Olivia
Online
Bean
@DX_times
Joined February 2016
77 Following
2 Followers
45 Posts
这种街机 iPhone 上那么多
上架个 macOS 应该没有问题的吧
大疆4G模块新玩法：甩掉虚拟机，macOS原生管理神器 DJOneHub
之前折腾过大疆1代4G模块的朋友都知道，想在Mac上管理这玩意儿，要么开UTM虚拟机跑Linux部署VoHive，要么SSH进软路由用AT指令盲操。现在终于有人做了原生Mac App了——不需要虚拟机，USB插上就用。
DJOneHub 是一款面向大疆第一代4G模块的第三方macOS管理工具，直接通过USB与模块通信，网页端操作。
📌 核心功能
- 短信收发 + 自动轮询 + 验证码提取
- eSIM Profile 读取/下载/启用/改名/删除
- AT指令调试（网页终端直接发）
- USB 4G上网（切换网卡模式，Mac用SIM流量）
- 模块状态监控（运营商/信号/网络制式/SIM状态）
📌 两个版本怎么选
原版 @ZenGeekLabs 的 DJOneHub 是基础版，功能干净够用。
增强版 @rogerbush007 的 DJOneHub-mac-enhanced 多了几个长期使用很实用的功能：
- 来电提醒（原生macOS来电卡片���可拒接）
- 短信原生通知（验证码不用盯网页）
- Wi-Fi优先 + 4G兜底网络策略
- macOS通知助手（独立Swift App）
- 关闭4G后短信/来电监听仍保持
📌 前置条件
- 硬件：大疆第一代4G模块（USB ID 2ca3:4006）+ USB-C数据线
- 系统：macOS 13 Ventura 或更新
- 芯片：Apple Silicon（M1/M2/M3/M4），Intel暂不支持
- 不需要装Homebrew/Go/Node.js，发行包自带libusb
📌 和VoHive的区别
VoHive跑在路由器Docker里用AT串口管理模块，适合24小时无人值守接码保号。DJOneHub直接USB插Mac上管理，适合日常桌面使用，多了来电提醒和原生通知。两者功能高度重叠（短信/eSIM/AT指令），定位场景互补。
仓库地址：⬇️⬇️
#大疆4G模块 #eSIM #macOS #VoHive #DJOneHub
Crisp：外接显示器管理���具
支持 HiDPI 分辨率、亮度、颜色和预设配置，免费开源
@okasupportgroup 已打榜留���😎
Tailscale 就是让你所有设备（手机、电脑、家里的电脑）连成一个"隐形局域网"，不管在哪儿，都能像在一个屋子里一样互相访问、传文件、远程控制，而且是加密的，别人看不到。
简单说三个用途：
• 远程控制家里电脑，出门在外也能用手机连上家里的电脑或NAS。
• 手机和电脑之间直接传文件，不用微信传输助手。
• 让你的网络流量走"家里的网"出去，看起来像在家上网一样。
装个App、登录账号，设备就自动连上了，不用懂网络配置。
配置教程如下：
https://t.co/omEIn30txu
转译：深度拆解 Hermes Agent 的记忆系统：它如何修正 OpenClaw 的误区
如果你读过我之前关于 ChatGPT、Claude 以及 Clawdbot 记忆系统的文章，你就会知道我一直��钻研同一个问题：这些 AI 智能体（AI Agent）到底是怎么记事的？
Hermes Agent 对我来说格外有趣，因为这次我不需要只��观察它的行为来搞“逆向工程”。Hermes 是开源的，它的代码库和文档都是公开的。所以，我没有通过提示词（Prompt）去盲测这个黑盒，而是直接翻看了它的代码路径——从它如何构建提示词状态、持久化会话，到如何清理记忆和查询历史对话。
简而言之：Hermes 拥有的不是一套记忆系统，而是四套。
1. 存储在 MEMORY.md 和 USER.md 中、经过高度浓缩的提示词记忆。
