Auto-sync: 2026-04-23 04:02
This commit is contained in:
55
wiki/concepts/AI图生视频.md
Normal file
55
wiki/concepts/AI图生视频.md
Normal file
@@ -0,0 +1,55 @@
|
|||||||
|
---
|
||||||
|
title: "AI图生视频"
|
||||||
|
type: concept
|
||||||
|
tags: [ai, video-generation, image-to-video]
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
AI图生视频（Image-to-Video）是一种将静态图片通过人工智能模型自动转化为动态视频的技术。模型需要完成运动估计（从静态图像推断可能的运动方向）、时序生成（合成多帧连续画面）、内容填充（生成原图中未显示的视角和细节）三大核心任务。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- 图生视频
|
||||||
|
- Image to Video (I2V)
|
||||||
|
- Img2Vid
|
||||||
|
- AI Video Generation from Image
|
||||||
|
|
||||||
|
## Core Techniques
|
||||||
|
- **运动估计**：从单张静态图片推断场景中各元素的运动方向和速度
|
||||||
|
- **时序生成**：合成帧间连续性，确保视频流畅无闪烁
|
||||||
|
- **内容扩展**：根据图片上下文填充画面外延区域（如物体背面、背景延续）
|
||||||
|
- **主体一致性**：在多段视频中保持人物/物体的视觉特征（面部、衣着、颜色）高度一致
|
||||||
|
- **音频同步**：根据视频内容自动生成匹配的音效或背景音乐
|
||||||
|
|
||||||
|
## Control Methods
|
||||||
|
| 控制方式 | 描述 | 代表工具 |
|
||||||
|
|---------|------|---------|
|
||||||
|
| 文本提示词 | 通过自然语言描述控制运动和场景变化 | 智谱清影、通义万相、可灵AI |
|
||||||
|
| 动作模板 | 预定义的动作序列，用户直接选择 | 绘蛙AI视频 |
|
||||||
|
| 运镜参数 | 调整摄像机运动方式（推进/拉远/倾斜/轨道） | 即梦AI、Stable Video、Viva |
|
||||||
|
| 首尾帧 | 以首帧和尾帧图片约束视频首尾画面 | 即梦AI、PixVerse |
|
||||||
|
| 运动笔刷 | 手动选择图片中需要动态化的区域 | 艺映AI |
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- **生成时长**：2秒至6秒不等，取决于工具和付费等级
|
||||||
|
- **分辨率**：720p至1440p，免费工具通常为720p-1024p
|
||||||
|
- **生成速度**：30秒至数分钟
|
||||||
|
- **风格支持**：写实、动漫、3D动画、油画、赛博朋克、国风等
|
||||||
|
- **音效支持**：部分工具（智谱清影）支持AI自动生成匹配音效
|
||||||
|
|
||||||
|
## Applications
|
||||||
|
- **电商场景**：模特图动态化（换装展示、动作演示）、商品展示视频
|
||||||
|
- **内容创作**：创意短片、自媒体视频素材
|
||||||
|
- **广告制作**：营销视频、产品演示
|
||||||
|
- **社交媒体**：小红书、抖音、快手短视频素材
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
- [[AI文生视频]]：通过文本描述直接生成视频，与图生视频互补
|
||||||
|
- [[主体一致性]]：多段视频中保持人物视觉特征一致的技术
|
||||||
|
- [[运镜控制]]：摄像机运动参数对视频效果的影响
|
||||||
|
- [[首尾帧控制]]：以约束帧控制视频首尾画面的技术
|
||||||
|
|
||||||
|
## Key Entities
|
||||||
|
- [[智谱清影]]：支持音效自动生成的AI视频工具
|
||||||
|
- [[可灵AI]]：快手推出的1080p高质量图生视频工具
|
||||||
|
- [[即梦AI]]：首尾帧精准控制、多参数自定义
|
||||||
|
- [[Vidu]]：清华大学联合发布，主体一致性领先
|
||||||
36
wiki/concepts/AI文生视频.md
Normal file
36
wiki/concepts/AI文生视频.md
Normal file
@@ -0,0 +1,36 @@
|
|||||||
|
---
|
||||||
|
title: "AI文生视频"
|
||||||
|
type: concept
|
||||||
|
tags: [ai, video-generation, text-to-video]
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
AI文生视频（Text-to-Video）是一种通过文本描述直接生成视频内容的人工智能技术。用户输入自然语言提示词，模型自动生成包含场景、角色、动作的动态视频。与 [[AI图生视频]] 互补：文生视频从零开始创作，图生视频则在静态图片基础上添加动态效果。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- 文生视频
|
||||||
|
- Text to Video (T2V)
|
||||||
|
- TXT2VID
|
||||||
|
- AI Video Generation from Text
|
||||||
|
|
||||||
|
## Core Techniques
|
||||||
|
- **文本编码**：将自然语言提示词编码为语义向量
|
||||||
|
- **图像生成**：基于文本语义生成视频首帧或关键帧
|
||||||
|
- **时序扩散**：通过扩散模型逐步生成帧间连续画面
|
||||||
|
- **运动建模**：根据文本描述生成合理的物理运动
|
||||||
|
- **视频解码**：将生成的隐表示解码为最终视频帧序列
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- 纯文本驱动，无需准备素材图片
|
||||||
|
- 支持复杂场景描述和角色交互
|
||||||
|
- 风格可控（写实、动漫、3D等）
|
||||||
|
- 生成时长通常2-6秒
|
||||||
|
|
||||||
|
## Applications
|
||||||
|
- 概念演示视频
|
||||||
|
- 营销视频自动生成
|
||||||
|
- 创意内容快速原型
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
- [[AI图生视频]]：在静态图片基础上添加动态效果，与本文生视频互补
|
||||||
|
- [[运镜控制]]：摄像机运动参数对视频效果的影响
|
||||||
29
wiki/concepts/AI簡報工作流.md
Normal file
29
wiki/concepts/AI簡報工作流.md
Normal file
@@ -0,0 +1,29 @@
|
|||||||
|
---
|
||||||
|
title: "AI簡報工作流"
|
||||||
|
type: concept
|
||||||
|
tags: [AI, 簡報, 自動化, 工作流]
|
||||||
|
sources: [教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
两阶段演示文稿制作工作流——先用大语言模型（如 ChatGPT）做知识整理和信息结构化，再交由 AI 设计工具（如 Canva / Gamma AI）输出演示文稿。
|
||||||
|
|
||||||
|
## Core Principle
|
||||||
|
让 AI 扮演不同角色，充分发挥各自优势：
|
||||||
|
- **第一阶段（思考者）**：LLM 负责深度理解、总结、重组信息，将分散资料转化为清晰、有逻辑的内容框架
|
||||||
|
- **第二阶段（设计师）**：AI 设计工具负责视觉呈现与排版，将结构化内容转化为精美演示文稿
|
||||||
|
|
||||||
|
## Why This Works
|
||||||
|
- 直接让 AI 生成简报往往内容逻辑不清、堆砌信息
|
||||||
|
- 先整理后设计的工作流确保：内容有深度，呈现有美感
|
||||||
|
- 符合"专注做擅长的事"原则——让工具各司其职
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
- [[知識結構化]]：将非结构化信息转化为清晰框架的能力
|
||||||
|
- [[AI設計工具]]：Canva、Gamma AI 等自动将内容转化为视觉呈现的工具
|
||||||
|
- [[YouTube-Content-Pipeline]]：共享"AI 整理 → AI 输出"两阶段模式
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- AI简报自动化工作流
|
||||||
|
- 智能简报工作流
|
||||||
26
wiki/concepts/Agent-Routing-Rules.md
Normal file
26
wiki/concepts/Agent-Routing-Rules.md
Normal file
@@ -0,0 +1,26 @@
|
|||||||
|
---
|
||||||
|
title: "Agent Routing Rules"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
Agent Routing Rules 是 OpenClaw 中绑定特定 Channel（如 Telegram）到特定模型的配置规则，优先级高于全局配置文件（`openclaw.json`）。
|
||||||
|
|
||||||
|
## Key Characteristics
|
||||||
|
- 定义在 OpenClaw 的 Agent 路由层，不在 `openclaw.json` 全局 compaction 配置里
|
||||||
|
- 修改全局配置对 Agent 级别路由无效
|
||||||
|
- 模型 context window 直接影响可用 token 数量
|
||||||
|
|
||||||
|
## Common Failure Pattern
|
||||||
|
当 fallback 机制切换到小 context 模型，且该模型在路由规则中被绑定到某个 channel 时：
|
||||||
|
- Telegram channel → deepseek-reasoner (16K)
|
||||||
|
- 16K context + 16K safeguard 预留 = 0 可用 token
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Model-Fallback]]: 触发模型切换的机制
|
||||||
|
- [[Compaction]]: Agent 级别 compaction 与全局配置的区别
|
||||||
|
- [[Layered-Configuration]]: 分层配置的重要性
|
||||||
|
|
||||||
|
## 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]]
|
||||||
60
wiki/concepts/Call-Worthy-Threshold.md
Normal file
60
wiki/concepts/Call-Worthy-Threshold.md
Normal file
@@ -0,0 +1,60 @@
|
|||||||
|
---
|
||||||
|
title: "Call-Worthy Threshold"
|
||||||
|
type: concept
|
||||||
|
tags: [notification, prioritization, alerting, UX]
|
||||||
|
sources: [phone-call-notifications]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
Call-Worthy Threshold 是判断某个事件是否值得触发电话通知的评估标准。核心原则：**电话通知必须稀缺，只有真正重要的信息才配得上占用用户的电话注意力**。如果 Agent 每天打电话 10 次，用户就会开始忽视电话——电话的价值在于其稀缺性。
|
||||||
|
|
||||||
|
## Decision Framework
|
||||||
|
|
||||||
|
Agent 评估是否"值得打电话"时，应考虑：
|
||||||
|
|
||||||
|
### 紧急程度（Urgency）
|
||||||
|
- 是否有时间敏感性？延迟处理会有什么后果？
|
||||||
|
- 优先级递减：紧急（立即影响）> 重要（今天内需处理）> 参考（可稍后阅读）
|
||||||
|
|
||||||
|
### 影响范围（Impact）
|
||||||
|
- 对用户的直接财务/健康/安全影响有多大？
|
||||||
|
- 优先级递减：高影响（金钱/健康/安全）> 中影响（机会成本）> 低影响（信息）
|
||||||
|
|
||||||
|
### 可替代性（Substitutability）
|
||||||
|
- 是否可以用更低打扰的方式通知？
|
||||||
|
- 优先级递减：无法替代 > 低打扰通知不足 > 简单通知即可
|
||||||
|
|
||||||
|
## Anti-Patterns
|
||||||
|
|
||||||
|
- **通知疲劳**：Agent 频繁打电话 → 用户开始忽略 → 真正重要的电话也被忽视
|
||||||
|
- **过载包装**：将 10 条普通消息合并成一条电话播报 → 信息过载，用户无法聚焦
|
||||||
|
- **误判优先级**：小事打电话，大事发消息 → 优先级判断标准混乱
|
||||||
|
|
||||||
|
## Best Practices
|
||||||
|
|
||||||
|
1. **明确定义阈值**：用户应与 Agent 协商"什么情况打电话"，形成清晰标准
|
||||||
|
2. **定期审计**：每月检查电话触发记录，确保频率保持在用户舒适范围内
|
||||||
|
3. **日志可见**：用户可查看电话触发历史，理解 Agent 的判断逻辑
|
||||||
|
4. **双向反馈**：用户说"这事不值得打电话"时，Agent 应记住并调整阈值
|
||||||
|
|
||||||
|
## Examples
|
||||||
|
|
||||||
|
| Event | Worth Calling? | Reason |
|
||||||
|
|-------|---------------|--------|
|
||||||
|
| NVDA 股价暴跌 5% | ✅ Yes | 财务影响大，时间敏感 |
|
||||||
|
| 老板发来紧急邮件 | ✅ Yes | 高度时间敏感，潜在重大影响 |
|
||||||
|
| 天气预报提醒带伞 | ❌ No | 低紧急性，普通推送即可 |
|
||||||
|
| 日程冲突提醒 | ❌ No | 提前提醒，低紧急性 |
|
||||||
|
| 服务器完全宕机 | ✅ Yes | 安全/业务影响，即时行动必需 |
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
|
||||||
|
- [[Voice Notification Channel]] — 电话通道的价值建立在稀缺性之上
|
||||||
|
- [[Alerting]] — 告警规则设计应与通知阈值协同
|
||||||
|
- [[Preference Learning]] — Agent 可从用户反馈中学习阈值偏好
|
||||||
|
|
||||||
|
## Sources
|
||||||
|
|
||||||
|
- [[phone-call-notifications]]
|
||||||
26
wiki/concepts/Compaction.md
Normal file
26
wiki/concepts/Compaction.md
Normal file
@@ -0,0 +1,26 @@
|
|||||||
|
---
|
||||||
|
title: "Compaction"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
Compaction 是 OpenClaw 对话上下文压缩机制，用于在 token 接近上限时将历史对话压缩为摘要，释放上下文空间。
|
||||||
|
|
||||||
|
## Safeguard Mode
|
||||||
|
在 safeguard 模式下，OpenClaw 会预留 16K tokens 用于执行压缩操作：
|
||||||
|
- `reserveTokensFloor`: 压缩预留 token 下限
|
||||||
|
- 当模型 context window 较小时（如 deepseek-reasoner 的 16K），预留空间与 context 相等导致实际可用空间为 0
|
||||||
|
|
||||||
|
## Configuration Levels
|
||||||
|
- **全局配置** (`openclaw.json`): 影响所有 Agent
|
||||||
|
- **Agent 级别配置** (routing rules): 影响特定 Agent/Channel，优先级更高
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Context-Window]]: 压缩的必要性来自 context window 的限制
|
||||||
|
- [[Agent-Routing-Rules]]: Agent 级别配置可能覆盖全局 compaction 设置
|
||||||
|
- [[上下文压缩]]: 已在 [[养龙虾5天血泪史]] 中详细讨论
|
||||||
|
|
||||||
|
## 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]]
|
||||||
|
- [[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]]
|
||||||
21
wiki/concepts/Context-Window.md
Normal file
21
wiki/concepts/Context-Window.md
Normal file
@@ -0,0 +1,21 @@
|
|||||||
|
---
|
||||||
|
title: "Context Window"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
模型的 Context Window 是指单次 API 请求能处理的最大 token 数量（包括输入 prompt + 历史对话 + 输出 response）。超过这个上限就会触发"Context Limit Exceeded"错误。
|
||||||
|
|
||||||
|
## Key Facts
|
||||||
|
- **DeepSeek-reasoner**: 16K tokens context window
|
||||||
|
- **MiniMax-M2.7**: 200K tokens context window
|
||||||
|
- 16K context 模型配合 OpenClaw safeguard 模式预留 16K tokens = 实际可用 0 tokens
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Compaction]]: OpenClaw 通过上下文压缩管理 token 消耗
|
||||||
|
- [[Model-Fallback]]: 模型切换的触发机制
|
||||||
|
- [[Agent-Routing-Rules]]: Telegram channel 绑定特定模型的方式
|
||||||
|
|
||||||
|
## 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]]
|
||||||
26
wiki/concepts/Error-Surface-vs-Root-Cause.md
Normal file
26
wiki/concepts/Error-Surface-vs-Root-Cause.md
Normal file
@@ -0,0 +1,26 @@
|
|||||||
|
---
|
||||||
|
title: "Error Surface vs Root Cause"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
错误表象（Error Surface）是指错误信息字面上描述的问题，而根本原因（Root Cause）是导致错误发生的真正系统状态。"Context Limit Exceeded"字面上提示"对话太长"，但真实原因可能是"模型配置错误"。
|
||||||
|
|
||||||
|
## Core Principle
|
||||||
|
> **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？**
|
||||||
|
|
||||||
|
## Debugging Mindset
|
||||||
|
| 错误表象 | 根本原因 |
|
||||||
|
|---|---|
|
||||||
|
| Context limit exceeded = 对话太长 | 模型 context window 太小 |
|
||||||
|
| Session 文件爆满 = 文件需要清理 | 模型切换导致 token 立即耗尽 |
|
||||||
|
| 重启后问题复发 = 持久化配置错误 | Agent 路由规则在启动时重新加载 |
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Log-Driven-Debugging]]: 通过日志还原真实系统状态
|
||||||
|
- [[Hidden-Failure-Paths]]: 复杂系统中的隐藏故障路径
|
||||||
|
- [[Layered-Configuration]]: 分层配置导致问题藏在不同层级
|
||||||
|
|
||||||
|
## 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]]
|
||||||
30
wiki/concepts/Hidden-Failure-Paths.md
Normal file
30
wiki/concepts/Hidden-Failure-Paths.md
Normal file
@@ -0,0 +1,30 @@
|
|||||||
|
---
|
||||||
|
title: "Hidden Failure Paths"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
Hidden Failure Paths 是指在复杂分布式系统中，故障可能隐藏在多个层面和路径中，单点排查无法发现全部问题来源。
|
||||||
|
|
||||||
|
## OpenClaw 中的隐藏路径
|
||||||
|
在 OpenClaw 这类分布式 AI Agent 系统中，一个"Context Limit Exceeded"问题可能藏在：
|
||||||
|
1. Session 文件（历史对话积累）
|
||||||
|
2. Memory plugin（记忆注入量）
|
||||||
|
3. Model config（context window 大小）
|
||||||
|
4. Routing rules（模型绑定）
|
||||||
|
5. Compaction 策略（token 预留量）
|
||||||
|
|
||||||
|
## Debugging Strategy
|
||||||
|
逐一排除法：按层级逐层排查，每层确认无误后再进入下一层。
|
||||||
|
|
||||||
|
## Key Insight
|
||||||
|
> **工具/系统越复杂，问题的隐藏路径越深。**
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Error-Surface-vs-Root-Cause]]: 隐藏路径导致表象与根因分离
|
||||||
|
- [[Log-Driven-Debugging]]: 日志是发现隐藏路径的唯一可靠手段
|
||||||
|
- [[Layered-Configuration]]: 分层架构本身就产生隐藏路径
|
||||||
|
|
||||||
|
## 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]]
|
||||||
51
wiki/concepts/LLM-Wiki.md
Normal file
51
wiki/concepts/LLM-Wiki.md
Normal file
@@ -0,0 +1,51 @@
|
|||||||
|
---
|
||||||
|
title: "LLM Wiki"
|
||||||
|
type: concept
|
||||||
|
tags: [AI知识管理, 知识系统, RAG对比]
|
||||||
|
sources: []
|
||||||
|
last_updated: 2026-04-09
|
||||||
|
---
|
||||||
|
|
||||||
|
# LLM Wiki
|
||||||
|
|
||||||
|
## 描述
|
||||||
|
让 AI 增量构建和维护一个持久化的 Wiki 系统，页面之间互相链接，知识越积越厚。
|
||||||
|
|
||||||
|
## 核心理念（来自 Karpathy 2026-03 分享）
|
||||||
|
|
||||||
|
### RAG 模式的问题
|
||||||
|
"每次从零检索"，知识不积累。
|
||||||
|
|
||||||
|
### LLM Wiki 的优势
|
||||||
|
- 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
|
||||||
|
- 页面间互相链接，知识越积越厚
|
||||||
|
- 不是被动等着被查询
|
||||||
|
|
||||||
|
## 与 RAG 的对比
|
||||||
|
|
||||||
|
| 维度 | RAG | LLM Wiki |
|
||||||
|
|------|-----|----------|
|
||||||
|
| 知识积累 | 每次从零检索 | 增量构建 |
|
||||||
|
| 上下文 | 临时检索 | 持久化链接 |
|
||||||
|
| 关系 | 独立文档 | 互相链接形成网络 |
|
||||||
|
| 维护 | 被动等待查询 | 主动更新 |
|
||||||
|
|
||||||
|
## 实现案例
|
||||||
|
|
||||||
|
### 用户实践（养虾日记3）
|
||||||
|
- **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）
|
||||||
|
- AI 在执行任务的过程中顺手维护链接、更新摘要、添加 Tag、标记新旧矛盾
|
||||||
|
|
||||||
|
### 相关工具
|
||||||
|
- [[Obsidian]]：本地 Wiki 载体
|
||||||
|
- [[Gitea]]：版本控制
|
||||||
|
- [[OpenClaw]]：写入接口
|
||||||
|
|
||||||
|
## 相关来源
|
||||||
|
- [[养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统]]
|
||||||
|
- [[karpathy-最新分享-用-llm-搭建个人知识库-告别-rag-的低效循环]]
|
||||||
26
wiki/concepts/Layered-Configuration.md
Normal file
26
wiki/concepts/Layered-Configuration.md
Normal file
@@ -0,0 +1,26 @@
|
|||||||
|
---
|
||||||
|
title: "Layered Configuration"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
Layered Configuration（分层配置）指系统配置存在多个层级，不同层级的配置有不同的优先级和作用范围。修改某一层级的配置无法影响其他层级的行为。
|
||||||
|
|
||||||
|
## OpenClaw 配置层级
|
||||||
|
1. **Global Config** (`openclaw.json`): 全局 compaction 配置，影响所有 Agent
|
||||||
|
2. **Agent/Channel Specific Config**: 针对特定 Telegram Channel 或 Agent 的模型映射规则
|
||||||
|
3. **环境变量**: 启动脚本里的 `MODEL_DEFAULT` 可能覆盖配置文件
|
||||||
|
|
||||||
|
## Debugging Implication
|
||||||
|
> **两层配置要分清：全局 compaction 配置和 agent 模型配置是两码事。改全局不行，就得往 agent 级别去找。**
|
||||||
|
|
||||||
|
当问题在全局层面无法解决时，需要检查 Agent 级别的路由规则和模型绑定配置。
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Agent-Routing-Rules]]: Agent 级别配置的具体形式
|
||||||
|
- [[Compaction]]: 全局 compaction 配置的作用范围
|
||||||
|
- [[Error-Surface-vs-Root-Cause]]: 分层配置是"错误表象 ≠ 根本原因"的常见原因
|
||||||
|
|
||||||
|
## 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]]
|
||||||
29
wiki/concepts/Log-Driven-Debugging.md
Normal file
29
wiki/concepts/Log-Driven-Debugging.md
Normal file
@@ -0,0 +1,29 @@
|
|||||||
|
---
|
||||||
|
title: "Log-Driven Debugging"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
Log-Driven Debugging 是一种通过系统日志定位问题根因的调试方法，尤其适用于分布式系统和多层配置架构。当错误信息具有误导性时，日志是最直接的系统状态反映。
|
||||||
|
|
||||||
|
## Key Insight
|
||||||
|
> **日志真的有用：Gateway 日志把问题写得明明白白，只是我自己没仔细看。**
|
||||||
|
|
||||||
|
## OpenClaw Gateway Log Example
|
||||||
|
```
|
||||||
|
provider=custom-api-deepseek-reasoner/deepseek-reasoner ctx=16000
|
||||||
|
estimatedPromptTokens=393 overflowTokens=392 reserveTokens=16384
|
||||||
|
```
|
||||||
|
这条日志直接揭示了：
|
||||||
|
1. 当前模型已被切换为 deepseek-reasoner
|
||||||
|
2. 模型 context window 为 16K
|
||||||
|
3. Safeguard 预留 16K tokens 导致 overflow
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Error-Surface-vs-Root-Cause]]: 日志帮助还原真实根因
|
||||||
|
- [[Hidden-Failure-Paths]]: 日志是发现隐藏故障路径的唯一可靠手段
|
||||||
|
- [[Layered-Configuration]]: 日志帮助识别配置层级问题
|
||||||
|
|
||||||
|
## 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]]
|
||||||
17
wiki/concepts/Model-Fallback.md
Normal file
17
wiki/concepts/Model-Fallback.md
Normal file
@@ -0,0 +1,17 @@
|
|||||||
|
---
|
||||||
|
title: "Model Fallback"
|
||||||
|
type: concept
|
||||||
|
last_updated: 2026-04-10
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
Model Fallback 是 OpenClaw 在默认模型不可用时，按优先级自动切换到 fallback 列表中下一个模型的机制。
|
||||||
|
|
||||||
|
## Triggers
|
||||||
|
1. **显式 API 不可用**: HTTP 503/502（服务宕机）、429（频率限制）、Connection Timeout
|
||||||
|
2. **隐性 Token 溢出预判**: 路由权重配置错误导致切换到更小 context 的模型
|
||||||
|
3. **配置文件优先级覆盖**: Agent/Channel 级别配置覆盖全局配置
|
||||||
|
4. **负载均衡算法**: 随机或轮询分发请求
|
||||||
|
|
||||||
|
## 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]]
|
||||||
98
wiki/concepts/Self-Improving-Skill.md
Normal file
98
wiki/concepts/Self-Improving-Skill.md
Normal file
@@ -0,0 +1,98 @@
|
|||||||
|
---
|
||||||
|
title: "Self-Improving-Skill"
|
||||||
|
type: concept
|
||||||
|
tags: [openclaw, memory, agentic-ai]
|
||||||
|
sources: [养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]
|
||||||
|
last_updated: 2026-04-17
|
||||||
|
---
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- self-improving skill
|
||||||
|
- self-improving
|
||||||
|
- Self-Improving
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
Self-Improving Skill 是一个结构化的 Agent 经验记录系统。当 AI Agent 遇到问题、做出决策、或发现值得记住的洞见时，调用 `self_improvement_log` 工具，将内容写入 `LEARNINGS.md` 或 `ERRORS.md`。核心目标：**让同一个错误只犯一次，第二次就知道怎么做对**。
