用 cProfile 找热点​

import cProfile, pstats, io

pr = cProfile.Profile()
pr.enable()
# ... 业务代码 ...
pr.disable()

s = io.StringIO()
pstats.Stats(pr, stream=s).sort_stats("cumulative").print_stats(30)
print(s.getvalue())

表头

ncalls  tottime  percall  cumtime  percall filename:lineno(function)

分别表示：函数调用次数，函数自身消耗时间，平均每次调用函数自身耗时，函数从进入到退出耗时，平均每次调用耗时，函数所在文件行号与函数名。

跑了一下，性能瓶颈主要有：样式复制、工作表读取。

性能优化​

样式复制优化​

之前跨工作簿复制样式时，是采用逐属性深拷贝的方式，这样非常消耗性能。更好的做法是：先把样式注册到工作簿，然后设置样式。

def register_style_to_wb(src_cell, dst_wb):
    """把 src 的样式注册到 dst wb，返回 dst wb 内的 StyleArray。"""
    # ...

template_styles = [
    register_style_to_wb(template_ws.cell(row=3, column=c), out_wb) for c in range(1, N_COLS + 1)
]
# ...
out_ws.cell(row=out_r, column=c)._style = template_styles[c - 1]

只读取需要的Sheet​

用户上传的Excel文件有一些程序处理时并不需要的Sheet，但openpyxl会解析所有Sheet。可以给load_workbook加个only_sheets参数，只加载需要的Sheet。

# openpyxl/reader/excel.py
def load_workbook(filename, ..., only_sheets=None):
    # ...

屏蔽透视表​

openpyxl的WorkbookParser.pivot_caches是个@property，每次访问都会触发全部透视表解析。但是我们的场景用不上不需要透视表，因此直接屏蔽即可。

# openpyxl/reader/workbook.py
@property
def pivot_caches(self):
    # ...

启用 lxml 后端​

openpyxl默认用Python标准库的xml.etree.ElementTree写 XML。安装lxml后，只需设一个环境变量就切到lxml后端，写入速度会有一些提升：

import os
os.environ.setdefault("OPENPYXL_LXML", "True")   # 必须在 import openpyxl 之前
import openpyxl

修复非规范属性BUG​

由Excel/WPS生成的Excel文件有时会有一些不符合OOXML规范里的格式属性，如：defaultColWidthPt，这将会导致openpyxl解析出错：

TypeError: SheetFormatProperties.__init__() got an unexpected keyword argument 'defaultColWidthPt'

这个问题长期存在，openpyxl应该并不打算修复。解决方案就是在SheetFormatProperties里显式接受这些字段：

# openpyxl/worksheet/dimensions.py、
class SheetFormatProperties(Serialisable):
    # ...
    defaultColWidthPt = Float(allow_none=True)   # 新增

补丁​

直接修改openpyxl源码不太好，因为配环境时还需要替换openpyxl的源文件，且不利于库的升级。所以，可以对openpyxl进行patch，我做了一份供参考：

openpyxl补丁

使用时，只需要import一下就会应用patch了。

最后，对比下优化前后的执行效果：

静态博客维护起来有点麻烦，尤其是对于图片的处理。之前为了处理博客里的图片，用Shell脚本写过工具，用Python写过，用Go写过，涉及图片上传到图床、图片压缩等。换来换去，现在基本不用图床了，图片直接和Markdown文件放一起，便于管理。由于我的网站用的国外的服务，访问速度不快，所以我会把图片进行压缩，这样页面加载起来可以快一点。考虑到avif格式图片压缩率比较高，现在我网站的图片基本都用avif格式了。一直以来，我都是用自己写的命令行工具去进行图片的处理的，勉强够用。

除了图片，我还会让AI给我生成博客的slug，这样URL的观感会好一些。最近体验了下DeepSeek Harness，我突然想用它来给我做个个人网站工具网站，这样能方便一些。

用DSH写工具​

说干就干，我先简单调研了下，因为Docusaurus是基于NodeJS的，所以我想用纯NodeJS做，不想用Python、Go之类的后端语言，于是用NestJS+Vue这样的技术栈。

