夜雨聆风翻了下 GitHub 的提交记录，8 月中下旬这十来天，我几乎每天都在往不同的仓库推代码，粗看很散：浏览器扩展、MCP 服务器、Go CLI、Python 性能优化。但串起来其实只有一条主线：
与其替 AI 写流程，不如给 AI 发趁手的工具。
具体就是五个项目，正好构成一个小闭环：AI 用 browser-bridge 看真实网页，用 mcp-coding 改代码；我用 ai-sessions 复盘 AI 干得怎么样，用 ai-models 挑该用哪个模型；最后所有输出交给 printable 打印得整整齐齐。
一、browser-bridge：把我的浏览器借给 AI
这个项目的深层成果是，知道了如何从外部和浏览器通信交互，不再让浏览器成为不可触碰的孤岛。
普通的爬虫：
没有登录态，每个站点都得想办法塞 cookie； 反爬一抓一个准，Cloudflare 盾页都过不去； 验证码只能干瞪眼。
换个思路呢？别造假浏览器，直接用我正在用的这个。 登录态天然就有，验证码我顺手点一下就行，指纹就是真人的指纹。
于是有了 browser-bridge，三层结构：
浏览器扩展：注入页面拿 DOM 快照，监听指令； Native Host：扩展和本机进程之间的桥，Chrome官方开的口子； MCP Server：对上暴露标准 MCP 协议，任何 MCP 客户端（Claude Code、Codex、curl）都能连。
AI 拿到的是 browser_snapshot / browser_click / browser_type / browser_extract 这样一组工具，操作的就是我眼前这个真实的浏览器标签页。
之前 Claude、Codex的浏览器扩展配合 App工作，估计也是这个原理，但是它不开放呀，只能它自己用。
设计里我最得意的是跟随模式：不指定目标时，AI 自动控制当前激活的标签页。我在哪个页面上，AI 就在哪个页面上，零配置。想让它去别的页，切过去就行——控制权和知情权始终在我手里。
两个省 token 的细节：
browser_extract 把正文抽出来转成 Markdown，读文章比全量 snapshot 便宜一个量级； 截图落到本地缓存目录返回路径，AI 按需再读，而不是每步都塞一张图进上下文。
为了便于其他可能感兴趣的用户，配置 Github CI 矩阵出各平台压缩包，用户解压跑一个 install-host.sh 就完事。目前 v0.1.2，开源在 GitHub。
二、mcp-coding：一次调用改十个文件
第二个项目解决的是另一个日常摩擦：AI 改代码太"碎"。
内置的编辑工具基本是"一次一处"，跨五个文件的重构就是五轮工具调用，五次往返、五次上下文膨胀。更难受的是失败恢复——改到第三个文件发现第一处匹配错了，前面已经落盘的怎么办？
mcp-coding 是我的答案：一个 MCP 服务器，只暴露一个工具 edit_files，吃一种自定义的行导向文本协议：
一个 patch 同时覆盖：删文件（!）、移动重命名（=>）、文本锚点（@）、行号跳转（:42）、删改块（-/+）、上下文消歧行（空格开头）、行内替换（~）、尾部追加（$ 后接 +）、新建并全文重写（*）。关键性质有三条：
原子性：整个 patch 先全部验证，任何一行匹配失败就整体拒绝、零修改，报错里带文件名、行号和当前内容； 模糊降级：auto 模式下精确匹配失败会依次尝试忽略尾空白、忽略首尾空白、Unicode 归一，降级了会明说，膨胀行直接拒绝； 歧义拒绝：锚点命中多处时不猜，列出所有候选行号让你消歧。
协议本身写了 ABNF 规范，配了单元、回归和 stdio 冒烟测试。现在我日常写代码就挂着它。
三、ai-sessions：随时查看 agent 对话历史
工具发出去之后，新问题来了：AI 用这些工具干活的完整过程，散落在各家客户端自己的存储里——Codex 是 sqlite，Claude 和 Qoder 是 JSONL，格式互不相通，出了问题根本没法回看。
ai-sessions 把它们统一解析掉：
最有用的其实是 token 统计：Claude/Qoder 从 usage 字段汇总，Codex 能算出缓存命中率。哪类任务烧钱、哪个 prompt 让 AI 绕了远路，数据说话。
四、ai-models：选模型不拍脑袋
复盘之后自然要选型。新模型层出不穷，榜单满天飞，但榜单和我实际的编程场景经常对不上。
ai-models 直接拉 OpenRouter 的实时数据，按编程评分（coding_index）筛：
-aa 选项还可以拉 artificialanalysis.ai 的评分交叉验证。选模型从"听说很强"变成"查一下再定"。
亮点是，我让 AI 设计了公式来计算总分，用于排名。其中有些常量，我用 ai-sessions 输出我的日常使用统计，喂给 AI 之后定出来的，也算更贴近真实使用情况。
这个命令的表格输出，使用了 go-column，和接下我要讲的 printable 共享了c底层实现。
五、printable：老项目焕发新春
前四个都是新项目，最后这个是个老朋友：printable，一个打印表格数据的 Python 库 + CLI（pip install printable），支持中英文混排对齐。
这周回头性能优化了一波。思路是把宽度计算和渲染下沉到 C，编成共享库：
[]byte |
5000×6 中英混合行，纯 Python 80ms，Go 走 C 实现只要 14ms。有意思的地方在于一份 C 实现喂三家人：Python 走 ctypes，Go 通过 cgo binding 复用同一个 .so，谁也不用重新实现一遍 UTF-8 宽度计算。
而不带线框的表格渲染使用的 linux 上的 column 命令底层实现 util-linux，借力打力。
打包也顺带清理了：wheel 里不再带 .c/.h 源码、输入走内存文件、为各个平台输出单独的更小体积的 wheel 包。现在 PyPI printable v0.5.0。
效果如下，
写在最后
回头看这五个项目，没有一个是"AI 应用"——没有 prompt 工程，没有 agent 框架，全是朴素的小工具。但它们共同回答了一个问题：怎么让 AI 在我的环境里干活更顺手？
它要看网页 → 给它 browser-bridge； 它要改代码 → 给它 mcp-coding； 我要检查它的活 → ai-sessions； 我要挑模型 → ai-models； 结果要给人看 → printable。
AI 的能力上限是模型厂商的事，我能做的是把它脚下的路铺平一点。工具配置对了，同样的模型干出的活就会不一样。