|
||||||
|
|
||||||
|
## 核心机制
|
||||||
|
|
||||||
|
### 记录格式（固定结构）
|
||||||
|
|
||||||
|
```markdown
|
||||||
|
## [LRN-YYYYMMDD-NNN] correction | workflow | config
|
||||||
|
|
||||||
|
**Logged**: YYYY-MM-DDTHH:MM:SS+08:00
|
||||||
|
**Priority**: high | medium | low
|
||||||
|
**Status**: pending | resolved | dismissed
|
||||||
|
**Area**: config | workflow | memory | cron | telegram | ...
|
||||||
|
|
||||||
|
### Summary
|
||||||
|
一句话描述学到了什么
|
||||||
|
|
||||||
|
### Details
|
||||||
|
具体发生了什么、问题出在哪
|
||||||
|
|
||||||
|
### Suggested Action
|
||||||
|
以后遇到类似情况该怎么做（**必须具体到可直接执行**）
|
||||||
|
|
||||||
|
### Metadata
|
||||||
|
- Pattern-Key: <category.sub-category>
|
||||||
|
- Recurrence-Count: 1
|
||||||
|
- See Also: LRN-YYYYMMDD-NNN
|
||||||
|
```
|
||||||
|
|
||||||
|
### 记录类型
|
||||||
|
|
||||||
|
| 类型 | 用途 | 示例 |
|
||||||
|
|------|------|------|
|
||||||
|
| `correction` | 错误修正 | "Telegram chat ID 不应使用 user: 前缀" |
|
||||||
|
| `workflow` | 流程改进 | "创建每日复盘 cron job 机制" |
|
||||||
|
| `config` | 配置发现 | "cron job 的 deliver 默认不推送 Telegram" |
|
||||||
|
|
||||||
|
### 核心字段
|
||||||
|
|
||||||
|
- **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灯**。
|
||||||
|
- **Recurrence-Count**：元数据中的重复次数字段。**最重要的指标之一**——区分一次性偶发错误与需要系统性解决的重复问题。
|
||||||
|
|
||||||
|
## 使用原则
|
||||||
|
|
||||||
|
1. **每错必记，但分类要准确**。分类清晰，Pattern-Key 才能真正起作用
|
||||||
|
2. **Suggested Action 必须具体到能直接执行**——写 `--to 5038825565`，而非"注意配置格式"
|
||||||
|
3. **每次复盘检查 Pattern-Key 重复**。同一个 Pattern-Key 出现第二次时，必须追问：上一次解决了吗？为什么又出现？
|
||||||
|
4. **Recurrence-Count 是决策依据**：值高意味着需要系统性解决，而非继续记录
|
||||||
|
|
||||||
|
## 与双层记忆架构的关系
|
||||||
|
|
||||||
|
Self-Improving-Skill 是[[双层记忆架构]]的第三层（self-improving 层）：
|
||||||
|
|
||||||
|
- **短期记忆层**：每日对话记录文件（`memory/YYYY-MM-DD.md`）
|
||||||
|
- **长期记忆层**：基于 [[LanceDB]] 的向量数据库（memory-lancedb-pro）
|
||||||
|
- **self-improving 层**：每日 23:00 定时复盘，将 learnings 写入文件，检查 Pattern-Key 重复
|
||||||
|
|
||||||
|
三层各司其职：**每日文件管上下文，向量数据库管知识，self-improving 管成长**。
|
||||||
|
|
||||||
|
## 与每日复盘机制的关系
|
||||||
|
|
||||||
|
[[每日复盘机制]] 是 self-improving skill 的执行入口。每天 23:00（北京时间）自动执行复盘流程：
|
||||||
|
|
||||||
|
1. 读取当天 memory 文件
|
||||||
|
2. 调用 `self_improvement_log` 记录今日学习
|
||||||
|
3. 检查是否有 Pattern-Key 与之前重复
|
||||||
|
4. 把有价值的经验同步到 memory-lancedb-pro（长期记忆）
|
||||||
|
5. 通过 Telegram 发送复盘摘要
|
||||||
|
|
||||||
|
## 效果与价值
|
||||||
|
|
||||||
|
- **错误只犯一次**：同一个坑第二次就知道怎么修，Recurrence-Count = 2 后再也不会犯
|
||||||
|
- **发现静默漏洞**：每日复盘能发现"3月27日没有 memory 文件"这类正常情况下不会主动想到的问题
|
||||||
|
- **从单次修正进化到系统性改进**：从"文件保存后要验证"（correction）进化到"建立每日复盘机制"（workflow）
|
||||||
|
- **区分一次性错误与系统性重复**：Pattern-Key + Recurrence-Count 提供量化决策依据
|
||||||
|
|
||||||
|
## References
|
||||||
|
- [[养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]]
|
||||||
|
- [[每日复盘机制]]
|
||||||
|
- [[双层记忆架构]]
|
||||||
|
- [[Pattern-Key]]
|
||||||
|
- [[Recurrence-Count]]
|
||||||
|
- [[LEARNINGS.md]]
|
||||||
45
wiki/concepts/Two-Way-Voice-Conversation.md
Normal file
45
wiki/concepts/Two-Way-Voice-Conversation.md
Normal file
@@ -0,0 +1,45 @@
|
|||||||
|
---
|
||||||
|
title: "Two-Way Voice Conversation"
|
||||||
|
type: concept
|
||||||
|
tags: [voice, conversation, interaction, AI, real-time]
|
||||||
|
sources: [phone-call-notifications]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
Two-Way Voice Conversation 是一种实时双向语音交互模式——AI Agent 主动拨叫用户，用户接听后可随时提问，Agent 实时响应。与传统的单向播报（TTS）或录音通知不同，真正的双向对话意味着用户可以打断、追问、澄清，而不是被动接收广播式信息。
|
||||||
|
|
||||||
|
## Why It Matters
|
||||||
|
|
||||||
|
传统通知（推送、邮件、SMS）的本质是**单向广播**——Agent 发送信息，用户被动接收，无法即时互动。Two-Way Voice Conversation 打破了这一限制：
|
||||||
|
|
||||||
|
- **即时澄清**：用户可以说"等等，哪封邮件？"或"现在价格多少？"，Agent 立即查询并回答
|
||||||
|
- **动态深度**：用户可追问"为什么跌了？"引导 Agent 深入解释
|
||||||
|
- **决策支持**：电话中即可做出决策（"帮我取消"、"确认出席"），无需挂断后额外操作
|
||||||
|
|
||||||
|
## Contrast with One-Way Notification
|
||||||
|
|
||||||
|
| Aspect | One-Way Notification | Two-Way Voice Conversation |
|
||||||
|
|--------|---------------------|---------------------------|
|
||||||
|
| Direction | Agent → User | Agent ↔ User |
|
||||||
|
| User Action | Passive receive | Active query |
|
||||||
|
| Depth | Fixed message | Dynamic based on questions |
|
||||||
|
| Decision Making | Post-call action needed | Can decide on-call |
|
||||||
|
| Latency Tolerance | Low (pre-composed) | Higher (live response) |
|
||||||
|
|
||||||
|
## Design Considerations
|
||||||
|
|
||||||
|
- **模型速度**：通话场景需要低延迟响应，建议使用快速模型（Haiku 级别）减少等待
|
||||||
|
- **上下文管理**：Agent 需要在通话中维护对话上下文，切换话题时自然流畅
|
||||||
|
- **通话礼仪**：Agent 应简洁明了，不说废话，直接回答用户问题
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
|
||||||
|
- [[Voice Notification Channel]] — 双向语音是电话通知的核心能力
|
||||||
|
- [[Voice Interface]] — 语音交互的更宽泛概念
|
||||||
|
- [[Telephony Integration]] — 电话集成的技术实现
|
||||||
|
|
||||||
|
## Sources
|
||||||
|
|
||||||
|
- [[phone-call-notifications]]
|
||||||
37
wiki/concepts/Voice-Notification-Channel.md
Normal file
37
wiki/concepts/Voice-Notification-Channel.md
Normal file
@@ -0,0 +1,37 @@
|
|||||||
|
---
|
||||||
|
title: "Voice Notification Channel"
|
||||||
|
type: concept
|
||||||
|
tags: [notification, voice, alerting, channels]
|
||||||
|
sources: [phone-call-notifications]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
Voice Notification Channel 是一种高优先级通知投递机制，AI Agent 通过主动拨打电话将关键信息触达用户。与推送通知、聊天消息等文字通道不同，电话具有无法被忽视的物理强制力——用户必须主动操作才能关闭铃音。
|
||||||
|
|
||||||
|
## Core Characteristics
|
||||||
|
|
||||||
|
- **最高触达优先级**：电话是所有通知渠道中唯一能强制中断用户注意力的通道
|
||||||
|
- **稀缺性原则**：电话通知必须稀缺，仅用于真正重要的事件；过度使用会导致通知疲劳
|
||||||
|
- **主动触达**：Agent 主动拨叫用户，而非等待用户查询
|
||||||
|
|
||||||
|
## Channel Hierarchy
|
||||||
|
|
||||||
|
| Channel | Priority | Latency | Attention Force |
|
||||||
|
|---------|----------|---------|-----------------|
|
||||||
|
| Phone Call | 🔴 最高 | 即时 | 无法忽视 |
|
||||||
|
| Push Notification | 🟡 中 | 即时 | 可忽略 |
|
||||||
|
| Chat Message | 🟢 低 | 即时 | 可埋没 |
|
||||||
|
| Email | ⚪ 低 | 异步 | 易堆积 |
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
|
||||||
|
- [[Alerting]] — 告警生成机制
|
||||||
|
- [[Heartbeat-Monitoring]] — 触发告警的监控机制
|
||||||
|
- [[Call-Worthy Threshold]] — 判断事件是否触发电话通知的标准
|
||||||
|
- [[Two-Way Voice Conversation]] — 电话通知的核心差异化能力
|
||||||
|
|
||||||
|
## Sources
|
||||||
|
|
||||||
|
- [[phone-call-notifications]]
|
||||||
74
wiki/concepts/上下文刷新.md
Normal file
74
wiki/concepts/上下文刷新.md
Normal file
@@ -0,0 +1,74 @@
|
|||||||
|
---
|
||||||
|
title: "上下文刷新（Memory Flush）"
|
||||||
|
type: concept
|
||||||
|
tags: [openclaw, memory, context-window, compaction]
|
||||||
|
sources: [养龙虾5天血泪史]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
上下文刷新是 OpenClaw 的压缩前内存保护机制——在压缩器运行前，自动触发静默回合，提示 Agent 将重要上下文写入磁盘，确保关键信息在压缩后仍然可用。
|
||||||
|
|
||||||
|
## How It Works
|
||||||
|
|
||||||
|
```
|
||||||
|
对话累积 → 接近 Context Window → Memory Flush 触发 → Agent 写入 memory/YYYY-MM-DD.md → 压缩运行 → 摘要丢失但重要内容存活
|
||||||
|
```
|
||||||
|
|
||||||
|
### 配置示例
|
||||||
|
|
||||||
|
```json
|
||||||
|
{
|
||||||
|
"compaction": {
|
||||||
|
"memoryFlush": {
|
||||||
|
"enabled": true,
|
||||||
|
"softThresholdTokens": 4000
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
### 参数说明
|
||||||
|
|
||||||
|
| 参数 | 说明 |
|
||||||
|
|------|------|
|
||||||
|
| `enabled` | 是否启用内存刷新 |
|
||||||
|
| `softThresholdTokens` | 触发刷新的 token 阈值 |
|
||||||
|
|
||||||
|
### 阈值设置原则
|
||||||
|
|
||||||
|
- **小上下文模型**（8K-32K）：4000-8000 合适
|
||||||
|
- **大上下文模型**（128K-200K）：需要更高阈值，避免过早触发导致上下文碎片化
|
||||||
|
- **公式**：Context Window × 0.2 ~ 0.4
|
||||||
|
|
||||||
|
## The Gap: Memory Flush Only Runs Once Per Compression Cycle
|
||||||
|
|
||||||
|
> "内存刷新每个压缩周期只触发一次。如果会话足够长，有两三次压缩，只有第一次得到刷新处理。之后的一切都处于风险中。"
|
||||||
|
|
||||||
|
### 补充方案：Context Pruning
|
||||||
|
|
||||||
|
```json
|
||||||
|
{
|
||||||
|
"contextPruning": {
|
||||||
|
"mode": "cache-ttl",
|
||||||
|
"ttl": "6h",
|
||||||
|
"keepLastAssistants": 3
|
||||||
|
}
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
- 在 6 小时后积极修剪旧上下文
|
||||||
|
- 同时保留最后 3 个助手响应
|
||||||
|
- 与 Memory Flush 结合：早期将重要内容写入磁盘，旧上下文在溢出前被清理
|
||||||
|
|
||||||
|
## Key Insight
|
||||||
|
|
||||||
|
> "如果在磁盘上，它能在压缩中存活。如果只在对话中，它就有风险。"
|
||||||
|
|
||||||
|
## Connections
|
||||||
|
- [[上下文压缩]] ← Memory Flush 防止上下文压缩的信息丢失
|
||||||
|
- [[Context-Pruning]] ← 与 Memory Flush 协同工作
|
||||||
|
- [[写入纪律]] ← Memory Flush 是写入纪律的技术实现
|
||||||
|
- [[交接协议]] ← 互补：Memory Flush 处理压缩周期，交接协议处理模型切换
|
||||||
|
- [[养龙虾5天血泪史]] ← 主要来源
|
||||||
64
wiki/concepts/上下文压缩.md
Normal file
64
wiki/concepts/上下文压缩.md
Normal file
@@ -0,0 +1,64 @@
|
|||||||
|
---
|
||||||
|
title: "上下文压缩（Context Compaction）"
|
||||||
|
type: concept
|
||||||
|
tags: [openclaw, memory, context-window]
|
||||||
|
sources: [养龙虾5天血泪史]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
上下文压缩是 AI Agent 在对话填满 Context Window 时，将旧消息压缩成摘要为新消息腾出空间的内置机制。是 OpenClaw 管理上下文长度的核心手段。
|
||||||
|
|
||||||
|
## How It Works
|
||||||
|
|
||||||
|
当对话消息积累到一定量（接近 Context Window 限制）时，OpenClaw 的压缩器运行：
|
||||||
|
1. 扫描历史消息
|
||||||
|
2. 生成摘要（Summary）
|
||||||
|
3. 丢弃原始消息
|
||||||
|
4. 用摘要替代历史
|
||||||
|
|
||||||
|
## The Problem
|
||||||
|
|
||||||
|
**压缩摘要丢失细节**：
|
||||||
|
- 姓名、数字、具体决定等关键信息全部消失
|
||||||
|
- 摘要抓住了要点，但丢掉了可操作的细节
|
||||||
|
- 精心设计的第 3 条消息指令和第 7 条闲聊得到相同处理
|
||||||
|
|
||||||
|
> "上下文窗口是有限的。但默认行为对一切一视同仁，这意味着你精心设计的第三条消息指令，和第七条消息的闲聊得到了相同待遇。" — [[养龙虾5天血泪史]]
|
||||||
|
|
||||||
|
## Solution: Memory Flush
|
||||||
|
|
||||||
|
**在压缩运行前将重要上下文写入磁盘**：
|
||||||
|
|
||||||
|
```json
|
||||||
|
{
|
||||||
|
"compaction": {
|
||||||
|
"memoryFlush": {
|
||||||
|
"enabled": true,
|
||||||
|
"softThresholdTokens": 4000
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
```
|
||||||
|
|
||||||
|
当会话接近上下文限制时：
|
||||||
|
1. OpenClaw 触发静默回合
|
||||||
|
2. Agent 将重要内容写入 `memory/YYYY-MM-DD.md`
|
||||||
|
3. 压缩器运行
|
||||||
|
4. 即使摘要丢失，重要内容仍保留在磁盘上
|
||||||
|
|
||||||
|
**注意**：4000 这个数值要根据模型上下文窗口大小调整。大模型（32K/128K/200K tokens）应设置更高值，避免过度压缩导致上下文碎片化。
|
||||||
|
|
||||||
|
## Key Insight
|
||||||
|
|
||||||
|
> "压缩不是敌人。压缩过程中丢失信息才是。"
|
||||||
|
|
||||||
|
**如果只在上下文窗口中，它是临时的。如果在磁盘上，它就能存活。**
|
||||||
|
|
||||||
|
## Connections
|
||||||
|
- [[上下文刷新]] ← 防止上下文压缩的信息丢失
|
||||||
|
- [[上下文压缩]] ← 触发 [[上下文刷新]]
|
||||||
|
- [[Context-Pruning]] ← 与上下文压缩协同工作
|
||||||
|
- [[写入纪律]] ← 上下文刷新是写入纪律的技术实现
|
||||||
|
- [[养龙虾5天血泪史]] ← 主要来源
|
||||||
82
wiki/concepts/交接协议.md
Normal file
82
wiki/concepts/交接协议.md
Normal file
@@ -0,0 +1,82 @@
|
|||||||
|
---
|
||||||
|
title: "交接协议（Handoff Protocol）"
|
||||||
|
type: concept
|
||||||
|
tags: [openclaw, memory, model-switch, agentic-ai]
|
||||||
|
sources: [养龙虾5天血泪史]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
交接协议是 AI Agent 在模型切换或会话结束时，将当前上下文状态写入每日日志的规程。解决 OpenClaw Agent 切换模型时丢失所有上下文的核心问题。
|
||||||
|
|
||||||
|
## The Problem
|
||||||
|
|
||||||
|
OpenClaw Agent 在切换模型时丢失所有上下文：
|
||||||
|
- 新模型以新鲜上下文窗口开始
|
||||||
|
- 只看到自动加载的文件
|
||||||
|
- 当前会话状态、进行中的任务、待处理决定全部丢失
|
||||||
|
|
||||||
|
> "切换模型后，Agent 表现得像我们从未交谈过。我提到两天前的讨论决定，它一脸茫然。"
|
||||||
|
|
||||||
|
## Solution
|
||||||
|
|
||||||
|
在任何模型切换或会话结束前执行交接：
|
||||||
|
|
||||||
|
```markdown
|
||||||
|
# Handoff Protocol
|
||||||
|
|
||||||
|
## Current Session State
|
||||||
|
- Current task: [task description]
|
||||||
|
- Progress: [X% complete]
|
||||||
|
- Pending decisions: [list]
|
||||||
|
- Next steps: [action items]
|
||||||
|
|
||||||
|
## What Worked
|
||||||
|
- [insight 1]
|
||||||
|
- [insight 2]
|
||||||
|
|
||||||
|
## What Didn't Work
|
||||||
|
- [failed approach 1]
|
||||||
|
- [failed approach 2]
|
||||||
|
```
|
||||||
|
|
||||||
|
## Implementation
|
||||||
|
|
||||||
|
### 在 AGENTS.md 顶部添加交接指令
|
||||||
|
|
||||||
|
```markdown
|
||||||
|
# Handoff Protocol (必须执行)
|
||||||
|
Before any model switch or session end:
|
||||||
|
1. Write current task state to memory/YYYY-MM-DD.md
|
||||||
|
2. Include: progress, pending decisions, next steps
|
||||||
|
3. Note what worked and what didn't
|
||||||
|
4. This is non-negotiable — DO NOT skip
|
||||||
|
```
|
||||||
|
|
||||||
|
### 触发时机
|
||||||
|
|
||||||
|
- `/model` 命令切换模型
|
||||||
|
- `/exit` 或 `/quit` 结束会话
|
||||||
|
- 长时间无响应后的新会话
|
||||||
|
- 主动要求交接时
|
||||||
|
|
||||||
|
## Key Insight
|
||||||
|
|
||||||
|
> "交接协议是模型切换的修复"
|
||||||
|
|
||||||
|
没有交接协议，新模型不知道发生了什么。有了交接协议，新模型从每日日志读取当前状态，无缝继续工作。
|
||||||
|
|
||||||
|
## 与上下文刷新的关系
|
||||||
|
|
||||||
|
- **上下文刷新**（Memory Flush）：防止单次压缩周期内的信息丢失
|
||||||
|
- **交接协议**：防止模型切换时的信息丢失
|
||||||
|
|
||||||
|
两者互补，共同确保长期会话的信息完整性。
|
||||||
|
|
||||||
|
## Connections
|
||||||
|
- [[上下文压缩]] ← 交接协议解决压缩无法覆盖的多次压缩问题
|
||||||
|
- [[上下文刷新]] ← 互补机制
|
||||||
|
- [[写入纪律]] ← 交接协议是写入纪律的具体场景
|
||||||
|
- [[自动加载文件]] ← 新模型只看到自动加载的文件，交接日志弥补缺失
|
||||||
|
- [[养龙虾5天血泪史]] ← 主要来源
|
||||||
79
wiki/concepts/写入纪律.md
Normal file
79
wiki/concepts/写入纪律.md
Normal file
@@ -0,0 +1,79 @@
|
|||||||
|
---
|
||||||
|
title: "写入纪律（Write Discipline）"
|
||||||
|
type: concept
|
||||||
|
tags: [openclaw, memory, agentic-ai, best-practices]
|
||||||
|
sources: [养龙虾5天血泪史]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
写入纪律是指强制 AI Agent 在任务执行过程中将决定、结果和错误主动记录到磁盘的规范。与"读取纪律"（设置文件供 Agent 读取）相对，是确保 Agent 记忆持久化的关键机制。
|
||||||
|
|
||||||
|
## Core Principle
|
||||||
|
|
||||||
|
> "写入纪律比读取纪律更重要"
|
||||||
|
|
||||||
|
大多数人设置文件供 Agent 读取，但从不强制执行写回。如果 Agent 不将决定、结果和错误记录到磁盘，这些东西只存在于上下文窗口中。而上下文窗口会被压缩。
|
||||||
|
|
||||||
|
**写回是临时上下文变成永久记忆的唯一方式。**
|
||||||