我整理了下我的需求，写了2000多字的提示词，然后喂给DeepSeek。它自动启用goal模式，并列出任务清单执行，还自动构建、测试。

DeepSeek运行了足足有半个多小时，Token花了我大概6元。不过，初次执行的产物就已经可以直接运行了，功能上没有很大的问题，后续再微调下就行。

由于前后端都是使用的NodeJS，所以启动起来非常简单，只需要cd到项目的目录，然后运行：

npm run dev

就行了。反正我是自己用，就不用构建了，直接dev模式就行。

下面介绍下我给我的网站做的工具网站，在本地运行，功能有：Wiz转博客、图片管理、工具箱。

Wiz转博客​

我习惯先在为知笔记里写，然后用为知笔记导出Markdown。但是，要发布到博客需要经过一些处理，例如：添加front matter、处理图片等。整个过程有多个步骤，但是用工具的话，都可以帮我处理：

在处理元数据这步，会调用大模型生成标签和slug（就是图里的文件名，我将文件名作为slug）。还会自动确定合适的阅读更多插入的位置，这个是用的一套基于元素高度计算的算法确定的，而不是大模型，因为大模型不擅长这个，加上这个就变得很慢了。

在处理图片这步，会调用ffmpeg来对图片进行压缩。ffmpeg可不止是可以转换视频格式，也可以转换图片格式，功能超级强。在这里可以看到压缩前后大小对比，还可以设置缩放和CRF。这样比起我之前使用命令行工具一次性处理要精细化很多。

图片管理​

图片管理可以看每篇博客或笔记关联的图片，然后也可以对这些图片进行处理，同样也可以设置缩放和CRF。还可以检测冗余图片、检测图片坏链，保障图片不多不少。

工具箱​

至于工具箱，我暂时就想到一个打包网站的功能，这样我可以备份网站。可以看到，虽然网站上有上百篇博客，但整体大小只有5.84MB，在手机随便拍张照片就有几MB的今天，这个整体大小有点微不足道了。

一些感慨​

AI的写代码能力如今已经变得很强大了，用AI写一些小工具非常便捷。AI的出现对程序员也产生了深远的影响，一方面提升了效率，另一方面也取代了一部分工作。我们无法阻止AI的潮流，只有顺应AI前进的步伐。

不过，Docusaurus 的归档页有个让我这个强迫症很难受的地方，归档页的标题和副标题都是“历史博文”，显得很累赘。我想把副标题改为博文计数，经过一番折腾，终于做到了，效果如下：

实现​

我第一反应是加个自定义的 js，通过修改 DOM 实现，但是不太可行，因为 Docusaurus 是 SPA，从首页点进归档页时，走React Router 客户端路由，不会发起浏览器GET请求去下载新的HTML文件，脚本并不会执行。思来想去，还是打算用正经的方法实现，也更优雅点。

swizzle​

Docusaurus 要做定制，就涉及 swizzle 了。这是官方文档介绍：Swizzling | Docusaurus

简单来说，Swizzling 就是允许你用自己的代码替换掉主题自带的 React 组件，从而实现比改 CSS 更深入的定制 —— 不只改外观，而是直接改组件的行为和结构。Swizzling 有两种模式：

• Eject: 把原始组件复制一份，完全重写
• Wrap: 在原始组件外面套一层包装组件，只做增强

执行

npm run swizzle

可进入交互式选择界面。博客归档页是BlogArchivePage ，归档页标题相关的原始代码：

return (
<>
    <PageMetadata title={title} description={description} />
    <Layout>
    <header className="hero hero--primary">
        <div className="container">
        <Heading as="h1" className="hero__title">
            {title}
        </Heading>
        <p className="hero__subtitle">{description}</p>
        </div>
    </header>
    <main>{years.length > 0 && <YearsSection years={years} />}</main>
    </Layout>
</>
);

我不想用Eject，但整个归档页又是一个整体，不好Wrap。毕竟我是要修改，不是在前后加内容。

useEffect​

useEffect 是 React 官方内置的 Hook，属于 React 运行时机制。在组件挂在时执行effect函数，在依赖里的值发生变化时重新执行effect，在组件卸载时执行effect return的清理函数。