2. 通过 session_search 调用的 SQLite 历史会话存档（可搜索）。
3. 像程序记忆（Procedural Memory）一样运作的智能体技能管理。
4. 可选的 Honcho 层，用于更深层的用户建模（User Modeling）。
把这些设计联系在一起的核心逻辑非常简单：保持提示词稳定以便利用缓存（Caching），其他一切繁杂信息都交给工具。
让我们深入聊聊。
Hermes 的上下文结构
在理解记忆之前，我们先看看 Hermes 到底给模型发送了什么。
系统提示词（System Prompt）大致是按以下顺序组装的：
-------
[0] 默认智能体身份
[1] 工具使用行为指南
[2] Honcho 集成模块（可选）
[3] 可选系统消息
[4] 固化的 MEMORY.md 快照
[5] 固化的 USER.md 快照
[6] 技能索引
[7] 上下文文件（AGENTS.md, SOUL.md 等规则文件）
[8] 日期/时间 + 平台信息
[9] 对话历史
[10] 当前用户消息
--------
这非常关键，因为 Hermes 正在针对大模型供应商的提示词缓存（Prompt Caching）机制进行优化。代码显示，提示词构建器的目标非常明确：让稳定的前缀部分尽可能长时间地保持不变。
这一个决定就解释了 Hermes 大部分的记忆��构。
如果某条信息每一轮对话都要用到，Hermes 会尽量把它缩得很小并注入进去；如果信息量很大、属于历史旧账或者偶尔才有用，Hermes 就会把它踢出提示词，改用“按需检索”的方式。
第一层：固化的提示词记忆
其内置的记忆系统小得令人惊讶。
Hermes 将持久记忆存储在 ~/.hermes/memories/ 下的两个文件中：
1). MEMORY.md
智能体笔记：环境、规范、工具怪癖、教训
限制：2,200 字符
2). USER.md
用户画像：偏好、沟通风格、身份信息
限制：1,375 字符
这容量真不大。加起来大约只有 1,300 个 Token（模型理解文本的最小单位）。
而这正是刻意为之。
在会话开始时，Hermes 加载这两个文件，把它们渲染进提示词区块，然后在整个会话期间固化这个快照。会话中途写入的记忆会立即存入硬盘，但不会改变已经生成的系统提示词。这些改动只有在开启新会话，或者触发了“压缩（Compression）”导致的提示词重建时才会生效。
渲染后的格式如下：
------
═══════════
MEMORY (你的个人笔记) [67% — 1,474/2,200 字符]
═══════════
用户的项目是一个位于 ~/code/myapi 的 Rust Web 服务，使用 Axum + SQLx
§
这台机器运行 Ubuntu 22.04，安装了 Docker 和 Podman
§
用户喜欢简洁的回复，讨厌冗长的解释
------
这里有几个我非常欣赏的细节设计：
1. 使用字符限制而非 Token 限制：这让记忆逻辑与模型无关。Hermes 不需要调用特定模型的计算工具就能判断记忆是否存满。
2. 简单的分隔符文件格式：条目之间用 § 分隔。没有复杂的向量数据库（Vector DB），没有自定义二进制存储，就是纯文本。
3. 刻意保持极小的系统提示词空间：这是整个设计的重中之重。Hermes 不想把所有历史都塞进提示词，它只想要最有价值的事实。
4. 记忆是“精选状态”，而不是“日记”：这是 Hermes 与 OpenClaw 最大的区别。
OpenClaw 的日志更像是“流水账”。而 Hermes 则反其道而行。它的工具架构和测试逻辑强调：
• 保存用户偏好。
• 保存环境事实。
• 保存反复出现的错误修正。
• 保存稳定的规范。
• 不保存任务进度。
• 不保存会话结果。
• 不保存临时的待办事项（TODO）。
真相是：Hermes 希望 MEMORY.md 和 USER.md 保持精简、高频且对缓存友好。
memory 工具
Hermes 通过一个拥有三种操作的 memory 工具来管理这些文件：add（添加）、replace（替换）、remove（移除）。
