Auto-sync: 2026-04-23 04:02

wiki/sources/14个免费的ai图生视频工具-用ai让图片动起来-ai视频教程-ai自动化工作流定制服务-ai培训学习平台-黑喵大叔.md

@@ -0,0 +1,67 @@
+---
+title: "14个免费的AI图生视频工具，用AI让图片动起来"
+type: source
+tags: [ai, image-to-video, 视频生成]
+date: 2025-12-05
+---
+
+## Source File
+- [[AI/14个免费的AI图生视频工具，用AI让图片动起来 - AI视频教程  AI自动化工作流定制服务  AI培训学习平台  黑喵大叔]]
+
+## Summary（用中文描述）
+- 核心主题：14个免费AI图生视频工具盘点——用户上传静态图片，AI自动生成动态视频，降低视频创作门槛
+- 问题域：视频制作需要专业设备、技术和时间投入的痛点；普通创作者如何零门槛制作动态视频内容
+- 方法/机制：AI图生视频技术——通过上传静态图片，结合可选的文本提示词、运动模板、运镜参数等输入，由AI模型自动分析图像内容并生成连贯的动态视频片段
+- 结论/价值：2025年免费AI图生视频工具已高度成熟，涵盖中国厂商（阿里巴巴、智谱AI、快手MiniMax、字节跳动等）和国际厂商（Stability AI等），支持电商模特图、视频创作、广告制作等多种场景
+
+## Key Claims（用中文描述）
+- 14个免费AI图生视频工具覆盖从2秒到6秒的短视频生成，平均生成时间30秒至数分钟
+- 阿里巴巴（绘蛙、通义万相）、字节跳动（即梦AI）、快手（可灵AI）、智谱AI均已推出免费图生视频功能，国产工具在电商场景深度优化
+- 图生视频技术已支持多种运动控制方式：文本提示词、动作模板、运镜参数、尾帧参考，运动幅度可调节
+- 主体一致性（人物/物体在多段视频中保持一致）成为差异化竞争焦点，Vidu和海螺AI在此能力上领先
+- 部分工具（Viva、海螺AI）支持音效/背景音乐自动生成，实现声画同步的完整视频输出
+
+## Key Quotes
+> "只需几张图片，借助AI的力量，轻松生成富有动感和创意的视频作品，实现惊人的创造力和便捷性，为视频创作带来全新的变革与机遇。" — 文章引言
+> "在当今这个信息爆炸、视觉内容为王的时代，视频已成为人们传递信息、表达创意、娱乐消遣的首选方式之一。" — 文章背景
+
+## Key Concepts
+- [[AI图生视频]]：将静态图片通过AI模型自动转化为动态视频的技术，核心任务包括运动估计、时序生成、内容填充
+- [[主体一致性]]：多段视频中保持人物或物体视觉特征（面部、衣着、颜色）高度一致的技术能力，Vidu的"多主体参考"和海螺AI的"主体参考"均属此类
+- [[运镜控制]]：通过参数调整视频中摄像机的运动方式（如推进、拉远、倾斜、轨道等），决定视频的视觉动态感
+- [[首尾帧控制]]：以首帧图片和尾帧图片作为视频生成约束，AI自动填充中间帧，确保视频首尾画面符合预期
+- [[提示词控制]]：通过自然语言描述控制视频中主体的运动方式和场景变化，实现"所想即所见"
+
+## Key Entities
+- [[绘蛙AI视频]]：阿里巴巴集团推出的AI图生视频工具，专注电商模特图动态化，支持动作模板，图片要求600×800以上
+- [[智谱清影]]：智谱AI推出的视频生成工具，图生视频功能30秒生成6秒1440×960高清视频，自带CogSound音效生成
+- [[通义万相]]：阿里巴巴AI视频生成工具，支持文本提示词控制运动、任意比例裁剪、旋转和国风内容优化
+- [[Vidu]]：生数科技联合清华大学发布的中国首个长时长高一致性视频大模型，全球首个"多主体参考"功能
+- [[可灵AI]]：快手推出的AI图生视频平台，生成1080p高清视频，3D时空联合注意力机制实现逼真物理动作
+- [[海螺AI]]：MiniMax公司推出的AI视频生成工具，MiniMax视频模型确保形象光影高度一致，支持超出图片内容的文本指令
+- [[即梦AI]]：字节跳动一站式AI创意创作平台，首尾帧精准控制、运镜参数自定义、多参数组合设置
+- [[PixVerse]]：爱诗科技开发的AI视频生成工具，支持真实/动漫/3D动画多风格，角色一致性功能
+- [[Video Ocean]]：潞晨科技AI视频生成平台，指令响应式图片动态化，V2.0在画质和风格多样性上有显著提升
+- [[Stable Video]]：Stability AI推出的视频生成平台，LoRA精细摄像机控制、帧插值技术、3D场景生成
+- [[万相营造]]：阿里妈妈AI电商营销工具，高度还原原图、精准理解复杂提示词，专注电商商品视频化
+- [[Viva]]：智象未来免费AI创意视觉平台，6种运镜方式，运动强度可调节，免费工具中质量最高
+- [[Haiper]]：AI视频生成工具，支持2秒/4秒视频，1280×720分辨率，官网和Discord无限免费使用
+- [[艺映AI]]：MewXAI团队推出的AI视频创作工具，运动笔刷局部动态化，支持手机电脑多平台同步
+
+## Connections
+- [[Vidu]] ← 技术基础 ← [[清华大学]]（联合发布）
+- [[可灵AI]] ← 所属公司 ← [[快手]]（发布方）
+- [[海螺AI]] ← 所属公司 ← [[MiniMax]]（发布方）
+- [[即梦AI]] ← 所属公司 ← [[字节跳动]]（发布方）
+- [[智谱清影]] ← 所属公司 ← [[智谱AI]]（发布方）
+- [[绘蛙AI视频]] ← 所属公司 ← [[阿里巴巴]]（发布方）
+- [[通义万相]] ← 所属公司 ← [[阿里巴巴]]（发布方）
+- [[万相营造]] ← 所属公司 ← [[阿里巴巴]]（发布方）
+- [[Stable Video]] ← 所属公司 ← [[Stability AI]]（发布方）
+- [[Video Ocean]] ← 所属公司 ← [[潞晨科技]]（发布方）
+- [[PixVerse]] ← 所属公司 ← [[爱诗科技]]（发布方）
+- [[Viva]] ← 所属公司 ← [[智象未来]]（发布方）
+- [[艺映AI]] ← 所属公司 ← [[MewXAI]]（发布方）
+
+## Contradictions
+- 无明显内容冲突。本文为盘点性质，不同工具的功能描述可互补而非互斥。

wiki/sources/a-formalization-of-recursive-self-optimizing-generative-systems.md

@@ -0,0 +1,50 @@
+---
+title: "A Formalization of Recursive Self-Optimizing Generative Systems"
+type: source
+tags: []
+date: 2025-12-30
+---
+
+## Source File
+- [[AI/A Formalization of Recursive Self-Optimizing Generative Systems.md]]
+
+## Summary（用中文描述）
+- 核心主题：递归自我优化的生成系统形式化模型——系统的目标不是直接产出最优输出，而是通过迭代自我修改构建稳定的生成能力
+- 问题域：自动提示工程、元学习、自我改进 AI 系统的理论基础——计算对象从"解"转变为"解的生成器"
+- 方法/机制：定义生成器空间 $\mathcal{G}$ → 优化算子 $O$ → 元生成算子 $M$ → 自映射 $\Phi$ → 不动点 $G^*$ → λ-calculus Y组合子表达
+- 结论/价值：递归自我优化系统自然涌现不动点结构，而非终止输出；稳定生成能力 = 元生成算子的不动点
+
+## Key Claims（用中文描述）
+- 生成器（Generator）作为计算对象优于单个输出：系统优化的是"生成解决方案的机制"，而非单个解决方案
+- 稳定生成能力 = 自映射 $\Phi$ 的不动点 $G^*$：即在自身的"生成-优化-更新"循环下保持不变的生成器
+- 不动点可通过迭代收敛获得：当 $\Phi$ 满足连续性或收缩性条件时，$G^* = \lim_{n \to \infty} \Phi^n(G_0)$
+- 自引用结构可形式化为 λ-calculus 的 Y 组合子：$G^* \equiv Y\;\text{STEP}$ 满足 $G^* = \text{STEP}\;G^*$
+- 该框架为自我改进 AI 架构和自动化元提示系统提供了原则性理论依据
+
+## Key Quotes
+> "We study a class of recursive self-optimizing generative systems whose objective is not the direct production of optimal outputs, but the construction of a stable generative capability through iterative self-modification." — 论文 Abstract，核心研究动机
+
+> "A stable generative capability is defined as a fixed point of $\Phi$: $G^{*} \in \mathcal{G},\ \Phi(G^{*}) = G^{*}$." — 论文 Section 2，稳定生成能力的数学定义
+
+> "The analysis reveals that such systems naturally instantiate a bootstrapping meta-generative process governed by fixed-point semantics." — 论文 Abstract，核心发现
+
+## Key Concepts
+- [[Recursive Self-Optimization]]：通过迭代自我修改构建稳定生成能力的递归优化框架
+- [[Generator Space]]：生成器空间 $\mathcal{G} \subseteq \mathcal{P}^{\mathcal{I}}$，每个生成器是从意图空间到程序/提示空间的函数
+- [[Self-Referential Computation]]：生成器被定义为使用自身输出的函数的不动点，体现自引用计算本质
+- [[Fixed-Point Semantics]]：自映射 $\Phi$ 的不动点语义——系统在不终止输出的情况下实现收敛
+- [[Y-Combinator]]：λ-calculus 不动点组合子，用于表达自引用生成器的递归结构
+
+## Key Entities
+- [[tukuai]]：独立研究者，GitHub @tukuai，本文理论框架的提出者
+
+## Connections
+- [[Recursive Self-Optimization]] ← is_theoretical_basis_for ← [[Meta-Learning]]
+- [[Generator Space]] ← uses_mathematical_framework ← [[Self-Referential Computation]]
+- [[Fixed-Point Semantics]] ← formalizes ← [[Recursive Self-Optimization]]
+- [[Y-Combinator]] ← implements ← [[Self-Referential Computation]]
+- [[Self-Improving AI]] ← is_applied_domain ← [[Recursive Self-Optimization]]
+- [[Automated Prompt Engineering]] ← is_applied_domain ← [[Recursive Self-Optimization]]
+
+## Contradictions
+- （暂无发现与其他 Wiki 页面的内容冲突——本文为纯理论形式化，与 Wiki 中其他 Agent 应用案例属不同层次）

