# 去过的地方，连成了一颗地球

你有没有过这种时刻：翻到一张好几年前的照片，明明记得那个地方，却怎么也想不起是哪一年去的、和谁一起、前后还去过哪儿。

相册越攒越多，回忆反而越来越散。

行影集新上线的「3D 足迹」，想解决的就是这件事。


![00-cover-alt3.jpg](https://blog.siyuan.ink/static/img/353c52f577d77ac1c5dc73bb8ce6d24d.00-cover-alt3.webp)

---

## 我拍了这么多年的照片，怎么就变成一颗地球了？

打开「位置」相册，右上角多了一个按钮：**3D 足迹**。

![](https://blog.siyuan.ink/static/img/1851ccd20f8ab449af55cf9daa525f1d.01b-entry-button.webp)

![](https://blog.siyuan.ink/static/img/9c912e8c6228f9e1082949181e4d50c1.01-entry-location.webp)

*入口藏在位置页的工具栏里，就在筛选和视图按钮中间。*

点进去，你先看到的是一颗地球。不是那种冷冰冰的卫星图地球——它是你自己的。

亮起来的每一个光点，都是你真正拍过照的城市；光点上的小照片，是你在那座城市留下的封面；城市与城市之间那些金色的弧线，是按照片拍摄时间连起来的顺序：从这座城到那座城，从这一次到下一次。


![](https://blog.siyuan.ink/static/img/62ad34c75a2d19749cdcef946a0daff5.02-mode-3d.webp)

演示站里那个账号，676 张照片里有 578 张带着定位信息，最后落在 **32 个省份、52 座城市、112 段旅程**上。换成你自己的相册，数字会不一样，但那种"原来我走过这么多地方"的感觉是一样的。

而且随时能换一种看法：

- **2D** —— 俯视平面地图，自由平移缩放，适合把路线一条条捋清楚；
- **3D** —— 聚焦中国的三维透视，可以倾斜视角，还能打开三维地形，让山川起伏压在你眼前；
- **地球** —— 完整全球视角，拖动就是旋转地球，出国行程在这里最直观。


![](https://blog.siyuan.ink/static/img/c3036085567b3e1b43b3f0be41727cf2.04-mode-2d.webp)

*2D 模式更像一张可以无限放大的旅行地图。*


![](https://blog.siyuan.ink/static/img/fb5e2e093e2a8bf3b3771ba70868d417.05-layers.webp)

*地球模式下，滚动和缩放都沿着地心方向走，球体始终居中。*

![](https://blog.siyuan.ink/static/img/799ca276f12ba3099b643c00373f030b.06-terrain.webp)

*开启「三维地形」图层，青藏高原的褶皱会真的立起来。*

## 那些金色的线，到底是什么？

这是问得最多的一件事，所以先说清楚：**它不是你走的路，是你拍过的顺序。**

系统会看你每张照片的拍摄时间和位置，把相邻的两个地点连起来。如果两张照片之间隔了超过 7 天，就会被切开成两段不同的旅程——免得把相隔半年的两个地方硬连成一次出行。同一趟旅程里的首尾会接上，避免出现断掉的线头。

所以这些线**不代表实际的道路、航班或者导航轨迹**，它只说明一件事：那段时间，你在这两座城市之间移动过。

如果不想被连线打扰，右侧的图层菜单可以逐个开关：城市照片、旅行连线、照片热力、省份边界、三维地形，五个图层随你配。

![](https://blog.siyuan.ink/static/img/fb5e2e093e2a8bf3b3771ba70868d417.05-layers.webp)

*把连线全打开，是一整张旅行网络；关掉，就是干净的地球。*

## 为什么它看起来像一部纪录片？

因为底部那条时间轴真的会动。

「**旅程回放**」按照片拍摄时间，依次点亮地点和连线。可以暂停，可以拖动进度条跳到任意一段，还能切 1× / 2× / 4× 倍速。一百多段旅程从你眼前一帧帧走过去，安静，但完整。


![](https://blog.siyuan.ink/static/img/3f11a522a58e317c946a37f9f1c76359.08b-playback-dock.webp)

*每一段都会标注起终点和日期，比如"泉州市 → 贵阳市"。*

「**年份巡游**」则是逐年切换：从最早那几张照片开始，一年一年走到今年。你会清楚地看见自己的轨迹是怎么从一个点，慢慢铺成一片的。

年份选择、底部年份轴、右侧趋势柱状图，三个入口都能筛时间。搜索框则可以直接检索某一年的足迹城市。


![](https://blog.siyuan.ink/static/img/0d0389e593a65c7e216438abacb93e7a.09-year-filter.webp)

*切到 2013 年，地球只剩下那一年的两个定位点——那时候还刚开始。*

## 我想仔细看看某一座城市，可以吗？

可以。点地图上的光点、点地图上的照片卡片，或者点右侧的"热门打卡地"排行，地球就会飞向那座城市。

侧面板给出那座城市的全部信息：去过多少次、第一次和最近一次分别是什么时候、以及一面照片墙。照片按 24 张一页往下加载，点开就是熟悉的照片查看器。

![](https://blog.siyuan.ink/static/img/2d64402801def678190505b77b002195.07-city-panel.webp)
![](https://blog.siyuan.ink/static/img/43a57d6fa16b1920c2d1fb967c6c8f4e.07b-city-panel-zoom.webp)


