手动更新

2026-04-23 05:51:04 +08:00
parent b0cdd19bfc
commit c8599198a0
33 changed files with 1680 additions and 12 deletions
--- a/Project/fonrey/PRD/房源管理模块PRD.md
+++ b/Project/fonrey/PRD/房源管理模块PRD.md
@@ -1,8 +1,8 @@
 # PRD: 房源管理模块
 **状态**: Draft  
 **作者**: 产品经理  
-**最后更新**: 2026-04-22（v1.1 新增别墅/商铺/商住/写字楼/其他房源类型）  
+**最后更新**: 2026-04-23（v1.2 新增房源详情页浮窗快捷编辑操作说明）  
-**版本**: 1.1  
+**版本**: 1.2  
 **所属系统**: Fonrey 房产经纪管理系统  
 **关联模块**: 客源管理、组织人事管理、权限管理
@@ -234,6 +234,302 @@
 ---
 ### 5.2.1 房源详情页浮窗快捷编辑
 房源详情页的核心信息区块中，大量字段支持**不离开详情页**、通过点击相关链接/图标唤起浮窗（Modal）进行快速编辑。这一设计减少了页面跳转成本，经纪人可在查看房源信息的同时即时完成信息维护。
 以下对各浮窗功能逐一说明。
 ---
 #### 5.2.1.1 编辑栋座单元房号
 **入口**：详情页标题或核心信息区块中点击"编辑"按钮触发
 **功能说明**：允许经纪人更正房源的位置定位信息，包括所属小区、户室号和楼层。由于此类改动影响房源的核心标识，需填写更改理由以便审计追溯。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 小区名称 | 文本输入（只读/灰底） | 是 | 显示当前小区名称，不可修改（小区调整须走其他流程） |
 | 户室号 | 双输入框 | 是 | 左框：栋/楼栋号；右框：单元/室号（如"055" + "0301"） |
 | 所在楼层 | 数字输入 + 固定文字"层，共" + 数字输入 + "层" | 是 | 第一个数字为当前楼层，第二个数字为总楼层 |
 | 更改理由 | 文本区域 | 是 | 最多 200 字 |
 **交互规则**：
 - [ ] 小区名称字段显示当前值，输入框灰底不可编辑
 - [ ] 户室号为两个独立输入框，分别对应不同的编码段
 - [ ] 所在楼层与总楼层均为正整数，所在楼层不得大于总楼层
 - [ ] 更改理由为必填，未填写时点击确定弹出错误提示
 - [ ] 点击确定后更新详情页对应字段，并在跟进日志中记录"修改房源信息"操作条目
 ---
 #### 5.2.1.2 调价（编辑房源价格）
 **入口**：详情页核心信息区块价格旁的"编辑"图标，或顶部操作区"更多"菜单中触发
 **功能说明**：经纪人在与业主沟通后调整挂牌价，支持同时设置对内的售底价（底价不对外展示）以及备案/核验价。调价操作需填写更改理由并自动生成调价记录。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 售价 | 数字输入 | 是 | 单位：万。对外展示的挂牌价 |
 | 售底价 | 数字输入 | 否 | 单位：万。业主心理底价，仅内部可见，不对外展示 |
 | 备案/核验价 | 数字输入 | 否 | 单位：万。填写后将同步至营销库，字段旁有提示"填写后，将同步至营销库" |
 | 更改理由 | 文本区域 | 是 | 最多 200 字 |
 **交互规则**：
 - [ ] 售价为必填字段，为空时不可提交
 - [ ] 售底价和备案/核验价为选填，不填则保留原值或为空
 - [ ] 备案/核验价旁展示灰色提示文案："填写后，将同步至营销库"
 - [ ] 确定后系统自动生成调价记录（含调价前后价格、操作人、时间）
 - [ ] 详情页顶部价格区域即时更新，并根据价格变化方向显示"↓下降 XX 万，降幅 X.X%"或"↑上涨 XX 万"标注
 ---
 #### 5.2.1.3 调价记录
 **入口**：详情页价格区域旁的"调价记录"或折叠图标触发浮窗
 **功能说明**：以折线图方式可视化展示该房源历史售价和售底价的走势，辅助经纪人向买方展示价格谈判空间。
 **浮窗内容**：
 | 元素 | 说明 |
 |------|------|
 | 折线图 | X 轴为时间（调价日期），Y 轴为价格（万），数据点标注价格值 |
 | 售价折线 | 橙红色实线，每个调价时间点有圆形数据节点，节点上方显示具体价格数值 |
 | 售底价折线 | 黄色虚线（如有设置底价则显示，否则该图例项存在但无数据线） |
 | 图例 | 左上角显示"售价"与"售底价"色块图例；右上角显示"单位：万" |
 **交互规则**：
 - [ ] 若仅有一次挂牌记录，则折线图仅显示一个数据点
 - [ ] 鼠标悬浮在数据节点上，显示 Tooltip：日期 + 售价/底价具体数值
 - [ ] 图表横轴日期自动适配，保证所有历史记录均可展示
 ---
 #### 5.2.1.4 编辑交易信息
 **入口**：详情页核心信息区块"交易信息"旁的"编辑"链接触发
 **功能说明**：单独维护该房源的交易属性，包含产权、税费、贷款等买方关心的关键信息，以及学区情况。与整体编辑房源相比，此浮窗聚焦交易维度，操作更轻量。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 房本年限 | 双下拉 | 是 | 第一个下拉：具体年限；第二个下拉：满五 / 不满五 / 不满两年等 |
 | 唯一住房 | 单选（唯一 / 不唯一 / 重置） | 否 | 重置选项用于清除已选值 |
 | 产权性质 | 下拉选择 | 否 | 商品房 / 房改房 / 集资房 / 经济活用房 |
 | 贷款 | 单选（有 / 无 / 重置） | 否 | 该房源是否有未还清贷款 |