wiki/sources/autonomous-game-dev-pipeline.md

@@ -0,0 +1,56 @@
+---
+title: "Autonomous Educational Game Development Pipeline"
+type: source
+tags: []
+date: 2026-04-23
+---
+
+## Source File
+- [[Agent/usecases/autonomous-game-dev-pipeline.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 全自动管理教育游戏的完整开发生命周期
+- 问题域：单人开发者如何在无团队情况下快速生产 40+ 款儿童教育游戏
+- 方法/机制：
+  - "Bugs First" 优先策略：Agent 必须先修复 bugs 文件夹中的第一个 bug，再处理新游戏
+  - Round Robin 轮询策略：从队列中按年龄组均衡选取下一款游戏
+  - 完整 Git 工作流：feature branch → conventional commits → PR → merge
+  - 技术栈：纯 HTML5/CSS3/JS，无框架，移动优先，支持离线
+- 结论/价值：**每 7 分钟产出 1 款游戏或 1 个 bugfix**，单人可维护 41+ 款游戏的知识库
+
+## Key Claims（用中文描述）
+- Agent 在检测到 bugs/ 文件夹有内容时，必须优先修复字母序第一个 bug，不能同时处理多个 bug
+- Pipeline 效率达到每 7 分钟完成 1 个新游戏或 1 个 bugfix
+- 游戏需注册到 `games-list.json` 才能在首页显示，这是关键集成步骤
+- 使用 conventional commits 规范（feat: add [game-id]）确保提交历史可读
+- 系统指令使用西班牙语（es-419）编写，适配拉丁美洲儿童及其潜在贡献者
+
+## Key Quotes
+> "Act as an Expert in Web Game Development and Child UX. Your goal is to develop the next game in the production queue." — Agent 系统指令核心
+> "BUGS FIRST!: If the bugs/ folder has content, your only priority is to fix the first bug in alphabetical order. Do not attempt to fix multiple bugs at once." — 关键工程纪律
+> "Register the game in 'games-list.json' (CRITICAL)" — 核心集成步骤
+> "CRITICAL: git fetch && git pull origin master before starting" — 同步纪律
+
+## Key Concepts
+- [[Bugs First]]：优先级策略——Agent 检测到 bug 时必须停止新功能开发，先修 bug，且一次只修一个
+- [[Round Robin Strategy]]：轮询策略——按年龄组均衡分配，平衡内容多样性
+- [[Conventional Commits]]：规范化提交格式（如 `feat: add game-id`），保证项目历史可读
+- [[Feature Branch Workflow]]：Git feature branch → commit → PR → merge 的完整分支管理流程
+- [[HTML5 Game Development]]：无框架、移动优先、离线可用的轻量游戏开发规范
+
+## Key Entities
+- [[duberblockito]]：El Bebe Games 项目作者，GitHub 仓库维护者，"LANero of the old school" 爸爸开发者
+- [[El Bebe Games]]：面向拉丁美洲儿童的在线教育游戏平台，无广告、无垃圾信息，官网 elbebe.co
+- [[Susana & Julieta]]：开发者女儿（3岁和即将出生），项目的灵感来源和目标用户
+- [[OpenClaw]]：（关联）本 pipeline 与 OpenClaw 的 autonomous agent 能力相关，是该技术的实际应用场景
+
+## Connections
+- [[Multi-Agent Content Factory]] ← related_to ← [[autonomous-game-dev-pipeline]]
+  - 两者均涉及 Agent 自动化生产内容，但前者侧重多 Agent 协作链（Research → Writing → Design），后者侧重单人 Agent 的独立流水线
+- [[Goal-Driven Autonomous Tasks]] ← extends ← [[autonomous-game-dev-pipeline]]
+  - Overnight Mini-App Builder 同样采用 Agent 自主执行 + Git 状态追踪的工程纪律，是本 pipeline 方法论的延伸
+- [[Project State Management]] ← related_to ← [[autonomous-game-dev-pipeline]]
+  - 两者都使用 append-only 日志模式（CHANGELOG.md / master-game-plan.md）作为状态管理机制
+
+## Contradictions
+- 无明显内容冲突

wiki/sources/designing-for-agentic-ai.md

@@ -0,0 +1,48 @@
+---
+title: "Designing for Agentic AI"
+type: source
+tags: [AI, Agentic AI, Product Design, UX Design]
+date: 2025-03-02
+---
+
+## Source File
+- [[AI/Designing for Agentic AI]]
+
+## Summary（用中文描述）
+- 核心主题：Agentic AI（智能体AI）与 GenAI（生成式AI）的区别，以及如何为 Agentic AI 设计用户体验
+- 问题域：传统 UI 设计范式（响应用户直接输入）无法满足 Agentic AI 的主动式、反馈驱动型交互需求
+- 方法/机制：提出 5 条最佳实践设计原则：透明度（Transparency）、控制感（Control）、个性化（Personalization）、对话式交互（Conversation）、主动预判（Anticipation）
+- 结论/价值：设计 Agentic AI 体验需要全新的设计隐喻，从"响应用户操作"转向"提供实时反馈"，让用户始终理解 AI 正在做什么并保持控制权
+
+## Key Claims（用中文描述）
+- GenAI 擅长创作新内容（文本/图片/音乐），Agentic AI 擅长行动——与环境交互、做决策、预判需求
+- Agentic AI 使用户不再是被动参与者：观察 AI 决策过程、理解 AI"思考"本身就是一种交互形式
+- 设计 Agentic AI 需要新隐喻：不仅是响应用户点击/滑动，而是 AI 运行时提供实时反馈
+- 5 条最佳实践原则（TCPCA）：透明度、控制感、个性化、对话、主动预判
+
+## Key Quotes
+> "Agentic AI is pushing us to reimagine product design. For years, we've focused on interfaces that react to direct user input—clicks, swipes, and edits. But agentic AI introduces a new dimension: proactive agents that anticipate needs and act autonomously."
+> — Yuri Pessa，阐述从响应式 UI 到主动式 Agent UI 的设计范式转变
+
+> "This doesn't mean users become passive. Observing the AI's decision-making process, understanding its 'thinking,' is a form of interaction in itself."
+> — Yuri Pessa，用户观察 AI 决策过程本身就是参与方式
+
+## Key Concepts
+- [[Agentic AI]]：能够与环境交互、做决策、预判用户需求的主动式 AI 系统，而非被动响应用户指令
+- [[GenAI]]：生成式 AI，擅长创作新内容（文本/图片/音乐），与 Agentic AI 的行动导向形成对比
+- [[Transparency]]：透明度原则——用户应能理解 AI 如何做决策，通过可视化 AI 进度和推理过程摘要实现
+- [[Control]]：控制感原则——用户始终应感到掌控 AI，通过停止/撤销/偏好设置等机制实现
+- [[Personalization]]：个性化原则——Agentic AI 应适应个人用户需求和偏好，基于历史行为预测未来需求
+- [[Conversation]]：对话原则——通过自然语言界面设计与 AI 交互，并提供 AI 如何解读输入的反馈
+- [[Anticipation]]：主动预判原则——Agentic AI 应能预判用户需求并主动提供帮助，同时允许用户控制 AI 自主权级别
+
+## Key Entities
+- [[Yuri Pessa]]：LinkedIn 文章作者，专注于 AI 产品设计领域
+
+## Connections
+- [[Agentic AI]] ← 核心概念 ← [[Designing-for-Agentic-AI]]（本文档）
+- [[Designing-for-Agentic-AI]] ← 应用场景 ← [[Google-5个-Agent-Skill-设计模式]]（Skill 设计模式中的设计原则）
+- [[Designing-for-Agentic-AI]] ← 对比参照 ← [[llms-rag-ai-agent-三个到底什么区别]]（LLM vs RAG vs AI Agent 的概念辨析）
+
+## Contradictions
+- 暂无已知冲突