*演示账号里，巴音郭楞蒙古自治州：46 张照片、9 次到访，时间跨度从 2020 年 5 月一直到 2026 年 5 月。*

嫌界面太满，点右上角全屏。导航、标题、统计面板、时间轴会全部收起，只剩你的地球——这就是沉浸模式。


![](https://blog.siyuan.ink/static/img/6c75abee72d3ad47b7c66e7b9dee025b.10-immersive.webp)

*全屏之后，退出按钮就在右上角，按 Esc 也能回来。*

手机上也一样。地图、搜索、时间轴、全屏都在，统计面板默认收起，需要的时候点一下顶部按钮展开。



![](https://blog.siyuan.ink/static/img/e434e4051cdc05cc922bad4b6adb9eff.image.webp)

*手机上双手拖动就能转地球，双指缩放，底部回放条照常可用。*

---

## 最后

回到开头那个问题：为什么会想不起是哪一年去的？

因为照片记住的是瞬间，回忆需要的却是轨迹。

3D 足迹做的事其实很简单——把散落在几百上千张照片里的位置捡起来，连成一条线，再重新放回一颗地球上。它不解释什么，只是让你看见。

**今天的问题：** 你手机里现在有多少张照片？猜猜其中带定位的能占几成？

**下期预告：** 下周五「回忆实验室」，我们跑一遍"照片被人转发过、时间信息全丢了，还能不能救回拍摄时间"。

**行动引导：** 演示站已经开放，用任意浏览器打开 https://demo.siyuan.ink/ ，登录页已经帮你填好演示账号，点一下「登录」就能看到一个真实账号的 3D 足迹。纯只读体验，不会改动任何数据。

---

> **关于行影集（TrailSnap）**
> 一个可以自己部署的 AI 相册，照片和位置数据都留在你自己的服务器上。
> 3D 足迹需要照片带有 GPS 信息，手机直接拍摄的照片基本都带。
> 演示站：https://demo.siyuan.ink/ ｜ 项目地址：https://github.com/LC044/TrailSnap



去过的地方，连成了一颗地球

# 独立开发者 vibecoding 实录：15 万行代码，我怎么防止 AI 把旧功能改坏

## 一、vibecoding 的幸福与恐惧

过去一年半，我把业余时间几乎全部投给了一个叫 TrailSnap 的开源项目——一个 AI 驱动、可自托管的照片管理应用。它有五个子包：Vue 3 前端、FastAPI 主后端、可选 GPU 的 AI 微服务、文档站、发布到 npm 的 CLI，外加桌面端和移动端的构建流水线。如今仓库里业务代码约 11 万行，测试代码约 7 万行。

这些代码 95% 以上不是我手写的——是 AI 写的。我的角色更像产品经理 + 架构师 + 测试负责人：拆需求、审方案、定约定，然后把实现交给 AI。

vibecoding 的幸福感是真实的：一个周末就能做完过去一个月的功能量。但恐惧也是真实的，而且随着代码量增长与日俱增：

**AI 最大的问题从来不是写不出新功能，而是在加新功能的时候，悄悄把旧功能改坏。**

传统软件工程靠三样东西兜住这类问题：code review、自动化测试、CI 流程。但独立开发者没有同事帮你 review。我一度以为这意味着质量体系缺了一角，后来才想明白：这一角本来就不该由"人"来补。

## 二、问题的本质变了：从「写对」到「没改坏」

AI 写代码有三个特点：快、多、健忘。前两个是优点，第三个是万恶之源。

AI 每次会话都像一位"新员工上班"：它不知道两周前某个函数已经被三处依赖，不知道某个看似冗余的判断是为了绕过一个线上 bug，更不知道它重构"优化"掉的那行代码是整个支付链路的护栏。它写的新功能大概率是对的——但改动波及面里有没有碰坏别的东西，它不知道，你也不知道。

所以 vibecoding 时代的可靠性问题，定义变了：

> 不是「AI 能不能写出正确的代码」（绝大多数时候能），而是「AI 的改动破坏了什么，我多快能知道」。

唯一能让"改坏了"自动暴露的机制，是自动化测试 + CI。这不是什么新鲜事。新鲜的是角色转换：在传统团队里，测试是 QA 的活、CI 是平台的活；在 vibecoding 里，**测试体系就是你的"同事"，CI 就是你的"reviewer"**。它们不睡觉、不吃人情、不会被 AI 写的花哨代码迷惑，只看结果。

而独立开发者有一个隐藏优势：没有历史包袱，整个工程流程可以为"AI 高频提交"这个前提重新设计。

下面是我实践中的三道防线。

## 三、第一道防线：CI，让每次提交都被审判

TrailSnap 的 CI（`.github/workflows/tests.yml`）有六个 job，按反馈速度分三层：

| 层 | 内容 | 作用 |
|---|---|---|
| 秒级反馈 | CLI / 后端 / AI 三组单元测试 | 挡掉 80% 的低级错误：import 挂了、签名变了、边界忘了 |
| 分钟级 | 集成测试 | 起 pgvector 容器 + 真实 uvicorn，测试用 HTTP 打真接口 |
| 十分钟级 | 全量 E2E | docker compose 起全栈，Playwright 跑约 340 个场景 |

比"分层"更重要的是几条专门为 AI 高频提交设计的原则：

**1. 本地与 CI 走同一个脚本。** 我的仓库只有一条测试入口 `run-tests.ps1`，本地和 CI 完全同路径，唯一区别是 `-Mode dev`（本地进程）还是 `-Mode docker`（容器栈）。传统团队最常见的甩锅现场——"我本地是好的"——在 AI 时代换了台词：**AI 会说"我测过了"。** 所以我立了一条规矩：AI 声称测过不算数，CI 绿了才算数。因为本地和 CI 是同一个脚本、同一份环境变量、同一套夹具，"AI 本地验证通过"和"CI 会绿"几乎是同一个事件。

