Auto-sync: 2026-04-22 16:03

wiki/sources/claude-code调用方法总结.md

@@ -0,0 +1,50 @@
+---
+title: "Claude Code 调用方法总结"
+type: source
+tags: []
+date: 2026-04-22
+---
+
+## Source File
+- [[raw/Agent/claude-code调用方法总结]]
+
+## Summary（用中文描述）
+- 核心主题：Hermes Agent 通过 terminal 工具调用 Claude Code 的两种模式及最佳实践
+- 问题域：如何从外部 Agent（如 Hermes）可靠地触发并控制 Claude Code 执行任务
+- 方法/机制：Print Mode（stdin 单次执行）与 TMUX 交互模式两种调用路径；关键参数包括 `--permission-mode bypassPermissions`、`--dangerously-skip-permissions`、`--add-dir`、`--max-turns`
+- 结论/价值：明确了何时使用 `claude -p` 而非 `delegate_task`，以及如何正确传递任务、配置 Skill 加载、规避常见坑点
+
+## Key Claims（用中文描述）
+- Hermes Agent 使用 `terminal` 工具调用 `claude -p` 是调用 Claude Code 的推荐方式
+- `--permission-mode bypassPermissions` 直接设置 bypass 模式，跳过所有交互确认
+- 任务文本通过 stdin（heredoc）传入比命令行参数更可靠，可避免特殊字符转义问题
+- `delegate_task` 调用的是 Hermes 子 Agent（API 调用），无法识别 SKILL.md；当任务需要 Claude Code 技能时应使用 `terminal` 调用 `claude -p`
+- Skill 加载只需 `--add-dir <技能目录>`，Claude Code 会自动扫描 SKILL.md 和 `.claude/skills/` 目录
+
+## Key Quotes
+> "用 `--permission-mode bypassPermissions` 可直接跳过信任目录 + bypass 权限确认两步，不需要额外的 sleep + send-keys 模拟交互。" — 核心参数说明
+> "不写 bypass 参数 → 文件写入被阻塞，任务卡住（优先用 `--permission-mode bypassPermissions`）" — 常见坑点
+> "当任务需要调用 Claude Code 的 skill（如 fireworks-tech-graph）时，应使用 `terminal` 调用 `claude -p`，而非 `delegate_task`" — 结论
+
+## Key Concepts
+- [[Print Mode]]：通过 `claude -p print` 非交互单次执行模式，适合绝大多数任务
+- [[TMUX 交互模式]]：通过 TMUX 创建持久会话并附加交互，适合超长任务
+- [[bypassPermissions]]：`--permission-mode bypassPermissions` 参数，直接跳过所有权限确认
+- [[Skill 加载]]：`--add-dir` 加载技能目录，自动识别 SKILL.md
+- [[delegate_task vs claude -p]]：子 Agent vs 外部 CLI 的本质区别与适用场景
+
+## Key Entities
+- [[Claude Code]]：Anthropic CLI agent，被调用方
+- [[Hermes]]：主 Agent，通过 terminal 工具调用 Claude Code
+- [[TMUX]]：终端多路复用器，用于持久化 Claude Code 交互会话
+
+## Connections
+- [[Claude Code]] ← 调用方 ← [[Hermes]]
+- [[claude-code调用方法总结]] ← 补充 ← [[如何在项目里安装Claude Code Templates Skills]]
+- [[claude-code调用方法总结]] ← 对比 ← [[delegate_task vs claude -p]]
+
+## Contradictions
+- 与 [[llm-wiki]] 冲突：
+  - 冲突点：llm-wiki 中描述的 `delegate_task + acp_command='claude'` 调用 Claude Code 路径
+  - 当前观点：AGENTS.md 中说明只有 `provider=copilot-acp` 时 acp 参数才真正建立外部 CLI 通道；普通 `delegate_task` 调用的是 Hermes 子 Agent
+  - 对方观点：llm-wiki 描述了通过 ACP 协议调用 Claude Code 的方式，可能在特定配置下有效

wiki/sources/content-factory.md

@@ -0,0 +1,41 @@
+---
+title: "Multi-Agent Content Factory"
+type: source
+tags: []
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/content-factory.md]]
+
+## Summary（用中文描述）
+- 核心主题：基于 Discord 频道的多 Agent 内容工厂，通过链式 Agent 实现内容创作全流程自动化
+- 问题域：内容创作者需要在研究、写作、设计多个平台手动切换，耗时耗力
+- 方法/机制：Research Agent（研究）→ Writing Agent（写作）→ Thumbnail Agent（设计），三 Agent 在各自 Discord 频道协作，通过定时调度实现"次日醒来即可收获成品内容"
+- 结论/价值：链式 Agent 是核心——上游 Agent 输出直接喂给下游，无需人工逐步干预；适配任意内容格式（tweets、newsletter、LinkedIn posts、podcast outline、blog）
+
+## Key Claims（用中文描述）
+- 链式 Agent 是内容工厂的核心能力——研究喂给写作，写作喂给缩略图，无需逐步人工提示
+- Discord 频道使每个 Agent 的工作独立可查，便于针对性反馈（如"脚本太长了"或"多关注 AI 新闻"）
+- 本地模型做图像生成（如 Mac Studio 上的 Nano Banana）可降低成本并提升控制力
+
+## Key Quotes
+> "The power is in the chained agents — research feeds writing, writing feeds thumbnails. You don't prompt each step individually." — 核心洞察
+
+> "Running a local model for image generation (like Nano Banana on a Mac Studio) keeps costs down and gives you more control." — 成本优化建议
+
+## Key Concepts
+- [[Chained Agents]]：上游 Agent 输出直接作为下游输入，无需人工干预的 Agent 协作模式
+- [[Content Automation]]：内容创作全流程（研究→写作→设计）的自动化流水线
+- [[Workflow Architecture]]：多 Agent 系统的工作流架构设计
+
+## Key Entities
+- [[OpenClaw]]：多 Agent 框架，提供 sessions_spawn/sessions_send 能力，是 Content Factory 的底层实现工具
+- Alex Finn：OpenClaw 生活改变型用例视频的作者，内容工厂方案受其启发
+
+## Connections
+- [[Podcast Production Pipeline]] ← related_to ← [[Content Factory]]
+- [[multi-agent-team]] ← related_to ← [[Content Factory]]
+
+## Contradictions
+- 与 [[Podcast Production Pipeline]]：两者均涉及多 Agent 协作流水线，但播客流水线侧重音视频内容，内容工厂侧重社交媒体短内容