wiki/sources/google-神级生产力工具-所有-github-开源平替都找到了.md

@@ -0,0 +1,65 @@
+---
+title: "Google 神级生产力工具，所有 GitHub 开源平替都找到了。"
+type: source
+tags: []
+date: 2026-01-01
+---
+
+## Source File
+- [[AI/Google 神级生产力工具，所有 GitHub 开源平替都找到了。.md]]
+
+## Summary（用中文描述）
+- 核心主题：Google NotebookLM 的 GitHub 开源替代品生态全景盘点
+- 问题域：AI 笔记助手、文档问答、播客生成工具的选择与本地化部署
+- 方法/机制：系统梳理 6 款开源项目（Open Notebook、SurfSense、Podcastfy、NotebookLlama、PageLM、InsightsLM），从功能完整性、模型支持、部署方式、差异化特性等维度对比分析
+- 结论/价值：开源平替覆盖从"全功能替代"到"垂直聚焦"的不同需求层次，用户可根据隐私需求、预算、技术能力选择最适合的工具
+
+## Key Claims（用中文描述）
+- Open Notebook 是 GitHub 上 Star 最高的 NotebookLM 开源平替（14.6k Stars），支持 16+ AI 提供商、本地模型、多模态输入和多角色播客生成
+- SurfSense（11.4k Stars）是综合型 AI 搜索与研究智能体，整合语义搜索+全文搜索+重排序，支持 Notion/GitHub/YouTube 等外部数据源，具备团队协作 RBAC
+- Podcastfy 专注播客生成，整合 100+ LLM 和多种 TTS 引擎，支持多语言和短视频/长篇双模式
+- NotebookLlama（LlamaIndex 官方项目）展示如何利用 AI 技术链条构建文档转播客应用
+- PageLM 专注于教育场景，提供康奈尔笔记、互动测验、间隔重复闪卡和模拟考试系统
+- InsightsLM 强调低代码/无代码，采用 Supabase + N8N 架构，支持完全离线本地部署
+
+## Key Quotes
+> "NotebookLM 是谷歌推出的一款 AI 笔记助手。与普通 AI 不一样，它严格限制在你上传的文档范围里进行回答，并能提供精准的原文引用。" — NotebookLM 的核心价值定位
+> "Open Notebook 支持超过 16 种 AI 提供商，包括 OpenAI、Anthropic、Gemini 等主流云端模型，同时也完美支持通过 Ollama 或 LM Studio 运行的本地模型。" — 模型选择灵活性
+> "SurfSense 采用语义搜索 + 全文搜索混合搜索技术，并结合重排序算法，确保在海量数据中能快速精准地找到并引用答案。" — 搜索技术栈
+> "Podcastfy 整合了超过 100 种 LLM 用于脚本生成，并支持 OpenAI、Google、ElevenLabs 以及 Microsoft Edge TTS 等多种语音合成引擎。" — 播客生成引擎
+
+## Key Concepts
+- [[文档问答]]：基于上传文档进行 AI 问答，并提供精准原文引用
+- [[播客生成]]：将文本/文档内容转换为逼真的双人/多人英语对话播客
+- [[语义搜索]]：结合向量相似度与全文关键词匹配，提升检索精度
+- [[混合搜索]]：语义搜索 + BM25 全文搜索 + RRF 重排序的组合检索技术
+- [[多模态输入]]：支持 PDF、网页、音频、YouTube 视频等多种格式的文档输入
+- [[本地化部署]]：不依赖云端，通过 Docker 等方式在本地运行 AI 应用
+- [[RBAC]]（基于角色的访问控制）：支持团队协作和知识共享的权限管理机制
+
+## Key Entities
+- [[NotebookLM]]：Google 推出的 AI 笔记助手，核心标杆产品，支持文档问答和播客生成
+- [[OpenNotebook]]：GitHub Star 最高的开源平替（14.6k），全功能本地化方案，支持多 AI 提供商
+- [[SurfSense]]：综合型 AI 搜索与研究智能体（11.4k Stars），定位为 NotebookLM/Perplexity/Glean 的开源替代
+- [[Podcastfy]]：专注播客生成的开源工具，整合 100+ LLM 和多种 TTS 引擎
+- [[NotebookLlama]]：LlamaIndex 官方开源项目，展示文档转播客的完整技术链条
+- [[PageLM]]：教育场景垂直工具，提供康奈尔笔记、互动测验、间隔重复闪卡、模拟考试
+- [[InsightsLM]]：低代码/无代码方案，Supabase + N8N 架构，支持 Ollama/Qwen3 本地模型
+- [[Google]]：NotebookLM 开发商，AI 生产力工具领域的重要推动者
+- [[LlamaIndex]]：NotebookLlama 的背后组织，开源 LLM 应用开发框架
+- [[Supabase]]：InsightsLM 的后端数据库和存储提供商
+- [[N8N]]：InsightsLM 的工作流自动化工具后端
+- [[Ollama]]：本地模型运行平台，多个开源平替均支持
+- [[ElevenLabs]]：高质量语音合成引擎，Podcastfy 和 NotebookLlama 均支持
+
+## Connections
+- [[OpenNotebook]] ← 功能对标 ← [[NotebookLM]]
+- [[SurfSense]] ← 定位重叠 ← [[NotebookLM]]、[[Perplexity]]、[[Glean]]
+- [[Podcastfy]] ← 功能聚焦 ← [[NotebookLM]]（播客生成子功能）
+- [[NotebookLlama]] ← 技术参考 ← [[NotebookLM]]（文档转播客流程）
+- [[PageLM]] ← 场景扩展 ← [[NotebookLM]]（教育垂直领域）
+- [[InsightsLM]] ← 架构借鉴 ← [[NotebookLM]]（文档问答+播客生成核心）
+- [[OpenNotebook]] ← 技术集成 ← [[Ollama]]、[[LM-Studio]]
+
+## Contradictions
+- 无已知内容冲突