**2. paths 过滤 + 并发取消。** AI 一天提交几十次，CI 资源就是真金白银。改文档、改官网不触发测试；同一个 PR 新推送自动取消旧 run。还有个容易忽略的细节：concurrency 的 group 里要带上 event_name，否则一次普通的 push 会把正在跑的夜间全量 E2E 打断——AI 可不会替你想到这个。

**3. 该缓存的都缓存。** AI 模型权重几百 MB，用 actions/cache 跨 run 复用；测试照片放在独立仓库按需 checkout；AI 服务镜像直接拉已发布的版本，省掉 torch 的重度编译。这些优化单独看都是小事，叠起来决定了 CI 能不能塞进免费额度。

## 四、第二道防线：测试体系，给每个功能上锁

当前数字：pytest 用例 2754 个（240 个测试文件），Playwright E2E 67 个 spec、约 340 个场景。测试代码约占仓库四成。

这套体系里我认为最值得抄的，是三条"名义上写给人、实际上写给 AI"的约定：

**1. 统一响应格式 = 统一断言方式。** 所有 API 返回 `BaseResponse`（`{code, msg, data}`），测试永远先断言 `code == 0` 再校验 `data`。这条约定让 AI 写新测试时天然不会断言错位——它只需要模仿旁边已有的用例。约定越统一，AI 的模仿越准，幻觉越少。

**2. marker 体系 = 止损速度。** 每个用例打三组标记：覆盖度（smoke/regression/slow）、资源（postgres/model）、模块（module_photo/module_album…）。改了相册模块？先跑 `-m "smoke and module_album"`，半分钟知道伤没伤到核心。这不为省 CI 时间，为的是让"改坏了"的信号以最快速度、带着定位信息到达。

**3. E2E 分档 = 按需全量。** smoke（页面能打开）/ p0（核心路径）/ p1（业务深测）/ full 四档。日常迭代先跑 p0 几分钟收口，睡前挂 full 兜底。凌晨三点还有一条定时任务，全量再扫一遍——那是第三道防线的一部分。

还有一个容易被忽视的细节：**测试夹具是独立 git 仓库**。测试照片不进主仓库，按套件组织，CI 上自动 checkout。任何人（包括 AI）跑全量 E2E 的门槛，降到了一条命令。门槛这件事很关键——门槛每高一寸，AI 和你自己偷懒的概率就多一分。

## 五、第三道防线：夜间 AI 值守——用便宜的 AI，还 AI 欠的债

上面的测试体系不是一天建成的，也没法全靠"写功能时顺手写测试"攒出来。功能开发时 AI 只会覆盖它刚写的路径；几千行遗留代码没人爱碰，覆盖率债越积越多。

这种活枯燥、机械、收益不即时，人类不爱干——但恰恰适合扔给 AI。

我的答案是：**再雇一个 AI，值夜班，用最便宜的模型。**

### 一份"任何 AI 都能执行"的任务清单

`tests/scripts/NIGHTLY-TEST-WATCH.md` 是一份任务清单，但更准确的定位是**单一事实源**。文档开头写着：任何 AI agent（Codex / Claude / GPT 等）或人拿到这份清单，都能自主完成一轮「测试 → 失败修复 / 盲区补测 → 提交」，执行时不需要回头询问任何前置决策，遇到模糊点按文档默认策略处理。

每轮流程：

1. **预检**：工作区脏检查——有未提交的改动？是临时文件就清理，不是就立刻中止并写 ALERT。绝不污染人类未提交的工作。然后自动切出 `nightly/test-watch-日期` 分支。
2. **跑全量 E2E**，失败则进入分类。
3. **失败三分类**：A（测试代码错了）/ B（业务代码回归了）/ C（环境问题）。文档里是一张"现场关键字 → 类型"的映射表：`ModuleNotFoundError` → A；`AssertionError` 且明显行为回归 → B；`Connection refused` → C（重启重试，不算业务改动）。**核心是一条禁令：不允许跳过判断直接改代码。** A 类动手前必须先读被测函数源码和最近的 `git log -p`，确认真是测试错了才许改测试。
4. **盲区扫描**。这里有个关键设计决策：**盲区以真实覆盖率为准，不猜**。后端和 AI 服务跑 `pytest --cov`，解析 Cobertura XML，按"未覆盖行数 / 覆盖率"排序产出候选清单；前端不追行覆盖率（主力是 E2E 没有单测），改用"哪些 view 从没被任何 spec 引用过"来判定。另有一个基线文件登记已覆盖的盲区，避免每轮重复补测。
5. **按优先级补测**：从未被触达的 view 开始，其次覆盖率最低的 router，再到 service 业务逻辑。每轮选 5–10 个模块，每模块写 1–3 个用例，覆盖 happy path / 边界 / 错误三种形态。
6. **提交**：本地 commit，**不 push**。写 summary 报告，追加一行全局日志，关掉所有服务。

第二天早上，我看到的不是一堆散乱的改动，而是一个干净的 PR 和一份结构化的战报。

### 防失控，比能干活更重要

AI 自主执行最怕的不是干不了活，是失控地干活。所以那份文档里，围栏写得比流程还细：

- **改动白名单**：只能动 `tests/` 和指定业务目录。diff 里出现白名单外的文件，退出码 5，中止本轮。
- **重试上限**：单个用例修两次还失败？回滚相关改动，跳过本轮 commit。新测试连续 3 次失败？整轮放弃。
- **时间预算**：120 分钟软上限，超时放弃。宁可白干一晚，不许硬扛到天亮。
- **六种 ALERT 退出码**，每种对应一类"需要人类介入"的状态，每轮必落盘 summary。
- **最重要的一条：不 push。** 夜间 AI 的产出以 PR 形式存在，合并按钮在我手里。**AI 没有最终写权限。**

