wiki-ingest: 4 Agent Use Cases (autonomous PM, content factory, product factory, knowledge base RAG) - 2026-04-15 evening batch

wiki/concepts/Pattern-Key.md

@@ -0,0 +1,27 @@
+---
+title: "Pattern-Key"
+type: concept
+tags: [self-improving, memory, pattern, tracking]
+last_updated: 2026-04-15
+---
+
+## Definition
+经验记录（LEARNINGS.md）的唯一标识键，格式为 domain.subdomain（如 cron.telegram-delivery），用于发现重复踩坑和追踪系统性错误。
+
+## Core Mechanism
+- 格式：点分层级，如 cron.daily-self-review / cron.telegram-delivery / cron.naming-convention
+- 用途：通过相同 Pattern-Key 发现同一问题的多次记录
+- 决策信号：Pattern-Key 重复出现 = 系统性问题需系统性解决，而非单点修复
+
+## Example
+| Pattern-Key | 出现次数 | 含义 |
+|---|---|---|
+| cron.daily-self-review | 9次 | 每日复盘，持续活跃优化领域 |
+| cron.telegram-delivery | 2次 | Telegram 通知配置，第一次记了第二次解决 |
+
+## Key Insight
+Pattern-Key 重复本身是信号——第一次记了，第二次就该解决了。Recurrence-Count ≥ 2 说明这不是偶发错误。
+
+## Connections
+- [[Self-Improving Skill]] ← 核心机制 ← [[Pattern-Key]]
+- [[Recurrence-Count]] ← 量化 ← [[Pattern-Key]]

wiki/concepts/Recurrence-Count.md

@@ -0,0 +1,23 @@
+---
+title: "Recurrence-Count"
+type: concept
+tags: [self-improving, memory, tracking, systematic-error]
+last_updated: 2026-04-15
+---
+
+## Definition
+经验记录的重复次数计数器，记录同一 Pattern-Key 出现的次数，用于区分偶发一次性错误与需系统性解决的重复问题。
+
+## Core Mechanism
+- 初始值：1（新记录）
+- 递增：同一 Pattern-Key 再次出现时 +1
+- 决策阈值：Recurrence-Count ≥ 2 说明这是重复问题，不是偶发错误
+
+## Key Insight
+- Recurrence-Count = 1：一次性错误，记录后不再出现，关注 Suggested Action 即可
+- Recurrence-Count ≥ 2：系统性重复，需要检查上一次是否真正解决了根本原因
+- 高 Recurrence-Count（9次如 cron.daily-self-review）：说明这是持续活跃的优化领域，每次复盘都在积累
+
+## Connections
+- [[Pattern-Key]] ← 追踪 ← [[Recurrence-Count]]
+- [[Self-Improving Skill]] ← 量化机制 ← [[Recurrence-Count]]

wiki/concepts/STATE-yaml.md

@@ -0,0 +1,41 @@
+---
+title: "STATE.yaml"
+type: concept
+tags: [coordination, multi-agent, state-management]
+last_updated: 2026-04-15
+---
+
+## Summary
+去中心化项目协调文件格式，YAML 结构定义任务 ID、状态（in_progress/done/blocked）、owner、开始时间、备注、blocked_by 依赖关系。所有 agent 读写同一文件实现协调。
+
+## Format Structure
+```yaml
+project: project-name
+updated: ISO-timestamp
+
+tasks:
+  - id: task-id
+    status: in_progress | done | blocked
+    owner: agent-label
+    started: ISO-timestamp
+    completed: ISO-timestamp
+    blocked_by: other-task-id
+    notes: "描述"
+
+next_actions:
+  - "agent-label: 具体下一步行动"
+```
+
+## Key Properties
+- 单一事实来源（Single Source of Truth）
+- Git 版本控制可获取完整变更历史
+- blocked_by 字段实现自动依赖触发
+
+## Compared To
+- [[Multi-Agent Hierarchy]]：层级架构 vs 平铺协调
+- [[共享内存模式]]：内存读写 vs 文件持久化
+
+## Key Connections
+- [[Autonomous Project Management]] ← 核心协调机制
+- [[GitOps]] ← 审计日志集成
+- [[去中心化协调]] ← 协调模式