wiki/sources/daily-youtube-digest.md

@@ -0,0 +1,58 @@
+---
+title: "Daily YouTube Digest"
+type: source
+tags: []
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/daily-youtube-digest]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 每日 YouTube 频道视频摘要推送——自动获取订阅频道最新视频、提取字幕、生成要点摘要，以 Digest 形式定时送达用户
+- 问题域：YouTube 通知不可靠（算法压制）、刷推荐内容浪费时间、难以系统性追踪感兴趣的创作者更新
+- 方法/机制：
+  - 通过 [[OpenClaw]] 的 `youtube-full` skill 安装并配置 TranscriptAPI.com API（100 免费积分，无需信用卡）
+  - AI Agent 定期检查频道最新上传 → 提取字幕 → 摘要 → 发送 Digest
+  - 支持两种模式：频道列表模式（指定 @TED/@Fireship 等）+ 关键词模式（搜索 "Claude Code"/"AI agents" 等）
+  - seen-videos.txt 机制避免重复处理
+  - `channel/latest` 和 `channel/resolve` API 免费（0 积分），仅字幕抓取收费（1 积分/视频）
+- 结论/价值：把算法推荐的被动消费（doom-scrolling）转变为系统化的主动学习，用 AI 把"没时间看视频"变成"每天花 10 分钟获取精华"
+
+## Key Claims（用中文描述）
+- YouTube 通知不可靠：订阅频道的新视频不会出现在通知或首页推荐中，被算法压制
+- 每日 Digest 是对抗信息过载的有效策略：不是每条视频都值得看，但值得知道它们的存在
+- TranscriptAPI.com 优于 yt-dlp：纯 HTTP API、无二进制依赖、跨平台可靠、支持缓存、不易被 YouTube 封禁
+- 频道检查（channel/latest）完全免费，只需在有字幕的感兴趣视频上花费积分
+- 已存在商业产品：Recapio - Daily YouTube Recap（recapio.com）
+
+## Key Quotes
+> "You subscribe to channels, but their new videos never show up in your home feed. They're not in notifications. They just... disappear." — 痛点描述
+> "It's fun to start the day with curated content insights instead of doom-scrolling a recommendation feed." — 价值主张
+> "This way you never waste credits re-fetching videos you've already seen." — 避免重复处理
+
+## Key Concepts
+- [[Daily-Digest]]：定时将多个信息源的最新内容打包推送给用户的模式，替代实时通知的碎片化消费
+- [[Transcript-Based Summarization]]：通过视频字幕提取 + AI 摘要实现视频内容的结构化处理，绕过长视频消费的"没时间"困境
+- [[Channel-Based Monitoring]]：以订阅频道为单位跟踪新内容，而非依赖平台推荐算法
+- [[Keyword-Based Monitoring]]：以关键词为触发条件搜索新内容，适合跟踪特定主题或竞品动态
+- [[Credit-Efficient Processing]]：优化 API 调用策略（免费检查优先、按需付费摘要），降低 AI 消费成本
+
+## Key Entities
+- [[OpenClaw]]：多 Agent 框架，支持持久记忆和工作流编排，运行 youtube-full skill
+- [[ClawHub]]（clawhub.ai）：OpenClaw skill 市场，托管 youtube-full 等 Agent 技能包
+- [[TranscriptAPI.com]]：YouTube 字幕 API 服务商（YouTubeToTranscript.com 的背后技术），提供 HTTP API 替代 CLI 工具，100 免费积分
+- [[Recapio]]：商业竞品产品，提供 Daily YouTube Recap 功能（recapio.com）
+
+## Connections
+- [[OpenClaw]] ← runs ← [[youtube-full skill]]
+- [[youtube-full skill]] ← uses ← [[TranscriptAPI.com]]
+- [[Daily YouTube Digest]] ← similar_to ← [[multi-source-tech-news-digest]]
+- [[Daily YouTube Digest]] ← extends ← [[second-brain]] (信息摄入层)
+
+## Contradictions
+- 与 [[实战笔记-本地部署-rsshub-并获取-youtube-订阅]] 可能存在重叠：
+  - 冲突点：两者都提供 YouTube 订阅内容追踪
+  - 当前观点（Daily YouTube Digest）：AI Agent 自动抓字幕 + 摘要，主动推送 Digest
+  - 对方观点（RSSHub）：通过 RSS 标准协议追踪更新，适合工作流集成（n8n），无 AI 摘要
+  - 补充：RSSHub 方案适合被动监控；AI Digest 方案适合主动学习，两者互补

wiki/sources/google-5个agent-skill设计模式-2026-03-19.md

@@ -0,0 +1,59 @@
+---
+title: "Google 5个 Agent Skill 设计模式"
+type: source
+tags: [Agent, Skill, 设计模式, Google, Anthropic, ADK]
+sources: []
+last_updated: 2026-03-19
+---
+
+## Source File
+- [[Agent/Google-5个Agent-Skill设计模式-2026-03-19.md]]
+
+## Summary（用中文描述）
+- 核心主题：Google Cloud 发布的 5 种经过验证的 Agent Skill 设计模式，每种都有完整的 ADK 代码示例
+- 问题域：Agent 开发中同样 SKILL.md 格式，执行效果天差地别的问题
+- 方法/机制：Tool Wrapper、Generator、Reviewer、Inversion、Pipeline 五种结构化设计模式
+- 结论/价值：将工作流拆分为正确的结构模式，才能构建出真正可靠的 Agent
+
+## Key Claims（用中文描述）
+- SKILL.md 格式标准化后，内容设计成为决定执行效果的关键
+- Tool Wrapper 模式通过动态加载 references/ 目录实现按需知识注入
+- Generator 模式通过"填空"流程强制一致的输出格式
+- Reviewer 模式将"检查什么"和"怎么检查"完全分离
+- Inversion 模式让 Agent 变成面试官，先收集信息再行动
+- Pipeline 模式通过硬性检查点强制执行严格的顺序工作流
+- 五种模式可以组合使用，ADK 的 SkillToolset 支持按需加载
+
+## Key Quotes
+> "最好的 Skill 不是写得好的提示词，而是一个「工具箱」" — Anthropic Skill 设计经验
+> "把工作流拆分开，应用正确的结构模式，才能构建出真正可靠的 agent" — Google ADK 指南总结
+> "Anthropic 把内部几百个 Skills 用了个遍，发现最好的 Skill 不是写得好的提示词，而是一个「工具箱」。他们把 Skills 分成九类，从参考手册到故障排查，每类都有明确的场景。" — Anthropic 的 Skill 实践
+
+## Key Concepts
+- [[ToolWrapper模式]]：将库/框架规范打包成 Skill，监听关键词按需加载 references/ 目录下的文档
+- [[Generator模式]]：利用 assets/ 存放输出模板、references/ 存放样式指南，通过"填空"流程生成结构化输出
+- [[Reviewer模式]]：将审查标准存放在 references/review-checklist.md，指令保持静态，Agent 动态加载特定审查标准
+- [[Inversion模式]]：Agent 先变成面试官逐阶段提问，等用户回答完所有问题后再行动
+- [[Pipeline模式]]：通过硬性检查点和明确门控条件强制执行严格的顺序工作流
+- [[渐进式披露]]：ADK 的 SkillToolset 机制，Agent 只在运行时需要时才消耗上下文 token 加载特定模式
+- [[SkillToolset]]：ADK 中支持多个 Skill 组合使用的工具集
+
+## Key Entities
+- [[GoogleCloud]]：发布 ADK Agent 开发指南的主体，提供了 5 种设计模式
+- [[Anthropic]]：Claude Code 开发者，其 Skill 设计经验（9 类分类、3 条铁律）作为附录被引用
+- [[SabooShubham]]：Google ADK 指南作者之一
+- [[lavinigam]]：Google ADK 指南作者之一
+- [[ADK]]（Agent Development Kit）：Google Cloud 的 Agent 开发工具包，提供了完整的代码示例
+- [[ClaudeCode]]：Anthropic 的 CLI Agent，支持 SKILL.md 格式
+- [[awesome-agent-skills]]：GitHub 仓库，收集了主流工具的 Skill 示例
+
+## Connections
+- [[ClaudeCode调用方法总结]] ← related_to ← [[Google5个AgentSkill设计模式]]
+- [[AnthropicSkill实践]] ← extends ← [[Google5个AgentSkill设计模式]]
+- [[ClaudeCodeTemplates]] ← related_to ← [[SkillToolset]]
+
+## Contradictions
+- 与 [[ClaudeSkill设计指南9种类型]] 冲突：
+  - 冲突点：Google 强调 5 种结构化设计模式；Anthropic 强调 9 类 Skill 分类
+  - 当前观点：结构模式和分类体系可以互补，Google 关注 Skill 内部结构，Anthropic 关注 Skill 的使用场景
+  - 对方观点：两种方法论各有侧重，共同目标是构建可靠的 Agent

