询，对方让我评估他们团队的知识库方案。我打开电脑，习惯性地敲了`zhihu search "知识库 冷启动" --json | jq '.answers[0].content'`，把结果直接粘贴给对方参考。那个瞬间我愣了一下——我根本没有“打开浏览器查资料”这个动作了，连“思考去哪查”都跳过了。我的手指自己记住了这件事。 这个发现让我有点不安。我花了很长时间说服自己命令行效率更高，但直到那一刻我才意识到：**效率不是我主动追求的，是我被工具重新训练后的结果。** 命令行里的“阅读”和浏览器里的“阅读”本质上是两种不同的认知活动。前者主动、带意图、可编程——你是信息的猎手；后者被动、沉浸、不可编程——你是信息的猎物。我无意评判哪种更好——每个周五晚上我也瘫在沙发上刷手机——但如果每天只有四十分钟整块时间用于信息摄入，放在命令行里，你带走的有用信息会多出很多。 工具最健康的状态，应该是你某天突然发现自己不怎么用它了，而不是你离不开它。 --- 命令行知乎不是一个更快的手动操作，而是一个**可以被编程**的操作。当搜索、热榜、阅读、创作、AI调度全部可以在终端完成，你获得的不是“更快的鼠标”，而是一套可以自由组合、持续演进的工作流。 开源生态目前提供了三款主力工具，各有侧重——`zhihu-search`面向AI集成，`pyzhihu-cli`覆盖全功能，Node.js版`zhihu-cli`强调安全。它们共同指向同一个方向：知识获取与内容创作正在从“浏览”走向“执行”，从“消费”走向“编程”。 浏览器喂养你，终端等待你。就信息获取的效率而言，等待你的那个模式，长远来看胜出。 --- **参考资料与工具链接** [1] zhihu-search: https://github.com/klarkxy/zhihu-search [2] pyzhihu-cli: https://pypi.org/project/pyzhihu-cli [3] zhihu-cli (npm): https://www.npmjs.com/package/zhihu-cli [4] 模型上下文协议规范: https://modelcontextprotocol.com [5] 龙虾装了这个Skill，显得其它的都像个废物: https://zhuanlan.zhihu.com/p/2020841687870644983 [6] 知乎开放平台: https://developer.zhihu.com *本文基于个人使用经验与社区公开资料整理，工具版本和API接口可能随时间变化，请以官方最新文档为准。*

配图 (可多选)

标签