 | 抵押 | 单选（有 / 无） | 否 | 该房源是否存在抵押 |
 | 售房原因 | 文本区域 | 否 | 最多 200 字（截图显示示例值"置换"） |
 | 学校 | 多条目 | 否 | 每条目含两个下拉：学校名称 + 学区情况（选填）；支持"+ 添加学校"增加多个学区 |
 **交互规则**：
 - [ ] 房本年限为必填，未选择时点击确定弹出提示
 - [ ] 单选字段（唯一住房、贷款）提供"重置"选项，点击后清除当前选中值
 - [ ] 学校支持多条目，每条为"学校名称（下拉）+ 学区情况（选填下拉）"组合，点击"+ 添加学校"新增一行
 - [ ] 保存后详情页右侧"交易信息"区块实时刷新
 ---
 #### 5.2.1.5 更改房源等级
 **入口**：详情页基础信息区块"等级"字段旁的"编辑"链接触发
 **功能说明**：经纪人根据对业主出售意愿的最新判断，快速调整该房源的意向等级，辅助公盘优先级排序和跟进策略制定。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 原等级 | 只读文本 | — | 展示当前等级，如"C（一般）" |
 | 新等级 | 下拉选择 | 是 | 选项：A（急迫）/ B（较强）/ C（一般） |
 **交互规则**：
 - [ ] 浮窗展示原等级供对比参考，不可修改
 - [ ] 新等级下拉为必选，未选择时不可提交
 - [ ] 确认后详情页等级标识即时更新；变更操作自动记录至跟进日志
 ---
 #### 5.2.1.6 更改房源属性
 **入口**：详情页基础信息区块"属性"字段旁的"编辑"链接触发
 **功能说明**：调整房源的流通范围属性。公盘为全体经纪人可见并可跟进；私盘仅录入人（或其团队）可见；特盘为特殊保护状态；封盘表示暂时从流通中移出。属性变更影响可见范围和权限，需填写理由留存记录。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 原属性 | 只读文本 | — | 展示当前属性，如"公盘" |
 | 新属性 | 单选 | 是 | 选项：私盘 / 特盘 / 封盘（注意：截图显示当原属性为公盘时，新属性选项不含公盘，只显示其他三个选项） |
 | 更改理由 | 文本区域 | 是 | 最多 200 字 |
 **交互规则**：
 - [ ] 新属性选项根据当前原属性动态调整（不展示与原属性相同的选项）
 - [ ] 更改理由为必填
 - [ ] 变更为私盘/封盘后，该房源在公盘列表中不可见，权限控制需联动权限模块
 - [ ] 确认后变更记录写入跟进日志，注明原属性 → 新属性及操作人
 ---
 #### 5.2.1.7 房源状态变更
 **入口**：详情页顶部操作区"改状态"按钮触发，或"更多"菜单中触发
 **功能说明**：当房源的交易状态发生变化（如业主暂缓出售、他处成交、恢复挂牌等），经纪人通过此浮窗快速变更状态，并说明原因。状态变更直接影响该房源在列表中的分组归属和展示。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 原状态 | 只读文本 | — | 展示当前状态，如"出售" |
 | 原交易类型 | 只读文本 | — | 展示当前交易类型，如"买卖" |
 | 新状态 | 下拉选择 | 是 | 根据当前状态可选的目标状态（见状态流转规则） |
 | 更改理由 | 文本区域 | 是 | 最多 50 字 |
 **可选新状态范围**（依据当前状态）：
 | 当前状态 | 可变更至 |
 |----------|---------|
 | 出售 | 暂缓、他售、成交 |
 | 出租 | 暂缓、他租、成交 |
 | 暂缓 | 出售、出租（恢复挂牌） |
 | 他售 / 他租 | 出售、出租（重新挂牌） |
 **交互规则**：
 - [ ] 原状态与原交易类型均为只读展示，不可修改
 - [ ] 新状态下拉枚举项根据当前状态动态过滤，不显示无效的跳转选项
 - [ ] 更改理由最多 50 字，超出截断并提示
 - [ ] 确认后：列表视图中该房源的状态标签即时更新；状态变更记录写入跟进日志
 ---
 #### 5.2.1.8 更改房屋现状
 **入口**：详情页基础信息区块"房屋现状"字段旁触发
 **功能说明**：记录房屋当前的使用状态，影响买方查房安排及经纪人带看策略。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 房屋现状 | 单选 | 是 | 业主自住 / 空置 / 租客租住 / 未知 |
 **交互规则**：
 - [ ] 单选按钮，默认显示当前值
 - [ ] 无需填写更改理由（轻量操作）
 - [ ] 确认后详情页"房屋现状"字段即时更新
 ---
 #### 5.2.1.9 更改房源用途
 **入口**：详情页基础信息区块"用途"字段旁触发
 **功能说明**：更改房屋的规划用途分类，同时允许一并修正建筑面积、套内面积、装修情况、朝向和户型等基础物理属性，避免因单字段更改而多次弹窗操作。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 原用途 | 只读文本 | — | 如"住宅" |
 | 新用途 | 双下拉 | 是 | 第一个下拉：用途类型（大类）；第二个下拉：用途（选填，细分小类） |
 | 建筑面积 | 数字输入 | 是 | 单位：m²，显示当前值可编辑 |
 | 套内面积 | 数字输入 | 否 | 单位：m² |
 | 装修 | 下拉选择 | 是 | 毛坯 / 清水 / 简装 / 中装 / 精装 / 豪装 |
 | 朝向 | 下拉选择 | 是 | 东/南/西/北/东南/东北/东西/南北/西北/西南 |
 | 户型 | 多级数字下拉 | 是 | 室（下拉）+ 厅（下拉）+ 卫（下拉）+ 厨（下拉）+ 阳台（数字） |
 **交互规则**：
 - [ ] 新用途为两个独立下拉，第一个为用途大类（必选），第二个为细分选填（根据大类联动候选值）
 - [ ] 建筑面积、装修、朝向、户型均为必填