wiki/sources/how-to-get-youtube-channel-id.md

@@ -0,0 +1,40 @@
+---
+title: "How to get Youtube Channel ID"
+type: source
+tags: []
+date: 2025-03-16
+---
+
+## Source File
+- [[raw/Others/How to get Youtube Channel ID.md]]
+
+## Summary（用中文描述）
+- 核心主题：通过浏览器 view-source 方法获取 YouTube 频道的 Channel ID
+- 问题域：YouTube 频道识别与 RSS 订阅源获取
+- 方法/机制：使用 `view-source:` URL 前缀访问频道页面，在页面源码中搜索 `channel_id` 字符串，从中提取 RSS Feed URL 中的频道 ID
+- 结论/价值：无需 API Key 或第三方工具，即可通过纯浏览器操作获取频道 ID，可用于 [[n8n]] 工作流等自动化场景
+
+## Key Claims（用中文描述）
+- 用户可通过浏览器访问 `view-source:https://www.youtube.com/@频道名` 获取页面源码
+- 在源码中搜索 `channel_id` 字符串可找到 RSS Feed 地址
+- RSS Feed URL 格式为 `https://www.youtube.com/feeds/videos.xml?channel_id=UCxxxxxx`
+- 获取到的 Channel ID 可用于 [[n8n]] 等工作流自动化工具
+
+## Key Quotes
+> "view-source:https://www.youtube.com/@Numberblocks" — 浏览器地址栏输入此 URL 访问频道页面源码
+> "channel_id=UCPlwvN0w4qFSP1FllALB92w" — 搜索 `?channel_id` 可找到该频道的 RSS Feed URL
+> "channel id can be used in n8n workflow" — Channel ID 的实际应用场景
+
+## Key Concepts
+- [[Channel ID]]：YouTube 频道的唯一标识符，格式为 `UC` 开头加 22 位字符
+- [[RSS Feed]]：`https://www.youtube.com/feeds/videos.xml?channel_id=<ID>` 是 YouTube 频道的 RSS 订阅源格式
+
+## Key Entities
+- [[YouTube]]：全球最大视频分享平台，Channel ID 是其频道资源的唯一标识
+- [[n8n]]：工作流自动化工具，可利用 Channel ID 订阅 YouTube 频道更新
+
+## Connections
+- [[n8n-workflow-orchestration]] ← uses ← [[YouTube Channel ID]] ← extracted_from ← [[RSSHub]]（相关工作流自动化集成）
+
+## Contradictions
+- （无冲突）

wiki/sources/mcp在cursor中的集成与应用详解.md

@@ -0,0 +1,52 @@
+---
+title: "MCP在Cursor中的集成与应用详解"
+type: source
+tags: [ai, ai-agent, cursor, mcp]
+sources: []
+last_updated: 2026-04-22
+---
+
+## Source File
+- [[Agent/MCP在Cursor中的集成与应用详解]]
+
+## Summary（用中文描述）
+- 核心主题：MCP（Model Context Protocol）在 Cursor AI IDE 中的集成配置与实际应用。
+- 问题域：AI 大模型与外部工具服务的集成交互协议与实操配置。
+- 方法/机制：基于 Client-Server 架构的 MCP 协议，通过 SSE 服务端模式和本地 Command 命令行两种方式接入 Cursor；在 Composer 模块的 Agent 模式下调用 MCP 工具链。
+- 结论/价值：MCP 实现了 AI 大模型与多样化外部工具的无缝集成，显著提升 AI 应用的扩展能力和交互效率。
+
+## Key Claims（用中文描述）
+- MCP 是 Modal Context Protocol 的缩写，是一种基于 Client-Server 架构的协议，旨在实现大模型与外围服务的高效集成。
+- MCP Server 提供三种功能接口：资源获取（GET）、工具调用（POST）、Promise 提示词。
+- Cursor 中 MCP Server 有两种接入方式：SSE 服务方式和本地执行命令（Command）方式。
+- Composer 中的 Agent 模式能自动执行内嵌命令并处理工具调用，减少手动操作步骤。
+- Sequential Thinking 是 MCP 工具之一，支持逻辑推理与分步执行任务，优化 AI 模型的思考与响应过程。
+
+## Key Quotes
+> "MCP是Modal Context Protocol的缩写，是一种基于Client-Server架构的协议，旨在实现大模型与外围服务的高效集成。MCP Server提供三种功能接口：资源获取（类似HTTP的GET）、工具调用（类似POST请求）、以及Promise提示词，用于多样化的交互与扩展。"
+> — MCP 架构定义
+
+> "Agent模式与Normal模式的最大区别在于：Agent模式实现命令的链路打通，减少手动操作的步骤，自动执行内嵌命令并处理工具调用。"
+> — Cursor Composer Agent模式说明
+
+## Key Concepts
+- [[MCP（Model Context Protocol）]]：基于 Client-Server 架构的协议，支持 AI 大模型与外围工具基于 GET/POST/Promise 三种接口进行高效交互。
+- [[Sequential Thinking]]：MCP 工具之一，支持逻辑推理与分步执行任务，优化 AI 模型的思考与响应过程。
+- [[Tool Calling]]：MCP 协议中的工具调用机制，类似 POST 请求，用于触发外部工具执行。
+- [[SSE（Server-Sent Events）]]：一种服务器向客户端推送实时事件的技术，作为 MCP 的一种接入方式。
+- [[Agent模式]]：Cursor Composer 中的交互方式，自动执行内嵌命令并处理工具调用，提升操作效率。
+- [[Yolo Mode]]：Cursor Agent 模式中的自动执行开关，开启后会无确认执行所有命令，存在较高误操作风险，默认关闭。
+
+## Key Entities
+- [[Cursor]]：AI 增强型代码编辑器，支持 MCP 协议集成，通过 Composer 模块实现 Agent 模式与 MCP 工具链调用。
+- [[smisery]]：提供热点新闻 MCP Server 的网站，支持九个新闻来源的 MCP 服务集成。
+- [[鱼凤老师]]：视频教程作者，专注 AI 大模型与工具集成的实战分享。
+
+## Connections
+- [[Cursor]] ← 集成 ← [[MCP（Model Context Protocol）]]
+- [[Cursor]] ← 使用模式 ← [[Agent模式]]
+- [[Sequential Thinking]] ← 工具调用 ← [[MCP（Model Context Protocol）]]
+- [[热点新闻服务]] ← MCP Server 实现 ← [[smisery]]
+
+## Contradictions
+- 无已知冲突内容。