|
|
||||||
|
## Three Rules of Write Discipline
|
||||||
|
|
||||||
|
1. **每个任务记录其结果**：任务完成后必须写入 memory/YYYY-MM-DD.md
|
||||||
|
2. **每个错误变成规则**：Agent 犯的错误必须转化为一行规则写入 LEARNINGS.md
|
||||||
|
3. **任何值得记住的内容在压缩前写入**：配置 memoryFlush 确保重要信息存活
|
||||||
|
|
||||||
|
## How to Enforce Write Discipline
|
||||||
|
|
||||||
|
### 1. 启动序列强制指令
|
||||||
|
|
||||||
|
在 AGENTS.md 顶部明确列出写入时机：
|
||||||
|
```
|
||||||
|
开始任何任务前：
|
||||||
|
- 搜索 memory/YYYY-MM-DD.md 获取相关上下文
|
||||||
|
- 检查 LEARNINGS.md 获取此类任务的规则
|
||||||
|
- 完成后立即写入结果
|
||||||
|
|
||||||
|
任务期间：
|
||||||
|
- 如果有重要决定或新信息产生，立即写入 memory/YYYY-MM-DD.md
|
||||||
|
```
|
||||||
|
|
||||||
|
### 2. 交接协议
|
||||||
|
|
||||||
|
在任何模型切换或会话结束前，Agent 将当前上下文写入每日日志：
|
||||||
|
```
|
||||||
|
# Handoff Protocol
|
||||||
|
Before model switch or session end:
|
||||||
|
1. Write current task state to memory/YYYY-MM-DD.md
|
||||||
|
2. Note any pending decisions
|
||||||
|
3. Record what worked and what didn't
|
||||||
|
```
|
||||||
|
|
||||||
|
### 3. 禁止直接写入 MEMORY.md
|
||||||
|
|
||||||
|
> "任务期间永远不要直接写入 MEMORY.md"
|
||||||
|
|
||||||
|
- **每日日志**（`memory/YYYY-MM-DD.md`）：原始且仅追加，Agent 可自由写入
|
||||||
|
- **MEMORY.md**：策划的长期记忆，在定期审查期间（心跳或定时任务）通过提炼每日日志来更新
|
||||||
|
|
||||||
|
让 Agent 向 MEMORY.md 转储任何内容，几周内它就会膨胀成 200 行的混乱。
|
||||||
|
|
||||||
|
## LEARNINGS.md: The Most Underrated File
|
||||||
|
|
||||||
|
> "Agent 犯的每个错误都应该变成一行规则"
|
||||||
|
|
||||||
|
示例：
|
||||||
|
- "在声称代码已推送前永远不要不检查 git 状态"
|
||||||
|
- "不要在群聊中读取完整的 MEMORY.md"
|
||||||
|
- "在安排前始终确认用户的时区"
|
||||||
|
|
||||||
|
这些规则会复合——几周后，Agent 就有了从自己失败中构建的个人操作手册。
|
||||||
|
|
||||||
|
## Connections
|
||||||
|
- [[上下文压缩]] ← 写入纪律防止压缩导致信息丢失
|
||||||
|
- [[上下文刷新]] ← 技术实现写入纪律的手段
|
||||||
|
- [[LEARNINGS.md]] ← 写入纪律的具体存储文件
|
||||||
|
- [[交接协议]] ← 写入纪律在模型切换时的应用
|
||||||
|
- [[养龙虾5天血泪史]] ← 主要来源
|
||||||
|
- [[Self-Improving-Skill]] ← 类似的自改进机制
|
||||||
79
wiki/concepts/启动序列.md
Normal file
79
wiki/concepts/启动序列.md
Normal file
@@ -0,0 +1,79 @@
|
|||||||
|
---
|
||||||
|
title: "启动序列（Boot Sequence）"
|
||||||
|
type: concept
|
||||||
|
tags: [openclaw, agentic-ai, best-practices]
|
||||||
|
sources: [养龙虾5天血泪史]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
启动序列是 AI Agent 启动时必须执行的操作指令集合，包括读取文件、搜索上下文、检查规则等初始化行为。是 Agent 正常工作的前提保障。
|
||||||
|
|
||||||
|
## Critical Rule: Put It at the Top of AGENTS.md
|
||||||
|
|
||||||
|
> "启动序列放在 AGENTS.md 顶部。不要在中间。不要在底部。最顶部。"
|
||||||
|
|
||||||
|
**自动加载的文件被注入系统提示词，所以启动指令需要是 Agent 处理的第一件事。**
|
||||||
|
|
||||||
|
## OpenClaw 自动加载的文件
|
||||||
|
|
||||||
|
OpenClaw 在每个新会话上自动读取这些文件：
|
||||||
|
1. AGENTS.md ✅
|
||||||
|
2. SOUL.md ✅
|
||||||
|
3. TOOLS.md ✅
|
||||||
|
4. IDENTITY.md ✅
|
||||||
|
5. USER.md ✅
|
||||||
|
6. HEARTBEAT.md ✅
|
||||||
|
7. MEMORY.md ✅
|
||||||
|
|
||||||
|
**其他一切都需要 AGENTS.md 中的明确读取指令。**
|
||||||
|
|
||||||
|
## Common Pitfall: Files That Don't Auto-Load
|
||||||
|
|
||||||
|
> "我的 BOOT.md 有整个启动序列。但 OpenClaw 不自动加载 BOOT.md。所以指令就坐在那里，未读，什么都不做。我用了好几周。"
|
||||||
|
|
||||||
|
### 不自动加载的文件（需要读取指令）
|
||||||
|
- BOOT.md ❌
|
||||||
|
- BOOTSTRAP.md ❌
|
||||||
|
- LEARNINGS.md（需要读取指令）
|
||||||
|
- 每日日志 memory/YYYY-MM-DD.md（需要读取指令）
|
||||||
|
- docs/ 文件夹（需要读取指令）
|
||||||
|
|
||||||
|
## Boot Sequence Template
|
||||||
|
|
||||||
|
```markdown
|
||||||
|
# AGENTS.md
|
||||||
|
|
||||||
|
# 🚀 启动序列（必须首先执行）
|
||||||
|
|
||||||
|
## 1. 读取每日日志
|
||||||
|
- 检查 memory/ 目录获取最近 3 天的日志
|
||||||
|
- 搜索与当前任务相关的上下文
|
||||||
|
|
||||||
|
## 2. 检查学习规则
|
||||||
|
- 读取 learnings/LEARNINGS.md
|
||||||
|
- 应用任何相关规则
|
||||||
|
|
||||||
|
## 3. 确认用户信息
|
||||||
|
- 读取 USER.md 确认当前用户身份
|
||||||
|
- 检查是否有活跃任务
|
||||||
|
|
||||||
|
## 4. 开始任务
|
||||||
|
[具体任务指令...]
|
||||||
|
```
|
||||||
|
|
||||||
|
## Boot Sequence Best Practices
|
||||||
|
|
||||||
|
1. **最顶部**：启动序列必须是 AGENTS.md 的第一件事
|
||||||
|
2. **具体**：明确列出文件名和执行顺序
|
||||||
|
3. **可执行**：每个指令都是 Agent 可直接执行的动作
|
||||||
|
4. **包含写回**：启动序列应包含"完成后写回结果"的指令
|
||||||
|
5. **测试验证**：植入标记，跨会话测试 Agent 是否真正执行
|
||||||
|
|
||||||
|
## Connections
|
||||||
|
- [[自动加载文件]] ← 只有 7 个文件自动加载
|
||||||
|
- [[写入纪律]] ← 启动序列应包含写回指令
|
||||||
|
- [[检索触发]] ← 启动序列应强制触发检索
|
||||||
|
- [[交接协议]] ← 模型切换时通过启动序列读取交接日志
|
||||||
|
- [[养龙虾5天血泪史]] ← 主要来源
|
||||||
70
wiki/concepts/思维蒸馏（女娲造人术）.md
Normal file
70
wiki/concepts/思维蒸馏（女娲造人术）.md
Normal file
@@ -0,0 +1,70 @@
|
|||||||
|
---
|
||||||
|
title: "思维蒸馏（女娲造人术）"
|
||||||
|
type: concept
|
||||||
|
tags: [AI-Skill, Agent工作流, 认知框架]
|
||||||
|
sources: []
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
# 思维蒸馏（女娲造人术）
|
||||||
|
|
||||||
|
## 描述
|
||||||
|
通过深度调研，从一个真实人物（历史人物/伟人/专家）的大量公开信息中，提炼出其核心思维框架，把它变成一个可运行的AI Skill。"女娲造人"这个比喻出自《风俗通》——女娲用泥土捏出了人类，我们的"造人"不是从虚无中创造角色，而是信息蒸馏。
|
||||||
|
|
||||||
|
## 核心机制
|
||||||
|
不是让AI扮演肤浅的NPC，而是捕捉一个人**看世界的方式**：
|
||||||
|
- 决策逻辑
|
||||||
|
- 思维模型
|
||||||
|
- 表达DNA（高频用词、自嘲式幽默、方言痕迹）
|
||||||
|
- 遇逆境时的第一反应
|
||||||
|
- 价值观与边界
|
||||||
|
|
||||||
|
## 工作流（女娲框架）
|
||||||
|
|
||||||
|
```
|
||||||
|
用户输入 → 入口分流（人名？模糊需求？）
|
||||||
|
↓
|
||||||
|
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
|
||||||
|
```
|
||||||
|
|
||||||
|
**关键特点**：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。
|
||||||
|
|
||||||
|
## 与"单向输出"的区别
|
||||||
|
读《穷查理宝典》学芒格、看曾国藩家书学修身——这些都是**单向输出**：你在读他的话，但他的话不会回答你的具体问题。思维蒸馏的产出是一个可以**对话的导师**——可以针对你的具体问题，用伟人的思维框架给出建议。
|
||||||
|
|
||||||
|
## 蒸馏案例
|
||||||
|
| 人物 | 适用场景 |
|
||||||
|
|------|---------|
|
||||||
|
| [[苏东坡]] | 逆境中保持风骨、豁达面对困境 |
|
||||||
|
| 芒格 | 投资决策、多元思维模型 |
|
||||||
|
| 费曼 | 物理思维、简化复杂问题 |
|
||||||
|
| 塔勒布 | 决策质量、风险管理 |
|
||||||
|
| 乔布斯 | 产品设计、直觉判断 |
|
||||||
|
| 海明威 | 写作风格 |
|
||||||
|
|
||||||
|
## 与其他认知框架的关联
|
||||||
|
- [[数字导师]] — 思维蒸馏的应用目标：让伟人成为日常思维顾问
|
||||||
|
- [[AI-Skill]] — 思维蒸馏的产出格式
|
||||||
|
- [[Second Brain]] — Second Brain捕获记忆，思维蒸馏蒸馏伟人——都是用AI构建外部认知能力
|
||||||
|
- [[Agentic AI]] — 思维蒸馏依赖多Agent并行工作流（6个Agent同时采集）
|
||||||
|
|
||||||
|
## Related Links
|
||||||
|
- [[女娲]]（Nuwa Skill）：github.com/alchaincyf/nuwa-skill
|
||||||
|
- [[苏东坡]] — 首个蒸馏实践
|
||||||
|
- [[养虾日记5]] — 思维蒸馏的完整记录
|
||||||
33
wiki/concepts/播客生成.md
Normal file
33
wiki/concepts/播客生成.md
Normal file
@@ -0,0 +1,33 @@
|
|||||||
|
---
|
||||||
|
title: "播客生成"
|
||||||
|
type: concept
|
||||||
|
tags: [ai, content-generation, tts, llm]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了, podcast-production-pipeline]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
播客生成（Podcast Generation）是将文本内容（文档、网页、PDF 等多模态输入）通过 AI 技术转换为逼真的多人对话音频的流程。核心是 LLM 脚本生成 + TTS 语音合成的组合。
|
||||||
|
|
||||||
|
## Technical Pipeline
|
||||||
|
1. **内容输入**：PDF、网页、音频、YouTube 字幕等多模态格式
|
||||||
|
2. **文本理解**：LLM 提取核心信息和关键观点
|
||||||
|
3. **脚本生成**：LLM 生成双人/多人对话脚本，赋予角色性格
|
||||||
|
4. **语音合成（TTS）**：使用 ElevenLabs、Google TTS、Edge TTS 等引擎生成自然语音
|
||||||
|
5. **音频编辑**：合并多轨音频，添加过渡效果
|
||||||
|
|
||||||
|
## Key Parameters
|
||||||
|
- **角色数量**：NotebookLM 双人对话；OpenNotebook 支持最多 4 位演讲者
|
||||||
|
- **内容模式**：短视频风格（Shorts）vs 长篇深度（Longform）
|
||||||
|
- **语言支持**：多语言（Podcastfy 支持 100+ LLM 脚本生成）
|
||||||
|
- **TTS 引擎**：OpenAI、Google、ElevenLabs、Microsoft Edge TTS 等
|
||||||
|
|
||||||
|
## Applications
|
||||||
|
- 学习消化：通过听来消化复杂资料
|
||||||
|
- 内容创作：将长文转化为播客，扩大受众覆盖
|
||||||
|
- 知识分享：将文档内容以音频形式分发
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
- [[LLM]] — 脚本生成的大脑
|
||||||
|
- [[TTS]]（文本转语音）— 语音合成引擎
|
||||||
|
- [[文档问答]] — NotebookLM 的另一个核心功能
|
||||||
39
wiki/concepts/数字导师.md
Normal file
39
wiki/concepts/数字导师.md
Normal file
@@ -0,0 +1,39 @@
|
|||||||
|
---
|
||||||
|
title: "数字导师"
|
||||||
|
type: concept
|
||||||
|
tags: [AI-Skill, 认知增强, 历史伟人]
|
||||||
|
sources: []
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
# 数字导师
|
||||||
|
|
||||||
|
## 描述
|
||||||
|
用AI蒸馏历史人物或伟人的思维框架，使其成为可对话的日常思维顾问——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），在需要时用他的思维镜片看自己的问题。
|
||||||
|
|
||||||
|
## 核心价值
|
||||||
|
- **用别人的脑子思考自己的人生** — 读《穷查理宝典》是单向输出，数字导师可以针对你的具体问题给出建议
|
||||||
|
- **每个人的Skill都是一个认知操作系统** — 你不需要同意他的所有观点，但可以在需要时借用他的镜片
|
||||||
|
- **AI时代用AI放大人类历史上最强大的脑子** — 让历史伟人成为日常思维顾问
|
||||||
|
|
||||||
|
## 实现路径
|
||||||
|
通过[[思维蒸馏（女娲造人术）]]将真实人物的核心思维框架蒸馏成AI Skill，激活后AI以该人物的视角与用户对话。
|
||||||
|
|
||||||
|
## 实践案例
|
||||||
|
- [[养虾日记5]] — 蒸馏[[苏东坡]]为首位"数字导师"，展示了完整的蒸馏过程和真实对话记录
|
||||||
|
- 失业焦虑者与苏东坡对话，苏东坡给出："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"
|
||||||
|
|
||||||
|
## 应用场景
|
||||||
|
| 想学什么 | 蒸馏谁 |
|
||||||
|
|---------|--------|
|
||||||
|
| 投资 | 芒格 |
|
||||||
|
| 物理思维 | 费曼 |
|
||||||
|
| 逆境中保持风骨 | 苏东坡 |
|
||||||
|
| 提升决策质量 | 塔勒布 |
|
||||||
|
| 写作 | 海明威 |
|
||||||
|
| 产品直觉 | 乔布斯 |
|
||||||
|
|
||||||
|
## 相关来源
|
||||||
|
- [[养虾日记5]]
|
||||||
|
- [[思维蒸馏（女娲造人术）]]
|
||||||
|
- [[苏东坡]]
|
||||||
23
wiki/concepts/文档问答.md
Normal file
23
wiki/concepts/文档问答.md
Normal file
@@ -0,0 +1,23 @@
|
|||||||
|
---
|
||||||
|
title: "文档问答"
|
||||||
|
type: concept
|
||||||
|
tags: [ai, knowledge-management, rag]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了, knowledge-base-rag]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
文档问答（Document Q&A）是指 AI 系统基于用户上传的文档内容进行问答，并能提供精准的原文引用。它是 RAG（检索增强生成）的一种具体应用形态，强调答案的可验证性和引用准确性。
|
||||||
|
|
||||||
|
## Core Characteristics
|
||||||
|
- **严格范围限制**：回答严格基于上传文档，不发散到外部知识
|
||||||
|
- **原文引用**：每个答案附带精准的原文出处，支持回溯验证
|
||||||
|
- **上下文感知**：理解文档整体结构，答案具有连贯性
|
||||||
|
|
||||||
|
## Key Distinction from General Q&A
|
||||||
|
普通 AI 问答（如 ChatGPT）是开放域生成，可能产生幻觉；文档问答强制限定知识范围，从根本上减少幻觉风险，提高回答可信度。
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
- [[RAG]] — 检索增强生成，是文档问答的技术基础
|
||||||
|
- [[语义搜索]] — 文档问答的检索层技术
|
||||||
|
- [[混合搜索]] — 语义 + 全文的组合检索技术
|
||||||
33
wiki/concepts/本地化部署.md
Normal file
33
wiki/concepts/本地化部署.md
Normal file
@@ -0,0 +1,33 @@
|
|||||||
|
---
|
||||||
|
title: "本地化部署"
|
||||||
|
type: concept
|
||||||
|
tags: [ai, self-hosted, privacy, docker]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
本地化部署（Local Deployment）是指在不依赖云端服务的情况下，在本地机器或私有服务器上运行 AI 应用。通过 Docker 等容器化技术简化部署，同时支持本地模型（Ollama、LM Studio）实现完全离线运行。
|
||||||
|
|
||||||
|
## Core Benefits
|
||||||
|
- **数据隐私**：文档和数据不离开本地，无需上传云端
|
||||||
|
- **成本可控**：无需支付 API 调用费用
|
||||||
|
- **离线可用**：完全离线环境下正常工作
|
||||||
|
- **定制灵活**：可自由切换底层 AI 模型
|
||||||
|
|
||||||
|
## Key Technologies
|
||||||
|
- **容器化**：`docker run` 一键部署，无需手动配置环境
|
||||||
|
- **本地模型**：
|
||||||
|
- [[Ollama]] — 最流行的本地 LLM 运行平台
|
||||||
|
- [[LM Studio]] — 桌面端本地模型运行工具
|
||||||
|
- **模型选择**：OpenAI、Anthropic Claude、Google Gemini 等云端 API 按需调用
|
||||||
|
|
||||||
|
## Use Cases
|
||||||
|
- 企业内部文档问答（数据不能外传）
|
||||||
|
- 个人知识管理（隐私优先）
|
||||||
|
- 网络受限环境（离线场景）
|
||||||
|
|
||||||
|
## Related Entities
|
||||||
|
- [[OpenNotebook]] — 支持 Ollama/LM Studio 本地部署
|
||||||
|
- [[InsightsLM]] — 支持 Ollama/Qwen3 完全离线
|
||||||
|
- [[SurfSense]] — 支持本地 LLM 保护隐私
|
||||||
58
wiki/concepts/每日复盘机制.md
Normal file
58
wiki/concepts/每日复盘机制.md
Normal file
@@ -0,0 +1,58 @@
|
|||||||
|
---
|
||||||
|
title: "每日复盘机制"
|
||||||
|
type: concept
|
||||||
|
tags: [openclaw, automation, memory, cron]
|
||||||
|
sources: [养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]
|
||||||
|
last_updated: 2026-04-17
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
每日复盘机制是 [[OpenClaw]] 多 Agent 系统中的自动经验总结流程。每天固定时间（23:00 北京时间）通过 cron 任务自动触发，Agent 回顾当天工作、记录学习、更新记忆。核心目标：**在不被要求时主动发现问题和改进机会**。
|
||||||
|
|
||||||
|
## 执行流程
|
||||||
|
|
||||||
|
每天 23:00（北京时间），每个 Agent 独立运行自己的复盘流程：
|
||||||
|
|
||||||
|
1. **读取当天 memory 文件**（`memory/YYYY-MM-DD.md`）
|
||||||
|
2. **调用 `self_improvement_log`** 记录今日学习（分类：correction / workflow / config）
|
||||||
|
3. **检查 Pattern-Key 重复**——如果发现同一个 Pattern-Key 出现多次，说明该问题需要系统性解决
|
||||||
|
4. **把有价值的经验同步到长期记忆**（memory-lancedb-pro 向量数据库）
|
||||||
|
5. **通过 Telegram 发送复盘摘要**
|
||||||
|
|
||||||
|
## 复盘发现静默漏洞的能力
|
||||||
|
|
||||||
|
复盘机制的价值不仅在于记录已知错误，更在于**主动发现正常情况下不会想到的问题**。例如：
|
||||||
|
|
||||||
|
- **LRN-20260328-001** 发现：3月27日的 memory 文件是空的——原来设计只在"第一次对话时"创建 memory 文件，如果一整天都没有对话，文件就不会被创建
|
||||||
|
- 这个静默漏洞导致第二天 Agent 想读取 3/27 的记录，发现什么都没有
|
||||||
|
- **没有复盘，这个漏洞可能永远不会被发现**
|
||||||
|
|
||||||
|
## 与其他组件的关系
|
||||||
|
|
||||||
|
- **触发器**：[[OpenClaw]] cron 任务系统（`every day at 23:00`）
|
||||||
|
- **执行工具**：`self_improvement_log` 工具 → 写入 [[LEARNINGS.md]]
|
||||||
|
- **数据源**：每日对话记录文件（`memory/YYYY-MM-DD.md`）
|
||||||
|
- **输出目标**：长期记忆向量数据库 + Telegram 摘要
|
||||||
|
- **上层机制**：[[Self-Improving-Skill]]
|
||||||
|
|
||||||
|
## 与 Self-Improving-Skill 的关系
|
||||||
|
|
||||||
|
[[每日复盘机制]] 是 [[Self-Improving-Skill]] 的**执行入口**。Self-Improving-Skill 定义了经验记录的格式和原则，每日复盘机制负责**定期激活**这一流程。两者的关系：
|
||||||
|
|
||||||
|
- Self-Improving-Skill = 记录规范（What to log）
|
||||||
|
- 每日复盘机制 = 触发时机（When to log）
|
||||||
|
|
||||||
|
## 实践建议
|
||||||
|
|
||||||
|
- 每个 Agent 独立运行自己的复盘流程
|
||||||
|
- 复盘摘要通过 Telegram 发送给用户，保持透明
|
||||||
|
- Pattern-Key 出现重复时，必须追问"上一次解决了吗？为什么又出现？"
|
||||||
|
- 有价值的经验同时写入向量数据库，供语义搜索召回
|
||||||
|
|
||||||
|
## References
|
||||||
|
- [[养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]]
|
||||||
|
- [[Self-Improving-Skill]]
|
||||||
|
- [[双层记忆架构]]
|
||||||
|
- [[Pattern-Key]]
|
||||||
|
- [[OpenClaw]]
|
||||||
26
wiki/concepts/混合搜索.md
Normal file
26
wiki/concepts/混合搜索.md
Normal file
@@ -0,0 +1,26 @@
|
|||||||
|
---
|
||||||
|
title: "混合搜索"
|
||||||
|
type: concept
|
||||||
|
tags: [ai, search, vector, bm25, rag]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
混合搜索（Hybrid Search）结合语义搜索（向量相似度）和全文搜索（BM25/关键词匹配）两种技术，并通过重排序算法（Re-ranking）整合结果，兼顾语义理解深度和关键词精确度。