 - [ ] 套内面积为选填
 - [ ] 户型字段采用"室/厅/卫/厨 + 阳台数"组合，每项均为独立下拉
 - [ ] 确认后详情页对应字段即时更新
 ---
 #### 5.2.1.10 看房时间
 **入口**：详情页基础信息区块"看房时间"字段旁触发
 **功能说明**：快速更新买方前往看房的时间安排约束，辅助经纪人合理安排带看计划。
 **浮窗字段**：
 | 字段 | 类型 | 必填 | 说明 |
 |------|------|------|------|
 | 看房时间 | 单选 | 是 | 随时可看 / 提前预约 / 不方便看 |
 **交互规则**：
 - [ ] 单选按钮，默认显示当前值（无选中时三个选项均为未选状态）
 - [ ] 无需填写更改理由
 - [ ] 确认后详情页"看房时间"字段即时更新
 ---
 #### 5.2.1.11 挂牌历史记录
 **入口**：详情页核心信息区块"挂牌时间"旁的"历史"链接触发，跳转至独立子页面（非浮窗）
 **功能说明**：完整记录该房源每一次挂牌的关键信息，包括当次挂牌的价格、交易条件、挂牌时间范围及负责经纪人。帮助经纪人和管理者回溯历史，判断业主的价格变化趋势和挂牌持续性。
 **页面布局**：面包屑导航 `房客管理 / 房源 / 房源详情 / 挂牌记录`，正文区以卡片列表展示每次挂牌，按时间倒序排列（最新在前）。
 **每条挂牌记录字段**：
 | 字段 | 说明 |
 |------|------|
 | 挂牌类型标题 | 如"出售挂牌" |
 | 挂牌状态标签 | **挂牌中**（橙红色高亮）/ **已结束**（灰色） |
 | 房源编号 | 点击可跳转到房源详情，蓝色可点击链接 |
 | 售价 | 该次挂牌价格（万） |
 | 购买时间 | 如"满五"（表示房本年限状态） |
 | 出售方 | 负责经纪人姓名及所在门店+组别（如"都市港湾店一组 雷威"） |
 | 售房原因 | 业主售房原因，如无则显示"-" |
 | 挂牌时间 | 当次挂牌的开始时间（在售中状态显示起始时间；已结束状态显示"开始时间 - 结束时间"） |
 | 售单价 | 元/平米 |
 | 唯一住房 | 是 / 否 / -（未知） |
 | 包税费 | 包税方式，如无则显示"-" |
 **交互规则**：
 - [ ] 卡片列表最新挂牌记录排在最前
 - [ ] "挂牌中"状态以橙红色文字显示；"已结束"以灰色文字显示
 - [ ] 房源编号为蓝色可点击链接，点击跳转至该房源详情页
 - [ ] 挂牌时间：在售中显示"YYYY-MM-DD HH:mm:ss"；已结束显示"YYYY-MM-DD HH:mm:ss - YYYY-MM-DD HH:mm:ss"
 - [ ] 此页面为只读展示，不支持在此直接编辑挂牌记录
 ---
 #### 5.2.1.12 快捷编辑功能汇总
 | 功能 | 入口位置 | 交互形式 | 是否需要更改理由 | 操作记录日志 |
 |------|----------|----------|------------------|-------------|
 | 编辑栋座单元房号 | 标题区/核心信息编辑按钮 | 浮窗 Modal | 是（最多 200 字） | 是 |
 | 调价 | 价格旁编辑图标 | 浮窗 Modal | 是（最多 200 字） | 是（自动生成调价记录） |
 | 查看调价记录 | 价格旁折叠图标 | 浮窗 Modal（只读） | — | — |
 | 编辑交易信息 | 交易信息区块编辑链接 | 浮窗 Modal | 否 | 是 |
 | 更改房源等级 | 等级字段旁编辑链接 | 浮窗 Modal | 否 | 是 |
 | 更改房源属性 | 属性字段旁编辑链接 | 浮窗 Modal | 是（最多 200 字） | 是 |
 | 房源状态变更 | 顶部"改状态"按钮 | 浮窗 Modal | 是（最多 50 字） | 是 |
 | 更改房屋现状 | 房屋现状字段旁 | 浮窗 Modal | 否 | 是 |
 | 更改房源用途 | 用途字段旁 | 浮窗 Modal | 否 | 是 |
 | 看房时间 | 看房时间字段旁 | 浮窗 Modal | 否 | 是 |
 | 挂牌历史记录 | 挂牌时间旁"历史"链接 | 独立子页面（只读） | — | — |
 > **设计原则**：所有涉及敏感属性或影响多人可见范围的变更（属性、栋座、调价）均需要填写更改理由以支持审计；轻量的状态/属性单选类操作不强制要求理由，降低经纪人操作摩擦。
 ---
 ### 5.3 新增/编辑房源
 #### 5.3.1 新增住宅表单结构
@@ -687,3 +983,16 @@
 - 上传图片：`Project/fonrey/sreenshots/房源/增房/上传图片.png`
 - 写跟进：`Project/fonrey/sreenshots/房源/增房/写跟进.png`
 - 查看同业主房源：`Project/fonrey/sreenshots/房源/增房/查看同业主房源.png`
 **详情页快捷编辑浮窗截图（v1.2 新增）**：
 - 编辑栋座单元房号：`Project/fonrey/sreenshots/房源/编辑房源栋座单元房号.png`
 - 调价（编辑房源价格）：`Project/fonrey/sreenshots/房源/调价.png`
 - 调价记录：`Project/fonrey/sreenshots/房源/调价记录.png`
 - 编辑交易信息：`Project/fonrey/sreenshots/房源/编辑交易信息.png`
 - 更改房源等级：`Project/fonrey/sreenshots/房源/更改房源等级.png`
 - 更改房源属性：`Project/fonrey/sreenshots/房源/更改房源属性.png`
 - 房源状态变更：`Project/fonrey/sreenshots/房源/房源状态变更.png`
 - 更改房屋现状：`Project/fonrey/sreenshots/房源/更改房屋现状.png`