wiki/concepts/Self-Improving-Skill.md

@@ -0,0 +1,42 @@
+---
+title: "Self-Improving Skill"
+type: concept
+tags: [openclaw, self-improvement, memory, agent, learning]
+last_updated: 2026-04-15
+---
+
+## Definition
+OpenClaw 自改进技能，通过结构化经验记录系统让 Agent 在错误中学习、持续进化，避免同一错误重复出现。
+
+## Core Mechanism
+- 工具：self_improvement_log，写入 LEARNINGS.md 或 ERRORS.md
+- 固定格式：Summary + Details + Suggested Action + Metadata（Pattern-Key/Recurrence-Count/See Also）
+- 记录类型：correction（错误修正）/ workflow（流程改进）/ config（配置发现）/ best_practice（最佳实践）
+
+## Key Insight
+- 错误只犯一次：Pattern-Key 相同的问题第二次出现时应直接应用 Suggested Action
+- Recurrence-Count 是核心指标：重复次数高的 Pattern-Key 需要系统性解决，而非单点修复
+- Pattern-Key 重复本身是信号：第一次记了，第二次就该解决了
+
+## LEARNINGS.md 格式示例
+```markdown
+## [LRN-20260325-001] correction
+**Logged**: 2026-03-25T14:09:53+08:00
+**Priority**: high
+**Status**: pending
+**Area**: config
+### Summary
+Telegram chat ID 在 cron job 配置中不应使用 "user:" 前缀
+### Details
+使用了 `--to user:5038825565` 格式，导致报错
+### Suggested Action
+使用纯数字 chat ID：`--to 5038825565`
+### Metadata
+- Pattern-Key: cron.telegram-delivery
+- Recurrence-Count: 1
+```
+
+## Connections
+- [[双层记忆架构]] ← 包含 ← [[Self-Improving Skill]]
+- [[Pattern-Key]] ← 核心机制 ← [[Self-Improving Skill]]
+- [[每日复盘]] ← 触发 ← [[Self-Improving Skill]]

wiki/concepts/Vibe-Kanban.md

@@ -0,0 +1,26 @@
+---
+title: "Vibe-Kanban"
+type: concept
+tags: [vibe-coding, kanban, opencode, ubuntu, ai-pair-programming]
+last_updated: 2026-04-15
+---
+
+## Definition
+AI 结对编程任务看板，通过 Web UI（PORT 9999）管理编程任务，自动 spawn OpenCode Executor 在随机端口执行 AI 编程。
+
+## Core Mechanism
+- 启动：RUST_LOG=debug HOST=0.0.0.0 PORT=9999 npx vibe-kanban
+- 自动 spawn：vibe-kanban 启动后自动 spawn executor（随机端口），无需手动启动
+- 工作目录：/var/tmp/vibe-kanban/worktrees/（需 shenwei 用户权限）
+- 配置目录：~/.vibe-kanban
+- 清理：rm -rf /var/tmp/vibe-kanban/worktrees/* ~/.vibe-kanban（解决权限/端口问题）
+
+## Key Constraints
+- 不要用 root 启动 OpenCode serve
+- I/O error 通常是 executor 没启动或端口被占用
+- executor 随 vibe-kanban 进程一起管理，不单独用 pm2 管理
+
+## Connections
+- [[Vibe-Kanban]] ← spawns ← [[OpenCode Executor]]
+- [[nvm]] ← 提供 Node ← [[Vibe-Kanban]]
+- [[pm2]] ← 管理进程 ← [[Vibe-Kanban]]