### 七周战果

这套机制跑了七周，30 轮值守、累计 61 个 commit 直接落进主干。三个真实收获：

**抓到一个用户永远报不出来的 bug。** 实况照片解析里，Apple 分支用大写 `.HEIC`/`.MOV` 做大小写敏感的替换，而 `is_supported` 判断是大小写不敏感的。Windows 上一切正常；NAS/Linux 同步后文件名归一为小写，实况图配对逻辑里的 `cid1 == cid2` 永不成立——**Apple 实况图配对成功率 0%**。这个 bug 的触发条件是"大小写不敏感文件系统 + 同步归一化"，用户报不出来，盲区测试覆盖之前我也不知道。是夜间值守在给实况图模块补测试时，顺手挖出来修掉的。

**还清了一笔挂了五轮的技术债。** 有一条测试挂起问题连续五轮值守都没解决，某轮值守追根因，发现是一个 `asyncio.create_task` 的补丁没有 close 传入的 coroutine，三组未 await 的协程把事件循环卡死了——五轮悬案的部分根因就此定位修掉。

**自动跟上重构节奏。** 某次主线重构改了 `select_model` 的返回类型，第二轮值守就发现旧测试断言没跟上，读源码确认属于 A 类，自动适配了新旧两种返回形态。

这些活的共同点：**枯燥、机械、需要耐心和全局视野，但不需要顶尖智力。** 所以夜间值守全程用便宜的中端模型跑，旗舰模型只在白天写新功能时上。每轮 5–10 个模块，一晚一晚跑下来，覆盖率是复利式上涨的——七周，后端核心模块基本覆盖完。

白天的 AI 造债，夜里的 AI 还债，而决定造不造的始终是我。

## 六、成本账

- **CI**：每个 PR 全量约 30 分钟（六个 job 并行），在 GitHub Actions 免费额度内。
- **夜间值守**：便宜模型 + 120 分钟软上限（超时自动放弃），一晚成本几块人民币以内。
- **我的时间**：每天花 15–30 分钟 review 两个 PR——一个是功能开发的，一个是夜间值守的。这是我每天唯一固定花在"质量"上的时间。

## 七、如果你也想复制这套体系

1. **先有 CI，再有 AI。** 哪怕只有一个测试文件、一条 lint，也要让"AI 声称完成"和"客观验证"之间隔一道机器关卡。
2. **本地与 CI 同一脚本。** 消灭两个环境，就消灭了"我本地是好的"。
3. **分层止损**：秒级单测挡 80% 的问题，分档 E2E 兜底，marker 让失败信号能定位到模块。
4. **把还债写成 AI 可执行的文档。** 每个决策预先写死，AI 不需要问你任何问题——你的犹豫，就是 AI 的幻觉空间。
5. **围栏比能力重要**：改动白名单、重试上限、时间预算、ALERT 退出码，四件套齐了再让 AI 自主跑。
6. **AI 只 commit，人 merge。** 最终把关权永远在你手里。

## 八、写在最后

以前独立开发者死于带宽：一个人一天只有十几个小时。现在带宽被 AI 买断了，新瓶颈变成了判断力：你得知道 AI 做得对不对。

我的答案是把"知道对不对"这件事也尽量交给机器——CI 判断每次提交，测试锁住每个功能，夜里的 AI 检查白天的 AI。而我负责的，是那个最不可替代的角色：决定做什么，以及每天早上按下 merge 键之前，认真读完那几行 diff。


独立开发者 vibecoding 实录：15 万行代码，我怎么防止 AI 把旧功能改坏

手机里的照片越来越多。
有时翻到一张雪山、一片草原，或者某座城市的夜景，第一反应是：“这里真漂亮。”
再过几秒，却怎么也想不起它具体拍在哪里、是哪一次旅行，又和谁一起去过。
照片明明记录了我们的生活，最后却常常只是安静地躺在相册里。
于是，我产生了一个想法：
**能不能把照片放回它们拍摄的地方，让每一段旅程重新出现在地图上？**
我让AI，把这个想法做成了一个真实可用的功能——照片地图拼图
就是我正在开发的 AI 相册工具「行影集」。

---

## 当照片铺满地图，旅行突然有了形状

和普通地图上的定位点不同，照片地图拼图会读取照片的位置信息，把照片填充到对应的地图轮廓中。

当几百张照片共同组成一幅中国地图时，原本分散在相册里的风景、人物和故事，第一次产生了一种特别的联系。


![image.png](/static/img/87b7cf7a81d26c3dfea87bd23b8ae28c.image.webp)

地图上的每一小格，都是一张真实拍摄过的照片。

西北的雪山和荒漠、南方的湖泊与花海、沿海城市的夜景，还有旅途中偶然拍下的人和动物，都被重新放回了它们所属的位置。

这不再只是一张地图。

它更像是一幅由个人经历拼成的旅行版图。

地图上被照片填满的地方，是曾经抵达过的远方；那些仍然空白的区域，也变成了以后想去看一看的目的地。

---

## 从全国地图，一层层走进旅行记忆

除了查看全国照片拼图，还可以继续进入某个省份，看看自己在那里留下过哪些照片。

例如进入新疆后，地图会切换为新疆维吾尔自治区的轮廓。


![image.png](/static/img/d9c0cfcbb51527e2c921562fa77e8c20.image.webp)