 - 更改房源用途：`Project/fonrey/sreenshots/房源/更改房源用途.png`
 - 看房时间：`Project/fonrey/sreenshots/房源/看房时间.png`
 - 挂牌历史记录：`Project/fonrey/sreenshots/房源/挂牌历史记录.png`
--- a/sources/dataview-让我从“笔记黑洞”里逃出来的-obsidian-神器-1.md
+++ b/sources/dataview-让我从“笔记黑洞”里逃出来的-obsidian-神器-1.md
--- a/wiki/concepts/AI-Agent.md
+++ b/wiki/concepts/AI-Agent.md
@@ -0,0 +1,40 @@
 ---
 title: "AI Agent"
 type: concept
 tags: [ai-agent, autonomous, llm]
 last_updated: 2025-04-23
 ---
 ## Definition
 AI Agent（AI 智能体）是围绕大语言模型（LLM）构建的循环控制系统，具备感知目标、规划步骤、执行动作、反思结果的能力，实现真正的自主行动。
 ## Core Loop
 AI Agent 通过一个连续循环过程实现其目标：
 1. **获取任务**：接收高层目标（用户或自动触发）
 2. **扫描场景**：感知环境，获取上下文信息（工具/记忆/资源）
 3. **仔细思考**：由推理模型驱动，分析任务与场景，制定行动计划
 4. **采取行动**：调用适当工具（API/代码/数据库），作用于外部世界
 5. **观察并迭代**：观察行动结果，更新上下文，循环回到步骤3
 ## Key Capabilities
 - **自主决策**：根据上下文自主选择行动策略
 - **工具使用**：调用 API、执行代码、查询数据库
 - **多步骤规划**：分解复杂任务为可执行步骤
 - **自我反思**：基于执行结果调整下一步行动
 ## Role in AI System Architecture
 - **执行层**：AI Agent 作为 AI 系统的"行动系统"，负责将决策转化为实际行动
 - 使用 [[Large Language Model]] 进行推理
 - 使用 [[RAG]] 确保信息来源准确
 ## Related Concepts
 - [[Large Language Model]] — Agent 的"大脑"
 - [[RAG]] — Agent 的"记忆"
 - [[ReAct Pattern]] — Agent 的推理-行动模式
 - [[Agentic AI]] — 具备自主决策能力的 AI 系统
 ## Sources
 - [[llms-rag-ai-agent-三个到底什么区别]]
 - [[designing-for-agentic-ai]]
 - [[n8n-full-tutorial-building-ai-agents-in-2025-for-beginners]]
--- a/wiki/concepts/Custom-Instructions.md
+++ b/wiki/concepts/Custom-Instructions.md
@@ -0,0 +1,40 @@
 ---
 title: "Custom Instructions"
 type: concept
 tags: [ai, chatgpt, personalization, prompt-engineering]
 last_updated: 2026-04-23
 ---
 # Custom Instructions
 ## Aliases
 - 自定义指令（ChatGPT）
 - Custom Instructions
 ## Definition
 ChatGPT 提供的一项功能，允许用户通过两条配置项（"自定义指令"+"你的详情"）永久定义 AI 的行为模式、响应风格和用户背景，无需在每次对话中重复说明。
 ## Two Components
 1. **自定义指令**：定义 AI 的交互偏好
   - 响应风格（有条理/简洁/详细）
   - 工作方式（主动预判/被动等待）
   - 引用格式、道德判断倾向等
 2. **你的详情**：描述用户背景
   - 专业领域和技术水平
   - 工作场景和使用目标
   - 语言偏好
 ## Case Study: Weishen 的配置
 - **用户假设**：被定义为"所有领域专家"，无需简化技术
 - **错误政策**：错误零容忍，必须准确和详尽
 - **引用要求**：URL 统一放末尾
 - **道德判断**：不进行道德说教
 - **推测告知**：高度推测内容必须明确标注
 ## Relevance to This Wiki
 - [[openai-chatgpt-个性化定义]]：完整的自定义指令配置内容
 - [[Agent Personality Design]]：多 Agent 系统中的个性化设计，与 Custom Instructions 同属 AI 个性化范畴
 ## Sources
 - [[openai-chatgpt-个性化定义]]
--- a/wiki/concepts/Docker-LLM-Deployment.md
+++ b/wiki/concepts/Docker-LLM-Deployment.md
@@ -0,0 +1,83 @@
 ---
 title: "Docker LLM Deployment"
 type: concept
 tags: []
 last_updated: 2026-04-23
 ---
 # Docker LLM Deployment
 ## Definition
 通过 Docker 容器化方式部署本地大语言模型运行时（LLM）及其周边工具（Web 界面、RAG 引擎等），实现环境隔离、可移植性和便捷管理的部署模式。