wiki/concepts/nvm.md

@@ -0,0 +1,21 @@
+---
+title: "nvm"
+type: concept
+tags: [node, version-manager, ubuntu, installation]
+last_updated: 2026-04-15
+---
+
+## Definition
+Node Version Manager，通过 curl -fsSL 安装，管理多个 Node.js 版本，解决系统包版本冲突问题。
+
+## Core Mechanism
+- 安装：curl -fsSL https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
+- 环境变量：export NVM_DIR="$HOME/.nvm"，[ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh"
+- 常用命令：nvm install 20 / nvm use 20 / nvm alias default 20
+
+## Use Case
+Ubuntu Server 安装 Node 20 以支持 Vibe-Kanban 和 OpenCode，避免系统包管理器版本过旧。
+
+## Connections
+- [[Node 20]] ← 版本 ← [[nvm]]
+- [[Vibe-Kanban]] ← 依赖 ← [[nvm]]

wiki/concepts/pm2.md

@@ -0,0 +1,24 @@
+---
+title: "pm2"
+type: concept
+tags: [process-manager, node, ubuntu, vibe-coding]
+last_updated: 2026-04-15
+---
+
+## Definition
+Node.js 进程管理器，提供进程守护、日志管理、开机自启功能，适合生产环境长期运行 Node 服务。
+
+## Core Mechanism
+- 安装：npm install -g pm2
+- 启动：pm2 start "command" --name <app-name>
+- 日志：pm2 logs <app-name>
+- 保存：pm2 save（保存当前进程列表）
+- 开机自启：pm2 startup systemd -u <user> --hp <home-dir>
+- 进程列表：pm2 status
+
+## Use Case
+管理 Ubuntu Server 上的 Vibe-Kanban Web UI 进程（PORT 9999），确保服务持续运行并开机自启。
+
+## Connections
+- [[pm2]] ← 管理 ← [[Vibe-Kanban]]
+- [[OpenCode Executor]] ← spawn by ← [[Vibe-Kanban]]

wiki/concepts/个人知识库.md

@@ -0,0 +1,32 @@
+---
+title: "个人知识库"
+type: concept
+tags: [rag, memory, knowledge-management, agent]
+last_updated: 2026-04-15
+---
+
+## Summary
+基于 RAG 的个人第二大脑系统：自动从任意 URL 摄取内容（文章/tweets/YouTube/PDF），向量嵌入存储，语义搜索返回 ranked 结果+来源引文。支持其他 agent 工作流查询。
+
+## Architecture
+```
+URL Drop → Content Fetch → Chunking → Embedding → Vector Store
+                                    ↓
+Query → Semantic Search → Ranked Results + Citations
+```
+
+## Key Properties
+- 零摩擦摄入：Telegram/Slack 发 URL 即可
+- 语义搜索：自然语言查询，非关键词匹配
+- Source-grounding：每个回答附带原文引文
+- 主动供给：其他工作流可自动查询知识库
+
+## Compared To
+- [[NotebookLM]]：NotebookLM 侧重已有文档管理，本概念侧重实时 URL 摄入+语义搜索
+- [[双层记忆架构]]：本概念是外部知识管理，vs 双层记忆是 agent 自身经验积累
+
+## Key Connections
+- [[Personal Knowledge Base RAG]] ← 应用场景
+- [[RAG]] ← 技术基础
+- [[向量数据库]] ← 存储基础设施
+- [[Embedding]] ← 语义表示