所以，我依然使用Wrap，然后通过useEffect来修改DOM。

import React, { useEffect, useRef } from 'react';
import OriginalBlogArchive from '@theme-original/BlogArchivePage';

export default function BlogArchive(props) {
  const totalPosts = props.archive.blogPosts.length;

  useEffect(() => {
    const timer = setInterval(() => {
      const el = document.querySelector('p.hero__subtitle');
      if (el) {
        el.textContent = `已经写了 ${totalPosts} 篇`;
        clearInterval(timer);
      }
    }, 50);

    return () => {
      clearInterval(timer);
    };
  }, [totalPosts]);

  return <OriginalBlogArchive {...props} />;
}

尽管useEffect触发时React已经渲染，但React hydrate修补DOM可能还有一微小时差，所以用短轮询增加容错。

写在最后​

突然想看看我每年写了多少篇，于是让AI统计了下：

写得不多，不过好在勉强算坚持下来了。从最初自学计算机，那时写的很少；然后读研期间比较活跃，一年最多写了30篇；后面工作了，篇数就明显减少。有很多时候有计划写，但因为各种原因耽搁了，不过工作后写的质量还是要稍微高一些的。但愿后面可以多抽些时间，多写写，或许若干年后又会有不一样的感觉。

安装与启动​

全局安装：

npm install -g @deepseek-ai/dsh@latest

启动 Web 界面：

dsh web

装插件​

dsh 有很多插件，这里附上两个插件合集供参考：

• awesome-dsh-plugin
• 插件库 · dsh.plus

装插件之前先把 pnpm 装上，否则有些插件安装时会提示缺失 pnpm：

npm install -g pnpm

这里推荐一些我觉得还不错的插件。

dsh-better-sidebar​

侧边栏增强：omdsh-dev/DSH-better-sidebar

dsh plugin --profile web add dsh-better-sidebar@latest

不过第一次装的时候，构建脚本被 pnpm 默认拦截了，需要先手动 approve 一下构建，否则装不上：

Windows:

cd /d %UserProfile%\.dsh\profiles\web
pnpm approve-builds --all

macOS/Linux:

cd ~/.dsh/profiles/web && pnpm approve-builds --all

approve 完重新跑一遍上面的安装命令就可以了。后面遇到构建脚本被 pnpm 默认拦截了的问题都是这样处理。

dsh-web-ui-all​

界面增强全家桶：dsh-web-ui

dsh plugin --profile web add @linxin666/dsh-web-ui-all@latest

余额挂件​

顺手还装了个显示余额的小挂件：

dsh plugin --profile web add github:MeteorNOX/DeepSeek-Balance-Whale-Widget

桌面端​

Web 端用着挺方便，不过 Windows / macOS 上还有桌面版，用起来更顺手：deepseek-harness-desktop 。桌面版应用的名字是 DSH Desktop。

最后来张 dsh 的截图：

桌面端使用desktop的profile，所以前面我们使用web的profile安装的插件在桌面端就不显示了，可以在设置里切换到web的profile。

简单体验​

简单体验了下，和别的Agent工具的区别是，DeepSeek Harness更加开放，特别是轨迹功能：

界面上非常像浏览器的开发者工具，可以看到对话的细节，包括工具调用的细节，这样也便于审计。

不仅如此，DeepSeek Harness也很容易配置别的供应商，而其它Agent工具要么不能配置（例如AI办公类Agent工具），要么不方便配置，需要借助一些工具（例如使用 CC Switch 等工具进行切换）。

不过，由于现在还是开发者预览版，插件在短时间内井喷式发展，插件的兼容性稳定性等缺乏沉淀，在安装插件时可能遇到各种问题，这一定程度上也提高了DeepSeek Harness的使用门槛。

其实早在去年DeepSeek-R1开源那会儿，有朋友就和我聊可以本地部署大模型玩玩。不过那时我对本地部署不太感兴趣，虽然我知道可以用Ollama部署，但没有付诸实践，因为我觉得本地只能部署一些参数量很小的大模型，其能力较满血版差多了，直接用API调用简单又方便，何必费那个劲呢？

现在看来，这理由没错，但是也不全对。我当时可能不只是拒绝尝试本地部署这件事，而是变得不想折腾的感觉。毕竟工作比较忙，没多少时间折腾，渐渐地就开始用是否值得、有没有意义等理由来衡量一切，而与折腾的初心渐行渐远。