|
||||||
|
|
||||||
|
## Why Hybrid?
|
||||||
|
- **语义搜索擅长**：理解意图、同义词扩展、语义相关但不含关键词的内容
|
||||||
|
- **BM25 擅长**：精确关键词匹配、人名/产品名/技术术语、查询词密集出现的内容
|
||||||
|
- **两者结合**：互相补充，提升整体召回率和精确率
|
||||||
|
|
||||||
|
## Technical Pipeline (SurfSense 方案)
|
||||||
|
1. **语义搜索**：向量相似度初筛，获取语义相关候选集
|
||||||
|
2. **BM25 全文搜索**：关键词精确匹配，补充专有名词召回
|
||||||
|
3. **融合排序**：使用 RRF（Reciprocal Rank Fusion）等算法合并两个结果集
|
||||||
|
4. **重排序（Re-ranking）**：使用更精准的模型对 top 结果二次排序
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
- [[语义搜索]] — 混合搜索的一个组成维度
|
||||||
|
- [[重排序]]（Re-ranking）— 对混合结果集进行精排
|
||||||
|
- [[RAG]] — 混合搜索常作为 RAG 系统的检索层
|
||||||
24
wiki/concepts/语义搜索.md
Normal file
24
wiki/concepts/语义搜索.md
Normal file
@@ -0,0 +1,24 @@
|
|||||||
|
---
|
||||||
|
title: "语义搜索"
|
||||||
|
type: concept
|
||||||
|
tags: [ai, search, vector, rag]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了, semantic-memory-search]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
语义搜索（Semantic Search）是通过理解查询意图和文档语义的搜索方式，超越传统关键词匹配，基于向量相似度找到语义相关的内容。
|
||||||
|
|
||||||
|
## How It Works
|
||||||
|
1. **向量化**：将文档切分为 chunk，通过 Embedding 模型转换为向量
|
||||||
|
2. **语义匹配**：将用户查询也转为向量，计算与文档向量的相似度
|
||||||
|
3. **结果排序**：按相似度得分返回最相关的内容
|
||||||
|
|
||||||
|
## Limitations
|
||||||
|
- 对专有名词（如人名、产品名、技术术语）召回率低
|
||||||
|
- 精确匹配需求场景表现不如 BM25
|
||||||
|
|
||||||
|
## Related Concepts
|
||||||
|
- [[混合搜索]] — 语义搜索 + BM25 的组合，互补各自局限
|
||||||
|
- [[RAG]] — 语义搜索是 RAG 检索层的核心
|
||||||
|
- [[重排序]]（Re-ranking）— 对语义搜索初筛结果进行二次精排
|
||||||
24
wiki/entities/Canva.md
Normal file
24
wiki/entities/Canva.md
Normal file
@@ -0,0 +1,24 @@
|
|||||||
|
---
|
||||||
|
title: "Canva"
|
||||||
|
type: entity
|
||||||
|
tags: [AI, 设计, 簡報]
|
||||||
|
sources: [教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
Canva 是在线可视化设计平台（canva.com），支持简报、海报、社交媒体图片、logo、名片等多种设计类型。提供海量模板和设计素材，用户可通过拖拽操作快速完成设计。
|
||||||
|
|
||||||
|
## Key Features
|
||||||
|
- 海量专业模板库
|
||||||
|
- 品牌套件（Logo、色彩、字体）
|
||||||
|
- AI 辅助设计功能（Magic Design、文本生成图片等）
|
||||||
|
- 团队协作与共享
|
||||||
|
- 支持简报、海报、社交媒体等多种输出格式
|
||||||
|
|
||||||
|
## Role in AI簡報工作流
|
||||||
|
在 AI 簡報工作流中，Canva 担任"设计师"角色——接收 ChatGPT 整理好的结构化内容，快速生成视觉精美的演示文稿。
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Gamma AI]]：AI 简报工具的另一个选择，更侧重 AI 驱动的一键生成
|
||||||
|
- [[AI簡報工作流]]：Canva 在此工作流中负责视觉呈现
|
||||||
@@ -2,8 +2,8 @@
|
|||||||
title: "ClawHub"
|
title: "ClawHub"
|
||||||
type: entity
|
type: entity
|
||||||
tags: [ClawHub, OpenClaw, Skill, Marketplace]
|
tags: [ClawHub, OpenClaw, Skill, Marketplace]
|
||||||
sources: [daily-youtube-digest]
|
sources: [daily-youtube-digest, phone-call-notifications]
|
||||||
last_updated: 2026-04-22
|
last_updated: 2026-04-23
|
||||||
---
|
---
|
||||||
|
|
||||||
## Aliases
|
## Aliases
|
||||||
@@ -17,8 +17,9 @@ ClawHub（clawhub.ai）是 OpenClaw 的官方 Skill 市场，托管 OpenClaw Age
|
|||||||
## Key Skills on ClawHub
|
## Key Skills on ClawHub
|
||||||
|
|
||||||
- **youtube-full** — 自动获取 YouTube 频道最新视频、提取字幕并摘要
|
- **youtube-full** — 自动获取 YouTube 频道最新视频、提取字幕并摘要
|
||||||
|
- **clawr.ing** — 为 Agent 提供主动拨打电话通知能力，通过 PSTN 电话触达用户（参见 [[phone-call-notifications]]）
|
||||||
- 持续扩充中（官网 clawhub.ai 浏览全部）
|
- 持续扩充中（官网 clawhub.ai 浏览全部）
|
||||||
|
|
||||||
## Connections
|
## Connections
|
||||||
- [[ClawHub]] ← hosts ← [[youtube-full skill]]
|
- [[clawhub.ai]] ← hosts ← [[youtube-full skill]], [[clawr.ing]]
|
||||||
- [[OpenClaw]] ← extends via ← [[ClawHub]] skills
|
- [[OpenClaw]] ← extends via ← [[clawhub.ai]] skills
|
||||||
|
|||||||
24
wiki/entities/Gamma-AI.md
Normal file
24
wiki/entities/Gamma-AI.md
Normal file
@@ -0,0 +1,24 @@
|
|||||||
|
---
|
||||||
|
title: "Gamma AI"
|
||||||
|
type: entity
|
||||||
|
tags: [AI, 設計, 簡報]
|
||||||
|
sources: [教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
Gamma AI（gamma.app）是一款 AI 驱动的演示文稿生成工具，用户只需输入主题或内容，Gamma AI 即可一键生成完整的演示文稿，支持主题定制和内容编辑。
|
||||||
|
|
||||||
|
## Key Features
|
||||||
|
- 一键生成完整演示文稿
|
||||||
|
- 支持多种主题和风格选择
|
||||||
|
- AI 自动排版和视觉设计
|
||||||
|
- 内置编辑功能，可修改 AI 生成的内容
|
||||||
|
- 支持网页模式（可作为网页发布）
|
||||||
|
|
||||||
|
## Role in AI簡報工作流
|
||||||
|
在 AI 簡報工作流中，Gamma AI 与 Canva 共同担任"设计师"角色。相比 Canva，Gamma AI 更侧重 AI 驱动的一键生成，适合快速从零制作简报的场景。
|
||||||
|
|
||||||
|
## Related
|
||||||
|
- [[Canva]]：另一个 AI 简报工具，更侧重模板和手动设计
|
||||||
|
- [[AI簡報工作流]]：Gamma AI 在此工作流中负责视觉呈现与排版
|
||||||
@@ -1,33 +1,25 @@
|
|||||||
---
|
---
|
||||||
title: "Gitea"
|
title: "Gitea"
|
||||||
type: entity
|
type: entity
|
||||||
tags: [git, self-hosted, github-alternative, devops]
|
tags: [Git, 版本控制, 自托管]
|
||||||
sources: [self-healing-home-server]
|
sources: []
|
||||||
last_updated: 2026-04-22
|
last_updated: 2026-04-09
|
||||||
---
|
---
|
||||||
|
|
||||||
## Aliases
|
# Gitea
|
||||||
- Gitea
|
|
||||||
- gitea
|
|
||||||
|
|
||||||
## Definition
|
## 描述
|
||||||
Gitea 是一个开源、轻量级的自托管 Git 服务（GitHub/GitLab 替代方案），使用 Go 语言编写，最低硬件要求极低（512MB RAM）。支持 Git 仓库管理、Issue 追踪、Pull Request、Wiki、CI/CD（Actions）等完整功能。
|
轻量级的自托管 Git 服务，托管笔记的版本控制，所有历史版本完整保留。
|
||||||
|
|
||||||
## In Home Lab Context
|
## 与 Obsidian 笔记系统的集成
|
||||||
在 [[self-healing-home-server]] 安全架构中，Gitea 作为**本地优先 Git 仓库**：
|
|
||||||
- 作为私有代码中转站（推送到公共 GitHub 前的 CI 扫描_gate）
|
|
||||||
- CI pipeline 运行 TruffleHog 等 secrets scanning 工具
|
|
||||||
- Human review required before main branch merges
|
|
||||||
- 防止 Agent 直接暴露 API keys 到公共仓库
|
|
||||||
|
|
||||||
## Security Role
|
通过 Obsidian Git 插件，笔记每次更新都对应一个 Git commit：
|
||||||
Gitea 在 [[Local-first Git]] 工作流中的位置：
|
- **任何时候都能回溯** — 三个月前某台服务器上跑的什么服务，一个 `git log` 就能找到
|
||||||
```
|
- **变更有据可查** — "这个端口是什么时候改的？" → commit message 里写得清清楚楚
|
||||||
Agent → commits → Gitea (private) → CI scan (TruffleHog) → Human review → GitHub (public)
|
- **多人协作预留** — 未来如果想让其他 AI Agent 也参与协作，Gitea 的权限体系天然支持
|
||||||
```
|
|
||||||
|
|
||||||
## Connections
|
## 核心价值
|
||||||
- [[Local-first Git]] — Gitea 作为私有中转的核心基础设施
|
AI 批量改文件的能力越强，越需要版本管理来兜底。自建服务确保私有数据不出内网。
|
||||||
- [[OpenClaw]] — Agent 代码托管和工作流编排平台
|
|
||||||
- [[TruffleHog]] — Gitea CI pipeline 中运行的 secrets scanning 工具
|
## 相关来源
|
||||||
- [[Defense-in-Depth]] — Gitea 是多层安全防御架构的一环
|
- [[养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统]]
|
||||||
|
|||||||
23
wiki/entities/Google.md
Normal file
23
wiki/entities/Google.md
Normal file
@@ -0,0 +1,23 @@
|
|||||||
|
---
|
||||||
|
title: "Google"
|
||||||
|
type: entity
|
||||||
|
tags: [company, ai, productivity]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
Google（谷歌）是全球领先的科技公司，隶属于 Alphabet 集团。旗下拥有 NotebookLM 等 AI 驱动的生产力工具，在 AI 笔记助手领域具有标杆地位。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- Google LLC
|
||||||
|
- Alphabet Inc.（母公司）
|
||||||
|
- 谷歌
|
||||||
|
|
||||||
|
## Key Products
|
||||||
|
- [[NotebookLM]] — AI 笔记助手，支持文档问答和播客生成
|
||||||
|
- Google Gemini — 多模态大语言模型
|
||||||
|
- Google Workspace — 办公套件
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
NotebookLM 是本文档讨论的标杆产品，所有开源平替均以 NotebookLM 为参照系。
|
||||||
30
wiki/entities/InsightsLM.md
Normal file
30
wiki/entities/InsightsLM.md
Normal file
@@ -0,0 +1,30 @@
|
|||||||
|
---
|
||||||
|
title: "InsightsLM"
|
||||||
|
type: entity
|
||||||
|
tags: [product, open-source, ai, github, low-code]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
InsightsLM 是 NotebookLM 的替代方案，强调低代码/无代码。它采用 [[Supabase]] 作为后端数据库和存储，结合 [[N8N]] 工作流自动化工具，前端基于 React 构建，提供可完全掌控数据的私有化研究工具。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- theaiautomators/insights-lm-public
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- **文档对话**：与上传的文档进行聊天
|
||||||
|
- **带引用答案**：生成可验证引用的回答
|
||||||
|
- **播客生成**：支持播客内容生成
|
||||||
|
- **N8N 工作流集成**：利用 N8N 进行后端逻辑处理
|
||||||
|
- **本地化部署**：支持 Ollama 和 Qwen3 等本地模型，实现完全离线的 AI 交互
|
||||||
|
|
||||||
|
## Tech Stack
|
||||||
|
- **前端**：React
|
||||||
|
- **后端**：[[Supabase]]（数据库和存储）+ [[N8N]]（工作流自动化）
|
||||||
|
|
||||||
|
## GitHub
|
||||||
|
https://github.com/theaiautomators/insights-lm-public
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
InsightsLM 是最容易上手的低代码方案，适合不熟悉技术但希望私有化部署的用户。
|
||||||
27
wiki/entities/NotebookLM.md
Normal file
27
wiki/entities/NotebookLM.md
Normal file
@@ -0,0 +1,27 @@
|
|||||||
|
---
|
||||||
|
title: "NotebookLM"
|
||||||
|
type: entity
|
||||||
|
tags: [product, ai, google, productivity]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
NotebookLM 是 Google 推出的 AI 笔记助手，核心特点是严格基于用户上传的文档范围进行回答，并能提供精准的原文引用。其最出圈的功能是**播客生成**，能将复杂资料一键转换为逼真的双人英语对话播客。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- Google NotebookLM
|
||||||
|
- NotebookLM (Google)
|
||||||
|
|
||||||
|
## Core Capabilities
|
||||||
|
- **文档问答**：基于上传文档的精准回答，带原文引用
|
||||||
|
- **播客生成**：多角色对话音频生成，支持收听学习
|
||||||
|
- **多模态输入**：支持 PDF、网页、音频、YouTube 视频
|
||||||
|
|
||||||
|
## Key Parameters
|
||||||
|
- 免费使用
|
||||||
|
- 支持多语言文档
|
||||||
|
- 基于 Google Gemini 模型驱动
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
作为标杆产品，是本文档中 6 款开源平替（OpenNotebook、SurfSense、Podcastfy、NotebookLlama、PageLM、InsightsLM）的共同参照对象。
|
||||||
27
wiki/entities/NotebookLlama.md
Normal file
27
wiki/entities/NotebookLlama.md
Normal file
@@ -0,0 +1,27 @@
|
|||||||
|
---
|
||||||
|
title: "NotebookLlama"
|
||||||
|
type: entity
|
||||||
|
tags: [product, open-source, ai, github, llamaindex]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
NotebookLlama 是由 [[LlamaIndex]] 官方推出的完全开源项目，当前 1.7k Stars。通过 LlamaCloud 生态系统处理复杂文档解析，并利用开源模型实现从文档到播客的转换流程。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- run-llama/notebookllama
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- **完整技术链条展示**：文本提取 → 脚本生成 → 戏剧化改编 → 文本转语音（TTS）
|
||||||
|
- **LlamaCloud 集成**：处理复杂文档解析
|
||||||
|
- **多种模型支持**：OpenAI API、ElevenLabs API，或完全本地化的模型
|
||||||
|
|
||||||
|
## Learning Value
|
||||||
|
该开源项目是学习如何利用 AI 大模型技术链条构建文档转播客应用的参考实现。
|
||||||
|
|
||||||
|
## GitHub
|
||||||
|
https://github.com/run-llama/notebookllama
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
NotebookLlama 的核心价值在于作为学习参考，展示构建文档转播客应用的完整 AI 技术链条。
|
||||||
66
wiki/entities/Obsidian.md
Normal file
66
wiki/entities/Obsidian.md
Normal file
@@ -0,0 +1,66 @@
|
|||||||
|
---
|
||||||
|
title: "Obsidian"
|
||||||
|
type: entity
|
||||||
|
tags: [笔记工具, 知识管理, 双链笔记]
|
||||||
|
sources: []
|
||||||
|
last_updated: 2026-04-09
|
||||||
|
---
|
||||||
|
|
||||||
|
# Obsidian
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- Obsidian.md
|
||||||
|
- Obsidian 笔记
|
||||||
|
|
||||||
|
## 描述
|
||||||
|
本地优先的笔记和知识管理工具，支持双链笔记、Graph View 图谱视图和丰富的社区插件生态。通过 iCloud Drive 或 Obsidian Git 插件实现多端同步。
|
||||||
|
|
||||||
|
## 核心特性
|
||||||
|
|
||||||
|
### 双链笔记 (Bidirectional Links)
|
||||||
|
通过 `[[wikilinks]]` 语法在页面间建立双向链接，形成知识网络而非孤岛。
|
||||||
|
|
||||||
|
### Graph View
|
||||||
|
左侧边栏图谱图标（或 `Ctrl+G`）将所有 Wiki 页面以节点展示，双链关系自动连线：
|
||||||
|
- **健康检查**：没有任何页面链接指向它 → 孤岛页面，需要补上交叉引用
|
||||||
|
- **发现盲区**：某个概念被很多页面提到但自己还没有独立页面 → 灰色幽灵节点
|
||||||
|
|
||||||
|
### 社区插件
|
||||||
|
- **Obsidian Git**：自动 commit + push 到 Git 仓库
|
||||||
|
- **Obsidian Web Clipper**：浏览器插件，快速采集网页文章为 Markdown
|
||||||
|
- **Dataview**：类似数据库的笔记查询
|
||||||
|
- **Tasks**：任务管理
|
||||||
|
- **Templater**：动态模板
|
||||||
|
|
||||||
|
## 与 AI Agent 的集成
|
||||||
|
|
||||||
|
### 目录结构（OpenClaw 用法）
|
||||||
|
```
|
||||||
|
/Users/weishen/Workspace/nexus/
|
||||||
|
├── openclaw/
|
||||||
|
│ ├── knowledgebase/ ← 经过整理、跨 Agent 共用的知识
|
||||||
|
│ ├── xingshu/ ← 星枢专属笔记
|
||||||
|
│ ├── xinghui/ ← 星辉专属笔记
|
||||||
|
│ ├── xingyao/ ← 星曜专属笔记
|
||||||
|
└── …（其他 Obsidian 笔记）
|
||||||
|
```
|
||||||
|
|
||||||
|
### OpenClaw obsidian skill
|
||||||
|
支持的操作：
|
||||||
|
- `obsidian write` — 创建或覆盖一篇笔记
|
||||||
|
- `obsidian append` — 在已有笔记末尾追加内容
|
||||||
|
- `obsidian read` — 读取笔记内容
|
||||||
|
- `obsidian search` — 在笔记库中搜索关键词
|
||||||
|
- `obsidian update` — 修改笔记的特定部分
|
||||||
|
|
||||||
|
## 图片本地化
|
||||||
|
剪藏的网页文章图片通常是外链，几个月后失效。解决方案：
|
||||||
|
1. 设置 → 文件与链接 → 附件存储路径 → 设为当前文件夹下的 `attachments/` 子目录
|
||||||
|
2. 绑定下载快捷键（如 `Ctrl+Shift+D`）→ 剪藏完按一下快捷键，所有图片自动下载到本地
|
||||||
|
|
||||||
|
## 相关来源
|
||||||
|
- [[养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统]]
|
||||||
|
- [[obsidian-高效指南-我常用的插件与实用技巧]]
|
||||||
|
- [[obsidian最有必要安装的10款插件是这些]]
|
||||||
|
- [[Obsidian Tasks 插件-这可能是最适合懒人的任务管理方式]]
|
||||||
|
- [[dataview-让我从笔记黑洞里逃出来的-obsidian-神器-1]]
|
||||||
31
wiki/entities/OpenNotebook.md
Normal file
31
wiki/entities/OpenNotebook.md
Normal file
@@ -0,0 +1,31 @@
|
|||||||
|
---
|
||||||
|
title: "OpenNotebook"
|
||||||
|
type: entity
|
||||||
|
tags: [product, open-source, ai, github, local-deployment]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
OpenNotebook 是 GitHub 上 Star 数量最高的 NotebookLM 开源平替项目（14.6k Stars）。作为全功能本地化解决方案，不依赖云端即可进行知识管理和研究，支持 Docker 轻松部署。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- Open Notebook
|
||||||
|
- lfnovo/open-notebook
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- **多 AI 提供商支持**：超过 16 种 AI 提供商，包括 OpenAI、Anthropic、Claude、Gemini 等主流云端模型
|
||||||
|
- **本地模型支持**：完美支持通过 [[Ollama]] 或 [[LM Studio]] 运行的本地模型
|
||||||
|
- **多模态内容输入**：PDF、网页、音频、YouTube 视频
|
||||||
|
- **文档问答**：类似 NotebookLM 的文档问答和引用功能
|
||||||
|
- **播客生成**：高级播客生成工具，支持创建多达 4 位演讲者的多角色对话，可对脚本进行精细控制
|
||||||
|
|
||||||
|
## Deployment
|
||||||
|
- Docker 容器化部署
|
||||||
|
- 完全本地化运行，无需云端依赖
|
||||||
|
|
||||||
|
## GitHub
|
||||||
|
https://github.com/lfnovo/open-notebook
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
OpenNotebook 是开源平替中功能最全面、Star 最高的项目，适合需要完全本地化部署且功能完整替代的用户。
|
||||||
27
wiki/entities/PageLM.md
Normal file
27
wiki/entities/PageLM.md
Normal file
@@ -0,0 +1,27 @@
|
|||||||
|
---
|
||||||
|
title: "PageLM"
|
||||||
|
type: entity
|
||||||
|
tags: [product, open-source, ai, github, education]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
PageLM 是一个把学习材料转化为互动式资源的教育平台，通过 AI 技术提升学习效率。该开源项目提供了一系列针对学习场景优化的功能。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- CaviraOSS/PageLM
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- **康奈尔笔记（SmartNotes）**：自动生成结构化康奈尔格式笔记
|
||||||
|
- **互动测验**：基于文档的自动生成测验
|
||||||
|
- **间隔重复闪卡（Flashcards）**：支持科学复习的闪卡系统
|
||||||
|
- **模拟考试系统（ExamLab）**：自动化模拟考试生成
|
||||||
|
- **播客转换**：将枯燥的学习资料转化为播客，支持读、听、测三种学习方式
|
||||||
|
- **多 AI 模型支持**：Google Gemini、OpenAI GPT、Anthropic Claude、本地 Ollama 模型
|
||||||
|
|
||||||
|
## GitHub
|
||||||
|
https://github.com/CaviraOSS/PageLM
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
PageLM 是教育场景的垂直工具，适合需要将文档转化为学习资源的教育者和学生。
|
||||||
31
wiki/entities/Podcastfy.md
Normal file
31
wiki/entities/Podcastfy.md
Normal file
@@ -0,0 +1,31 @@
|
|||||||
|
---
|
||||||
|
title: "Podcastfy"
|
||||||
|
type: entity
|
||||||
|
tags: [product, open-source, ai, github, podcast]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
Podcastfy 专注于播客生成，对标的是 NotebookLM 的播客生成功能。它可以把多模态内容（文本、图像、网站、PDF 等）转化为高质量、多语言的音频对话。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- souzatharsis/podcastfy
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- **多模态输入转换**：文本、图像、网站、PDF → 高质量音频对话
|
||||||
|
- **高度定制化**：支持短视频风格（Shorts）或长篇深度（Longform）播客内容
|
||||||
|
- **100+ LLM 整合**：用于脚本生成
|
||||||
|
- **多 TTS 引擎**：OpenAI、Google、ElevenLabs、Microsoft Edge TTS 等多种语音合成引擎
|
||||||
|
- **多使用方式**：Python 包、命令行工具、Web 界面
|
||||||
|
|
||||||
|
## Deployment
|
||||||
|
- Python 包（pip install）
|
||||||
|
- 命令行工具
|
||||||
|
- Web 界面
|
||||||
|
|
||||||
|
## GitHub
|
||||||
|
https://github.com/souzatharsis/podcastfy
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
Podcastfy 是专门做播客生成的开源工具，适合只需要 NotebookLM 播客功能、不需要文档问答的用户。
|
||||||
31
wiki/entities/SurfSense.md
Normal file
31