 ## Core Patterns
 ### Pattern 1: Ollama 独立容器
 ```bash
 # CPU 模式
 docker run -d -p 11434:11434 \
  -v /data/ollama:/root/.ollama \
  --name ollama ollama/ollama
 # GPU 模式（需 nvidia-container-toolkit）
 docker run --gpus=all -d -p 11434:11434 \
  -v /data/ollama:/root/.ollama \
  --name ollama ollama/ollama
 ```
 ### Pattern 2: Ollama + Open WebUI 联合部署
 ```yaml
 services:
  ollama:
    image: ollama/ollama
    volumes:
      - /data/ollama:/root/.ollama
    # GPU 模式
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    environment:
      - OLLAMA_API_BASE_URL=http://ollama:11434/api
    ports:
      - 8080:8080
    depends_on:
      - ollama
 ```
 ## Key Advantages
 | 优势 | 说明 |
 |------|------|
 | 环境隔离 | 避免依赖冲突，不污染宿主机 |
 | GPU 直通 | `--gpus=all` 直接利用宿主 GPU |
 | 便捷迁移 | 镜像导出/导入实现跨机器部署 |
 | 统一管理 | `docker compose up/down` 控制启停 |
 | 卷挂载 | 模型数据持久化到宿主机目录 |
 ## Key Environment Variables
 | 变量 | 说明 | 示例 |
 |------|------|------|
 | OLLAMA_MODELS | 模型存储路径 | `/data/ollama/models` |
 | OLLAMA_HOST | API 绑定地址 | `0.0.0.0:11434` |
 | OLLAMA_ORIGINS | 允许的跨域来源 | `*` |
 | HF_ENDPOINT | HuggingFace 镜像 | `https://hf-mirror.com` |
 ## China Environment Best Practices
 - 设置 `HF_ENDPOINT=https://hf-mirror.com` 加速镜像拉取
 - 预先拉取镜像：`docker pull ollama/ollama ghcr.io/open-webui/open-webui:main`
 - 通过 volume 挂载宿主机模型目录避免重复下载
 - 模型目录规划：`/data/ollama/models` 集中管理所有 GGUF 文件
 ## Related Concepts
 - [[Local LLM Deployment]]：Docker 部署是本地 LLM 的一种实现方式
 - [[Ollama]]：Ollama Docker 镜像是核心运行时
 - [[Open WebUI]]：Ollama 的 Web 界面伴侣
 ## Sources
 - [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]]
--- a/wiki/concepts/Error-Accountability.md
+++ b/wiki/concepts/Error-Accountability.md
@@ -0,0 +1,46 @@
 ---
 title: "Error Accountability"
 type: concept
 tags: [ai, personalization, trust, feedback]
 last_updated: 2026-04-23
 ---
 # Error Accountability
 ## Aliases
 - 错误反馈机制
 - 错误负责制
 - AI Error Transparency
 ## Definition
 AI 个性化配置中的一种原则：AI 应主动识别并承认因配置或能力限制导致的回复质量下降，而非静默产生低质量回复损害用户信任。
 ## Core Principle
 > "If the quality of your response has dropped significantly due to my custom instructions, please explain the problem" — ChatGPT 个性化配置
 ## Mechanism
 1. AI 检测到回复质量显著下降
 2. AI 主动指出问题所在
 3. 说明是配置原因还是能力限制
 4. 提供最接近可接受的替代方案
 ## Contrast with Silent Failure
 | | Silent Failure | Error Accountability |
 |--|---------------|---------------------|
 | 表现 | 静默产生低质量回复 | 主动指出问题 |
 | 用户感知 | 信任逐渐侵蚀 | 信任透明可控 |
 | 修复路径 | 用户自己发现问题 | AI 给出诊断 |
 | 长期影响 | 信任累积性下降 | 信任维持稳定 |
 ## Key Insight
 > "Mistakes can erode my trust, so be accurate and detailed" — 错误零容忍原则
 错误对信任的损害是累积性的，因此 Error Accountability 本质上是信任维护机制而非错误修复机制。