一个好用的细节是：replace 和 remove 使用子字符串匹配。你不需要记住��目的内部 ID，只需要传入现有条目中一段唯一的文字即可。
此外，系统会拒绝完全重复的内容，并拦截危险信息。源代码会扫描记忆条目，防止提示词注入（Prompt Injection，即通过输入恶意指令误导 AI）、凭证泄露或隐藏的 Unicode 字符。
第二层：用于情景回溯的 session_search
如果说 MEMORY.md 是 Hermes 的“短期热记忆”，那么 session_search 就是它的“长尾回溯系统”。
所有过去的会话都存储在 SQLite 数据库中，拥有完整的索引和搜索功能。当模型需要想起以前聊过的内容时，它不去翻 MEMORY.md，而是搜索这个会话数据库。
其工作流程是：
1. 在过去的消息中进行全文搜索。
2. 按会话分组结果。
3. 加载匹配度最高的会话。
4. 使用一个便宜的辅助模型对这些会话进行摘要总结。
5. 将精炼后的回顾内容返回给主模型。
这是一种非常务实的设计。它比盲目地把长篇累牍的历史塞进每一个提示词���便宜且高效得多。
第三层：压缩与记忆冲刷（Memory Flush）
Hermes 另一个聪明之处在于它处理长对话“压缩”的方式。
当会话变得太长，Hermes 会压缩对话中间的部分以节省空间。但摘要是有损的，重要事实可能会丢失。
于是，Hermes 会先进行一次“记忆冲刷”。
在压缩之前，它会发送一条指令告诉模型：
> “会话即将压缩，请保存任何值得记住的东西。优先保存用户偏好、修正建议和重复模式，而非具体的任务细节。”
然后它运行一次额外的模型调用，只开启 memory 工具。如果模型觉得有什么东西该留下来，就会在对话被“洗掉”之前把它写入 MEMORY.md。
第四层：作为程序记忆的技能（Skills）
Hermes 不仅能记住事实，还能记住技能。
技能（Skills）存储在 ~/.hermes/skills/ 下。当 Hermes 发现了一个复杂的流程、修复了一个棘手的问题或学会了更好的���法时，它可以将其保存为“技能”。
大多数记忆系统只关注“语��回溯”（名字、偏好、事实），但智能体还需要记住如何做事。
为了效率，Hermes 不会把所有技能都塞进提示词，而是只放一个技能索引，只有在需要时才加载具体的技能内容。
第五层：用于深层建模的 Honcho
最后是可选的 Honcho 层。如果说本地记忆是 Hermes 的笔记本，Honcho 就是它尝试构建的复杂用户模型。它能实现跨设备、跨平台的记忆连续性。
最精妙的是它如何在不破坏提示词缓存的前提下实现集成：
• 在会话的第一轮，Honcho 的上下文会被织入系统提示词。
• 在之后的对话中，为了保持提示词稳定，Honcho 的回溯内容会附加在当前用户的提问后面，而不是修改系统提示词。
这确保了缓存依然有效，同时 AI 依然能读到最新的背景信息。
Hermes 与 OpenClaw 的区别
• OpenClaw：记忆更接近“以 Markdown 为中心的存储”，日志和长效文件是主要事实来源���
• Hermes：提示词记忆被严格限制，历史记录存在 SQLite 里，只有需要时才搜索。
Hermes 更加关注缓存效率。 它认为：不是所有东西都配住在“系统提示词”这个黄金地段。
总结：Hermes 做对了什么？
1. 冷热分离：小规模提示词记忆负责常驻信息，搜索负责偶尔用到的信息。
2. 缓存优先：它意识到频繁改动提示词会导致延迟增加和成本上升。
3. 记忆的多样性：它承认记忆是分层的——包括个人画像、情景回溯、操作技能和深层建模。
Hermes 的核心设计原则最令我折服：记忆应该让智能体变得更好用，而不是通过摧毁提示词的稳定性来换取博闻强识。
真正的诀窍不是记住更多，而是在正确的层级、以正确的成本，记住正确的事情。
![dotey's tweet photo. 转译：深度拆解 Hermes Agent 的记忆系统：它如何修正 OpenClaw 的误区