wiki/sources/phone-call-notifications.md

@@ -0,0 +1,61 @@
+---
+title: "Phone Call Notifications"
+type: source
+tags: []
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/phone-call-notifications.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 通过真实电话呼叫（而非推送通知）向用户发送紧急提醒，实现 Agent → 用户双向语音通话
+- 问题域：推送通知容易被忽视，聊天消息容易被埋没，紧急信息无法可靠触达用户
+- 方法/机制：通过 clawr.ing 托管电话服务（无需 Twilio/API Key 配置），Agent 评估事件优先级，决定是否值得打电话，主动拨叫用户真实号码；通话中用户可实时提问，Agent 实时响应，实现真正的双向对话
+- 结论/价值：电话是唯一可靠绕过注意力屏障的触达方式；Agent 主动判断"是否值得打电话"而非被动响应；clawr.ing 消除电话集成的技术门槛
+
+## Key Claims（用中文描述）
+- Agent 主动拨叫用户，而非用户呼叫 Agent——这是注意力触达效率的关键差异
+- clawr.ing 消除了电话 API 配置门槛，一段 setup prompt 即完成集成，覆盖 100+ 国家真实 PSTN 电话
+- 电话通知需与 Heartbeat/Cron Job 配合作为触发器，clawr.ing 本身仅是投递通道
+- 通话场景下应使用快速模型（Haiku 级别）以降低延迟
+- clawr.ing 不存储录音或文字记录，音频传输加密后即时销毁
+
+## Key Quotes
+> "Phone call means 'this actually matters.' If your agent calls you 10 times a day, you'll start ignoring it."
+> — 核心设计原则：控制电话通知频率，保持其作为最高优先级触达通道的价值
+
+> "Unlike a push notification, you can ask follow-up questions on the call."
+> — 双向对话是电话通知区别于所有其他通知渠道的本质差异
+
+## Key Concepts
+- [[Voice Notification Channel]]：Agent 通过主动拨打电话作为高优先级通知投递通道，与推送通知/聊天消息并列
+- [[Two-Way Voice Conversation]]：Agent 主动拨叫用户，用户可实时提问，Agent 实时响应，而非单向广播
+- [[Call-Worthy Threshold]]：仅当事件足够重要时才触发电话，避免通知疲劳
+- [[PSTN Calling]]：真实公共交换电话网电话（非 VoIP 叠加层），确保全球覆盖和可靠接通
+
+## Key Entities
+- [[clawr.ing]]：托管电话服务提供商，消除了 Twilio 等传统电话 API 的配置复杂度，为 Agent 提供一键电话呼叫能力
+- [[OpenClaw]]：Agent 框架，通过 clawr.ing skill 实现主动电话通知功能
+- [[clawhub.ai]]：OpenClaw Skill 市场，托管 clawr.ing skill 安装包
+
+## Connections
+- [[Phone-Based-Personal-Assistant]] ← extends ← [[phone-call-notifications]]
+  - Phone-Based Personal Assistant 侧重 Agent 接收用户来电并进行语音交互（用户 → Agent）
+  - Phone Call Notifications 侧重 Agent 主动向外拨叫通知用户（Agent → 用户）
+  - 两者互为补充，构成完整的语音双向通信能力
+- [[multi-channel-assistant]] ← shares_channel ← [[phone-call-notifications]]
+  - 同属 OpenClaw 多渠道个人助理体系，但 Phone Call Notifications 补充了最高优先级的语音触达通道
+- [[Custom Morning Brief]] ← delivery_channel ← [[phone-call-notifications]]
+  - 晨间简报可通过电话通道投递，实现"每天 7:30 准时来电"场景
+- [[Self-Healing-Home-Server]] ← delivery_channel ← [[phone-call-notifications]]
+  - 家庭服务器关键告警可通过电话第一时间触达用户
+- [[earnings-tracker]] ← delivery_channel ← [[phone-call-notifications]]
+  - 股价暴跌等紧急事件可通过电话立即通知
+
+## Contradictions
+- 与 [[phone-based-personal-assistant]] 存在方向差异：
+  - 冲突点：谁来发起通话
+  - 当前观点（phone-call-notifications）：Agent 主动拨叫用户，拨叫门槛高（仅紧急事件）
+  - 对方观点（phone-based-personal-assistant）：用户主动呼叫 Agent，Agent 接听并提供助理服务
+  - 协调说明：两者不冲突——前者用于紧急通知（Agent → 用户），后者用于主动查询（用户 → Agent），共同构成双向语音通信体系

wiki/sources/x-account-analysis.md

@@ -0,0 +1,42 @@
+---
+title: "X Account Analysis"
+type: source
+tags: ["openclaw", "social-media", "analytics", "x-twitter"]
+date: 2026-04-23
+---
+
+## Source File
+- [[Agent/usecases/x-account-analysis]]
+
+## Summary（用中文描述）
+- 核心主题：X（Twitter）账号定性分析——超越数字指标，洞悉内容质量
+- 问题域：现有 X 分析工具（X Analytics / 第三方订阅服务）只展示统计数据，无法回答"为什么"的问题
+- 方法/机制：OpenClaw + Bird Skill，通过 Cookie 认证（auth-token / ct0）读取真实账号推文，AI 定性分析内容模式、话题偏好与互动差异原因
+- 结论/价值：免费替代 $10-$50/月 订阅服务，自然语言问答式交互，无需专用 App
+
+## Key Claims（用中文描述）
+- OpenClaw + Bird Skill 可对 X 账号进行定性分析，揭示使帖子病毒式传播的模式
+- AI 能回答"为何有时帖子 1000+ 赞，有时 <5 赞"——分析内容质量而非数字
+- Bird Skill 预装在 OpenClaw 中（`clawhub install bird`）
+- 为安全隔离建议创建专用 ClawdBot 账号，而非直接使用真实账号
+
+## Key Quotes
+> "There are many websites designed to give you X analytics, but they focus on the statistics. There are probably 1-2 websites that let you talk with an AI to understand your performance." — 现有分析工具痛点
+> "Now you can use OpenClaw to do this analysis for you, without needing to pay $10-$50 for subscriptions on these websites." — OpenClaw 免费替代方案
+
+## Key Concepts
+- [[X/Twitter-API-Automation]]：通过 Cookie 认证实现 API 访问
+- [[Social-Media-Analytics]]：定性分析 vs 定量分析
+- [[Credential-Isolation]]：为机器人创建独立账号实现安全隔离
+
+## Key Entities
+- [[OpenClaw]]：多 Agent 框架，提供记忆持久化和 Skill 扩展能力
+- [[Bird Skill]]：OpenClaw X/Twitter 操作 Skill，预装或通过 `clawhub install bird` 安装
+- [[ClawdBot]]：OpenClaw 的机器人实例，建议创建独立账号用于 X 操作
+
+## Connections
+- [[x-twitter-automation]] ← extends ← [[x-account-analysis]]（操作 vs 分析，互补关系）
+- [[content-factory]] ← can_use ← [[x-account-analysis]]（社交媒体内容策略分析）
+
+## Contradictions
+无已知冲突

wiki/sources/x-twitter-automation.md

@@ -41,4 +41,4 @@ date: 2026-04-17
 - [[n8n-workflow-orchestration]] ← complementary ← [[x-twitter-automation]]（n8n Webhook 模式可作为 TweetClaw API 的安全凭证托管层）
 
 ## Contradictions
-- 无已知冲突。与 [[x-account-analysis]]（尚未摄入）互补——分析 vs 操作，共同构成 X/Twitter 场景的完整能力覆盖
+- 无已知冲突。与 [[x-account-analysis]] 互补——分析 vs 操作，共同构成 X/Twitter 场景的完整能力覆盖

wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md

@@ -0,0 +1,46 @@
+---
+title: "不谈技术：普通人该怎么在AI时代赚钱？"
+type: source
+tags: []
+date: 2026-04-23
+---
+
+## Source File
+- [[微信公众号/不谈技术：普通人该怎么 在AI时代赚钱？]]
+
+## Summary（用中文描述）
+- 核心主题：AI时代普通人如何赚钱的思维框架，核心观点是"AI不会让普通人变富，但会让有品味、知道自己要做什么的人变得极其强大"
+- 问题域：普通人在AI浪潮中的自我定位与生存策略
+- 方法/机制：三大思维原则——品味值钱、做端到端的事、用死亡过滤器
+- 结论/价值：转变问题框架，从"怎么不被AI淘汰"到"AI能帮我做什么以前做不到的事"
+
+## Key Claims（用中文描述）
+- AI让工具民主化，但品味没有民主化——90%的人用AI生成的东西是shit，因为他们不知道什么是好的
+- 做端到端的事（做一个完整的产品/服务），远比在一个AI流水线里当"螺丝钉"更有价值且更抗替代
+- 用死亡过滤器追问：对什么有genuine的热爱和curiosity？把那一件事做到insanely great
+- "普通人"和"不普通的人"的区别不在天赋/资源/运气，而在于愿不愿意对一千件事说No，只对一件事说Yes
+- AI不会让普通人变富；AI会让那些知道自己要做什么、并且对品质有执念的人变得极其强大
+
+## Key Quotes
+> "正确的问题是：AI让我能做到什么以前做不到的事？" — 重新框架问题本身
+> "工具民主化了，但品味没有民主化。" — 为什么90%的AI输出是shit
+> "一个人用AI做出一个完整的App，比一个100人的团队里当'AI提示词工程师'强一万倍。" — 端到端的价值
+> "他们愿不愿意对一千件事说No，只对一件事说Yes，然后把那一件事做到insanely great。" — 普通与不普通的分水岭
+
+## Key Concepts
+- [[品味（审美）]]: 判断AI方案中哪个是insanely great的能力，是AI时代真正的护城河
+- [[端到端（End-to-End）]]: 从头到尾做一个完整的产品/服务/解决方案，而非成为AI流水线上的零件
+- [[死亡过滤器（Death Filter）]]: 每天早上问自己"如果今天是最后一天，我还会做今天要做的事吗？"用于过滤真正值得投入的事
+- [[工具民主化]]: AI降低了做事的门槛，但判断力/品味依然是稀缺能力
+
+## Key Entities
+- [[乔布斯]]: 文章借乔布斯之口阐述三大原则，Mac桌面出版的类比说明品味比工具更重要
+
+## Connections
+- [[个人品牌与一人公司]] ← 相关 ← [[不谈技术-普通人该怎么在ai时代赚钱]]
+  - 两者都强调整个人定位：找到真正热爱的事，用AI杠杆放大优势
+- [[Ikigai框架]] ← 关联 ← [[不谈技术-普通人该怎么在ai时代赚钱]]
+  - 死亡过滤器与Ikigai的"热情（Passion）"维度高度一致：对自己真正在乎的事说Yes
+
+## Contradictions
+- 无明显冲突