wiki/sources/meeting-notes-action-items.md

@@ -0,0 +1,55 @@
+---
+title: "Automated Meeting Notes & Action Items"
+type: source
+tags: []
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/meeting-notes-action-items.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 自动将会议录音转录文本转换为结构化会议记录，并自动在项目管理工具中创建待办任务
+- 问题域：会议记录人工整理耗时（20+分钟）、行动项容易遗忘、任务分配缺乏追踪机制
+- 方法/机制：监听会议转录文本来源 → 提取关键决策和行动项 → 自动创建 Jira/Linear/Todoist/Notion 任务 → 发送 Slack/Discord 摘要 → 截止日前自动提醒
+- 结论/价值：**自动创建任务**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 Claims（用中文描述）
+- AI Agent 通过消除"已讨论"到"已追踪"之间的Gap，提升团队协作效率
+- 转录文本来源可以是 Otter.ai 导出、Google Meet 转录、Zoom 录制摘要或直接粘贴文本
+- 真正的价值不在摘要，而在于**自动任务创建**——会议记录如果不变成可追踪的任务，只是"文档剧场"
+- VTT/SRT 字幕文件（Zoom/Google Meet 导出）因包含时间戳而更适合作为输入，可帮助 Agent 区分发言人
+- 应采用渐进式自动化：先从"粘贴转录文本 → 获取摘要"开始，逐步扩展到文件夹监听和 API 集成
+
+## Key Quotes
+> "Meeting notes that don't become tracked tasks are just documentation theater." — 核心洞察
+> "Start simple (paste transcript, get summary) and automate incrementally. Don't over-engineer the pipeline before validating the output quality." — 实施建议
+> "VTT/SRT subtitle files from Zoom or Google Meet work great as input — they include timestamps which help the agent attribute statements to speakers." — 输入格式建议
+
+## Key Concepts
+- [[MeetingNotes]]：会议记录的 AI 自动化生成，包括摘要提取、关键决策识别、行动项抽取
+- [[ActionItemTracking]]：从会议记录中识别并追踪分配给特定人员的待办事项
+- [[TaskAutomation]]：通过 AI Agent 自动在项目管理工具（Jira/Linear/Todoist/Notion）中创建任务
+- [[TranscriptProcessing]]：处理会议转录文本，包括 VTT/SRT 格式解析和发言人识别
+
+## Key Entities
+- [[Jira]]：Atlassian 项目管理工具，支持通过 REST API 创建任务，Agent 将会议行动项自动同步到 Jira
+- [[Linear]]：现代项目管理工具，提供 GraphQL API，Agent 将行动项自动同步到 Linear 项目
+- [[Todoist]]：个人/团队任务管理工具，Agent 将个人会议行动项自动添加到 Todoist
+- [[Notion]]：多功能协作工具，支持数据库操作，Agent 将会议摘要和行动项写入 Notion 页面
+- [[Otter.ai]]：AI 会议转录服务，提供 API 导出转录文本，作为 Agent 的会议输入来源
+- [[Fireflies.ai]]：AI 会议助手，自动记录和转录会议，作为 Agent 的会议输入来源
+- [[Slack]]：团队沟通平台，Agent 通过 Incoming Webhook 将会议摘要发布到指定频道
+- [[Discord]]：社区/团队沟通平台，Agent 将会议摘要发送到服务器频道
+
+## Connections
+- [[MeetingNotes]] ← depends_on ← [[TranscriptProcessing]]
+- [[ActionItemTracking]] ← extends ← [[Todoist Task Manager]]
+- [[TaskAutomation]] ← uses ← [[Jira]], [[Linear]], [[Todoist]], [[Notion]]
+- [[MeetingNotes]] ← uses ← [[Otter.ai]], [[Fireflies.ai]]
+
+## Contradictions
+- 与 [[todoist-task-manager]] 可能存在重叠：
+  - 冲突点：两者都涉及 Todoist 任务管理，但侧重不同
+  - 当前观点：[[MeetingNotes]] 专注于从会议转录自动提取行动项后创建任务
+  - 对方观点：[[todoist-task-manager]] 侧重于通用的 Todoist 任务管理和提醒设置

wiki/sources/n8n-claude-通过自然语言自动化工作流.md

@@ -0,0 +1,48 @@
+---
+title: "n8n + Claude：通过自然语言自动化工作流"
+type: source
+tags: [claude, n8n, n8n-mcp, nodejs]
+date: 2025-12-31
+---
+
+## Source File
+- [[Agent/n8n+Claude 通过自然语言自动化工作流.md]]
+
+## Summary（用中文描述）
+- 核心主题：通过在 Claude Desktop 中配置 n8n-mcp MCP 服务器，使 Claude 能够通过自然语言指令直接调用 n8n 的 543 个节点，自动生成和执行工作流，实现"用嘴做自动化"。
+- 问题域：用户需要在 Claude Desktop 环境中使用 MCP 协议连接 n8n，通过自然语言驱动的 AI Agent 实现工作流自动化。
+- 方法/机制：安装 Claude Desktop → 安装 Node.js 运行环境 → 安装 n8n-mcp MCP 服务器 → 配置 MCP 连接 → 用自然语言向 Claude 描述需求 → Claude 调用 n8n 节点生成工作流。
+- 结论/价值：结合 Claude 的自然语言理解和 n8n 的 543 个节点能力，实现低门槛的 AI 驱动工作流自动化，大幅降低非技术用户的自动化实现成本。
+
+## Key Claims（用中文描述）
+- n8n-mcp 作为 MCP 服务器，将 Claude Desktop 与 n8n 工作流引擎连接，使 Claude 能够理解并调用 n8n 全部 543 个节点。
+- Claude Desktop 通过 MCP 协议与 n8n 通信，实现"自然语言 → 工作流代码"的端到端自动化生成。
+- n8n 是开源工作流自动化平台，Node.js 运行环境是其依赖基础。
+- Node.js 是 n8n-mcp 的运行时环境，必须先安装 Node.js 才能启动 MCP 服务。
+
+## Key Quotes
+> "安装 Claude Desktop 后，在 Claude Desktop 中安装 mcp npm 包，以实现本地与 n8n 的 MCP 连接。" — 环境准备步骤
+
+## Key Concepts
+- [[工作流自动化]]：通过自然语言指令让 AI 自动设计和搭建 n8n 自动化流程的技术方法。
+- [[MCP（Model Context Protocol）]]：Anthropic 推出的模型上下文协议，作为 Claude Desktop 与 n8n-mcp 之间的通信桥梁，实现工具调用标准化。
+- [[Extended Thinking]]：Claude 的深层推理模式，提升代码生成质量和逻辑正确性（本来源 [[使用Claude自动生成N8N工作流的实操教程]] 关联）。
+
+## Key Entities
+- [[Claude Desktop]]：Anthropic Claude AI 桌面应用，支持 MCP 协议扩展，可通过 n8n-mcp 连接 n8n 工作流引擎。
+- [[n8n-mcp]]：czlonkowski/n8n-mcp 开源 MCP 服务器项目，充当 Claude Desktop 与 n8n 之间的桥梁，支持 543 个 n8n 节点、87% 官方文档覆盖。
+- [[Node.js]]：JavaScript 运行时环境，n8n-mcp 的运行依赖，必须先安装 Node.js 才能启动 MCP 服务。
+- [[N8N]]：开源工作流自动化平台（由多个节点按顺序执行的自动化流程组成），Claude 通过 n8n-mcp 调用其全部节点。
+
+## Connections
+- [[Claude Desktop]] ← connects via ← [[MCP（Model Context Protocol）]] ← through ← [[n8n-mcp]]
+- [[n8n-mcp]] ← controls ← [[N8N]]（工作流执行引擎）
+- [[n8n-mcp]] ← requires ← [[Node.js]]（运行环境）
+- [[Claude Desktop]] ← generates ← [[工作流自动化]]（目标产出）
+
+## Contradictions
+- 与 [[使用Claude自动生成N8N工作流的实操教程]] 对比：
+  - 冲突点：两篇文章均介绍 Claude + n8n 自动化，但实现路径不同。
+  - 当前观点（本篇）：使用 Claude Desktop（桌面客户端）+ n8n-mcp MCP 服务器本地连接，适合桌面用户。
+  - 对方观点（另一篇）：使用 Claude API（云端）+ n8n-mcp，适合 API 编程集成场景。
+  - 说明：两者核心技术相同（n8n-mcp + MCP 协议），差异在于 Claude 的接入方式（桌面客户端 vs API），可互补使用。