wiki/concepts/产品工厂.md

@@ -0,0 +1,27 @@
+---
+title: "产品工厂"
+type: concept
+tags: [agent, product, entrepreneurship, automation]
+last_updated: 2026-04-15
+---
+
+## Summary
+市场研究到 MVP 构建的自动化管线：Last30Days 挖掘 Reddit/X 真实用户痛点 → ranked pain points → 选择痛点 → OpenClaw 构建 MVP → 用户验证。零技术要求，全流程通过对话完成。
+
+## Pipeline
+```
+Last30Days 研究 → 痛点排名 → 选择痛点 → OpenClaw 构建 MVP → 分享验证
+```
+
+## Key Properties
+- 真实数据驱动：用户帖子而非调查数据
+- 无需编码：OpenClaw 完成研究和构建
+- 每周定时研究保持市场洞察持续更新
+- 可从小痛点开始验证市场需求
+
+## Key Connections
+- [[Market Research Product Factory]] ← 应用场景
+- [[Last30Days]] ← 研究能力
+- [[Content Factory]] ← 共享研究基础设施
+- [[AI产品经理]] ← 能力要求
+- [[超级个体]] ← 适用人群

wiki/concepts/内容工厂.md

@@ -0,0 +1,29 @@
+---
+title: "内容工厂"
+type: concept
+tags: [agent, content, workflow, automation]
+last_updated: 2026-04-15
+---
+
+## Summary
+多 agent 链式协作的内容创作管线：Research Agent 扫描趋势 → Writing Agent 生成脚本 → Thumbnail Agent 生成配图，全流程定时自动执行，结果输出到 Discord channel 供人工 review。
+
+## Architecture
+```
+Research Agent → [趋势报告] → Writing Agent → [脚本/文章] → Thumbnail Agent → [配图]
+     ↓                   ↓                    ↓
+  #research           #scripts             #thumbnails
+```
+
+## Key Properties
+- 链式 agent：前序输出自动喂给后序
+- 平台无关：可适配 tweets/newsletter/LinkedIn/posts/podcast/blog
+- 定时执行：每日 8AM 自动运行
+- 本地模型（Nano Banana）降低图像生成成本
+
+## Key Connections
+- [[Content Factory]] ← 应用场景
+- [[Market Research Product Factory]] ← 共享研究基础设施
+- [[Last30Days]] ← Research Agent 数据来源
+- [[baoyu-imagine]] ← 图像生成能力
+- [[Discord 集成]] ← 输出 channel

wiki/concepts/去中心化协调.md

@@ -0,0 +1,29 @@
+---
+title: "去中心化协调"
+type: concept
+tags: [multi-agent, coordination, architecture]
+last_updated: 2026-04-15
+---
+
+## Summary
+多 agent 系统中无中央 orchestrator，各 agent 通过共享状态文件自主协调的架构模式。与中央协调模式相对，优势在于无单点瓶颈、高扩展性、高韧性。
+
+## Key Properties
+- 无中央 orchestrator，各 agent 自主读写共享状态
+- 状态文件（如 [[STATE.yaml]]）作为协调媒介
+- Agent 间无需直接通信，降低耦合
+- 失败隔离：一个 agent 崩溃不影响其他 agent
+
+## Trade-offs
+| 维度 | 去中心化协调 | 中央 orchestrator |
+|------|------------|----------------|
+| 扩展性 | 高（线性扩展） | 低（主节点瓶颈） |
+| 全局控制 | 弱 | 强 |
+| 失败韧性 | 高 | 低（单点故障） |
+| 实现复杂度 | 中（需状态管理） | 低（结构简单） |
+
+## Key Connections
+- [[Autonomous Project Management]] ← 应用场景
+- [[STATE.yaml]] ← 协调媒介
+- [[Multi-Agent Hierarchy]] ← 对比：层级协调
+- [[Multi-Agent Consensus]] ← 对比：共识协调