wiki/sources/养虾日记1-我用-openclaw-管了-28-万张照片-一次真实的多设备照片整理实战.md

@@ -0,0 +1,55 @@
+---
+title: "养虾日记1：我用 OpenClaw 管了 28 万张照片：一次真实的多设备照片整理实战"
+type: source
+tags: []
+date: 2026-03-31
+---
+
+## Source File
+- [[微信公众号/养虾日记1：我用 OpenClaw 管了 28 万张照片：一次真实的多设备照片整理实战.md]]
+
+## Summary（用中文描述）
+- 核心主题：作者比利哥使用 OpenClaw AI Agent 成功整理了存储在 NAS 上的 28 万张、跨越 20 年的家庭照片。
+- 问题域：多设备（68 个设备目录）照片备份混乱、重复文件泛滥、人工整理不现实。
+- 方法/机制：OpenClaw 通过「提问澄清 → 方案制定 → 批次拆分 → Cron 自动执行 → Telegram 报告」流程，完成全自动化照片整理。
+- 结论/价值：AI Agent 的核心价值不是单点能力提升，而是思维方式的升级——把模糊需求转化为可执行方案。
+
+## Key Claims（用中文描述）
+- OpenClaw 通过先问关键问题（照片格式、重复定义、低质量判断标准、删除策略），帮助用户从「没想清楚」到「方案清晰」。
+- OpenClaw 将 68 个目录、28 万个文件拆分为 8 个批次，每天凌晨 0 点自动执行，全程无需人工介入。
+- AI Agent 的安全策略：待删文件移入 `To-Be-Deleted` 目录而非直接删除，用户可随时检查确认。
+- 精确去重机制：MD5 哈希比对，只删除完全相同的文件。
+- 小文件清理：低于 100KB 的图片大概率是截图或微信压缩图，直接移走。
+- AI Agent 的核心价值是「思维方式升级」而非单点能力提升。
+
+## Key Quotes
+> "我有个目录，里面照片很多，来源很杂，我想整理一下，有什么方案？" — 用户对 OpenClaw 的初始指令
+> "68 个目录，28 万个文件，一次跑完不现实" — OpenClaw 主动识别到的规模挑战
+> "它帮我把模糊的想法变成了清晰的结构，把大任务拆成了可执行的批次，把风险控制在了可接受的范围内" — 作者对 OpenClaw 思维方式的评价
+> "这大概就是 AI Agent 对我来说真正的价值：**不是某个单点能力的提升，而是思维方式的升级**" — 结论
+
+## Key Concepts
+- [[AI-Agent思维方式]]：AI Agent 不直接推荐工具，而是先通过提问澄清需求，将模糊想法转化为可执行方案
+- [[批次任务拆分]]：将大规模任务拆分为可管理的批次，降低单次执行风险
+- [[精确去重]]：通过 MD5 哈希比对，只删除内容完全相同的文件
+- [[小文件清理]]：低于 100KB 的图片大概率是截图或微信压缩图
+- [[安全删除策略]]：待删文件移入临时目录而非直接删除，保留人工检查确认环节
+- [[Cron-Job自动化]]：定时任务自动化执行，无需人工介入
+- [[Telegram通知]]：任务完成后通过 Telegram 推送 Summary 报告
+
+## Key Entities
+- [[OpenClaw]]：AI Agent 操作系统，是本次照片整理任务的执行主体
+- [[Synology Photos]]：群晖 NAS 自带照片管理工具，作者曾尝试使用但效果一般
+- [[NAS]]：网络附加存储，28 万张照片的存储位置
+
+## Connections
+- [[养虾日记2]] ← follow_up ← [[养虾日记1]]
+- [[养虾日记1]] ← extends ← [[Self-Healing-Self-Improving]]
+- [[养虾日记3]] ← follow_up ← [[养虾日记1]]
+
+## Contradictions
+- 与 [[Self-Healing-Home-Server]] 冲突：
+  - 冲突点：Self-Healing 侧重「修复已知问题」，本文侧重「主动规划未知任务」
+  - 当前观点：OpenClaw 在照片整理场景中是「规划者」而非「修复者」，通过提问将模糊需求具体化
+  - 对方观点：Self-Healing 场景中 OpenClaw 主要执行监控和修复命令
+  - 说明：两者并不真正冲突，只是同一工具在不同场景下的角色差异——规划 vs 修复

wiki/sources/养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享.md

@@ -0,0 +1,53 @@
+---
+title: "养虾日记2：让Agent更懂你：OpenClaw + Self-Improving 复盘实战案例分享"
+type: source
+tags: []
+date: 2026-04-17
+---
+
+## Source File
+- [[微信公众号/养虾日记2：让Agent更懂你：OpenClaw + Self-Improving 复盘实战案例分享]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 的记忆问题与 self-improving 自改进机制
+- 问题域：多 Agent 协作中的知识遗忘与错误重复
+- 方法/机制：self-improving skill（结构化经验记录）+ 每日复盘 cron job + 双层记忆架构
+- 结论/价值：建立"错误只犯一次"的 Agent 学习闭环，区分一次性错误与系统性重复
+
+## Key Claims（用中文描述）
+- AI Agent 没有记忆，只有上下文窗口，导致每次对话都是"一张白纸"
+- self-improving 机制让 Agent 在同一错误第二次出现时能直接应用修复，Recurrence-Count 是关键指标
+- 双层记忆架构（短期文件 + 长期向量数据库） + self-improving 复盘三层各司其职
+- Pattern-Key 重复本身是信号——第一次记了，第二次就该解决了
+- 每日 23:00 定时复盘能发现静默漏洞（如无对话日的记忆断层）
+
+## Key Quotes
+> "错误只犯一次，第二次就知道怎么做对" — self-improving 核心价值
+> "每错必记，但分类要准确。错误用 correction，流程改进用 workflow，配置发现用 config"
+> "Suggested Action 要具体到能直接执行。不要写'注意配置'这种废话，写 `--to 5038825565` 这种具体写法"
+> "没有 self-improving 复盘，这个漏洞可能永远不会被发现——因为没有人会主动去想'3月27日有没有生成 memory 文件'这种问题"
+
+## Key Concepts
+- [[Self-Improving-Skill]]：结构化经验记录系统，Agent 遇问题时调用 `self_improvement_log` 写入 `LEARNINGS.md` 或 `ERRORS.md`，格式包含 Summary/Details/Suggested Action/Metadata，含 Pattern-Key 和 Recurrence-Count
+- [[双层记忆架构]]：短期记忆层（每日对话记录文件 memory/YYYY-MM-DD.md）+ 长期记忆层（memory-lancedb-pro 向量数据库）+ self-improving 层（定时复盘）
+- [[每日复盘机制]]：每天 23:00（北京时间）自动执行的复盘流程，包含读取当天 memory → self_improvement_log → Pattern-Key 重复检查 → 有价值经验同步长期记忆 → Telegram 摘要推送
+- [[Pattern-Key]]：经验记录的分类键，用于识别重复踩坑信号（如 cron.telegram-delivery）；重复出现是系统性问题的警示
+- [[Recurrence-Count]]：元数据中的重复次数字段，区分一次性错误与系统性重复，是最重要的指标之一
+- [[Self-Improvement-Log]]：`self_improvement_log` 工具调用格式，固定格式：LRN-[日期]-[序号] + Priority + Status + Area + Summary + Details + Suggested Action + Metadata
+
+## Key Entities
+- [[OpenClaw]]：多 Agent 框架，通过 cron 任务系统实现定时复盘，支持 Telegram 通知
+- [[LanceDB]]：向量数据库，memory-lancedb-pro 的底层引擎，提供语义搜索能力
+- [[LEARNINGS.md]]：结构化经验记录文件，存放 correction/workflow/config 三类 learning
+
+## Connections
+- [[Self-Improving-Skill]] ← 依赖 ← [[OpenClaw]]（通过 cron job 定时触发）
+- [[双层记忆架构]] ← 依赖 ← [[LanceDB]]（长期记忆向量存储）
+- [[每日复盘机制]] ← 依赖 ← [[Self-Improving-Skill]]
+- [[养虾日记1-我用-openclaw-管了-28-万张照片]] ← 前篇 ← [[养虾日记2]]
+
+## Contradictions
+- 无已知冲突
+
+## Notes
+- 来源：微信公众号 shenwei（2026-04-17），系列文章"养虾日记"第2篇

wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md

@@ -0,0 +1,59 @@
+---
+title: "养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统"
+type: source
+tags: [AI-Agent, Obsidian, Gitea, 知识管理, LLM-Wiki]
+date: 2026-04-09
+---
+
+## Source File
+- [[微信公众号/养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统]]
+
+## Summary（用中文描述）
+- 核心主题：如何用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统，解决 AI 对话结束后输出丢失的核心问题
+- 问题域：AI Agent 的输出持久化、版本控制、多端同步
+- 方法/机制：用 Obsidian 做知识库（多端同步）、Gitea 做版本控制（Git 历史）、OpenClaw 做写入接口（obsidian skill）
+- 结论/价值：把 AI 变成"会自动整理笔记的实习生"——做完事顺手更新记录
+
+## Key Claims（用中文描述）
+- OpenClaw Agent 通过 obsidian skill 将输出直接写入 Obsidian 笔记，实现持久化存储
+- Gitea 托管笔记的 Git 版本管理，任何时候都能回溯历史变更
+- iCloud Drive 保证手机、笔记本和 Mac mini 三端笔记永远同步
+- 笔记目录采用分层结构：knowledgebase/ 存放跨 Agent 共用知识，<agentId>/ 存放单一 Agent 私有笔记
+- Karpathy 的 LLM Wiki 思路：让 AI 增量构建和维护持久化 Wiki，页面间互相链接，知识越积越厚
+- Obsidian Graph View 可以发现"孤岛页面"和"幽灵节点"（被多处引用但没有独立页面的概念）
+
+## Key Quotes
+> "用 Obsidian 做知识库，用 Gitea 做版本控制，用 OpenClaw 做写入接口。" — 核心架构概括
+> "AI 批量改文件的能力越强，你越需要版本管理来兜底。" — 版本管理的重要性
+> "本质上是把 AI 变成了一个'会自动整理笔记的实习生'——它做完事，就会顺手把记录更新好。" — 系统价值定位
+> "RAG 模式是'每次从零检索'，知识不积累；而 LLM Wiki 是让 AI 增量构建和维护一个持久化的 Wiki，页面之间互相链接，知识越积越厚。" — Karpathy LLM Wiki 核心理念
+
+## Key Concepts
+- [[LLM Wiki]]：让 AI 增量构建和维护持久化的 Wiki，页面间互相链接，知识越积越厚（区别于 RAG 的"每次从零检索"）
+- [[Obsidian Git]]：Obsidian 社区插件，支持 Auto commit-and-sync interval，自动 commit + push 到 Git 仓库
+- [[Graph View]]：Obsidian 内置图谱视图，将所有 Wiki 页面以节点展示，双链关系自动连线，用于发现孤岛页面和知识盲区
+- [[Obsidian Web Clipper]]：浏览器插件，用于快速采集外部网页文章为 Markdown 到 Obsidian，配合图片本地化
+- [[QMD]]：完全本地运行的 Markdown 搜索引擎，适合 Wiki 规模变大后的精准搜索
+- [[版本管理]]：Git 历史记录每一次变更的来源和内容，支持回溯和多协作
+- [[被动更新]]：AI 在执行任务过程中顺手维护链接、更新摘要、添加 Tag、标记新旧矛盾，而非被动等着被查询
+- [[双链笔记]]：Obsidian 的核心特性，页面间通过 [[wikilinks]] 互相链接形成知识网络
+
+## Key Entities
+- [[Gitea]]：自建 Git 服务，托管笔记的版本控制，所有历史版本完整保留
+- [[Obsidian]]：笔记管理工具，支持多端同步（iCloud Drive）和双链笔记
+- [[OpenClaw]]：AI Agent 框架，提供 obsidian skill 作为写入接口
+- [[Karpathy]]：LLM Wiki 理念的提出者（2026-03 分享）
+- [[iCloud Drive]]：Apple 云同步服务，确保笔记在 Mac mini、笔记本和 iPhone 三端同步
+
+## Connections
+- [[养虾日记1]] ← 同一系列 ← [[养虾日记2]]
+- [[养虾日记1]] ← 同一系列 ← [[养虾日记3]]
+- [[养虾日记2]] ← 同一系列 ← [[养虾日记3]]
+- [[养虾日记4]] ← 同一系列 ← [[养虾日记5]]
+- [[Second Brain]] ← 类似的持久化记忆理念 ← [[养虾日记3]]
+- [[Personal Knowledge Base (RAG)]] ← 相关的知识管理方案 ← [[养虾日记3]]
+- [[LLM Wiki]] ← 核心理论支撑 ← [[养虾日记3]]
+- [[self-healing-home-server]] ← 使用同款笔记系统 ← [[养虾日记3]]
+
+## Contradictions
+- 无已知冲突

wiki/sources/养虾日记4-一次「context-limit-exceeded」错误排查-我以为是小问题-结果踩了大坑.md

@@ -0,0 +1,57 @@
+---
+title: "养虾日记4：一次「Context Limit Exceeded」错误排查：我以为是小问题，结果踩了大坑"
+type: source
+tags: [OpenClaw, 错误排查, Context-Window, Telegram, 日志调试]
+date: 2026-04-10
+---
+
+## Source File
+- [[微信公众号/养虾日记4： 一次「Context Limit Exceeded」错误排查：我以为是小问题，结果踩了大坑.md]]
+
+## Summary（用中文描述）
+- 核心主题：OpenClaw Agent 系统的 Context Limit 错误深度排查——从表象修复（调整 compaction 配置）到找到根本原因（Telegram channel 绑定了只有 16K context 的 DeepSeek 模型）
+- 问题域：OpenClaw Telegram Channel 配置、模型 Fallback 机制、Context Window 管理
+- 方法/机制：通过 Gateway 日志定位到模型被切换为 deepseek-reasoner（16K context），safeguard 模式预留 16K tokens 导致实际可用空间为 0；问题根源在 Agent 路由规则而非全局配置
+- 结论/价值：错误信息 ≠ 问题根因；分层配置需要分层排查；日志是系统状态的最直接反映
+
+## Key Claims（用中文描述）
+- 星枢 Telegram Channel 触发「Context limit exceeded」，直接原因并非对话历史过长，而是当前使用的模型（deepseek-reasoner）context window 仅 16K
+- OpenClaw safeguard 模式在 compaction 时预留 16K tokens，与 16K context 模型叠加，导致实际可用 context 为 0
+- 全局 compaction 配置（openclaw.json）与 Agent 级别模型配置是两套独立层级，修改全局配置无法解决 Agent 级别的模型问题
+- 解决根本方案是将星枢 Telegram channel 的路由改回 MiniMax-M2.7（200K context），而非继续调低 compaction 阈值
+- 日志分析是定位此类"隐藏配置路径"问题的唯一可靠手段
+
+## Key Quotes
+> `provider=custom-api-deepseek-reasoner/deepseek-reasoner ctx=16000 / estimatedPromptTokens=393 overflowTokens=392 reserveTokens=16384` — Gateway 日志直接揭示了模型切换和 token 耗尽问题
+> `「Context limit exceeded」不一定是因为对话太长，可能是模型配置本身就有问题` — 核心教训：错误表象 ≠ 根本原因
+> `不要默认认为错误信息就是表面意思。先问一句：到底哪儿出问题了？` — 最终方法论总结
+
+## Key Concepts
+- [[Context-Window]]: 模型单次请求能处理的最大 token 数量；deepseek-reasoner 仅 16K，MiniMax-M2.7 为 200K
+- [[Model-Fallback]]: 当默认模型不可用时，OpenClaw 按优先级切换到 fallback 列表中的下一个模型；触发原因包括 API 503/429/Timeout、路由权重错误、或配置覆盖
+- [[Compaction]]: OpenClaw 的上下文压缩机制，在 safeguard 模式下会预留 16K tokens 用于执行压缩操作
+- [[Agent-Routing-Rules]]: 绑定 Telegram channel 到特定模型的路由规则，优先级高于全局配置
+- [[Error-Surface-vs-Root-Cause]]: 不要被错误信息的字面意思误导；表象修复 ≠ 根本解决
+- [[Layered-Configuration]]: OpenClaw 配置分全局配置（openclaw.json）和 Agent/Channel 级别配置；问题可能藏在不同层级
+- [[Log-Driven-Debugging]]: Gateway 日志直接揭示了模型切换事件和 token 分配详情，是定位问题的唯一可靠手段
+- [[Hidden-Failure-Paths]]: 复杂分布式系统中，故障可能藏在 session、memory、model config、routing rules、compaction 策略等多个地方
+
+## Key Entities
+- [[OpenClaw]]: 运行星枢的 AI Agent 框架；本文核心调试对象
+- [[星枢]]: 用户的 AI 助手（xingshu/main agent）；通过 Telegram 与用户交互
+- [[DeepSeek]]: deepseek-reasoner 模型提供方；context window 仅 16K，是本次问题的直接触发者
+- [[MiniMax]]: MiniMax-M2.7 模型提供方；context window 为 200K，是正确的配置目标
+
+## Connections
+- [[养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录]] ← related_to ← [[养虾日记4]]（同属 OpenClaw 调试系列，互补关系）
+- [[养虾日记1-我用-openclaw-管了-28-万张照片-一次真实的多设备照片整理实战]] ← related_to ← [[养虾日记4]]（同属"养虾日记"系列）
+- [[养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]] ← related_to ← [[养虾日记4]]（同属"养虾日记"系列）
+- [[养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统]] ← related_to ← [[养虾日记4]]（同属"养虾日记"系列）
+- [[n8n调用hermes-agents的工作流架构]] ← related_to ← [[养虾日记4]]（OpenClaw 配置层级问题在此亦有体现）
+
+## Contradictions
+- 与 [[养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录]] 的互补关系：
+  - 冲突点：养龙虾系列重点在记忆写入/检索失效（semantic memory、context compression），本文重点在模型配置错误导致 context 立即耗尽
+  - 当前观点：两者均为 OpenClaw "记忆失效"症状的不同根因；养龙虾系列归因于记忆插件和压缩机制，本文归因于模型配置本身
+  - 对方观点：养龙虾系列认为写入纪律和压缩协同是主要挑战
+  - 说明：互补而非冲突，两类问题可同时存在