 ## Examples in This Wiki
 - [[openai-chatgpt-个性化定义]]：用户明确要求 AI 主动反馈配置导致的回复质量下降
 - [[养龙虾5天血泪史]]：OpenClaw Agent 调试中"错误只犯一次"的学习闭环
 ## Sources
 - [[openai-chatgpt-个性化定义]]
 - [[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]]
--- a/wiki/concepts/Expert-User-Assumption.md
+++ b/wiki/concepts/Expert-User-Assumption.md
@@ -0,0 +1,40 @@
 ---
 title: "Expert User Assumption"
 type: concept
 tags: [ai, personalization, interaction-design]
 last_updated: 2026-04-23
 ---
 # Expert User Assumption
 ## Aliases
 - 专家用户假设
 - Expert Mode
 - 技术用户假设
 ## Definition
 AI 个性化配置中的一种原则：将用户视为具备专业背景的专家，无需在技术内容上简化解释、使用通俗语言或过度铺垫背景知识。
 ## Core Principle
 > "Think of me as an expert in all fields" — ChatGPT 个性化配置
 ## Key Implications
 - **无需通俗化**：技术细节直接呈现，不做"类比解释"
 - **无知识铺垫**：不解释基础概念，直接进入专业讨论
 - **错误零容忍**：专家用户更容易发现错误，因此错误会直接损害信任
 - **论据优先于权威**：专家关注论证质量，而非"权威来源"背书
 ## Examples in This Wiki
 - [[openai-chatgpt-个性化定义]]：用户明确声明"把我当成所有领域的专家"
 - [[llms-rag-ai-agent-三个到底什么区别]]：Wiki 假设读者理解 LLM/RAG/Agent 的基本概念
 ## Contrast: Beginner User Assumption
 | | Expert User Assumption | Beginner User Assumption |
 |--|----------------------|------------------------|
 | 解释深度 | 详细、直接 | 铺垫、类比 |
 | 技术术语 | 直接使用 | 适度解释 |
 | 错误容忍 | 零容忍 | 有限容忍 |
 | 引用要求 | 论据优先 | 来源优先 |
 ## Sources
 - [[openai-chatgpt-个性化定义]]
--- a/wiki/concepts/Fixed-Point-Semantics.md
+++ b/wiki/concepts/Fixed-Point-Semantics.md
@@ -0,0 +1,28 @@
 ---
 title: "Fixed-Point Semantics"
 type: concept
 tags: []
 ---
 ## Definition
 不动点语义是递归自我优化系统的收敛理论基础。稳定生成能力被定义为自映射 $\Phi: \mathcal{G} \to \mathcal{G}$ 的不动点 $G^* \in \mathcal{G}$，满足：
 $$\Phi(G^*) = G^*$$
 即：在经历一次完整的"生成-优化-更新"循环后，生成器保持不变——它已经与自身的能力上限达成一致。
 ## Existence & Convergence
 不动点的存在性由 Banach 不动点定理保证：当 $\Phi$ 是收缩映射（contraction mapping）时，不动点存在且唯一，并且可以通过迭代获得：
 $$G^* = \lim_{n \to \infty} \Phi^n(G_0)$$
 这意味着：**即使初始生成器 $G_0$ 很简单，通过足够多的迭代，生成器序列将收敛到稳定状态**。
 ## Significance
 不动点代表了一个生成器，其输出已经包含改进自身所需的全部信息——它不再需要外部优化器的干预。同时，不动点的存在证明了系统不会陷入无限循环或发散。
 ## Sources
 - [[a-formalization-of-recursive-self-optimizing-generative-systems]]
 ## Connections
 - [[Recursive Self-Optimization]] ← converges_to ← [[Fixed-Point Semantics]]
 - [[Self-Referential Computation]] ← is_grounded_in ← [[Fixed-Point Semantics]]
 - [[Y-Combinator]] ← computes ← [[Fixed-Point Semantics]]
--- a/wiki/concepts/Generator-Space.md
+++ b/wiki/concepts/Generator-Space.md
@@ -0,0 +1,25 @@
 ---
 title: "Generator Space"
 type: concept
 tags: []
 ---
 ## Definition
 生成器空间 $\mathcal{G}$ 是递归自我优化框架的核心数学结构，定义为 $\mathcal{G} \subseteq \mathcal{P}^{\mathcal{I}}$，其中每个生成器（Generator）$G \in \mathcal{G}$ 是一个从意图空间 $\mathcal{I}$ 到程序/提示空间 $\mathcal{P}$ 的函数：