wiki/concepts/双层记忆架构.md

@@ -0,0 +1,36 @@
+---
+title: "双层记忆架构"
+type: concept
+tags: [openclaw, memory, agent, long-term, short-term]
+last_updated: 2026-04-15
+---
+
+## Definition
+OpenClaw Agent 的记忆体系，由短期记忆层、长期记忆层和 self-improving 层三层构成，各司其职实现上下文连续性和持续进化。
+
+## 三层架构
+
+### 短期记忆层
+- 媒介：memory/YYYY-MM-DD.md 每日文件
+- 职责：保存当天对话记录、操作、遇到的问题、未完成事项
+- 触发：每次 Session 启动时检查并创建当天文件（修复无对话日记忆断层问题）
+
+### 长期记忆层
+- 媒介：memory-lancedb-pro（基于 LanceDB 的向量数据库）
+- 职责：重要的决策、用户偏好、反复使用的流程，通过语义搜索找回
+- 机制：hybrid retrieval（向量 + BM25），Weibull 衰减
+
+### Self-Improving 层
+- 媒介：LEARNINGS.md / ERRORS.md
+- 职责：每次踩坑都记录，Pattern-Key 追踪重复，Recurrence-Count 量化系统性
+- 触发：每日 23:00 定时复盘
+
+## 分工原则
+- 每日文件：管上下文（接上昨天的工作）
+- 向量数据库：管知识（语义搜索）
+- self-improving：管成长（错误不重复）
+
+## Connections
+- [[Self-Improving Skill]] ← 成长层 ← [[双层记忆架构]]
+- [[memory-lancedb-pro]] ← 长期层 ← [[双层记忆架构]]
+- [[记忆断层]] ← 问题 ← [[双层记忆架构]]

wiki/concepts/每日复盘.md

@@ -0,0 +1,29 @@
+---
+title: "每日复盘"
+type: concept
+tags: [openclaw, cron, self-improving, habit, agent]
+last_updated: 2026-04-15
+---
+
+## Definition
+OpenClaw Agent 每天 23:00（北京时间）自动执行的自我复盘流程，通过 self-improving skill 记录学习、检查重复、同步长期记忆。
+
+## 复盘流程
+1. 读取当天的 memory/YYYY-MM-DD.md 文件
+2. 调用 self_improvement_log 记录今日学习
+3. 检查 Pattern-Key 是否与之前重复（重复踩坑信号）
+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
+
+## 触发方式
+OpenClaw cron job，每天 23:00 执行，每个 Agent 独立运行自己的复盘流程。
+
+## 关键价值
+- 从"每次重新教"变为"记得上次错哪"
+- 推动流程优化（如发现 3 月 27 日无 memory 文件 → 修改为 Session 启动时强制创建）
+- Recurrence-Count 累积让系统性问题和偶发错误清晰分层
+
+## Connections
+- [[Self-Improving Skill]] ← 工具 ← [[每日复盘]]
+- [[双层记忆架构]] ← 架构 ← [[每日复盘]]
+- [[OpenClaw cron]] ← 触发 ← [[每日复盘]]

wiki/concepts/记忆断层.md

@@ -0,0 +1,28 @@
+---
+title: "记忆断层"
+type: concept
+tags: [memory, openclaw, agent, bug, self-improvement]
+last_updated: 2026-04-15
+---
+
+## Definition
+由于设计缺陷导致某些日期完全没有 memory 文件记录，造成 Agent 无法回溯特定时期工作的问题。根源是"第一次对话时创建文件"的逻辑，无对话日不触发文件创建。
+
+## 问题表现
+- 3月27日 memory 文件为空 → 复盘时发现当天没有任何记录
+- Agent 后续无法回溯该日的工作内容
+- 知识孤岛：该日学到的经验没有积累
+
+## 根因
+原设计：只在"第一次对话时"检查并创建 memory 文件 → 无对话日文件不创建 → 记忆断层
+
+## 解决方案
+修改为：每次 Session 启动时都检查并创建当天 memory 文件，无论是否有对话
+
+## 发现机制
+每日复盘时 Agent 主动检查前一天的文件，发现问题后记录为 LRN 并推动流程优化。
+
+## Connections
+- [[双层记忆架构]] ← 存在于 ← [[记忆断层]]
+- [[Self-Improving Skill]] ← 发现机制 ← [[记忆断层]]
+- [[每日复盘]] ← 发现场景 ← [[记忆断层]]