wiki/sources/养虾日记5-深夜与苏轼聊ai-他说-被浪打下去还能爬起来的才叫风流.md

@@ -0,0 +1,78 @@
+---
+title: "养虾日记5：深夜与苏轼聊AI，他说：被浪打下去还能爬起来的才叫风流"
+type: source
+tags: []
+date: 2026-04-23
+---
+
+## Source File
+- [[微信公众号/养虾日记5：深夜与苏轼聊AI，他说：被浪打下去还能爬起来的才叫风流]]
+
+## Summary（用中文描述）
+- 核心主题：用AI蒸馏历史人物思维框架，创建"数字导师"——以苏东坡为首位实践对象，展示如何将千年前古人的心智模型转化为可运行的AI Skill
+- 问题域：如何让AI不仅"替人做事"，还能"帮人思考"；如何蒸馏一个人的思维框架并AI化
+- 方法/机制：女娲·Skill造人术——6个并行Agent从6个维度采集信息（著作/对话/表达DNA/他者视角/决策/时间线），提炼出6个核心心智模型、8条决策启发式和一套表达DNA
+- 结论/价值：每个人的Skill都是一个认知操作系统，可以随时用历史伟人的思维镜片看自己的困境
+
+## Key Claims（用中文描述）
+- 作者提出"数字导师"概念：不是肤浅的NPC扮演，而是捕捉一个人看世界的方式——决策逻辑、思维模型、表达DNA、遇逆境时的第一反应
+- "女娲造人"本质是信息蒸馏：从大量公开信息中提炼核心心智模型、决策启发式、表达DNA和价值观边界，产出自包含的.skill文件
+- 苏东坡一生三起三落，从庙堂翰林到黄州团练副使到惠州、儋州南荒，无论被贬到哪里都在做事——"问汝平生功业，黄州惠州儋州"是自嘲也是骨气
+- 真正风流的人不是站在浪尖上的人，而是被浪打下去还能爬起来的人
+- AI时代用AI放大人类历史上最强大的脑子，让它们成为日常思维顾问——学投资蒸馏芒格，学物理思维蒸馏费曼，逆境中保持风骨蒸馏苏东坡
+
+## Key Quotes
+> "大江东去，浪淘尽，千古风流人物"——但真正风流的人，不是站在浪尖上的人，而是被浪打下去、还能爬起来的人。— 苏东坡（AI模拟）对作者说的话
+> "人生到处知何似，应似飞鸿踏雪泥。"— 苏东坡原诗，文章结尾引用
+> "此心安处是吾乡"——故乡不是地理概念，是心安之处。被贬黄州物质最匮乏的三年，反而诞生了《赤壁赋》等一生最重要的作品。— 苏东坡的心智模型之一
+> 通过深度调研，提炼一个真实人物的核心思维框架，把它变成一个可运行的AI Skill。— 女娲造人术的定义
+
+## Key Concepts
+- [[数字导师]]：用AI蒸馏历史/伟人思维框架，使其成为可对话的日常思维顾问，而非单向输出的书/课程
+- [[思维蒸馏（女娲造人术）]]：通过6维度并行Agent采集信息，提炼心智模型、决策启发式和表达DNA，产出自包含的.skill文件
+- [[心智模型]]（SuDongPo）：进退由时/此心安处是吾乡/辞达而已/逆境转化/自出新意不践古人/物我相谙天人合一
+- [[AI-Skill]]：AI Agent的可复用技能模块，激活后以特定人物视角与用户对话
+
+## Key Entities
+- [[苏东坡]]（苏轼，1037-1101）：北宋文学家，蒸馏的首位历史人物，一生三起三落，三大贬谪地黄州/惠州/儋州，"东坡居士"名号象征在泥土里活出人样
+- [[比利哥]]：本文作者，自称OpenClaw"养虾人"，被裁员后通过AI学习重新出发，与苏东坡进行真实对话
+- [[女娲]]（Nuwa Skill）：开源AI造人Skill项目，github.com/alchaincyf/nuwa-skill，提供蒸馏历史人物的框架
+- [[OpenClaw]]：多Agent框架，本文的技术底座，支撑Skill激活和多Agent并行采集
+- [[苏东坡Skill]]：ishenwei/openclaw-skills仓库中的perspective skill，基于女娲框架蒸馏完成
+
+## Connections
+- [[养虾日记3]] ← extends ← [[养虾日记5]]：同属「养虾日记」系列，前者讲持久化笔记系统，后者讲AI数字导师——都是让AI从工具升级为"顾问"
+- [[养虾日记1]] ← extends ← [[养虾日记5]]：同属「养虾日记」系列
+- [[养虾日记2]] ← extends ← [[养虾日记5]]：同属「养虾日记」系列
+- [[养龙虾5天血泪史]] ← extends ← [[养虾日记5]]：同属「养虾日记」系列
+- [[Second Brain]] ← relates_to ← [[数字导师]]：Second Brain捕获记忆，数字导师蒸馏伟人思维——都是用AI构建外部认知能力
+- [[思维蒸馏（女娲造人术）]] ← implements ← [[数字导师]]
+
+## Contradictions
+- （无明显冲突）
+
+## 技术细节：女娲工作流
+
+```
+用户输入 → 入口分流
+         ↓
+    Phase 0.5: 创建技能目录
+         ↓
+    Phase 1: 6个Agent并行采集（著作/对话/表达DNA/他者视角/决策/时间线）
+         ↓
+    Phase 1.5: 调研Review检查点
+         ↓
+    Phase 2: 框架提炼（心智模型/决策启发式/表达DNA/价值观/诚实边界）
+         ↓
+    Phase 2.5: 提炼确认检查点
+         ↓
+    Phase 3: Skill构建
+         ↓
+    Phase 4: 质量验证（已知测试/边缘测试/风格测试）
+         ↓
+    Phase 5: 双Agent精炼
+         ↓
+      交付: [人名]-perspective/SKILL.md
+```
+
+整个过程不依赖任何外部文件——技能目录是自包含的，复制到任何地方都能独立运行。