wiki/entities/SurfSense.md
Normal file
@@ -0,0 +1,31 @@
|
|||||||
|
---
|
||||||
|
title: "SurfSense"
|
||||||
|
type: entity
|
||||||
|
tags: [product, open-source, ai, github, research]
|
||||||
|
sources: [google-神级生产力工具-所有-github-开源平替都找到了]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
SurfSense 是一个综合型开源 AI 搜索与研究智能体，定位为 NotebookLM、Perplexity 和 Glean 的开源替代品，在 GitHub 上拥有 11.4k 颗 Star。它不仅能处理上传的文件，还能连接广泛的外部数据源，通过整合个人知识库和外部信息流进行深度定制化研究。
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- MODSetter/SurfSense
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
- **外部数据源集成**：Notion、YouTube、GitHub 等多种平台和工具
|
||||||
|
- **混合搜索技术**：语义搜索 + 全文搜索，结合重排序算法确保精准引用
|
||||||
|
- **自然语言对话**：与保存的内容进行自然语言对话，生成带引用的答案
|
||||||
|
- **本地 LLM 支持**：利用本地 LLM 保护隐私
|
||||||
|
- **播客生成**：快速播客生成智能体，支持多种文本转语音服务
|
||||||
|
- **团队协作**：支持 Docker 部署和基于角色的访问控制（RBAC）
|
||||||
|
|
||||||
|
## Deployment
|
||||||
|
- Docker 容器化部署
|
||||||
|
- 支持 RBAC 团队协作场景
|
||||||
|
|
||||||
|
## GitHub
|
||||||
|
https://github.com/MODSetter/SurfSense
|
||||||
|
|
||||||
|
## Role in This Wiki
|
||||||
|
SurfSense 是最具综合性的平替，适合需要整合外部数据源进行研究的用户。
|
||||||
51
wiki/entities/clawr.ing.md
Normal file
51
wiki/entities/clawr.ing.md
Normal file
@@ -0,0 +1,51 @@
|
|||||||
|
---
|
||||||
|
title: "clawr.ing"
|
||||||
|
type: entity
|
||||||
|
tags: [clawr.ing, telephony, OpenClaw, notification, voice, PSTN]
|
||||||
|
sources: [phone-call-notifications]
|
||||||
|
last_updated: 2026-04-23
|
||||||
|
---
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- clawr.ing
|
||||||
|
- Clawr.ing
|
||||||
|
- clawring
|
||||||
|
|
||||||
|
## Definition
|
||||||
|
|
||||||
|
clawr.ing 是一个托管电话服务（Managed Calling Service），为 AI Agent 提供主动向用户拨打电话的能力，无需配置 Twilio 或其他电话 API。用户只需粘贴一段 setup prompt，Agent 即获得电话呼叫能力，支持 100+ 国家的真实 PSTN 电话。音频传输加密，不存储录音或文字记录，通话完成后即时销毁。
|
||||||
|
|
||||||
|
## Key Capabilities
|
||||||
|
|
||||||
|
- **Agent-Initiated Calls**: Agent 主动拨叫用户真实电话号码，而非用户呼叫 Agent
|
||||||
|
- **Two-Way Conversation**: 用户接听后可实时提问，Agent 实时响应——真正的双向对话，而非单向广播
|
||||||
|
- **Global PSTN Coverage**: 100+ 国家真实公共交换电话网电话，非 VoIP 叠加层
|
||||||
|
- **Zero-Config Setup**: 粘贴 setup prompt 即可，无需 Twilio 账号、无需电话号码配置、无需 Webhook
|
||||||
|
- **Privacy by Design**: 不存储录音、不存储文字记录，音频加密传输后即时销毁
|
||||||
|
- **Fast Model Compatible**: 可配合快速模型（Haiku 级别）降低通话延迟
|
||||||
|
|
||||||
|
## How It Works
|
||||||
|
|
||||||
|
1. 用户从 [clawr.ing dashboard](https://clawr.ing) 获取一段 setup prompt
|
||||||
|
2. 将 setup prompt 粘贴到 OpenClaw 对话中，Agent 自动读取文档并配置呼叫能力
|
||||||
|
3. Agent 通过自然语言触发呼叫（如 "Call me if NVDA drops 5% today"）
|
||||||
|
4. clawr.ing 执行实际电话呼叫，用户接听即可双向对话
|
||||||
|
|
||||||
|
## Use Cases
|
||||||
|
|
||||||
|
- 紧急告警：股价暴跌、服务器宕机等关键事件立即电话通知
|
||||||
|
- 定时简报：每天早晨 7:30 定时来电播报天气/日历/新闻
|
||||||
|
- 重要邮件过滤：老板或标记紧急的邮件立即电话通知
|
||||||
|
- 任何需要"无法忽视"触达的场景
|
||||||
|
|
||||||
|
## Design Principles
|
||||||
|
|
||||||
|
- **控制频率**：电话通知必须稀缺（"这真的很重要才打电话"），否则用户会麻木
|
||||||
|
- **配合触发器**：clawr.ing 是投递通道，需要 Heartbeat/Cron Job 作为触发器
|
||||||
|
- **快速响应优先**：通话场景使用快速模型减少等待延迟
|
||||||
|
|
||||||
|
## Connections
|
||||||
|
- [[clawr.ing]] ← powers ← [[phone-call-notifications]]
|
||||||
|
- [[clawhub.ai]] ← hosts ← [[clawr.ing]] skill
|
||||||
|
- [[OpenClaw]] ← extends via ← [[clawr.ing]] skill
|
||||||
|
- [[phone-based-personal-assistant]] ← related_to ← [[clawr.ing]]（后者侧重 Agent 去电通知，前者侧重用户来电咨询）
|
||||||
43
wiki/entities/苏东坡.md
Normal file
43
wiki/entities/苏东坡.md
Normal file
@@ -0,0 +1,43 @@
|
|||||||
|
---
|
||||||
|
title: "苏东坡"
|
||||||
|
type: entity
|
||||||
|
tags: []
|
||||||
|
---
|
||||||
|
|
||||||
|
## Overview
|
||||||
|
苏轼（1037-1101），号东坡居士，北宋文学家、书法家、画家，唐宋八大家之一。一生三起三落：从庙堂翰林到黄州团练副使，再到惠州、儋州南荒，最后病逝于北归途中常州。无论被贬到多荒远的地方，始终躬耕做事——东坡种田、惠州插秧、儋州办学堂。"问汝平生功业，黄州惠州儋州"是自嘲也是骨气。
|
||||||
|
|
||||||
|
## Type
|
||||||
|
人物 / 历史人物 / 思维导师
|
||||||
|
|
||||||
|
## Aliases
|
||||||
|
- 苏轼
|
||||||
|
- 苏东坡
|
||||||
|
- 东坡居士
|
||||||
|
- 苏子瞻
|
||||||
|
- SuDongPo
|
||||||
|
|
||||||
|
## 蒸馏出的六大心智模型
|
||||||
|
|
||||||
|
1. **进退由时，行藏在我** — 庙堂之高与江湖之远都是正确的人生选项，判断"此刻我能进吗"+"我内心想进吗"
|
||||||
|
2. **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》等一生最重要作品
|
||||||
|
3. **辞达而已** — 文章千古事，妙在准确传达，不在辞藻堆砌；回到"我要传达什么"这个根本问题
|
||||||
|
4. **以时受力，逆境转化** — 时间和困苦可以转化，逆境是创作的土壤；不是歌颂苦难，而是肯定人在苦难中的主动转化能力
|
||||||
|
5. **自出新意，不践古人** — 学习古人是为了超越古人，不是成为古人；传承是底座，超越是目的
|
||||||
|
6. **物我相谙，天人合一** — 人与自然不是主客体对立，而是融为一体；从不同尺度、不同角度重新审视问题
|
||||||
|
|
||||||
|
## 关键语录（被AI蒸馏后）
|
||||||
|
- "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**
|
||||||
|
- "人生到处知何似，应似飞鸿踏雪泥"——人生虽充满偶然和不确定性，但每一次经历和痕迹都值得珍惜
|
||||||
|
|
||||||
|
## 蒸馏为AI Skill
|
||||||
|
- 产出：[[苏东坡Skill]]（ishenwei/openclaw-skills仓库）
|
||||||
|
- 基于：[[女娲]]（Nuwa Skill）框架
|
||||||
|
- 蒸馏方式：6个并行Agent从6维度采集（著作/对话/表达DNA/他者视角/决策/时间线）
|
||||||
|
- 激活后：AI以苏东坡的视角与用户对话
|
||||||
|
|
||||||
|
## Related Links
|
||||||
|
- [[女娲]] — 提供蒸馏框架的开源项目
|
||||||
|
- [[苏东坡Skill]] — 蒸馏产出的AI Skill
|
||||||
|
- [[数字导师]] — 蒸馏苏东坡的动机——成为日常思维顾问
|
||||||
|
- [[养虾日记5]] — 蒸馏苏东坡的完整记录
|
||||||
@@ -4,6 +4,22 @@
|
|||||||
- [Overview](overview.md) — living synthesis
|
- [Overview](overview.md) — living synthesis
|
||||||
|
|
||||||
## Sources
|
## Sources
|
||||||
|
- [2026-04-22] [文字生成视频网站推荐](sources/文字生成视频网站推荐.md)
|
||||||
|
- [2026-04-22] [Google 神级生产力工具，所有 GitHub 开源平替都找到了。](sources/google-神级生产力工具-所有-github-开源平替都找到了.md)
|
||||||
|
- [2026-04-22] [教學 ChatGPT 先做知識整理，再讓 Canva、 Gamma AI 輸出簡報](sources/教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報.md)
|
||||||
|
- [2026-04-22] [Designing for Agentic AI](sources/designing-for-agentic-ai.md)
|
||||||
|
- [2026-04-22] [14个免费的AI图生视频工具，用AI让图片动起来](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)
|
||||||
|
- [2026-04-22] [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](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)
|
||||||
|
- [2026-04-22] [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](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)
|
||||||
|
- [2026-04-22] [不谈技术：普通人该怎么在AI时代赚钱？](sources/不谈技术-普通人该怎么在ai时代赚钱.md)
|
||||||
|
- [2026-04-22] [养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统](sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md)
|
||||||
|
- [2026-04-22] [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](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)
|
||||||
|
- [2026-04-22] [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](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)
|
||||||
|
- [2026-04-22] [养虾日记2：让Agent更懂你：OpenClaw + Self-Improving 复盘实战案例分享](sources/养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享.md)
|
||||||
|
- [2026-04-22] [X Account Analysis](sources/x-account-analysis.md)
|
||||||
|
- [2026-04-22] [Phone Call Notifications](sources/phone-call-notifications.md)
|
||||||
|
- [2026-04-22] [Autonomous Educational Game Development Pipeline](sources/autonomous-game-dev-pipeline.md)
|
||||||
|
- [2026-04-22] [arXiv Paper Reader](sources/arxiv-paper-reader.md)
|
||||||
- [2026-04-22] [Semantic Memory Search](sources/semantic-memory-search.md)
|
- [2026-04-22] [Semantic Memory Search](sources/semantic-memory-search.md)
|
||||||
- [2026-04-22] [OpenClaw as Desktop Cowork (AionUi) — Remote Rescue & Multi-Agent Hub](sources/aionui-cowork-desktop.md)
|
- [2026-04-22] [OpenClaw as Desktop Cowork (AionUi) — Remote Rescue & Multi-Agent Hub](sources/aionui-cowork-desktop.md)
|
||||||
- [2026-04-22] [Family Calendar Aggregation & Household Assistant](sources/family-calendar-household-assistant.md)
|
- [2026-04-22] [Family Calendar Aggregation & Household Assistant](sources/family-calendar-household-assistant.md)
|
||||||
@@ -130,7 +146,6 @@
|
|||||||
- [2026-04-21] [marketing-carousel-growth-engine](sources/marketing-carousel-growth-engine.md) — (expected: wiki/sources/marketing-carousel-growth-engine.md — source missing)
|
- [2026-04-21] [marketing-carousel-growth-engine](sources/marketing-carousel-growth-engine.md) — (expected: wiki/sources/marketing-carousel-growth-engine.md — source missing)
|
||||||
- [2026-04-21] [codecrafters-iobuild-your-own-x-master-programming-by-recreating-your-favorite-technologies-from-scratch](sources/codecrafters-iobuild-your-own-x-master-programming-by-recreating-your-favorite-technologies-from-scratch.md) — (expected: wiki/sources/codecrafters-iobuild-your-own-x-master-programming-by-recreating-your-favorite-technologies-from-scratch.md — source missing)
|
- [2026-04-21] [codecrafters-iobuild-your-own-x-master-programming-by-recreating-your-favorite-technologies-from-scratch](sources/codecrafters-iobuild-your-own-x-master-programming-by-recreating-your-favorite-technologies-from-scratch.md) — (expected: wiki/sources/codecrafters-iobuild-your-own-x-master-programming-by-recreating-your-favorite-technologies-from-scratch.md — source missing)
|
||||||
- [2026-04-21] [marketing-private-domain-operator](sources/marketing-private-domain-operator.md) — (expected: wiki/sources/marketing-private-domain-operator.md — source missing)
|
- [2026-04-21] [marketing-private-domain-operator](sources/marketing-private-domain-operator.md) — (expected: wiki/sources/marketing-private-domain-operator.md — source missing)
|
||||||
- [2026-04-21] [教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報](sources/教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報.md) — (expected: wiki/sources/教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報.md — source missing)
|
|
||||||
- [2026-04-21] [marketing-short-video-editing-coach](sources/marketing-short-video-editing-coach.md) — (expected: wiki/sources/marketing-short-video-editing-coach.md — source missing)
|
- [2026-04-21] [marketing-short-video-editing-coach](sources/marketing-short-video-editing-coach.md) — (expected: wiki/sources/marketing-short-video-editing-coach.md — source missing)
|
||||||
- [2026-04-21] [marketing-social-media-strategist](sources/marketing-social-media-strategist.md) — (expected: wiki/sources/marketing-social-media-strategist.md — source missing)
|
- [2026-04-21] [marketing-social-media-strategist](sources/marketing-social-media-strategist.md) — (expected: wiki/sources/marketing-social-media-strategist.md — source missing)
|
||||||
- [2026-04-21] [marketing-kuaishou-strategist](sources/marketing-kuaishou-strategist.md) — (expected: wiki/sources/marketing-kuaishou-strategist.md — source missing)
|
- [2026-04-21] [marketing-kuaishou-strategist](sources/marketing-kuaishou-strategist.md) — (expected: wiki/sources/marketing-kuaishou-strategist.md — source missing)
|
||||||
@@ -398,22 +413,7 @@
|
|||||||
- [2026-04-18] [openai-chatgpt-个性化定义](sources/openai-chatgpt-个性化定义.md) — (expected: wiki/sources/openai-chatgpt-个性化定义.md — source missing)
|
- [2026-04-18] [openai-chatgpt-个性化定义](sources/openai-chatgpt-个性化定义.md) — (expected: wiki/sources/openai-chatgpt-个性化定义.md — source missing)
|
||||||
- [2026-04-18] [清华出的deepseek使用手册-104页-真的是太厉害了-免费领取](sources/清华出的deepseek使用手册-104页-真的是太厉害了-免费领取.md) — (expected: wiki/sources/清华出的deepseek使用手册-104页-真的是太厉害了-免费领取.md — source missing)
|
- [2026-04-18] [清华出的deepseek使用手册-104页-真的是太厉害了-免费领取](sources/清华出的deepseek使用手册-104页-真的是太厉害了-免费领取.md) — (expected: wiki/sources/清华出的deepseek使用手册-104页-真的是太厉害了-免费领取.md — source missing)
|
||||||
- [2026-04-18] [llms-rag-ai-agent-三个到底什么区别](sources/llms-rag-ai-agent-三个到底什么区别.md) — (expected: wiki/sources/llms-rag-ai-agent-三个到底什么区别.md — source missing)
|
- [2026-04-18] [llms-rag-ai-agent-三个到底什么区别](sources/llms-rag-ai-agent-三个到底什么区别.md) — (expected: wiki/sources/llms-rag-ai-agent-三个到底什么区别.md — source missing)
|
||||||
- [2026-04-18] [a-formalization-of-recursive-self-optimizing-generative-systems](sources/a-formalization-of-recursive-self-optimizing-generative-systems.md) — (expected: wiki/sources/a-formalization-of-recursive-self-optimizing-generative-systems.md — source missing)
|
- [2025-12-30] [A Formalization of Recursive Self-Optimizing Generative Systems](sources/a-formalization-of-recursive-self-optimizing-generative-systems.md) — 递归自我优化生成系统的形式化模型，用不动点语义刻画元生成过程
|
||||||
- [2026-04-18] [文字生成视频网站推荐](sources/文字生成视频网站推荐.md) — (expected: wiki/sources/文字生成视频网站推荐.md — source missing)
|
|
||||||
- [2026-04-18] [google-神级生产力工具-所有-github-开源平替都找到了](sources/google-神级生产力工具-所有-github-开源平替都找到了.md) — (expected: wiki/sources/google-神级生产力工具-所有-github-开源平替都找到了.md — source missing)
|
|
||||||
- [2026-04-18] [designing-for-agentic-ai](sources/designing-for-agentic-ai.md) — (expected: wiki/sources/designing-for-agentic-ai.md — source missing)
|
|
||||||
- [2026-04-18] [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](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) — (expected: 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 — source missing)
|
|
||||||
- [2026-04-18] [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](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) — (expected: 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 — source missing)
|
|
||||||
- [2026-04-18] [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](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) — (expected: 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 — source missing)
|
|
||||||
- [2026-04-17] [不谈技术-普通人该怎么在ai时代赚钱](sources/不谈技术-普通人该怎么在ai时代赚钱.md) — (expected: wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md — source missing)
|
|
||||||
- [2026-04-17] [养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统](sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md) — (expected: wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md — source missing)
|
|
||||||
- [2026-04-17] [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](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) — (expected: 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 — source missing)
|
|
||||||
- [2026-04-17] [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](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) — (expected: 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 — source missing)
|
|
||||||
- [2026-04-17] [养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享](sources/养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享.md) — (expected: wiki/sources/养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享.md — source missing)
|
|
||||||
- [2026-04-17] [x-account-analysis](sources/x-account-analysis.md) — (expected: wiki/sources/x-account-analysis.md — source missing)
|
|
||||||
- [2026-04-17] [phone-call-notifications](sources/phone-call-notifications.md) — (expected: wiki/sources/phone-call-notifications.md — source missing)
|
|
||||||
- [2026-04-17] [autonomous-game-dev-pipeline](sources/autonomous-game-dev-pipeline.md) — (expected: wiki/sources/autonomous-game-dev-pipeline.md — source missing)
|
|
||||||
- [2026-04-17] [arXiv Paper Reader](sources/arxiv-paper-reader.md) — AI Agent 驱动的 arXiv 论文阅读助手，通过 arxiv-reader skill 实现对话式论文浏览、摘要对比和选择性细读，无需离开工作区
|
|
||||||
- [Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog](sources/Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog.md) — (expected: wiki/sources/Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog.md — source missing)
|
- [Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog](sources/Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog.md) — (expected: wiki/sources/Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog.md — source missing)
|
||||||