雪山、湖泊、森林、草原和冬季风景，被一起填入新疆地图。

相比在普通相册中按照时间一张张翻看，这种方式带来的感受很不一样。

以前看到的是零散的照片，现在看到的却是：

**“原来我关于新疆的记忆，是这些颜色组成的。”**

进入内蒙古，画面又变成了另一种风格。


![image.png](/static/img/939bca78ae120d89a9ca1743f659e0e2.image.webp)

草原、羊群、河流、雪山和公路沿着狭长的地图轮廓展开。不同时间、不同地点拍摄的照片，因为地理位置被重新组织到了一起。

再进入甘肃，丹霞、长城、戈壁、雪山和古建筑又构成了完全不同的画面。


![image.png](/static/img/ec57c8931bdd79e3d9418360e1cd8bfb.image.webp)

每个省份都有自己的轮廓，也有属于自己的旅行色彩。

照片不再只按照“某年某月”排列，而是开始按照“我在哪里生活过、旅行过”重新讲述故事。

---

## 它不只是把照片随机塞进地图

为了让拼图尽量好看，也为了让真正重要的照片更容易被看见，我给它加入了一些可以调整的规则。

### 1. 自由调整拼图精细度

可以通过滑块控制照片格子的大小。

格子越小，能够放入的照片越多，适合生成信息丰富的全国旅行地图；格子越大，单张照片会更加清晰，适合查看某个省份的照片拼图。

如果当前照片数量不足，系统也会自动调整格子，尽量减少重复使用同一张照片。

### 2. 优先展示更有回忆价值的照片

相册中的照片并不都同样重要。

有些是认真拍下的风景，有些是珍贵的合影，也有一些可能只是随手截图或临时保存的图片。

因此，在选择照片时，可以优先使用更有回忆价值的内容。经过 AI 分析的照片会参与排序，还没有完成分析的照片也可以自动排到后面。

我希望最终出现在地图上的，不只是“位置正确”的照片，也是那些真正值得再次看见的瞬间。

### 3. 随时换一批照片

同一个地方可能拍过几十甚至上百张照片，而地图能够展示的数量有限。

点击“换一批照片”，就能重新生成一种组合。

同一张地图，每次都可能出现不同的风景，也像是在用另一种方式重新翻阅自己的相册。

### 4. 按时间和行政区域查看

除了全国和省份地图，还可以根据时间范围以及区县、城市、省份等层级筛选照片。

以后我也希望继续完善这套体验，让地图不仅能够展示“去过哪里”，还能够讲清楚“什么时候去的”“走过怎样的路线”以及“这段旅程发生了什么”。

---

## 为什么想做这个功能？

做「行影集」的过程中，我一直在思考一个问题：

**当我们拥有几万张照片以后，相册还能为我们做些什么？**

传统相册解决的是“保存”和“查看”。

但照片数量越来越多以后，我们真正缺少的可能不是存储空间，而是一种重新理解这些照片的方式。

按照时间排列，我们能看到生活的变化。

按照人物整理，我们能看到彼此的陪伴。

按照地点重新组织，则能看到自己曾经走过的世界。

照片地图拼图，就是我对这个问题的一次尝试。

我希望相册不只是一个文件仓库，也能成为一个帮助我们整理经历、发现回忆的工具。

---

## 一个不会写完所有代码的人，也能把想法做出来

这个功能还有一层对我来说很特别的意义：它是我通过 AI Vibe Coding 完成的。

所谓 Vibe Coding，简单来说，就是先把脑海中的效果、交互和需求描述给 AI，再和 AI 一起不断修改代码、解决问题、调整细节。

当然，它并不是对 AI 说一句“帮我做个地图拼图”，功能就会自动完成。

真正做起来，仍然会遇到很多具体问题：

* 怎样把不规则的地图轮廓切分成照片格子；
* 怎样判断一个格子是否落在地图内部；
* 如何在格子大小和照片清晰度之间取得平衡；
* 怎样避免某几张照片被反复使用；
* 如何处理照片数量不足的情况；
* 如何让全国地图和省份地图保持一致的交互体验；
* 如何在大量照片参与计算时保证页面流畅。

AI 可以快速给出思路和代码，但最后呈现什么效果、应该保留哪些功能、哪里需要推翻重做，仍然需要开发者自己判断。

对我而言，Vibe Coding 最大的价值，是缩短了“我有一个想法”和“我真的把它做出来了”之间的距离。

很多以前因为工作量太大而只能停留在脑海中的功能，现在终于有机会变成可以点击、可以体验的产品。

---

## 想邀请你也来试试看

目前，照片地图拼图已经可以生成全国地图，也可以继续查看不同省份的照片拼图。

如果你的相册里保存了许多旅行照片，欢迎用它生成一张属于自己的“旅行中国地图”。

也许你会发现：

原来这些年，自己已经去过这么多地方；

原来一些快要忘记的旅程，一直藏在某张照片里；

原来照片不仅能记录一个瞬间，也能共同拼成我们走过的路。

**体验地址：**  https://demo.siyuan.ink （推荐使用电脑打开）


我用 AI 做了一个「照片版中国地图」：去过的地方，终于有了形状

昨天，我把 TrailSnap 的 SKILL 接入了我的养的龙虾。

那天晚上，我随口说了一句：「帮我看看去年国庆节期间我去了哪些地方。」

三十秒后，它给我返回了一个页面。

不是照片的简单罗列，而是一篇手账风格的 HTML 页面，按时间顺序排列，配上了 AI 写的文字。

- 10 月 1 日 下午，拙政园·白墙黛瓦，倒影里的建筑比岸边更稳当些；
- 10 月 2 日 傍晚，呈坎·灯笼夜·烟花国庆，夜色被烟火烫出了人间的颜色。
- 10 月 6 日 清晨， 舟山·跨海大桥·日出，连大桥都忍不住把脸藏进云里陪它看人间。