wiki/sources/养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录.md

@@ -0,0 +1,71 @@
+---
+title: "养龙虾5天血泪史：我的AI Agent为什么总失忆？OpenClaw 记忆调试全记录"
+type: source
+tags: [AI, Agent, OpenClaw, Memory, Memory-Management]
+sources: []
+last_updated: 2026-04-23
+---
+
+## Source File
+- [[微信公众号/养龙虾5天血泪史：我的AI Agent为什么总失忆？OpenClaw 记忆调试全记录]]
+
+## Summary（用中文描述）
+- 核心主题：OpenClaw AI Agent 记忆失效问题的诊断与修复
+- 问题域：AI Agent 长期记忆缺失、上下文压缩丢失信息、搜索不准确、检索不自动、系统臃肿
+- 方法/机制：通过5天专项调试，发现5类根本原因（压缩机制、搜索后端、检索触发、压缩协同、系统配置），对应10条黄金法则
+- 结论/价值：**写入纪律比读取纪律更重要**；系统提示词中每个令牌都是开销；压缩不是敌人，未写入的上下文才是
+
+## Key Claims（用中文描述）
+- 当对话填满 Context Window 时，OpenClaw 将旧消息压缩成摘要，姓名、数字、具体决定等细节全部丢失
+- 纯语义搜索在专有名词、具体数字和确切短语上失败，BM25+向量+重新排序的混合搜索明显更好
+- "信息存在"和"Agent 使用信息"之间有区别——必须通过启动指令强制触发检索
+- OpenClaw 仅自动加载 AGENTS.md、SOUL.md、TOOLS.md、IDENTITY.md、USER.md、HEARTBEAT.md、MEMORY.md，其他文件需要明确读取指令
+- 模型切换时丢失所有上下文，新模型只看到自动加载的文件，需要交接协议将状态写入每日日志
+- 系统提示词从 209,652 精简到 9,349 令牌，轻了 28%
+
+## Key Quotes
+> "压缩不是敌人。压缩过程中丢失信息才是。修复方法是确保任何值得记住的内容在压缩器触及前写入文件。" — Day 1 核心洞察
+
+> "纯语义搜索理论上听起来不错，但在专有名词、具体数字和确切短语上失败。混合搜索对现实世界代理内存明显更好。" — Day 2 核心洞察
+
+> "'信息存在'和'Agent 使用信息'之间有区别。你需要两者。" — Day 3 核心洞察
+
+> "真正的修复不是添加更多文件。而是移除那些什么都不做的文件。" — Day 5 核心洞察
+
+## Key Concepts
+- [[上下文压缩]]：OpenClaw 将旧消息压缩成摘要为新消息腾空间的机制，摘要丢失细节（姓名、数字、决定）
+- [[上下文刷新]]（Memory Flush）：压缩前将重要上下文写入磁盘的配置，`softThresholdTokens: 4000` 触发刷新
+- [[混合搜索]]（Hybrid Search）：BM25（关键词）+向量嵌入+重新排序器组合，兼顾精确匹配和语义相似性
+- [[Context Pruning]]：上下文修剪机制，与压缩协同工作，`cache-ttl` 模式 6 小时后清理旧上下文，保留最后 3 个助手响应
+- [[系统提示词膨胀]]（System Prompt Bloat）：未使用技能、臃肿内存文件、不自动读取的文件默默累积 token 开销
+- [[交接协议]]（Handoff Protocol）：模型切换前将当前上下文写入每日日志的规程，防止新模型丢失状态
+- [[启动序列]]：Agent 启动时必须执行的操作指令，必须放在 AGENTS.md 最顶部
+- [[写入纪律]]（Write Discipline）：强制 Agent 将决定、结果和错误记录到磁盘，比读取纪律更关键
+- [[自动加载文件]]：OpenClaw 在每个新会话自动读取的 7 个核心文件（AGENTS/SOUL/TOOLS/IDENTITY/USER/HEARTBEAT/MEMORY）
+- [[检索触发]]（Retrieval Trigger）：Agent 必须被明确告知何时搜索，不能依赖隐式线索
+
+## Key Entities
+- [[OpenClaw]]：multi-agent framework，本文调试的核心框架，内存管理机制的关键系统
+- [[比利哥]]（shenwei）：本文作者，正在研究 AI 提高工作效率的个人用户，OpenClaw AI 助理"星辉"的所有者
+
+## Connections
+- [[上下文压缩]] ← depends_on ← [[上下文刷新]]
+- [[上下文刷新]] ← prevents ← [[上下文压缩]]的信息丢失
+- [[混合搜索]] ← extends ← [[QMD搜索后端]]
+- [[Context Pruning]] ← coordinates_with ← [[上下文压缩]]
+- [[交接协议]] ← solves ← [[上下文刷新]]无法覆盖多次压缩的问题
+- [[养虾日记1]] ← related_to ← [[养虾日记2]] ← related_to ← [[养虾日记3]]
+- [[养龙虾5天血泪史]] ← related_to ← [[养虾日记1]]（同一系列）
+
+## Contradictions
+- 与 [[Second Brain]] 冲突：
+  - 冲突点：MEMORY.md 的定位
+  - 当前观点（本文）：任务期间永远不要直接写入 MEMORY.md，每日日志是原始且仅追加的，MEMORY.md 应在定期审查期间策划
+  - 对方观点（Second Brain）：通过对话零摩擦捕获任何内容，OpenClaw 永久记忆存储所有对话
+  - 说明：两者不矛盾，Second Brain 侧重捕获策略，本文侧重策划和写入纪律
+
+- 与 [[personal-crm]] 冲突：
+  - 冲突点：联系人信息的记录方式
+  - 当前观点（本文）：每日日志仅追加，由定时任务（如心跳或定时任务）期间审查并提炼
+  - 对方观点（personal-crm）：每日 Cron Job 扫描 Gmail 和日历，自动提取新联系人并更新 SQLite 数据库
+  - 说明：personal-crm 针对结构化联系人数据有专门处理流程，与本文的通用内存写入纪律互补

wiki/sources/教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報.md

@@ -0,0 +1,44 @@
+---
+title: "教學 ChatGPT 先做知識整理，再讓 Canva、 Gamma AI 輸出簡報"
+type: source
+tags: []
+date: 2026-04-21
+---
+
+## Source File
+- [[AI/教學 ChatGPT 先做知識整理，再讓 Canva、 Gamma AI 輸出簡報.md]]
+
+## Summary（用中文描述）
+- 核心主題：AI 簡報自動化工作流——先用 ChatGPT 做知識整理，再用 Canva / Gamma AI 輸出演示文稿
+- 問題域：如何高效制作演示文稿，如何将 AI 应用于内容创作流程
+- 方法/機制：两阶段工作流——知识整理 → 簡報生成
+- 結論/價值：提升简报制作效率，保证内容质量，ChatGPT 负责深度思考与内容组织，Canva/Gamma AI 负责视觉呈现与排版
+
+## Key Claims（用中文描述）
+- ChatGPT 擅长知识整理和信息提取，可将分散资料结构化
+- Canva / Gamma AI 能将整理好的内容快速转化为精美演示文稿
+- 两阶段工作流比直接用 AI 生成简报效果更好——先让 AI 做"思考者"，再做"设计师"
+- Gamma AI 支持一键生成完整演示文稿，支持主题定制和内容编辑
+
+## Key Quotes
+> "ChatGPT 的优势在于理解、总结、重组信息，让它先整理好资料再做简报，能大幅提升内容质量。" — 教程核心观点
+
+## Key Concepts
+- [[AI簡報工作流]]：两阶段简报制作流程，先用 LLM 做知识整理，再用 AI 设计工具输出
+- [[知識結構化]]：将非结构化信息转化为清晰、有逻辑的内容框架
+- [[AI設計工具]]：Canva、Gamma AI 等将内容自动转化为视觉呈现的工具
+
+## Key Entities
+- [[ChatGPT]]：OpenAI 开发的大语言模型，在此教程中担任"知识整理者"角色
+- [[Canva]]：在线可视化设计平台，支持简报、海报、社交媒体图片等多种设计
+- [[Gamma AI]]：AI 驱动的演示文稿生成工具，通过 AI 将文本内容一键转换为精美简报
+
+## Connections
+- [[AI圖生視頻工具盤點]] ← 同一主题 ← [[AI簡報工作流]]（均属 AI 内容创作工具应用）
+- [[YouTube-Content-Pipeline]] ← 流程相似 ← [[AI簡報工作流]]（均为"AI 整理 → AI 输出"两阶段模式）
+
+## Contradictions
+- 与直接用 AI 生成简报的方法（如某些"一键生成 PPT"的工具）：
+  - 冲突点：是否需要人工介入内容整理环节
+  - 当前观点：先用 ChatGPT 整理知识，确保内容逻辑清晰再交给设计工具
+  - 对方观点：直接让 AI 生成完整简报，节省中间步骤

wiki/sources/文字生成视频网站推荐.md

@@ -0,0 +1,42 @@
+---
+title: "文字生成视频网站推荐"
+type: source
+tags: [AI, 视频生成, AI工具]
+date: 2026-04-18
+---
+
+## Source File
+- [[AI/文字生成视频网站推荐.md]]
+
+## Summary（用中文描述）
+- 核心主题：推荐适合中国用户的文字生成视频 AI 工具
+- 问题域：AI 视频生成工具选型与性价比评估
+- 方法/机制：通过搜索结果综合评估工具功能、价格、适用人群
+- 结论/价值：为不同需求的用户提供工具选型建议（免费/技术型/多语言/长视频处理）
+
+## Key Claims（用中文描述）
+- 万彩AI 通过完全免费且功能全面的方案，适合预算有限的新手小白、自媒体创作者
+- 百度AI开放平台 基于多模态技术提供智能化视频生成，大厂技术背书
+- Zeemo 通过高精度字幕生成（95种语言，98%准确率）满足多语言内容创作者需求
+- Vizard 通过智能剪辑长视频高光片段，适合需要批量处理视频的用户
+
+## Key Quotes
+> "建议优先试用免费工具（如万彩AI或百度AI），再根据实际需求选择付费服务。" — 综合选型建议
+
+## Key Concepts
+- [[文字生成视频]]：通过文本描述自动生成视频内容的技术
+- [[AI视频生成工具]]：集成文字处理、配音合成、素材匹配的自动化视频制作工具
+- [[数字人]]：AI 生成的虚拟人物形象，用于视频内容创作
+
+## Key Entities
+- [[万彩AI]]：提供免费文字生成视频的工具，支持数字人、模板库
+- [[百度AI开放平台]]：提供 AI 成片功能的大厂平台
+- [[Zeemo]]：蓝色脉动公司产品，专注多语言字幕生成
+- [[Vizard]]：蓝色脉动公司产品，专注长视频自动剪辑
+- [[快影]]：腾讯系短视频剪辑工具
+
+## Connections
+- [[AI图生视频工具盘点]] ← 互补 ← [[文字生成视频网站推荐]]
+
+## Contradictions
+- 无已知冲突