- [Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend](sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md) — (expected: wiki/sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md — source missing)
|
- [Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend](sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md) — (expected: wiki/sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md — source missing)
|
||||||
- [zk-steward](sources/zk-steward.md) — (expected: wiki/sources/zk-steward.md — source missing)
|
- [zk-steward](sources/zk-steward.md) — (expected: wiki/sources/zk-steward.md — source missing)
|
||||||
@@ -558,10 +558,12 @@
|
|||||||
- [Caddy](entities/Caddy.md)
|
- [Caddy](entities/Caddy.md)
|
||||||
- [cAdvisor](entities/cAdvisor.md)
|
- [cAdvisor](entities/cAdvisor.md)
|
||||||
- [Calibre](entities/Calibre.md)
|
- [Calibre](entities/Calibre.md)
|
||||||
|
- [Canva](entities/Canva.md)
|
||||||
- [Claude-Desktop](entities/Claude-Desktop.md)
|
- [Claude-Desktop](entities/Claude-Desktop.md)
|
||||||
- [Claude-Pro](entities/Claude-Pro.md)
|
- [Claude-Pro](entities/Claude-Pro.md)
|
||||||
- [ClawdTalk](entities/ClawdTalk.md)
|
- [ClawdTalk](entities/ClawdTalk.md)
|
||||||
- [ClawHub](entities/ClawHub.md)
|
- [ClawHub](entities/ClawHub.md)
|
||||||
|
- [clawr.ing](entities/clawr.ing.md)
|
||||||
- [Clonezilla](entities/Clonezilla.md)
|
- [Clonezilla](entities/Clonezilla.md)
|
||||||
- [cloud-computing](entities/cloud-computing.md)
|
- [cloud-computing](entities/cloud-computing.md)
|
||||||
- [Cloud-Maturity-Model](entities/Cloud-Maturity-Model.md)
|
- [Cloud-Maturity-Model](entities/Cloud-Maturity-Model.md)
|
||||||
@@ -582,10 +584,12 @@
|
|||||||
- [DORA-Metrics](entities/DORA-Metrics.md)
|
- [DORA-Metrics](entities/DORA-Metrics.md)
|
||||||
- [DracoVibeCoding](entities/DracoVibeCoding.md)
|
- [DracoVibeCoding](entities/DracoVibeCoding.md)
|
||||||
- [frp](entities/frp.md)
|
- [frp](entities/frp.md)
|
||||||
|
- [Gamma-AI](entities/Gamma-AI.md)
|
||||||
- [GDPR](entities/GDPR.md)
|
- [GDPR](entities/GDPR.md)
|
||||||
- [Gitea](entities/Gitea.md)
|
- [Gitea](entities/Gitea.md)
|
||||||
- [glances](entities/glances.md)
|
- [glances](entities/glances.md)
|
||||||
- [gog](entities/gog.md)
|
- [gog](entities/gog.md)
|
||||||
|
- [Google](entities/Google.md)
|
||||||
- [Google-Cloud](entities/Google-Cloud.md)
|
- [Google-Cloud](entities/Google-Cloud.md)
|
||||||
- [GoogleCloud](entities/GoogleCloud.md)
|
- [GoogleCloud](entities/GoogleCloud.md)
|
||||||
- [Grafana](entities/Grafana.md)
|
- [Grafana](entities/Grafana.md)
|
||||||
@@ -595,6 +599,7 @@
|
|||||||
- [HP-ZBook](entities/HP-ZBook.md)
|
- [HP-ZBook](entities/HP-ZBook.md)
|
||||||
- [htop](entities/htop.md)
|
- [htop](entities/htop.md)
|
||||||
- [idea-reality-mcp](entities/idea-reality-mcp.md)
|
- [idea-reality-mcp](entities/idea-reality-mcp.md)
|
||||||
|
- [InsightsLM](entities/InsightsLM.md)
|
||||||
- [ISO-27001](entities/ISO-27001.md)
|
- [ISO-27001](entities/ISO-27001.md)
|
||||||
- [it-tools](entities/it-tools.md)
|
- [it-tools](entities/it-tools.md)
|
||||||
- [Jellyfin](entities/Jellyfin.md)
|
- [Jellyfin](entities/Jellyfin.md)
|
||||||
@@ -621,12 +626,19 @@
|
|||||||
- [node-exporter](entities/node-exporter.md)
|
- [node-exporter](entities/node-exporter.md)
|
||||||
- [Node.js](entities/Node.js.md)
|
- [Node.js](entities/Node.js.md)
|
||||||
- [nodewarden](entities/nodewarden.md)
|
- [nodewarden](entities/nodewarden.md)
|
||||||
|
- [NotebookLlama](entities/NotebookLlama.md)
|
||||||
|
- [NotebookLM](entities/NotebookLM.md)
|
||||||
|
- [Obsidian](entities/Obsidian.md)
|
||||||
- [Open-Alliance-for-Cloud-Adoption](entities/Open-Alliance-for-Cloud-Adoption.md)
|
- [Open-Alliance-for-Cloud-Adoption](entities/Open-Alliance-for-Cloud-Adoption.md)
|
||||||
- [OpenClaw](entities/OpenClaw.md)
|
- [OpenClaw](entities/OpenClaw.md)
|
||||||
- [openclaw-n8n-stack](entities/openclaw-n8n-stack.md)
|
- [openclaw-n8n-stack](entities/openclaw-n8n-stack.md)
|
||||||
- [OpenCode](entities/OpenCode.md)
|
- [OpenCode](entities/OpenCode.md)
|
||||||
|
- [OpenNotebook](entities/OpenNotebook.md)
|
||||||
|
- [PageLM](entities/PageLM.md)
|
||||||
- [PingMe](entities/PingMe.md)
|
- [PingMe](entities/PingMe.md)
|
||||||
|
- [Podcastfy](entities/Podcastfy.md)
|
||||||
- [Portainer](entities/Portainer.md)
|
- [Portainer](entities/Portainer.md)
|
||||||
|
- [Prismer-AI](entities/Prismer-AI.md)
|
||||||
- [Prometheus](entities/Prometheus.md)
|
- [Prometheus](entities/Prometheus.md)
|
||||||
- [Public-Cloud-Provider](entities/Public-Cloud-Provider.md)
|
- [Public-Cloud-Provider](entities/Public-Cloud-Provider.md)
|
||||||
- [RackNerd](entities/RackNerd.md)
|
- [RackNerd](entities/RackNerd.md)
|
||||||
@@ -640,6 +652,7 @@
|
|||||||
- [Slack](entities/Slack.md)
|
- [Slack](entities/Slack.md)
|
||||||
- [SparkryAI](entities/SparkryAI.md)
|
- [SparkryAI](entities/SparkryAI.md)
|
||||||
- [stacer](entities/stacer.md)
|
- [stacer](entities/stacer.md)
|
||||||
|
- [SurfSense](entities/SurfSense.md)
|
||||||
- [Synology-NAS-DS718](entities/Synology-NAS-DS718.md)
|
- [Synology-NAS-DS718](entities/Synology-NAS-DS718.md)
|
||||||
- [Telnyx](entities/Telnyx.md)
|
- [Telnyx](entities/Telnyx.md)
|
||||||
- [Terraform](entities/Terraform.md)
|
- [Terraform](entities/Terraform.md)
|
||||||
@@ -662,6 +675,7 @@
|
|||||||
- [盖伊亨德里克斯](entities/盖伊亨德里克斯.md)
|
- [盖伊亨德里克斯](entities/盖伊亨德里克斯.md)
|
||||||
- [矿神源](entities/矿神源.md)
|
- [矿神源](entities/矿神源.md)
|
||||||
- [网件RAX50](entities/网件RAX50.md)
|
- [网件RAX50](entities/网件RAX50.md)
|
||||||
|
- [苏东坡](entities/苏东坡.md)
|
||||||
|
|
||||||
## Concepts
|
## Concepts
|
||||||
- [ActionItemTracking](concepts/ActionItemTracking.md)
|
- [ActionItemTracking](concepts/ActionItemTracking.md)
|
||||||
@@ -672,6 +686,7 @@
|
|||||||
- [Agent-Memory](concepts/Agent-Memory.md)
|
- [Agent-Memory](concepts/Agent-Memory.md)
|
||||||
- [Agent-Mode](concepts/Agent-Mode.md)
|
- [Agent-Mode](concepts/Agent-Mode.md)
|
||||||
- [Agent-Personality](concepts/Agent-Personality.md)
|
- [Agent-Personality](concepts/Agent-Personality.md)
|
||||||
|
- [Agent-Routing-Rules](concepts/Agent-Routing-Rules.md)
|
||||||
- [Agent-Specialization](concepts/Agent-Specialization.md)
|
- [Agent-Specialization](concepts/Agent-Specialization.md)
|
||||||
- [AGENTS.md](concepts/AGENTS.md.md)
|
- [AGENTS.md](concepts/AGENTS.md.md)
|
||||||
- [AgilePractices](concepts/AgilePractices.md)
|
- [AgilePractices](concepts/AgilePractices.md)
|
||||||
@@ -681,9 +696,13 @@
|
|||||||
- [Ai-Powered-Digest](concepts/Ai-Powered-Digest.md)
|
- [Ai-Powered-Digest](concepts/Ai-Powered-Digest.md)
|
||||||
- [AIOps](concepts/AIOps.md)
|
- [AIOps](concepts/AIOps.md)
|
||||||
- [AI代理](concepts/AI代理.md)
|
- [AI代理](concepts/AI代理.md)
|
||||||
|
- [AI图生视频](concepts/AI图生视频.md)
|
||||||
|
- [AI文生视频](concepts/AI文生视频.md)
|
||||||
|
- [AI簡報工作流](concepts/AI簡報工作流.md)
|
||||||
- [Alerting](concepts/Alerting.md)
|
- [Alerting](concepts/Alerting.md)
|
||||||
- [AmbientMessageMonitoring](concepts/AmbientMessageMonitoring.md)
|
- [AmbientMessageMonitoring](concepts/AmbientMessageMonitoring.md)
|
||||||
- [APT-仓库配置](concepts/APT-仓库配置.md)
|
- [APT-仓库配置](concepts/APT-仓库配置.md)
|
||||||
|
- [arXiv-API](concepts/arXiv-API.md)
|
||||||
- [Asset-Management](concepts/Asset-Management.md)
|
- [Asset-Management](concepts/Asset-Management.md)
|
||||||
- [Attach容器](concepts/Attach容器.md)
|
- [Attach容器](concepts/Attach容器.md)
|
||||||
- [Audit-Trail](concepts/Audit-Trail.md)
|
- [Audit-Trail](concepts/Audit-Trail.md)
|
||||||
@@ -702,6 +721,7 @@
|
|||||||
- [Business-Impact-Analysis](concepts/Business-Impact-Analysis.md)
|
- [Business-Impact-Analysis](concepts/Business-Impact-Analysis.md)
|
||||||
- [Business-Knowledge-Base](concepts/Business-Knowledge-Base.md)
|
- [Business-Knowledge-Base](concepts/Business-Knowledge-Base.md)
|
||||||
- [caffeinate](concepts/caffeinate.md)
|
- [caffeinate](concepts/caffeinate.md)
|
||||||
|
- [Call-Worthy-Threshold](concepts/Call-Worthy-Threshold.md)
|
||||||
- [Canary-Release](concepts/Canary-Release.md)
|
- [Canary-Release](concepts/Canary-Release.md)
|
||||||
- [Centralized-Logging](concepts/Centralized-Logging.md)
|
- [Centralized-Logging](concepts/Centralized-Logging.md)
|
||||||
- [CEOPattern](concepts/CEOPattern.md)
|
- [CEOPattern](concepts/CEOPattern.md)
|
||||||
@@ -727,12 +747,14 @@
|
|||||||
- [Cloud-Service-Delivery](concepts/Cloud-Service-Delivery.md)
|
- [Cloud-Service-Delivery](concepts/Cloud-Service-Delivery.md)
|
||||||
- [CMDB](concepts/CMDB.md)
|
- [CMDB](concepts/CMDB.md)
|
||||||
- [CodeWeaver](concepts/CodeWeaver.md)
|
- [CodeWeaver](concepts/CodeWeaver.md)
|
||||||
|
- [Compaction](concepts/Compaction.md)
|
||||||
- [Competition-Analysis](concepts/Competition-Analysis.md)
|
- [Competition-Analysis](concepts/Competition-Analysis.md)
|
||||||
- [Compliance-Automation](concepts/Compliance-Automation.md)
|
- [Compliance-Automation](concepts/Compliance-Automation.md)
|
||||||
- [Configuration-Management](concepts/Configuration-Management.md)
|
- [Configuration-Management](concepts/Configuration-Management.md)
|
||||||
- [Content Automation](concepts/Content Automation.md)
|
- [Content Automation](concepts/Content Automation.md)
|
||||||
- [Content-Hashing](concepts/Content-Hashing.md)
|
- [Content-Hashing](concepts/Content-Hashing.md)
|
||||||
- [Content-Ingestion](concepts/Content-Ingestion.md)
|
- [Content-Ingestion](concepts/Content-Ingestion.md)
|
||||||
|
- [Context-Window](concepts/Context-Window.md)
|
||||||
- [Continuous-Deployment](concepts/Continuous-Deployment.md)
|
- [Continuous-Deployment](concepts/Continuous-Deployment.md)
|
||||||
- [Continuous-Integration](concepts/Continuous-Integration.md)
|
- [Continuous-Integration](concepts/Continuous-Integration.md)
|
||||||
- [Conversational-Interface](concepts/Conversational-Interface.md)
|
- [Conversational-Interface](concepts/Conversational-Interface.md)
|
||||||
@@ -770,6 +792,7 @@
|
|||||||
- [efibootmgr](concepts/efibootmgr.md)
|
- [efibootmgr](concepts/efibootmgr.md)
|
||||||
- [Email-Triage](concepts/Email-Triage.md)
|
- [Email-Triage](concepts/Email-Triage.md)
|
||||||
- [Error-Budget](concepts/Error-Budget.md)
|
- [Error-Budget](concepts/Error-Budget.md)
|
||||||
|
- [Error-Surface-vs-Root-Cause](concepts/Error-Surface-vs-Root-Cause.md)
|
||||||
- [Event-Correlation](concepts/Event-Correlation.md)
|
- [Event-Correlation](concepts/Event-Correlation.md)
|
||||||
- [EventSourcing](concepts/EventSourcing.md)
|
- [EventSourcing](concepts/EventSourcing.md)
|
||||||
- [Exporter](concepts/Exporter.md)
|
- [Exporter](concepts/Exporter.md)
|
||||||
@@ -792,6 +815,7 @@
|
|||||||
- [Green-Computing](concepts/Green-Computing.md)
|
- [Green-Computing](concepts/Green-Computing.md)
|
||||||
- [Headless-服务器](concepts/Headless-服务器.md)
|
- [Headless-服务器](concepts/Headless-服务器.md)
|
||||||
- [Heartbeat-Monitoring](concepts/Heartbeat-Monitoring.md)
|
- [Heartbeat-Monitoring](concepts/Heartbeat-Monitoring.md)
|
||||||
|
- [Hidden-Failure-Paths](concepts/Hidden-Failure-Paths.md)
|
||||||
- [high-availability](concepts/high-availability.md)
|
- [high-availability](concepts/high-availability.md)
|
||||||
- [HouseholdInventoryTracking](concepts/HouseholdInventoryTracking.md)
|
- [HouseholdInventoryTracking](concepts/HouseholdInventoryTracking.md)
|
||||||
- [HTTPS自动化证书](concepts/HTTPS自动化证书.md)
|
- [HTTPS自动化证书](concepts/HTTPS自动化证书.md)
|
||||||
@@ -818,14 +842,20 @@
|
|||||||
- [Knowledge-Base-RAG](concepts/Knowledge-Base-RAG.md)
|
- [Knowledge-Base-RAG](concepts/Knowledge-Base-RAG.md)
|
||||||
- [Language-Detection](concepts/Language-Detection.md)
|
- [Language-Detection](concepts/Language-Detection.md)
|
||||||
- [Last-30-Days-Method](concepts/Last-30-Days-Method.md)
|
- [Last-30-Days-Method](concepts/Last-30-Days-Method.md)
|
||||||
|
- [LaTeX-Flattening](concepts/LaTeX-Flattening.md)
|
||||||
- [launchd](concepts/launchd.md)
|
- [launchd](concepts/launchd.md)
|
||||||
|
- [Layered-Configuration](concepts/Layered-Configuration.md)
|
||||||
- [Lead-Time](concepts/Lead-Time.md)
|
- [Lead-Time](concepts/Lead-Time.md)
|
||||||
|
- [LLM-Wiki](concepts/LLM-Wiki.md)
|
||||||
|
- [Local-Caching](concepts/Local-Caching.md)
|
||||||
- [Local-first-Git](concepts/Local-first-Git.md)
|
- [Local-first-Git](concepts/Local-first-Git.md)
|
||||||
- [Lockable-Workflow](concepts/Lockable-Workflow.md)
|
- [Lockable-Workflow](concepts/Lockable-Workflow.md)
|
||||||
|
- [Log-Driven-Debugging](concepts/Log-Driven-Debugging.md)
|
||||||
- [MCPOnceAllAgents](concepts/MCPOnceAllAgents.md)
|
- [MCPOnceAllAgents](concepts/MCPOnceAllAgents.md)
|
||||||
- [MeetingNotes](concepts/MeetingNotes.md)
|
- [MeetingNotes](concepts/MeetingNotes.md)
|
||||||
- [MEMORY.md](concepts/MEMORY.md.md)
|
- [MEMORY.md](concepts/MEMORY.md.md)
|
||||||
- [Micro-Recovery](concepts/Micro-Recovery.md)
|
- [Micro-Recovery](concepts/Micro-Recovery.md)
|
||||||
|
- [Model-Fallback](concepts/Model-Fallback.md)
|
||||||
- [Morning-Briefing](concepts/Morning-Briefing.md)
|
- [Morning-Briefing](concepts/Morning-Briefing.md)
|
||||||
- [MTTA](concepts/MTTA.md)
|
- [MTTA](concepts/MTTA.md)
|
||||||
- [MTTD](concepts/MTTD.md)
|
- [MTTD](concepts/MTTD.md)
|
||||||
@@ -843,6 +873,7 @@
|
|||||||
- [Obsidian-Tasks](concepts/Obsidian-Tasks.md)
|
- [Obsidian-Tasks](concepts/Obsidian-Tasks.md)
|
||||||
- [OWASP-Top-Ten](concepts/OWASP-Top-Ten.md)
|
- [OWASP-Top-Ten](concepts/OWASP-Top-Ten.md)
|
||||||
- [Pain-Point-Mining](concepts/Pain-Point-Mining.md)
|
- [Pain-Point-Mining](concepts/Pain-Point-Mining.md)
|
||||||
|
- [Paper-Abstract-Batch-Fetching](concepts/Paper-Abstract-Batch-Fetching.md)
|
||||||
- [Parallel-Agent-Execution](concepts/Parallel-Agent-Execution.md)
|
- [Parallel-Agent-Execution](concepts/Parallel-Agent-Execution.md)
|
||||||
- [passkey](concepts/passkey.md)
|
- [passkey](concepts/passkey.md)
|
||||||
- [Pay-as-you-go](concepts/Pay-as-you-go.md)
|
- [Pay-as-you-go](concepts/Pay-as-you-go.md)
|
||||||
@@ -898,6 +929,7 @@
|
|||||||
- [Security-and-Compliance](concepts/Security-and-Compliance.md)
|
- [Security-and-Compliance](concepts/Security-and-Compliance.md)
|
||||||
- [Self-Healing-Systems](concepts/Self-Healing-Systems.md)
|
- [Self-Healing-Systems](concepts/Self-Healing-Systems.md)
|
||||||
- [self-hosted-password-manager](concepts/self-hosted-password-manager.md)
|
- [self-hosted-password-manager](concepts/self-hosted-password-manager.md)
|
||||||
|
- [Self-Improving-Skill](concepts/Self-Improving-Skill.md)
|
||||||
- [Semantic-Deduplication](concepts/Semantic-Deduplication.md)
|
- [Semantic-Deduplication](concepts/Semantic-Deduplication.md)
|
||||||
- [Semantic-Search](concepts/Semantic-Search.md)
|
- [Semantic-Search](concepts/Semantic-Search.md)
|
||||||
- [Sequential-Thinking](concepts/Sequential-Thinking.md)
|
- [Sequential-Thinking](concepts/Sequential-Thinking.md)
|
||||||
@@ -940,6 +972,7 @@
|
|||||||
- [Transcript-Based-Summarization](concepts/Transcript-Based-Summarization.md)
|
- [Transcript-Based-Summarization](concepts/Transcript-Based-Summarization.md)
|
||||||
- [TranscriptProcessing](concepts/TranscriptProcessing.md)
|
- [TranscriptProcessing](concepts/TranscriptProcessing.md)
|
||||||
- [tui](concepts/tui.md)
|
- [tui](concepts/tui.md)
|
||||||
|
- [Two-Way-Voice-Conversation](concepts/Two-Way-Voice-Conversation.md)
