这页更像一张长期书签页。 有些资源不是“看完一次就结束”，而是会在学习、搭知识库、做 Agent、补模型理解的时候反复回来打开。这样的东西，值得单独留一个入口。
Advent of Claude: 31 Days of Claude Code 现在也应该放进来。它不是零散推文，而是把 31 个 Claude Code 功能点重新整理成一篇长文，并且正文里直接挂了 31 个 MP4 演示，适合当“功能回忆索引”和“给别人发一篇就够”的入口页。
zread.ai 适合放在“代码仓库理解入口”这一格：Discover、Trending、Private Repo、MCP Server、CLI for Local Repos 这些入口摆得很清楚，说明它想解决的不是单篇教程阅读，而是“把 repo 变成可读、可问、可持续追踪的知识对象”。
karpathy.ai 则是另一种长期入口：它把课程、视频、博客、项目、GitHub 和个人轨迹都收得很稳，很适合作为一个总入口，也很适合拿来提醒自己，个人站点完全可以做成长期知识主界面。
1. Advent of Claude：适合放进这页的 Claude Code 长文入口
Advent of Claude: 31 Days of Claude Code 发布于 2026-01-01。这页最值的地方不是“又列了 31 条技巧”，而是它把零散的日更提示重新编排成一份可回看的功能地图：从 /init、!、Esc Esc、/context，一直到 Plan Mode、Hooks、Subagents、Agent Skills、LSP、Claude Agent SDK，适合拿来补全 Claude Code 的功能认知。
更关键的是，原文正文里直接嵌了 31 个 MP4 演示视频，视频源在 cdn.adocomplete.com。这意味着我们在 GitHub Pages 里可以放视频链接，甚至理论上可以直接外链播放；但我更建议当前阶段先保留原文 + 视频直链索引，不把视频文件镜像进仓库。
适合当速查页
它不是按时间线硬堆 31 天内容，而是按上手、快捷键、会话、可观测性、高阶模式重新组织，更适合回查。
视频确实可拿到
截至 2026-04-09，原站正文可直接解析出 31 个 .mp4 资源链接，属于可访问的远端静态文件。
先不镜像下载
保守起见，先不把视频打进仓库和 GitHub Pages：文件体积不小，后续还有带宽、同步和再分发边界要维护。
| 我们现在怎么放 | 结论 | 原因 |
|---|---|---|
| 原文入口 | 放 | 这篇本身就是高密度、长期可回看的 Claude Code 功能地图。 |
| 视频直链索引 | 放 | 远端 MP4 可访问，适合在 GitHub Pages 上做外链集合。 |
| 把 31 个视频下载进仓库 | 暂不做 | 截至 2026-04-09，单个视频就有超过 10MB 的情况；整套镜像会增大仓库体积，也会带来维护与再分发风险。 |
如果后面你想把它做得更“像我们站内内容”，可以再走两步：第一步是挑 5 到 8 个最常用的视频做站内精选；第二步是给每个功能点补一行“它和我们现有教程哪一页互补”。当前这版先把入口打通，成本最低，也最稳。
展开 31 个视频直链索引
| 功能点 | 视频 |
|---|---|
/init — Let Claude Onboard Itself Onto Your Project | day-23.mp4 ↗ |
| Memory Updates | day-5.mp4 ↗ |
@ Mentions — Add Context Instantly | day-17.mp4 ↗ |
The ! Prefix — Run Bash Instantly | day-1.mp4 ↗ |
| Double Esc to Rewind | day-2.mp4 ↗ |
| Ctrl + R — Reverse Search | day-22.mp4 ↗ |
| Prompt Stashing | day-13.mp4 ↗ |
| Prompt Suggestions | day-18.mp4 ↗ |
| Continue Where You Left Off | day-4.mp4 ↗ |
| Named Sessions | day-11.mp4 ↗ |