所以这篇博客，本来去年就可以有的，现在补上，既是技术记录，也是响应下喜欢折腾的初心。

Ollama​

Ollama官网：Ollama

Ollama安装比较简单，去Ollama官网下载安装包，安装时一路Next就行。Ollama会默认安装在C盘，如果要修改安装路径，要使用命令行安装：

OllamaSetup.exe /DIR=D:\AppData\Local\Programs\Ollama

Ollama默认把模型放在C盘，可以通过设置环境变量OLLAMA_MODELS 来设置Ollama模型的保存位置。

Ollama有自己的模型库：https://ollama.com/search，不过模型偏少。例如，运行个qwen3:4b 玩玩：

ollama run qwen3:4b

如果之前没有下载过，Ollama会先下载模型，然后运行。Ollama也有GUI工具可以使用，像Chat助手。图里因为我之前下载过，所以没有下载的过程。

Ollama默认会监听11434端口，验证：

C:\Users\jiang>netstat -ano | findstr 11434
  TCP    0.0.0.0:11434          0.0.0.0:0              LISTENING       77440

用LangChain本地调用下：

from langchain.chat_models import init_chat_model

if __name__ == '__main__':
    model = init_chat_model(
        model='ollama:qwen3:4b',
        base_url='http://localhost:11434',
    )
    print(model.invoke('什么是LangChain，100字以内').content)

输出如下：

LangChain是开源AI框架，用于构建应用，通过连接大模型与工具实现链式推理，支持多模态数据处理和智能决策。（58字）

llama.cpp​

Ollama的推理内核使用的是llama.cpp，但曾长期缺失llama.cpp的版权声明。而且考虑到llama.cpp的性能更好，也可以使用llama.cpp来本地部署大模型。

llama.cpp有CPU版和GPU版，从GitHub下载：Releases · ggml-org/llama.cpp。

因为我电脑有N卡，所以下载CUDA版，CUDA DLLs也需要下载。下载之后解压，CUDA DLLs解压后放到llama的目录。

然后就是下载模型了，一般在Hugging Face – The AI community building the future.上下载。不过那个网站很慢，所以可以使用镜像站。设置环境变量：

HF_ENDPOINT=https://hf-mirror.com

就可以在命令行或代码里使用镜像站了。

不过，有时这个镜像站依然还是很慢（唉，网络是国内开发者的痛）。可以看看模型库首页 · 魔搭社区，在HuggingFace上找的模型可以到魔搭社区（ModelScope）下载，例如：Qwen3.8-4B-Distill-GGUF · 模型库。

llama.cpp有cli：

llama-cli.exe -m models\Qwen3.8-4B-Q4_K_M.gguf -ngl all -c 4096 -b 2048 --flash-attn auto -t 8 --temp 0.6 --top-p 0.95 -cnv

llama.cpp也可以部署为服务：

llama-server.exe -m models\Qwen3.8-4B-Q4_K_M.gguf -ngl all -c 4096 -b 2048 --flash-attn auto -t 8 --host 0.0.0.0 --port 11434

用LangChain本地调用下：

from langchain.chat_models import init_chat_model

if __name__ == '__main__':
    model = init_chat_model(
        model='Qwen3.8-4B-Q4_K_M.gguf',
        base_url='http://localhost:11434/v1',
        model_provider='openai',
        api_key='xxx'  # 随便填个，不能为空
    )
    print(model.invoke('什么是LangChain，100字以内').content)

输出如下：

LangChain 是构建 LLM 应用的框架。它提供 Prompt、Memory、Tools 等模块，帮助开发者简化复杂工作流，构建具备推理、规划及工具调用能力的 AI 应用，降低开发门槛。

一些感慨​

折腾，本身就是意义。不是所有事都需要“有意义”才“值得”去做，有时，“想做”本身就是理由。

很长时间里，我都希望自己的博客内容“有含金量”，这导致我常常很久才憋一篇，有时想写又觉得没什么意义，然后随着工作忙就放弃了。现在很多人遇到问题就直接问AI了，搜索引擎也很少用了，我也是这样。在这种情况下，个人博客就更没什么人看了，我也不在意我的博客有多少人看了，那写博客就没什么意义了吗？

博客的意义，也许从来就不是让别人看到，而是让自己看见。

看见自己曾经折腾过什么，比如曾经为了本地部署大模型，折腾过Ollama，折腾过llama.cpp。我在折腾的过程中遇到的一些问题以及解决方案，也许会帮助到其他人。

所以，我觉得不必强求博客要“有含金量”，它更多的是一种记录，提醒自己保持对技术的热忱，保持对折腾的兴致。