新闻详情

新闻详情

首页 / 资讯中心 / 详情

用Kindel看微信读书(3)---KOreader安装微信读书插件

发布时间:2026/11/13 20:11:19来源:尧图网络
用Kindel看微信读书(3)---KOreader安装微信读书插件
阅读器KOreader的微信读书插件安装主要分三个步骤一是下载并安装微信插件二是Kindle微信读书登录认证三是使用KOreader阅读微信读书。一、下载并安装微信插件Kindle微信读书主流的插件有2个‌‌weread 插件‌和‌觅阅miyue插件‌本人使用的是weread插件。此处要提示一下KOreader版本必须 是2026年3月以后的之前的版本可能出现无法正常加载或使用微信读书插件在「工具」菜单中找不到「微信读书」。本人在用Kindel看微信读书2KOreader电子书篇中的资料上传的是 KOReader 2026年7月的版本可以直接使用。1. 前往 GitHub Releases 下载最新的 微信读书插件地址https://github.com/finlater/weread.koplugin/releases选择最新的压缩包具体微信读书插件下载链接不知道将来能不能用这是我下载时保存的链接。2.解压下载的安装包得到 weread.koplugin 文件夹。3. 将Kindle与计算机互联计算机发现 Kindle并显示磁盘大小将将压缩得到的文件夹weread.koplugin复制到 KOReader 的 plugins 目录 koreader/plugins/weread.koplugin/ 注意如果是直接解压缩文件夹是解压缩文件夹里的那个文件夹文件夹名称为weread.koplugin文件夹中包括4个文件夹5个文件不要错误的将直接解压的外层文件夹复制过去4. 重启 KOReader在菜单中找到工具 → 微信读书具体位置如图后续更新插件可在KOreader中 微信读书 → 设置 → 关于 → 检查更新 菜单中在线更新。二、Kindle微信读书登录认证wrread 插件只支持微信扫码登录。1. 打开手机端已登录的微信读书。2. 选择 我 → 设置 → 微信读书 Skill。3. 选择 获取 API Key会看到已经生成的个人 API Key。不要泄漏给本人以外的任何其他人4. 在 KOReader 打开 工具 → 微信读书 → 微信扫码登录。5. 使用微信扫码并在手机端确认若手机显示四位验证码请在 KOReader 中输入。三是使用KOreader阅读微信读书。Kindle启动后选择 图书馆→找到 KUAL并点击打开→KOReader→START Koreader向下滑拔屏幕在工具的第2页找到 微信读书显示已经登录 **** 此处为微信名称选择进入书架选择要阅读的书名开始阅读。至此使用kindle实现微信读书的主要任务已经完成kindle中微信读书还有很多功能这里不再赘述自行探索。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