如果你读过我之前关于 ChatGPT、Claude 以及 Clawdbot 记忆系统的文章，你就会知道我一直��钻研同一个问题：这些 AI 智能体（AI Agent）到底是怎么记事的？
Hermes Agent 对我来说格外有趣，因为这次我不需要只��观察它的行为来搞“逆向工程”。Hermes 是开源的，它的代码库和文档都是公开的。所以，我没有通过提示词（Prompt）去盲测这个黑盒，而是直接翻看了它的代码路径——从它如何构建提示词状态、持久化会话，到如何清理记忆和查询历史对话。
简而言之：Hermes 拥有的不是一套记忆系统，而是四套。
1. 存储在 MEMORY.md 和 USER.md 中、经过高度浓缩的提示词记忆。
2. 通过 session_search 调用的 SQLite 历史会话存档（可搜索）。
3. 像程序记忆（Procedural Memory）一样运作的智能体技能管理。
4. 可选的 Honcho 层，用于更深层的用户建模（User Modeling）。
把这些设计联系在一起的核心逻辑非常简单：保持提示词稳定以便利用缓存（Caching），其他一切繁杂信息都交给工具。
让我们深入聊聊。
Hermes 的上下文结构
在理解记忆之前，我们先看看 Hermes 到底给模型发送了什么。
系统提示词（System Prompt）大致是按以下顺序组装的：
-------
[0] 默认智能体身份
[1] 工具使用行为指南
[2] Honcho 集成模块（可选）
[3] 可选系统消息
[4] 固化的 MEMORY.md 快照
[5] 固化的 USER.md 快照
[6] 技能索引
[7] 上下文文件（AGENTS.md, SOUL.md 等规则文件）
[8] 日期/时间 + 平台信息
[9] 对话历史
[10] 当前用户消息
--------
这非常关键，因为 Hermes 正在针对大模型供应商的提示词缓存（Prompt Caching）机制进行优化。代码显示，提示词构建器的目标非常明确：让稳定的前缀部分尽可能长时间地保持不变。
这一个决定就解释了 Hermes 大部分的记忆��构。
如果某条信息每一轮对话都要用到，Hermes 会尽量把它缩得很小并注入进去；如果信息量很大、属于历史旧账或者偶尔才有用，Hermes 就会把它踢出提示词，改用“按需检索”的方式。
第一层：固化的提示词记忆
其内置的记忆系统小得令人惊讶。
Hermes 将持久记忆存储在 ~/.hermes/memories/ 下的两个文件中：
1). MEMORY.md
智能体笔记：环境、规范、工具怪癖、教训
限制：2,200 字符
2). USER.md
用户画像：偏好、沟通风格、身份信息
限制：1,375 字符
这容量真不大。加起来大约只有 1,300 个 Token（模型理解文本的最小单位）。
而这正是刻意为之。
在会话开始时，Hermes 加载这两个文件，把它们渲染进提示词区块，然后在整个会话期间固化这个快照。会话中途写入的记忆会立即存入硬盘，但不会改变已经生成的系统提示词。这些改动只有在开启新会话，或者触发了“压缩（Compression）”导致的提示词重建时才会生效。
渲染后的格式如下：
------
═══════════
MEMORY (你的个人笔记) [67% — 1,474/2,200 字符]
═══════════
用户的项目是一个位于 ~/code/myapi 的 Rust Web 服务，使用 Axum + SQLx
§
这台机器运行 Ubuntu 22.04，安装了 Docker 和 Podman
§
用户喜欢简洁的回复，讨厌冗长的解释
------
这里有几个我非常欣赏的细节设计：
1. 使用字符限制而非 Token 限制：这让记忆逻辑与模型无关。Hermes 不需要调用特定模型的计算工具就能判断记忆是否存满。
2. 简单的分隔符文件格式：条目之间用 § 分隔。没有复杂的向量数据库（Vector DB），没有自定义二进制存储，就是纯文本。