|
||||||
- [UEFI-Only](concepts/UEFI-Only.md)
|
- [UEFI-Only](concepts/UEFI-Only.md)
|
||||||
- [UEFI启动](concepts/UEFI启动.md)
|
- [UEFI启动](concepts/UEFI启动.md)
|
||||||
- [Unified-Inbox](concepts/Unified-Inbox.md)
|
- [Unified-Inbox](concepts/Unified-Inbox.md)
|
||||||
@@ -949,6 +982,7 @@
|
|||||||
- [Vibe-Coding](concepts/Vibe-Coding.md)
|
- [Vibe-Coding](concepts/Vibe-Coding.md)
|
||||||
- [Visual-Debugging](concepts/Visual-Debugging.md)
|
- [Visual-Debugging](concepts/Visual-Debugging.md)
|
||||||
- [Voice-Interface](concepts/Voice-Interface.md)
|
- [Voice-Interface](concepts/Voice-Interface.md)
|
||||||
|
- [Voice-Notification-Channel](concepts/Voice-Notification-Channel.md)
|
||||||
- [Vulnerability-Scanning](concepts/Vulnerability-Scanning.md)
|
- [Vulnerability-Scanning](concepts/Vulnerability-Scanning.md)
|
||||||
- [Wake-on-LAN](concepts/Wake-on-LAN.md)
|
- [Wake-on-LAN](concepts/Wake-on-LAN.md)
|
||||||
- [Wayland](concepts/Wayland.md)
|
- [Wayland](concepts/Wayland.md)
|
||||||
@@ -963,16 +997,21 @@
|
|||||||
- [Zero-Friction-Capture](concepts/Zero-Friction-Capture.md)
|
- [Zero-Friction-Capture](concepts/Zero-Friction-Capture.md)
|
||||||
- [Zero-Trust-Architecture](concepts/Zero-Trust-Architecture.md)
|
- [Zero-Trust-Architecture](concepts/Zero-Trust-Architecture.md)
|
||||||
- [一人公司](concepts/一人公司.md)
|
- [一人公司](concepts/一人公司.md)
|
||||||
|
- [上下文刷新](concepts/上下文刷新.md)
|
||||||
|
- [上下文压缩](concepts/上下文压缩.md)
|
||||||
- [个人品牌](concepts/个人品牌.md)
|
- [个人品牌](concepts/个人品牌.md)
|
||||||
- [云盘挂载](concepts/云盘挂载.md)
|
- [云盘挂载](concepts/云盘挂载.md)
|
||||||
|
- [交接协议](concepts/交接协议.md)
|
||||||
- [产品四层级体系](concepts/产品四层级体系.md)
|
- [产品四层级体系](concepts/产品四层级体系.md)
|
||||||
- [价格锚定与诱饵效应](concepts/价格锚定与诱饵效应.md)
|
- [价格锚定与诱饵效应](concepts/价格锚定与诱饵效应.md)
|
||||||
- [全盘镜像备份](concepts/全盘镜像备份.md)
|
- [全盘镜像备份](concepts/全盘镜像备份.md)
|
||||||
- [内容矩阵](concepts/内容矩阵.md)
|
- [内容矩阵](concepts/内容矩阵.md)
|
||||||
- [内网穿透](concepts/内网穿透.md)
|
- [内网穿透](concepts/内网穿透.md)
|
||||||
|
- [写入纪律](concepts/写入纪律.md)
|
||||||
- [单一职责原则](concepts/单一职责原则.md)
|
- [单一职责原则](concepts/单一职责原则.md)
|
||||||
- [反向代理](concepts/反向代理.md)
|
- [反向代理](concepts/反向代理.md)
|
||||||
- [合成监控](concepts/合成监控.md)
|
- [合成监控](concepts/合成监控.md)
|
||||||
|
- [启动序列](concepts/启动序列.md)
|
||||||
- [四个心理陷阱](concepts/四个心理陷阱.md)
|
- [四个心理陷阱](concepts/四个心理陷阱.md)
|
||||||
- [固件刷入](concepts/固件刷入.md)
|
- [固件刷入](concepts/固件刷入.md)
|
||||||
- [图床](concepts/图床.md)
|
- [图床](concepts/图床.md)
|
||||||
@@ -984,16 +1023,23 @@
|
|||||||
- [并发编程](concepts/并发编程.md)
|
- [并发编程](concepts/并发编程.md)
|
||||||
- [底层能力](concepts/底层能力.md)
|
- [底层能力](concepts/底层能力.md)
|
||||||
- [微服务架构](concepts/微服务架构.md)
|
- [微服务架构](concepts/微服务架构.md)
|
||||||
|
- [思维蒸馏（女娲造人术）](concepts/思维蒸馏（女娲造人术）.md)
|
||||||
- [挂载点检查](concepts/挂载点检查.md)
|
- [挂载点检查](concepts/挂载点检查.md)
|
||||||
- [指纹浏览器](concepts/指纹浏览器.md)
|
- [指纹浏览器](concepts/指纹浏览器.md)
|
||||||
- [接码平台](concepts/接码平台.md)
|
- [接码平台](concepts/接码平台.md)
|
||||||
|
- [播客生成](concepts/播客生成.md)
|
||||||
- [故障转移](concepts/故障转移.md)
|
- [故障转移](concepts/故障转移.md)
|
||||||
|
- [数字导师](concepts/数字导师.md)
|
||||||
- [数据可视化](concepts/数据可视化.md)
|
- [数据可视化](concepts/数据可视化.md)
|
||||||
|
- [文档问答](concepts/文档问答.md)
|
||||||
- [时序数据库](concepts/时序数据库.md)
|
- [时序数据库](concepts/时序数据库.md)
|
||||||
|
- [本地化部署](concepts/本地化部署.md)
|
||||||
- [桥接网络](concepts/桥接网络.md)
|
- [桥接网络](concepts/桥接网络.md)
|
||||||
- [模块化编程](concepts/模块化编程.md)
|
- [模块化编程](concepts/模块化编程.md)
|
||||||
|
- [每日复盘机制](concepts/每日复盘机制.md)
|
||||||
- [永久挂载](concepts/永久挂载.md)
|
- [永久挂载](concepts/永久挂载.md)
|
||||||
- [消息队列](concepts/消息队列.md)
|
- [消息队列](concepts/消息队列.md)
|
||||||
|
- [混合搜索](concepts/混合搜索.md)
|
||||||
- [版本控制](concepts/版本控制.md)
|
- [版本控制](concepts/版本控制.md)
|
||||||
- [用户权限](concepts/用户权限.md)
|
- [用户权限](concepts/用户权限.md)
|
||||||
- [硬件转码](concepts/硬件转码.md)
|
- [硬件转码](concepts/硬件转码.md)
|
||||||
@@ -1004,6 +1050,7 @@
|
|||||||
- [裸机恢复](concepts/裸机恢复.md)
|
- [裸机恢复](concepts/裸机恢复.md)
|
||||||
- [订阅机制](concepts/订阅机制.md)
|
- [订阅机制](concepts/订阅机制.md)
|
||||||
- [设备直通](concepts/设备直通.md)
|
- [设备直通](concepts/设备直通.md)
|
||||||
|
- [语义搜索](concepts/语义搜索.md)
|
||||||
- [账号隔离](concepts/账号隔离.md)
|
- [账号隔离](concepts/账号隔离.md)
|
||||||
- [跨境支付](concepts/跨境支付.md)
|
- [跨境支付](concepts/跨境支付.md)
|
||||||
- [软链接策略](concepts/软链接策略.md)
|
- [软链接策略](concepts/软链接策略.md)
|
||||||
|
|||||||
1638
wiki/log.md
1638
wiki/log.md
File diff suppressed because it is too large
Load Diff
@@ -11,13 +11,25 @@ The wiki covers two major multi-agent frameworks: **The Agency** (agency-agents)
|
|||||||
|
|
||||||
**[[phone-based-personal-assistant]]**：通过 ClawdTalk + Telnyx 将任意手机变成 AI 助理语音入口——拨打电话即可与 [[OpenClaw]] 对话，支持日历查询、Jira 任务更新、网络搜索等技能，无需智能手机 App 或浏览器，覆盖驾驶、步行等双手占用场景。与 [[multi-channel-assistant]] 互补：文字入口覆盖图文交互，语音入口覆盖无屏场景。
|
**[[phone-based-personal-assistant]]**：通过 ClawdTalk + Telnyx 将任意手机变成 AI 助理语音入口——拨打电话即可与 [[OpenClaw]] 对话，支持日历查询、Jira 任务更新、网络搜索等技能，无需智能手机 App 或浏览器，覆盖驾驶、步行等双手占用场景。与 [[multi-channel-assistant]] 互补：文字入口覆盖图文交互，语音入口覆盖无屏场景。
|
||||||
|
|
||||||
|
**[[phone-call-notifications]]**：AI Agent 通过 [[clawr.ing]] 托管电话服务主动向用户拨打电话通知——Agent 评估事件优先级（股价暴跌/紧急邮件/日程提醒），自动拨叫用户真实号码，用户接听后可实时提问，Agent 双向对话响应。与 [[phone-based-personal-assistant]] 互补：后者为用户→Agent 的来电接收（用户主动呼叫），前者为 Agent→用户的去电通知（Agent 主动呼叫），共同构成完整语音双向通信能力。覆盖 100+ 国家 PSTN 电话，不存储录音，加密传输后即时销毁。
|
||||||
|
|
||||||
**[[multi-channel-customer-service]]**：基于 [[OpenClaw]] 的企业级多渠道 AI 客服统一收件箱——整合 WhatsApp Business、Instagram DMs、Gmail 和 Google Reviews 至单一 AI 驱动的收件箱，AI 自动识别消息意图（FAQ/Appointment/Complaint/Review）并匹配对应处理策略，语言自动检测匹配客户语言（ES/EN/UA），支持 Test Mode 演示而不影响真实客户。餐厅实测响应时间从 4+ 小时降至 2 分钟以内，80% 咨询自动处理。与 [[multi-channel-assistant]] 互补——后者面向个人助理多渠道入口，前者面向企业客服场景。
|
**[[multi-channel-customer-service]]**：基于 [[OpenClaw]] 的企业级多渠道 AI 客服统一收件箱——整合 WhatsApp Business、Instagram DMs、Gmail 和 Google Reviews 至单一 AI 驱动的收件箱，AI 自动识别消息意图（FAQ/Appointment/Complaint/Review）并匹配对应处理策略，语言自动检测匹配客户语言（ES/EN/UA），支持 Test Mode 演示而不影响真实客户。餐厅实测响应时间从 4+ 小时降至 2 分钟以内，80% 咨询自动处理。与 [[multi-channel-assistant]] 互补——后者面向个人助理多渠道入口，前者面向企业客服场景。
|
||||||
|
|
||||||
**Inbox De-clutter**：基于 [[OpenClaw]] 的 Newsletter 自动整理方案——每天 20:00 通过 Cron Job 阅读过去 24 小时的新邮件，生成精华摘要并附原文链接，根据用户反馈持续学习偏好。需前置 Gmail OAuth Setup。与 [[custom-morning-brief]] 属同一 Cron Job + AI 摘要模式的 Newsletter 垂直场景。与 [[email-triage]] 属同一方法论的不同实现。
|
**Inbox De-clutter**：基于 [[OpenClaw]] 的 Newsletter 自动整理方案——每天 20:00 通过 Cron Job 阅读过去 24 小时的新邮件，生成精华摘要并附原文链接，根据用户反馈持续学习偏好。需前置 Gmail OAuth Setup。与 [[custom-morning-brief]] 属同一 Cron Job + AI 摘要模式的 Newsletter 垂直场景。与 [[email-triage]] 属同一方法论的不同实现。
|
||||||
|
|
||||||
**[[Second Brain]]**：基于 [[OpenClaw]] 的个人第二大脑记忆捕获系统——通过短信/Telegram/Discord 零摩擦捕获任何内容（\"Remind me to read a book...\"），OpenClaw 永久记忆存储所有对话，Next.js 可搜索仪表盘提供全局检索，Cmd+K 跨所有记忆/文档/任务全局搜索。核心洞见：**捕获像发短信一样简单，检索像搜索一样简单**。无需文件夹、无需标签、无需复杂组织——文本加搜索足矣。OpenClaw 的累积记忆系统使 AI 随时间变得越来越强大，用户从手机发消息就能在电脑端构建内容。灵感来源：Alex Finn 的 YouTube 视频、Tiago Forte 的《Building a Second Brain》。
|
**[[Second Brain]]**：基于 [[OpenClaw]] 的个人第二大脑记忆捕获系统——通过短信/Telegram/Discord 零摩擦捕获任何内容（\"Remind me to read a book...\"），OpenClaw 永久记忆存储所有对话，Next.js 可搜索仪表盘提供全局检索，Cmd+K 跨所有记忆/文档/任务全局搜索。核心价值：**捕获像发短信一样简单，检索像搜索一样简单**。无需文件夹、无需标签、无需复杂组织——文本加搜索足矣。OpenClaw 的累积记忆系统使 AI 随时间变得越来越强大，用户从手机发消息就能在电脑端构建内容。灵感来源：Alex Finn 的 YouTube 视频、Tiago Forte 的《Building a Second Brain》。
|
||||||
|
|
||||||
Key concepts: [[Email Triage]], [[Newsletter Digest]], [[Preference Learning]], [[Cron Job]], [[Multi-Agent Coordination]], [[Multi-Tool Integration]], [[MCP Tool Interface Design]], [[Workflow Architecture]], [[Shared Memory Architecture]], [[Private Context]], [[Single Control Plane]], [[Scheduled Task Flywheel]], [[Parallel Agent Execution]], [[Topic-Based Routing]], [[Voice Interface]], [[Telephony Integration]], [[PM Delegation Pattern]], [[CEO Pattern]], [[Shared State Coordination]], [[Git-as-Audit-Log]], [[Dynamic-Dashboard]], [[Alerting]], [[Zero-Friction Capture]], [[Cumulative Memory]], [[Conversational Interface]], [[Text-and-Search]], [[Unified-Inbox]], [[Intent-Classification]], [[Human-Handoff]], [[Test-Mode]], [[Business-Knowledge-Base]], [[Language-Detection]], [[AI-Auto-Response]], [[Heartbeat-Monitoring]]
|
**Self-Improving 自改进系统**（[[养虾日记2]]）：解决 AI Agent"每次对话都是白纸"的核心问题——三层记忆架构（短期文件 + 长期向量数据库 + self-improving 复盘）配合每日 23:00 定时复盘，实现"错误只犯一次"的 Agent 学习闭环。Pattern-Key 重复是系统性问题的信号；Recurrence-Count 是区分一次性错误与重复问题的关键指标。[[Self-Improving-Skill]] 的 Suggested Action 必须具体到可直接执行（如 `--to 5038825565`），而非泛泛建议。
|
||||||
|
|
||||||
|
**[[养虾日记3]]**：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统——解决"AI 对话结束输出就消失"的核心问题。核心架构：**Obsidian 做知识库**（iCloud Drive 三端同步）、**Gitea 做版本控制**（完整保留所有历史版本）、**OpenClaw obsidian skill 做写入接口**。三个 Agent（星枢/星辉/星曜）分别向各自 Obsidian 目录写入，knowledgebase/ 存放跨 Agent 共用知识，<agentId>/ 存放单一 Agent 私有笔记。核心价值：把 AI 变成"会自动整理笔记的实习生"——做完事顺手更新记录。与 [[Second Brain]]（对话记忆）、[[Personal Knowledge Base (RAG)]]（知识检索）同属持久化记忆能力的不同实现。与 [[self-healing-home-server]] 的 Morning Briefing 共享同一笔记更新机制。融合了 Karpathy 的 LLM Wiki 理念：让 AI 增量构建 Wiki，页面间互链，知识越积越厚。与 [[养虾日记1]]（照片整理）、[[养虾日记2]]（Self-Improving）、**[[养龙虾5天血泪史]]**（记忆调试）属同一「养虾日记」系列。
|
||||||
|
|
||||||
|
**[[养龙虾5天血泪史]]**：AI Agent 记忆失效问题的专项调试全记录——作者（比利哥）花费 5 天时间系统修复 OpenClaw 助理"星辉"的失忆问题。发现 5 类根本原因：①上下文压缩导致细节丢失（姓名/数字/决定）→ 配置 `memoryFlush` 在压缩前写入磁盘；②纯语义搜索在专有名词上失败 → 切换到 QMD 混合搜索（BM25+向量+重排）；③Agent 找到但不自动使用信息 → 启动序列强制触发检索；④多次压缩后上下文仍丢失 → 配置 `contextPruning` 协同工作；⑤系统提示词膨胀 28% → 全面清理未使用技能和无效文件。**10 条黄金法则**：只有 7 个自动加载文件（AGENTS/SOUL/TOOLS/IDENTITY/USER/HEARTBEAT/MEMORY）；启动序列必须放在 AGENTS.md 最顶部；**写入纪律比读取纪律更重要**；交接协议是模型切换修复的关键；定期运行 `/context detail` 检测 token 消耗。核心洞察：**压缩不是敌人，未写入的上下文才是**；系统提示词中每个令牌都是代理携带的开销。最终将系统提示词从 209,652 精简到 9,349 令牌，减少 28%。与 [[养虾日记1]]（照片整理）、[[养虾日记2]]（Self-Improving）属同一「养虾日记」系列，从不同角度解决 OpenClaw 的记忆与持久化问题。
|
||||||
|
|
||||||
|
**[[养虾日记5]]**：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，展示如何将千年前古人的心智模型（六道：进退由时/此心安处/辞达而已/逆境转化/自出新意/天人合一）转化为可运行的AI Skill。女娲·Skill造人术通过6个并行Agent从6个维度（著作/对话/表达DNA/他者视角/决策/时间线）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。核心洞察：AI时代用AI放大人类历史上最强大的脑子——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。与 [[养虾日记1/2/3/4]] 和 [[养龙虾5天血泪史]] 属同一「养虾日记」系列，从"AI数字导师"新角度扩展了 OpenClaw 的使用场景。与 [[Second Brain]]（对话记忆捕获）、[[思维蒸馏（女娲造人术）]] 同属用AI构建外部认知能力的不同路径。
|
||||||
|
|
||||||
|
**Recursive Self-Optimizing Generative Systems**（[[a-formalization-of-recursive-self-optimizing-generative-systems]]）：递归自我优化生成系统的形式化理论模型——将 [[养虾日记2]] 中 Self-Improving 的实践经验抽象为严格数学框架：系统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 $G^*$。定义生成器空间 $\mathcal{G}$ → 优化算子 $O$ → 元生成算子 $M$ → 自映射 $\Phi$ → 稳定不动点 $G^*$，最终用 λ-calculus Y 组合子表达自引用结构 $G^* \equiv Y\;\text{STEP}$。核心发现：**递归自我优化自然涌现不动点结构**——当 $\Phi$ 满足收缩性条件时，$G^* = \lim_{n \to \infty} \Phi^n(G_0)$。该框架为 [[Self-Improving-Skill]] 和所有自我改进 AI 架构提供了原则性理论基础。
|
||||||
|
|
||||||
|
Key concepts: [[Email Triage]], [[Newsletter Digest]], [[Preference Learning]], [[Cron Job]], [[Multi-Agent Coordination]], [[Multi-Tool Integration]], [[MCP Tool Interface Design]], [[Workflow Architecture]], [[Shared Memory Architecture]], [[Private Context]], [[Single Control Plane]], [[Scheduled Task Flywheel]], [[Parallel Agent Execution]], [[Topic-Based Routing]], [[Voice Interface]], [[Telephony Integration]], [[Voice Notification Channel]], [[Two-Way Voice Conversation]], [[Call-Worthy Threshold]], [[PSTN Calling]], [[PM Delegation Pattern]], [[CEO Pattern]], [[Shared State Coordination]], [[Git-as-Audit-Log]], [[Dynamic-Dashboard]], [[Alerting]], [[Zero-Friction Capture]], [[Cumulative Memory]], [[Conversational Interface]], [[Text-and-Search]], [[Unified-Inbox]], [[Intent-Classification]], [[Human-Handoff]], [[Test-Mode]], [[Business-Knowledge-Base]], [[Language-Detection]], [[AI-Auto-Response]], [[Heartbeat-Monitoring]], [[Self-Improving-Skill]], [[双层记忆架构]], [[每日复盘机制]], [[Pattern-Key]], [[Recurrence-Count]], [[Self-Improvement-Log]], [[AI-Agent思维方式]], [[批次任务拆分]], [[精确去重]], [[小文件清理]], [[安全删除策略]], [[Telegram通知]], [[Context-Window]], [[Model-Fallback]], [[Compaction]], [[Agent-Routing-Rules]], [[Error-Surface-vs-Root-Cause]], [[Layered-Configuration]], [[Log-Driven-Debugging]], [[Hidden-Failure-Paths]]
|
||||||
|
|
||||||
### Multi-Agent Monitoring & Automation
|
### Multi-Agent Monitoring & Automation
|
||||||
**Dynamic Dashboard**：基于 [[OpenClaw]] 的多数据源实时监控仪表盘——通过子代理并行抓取 GitHub/Twitter/Polymarket/系统健康等多数据源，定时聚合结果推送 Discord，支持告警阈值和历史趋势存储。用对话式指令替代数周前端开发，立即获得实时洞察。[[polymarket-autopilot]] 是 Polymarket 市场监控的具体实现——AI Agent 24/7 自动监控预测市场、分析概率变化、自动执行交易策略。与 [[self-healing-home-server]] 的系统监控场景关联，[[earnings-tracker]] 的市场数据监控场景扩展，[[content-factory]] 共享子代理并行执行模式。
|
**Dynamic Dashboard**：基于 [[OpenClaw]] 的多数据源实时监控仪表盘——通过子代理并行抓取 GitHub/Twitter/Polymarket/系统健康等多数据源，定时聚合结果推送 Discord，支持告警阈值和历史趋势存储。用对话式指令替代数周前端开发，立即获得实时洞察。[[polymarket-autopilot]] 是 Polymarket 市场监控的具体实现——AI Agent 24/7 自动监控预测市场、分析概率变化、自动执行交易策略。与 [[self-healing-home-server]] 的系统监控场景关联，[[earnings-tracker]] 的市场数据监控场景扩展，[[content-factory]] 共享子代理并行执行模式。
|
||||||
@@ -51,6 +63,8 @@ A practical tip for extracting YouTube Channel IDs: use `view-source:` prefix in
|
|||||||
|
|
||||||
**X/Twitter Automation**: [[x-twitter-automation]] 是基于 [[OpenClaw]] 的 X/Twitter 全功能自动化方案——通过 TweetClaw 插件（`@xquik/tweetclaw`）连接 X/Twitter 托管 API，实现自然语言驱动的发帖、回复、点赞、转发、关注、DM、搜索、数据提取、抽奖选人和账号监控。支持可配置的抽奖筛选条件（最低粉丝数/账号年龄/关键词），账号监控可追踪指定用户的新推文或粉丝变化并推送通知。所有操作通过托管 API 完成，无 Cookie、无爬虫、无凭证暴露。与 [[x-account-analysis]] 互补（分析 vs 操作），可与 [[content-factory]] 配合扩展社交媒体内容发布能力。
|
**X/Twitter Automation**: [[x-twitter-automation]] 是基于 [[OpenClaw]] 的 X/Twitter 全功能自动化方案——通过 TweetClaw 插件（`@xquik/tweetclaw`）连接 X/Twitter 托管 API，实现自然语言驱动的发帖、回复、点赞、转发、关注、DM、搜索、数据提取、抽奖选人和账号监控。支持可配置的抽奖筛选条件（最低粉丝数/账号年龄/关键词），账号监控可追踪指定用户的新推文或粉丝变化并推送通知。所有操作通过托管 API 完成，无 Cookie、无爬虫、无凭证暴露。与 [[x-account-analysis]] 互补（分析 vs 操作），可与 [[content-factory]] 配合扩展社交媒体内容发布能力。
|
||||||
|
|
||||||
|
**[[x-account-analysis]]**：基于 [[OpenClaw]] + [[Bird Skill]] 的 X 账号定性分析方案——通过 Cookie 认证（auth-token / ct0）读取真实账号推文，AI 深入分析内容模式（为何有时 1000+ 赞有时 <5 赞）、话题偏好与互动差异原因。定性分析聚焦"质量"而非"数字"，揭示帖子病毒式传播的规律。免费替代 $10-$50/月 的第三方订阅分析服务。核心安全建议：为 OpenClaw 单独创建 [[ClawdBot]] 专用账号而非直接使用真实账号。与 [[x-twitter-automation]] 互补——前者侧重内容质量分析，后者侧重账号操作自动化。
|
||||||
|
|
||||||
Key concepts: [[Channel ID]], [[RSS Feed]], [[X/Twitter-API-Automation]], [[Social-Media-Giveaway]], [[Account-Monitoring]], [[Daily-Digest]], [[Transcript-Based Summarization]], [[TranscriptAPI.com]], [[Chained Agents]], [[Content Automation]], [[Semantic-Deduplication]], [[Vector-Embedding]], [[Knowledge-Base-RAG]], [[arXiv-API]], [[LaTeX-扁平化]], [[本地缓存]], [[论文摘要批量获取]]
|
Key concepts: [[Channel ID]], [[RSS Feed]], [[X/Twitter-API-Automation]], [[Social-Media-Giveaway]], [[Account-Monitoring]], [[Daily-Digest]], [[Transcript-Based Summarization]], [[TranscriptAPI.com]], [[Chained Agents]], [[Content Automation]], [[Semantic-Deduplication]], [[Vector-Embedding]], [[Knowledge-Base-RAG]], [[arXiv-API]], [[LaTeX-扁平化]], [[本地缓存]], [[论文摘要批量获取]]
|
||||||
|
|
||||||
### n8n Workflow Automation
|
### n8n Workflow Automation
|
||||||
@@ -80,6 +94,10 @@ Key concepts: [[国家中小学智慧教育平台]], [[tchMaterial-parser]], [[C
|
|||||||
### AI Tools & Prompt Engineering
|
### AI Tools & Prompt Engineering
|
||||||
Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP via `npx claude-code-templates@latest --skill=<path> --yes` from aitmpl.com), OpenCode, [[Cursor]], [[Trae]], Gemini CLI, Vibe Coding, RAG, multi-agent workflows, NotebookLM, Nano Banana prompting, and video generation tools.