我盯着那张照片看了很久。

那张照片我从来没发过朋友圈，甚至当时拍完就忘了。但 AI 记得。它从照片的 GPS 数据里读出了地点，从时间戳里读出了日期，然后告诉我：「这是你去年夏天最值得回忆的一组照片，memory_score 是 97。」

我不知道 97 分是怎么算出来的。但那一刻，我信了。


## 相册的「死」与「活」

我们拍太多照片了。

2024 年中国人均拍摄照片超过 1000 张，但大多数人——包括我——翻看相册的频率可能是一年一次。有些照片，我们再也不会看第二眼。

这不是照片的错。是我们找不到和它相处的方式。

我把照片存在 NAS 上，用 TrailSnap 管理，按地点、按人物、按时间分类。但分类解决的是「找到」的问题，不是「回忆」的问题。

真正让我重新「看到」那些照片的，是 AI。


## 那它是怎么做到的？

TrailSnap 自带一个命令行工具，叫 trailsnap-cli。

你在终端里敲：

```
trailsnap photos list --city 青岛市 --start-time 2025-06-01 --end-time 2025-06-30
```

它会返回那个月你在青岛拍的所有照片。

```
trailsnap locations timeline --level city
```

它会返回你去过哪些城市，按时间排列。

这就是关键：**照片变成了可查询的数据，而不只是文件名。**

我给 AI 写了一份 SKILL——本质上就是一份「工具说明书」。告诉它这个 CLI 怎么用、查什么、返回什么格式。

然后 AI 就能读懂你的相册了。

## 它能做什么？

### 🌍 旅行日记

「帮我生成今年夏天的旅行日记」—— AI 自动整理旅途中所有照片，按时间地点排序，生成一篇精美的手账风格页面。比手工做的精美十倍，而且只花了三分钟。

### 📅 时光机

「去年今天我在干什么？」—— AI 查询一年前的照片，告诉你那天的故事。有些你以为忘记的事，AI 替你记着。

### 👨‍👩‍👧 家庭回忆

「找出所有有我外婆的照片」—— AI 识别人物，聚合所有相关照片，可以生成分享页，留给家人。

### 🔍 照片整理

「帮我看看哪些照片可能拍糊了」—— AI 查质量评分，帮你发现废片。「找出我重复保存的照片」—— 释放存储空间。

## 怎么做到的（技术角度）

整件事分三层：

**第一层：trailsnap-cli**
命令行工具，负责和 TrailSnap 后端交互。安装方式：

```
# pip
pip install trailsnap-cli

# npm
npm install -g trailsnap-cli
```

配置 API 地址和 Token 后即可使用。

**第二层：SKILL**
SKILL 是 OpenClaw 平台的工具描述协议。写一份 SKILL，相当于告诉 AI：「这个工具能做什么，怎么用它，返回什么。」有了 SKILL，AI 不需要懂 API，只要会「说话」就行。

**第三层：AI Agent**
AI Agent 读取 SKILL，理解用户意图，构造 CLI 命令，解析返回的数据，最后生成用户需要的内容——一篇日记、一张照片集锦、或者回答一个问题。

```
用户 → AI Agent → SKILL → trailsnap-cli → TrailSnap API → 相册数据
                                           ↑ JSON 数据
用户 ← AI Agent ← 组装内容 ←──────────────┘
```

整个过程，你的照片始终在自己的 NAS 上，不经过任何第三方服务器。

## 试试看？

**第一步**：安装 trailsnap-cli

```bash
pip install trailsnap-cli
```

**第二步**：在 TrailSnap 中获取 API Token（设置 → API Token）

**第三步**：配置 CLI

```bash
trailsnap config set --url http://你的NAS地址:端口 --token 你的Token
```

**第四步**：验证连接

```bash
trailsnap photos list --limit 5
```

**第五步**：给你的 AI Agent 配上 trailsnap-cli SKILL，然后开始对话。

**当然你也可以让你的AI帮你安装**

请将以下提示词复制给你的AI Agent（OpenClaw、Claude Code、Cursor、MaxClaw、AutoClaw、KimiClaw、TRAE、OpenCode等）, 它会引导你添加token并完成安装：

```text
帮我安装 trailsnap-cli 和 skill：https://trailsnap.cn/install.md
我的api url 是 http://localhost:8000
我的token 是 ts_hV5nsCZxxxxx
```

相册是一个极其私人、极其丰富、但长期沉睡的数据源。我们习惯了「拍完就存着」，相册变成了一座数字废墟。

但相册本质上记录的是**你曾经在哪里、和谁在一起、关心什么、经历了什么**。

现在，AI 帮你找到了，还帮你讲出来。

**试试 TrailSnap：**
- GitHub：https://github.com/LC044/TrailSnap
- 官网：https://trailsnap.cn/

---

*你有什么一直想找回的回忆吗？试试看，也许 AI 比你更记得。*


相册·SKILL，把你的相册接入OpenClaw，一句话生成旅游日记

不知道你有没有这样的困扰？

NAS里存满了这些年拍的照片，从家人的笑脸到旅行的风景，从孩子的成长瞬间到偶然捕捉的日常碎片。可它们就像被遗忘在角落的旧日记，静静躺在硬盘里，除了占用存储空间，再也没有被翻开过。