3. 刻意保持极小的系统提示词空间：这是整个设计的重中之重。Hermes 不想把所有历史都塞进提示词，它只想要最有价值的事实。
4. 记忆是“精选状态”，而不是“日记”：这是 Hermes 与 OpenClaw 最大的区别。
OpenClaw 的日志更像是“流水账”。而 Hermes 则反其道而行。它的工具架构和测试逻辑强调：
• 保存用户偏好。
• 保存环境事实。
• 保存反复出现的错误修正。
• 保存稳定的规范。
• 不保存任务进度。
• 不保存会话结果。
• 不保存临时的待办事项（TODO）。
真相是：Hermes 希望 MEMORY.md 和 USER.md 保持精简、高频且对缓存友好。
memory 工具
Hermes 通过一个拥有三种操作的 memory 工具来管理这些文件：add（添加）、replace（替换）、remove（移除）。
一个好用的细节是：replace 和 remove 使用子字符串匹配。你不需要记住��目的内部 ID，只需要传入现有条目中一段唯一的文字即可。
此外，系统会拒绝完全重复的内容，并拦截危险信息。源代码会扫描记忆条目，防止提示词注入（Prompt Injection，即通过输入恶意指令误导 AI）、凭证泄露或隐藏的 Unicode 字符。
第二层：用于情景回溯的 session_search
如果说 MEMORY.md 是 Hermes 的“短期热记忆”，那么 session_search 就是它的“长尾回溯系统”。
所有过去的会话都存储在 SQLite 数据库中，拥有完整的索引和搜索功能。当模型需要想起以前聊过的内容时，它不去翻 MEMORY.md，而是搜索这个会话数据库。
其工作流程是：
1. 在过去的消息中进行全文搜索。
2. 按会话分组结果。
3. 加载匹配度最高的会话。
4. 使用一个便宜的辅助模型对这些会话进行摘要总结。
5. 将精炼后的回顾内容返回给主模型。
这是一种非常务实的设计。它比盲目地把长篇累牍的历史塞进每一个提示词���便宜且高效得多。
第三层：压缩与记忆冲刷（Memory Flush）
Hermes 另一个聪明之处在于它处理长对话“压缩”的方式。
当会话变得太长，Hermes 会压缩对话中间的部分以节省空间。但摘要是有损的，重要事实可能会丢失。
于是，Hermes 会先进行一次“记忆冲刷”。
在压缩之前，它会发送一条指令告诉模型：
> “会话即将压缩，请保存任何值得记住的东西。优先保存用户偏好、修正建议和重复模式，而非具体的任务细节。”
然后它运行一次额外的模型调用，只开启 memory 工具。如果模型觉得有什么东西该留下来，就会在对话被“洗掉”之前把它写入 MEMORY.md。
第四层：作为程序记忆的技能（Skills）
Hermes 不仅能记住事实，还能记住技能。
技能（Skills）存储在 ~/.hermes/skills/ 下。当 Hermes 发现了一个复杂的流程、修复了一个棘手的问题或学会了更好的���法时，它可以将其保存为“技能”。
大多数记忆系统只关注“语��回溯”（名字、偏好、事实），但智能体还需要记住如何做事。
为了效率，Hermes 不会把所有技能都塞进提示词，而是只放一个技能索引，只有在需要时才加载具体的技能内容。
第五层：用于深层建模的 Honcho
最后是可选的 Honcho 层。如果说本地记忆是 Hermes 的笔记本，Honcho 就是它尝试构建的复杂用户模型。它能实现跨设备、跨平台的记忆连续性。
最精妙的是它如何在不破坏提示词缓存的前提下实现集成：
• 在会话的第一轮，Honcho 的上下文会被织入系统提示词。
• 在之后的对话中，为了保持提示词稳定，Honcho 的回溯内容会附加在当前用户的提问后面，而不是修改系统提示词。
这确保了缓存依然有效，同时 AI 依然能读到最新的背景信息。
Hermes 与 OpenClaw 的区别
• OpenClaw：记忆更接近“以 Markdown 为中心的存储”，日志和长效文件是主要事实来源���
• Hermes：提示词记忆被严格限制，历史记录存在 SQLite 里，只有需要时才搜索。
Hermes 更加关注缓存效率。 它认为：不是所有东西都配住在“系统提示词”这个黄金地段。
总结：Hermes 做对了什么？
1. 冷热分离：小规模提示词记忆负责常驻信息，搜索负责偶尔用到的信息。
2. 缓存优先：它意识到频繁改动提示词会导致延迟增加和成本上升。
3. 记忆的多样性：它承认记忆是分层的——包括个人画像、情景回溯、操作技能和深层建模。
Hermes 的核心设计原则最令我折服：记忆应该让智能体变得更好用，而不是通过摧毁提示词的稳定性来换取博闻强识。
真正的诀窍不是记住更多，而是在正确的层级、以正确的成本，记住正确的事情。](https://pbs.twimg.com/media/HHFnyLpaEAArswH.jpg)
又发现一个基于 Mihomo 的网络工具。
地址见评论区。
ClashBar 是什么？
ClashBar 是一个原生 macOS 菜单栏代理客户端，基于 mihomo Core，专注「轻量、稳定、可观测」的日常代理管理体验。
你可以在菜单栏里完成配置切换、节点选择、规则刷新、连接排查和系统代理控制，不需要打开复杂主窗口。
想把抽象的教学概念讲清楚，光靠 PPT 和板书总感觉差点意思，学生看着枯燥，自己讲着也费劲。
最近在 GitHub 上发现 AetherViz Master 这个开源工具，输入一个教学主题，就能自动生成一个完整的 3D 交互式教学网页。
基于 Three.js 和 SVG 混合渲染，会自动识别学科领��，匹配最合适的配色和可视化方案，生成的网页可以直接用浏览器打开。
GitHub：https://t.co/PwZ7v3jTEV
支持物理、化学、生物、数学、天文、编程等多个学科，比如输入 “牛顿第二定律” 会生成 3D 小球运动模拟，输入 “三角函数” 会生成可交互的函数波形图。
每个页面都包含学习目标、原理讲解、数学公式渲染和小测验，还能通过滑块控制播放速度、单步演示，支持触摸设备操作。
如果你是老师想做点不一样的课件，或者学生想把知识点可视化加深理解，这个工具值得一试。
绝了，这是我看到的关于荷兰海外手机号的最全教程！
可用于：
Telegram：秒收验证码，直接注册成功。
WhatsApp：秒收，稳。
绑定微信：直接绑定微信
Google 账号：可以绑定辅助号码。
ChatGPT账号：可以直接用这个手机号注册
感谢我好兄弟@AI_Jasonyu 鱼总的分享！
大家记得收藏起来！
蚂蚁健康等刚刚开源了一款医疗语言模型：AntAngelMed
基于Ling-flash-2.0的MoE架构，总参数100B激活参数6.1B，在H20上推理速度超过200 tokens/s，支持128K上下文
在OpenAI发布的开源医疗评测基准HealthBench上，排开源第一
三阶段训练，医疗语料持续预训练+高质量指令精调+GRPO强化学习，使其具备较强的医学知识、复杂诊疗推理能力、安全与伦理对齐能力
可用于复杂病例解析、日常健康问答等
#AntAngelMed #医疗AI模型
甲亢哥speed献唱《阳光彩虹小白马》Sunshine rainbow wonder mare https://t.co/Y2YevGPqDG
整理了几个新近发现的 Ghostty 周边项目，都相当不错，值得收藏。
Ghostty：一份开箱即用的 Ghostty 终端配置仓库，集中管理主题、配色和常用偏好，clone 后直接用于日常开发
传送 https://t.co/K7hhEUzebg
Ghostty Session Manager：会话管理器，一条命令就按预设布局打开多 pane 终端并自动拉起 Claude 等 AI 工具，省去手动拆分窗口和 cd 的重复操作。
传送 https://t.co/qR79jyO9aq
Ghostty-web：把 Ghostty 的终端解析核心编译到 Web、兼容 xterm.js API 的浏览器终端库，让现有 xterm 前端几乎无缝迁移到 Ghostty 之上。
