日常开发中积累的 Python 实用工具集，涵盖 AI 日报生成、论文发现、性能测试和博客自动化。
每个目录是一个独立工具，可以单独使用。共享基础设施统一放在 common/ 包中（通过 pip install -e . 安装），提供 LLM 调用、JSON 解析、磁盘缓存、原子写入等通用能力。所有工具通过 MCP Server 暴露给 Claude Code。
| 目录 | 功能 | 主要技术 |
|---|---|---|
| summarize/ | AI 对话日报/月报总结（多设备两阶段架构） | Claude/OpenAI API, ccusage, @ccusage/codex, matplotlib |
| research/ | 论文发现 + 学者分析 + 引用图谱 | arXiv/bioRxiv/PubMed, Semantic Scholar, LLM |
| test/ | CPU/GPU 跨平台性能测试 | PyTorch, NumPy, Plotly |
| website/ | Hugo 博客站点（增量媒体压缩 + 自动构建发布） | Hugo, pngquant, HandBrakeCLI |
| common/ | 共享基础设施包（LLM、缓存、IO、Hugo 部署） | pip install -e . |
| sync.py | 集中式 rclone 同步（push/pull/status） | rclone |
读取 Claude Code / Codex / ChatGPT / 通用 JSON 对话记录，调 LLM API 生成结构化日报。支持多设备导出 → 合并 → 部署到 Hugo 博客的完整工作流。通过 ccusage 和 @ccusage/codex 自动统计 Claude Code / Codex token 用量和费用。月报跨天聚合，生成 token 用量趋势图。
python summarize/daily_summary.py export # 导出所有未导出日期
python summarize/daily_summary.py export --date 2026-02-13 # 导出指定日期
python summarize/daily_summary.py merge --sync --date 2026-02-13 # 从远端同步 log 后合并
python summarize/daily_summary.py merge --sync-all # 批量同步所有日期并逐天处理
python summarize/daily_summary.py deploy # 批量部署报告到 Hugo
python summarize/monthly_summary.py generate --month 2026-02 # 生成月报
python summarize/monthly_summary.py generate --month 2026-02 --deploy # 生成月报 + 部署详见 summarize/README.md 和 tutorial。
三合一研究工具：
- Research Scout：搜索 arXiv/bioRxiv/PubMed 论文，三阶段 LLM 评估（快速筛选 → 深度分析 → 引用影响），生成每日研究报告并部署到 Hugo。支持会议论文搜索和作者搜索。
- Researcher Profiler：学者画像分析。从 ArXiv + Semantic Scholar 获取论文和引用数据，LLM 生成研究轨迹分析，计算 tier 评分，通过主页提取 + 共著模式自动发现学生关系。支持同名消歧（
--affiliation）和反向查找（--paper/--author-id）。 - Citation Graph：基于 Semantic Scholar API 的前向/后向引用分析 + LLM 影响力解读。
python research/research_scout.py report --project my-project # 完整流水线：搜索 → 评估 → 报告
python research/research_scout.py search --conference "CVPR 2025" # 会议论文搜索
python research/research_scout.py profile "Sergey Levine" # 学者分析
python research/research_scout.py profile "Name" --affiliation "MIT" # 同名消歧
python research/research_scout.py citations 2301.12597 # 引用图谱
python research/research_scout.py deploy # 部署报告到 Hugo跨平台 CPU/GPU 性能基准测试，支持 NVIDIA (CUDA)、Apple Silicon (MPS)、Intel (XPU) 等多种后端，覆盖 FP64/FP32/FP16/BF16 等精度。生成交互式 HTML 排行榜报告。CSV 采用 append 模式，天然支持多硬件积累排行。
cd test
python -m benchmark.cli # 运行全部测试
python -m benchmark.cli --cpu-only # 仅 CPU
python -m benchmark.cli --gpu-only # 仅 GPU
python -m benchmark.cli --report # 运行测试并生成 HTML 报告
python -m benchmark.cli --report --deploy # 生成报告并发布到 Hugo /benchmark/Hugo 静态博客站点，内置增量图片/视频压缩流水线。自动生成内容先写到 outputs/site/，update.sh / update.ps1 会先把 staging 自动链接或镜像到 website/，再执行 Markdown 重写、媒体压缩、Hugo 构建和 GitHub Pages 推送。使用 .last_build 时间戳实现增量处理。
cd website && bash update.sh # 增量压缩 + Hugo 构建 + 推送部署所有工具通过 MCP Server (mcp_server.py) 暴露给 Claude Code，支持在对话中直接调用。
pip install -e . # 安装 gadget-mcp 命令
gadget-mcp # 启动 stdio MCP 服务器（通常由 Claude Code 自动调用）配置文件 .mcp.json 已包含在项目中。提供 9 个工具：日报列表/导出/合并、项目列表/搜索/报告、硬件信息/跑分/报告生成。
所有生成的输出统一放在 outputs/ 目录下（已 gitignore）：
outputs/
├── logs/ # 中间产物（export log、运行日志）
├── reports/ # 最终报告（Markdown、JSON、HTML）
├── cache/ # LLM 缓存、搜索缓存
├── data/ # 结构化数据（CSV、JSON profiles）
└── site/ # Hugo staging：auto-generated content/static true source
- Python 3.10+（推荐 conda 环境
AI） - 各工具的具体依赖见对应目录的
requirements.txt - MCP Server + common 包：
pip install -e ".[all]"安装全部依赖
- GPU 基准测试会自动检测 CUDA / Apple MPS / Intel XPU
tokens/目录存放 API 密钥，已 gitignore- 所有生成文件输出到
outputs/目录，已 gitignore - 三个 LLM 后端统一通过
--api参数切换：claude_cli（默认）、anthropic、openai - 跨设备数据同步可使用
python sync.py push/pull（需配置 rclone）