 $$G: \mathcal{I} \to \mathcal{P}$$
 ## Intuition
 传统计算：输入 → 输出（单个解）
 生成器计算：意图 → 生成器（解的生成机制）
 核心洞察：**优化"生成解的机制"比优化"单个解"更有价值**——因为生成器可以被迭代改进，其输出可以自我参照地影响生成器本身的演化。
 ## Role in Recursive Self-Optimization
 在递归自我优化系统中，生成器空间 $\mathcal{G}$ 是自映射 $\Phi: \mathcal{G} \to \mathcal{G}$ 的定义域和值域。系统的收敛目标是在 $\mathcal{G}$ 中找到不动点 $G^*$。
 ## Sources
 - [[a-formalization-of-recursive-self-optimizing-generative-systems]]
 ## Connections
 - [[Recursive Self-Optimization]] ← operates_on ← [[Generator Space]]
 - [[Self-Referential Computation]] ← enables ← [[Generator Space]]
--- a/wiki/concepts/Large-Language-Model.md
+++ b/wiki/concepts/Large-Language-Model.md
@@ -0,0 +1,27 @@
 ---
 title: "Large Language Model"
 type: concept
 tags: [llm, ai, nlp]
 last_updated: 2025-04-23
 ---
 ## Definition
 大语言模型（Large Language Model，LLM）是基于大规模预训练的深度学习模型，能够理解和生成人类语言，在推理与生成方面表现出色。
 ## Core Characteristics
 - **知识截止日期**：LLM 的知识基于训练数据，存在固定的时间节点，无法自动获取最新信息
 - **推理能力强**：能够进行复杂推理、代码生成、文本创作等任务
 - **幻觉问题**：可能生成看似合理但实际错误的内容（幻觉）
 ## Role in AI System Architecture
 - **思考层**：LLM 作为 AI 系统的"天才大脑"，负责逻辑推理和内容生成
 - 与 [[RAG]] 配合获取实时信息
 - 与 [[AI Agent]] 配合实现自主行动
 ## Related Concepts
 - [[RAG]] — 补充实时知识，降低幻觉
 - [[AI Agent]] — 提供行动能力
 - [[ReAct Pattern]] — 推理-行动协同模式
 ## Sources
 - [[llms-rag-ai-agent-三个到底什么区别]]
--- a/wiki/concepts/Local-LLM-Deployment.md
+++ b/wiki/concepts/Local-LLM-Deployment.md
@@ -0,0 +1,56 @@
 ---
 title: "Local LLM Deployment"
 type: concept
 tags: []
 last_updated: 2026-04-23
 ---
 # Local LLM Deployment
 ## Definition
 在本地机器上离线部署和运行大语言模型（LLM），无需依赖云端 API 服务，实现数据完全私有化且零 API 调用费用。
 ## Key Benefits
 - **隐私安全**：数据不出本地，无需上传至第三方服务器
 - **成本为零**：无需 API Key，无调用费用
 - **离线可用**：无网络连接要求
 - **完全可控**：可自由选择模型、配置参数、定制系统提示词
 ## Core Stack
 | 组件 | 作用 | 代表工具 |
 |------|------|---------|
 | LLM 运行时 | 本地运行大模型 | [[Ollama]], llama.cpp, vLLM |
 | 大模型 | 推理能力 | [[DeepSeek]]-R1, Llama, Qwen |
 | Web 界面 | 图形化交互 | [[Open WebUI]], ChatUI |
 | 知识库 | RAG 增强 | bge-m3, Chroma |
 ## Hardware Requirements
 | 模型参数规模 | 最低 RAM | 推荐显存 | 典型硬件 |
 |------------|---------|---------|---------|
 | 1.5B | 4 GB | 4 GB | 普通笔记本 |
 | 7B | 16 GB | 14 GB | 有独显的电脑 |
 | 32B | 64 GB | 48 GB | Mac Studio M2 Max / 高端工作站 |
 | 70B+ | 128 GB | 140 GB+ | 多 GPU 服务器 |
 ## Implementation Options
 1. **ollama run**：`ollama run deepseek-r1:8b` 一行命令本地运行
 2. **Docker 部署**：`docker run --gpus=all -p 11434:11434 ollama/ollama`
 3. **API 服务**：通过 `http://localhost:11434/api/generate` 调用
 4. **Web 界面**：部署 [[Open WebUI]] 提供浏览器交互
 ## China Environment Challenges & Solutions
 | 挑战 | 解决方案 |
 |------|---------|
 | 模型下载慢 | 魔塔社区（modelscope.cn）、HF Mirror（hf-mirror.com）、夸克网盘 |