| Claude Code Remote | day-9.mp4 ↗ |
/export — Get Receipts | day-24.mp4 ↗ |
| Vim Mode | day-6.mp4 ↗ |
/statusline — Customize Your View | day-14.mp4 ↗ |
/context — X-Ray Vision for Tokens | day-8.mp4 ↗ |
/stats — Your Usage Dashboard | day-10.mp4 ↗ |
/usage — Know Your Limits | day-28.mp4 ↗ |
| Ultrathink | day-12.mp4 ↗ |
| Plan Mode | day-29.mp4 ↗ |
| Extended Thinking (API) | day-3.mp4 ↗ |
| Sandbox Mode | day-27.mp4 ↗ |
| YOLO Mode | day-15.mp4 ↗ |
| Hooks | day-16.mp4 ↗ |
| Headless Mode | day-7.mp4 ↗ |
| Commands — Reusable Prompts | day-26.mp4 ↗ |
| Claude Code + Chrome | day-19.mp4 ↗ |
| Subagents | day-25.mp4 ↗ |
| Agent Skills | day-20.mp4 ↗ |
| Plugins | day-21.mp4 ↗ |
| Language Server Protocol (LSP) Integration | day-30.mp4 ↗ |
| Claude Agent SDK | day-31.mp4 ↗ |
2. Zread.ai：为什么该放进这页
如果说很多“推荐站点”更像内容聚合页，那么 Zread.ai 更像一个专门为代码仓库阅读设计的入口。首页直接给出 Discover Repos、Trending Repos、Your Private Repos、Zread MCP Server 和 Zread CLI for Local Repos，这已经把它的产品方向说得很直白了：它不是让你只看 README，而是帮你把 repo 本身变成可探索对象。
放到我们站内语境里，它很适合作为“看别人仓库”这一步的外部入口，尤其适合做前置侦察：先看趋势仓库、先理解结构、先把问题问出来，再决定要不要把其中一个仓库进一步课程化。
Discover / Trending
适合找新仓库与热门仓库。更偏“发现”和“快速扫一眼哪些项目值得深入”。
Private Repos
说明它不只做公开榜单，也在往团队或个人私有仓阅读场景走，产品边界更接近工作流工具。
MCP / CLI
这点最关键：它不只是一张网页，还在尝试把 repo 理解能力接进本地工作台与 Agent 工具链。
它和我们的 projects/rep2course 有什么差异
截至 2026-04-09，两者看起来都围绕“理解代码仓库”展开，但目标并不一样。Zread 更像阅读入口产品；rep2course 更像课程生产流水线。
| 维度 | Zread.ai | projects/rep2course |
|---|---|---|
| 核心定位 | 把 repo 变成可读、可问、可发现的外部站点入口。 | 把 GitHub 仓库自动转成 Markdown 课程、面试题与后续资产。 |
| 主要输入 | 公开仓、私有仓，以及通过 CLI 接入的本地仓。 | --repo_url 形式的 GitHub 仓库地址，先扫描再进课程生成管线。 |
| 主要输出 | 阅读页、趋势入口、仓库理解与交互式探索体验。 | 带时间戳命名的课程 Markdown、Interview Q&A、日志与产物目录。 |
| 使用时机 | 适合前置调研、快速筛选、辅助阅读别人仓库。 | 适合选定目标仓后，进一步做课程化沉淀和内容生产。 |
| 更像什么 | “Repo Reader / Repo Search / Repo Knowledge UI”。 | “Repo-to-Course Content Pipeline”。 |