|
Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP via `npx claude-code-templates@latest --skill=<path> --yes` from aitmpl.com), OpenCode, [[Cursor]], [[Trae]], Gemini CLI, Vibe Coding, RAG, multi-agent workflows, NotebookLM, Nano Banana prompting, and video generation tools.
|
||||||
|
|
||||||
|
**[[AI图生视频工具盘点]]**：基于 [[14个免费的AI图生视频工具-用ai让图片动起来]] 的综合分析，介绍了14个免费AI图生视频工具，覆盖阿里巴巴（绘蛙、通义万相、万相营造）、字节跳动（即梦AI）、快手（可灵AI）、智谱AI（智谱清影）、MiniMax（海螺AI）、生数科技（Vidu）、爱诗科技（PixVerse）、潞晨科技（Video Ocean）、智象未来（Viva）、MewXAI（艺映AI）、Stability AI（Stable Video）等厂商。核心能力包括：文本提示词控制运动、动作模板选择、运镜参数调节、首尾帧精准控制、主体一致性保持、音效自动生成等。电商场景（模特图动态化、商品展示）、视频创作（创意短片）、广告制作是三大主要应用方向。与 [[文字生成视频网站推荐]] 属同类AI视频生成工具的不同角度——前者侧重点图生视频，后者侧重文生视频。
|
||||||
|
|
||||||
|
**NotebookLM 开源平替生态**：基于 [[google-神级生产力工具-所有-github-开源平替都找到了]] 的系统梳理，Google [[NotebookLM]] 作为 AI 笔记助手标杆，支持文档问答和播客生成两大核心能力，GitHub 上已形成完整的开源替代生态：[[OpenNotebook]]（14.6k Stars，全功能本地化，支持 16+ AI 提供商和本地模型）是 Star 最高的平替；[[SurfSense]]（11.4k Stars）定位为 NotebookLM + Perplexity + Glean 的综合替代，支持语义+全文混合搜索和团队 RBAC；[[Podcastfy]] 专注播客生成，整合 100+ LLM 和多种 TTS 引擎；[[NotebookLlama]]（LlamaIndex 官方项目）展示文档转播客的完整技术链条；[[PageLM]] 聚焦教育场景，提供康奈尔笔记和间隔重复闪卡；[[InsightsLM]] 采用 Supabase + N8N 低代码架构，支持完全离线部署。该生态覆盖从"全功能替代"到"垂直聚焦"的不同需求层次。与 [[Personal Knowledge Base (RAG)]]（文档检索知识库）同属 AI 驱动的知识管理工具，但 NotebookLM 生态侧重"文档→对话/音频"的交互形态。
|
||||||
|
|
||||||
**[[custom-morning-brief]]**：基于 [[OpenClaw]] 的晨间简报自动化——每天定时（例 8AM）通过 Telegram/Discord/iMessage 推送结构化报告，内容涵盖：新闻研究（AI/创业/科技方向）、当日待办事项（集成 Todoist/Apple Reminders/Asana）、主动任务推荐（AI 自主思考可帮助完成的事项）、睡前完成的完整草稿（脚本/邮件/商业方案，而非仅标题）。核心洞察：**主动任务推荐**是整个系统最有价值的部分——AI 主动思考如何帮助用户，而非被动等待指令；完整草稿（full draft）比标题建议节省大量时间；用户只需发消息即可调整简报内容，无门槛个性化。与 [[self-healing-home-server]] 的 Morning Briefing 属同一模式的不同垂直场景。
|
**[[custom-morning-brief]]**：基于 [[OpenClaw]] 的晨间简报自动化——每天定时（例 8AM）通过 Telegram/Discord/iMessage 推送结构化报告，内容涵盖：新闻研究（AI/创业/科技方向）、当日待办事项（集成 Todoist/Apple Reminders/Asana）、主动任务推荐（AI 自主思考可帮助完成的事项）、睡前完成的完整草稿（脚本/邮件/商业方案，而非仅标题）。核心洞察：**主动任务推荐**是整个系统最有价值的部分——AI 主动思考如何帮助用户，而非被动等待指令；完整草稿（full draft）比标题建议节省大量时间；用户只需发消息即可调整简报内容，无门槛个性化。与 [[self-healing-home-server]] 的 Morning Briefing 属同一模式的不同垂直场景。
|
||||||
|
|
||||||
**[[family-calendar-household-assistant]]**：基于 [[OpenClaw]] 的家庭日程协调与物资管理方案——聚合 5+ 个分散日历（工作/个人/家庭/学校/课外）生成每日晨间简报；通过环境消息监控（Ambient Message Monitoring）自动从 iMessage 中识别预约并创建日历事件（含行车时间缓冲）；维护家庭库存 JSON（冰箱/储藏室），支持照片 OCR 和小票识别更新；生成购物清单。核心洞察：**Ambient > Active**——Agent 在不被要求时主动行动才是最大突破；Mac Mini 是该场景的最优硬件（iMessage 集成 + 始终在线）。与 [[Custom Morning Brief]] 属同一晨间简报模式的不同场景（个人 vs 家庭）。
|
**[[family-calendar-household-assistant]]**：基于 [[OpenClaw]] 的家庭日程协调与物资管理方案——聚合 5+ 个分散日历（工作/个人/家庭/学校/课外）生成每日晨间简报；通过环境消息监控（Ambient Message Monitoring）自动从 iMessage 中识别预约并创建日历事件（含行车时间缓冲）；维护家庭库存 JSON（冰箱/储藏室），支持照片 OCR 和小票识别更新；生成购物清单。核心洞察：**Ambient > Active**——Agent 在不被要求时主动行动才是最大突破；Mac Mini 是该场景的最优硬件（iMessage 集成 + 始终在线）。与 [[Custom Morning Brief]] 属同一晨间简报模式的不同场景（个人 vs 家庭）。
|
||||||
@@ -104,6 +122,8 @@ Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP vi
|
|||||||
|
|
||||||
**Claude Code 调用方法**：[[claude-code调用方法总结]] 详细记录了 Hermes Agent 通过 `terminal` 工具调用 Claude Code 的两种模式——Print Mode（`claude -p`，适合绝大多数任务）和 TMUX 交互模式（适合超长任务）。核心参数包括 `--permission-mode bypassPermissions`（跳过所有权限确认）和 `--add-dir`（加载 SKILL.md）。关键结论：当任务需要 Claude Code 的 Skill 时，应使用 `terminal` 调用 `claude -p` 而非 `delegate_task`。
|
**Claude Code 调用方法**：[[claude-code调用方法总结]] 详细记录了 Hermes Agent 通过 `terminal` 工具调用 Claude Code 的两种模式——Print Mode（`claude -p`，适合绝大多数任务）和 TMUX 交互模式（适合超长任务）。核心参数包括 `--permission-mode bypassPermissions`（跳过所有权限确认）和 `--add-dir`（加载 SKILL.md）。关键结论：当任务需要 Claude Code 的 Skill 时，应使用 `terminal` 调用 `claude -p` 而非 `delegate_task`。
|
||||||
|
|
||||||
|
**[[autonomous-game-dev-pipeline]]**：基于 [[OpenClaw]] 的 AI Agent 全自动教育游戏开发流水线——每小时轮询队列产出 1 款儿童 HTML5 游戏，通过 "Bugs First" 优先策略（先修 bug 再做新功能）、Round Robin 年龄组均衡分配、纯 HTML5/CSS3/JS 无框架技术栈，实现单人维护 41+ 款游戏。核心工程纪律：同步 master → feature branch → conventional commits → PR merge，每次交付自动更新 CHANGELOG 和队列状态。核心价值：**每 7 分钟产出 1 款游戏或 1 个 bugfix**，单人可管理完整产品线。与 [[content-factory]] 同属 Agent 自动化内容生产，但前者侧重多 Agent 协作链，本方案侧重单人 Agent 的高纪律性流水线。
|
||||||
|
|
||||||
**[[aionui-cowork-desktop]]**：基于 [[AionUi]] 的 OpenClaw 桌面可视化 + 远程救援方案——通过 AionUi 的 Cowork 工作空间，用户可直接看到 OpenClaw 读写文件、运行命令、浏览网页，而非仅终端日志；内置 OpenClaw 部署专家，通过 Telegram/WebUI 远程诊断修复（`openclaw doctor`），解决"OpenClaw 挂了且不在机器旁"的困境；统一 MCP 配置一次，全局同步到 OpenClaw + 12+ 其他 Agent。与 [[Self-Healing-Home-Server]] 的远程修复场景关联，[[Multi-AgentHub]] 共享同一多 Agent 并行管理理念。
|
**[[aionui-cowork-desktop]]**：基于 [[AionUi]] 的 OpenClaw 桌面可视化 + 远程救援方案——通过 AionUi 的 Cowork 工作空间，用户可直接看到 OpenClaw 读写文件、运行命令、浏览网页，而非仅终端日志；内置 OpenClaw 部署专家，通过 Telegram/WebUI 远程诊断修复（`openclaw doctor`），解决"OpenClaw 挂了且不在机器旁"的困境；统一 MCP 配置一次，全局同步到 OpenClaw + 12+ 其他 Agent。与 [[Self-Healing-Home-Server]] 的远程修复场景关联，[[Multi-AgentHub]] 共享同一多 Agent 并行管理理念。
|
||||||
|
|
||||||
**播客制作自动化**：[[podcast-production-pipeline]] 提供 AI Agent 全自动播客制作流水线，覆盖「录前研究→大纲脚本→录制→时间戳笔记→社媒推广包→SEO描述」全链路。与 [[Content Factory]] 配合可将播客内容复用为博客、Newsletter、视频片段等多格式资产。
|
**播客制作自动化**：[[podcast-production-pipeline]] 提供 AI Agent 全自动播客制作流水线，覆盖「录前研究→大纲脚本→录制→时间戳笔记→社媒推广包→SEO描述」全链路。与 [[Content Factory]] 配合可将播客内容复用为博客、Newsletter、视频片段等多格式资产。
|
||||||
@@ -114,7 +134,11 @@ Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP vi
|
|||||||
|
|
||||||
**会议记录自动化**：[[meeting-notes-action-items]] 提供 AI Agent 自动将会议转录文本（Otter.ai、Google Meet、Zoom）转换为结构化摘要，自动从会议中提取行动项并创建 Jira/Linear/Todoist/Notion 任务，同时发送 Slack/Discord 摘要，支持截止日提醒。核心洞察：**自动任务创建**比摘要本身更有价值，无法转化为追踪任务的会议记录只是"文档剧场"。
|
**会议记录自动化**：[[meeting-notes-action-items]] 提供 AI Agent 自动将会议转录文本（Otter.ai、Google Meet、Zoom）转换为结构化摘要，自动从会议中提取行动项并创建 Jira/Linear/Todoist/Notion 任务，同时发送 Slack/Discord 摘要，支持截止日提醒。核心洞察：**自动任务创建**比摘要本身更有价值，无法转化为追踪任务的会议记录只是"文档剧场"。
|
||||||
|
|
||||||
Key concepts: [[Morning Briefing]], [[Todoist API]], [[AI-Driven Task Extraction]], [[TaskAutomation]], [[Recurring Tasks]], [[MeetingNotes]], [[ActionItemTracking]], [[TranscriptProcessing]], [[RAG从入门到精通系列]], [[Agent Personality Design]], [[Vibe Coding]], [[Design-to-Code Workflow]], [[Multi-AI Review]], [[CodeWeaver]], [[LLM Wiki]], [[多智能体系统可靠性]], [[Plan Mode]], [[Build Mode]], [[Workspace]], [[AGENTS.md]], [[SOUL.md]], [[USER.md]], [[IDENTITY.md]], [[TOOLS.md]], [[BOOTSTRAP.md]], [[HEARTBEAT.md]], [[MEMORY.md]], [[Agent-Memory]], [[Claude Code Templates]], [[MCP（Model Context Protocol）]], [[Remote-SSH]], [[Bind Mount]], [[Attach 容器]], [[Docker 用户组]], [[SSH Config]], [[SSH 免密登录]], [[Vibe-Kanban]], [[OpenCode]], [[nvm]], [[pm2]], [[单一职责原则]], [[DRY原则]], [[模块化编程]], [[微服务架构]], [[Redis缓存]], [[消息队列]], [[输入-处理-输出模型]], [[并发编程]], [[Pain Point Mining]], [[Startup MVP Pipeline]], [[Agent-Driven Market Research]], [[Last 30 Days Method]], [[Pre-Build Validation]], [[Reality-Signal]], [[Competition-Analysis]], [[Pivot-Strategy]], [[Agent-Build-Gate]], [[CoworkWorkspace]], [[RemoteRescuePattern]], [[Multi-AgentHub]], [[MCPOnceAllAgents]]
|
**Designing for Agentic AI**：[[designing-for-agentic-ai]] 阐述 GenAI（创作内容）vs Agentic AI（主动行动）的核心差异，以及为 Agentic AI 设计用户体验的 TCPCA 五原则——**透明度**（可视化 AI 决策进度与推理摘要）、**控制感**（停止/撤销/偏好设置机制）、**个性化**（基于历史行为预测未来需求）、**对话式交互**（自然语言界面 + 输入解读反馈）、**主动预判**（AI 预判需求并主动提供帮助，同时允许用户控制 AI 自主权级别）。核心洞察：**观察 AI 决策过程本身就是一种参与方式**，用户不再是被动旁观者；设计隐喻从"响应用户点击/滑动"转向"AI 运行时的实时反馈"。与 [[Google-5个-Agent-Skill-设计模式]]（ToolWrapper/Generator/Reviewer/Inversion/Pipeline）同属 AI Agent 设计方法论——后者侧重 Skill 架构模式，前者侧重终端用户体验设计。
|
||||||
|
|
||||||
|
**AI 簡報自動化工作流**：用 ChatGPT 先做知識整理，再交給 Canva / Gamma AI 输出演示文稿。两阶段工作流比直接用 AI 生成简报效果更好——ChatGPT 负责深度思考与内容组织，Canva/Gamma AI 负责视觉呈现与排版。核心洞察：让 AI 扮演不同角色（思考者 vs 设计师），充分发挥各工具的优势。与 [[YouTube-Content-Pipeline]] 共享同一"AI 整理 → AI 输出"两阶段模式。与 [[AI图生视频工具盘点]] 同属 AI 内容创作工具应用的不同垂直场景。
|
||||||
|
|
||||||
|
Key concepts: [[AI簡報工作流]], [[AI圖生視頻工具]], [[文字生成視頻]], [[電商場景]], [[AI工具整合]], [[ChatGPT]], [[Canva]], [[Gamma AI]], [[Morning Briefing]], [[Todoist API]], [[AI-Driven Task Extraction]], [[TaskAutomation]], [[Recurring Tasks]], [[MeetingNotes]], [[ActionItemTracking]], [[TranscriptProcessing]], [[RAG从入门到精通系列]], [[Agent Personality Design]], [[Vibe Coding]], [[Design-to-Code Workflow]], [[Multi-AI Review]], [[CodeWeaver]], [[LLM Wiki]], [[多智能体系统可靠性]], [[Plan Mode]], [[Build Mode]], [[Workspace]], [[AGENTS.md]], [[SOUL.md]], [[USER.md]], [[IDENTITY.md]], [[TOOLS.md]], [[BOOTSTRAP.md]], [[HEARTBEAT.md]], [[MEMORY.md]], [[Agent-Memory]], [[Claude Code Templates]], [[MCP（Model Context Protocol）]], [[Remote-SSH]], [[Bind Mount]], [[Attach 容器]], [[Docker 用户组]], [[SSH Config]], [[SSH 免密登录]], [[Vibe-Kanban]], [[OpenCode]], [[nvm]], [[pm2]], [[单一职责原则]], [[DRY原则]], [[模块化编程]], [[微服务架构]], [[Redis缓存]], [[消息队列]], [[输入-处理-输出模型]], [[并发编程]], [[Pain Point Mining]], [[Startup MVP Pipeline]], [[Agent-Driven Market Research]], [[Last 30 Days Method]], [[Pre-Build Validation]], [[Reality-Signal]], [[Competition-Analysis]], [[Pivot-Strategy]], [[Agent-Build-Gate]], [[CoworkWorkspace]], [[RemoteRescuePattern]], [[Multi-AgentHub]], [[MCPOnceAllAgents]]
|
||||||
|
|
||||||
### Productivity & Knowledge Management
|
### Productivity & Knowledge Management
|
||||||
Obsidian plugins, blogwatcher RSS monitoring, Quartz static site generation, project management systems, and personal CRM frameworks. QuickAdd plugin enables quick note capture via hotkeys for rapid idea recording.
|
Obsidian plugins, blogwatcher RSS monitoring, Quartz static site generation, project management systems, and personal CRM frameworks. QuickAdd plugin enables quick note capture via hotkeys for rapid idea recording.
|
||||||
@@ -149,6 +173,8 @@ Key concepts: [[一人公司]], [[个人品牌]], [[Ikigai框架]], [[天才地
|
|||||||
- [[agency-agents]] — GitHub repository
|
- [[agency-agents]] — GitHub repository
|
||||||
- [[DracoVibeCoding]] — 公众号"Draco正在VibeCoding"作者，专注 Vibe Coding 与 AI Agent 实战分享
|
- [[DracoVibeCoding]] — 公众号"Draco正在VibeCoding"作者，专注 Vibe Coding 与 AI Agent 实战分享
|
||||||
- [[OpenClaw]] — multi-agent framework with memory
|
- [[OpenClaw]] — multi-agent framework with memory
|
||||||
|
- [[clawr.ing]] — 托管电话服务提供商，消除 Twilio 等传统电话 API 配置复杂度，为 Agent 提供主动拨打电话通知能力，覆盖 100+ 国家 PSTN 电话，不存储录音
|
||||||
|
- [[clawhub.ai]] — OpenClaw Skill 市场，托管 clawr.ing 等 Skill 安装包
|
||||||
- [[AionUi]] — 桌面多 Agent Hub（macOS/Windows/Linux），将 OpenClaw 作为可视化 Cowork Agent 运行，支持内置远程救援专家和统一 MCP 配置
|
- [[AionUi]] — 桌面多 Agent Hub（macOS/Windows/Linux），将 OpenClaw 作为可视化 Cowork Agent 运行，支持内置远程救援专家和统一 MCP 配置
|
||||||
- [[n8n]] — workflow automation
|
- [[n8n]] — workflow automation
|
||||||
- [[Node.js]] — JavaScript 运行时环境，n8n-mcp 的运行依赖，也是 [[n8n]] 工作流引擎的后端运行环境
|
- [[Node.js]] — JavaScript 运行时环境，n8n-mcp 的运行依赖，也是 [[n8n]] 工作流引擎的后端运行环境
|
||||||
@@ -301,3 +327,5 @@ Key concepts: [[Django ORM]], [[Django REST Framework]], [[Django Admin 定制]]
|
|||||||
9. **数据库备份方案**：pg_dump 逻辑备份 vs rsync 文件级备份。pg_dump 是热备份标准（零停机、跨平台迁移能力强），但不能备份运行中数据库的物理文件目录；rsync 适合 Docker 卷备份但需确保数据库一致状态。[[MinIO + Zipline 图床安装]] 使用 pg_dump 逻辑备份 PostgreSQL + Hyper Backup 文件备份 MinIO 目录，两者互补。
|
9. **数据库备份方案**：pg_dump 逻辑备份 vs rsync 文件级备份。pg_dump 是热备份标准（零停机、跨平台迁移能力强），但不能备份运行中数据库的物理文件目录；rsync 适合 Docker 卷备份但需确保数据库一致状态。[[MinIO + Zipline 图床安装]] 使用 pg_dump 逻辑备份 PostgreSQL + Hyper Backup 文件备份 MinIO 目录，两者互补。
|
||||||
|
|
||||||
10. **SuperCall 沙盒 Persona vs 通用语音 Agent**：[[event-guest-confirmation]] 中使用的 [[SuperCall]] 强调独立沙盒设计——AI persona 只持有预设的 persona name、goal、opening line，无法访问外部系统；[[phone-based-personal-assistant]] 侧重通用个人助手场景，需要访问更多上下文。**[[Sandboxed Persona]]** 适用于确认类单一任务（安全、无注入风险）；通用语音 Agent 适用于需要跨系统协调的复杂助手场景。
|
10. **SuperCall 沙盒 Persona vs 通用语音 Agent**：[[event-guest-confirmation]] 中使用的 [[SuperCall]] 强调独立沙盒设计——AI persona 只持有预设的 persona name、goal、opening line，无法访问外部系统；[[phone-based-personal-assistant]] 侧重通用个人助手场景，需要访问更多上下文。**[[Sandboxed Persona]]** 适用于确认类单一任务（安全、无注入风险）；通用语音 Agent 适用于需要跨系统协调的复杂助手场景。
|
||||||
|
|
||||||
|
11. **Agent 去电通知 vs Agent 来电接收**：[[phone-call-notifications]] 中 Agent 主动向用户拨打电话通知（Agent → User），通话由 Agent 触发，用户是被动接收方；[[phone-based-personal-assistant]] 中用户主动呼叫 Agent（User → Agent），Agent 接听并提供助理服务。两者方向相反但互补——前者用于紧急告警、定时简报、重要事件通知，后者用于随时咨询、查询、执行任务。共同构成完整语音双向通信能力。
|
||||||
|
|||||||
@@ -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。
|
||||||
@@ -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）
|
||||||
56
wiki/sources/autonomous-game-dev-pipeline.md
Normal file
56
wiki/sources/autonomous-game-dev-pipeline.md
Normal file
@@ -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
|
||||||
48
wiki/sources/designing-for-agentic-ai.md
Normal file
48
wiki/sources/designing-for-agentic-ai.md
Normal file
@@ -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
|
||||||
65
wiki/sources/google-神级生产力工具-所有-github-开源平替都找到了.md
Normal file
65
wiki/sources/google-神级生产力工具-所有-github-开源平替都找到了.md
Normal file
@@ -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
|
||||||
61
wiki/sources/phone-call-notifications.md
Normal file
61
wiki/sources/phone-call-notifications.md
Normal file
@@ -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
|
||||||
42
wiki/sources/x-account-analysis.md
Normal file
42
wiki/sources/x-account-analysis.md
Normal file
@@ -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
|
||||||
@@ -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）
|
- [[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
|
## 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
|
||||||
|
|||||||
46
wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md
Normal file
46
wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md
Normal file
@@ -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
|
||||||
55
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
Normal file
55
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
Normal file
@@ -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
|
||||||
@@ -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
|
||||||
59
wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md
Normal file
59
wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md
Normal file
@@ -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
|
||||||
@@ -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
|
||||||
78
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
Normal file
78
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
Normal file
@@ -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。
|
||||||
71
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
Normal file
71
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
Normal file
@@ -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
|
||||||
44
wiki/sources/教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報.md
Normal file
44
wiki/sources/教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報.md
Normal file
@@ -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
|
||||||
42
wiki/sources/文字生成视频网站推荐.md
Normal file
42
wiki/sources/文字生成视频网站推荐.md
Normal file
@@ -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
|
||||||
Reference in New Issue
Block a user