wiki/sources/n8n-configure-telegram-trigger.md

@@ -0,0 +1,42 @@
+---
+title: "n8n configure telegram trigger"
+type: source
+tags: [n8n, telegram]
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/n8n configure telegram trigger.md]]
+
+## Summary（用中文描述）
+- 核心主题：n8n Telegram Trigger 节点的 HTTPS Webhook 配置与故障排查
+- 问题域：n8n 工作流自动化平台在接收 Telegram 机器人消息时的 Webhook 注册问题
+- 方法/机制：通过设置 `WEBHOOK_URL` 环境变量为 HTTPS URL，使 n8n 生成符合 Telegram 要求的 HTTPS Webhook 地址；Docker Desktop 容器环境下配置该环境变量
+- 结论/价值：解决 Telegram "bad webhook: An HTTPS URL must be provided for webhook" 错误，成功激活 Telegram Trigger 节点
+
+## Key Claims（用中文描述）
+- Telegram 要求 Webhook URL 必须是 HTTPS 协议，HTTP 或空值均无法注册
+- `WEBHOOK_URL` 环境变量控制 n8n 生成的 Webhook URL 协议前缀
+- 在 Docker Desktop 环境中设置 `WEBHOOK_URL=https://n8n.cpolar.top` 可解决内网 n8n 实例的 Telegram Webhook 配置问题
+
+## Key Quotes
+> "Telegram Trigger: Bad Request: bad webhook: An HTTPS URL must be provided for webhook" — 错误信息，表明 Telegram 要求 HTTPS Webhook
+
+> "WEBHOOK_URL=https://your-domain.com/" — 官方推荐的 n8n Telegram Trigger HTTPS Webhook 配置方法
+
+## Key Concepts
+- [[Webhook]]：网络钩子，一种服务器间实时推送数据的机制；Telegram Bot API 使用 Webhook 模式而非轮询来接收消息
+- [[Telegram Trigger]]：n8n 平台中用于接收 Telegram 机器人消息并触发工作流的节点
+- [[WEBHOOK_URL]]：n8n 环境变量，指定 n8n 实例的对外 HTTPS 访问地址，用于生成 Telegram Webhook URL
+
+## Key Entities
+- [[n8n]]：开源工作流自动化平台，支持通过 Trigger 节点监听外部事件（如 Telegram 消息）
+- [[Telegram]]：即时通讯平台，提供 Bot API，支持 Webhook 推送消息
+- [[Docker Desktop]]：桌面级 Docker 运行环境，在其中运行 n8n 容器时通过环境变量配置 WEBHOOK_URL
+
+## Connections
+- [[n8n Docker 安装与更新]] ← extends ← [[n8n configure telegram trigger]]（本文为 n8n Docker 部署的 Telegram 集成补充）
+- [[Webhook]] ← used_by ← [[Telegram Trigger]]（Webhook 机制是 Telegram Trigger 的底层通信方式）
+
+## Contradictions
+- 无已知冲突

wiki/sources/n8n-docker-install-update.md

@@ -0,0 +1,54 @@
+---
+title: "n8n Docker 安装与更新"
+type: source
+tags: [docker, n8n, workflow, 自动化]
+sources: []
+last_updated: 2025-12-30
+---
+
+## Source File
+- [[Agent/n8n docker install & update]]
+
+## Summary（用中文描述）
+- **核心主题**：n8n 工作流自动化平台的 Docker 容器化部署与配置，包括网络代理设置和版本更新流程
+- **问题域**：在家庭服务器环境中通过 Docker 部署 n8n，并解决容器内访问国外 API 的网络代理问题
+- **方法/机制**：
+  - 自定义 Dockerfile 扩展官方 n8n 镜像（安装 curl/wget 工具）
+  - Docker Compose YAML 配置 HTTPS、反向代理环境变量
+  - 通过 `ALL_PROXY` 环境变量配置容器内 SOCKS5 代理，使 n8n 节点可访问国外服务
+  - 使用 `docker compose pull && down && up -d` 流程更新版本
+- **结论/价值**：提供一套完整的 n8n Docker 生产级部署方案，包含网络安全代理配置和版本维护脚本
+
+## Key Claims（用中文描述）
+- 宿主机 V2Ray/Tuic 需配置 `0.0.0.0` 监听，并将 SOCKS5 端口（10808）暴露给 Docker 网桥
+- Docker 容器内通过 `ALL_PROXY=socks5://172.21.0.1:10808` 环境变量使所有出站流量走代理
+- Docker 网桥网关 IP（`docker network inspect n8n_default` 查看 Gateway）需替换实际值
+- `N8N_TRUST_PROXY=true` 配合 Caddy 反向代理实现真实客户端 IP 传递
+- 更新 n8n 版本只需 `docker compose pull && docker compose down && docker compose up -d`
+
+## Key Quotes
+> "注意：`172.21.0.1` 需替换为以下命令输出的网桥 IP（Gateway）。`docker network inspect n8n_default`" — 容器内访问宿主机代理的关键网络配置说明
+
+> "配置容器内网络代理" — n8n 节点（如 HTTP Request）访问国外 API 的核心机制
+
+## Key Concepts
+- [[Docker网络网关IP]]：Docker 容器内访问宿主机服务的网关地址，自定义网络如 `172.21.0.1`
+- [[SOCKS5代理]]：通过 SOCKS5 协议转发 HTTP/HTTPS 流量的代理机制，`ALL_PROXY` 环境变量启用
+- [[环境变量代理]]：通过 `HTTP_PROXY/HTTPS_PROXY/ALL_PROXY` 环境变量让程序走代理
+- [[Caddy反向代理]]：`N8N_TRUST_PROXY=true` 使 n8n 获取真实客户端 IP
+- [[Docker卷]]：n8n 数据持久化卷 `n8n_data`，挂载至 `/home/node/.n8n`
+- [[Docker Compose]]：声明式定义 n8n 服务的 YAML 配置文件
+
+## Key Entities
+- [[n8n]]：开源工作流自动化平台，支持可视化编排和 API 集成
+- [[Docker]]：容器化运行时，n8n 的部署底座
+- [[V2Ray/Tuic]]：宿主机运行的代理客户端，提供 SOCKS5 服务
+
+## Connections
+- [[n8n]] ← 部署方式 ← [[Docker]]
+- [[n8n]] ← 网络代理 ← [[SOCKS5代理]]
+- [[SOCKS5代理]] ← 运行于 ← [[Docker网络网关IP]]
+- [[n8n configure telegram trigger]] ← 相关配置 ← [[n8n]]
+
+## Contradictions
+- 无已知冲突