如果要把两者放进一条工作流，我会建议这样理解：Zread 负责发现和读懂，rep2course 负责提炼和产出。前者像侦察兵，后者像课程工厂。它们不是完全重叠，反而很互补。
3. Karpathy 的 LLM Wiki 指南，为什么值得单独记一下
这篇内容之所以值得放进“站点推荐”，不是因为它又提出了一个新名词，而是因为它把很多人已经隐约感觉到、却一直说不清楚的问题讲透了：为什么你用大模型处理过的知识，总是留不下来？
大多数人今天处理文档，还是 RAG 心智。文件丢进去，问的时候临时检索、临时拼答案，能用，但知识没有沉淀。Karpathy 的思路刚好反过来：别让模型每次临时翻书，让它替你维护一套持续更新的 wiki。每加一份新资料，LLM 不是简单存档，而是会读、会提取要点、会更新已有页面、会补交叉引用、会标记矛盾，让知识像代码库一样被持续编译。
核心区别
RAG 是“查询时重新发现知识”，LLM Wiki 是“摄入时把知识编译进去”。前者临时拼凑，后者持续沉淀。
三层结构
Raw Sources 管原始资料，Wiki 管结构化 Markdown 页面，Schema 管规则与工作流。
人机分工
人负责选材料、问问题、做判断；LLM 负责总结、归档、交叉引用、更新一致性这些真正费力的苦活。
| 层级 | 作用 | 一句话理解 |
|---|---|---|
| Raw Sources | 原始资料源，只读，不修改 | 权威来源，冲突时以它为准 |
| Wiki | 由 LLM 维护的 Markdown 页面集合 | 摘要、概念页、实体页、综合判断都沉淀在这里 |
| Schema | 告诉 Agent 如何摄入、查询、检查和维护 | 让 LLM 成为有纪律的知识库维护者，而不是聊天机器人 |
这篇指南里还有一个很重要的操作心智：摄入、查询、检查。摄入新资料时更新 wiki；查询时优先查 wiki，而不是每次回原文翻箱倒柜；定期做 lint，检查矛盾、孤儿页、缺失链接和过时结论。这个思路特别像在维护代码库，只不过这里维护的是知识。
你贴过来的中文整理里，我觉得最值的一句其实是这个意思：知识要先被“编译”一次，才会开始复利增长。这也是为什么它很适合和 karpathy.ai 这种个人主页放在一起看，因为两者都在强调一件事：长期资产要被组织、被沉淀，而不是散在聊天记录和临时对话里。
4. 教程入口
菜鸟 Codex 教程
这条线值得放进站内，但更适合被当成 中文索引入口 来用：覆盖安装、CLI、配置、Skills、Sandbox、Prompting、Models、Hooks、Cloud，适合先建地图，再回官方文档核对最新事实。
看站内分析页 →Deep Dive into LLMs like ChatGPT
Karpathy 的长视频课。适合已经知道大模型概念，但想把预训练、分词、Transformer、采样与对齐串成一条完整叙事的人。
打开视频 ↗A Recipe for Training Neural Networks
这篇老文章特别适合补“调参感”和工程直觉，不是最新论文，但很耐读，很多经验到今天都没过时。
打开文章 ↗CS231n
经典中的经典。就算今天不专门做视觉，里面很多关于深度学习训练、误差分析、网络直觉的东西依然非常值。
进入课程 ↗LLM Architecture Gallery
如果最近在系统补模型结构，不想只看零散博客，这页很适合当总览。和本站的大模型专题也正好互补。
打开 Gallery ↗5. 个人主页
6. 值得反复回看的 GitHub 仓库
| 仓库 | 为什么值得看 | 链接 |
|---|---|---|
karpathy/micrograd |
小到可以一口气读完，但把自动求导和反向传播讲得非常透。是“从玩具到原理”最经典的一类仓库。 | GitHub ↗ |
karpathy/nanoGPT |
想看 GPT 最小实现、训练脚本和工程折中，这个仓库一直很好用。它不是大而全，但很适合真正下手读。 | GitHub ↗ |
karpathy/char-rnn |
虽然老，但非常适合拿来理解序列建模的历史脉络。很多今天的感知，其实都能在这种早期实现里找到根。 | GitHub ↗ |
karpathy/arxiv-sanity-preserver |
更像一个“研究阅读工具”而不是单纯模型仓库。它提醒人一件事：知识入口、筛选与检索本身，也是一类很强的产品能力。 | GitHub ↗ |