虽然我们可以用OpenAI，但国内网络访问毕竟不方便，而且成本不低。这里我墙裂推荐接入蓝耘（Lanyun）大模型平台。
局部重生成的上下文断裂：用户对某一段落进行局部重生成时，AI 模型需要理解整篇文档的上下文才能生成风格一致的内容。但局部重生成通常只传入被选中段落附近的上下文（受 Token 限制），这可能导致重生成内容与全文风格不协调。解决方案是：在局部重生成时，先让模型生成一个全文的风格摘要（Style Summary），再基于摘要和局部上下文进行重生成。
即使不用知识库，摘要的习惯也值得保持。我自己很多选题，就是翻看旧摘要时想到的。Q: 和 Notion 或 Obsidian 的知识库有什么区别？
广东深圳入境的海外游客数量持续攀升，来自英国的游客表示，虽然深圳气温较高，但到处都有空调，所以室内很凉快。
四、与 Python AI 生态的对比视角 维度 Python (JIT/解释型) C# NativeAOT (编译型) 冷启动 秒级（依赖加载 + JIT） 毫秒级（原生机器码） 内存占用 高（运行时 + 依赖库） 极低（剪裁后仅含必要代码） 部署体积 数百 MB（Conda/容器） ~15MB（单文件可执行） 运行时依赖 Python + CUDA + 框架 零依赖（自包含） 推理性能 依赖底层 C++ 扩展 原生高性能 + 可调用 ONNX Runtime 开发效率 极高（生态丰富） 高（现代语言特性 + 强类型） 核心结论：NativeAOT 不是取代 Python 在 AI 研究/原型阶段的地位，而是破解 AI 应用从"实验室"到"生产线"的最后一公里——当模型已经训练好、需要稳定、高效、低成本地产品千万用户时，C# NativeAOT 提供了比 Python 更贴近硬件的部署路径。
找赚钱机会也是同一个道理。项目免费，不代表所有人都愿意自己折腾安装、部署、汉化、模板、维护。