wiki/sources/n8n-full-tutorial-building-ai-agents-in-2025-for-beginners.md

@@ -0,0 +1,53 @@
+---
+title: "N8N Full Tutorial Building AI Agents in 2025 for Beginners!"
+type: source
+tags: [ai, ai-agent, n8n, tutorial]
+date: 2025-03-06
+sources: []
+last_updated: 2026-04-23
+---
+
+## Source File
+- [[Agent/n8n full tutorial building AI agents in 2025 for Beginners!.md]]
+
+## Summary（用中文描述）
+- 核心主题：使用 N8N 平台构建 AI Agent 的完整入门教程
+- 问题域：AI Agent 开发平台、工作流自动化、AI 与数据库集成
+- 方法/机制：N8N 五类节点系统（Trigger/Action/Utility/Code/Advanced AI）、Agent 记忆机制、外部工具集成（Airtable）、Workflow 与 Agent 的区别
+- 结论/价值：N8N 提供低门槛可视化界面，使初学者能够通过动态工具选择和上下文记忆构建有状态的 AI Agent 系统
+
+## Key Claims（用中文描述）
+- N8N 平台通过五类节点（触发节点、动作节点、工具节点、代码节点、高级 AI 节点）的组合，使构建 AI Agent 变得直观可控
+- Agentic System（智能体系统）将 Workflow 的可预测性与 Agent 的动态工具选择能力结合，实现能根据用户输入自适应响应的 AI 应用
+- 记忆（Memory）机制是 AI Agent 与传统自动化 Workflow 的关键区别，使 Agent 能够保留对话上下文
+- 外部工具集成（如 Airtable）扩展了 AI Agent 的能力边界，使其能够读写真实业务数据
+
+## Key Quotes
+> "Agentic systems consist of agents and workflows, where agents dynamically select tools for user requests." — 教程核心定义
+
+> "By retaining context from previous interactions, agents can provide more coherent and relevant responses." — 记忆机制的价值
+
+## Key Concepts
+- [[Agentic System]]：由 Agent 和 Workflow 组成的智能系统，Agent 能根据用户请求动态选择工具
+- [[AI Agent Memory]]：AI Agent 的上下文保持机制，使对话具有连续性
+- [[N8N Node Types]]：N8N 平台的五类节点（Trigger、Action、Utility、Code、Advanced AI）
+- [[Workflow vs Agent]]：传统自动化 Workflow（预定义输出）vs AI Agent（动态决策）的本质区别
+
+## Key Entities
+- [[n8n]]：开源工作流自动化平台，支持 AI Agent 构建，提供可视化节点编辑界面
+- [[AI Foundations]]：AI 学习和协作社区，提供本教程及后续进阶资源
+- [[Airtable]]：云端数据库平台，教程中作为 Agent 的外部工具集成示例
+
+## Connections
+- [[n8n + Claude：通过自然语言自动化工作流]] ← extends ← [[本教程]]
+- [[使用Claude自动生成N8N工作流的实操教程]] ← related_to ← [[本教程]]
+- [[n8n-workflow-orchestration]] ← related_to ← [[本教程]]
+- [[n8n调用hermes-agents的工作流架构]] ← related_to ← [[本教程]]
+- [[n8n-调用openclaw-agents的工作流架构]] ← related_to ← [[本教程]]
+
+## Contradictions
+- 与 [[n8n + Claude：通过自然语言自动化工作流]] 的潜在差异：
+  - 冲突点：Claude 生成 N8N 工作流的自动化程度
+  - 当前观点（本教程）：N8N 适合作为独立 AI Agent 平台，通过记忆机制和工具集成实现复杂自动化
+  - 对方观点：Claude 可通过 n8n-mcp 理解 543 个 N8N 节点并自动生成工作流，完成度约 80%-90%
+  - 说明：两者互补——教程提供手动构建基础，Claude 工具提供自动化加速

wiki/sources/podcast-production-pipeline.md

@@ -0,0 +1,51 @@
+---
+title: "Podcast Production Pipeline"
+type: source
+tags: ["agent", "podcast", "automation", "content-production"]
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/podcast-production-pipeline.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 全自动播客制作流水线，从选题到发布资产的完整工作流
+- 问题域：个人播客创作者和小型团队的生产效率问题——录制本身只占总工作量的30%，其余70%都是繁琐的准备工作
+- 方法/机制：通过 Chain Agents 串联完成「录前研究→大纲脚本→录制→时间戳笔记→社媒推广包→SEO描述」的全链路自动化
+- 结论/价值：AI 承担生产侧的 70% 工作，创作者专注核心的对话录制，大幅降低播客制作门槛
+
+## Key Claims（用中文描述）
+- Solo Podcaster 在制作上花费的时间远超录制时间，创意对话部分仅占总工作量的约 30%
+- 录制前的深度嘉宾研究是整个流水线中价值最高的环节，直接提升访谈质量
+- 带时间戳的节目笔记（Show Notes）是重要的听众留存工具，大多数播客主因繁琐而跳过
+- 社媒推广包（Social Media Kit）是节省重复性时间最多的环节——每集必做，结构固定，非常适合自动化
+- 与 [[Multi-Agent Content Factory]] 配合使用时，可将播客内容复用为博客文章、Newsletter 或视频片段
+
+## Key Quotes
+> "Walking into an interview with deep guest research makes the conversation dramatically better — and that's something you can't fake in post-production." — Key insight on pre-recording research value
+
+> "The social media kit saves the most *recurring* time. You need promo for every single episode, and it's always the same structure — perfect for automation." — On recurring automation ROI
+
+## Key Concepts
+- [[Pre-Recording Research]]：嘉宾背景调研 + 话题趋势研究 + 采访问题生成，是流水线中价值最高的环节
+- [[Podcast Show Notes]]：录制后处理录音文本，生成带时间戳的节目笔记，每一话题转换点配一句话摘要并附链接
+- [[Social Media Kit]]：为每集生成 X/Twitter（3条推文）、LinkedIn（1篇专业帖）、Instagram（1条配图文案+hashtag）的推广内容包
+- [[SEO Episode Description]]：为 Spotify、Apple Podcasts、YouTube 优化的 200 词以内节目描述，自然嵌入 3-5 个关键词
+- [[Episode Outline]]：结构化节目大纲，含寒暄开场钩子（1-2句抓注意力）、30秒开场语、5-7个递进式采访问题、2-3个备用问题、结尾行动号召
+- [[RSS Feed Monitoring]]：通过 RSS 订阅监控竞品播客，新集发布时自动推送 Telegram 提醒
+
+## Key Entities
+- [[Whisper (OpenAI)]]：本地转录工具，用于录音生成文本，为 Show Notes 生成提供原始素材
+- [[Spotify for Podcasters]]：播客分发平台，Episode Description 的目标发布渠道之一
+- [[Apple Podcasts]]：播客分发平台，Episode Description 的目标发布渠道之一
+- [[YouTube]]：视频播客平台，Episode Description 的目标发布渠道之一，同时支持 RSS 订阅
+
+## Connections
+- [[Content Factory]] ← extends ← [[Podcast Production Pipeline]]：内容工厂将播客内容复用为博客、Newsletter、视频片段等
+- [[Multi-Agent Coordination]] ← uses ← [[Podcast Production Pipeline]]：多 Agent 协调模式实现流水线并行处理
+
+## Contradictions
+- 与 [[Content Factory]]（内容工厂）：
+  - 冲突点：内容工厂强调内容的批量生产与多格式复用；播客流水线强调录制前后的端到端自动化
+  - 当前观点：两者高度互补，播客流水线生产的内容直接输入内容工厂进行多格式复用
+  - 对方观点：内容工厂可独立运作，不依赖播客作为输入源