我也是如此，4万多张照片，堆在NAS里数年，偶尔想找一张特定的照片，翻半天也找不到；更别说筛选出好看又有意义的瞬间，好好重温那些被忽略的时光。

于是我在本地部署了Qwen3.5-4B模型，用AI分析相册，成为我的“私人相册管家”，让这些沉睡的记忆，重新变得鲜活起来。

## 不止是分析，更是“私人相册管家”

### 1. 照片全方位体检：AI自动“读懂”每一张照片

相册部署完成后，只需关联NAS或本地照片文件夹，AI就会自动批量分析每一张照片，每一张照片都会生成6项核心反馈：

1. **详细内容描述**：用80-200字的中文，精准还原照片里的场景，哪怕是角落的小细节也不会遗漏，比如“画面中是客厅场景，左侧有一个米色沙发，上面放着一只灰色猫咪，猫咪正蜷缩着睡觉，背景墙上挂着一幅风景挂画，光线柔和”；
2. **多标签分类**：自动给照片打上标签，比如人物、家庭、旅行、美食、宠物等，一张照片可对应多个类型，后续检索更高效；
3. **回忆价值评分**：0-100分，根据照片的故事性、稀缺性、人物互动等维度打分，区分哪些是值得珍藏的瞬间，哪些是无关紧要的随手拍；
4. **美观程度评分**：同样0-100分，只看视觉效果——构图、光线、清晰度、色彩，不被照片主题“绑架”，好看就是好看，避免“孩子的照片再丑也舍不得删”的困扰；
5. **评分理由**：不超过40字，直白说明打分依据，清晰易懂，比如“有家人合影，情绪饱满，画质清晰，回忆价值高”；
6. **电子相框旁白**：一句8-24字的短句，不复述画面，只传递画面之外的情绪和余味，适配电子相框展示，比如猫咪睡觉的旁白是“蜷成一团，连呼吸都很轻”。

> 提示词来自：https://github.com/dai-hongtao/InkTime

### 2. 那年今日：自动唤醒当日回忆，不用刻意翻找


![](https://blog.siyuan.ink/static/img/f811e803accb19fac75d25aee85d6fef.b9c6733fd2043b5fd7c908099c5e1ec5.webp)

这是我最常用的功能，也是最能带来惊喜的功能。AI相册会自动筛选出往年今天拍摄的照片，再根据回忆价值评分排序，优先展示得分高、值得重温的瞬间，相当于每天都有一份“回忆惊喜”。

比如今天打开相册，AI会推出去年今日和朋友去海边的合照、前年今日孩子第一次自己吃饭的瞬间，甚至是三年前今日随手拍的晚霞。不用刻意去翻，那些被遗忘的时光，会主动出现在眼前。

更贴心的是，每一张推送的照片，都配有AI生成的电子相框旁白，没有煽情，却满是细碎的温暖，比如海边合照的旁白是“风里都是咸咸的笑声”，孩子吃饭的旁白是“米粒沾在嘴角也很可爱”。


### 3. 智能断舍离：一键清理低价值照片，释放NAS空间

4万张照片里，难免有很多“无效记录”——随手拍的杂物、模糊的残影、账单收据的照片、带网络水印的截图……这些照片不仅占用NAS空间，还会干扰正常的照片检索。

而我的AI相册会根据回忆价值评分，自动标记出得分在40分以下的低价值照片，尤其是那些必须压到25分以下的无效照片，会单独分类，点击“一键清理”就能删除，不用手动一张一张筛选。

这一波操作下来，我直接清理掉了近1万张无效照片，NAS的存储空间瞬间充裕，后续找照片也变得更高效，再也不用在一堆“垃圾照片”里翻来翻去。

### 4. 精准检索：按标签、评分快速找图，告别翻找烦恼

AI生成的标签和评分，不止是用来筛选，还能实现精准检索。相册内置检索功能，直接输入关键词，比如“旅行+风景”“猫咪+日常”，或者设置筛选条件“美观分80分以上”“回忆分90分以上”，AI就能快速筛选出所有符合条件的照片，不用再手动分类、逐个查找。

对于有孩子、宠物的家庭来说，这个功能更是实用——AI会自动给孩子、猫咪相关的照片大幅提高回忆价值评分，单独筛选出来，轻松就能翻看孩子的成长轨迹、宠物的可爱瞬间。

## 最省心的一步：Docker一键部署，普通人也能上手

很多人听到“AI相册”“模型部署”，都会觉得复杂难操作，担心自己搞不定。但我已经把所有环境都封装完毕，支持Docker一键部署，全程不用懂代码、不用折腾依赖，具体步骤简单到离谱，新手也能轻松搞定，提前做好这两点准备即可：

1. **准备工作**：确保你的NAS或本地电脑已经安装了Docker（若未安装，网上搜索对应系统的安装教程，5分钟就能完成）；
2. **硬件要求**：准备一块显存大于8G的显卡，用于部署Qwen3.5-4B模型（可通过ollama一键安装，操作更便捷）。