传送 https://t.co/4FN0lpoAio
GhosttyFetch：为 Ghostty 定制的极简系统信息展示工具，在终端中以 neofetch 风格输出系统与主题信息，很适合用来截图和展示配置。
传送 https://t.co/mh9yW6NR4Z
开源的自托管照片和视频管理软件 Immich 推出了 2.0 稳定版本，网站也更新了：
https://t.co/q0Xno2hhUU
更新记录令人赞叹开源的力量：
https://t.co/R6p46MU9ER
1,337 days, 271 releases, 78,000 stars on GitHub,
1,558 contributors 每个数据都令人很惊叹，同时还出了复古的实体光盘（非常有趣）
我之前用过它管理图片和视频，非常棒，同时还有手机应用，各位有 NAS 的可以试试看。
可以去它们的 Demo 站点试试看：https://t.co/VKpqaokSTt
很多学员开发前端的时候，我都建议他们去这两个网站找参考图：
- Mobbin：https://t.co/P7c83KcKB1
- UI Notes：https://t.co/XZtQzt0Tzs
这两个网站产品形态基本一样，有丰富的真实应用的截图。前者是海外产品，后者是国内的。
UI Notes一年的会员费72元，Mobbin按年订阅一个月10美金，一年120美金。定价约12倍，所以这就是为什么要努力出海吧🤣
DeepSeek 模型兼容性检测
还得是 Mac mini M4，16G 内存可以跑 14B 模型。没想到以前在我们黑苹果玩家中最没性价比的白苹果，现在也成了香饽饽。
https://t.co/QEqkqy0yGJ
大部分 Mac 的软件在 App Store 其实是没有的，不少从官网或者 GitHub 下载，看到这个叫 Applite 的软件挺好的，直接搜索一键下载安装，也省去了拖到应用文件夹的麻烦，还可以通过他来发现一些好软件，同时卸载也挺彻底，一条龙服务。https://t.co/rNQuchCzZh
Last Seen Users on Sotwe
Most Popular Users
Elon Musk 
@elonmusk
241.5M followers
Barack Obama
@barackobama
119.1M followers
Cristiano Ronaldo
@cristiano
113.7M followers
Donald J. Trump
@realdonaldtrump
111.8M followers
Narendra Modi
@narendramodi
107.2M followers
Rihanna
@rihanna
98.5M followers
NASA
@nasa
92.4M followers
Justin Bieber
@justinbieber
91.7M followers
KATY PERRY
@katyperry
89.6M followers
Taylor Swift
@taylorswift13
83.5M followers
Lady Gaga
@ladygaga
75M followers
Virat Kohli
@imvkohli
72.7M followers
Kim Kardashian
@kimkardashian
70.7M followers
YouTube
@youtube
68.8M followers
Neymar Jr
@neymarjr
65.7M followers
Bill Gates
@billgates
64.9M followers
Selena Gomez
@selenagomez
62.6M followers
The Ellen Show
@theellenshow
62.3M followers
CNN
@cnn
61.8M followers
X
@x
60.8M followers