wiki/sources/万字保姆级教程-90天跑通一人公司模式-2026-03-29.md

@@ -0,0 +1,61 @@
+---
+title: "万字保姆级教程，让你90天跑通"一人公司"模式（附AI提示词）"
+type: source
+tags: [一人公司, 个人品牌, 商业变现, AI提示词, 产品体系, 内容营销]
+date: 2026-02-11
+---
+
+## Source File
+- [[Agent/万字保姆级教程-90天跑通一人公司模式-2026-03-29.md]]
+
+## Summary（用中文描述）
+
+- **核心主题**：90天内建立一人公司的系统性方法论，通过自我定位、产品设计、内容营销和销售漏斗实现个人商业化
+- **问题域**：个人职业转型、副业创业、一人公司运营
+- **方法/机制**：天才地带自检 → 底层能力挖掘 → 心理陷阱识别 → Ikigai 框架定位 → 赛道验证 → 产品体系设计 → 内容矩阵构建 → 销售漏斗搭建
+- **结论/价值**：一人公司的关键不是更努力工作，而是更聪明地定位；用 AI 杠杆放大个人优势
+
+## Key Claims（用中文描述）
+
+- 一人公司的本质是用最小的杠杆撬动最大的价值，杠杆支点是个人优势
+- 天才地带（Zone of Genius）是能产生心流的区域，时间飞逝、精力充沛
+- 底层能力需要通过"追溯童年、毫不费力、底层通用"三个问题自检
+- 四个心理陷阱（愧疚陷阱、效率陷阱、卓越陷阱、努力陷阱）会困住个人发展
+- Ikigai 是热情、擅长、市场需求、报酬四个维度的交集
+- 产品体系需要四个层级：引流产品（免费）→ 入门产品（¥199）→ 核心产品（¥4999）→ 高价产品（¥20,000/月）
+- 客户需要逐步建立信任，没有人一开始就买最贵的
+
+## Key Quotes
+
+> "一人公司的关键，和你更努力地工作一点关系没有，是更聪明地定位。" — 文章核心观点
+
+> "在你觉得太简单所以不值钱的事情里，在朋友们总是找你帮忙的那个领域里——现在，是时候把它挖掘出来了。" — 结语
+
+## Key Concepts
+
+- [[天才地带（Zone of Genius）]]：能产生心流的区域，时间飞逝，精力充沛，与"不胜任区""胜任区""卓越区"并列
+- [[底层能力]]：隐藏在活动表象下的核心能力，可通过三个自检问题追溯
+- [[四个心理陷阱]]：愧疚陷阱（"我不喜欢别人肯定也不喜欢"）、效率陷阱（"忙=创造价值"）、卓越陷阱（"最厉害的人才能做"）、努力陷阱（"轻松=没价值"）
+- [[Ikigai框架]]：四个圆圈交集——你所热爱的 × 你所擅长的 × 世界所需要的 × 你能获得报酬的
+- [[产品四层级体系]]：引流（免费PDF）→ 入门（¥199工具）→ 核心（¥4999特训营）→ 高价（¥20,000/月咨询）
+- [[内容矩阵]]：核心主题（横轴）× 内容形式（纵轴：观察类、反直觉类、操作指南类、个人故事类、清单类）
+- [[反向金字塔内容法]]：一次长形式内容切成无数微内容，一次制作百次分发
+- [[Build in Public]]：公开构建过程建立信任，AI泛滥时代活人感更重要
+- [[价格锚定]]：高价选项放顶部让低价显得便宜
+- [[诱饵效应]]：三个定价选项引导用户选择中间选项
+
+## Key Entities
+
+- [[盖伊·亨德里克斯]]（Gay Hendricks）：心理学家，提出"天才地带（Zone of Genius）"概念
+
+## Connections
+
+- [[Ikigai框架]] ← 是 ← [[万字保姆级教程-90天跑通一人公司模式]]
+- [[Build in Public]] ← 来源于 ← [[万字保姆级教程-90天跑通一人公司模式]]
+- [[一人公司]] ← 核心概念 ← [[万字保姆级教程-90天跑通一人公司模式]]
+- [[产品体系设计]] ← 来源于 ← [[万字保姆级教程-90天跑通一人公司模式]]
+- [[销售漏斗]] ← 来源于 ← [[万字保姆级教程-90天跑通一人公司模式]]
+
+## Contradictions
+
+- （暂无）