做好准备后，只需三步，就能完成部署，具体操作如下：

### 第一步：准备docker-compose.yaml文件

创建一个文件夹，在文件夹内新建docker-compose.yaml文件，复制粘贴以下内容（注意修改照片目录路径）：

```yml
version: '3.8'

services:
  postgres:
    image: pgvector/pgvector:pg18-trixie
    container_name: postgres_container
    restart: always
    environment:
      POSTGRES_DB: trailsnap
      POSTGRES_USER: trailsnap
      POSTGRES_PASSWORD: trailsnap
      POSTGRES_INITDB_ARGS: "--encoding=UTF8 --lc-collate=C --lc-ctype=C"
      PGDATA: /var/lib/postgresql/data/pgdata
    networks: [ app-network ]
    ports:
      - "5532:5432"
    volumes:
      - ./pg_data:/var/lib/postgresql/data
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U trailsnap -d trailsnap -p 5432"]
      interval: 5s
      timeout: 5s
      retries: 5
      start_period: 10s

  server:
    image: siyuan044/trailsnap-server:latest
    restart: always
    expose: [ "8000" ]
    ports: [ "8800:8000" ]
    networks: [ app-network ]
    volumes:
      - ./data:/app/data
      - /path/to/your/photos:/app/Photos/  # 请修改为你的照片目录路径
    environment:
      - DB_URL=postgresql://trailsnap:trailsnap@postgres:5432/trailsnap
      - RAILWAY_DB_URL=postgresql://trailsnap:trailsnap@postgres:5432/railway
      - AI_API_URL=http://ai:8001
    depends_on:
      postgres:
        condition: service_healthy
        restart: true

  ai:
    image: siyuan044/trailsnap-ai:latest
    restart: always
    expose: [ "8001" ]
    ports: [ "8801:8001" ]
    networks: [ app-network ]
    volumes:
      - ./data:/app/data
    
  frontend:
    image: siyuan044/trailsnap-frontend:latest
    restart: always
    ports: [ "8082:80" ]
    depends_on: [ server ]
    networks: [ app-network ]

networks:
  app-network:
    driver: bridge
```

### 第二步：启动服务

打开终端，切换到docker-compose.yml文件所在的目录，执行以下命令，即可启动服务：

```yml
docker-compose up -d
```

### 第三步：访问相册

服务启动后，打开浏览器，输入地址 `http://localhost:8082`，就能进入AI相册界面。

### 第四步：完成基础配置

进入界面后，打开设置页面，配置外部图库路径和AI大模型API地址，即可正常使用所有功能。具体配置细节可参考官方文档：[https://trailsnap.cn/docs/guide/settings/aisetting.html](https://trailsnap.cn/docs/guide/settings/aisetting.html)

很多人觉得“AI相册”“模型部署”很复杂，担心自己不会操作，但我已经把所有环境都封装好了，用Docker一键部署，全程不用懂代码、不用配置依赖，具体步骤简单到离谱（新手也能轻松搞定）：

1. 准备工作：确保你的NAS或本地电脑已经安装了Docker（如果没安装，网上搜对应系统的安装教程，5分钟就能搞定）；
2. 下载镜像：执行一条拉取命令，获取AI相册的Docker镜像（镜像体积不大，下载速度很快）；
3. 一键启动：执行启动命令，设置好照片文件夹的挂载路径（关联你的NAS照片目录），等待3-5分钟，AI相册就部署完成了；
4. 开始使用：打开浏览器，输入对应地址，就能进入AI相册界面，关联照片后，AI会自动开始分析，全程不用手动干预。

全程没有复杂操作，哪怕是不懂技术的新手，跟着步骤走，也能在10分钟内完成部署，真正实现“零门槛上手”。

## 让技术，温柔守护每一份回忆

其实我们拍照片，从来都不是为了“存着”，而是为了“记住”——记住家人的笑脸，记住旅行的惊喜，记住那些平凡日子里的小美好。但太多时候，照片存得越多，反而越难被想起，最后只能在硬盘里默默沉睡，渐渐被遗忘。

我做这个AI相册的初衷，就是想让这些沉睡的回忆重新发光。不用复杂的操作，不用专业的技术功底，普通人也能通过AI，轻松打理自己的相册，唤醒那些被忽略的珍贵瞬间。

于我而言，4万张照片从沉睡到重现，让我重新发现：那些被我们忽略的瞬间，那些看似平凡的日常，其实都是值得用心珍藏的宝藏。

如果你也有一堆沉睡在NAS或硬盘里的照片，不妨试试这个AI相册。Docker一键部署，所有功能一步到位，让AI帮你解锁这些被遗忘的回忆，让每一张照片，都能重新被看见、被铭记，让每一份美好，都不被辜负。

其实我们拍照片，从来都不是为了“存着”，而是为了“记住”——记住家人的笑脸，记住旅行的惊喜，记住那些平凡日子里的小美好。但太多时候，照片存得越多，反而越难被想起，最后只能在硬盘里默默沉睡。

我做这个AI相册的初衷，就是想让这些沉睡的回忆重新发光，不用复杂的操作，不用专业的技术，普通人也能通过AI，轻松打理自己的相册，唤醒那些被忽略的瞬间。

4万张照片，从沉睡到重现，我才发现：那些被我们忽略的瞬间，那些看似平凡的日常，其实都是值得珍藏的宝藏。

如果你也有一堆沉睡在NAS或硬盘里的照片，不妨试试这个AI相册，Docker一键部署，所有功能一步到位，让AI帮你解锁这些被遗忘的回忆，让每一张照片，都能重新被看见、被铭记。

后续我会把部署命令和详细步骤整理出来，需要的朋友可以关注，后续持续更新～

## 相关链接

- 软件官网：https://trailsnap.cn
- GitHub地址：https://github.com/LC044/TrailSnap

我用Qwen3.5分析了4万张照片，用AI让沉睡的记忆重现

👨🏻‍💻这是一个充满知识💬的链接，快点进来看看你的好友给你分享了什么干货吧❣️