wiki/sources/万字讲透openclaw-workspace深度解析-2026-03-21.md

@@ -0,0 +1,57 @@
+---
+title: "万字讲透OpenClaw Workspace深度解析"
+type: source
+tags: [OpenClaw, Agent, Workspace, AGENTS.md, SOUL.md]
+sources: []
+last_updated: 2026-03-21
+---
+
+## Source File
+- [[Agent/万字讲透OpenClaw-Workspace深度解析-2026-03-21.md]]
+
+## Summary（用中文描述）
+- 核心主题：OpenClaw 的 workspace 目录体系——让 Agent 从"能用"进化到"真好用"的关键文件架构
+- 问题域：Agent 个性化配置、长期记忆机制、多 Agent 协作时的行为一致性
+- 方法/机制：通过 workspace 目录下的多个 Markdown 文件（AGENTS.md/SOUL.md/USER.md/IDENTITY.md/TOOLS.md/MEMORY.md 等）分别管理职责、性格、用户偏好、身份元数据、工具规范和长期记忆
+- 结论/价值：workspace 文件配合好后，Agent 不再是每次都要重新 onboarding 的陌生人，而是一个真正懂你、记得你、靠谱的长期搭档
+
+## Key Claims（用中文描述）
+- OpenClaw 使用者存在一条隐形分界线：一边每次都要重新交代背景，另一边的 Agent 已知道用户是谁、该怎么说话——这条分界线就是 workspace
+- workspace 管的是"Agent 平时怎么干活"（文件内容），openclaw.json 管的是"系统怎么把 Agent 跑起来"（配置参数），两者职责不同
+- AGENTS.md 是岗位说明书（做什么、怎么做、边界在哪），SOUL.md 是性格档案（是谁、什么风格、怎么思考），两者不应混写
+- 300-500 字的 AGENTS.md 比 2000 字的更有效——边界比能力描述更重要，LLM 默认会"发挥创意"需要约束
+- SOUL.md 定义 Agent 性格，USER.md 定义用户偏好，两者放在一起相当于在 Agent 脑子里预装了"人机关系的基本共识"
+- TOOLS.md 的核心价值是明确"什么时候不该用"比"什么时候该用"更重要，减少工具误用和权限越界
+- 真正算数的长期记忆是 workspace 里那些 Markdown 文件，不是看不见的黑盒数据库——memory/ 目录让 Agent 真正拥有跨会话记忆
+
+## Key Quotes
+> "workspace 是 Agent 的工作台（决定怎么工作），agentDir 是 openclaw.json 里的配置字段（指向存放运行状态的目录），sessions 是工作日志（记对话历史）。三者职责不同，不要混为一谈。" — workspace 全貌区分
+> "AGENTS.md 不是越长越好——300-500 字的 AGENTS.md，比 2000 字的更有效。" — 经验法则
+> "一个没有 SOUL.md 的 Agent，每次对话都像第一次见面——它不记得自己是谁，说话没有固定风格。" — SOUL.md 必要性
+> "对 Agent 来说，真正算数的长期记忆，是 workspace 里那些 Markdown 文件，不是什么看不见摸不着的黑盒数据库。" — 记忆机制核心洞察
+
+## Key Concepts
+- [[Workspace]]：Agent 的工作台目录（~/.openclaw/workspace/），包含 AGENTS.md、SOUL.md、USER.md 等配置文件，决定 Agent 怎么工作
+- [[AGENTS.md]]：Agent 的工作说明书，定义职责、边界、多 Agent 协作流程；300-500 字最优
+- [[SOUL.md]]：Agent 的性格档案，叙事性角色设定文档（与 IDENTITY.md 的结构化元数据分工明确）
+- [[USER.md]]：用户画像与偏好固化，减少每次对话的重复交代
+- [[IDENTITY.md]]：Agent 结构化身份元数据（Name/Creature/Vibe/Emoji/Avatar），与 SOUL.md 叙事分工
+- [[TOOLS.md]]：工具权限声明与使用规范，明确"什么时候不该用"比"什么时候该用"更重要
+- [[BOOTSTRAP.md]]：一次性出厂引导，完成初始化后应删除
+- [[HEARTBEAT.md]]：会话节奏/状态提示的默认模板之一
+- [[MEMORY.md]]：长期知识总表，与 memory/ 日期滚动目录共同构成 Agent 的持久记忆层
+- [[Agent-Memory]]：OpenClaw 通过 builtin 或 qmd 方案，将重要信息写入 memory/ 或 MEMORY.md，下次对话通过 memory_search/memory_get 检索注入上下文
+
+## Key Entities
+- [[OpenClaw]]：本文的核心研究对象，multi-agent 框架，workspace 体系是其从"能用"到"真好用"的分水岭
+- [[DracoVibeCoding]]：公众号"Draco正在VibeCoding"作者，本文原创作者
+
+## Connections
+- [[OpenClaw]] ← uses ← [[Workspace]]
+- [[Workspace]] ← composed of ← [[AGENTS.md]], [[SOUL.md]], [[USER.md]], [[IDENTITY.md]], [[TOOLS.md]], [[MEMORY.md]]
+- [[AGENTS.md]] ← informs ← [[Agent-Specialization]]
+- [[Agent-Memory]] ← built on ← [[Workspace]] + [[MEMORY.md]] + [[memory/目录]]
+
+## Contradictions
+- 无已知冲突
+

wiki/sources/使用claude自动生成n8n工作流的实操教程.md

@@ -0,0 +1,52 @@
+---
+title: "使用Claude自动生成N8N工作流的实操教程"
+type: source
+tags: []
+date: 2025-12-31
+---
+
+## Source File
+- [[Agent/使用Claude自动生成N8N工作流的实操教程.md]]
+
+## Summary（用中文描述）
+- 核心主题：如何借助 AI 助手 Claude 自动创建 N8N 工作流，解决新手在架构设计和节点选择中的困惑。
+- 问题域：N8N 工作流自动化工具的使用门槛高，新手不知如何设计工作流架构和选择节点。
+- 方法/机制：通过安装 n8n-mcp（Model Context Protocol 多功能控制面板），将 Claude 与 N8N 连接，用自然语言描述需求，Claude 自动选择节点、编写代码、生成完整工作流。
+- 结论/价值：Claude 可完成约 80%-90% 的工作流设计和编码，显著降低学习门槛，适合无编码基础的 N8N 初学者，但仍需人工二次修正。
+
+## Key Claims（用中文描述）
+- n8n-mcp 通过提供 543 个 n8n nodes、节点属性 99% 覆盖、节点操作 63.6% 覆盖，使 Claude 能理解并生成 N8N 工作流。
+- Claude 使用 OpenSea 模型并开启 Extended Thinking 模式后，代码生成效果更优。
+- Claude 自动生成工作流的完成度约 80%-90%，仍有 10%-20% 的错误率需要人工修正。
+- 自然语言驱动的 N8N 工作流自动化，显著降低新手学习门槛和制作时间。
+
+## Key Quotes
+> "通过此方法，特别是缺乏编程基础的新手能快速搭建功能复杂的自动化流程，大幅提升效率。" — 教程总结
+
+> "Claude能实现约80%-90%正确的工作流布局和逻辑，尽管有细节错误仍需人工二次修正，但对新手尤其友好，显著降低学习门槛和工作时间。" — 优缺点分析
+
+## Key Concepts
+- [[N8N]]：开源工作流自动化工具，支持节点连接执行任务，由多个节点按顺序执行的自动化流程组成。
+- [[MCP（Model Context Protocol）]]：N8N 的多功能控制面板协议，允许外部工具（如 Claude）调用 N8N 所有节点，实现自动工作流创建。
+- [[Extended Thinking]]：Claude 的一种运行模式，支持更深层次逻辑推理，提升代码生成质量。
+- [[工作流自动化]]：通过自然语言指令让 AI 自动设计和搭建自动化流程的技术方法。
+- [[Node.js]]：n8n-mcp 的运行环境，需先安装 Node.js 才能启动 MCP 服务。
+- [[API Key]]：用于认证访问 N8N 服务的密钥，保证接口调用的安全。
+
+## Key Entities
+- [[n8n-mcp]]：开源 MCP 项目（czlonkowski/n8n-mcp），作为 Claude 与 N8N 之间的桥梁，支持 543 个节点、87% 官方文档覆盖。
+- [[Claude]]：Anthropic AI 助手，可通过 MCP 扩展调用 N8N 节点能力，自动生成工作流。
+- [[Node.js]]：JavaScript 运行时环境，n8n-mcp 的运行依赖。
+
+## Connections
+- [[Claude]] ← uses ← [[n8n-mcp]]
+- [[Claude]] ← uses ← [[Node.js]]（运行环境）
+- [[n8n-mcp]] ← provides nodes to ← [[N8N Workflow]]
+- [[Claude]] ← configured with ← [[API Key]]
+- [[Claude]] ← optimized by ← [[Extended Thinking]]
+
+## Contradictions
+- 与传统手工搭建 N8N 工作流对比：
+  - 冲突点：手工搭建强调用户自主设计每个节点，AI 辅助强调自然语言生成。
+  - 当前观点：AI 自动生成可大幅降低门槛，但存在 10%-20% 错误率需人工修正。
+  - 对方观点：手工搭建可精确控制每个细节，但学习成本高、耗时长。