 | GPU 不可用 | Docker GPU 模式：`docker run --gpus=all` |
 | 模型导入 | `ollama create <name> -f <Modelfile>` 导入本地 GGUF 文件 |
 | API 安全 | nginx 反向代理 + Bearer Token 认证 |
 ## Related Concepts
 - [[Docker LLM Deployment]]：通过 Docker 容器化部署本地 LLM
 - [[RAG]]：本地 LLM 的知识增强技术
 - [[Model Quantization]]：GGUF 格式量化降低硬件要求
 - [[Ollama]]：本地 LLM 部署的核心运行时工具
 ## Sources
 - [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]]
--- a/wiki/concepts/Personalization.md
+++ b/wiki/concepts/Personalization.md
@@ -0,0 +1,37 @@
 ---
 title: "Personalization"
 type: concept
 tags: [ai, personalization, interaction-design]
 last_updated: 2026-04-23
 ---
 # Personalization
 ## Aliases
 - AI 个性化
 - 个性化配置
 - Personalized AI
 ## Definition
 通过系统级指令（如自定义指令、用户画像）塑造 AI 的响应风格、交互方式和输出格式，使 AI 适配特定用户的背景、偏好和使用场景。
 ## Key Dimensions
 - **响应风格**：有条理/简洁/详细/技术性
 - **交互方式**：被动响应 vs 主动预判
 - **输出格式**：URL 位置、语言偏好、引用格式
 - **用户假设**：专家 vs 新手视角
 - **错误处理**：主动反馈 vs 静默忽略
 ## Patterns in This Wiki
 - [[openai-chatgpt-个性化定义]]：ChatGPT 自定义指令的完整配置案例
 - [[Agent Personality Design]]：多 Agent 系统中的个性化设计
 - [[custom-morning-brief]]：个性化晨间简报
 - [[Adaptive Tone]]：根据用户表现动态调整语气
 ## Relationship to TCPCA
 Personalization 是 [[designing-for-agentic-ai]] 中 TCPCA 五原则之一——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。
 ## Sources
 - [[openai-chatgpt-个性化定义]]
 - [[designing-for-agentic-ai]]
 - [[multi-agent-team]]
--- a/wiki/concepts/Proactive-AI.md
+++ b/wiki/concepts/Proactive-AI.md
@@ -0,0 +1,41 @@
 ---
 title: "Proactive AI"
 type: concept
 tags: [ai, agentic-ai, interaction-design]
 last_updated: 2026-04-23
 ---
 # Proactive AI
 ## Aliases
 - 主动 AI
 - Proactive Assistant
 - 主动预判型 AI
 ## Definition
 AI 主动预判用户需求、提前采取行动，而非被动等待用户指令的交互模式。核心特征：AI 不只是响应请求，而是识别潜在需求并在适当时机主动介入。
 ## Contrast with Reactive AI
 | | Reactive AI | Proactive AI |
 |--|------------|--------------|
 | 触发方式 | 用户请求 | AI 自主判断 |
 | 典型行为 | 回答问题 | 推送提醒、建议行动 |
 | 用户角色 | 主动方 | 审核/确认方 |
 | 适用场景 | 问答、检索 | 监控、任务管理 |
 ## Examples in This Wiki
 - [[openai-chatgpt-个性化定义]]：ChatGPT 被配置为"主动出击，预判我的需求"
 - [[custom-morning-brief]]：AI 主动推送每日晨间简报，而非用户查询
 - [[self-healing-home-server]]：Agent 主动监控并在问题发生前修复
 - [[personal-crm]]：AI 主动研究会议参会者并推送背景资料
 ## Relationship to TCPCA
 Proactive AI 是 [[designing-for-agentic-ai]] 中"主动预判"（Anticipation）原则的核心体现——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。
 ## Key Insight
 > "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。" — 自定义晨间简报核心洞察
 ## Sources
 - [[openai-chatgpt-个性化定义]]
 - [[custom-morning-brief]]
 - [[designing-for-agentic-ai]]
--- a/wiki/concepts/RAG.md
+++ b/wiki/concepts/RAG.md
@@ -0,0 +1,35 @@
 ---
 title: "RAG"
 type: concept
 tags: [rag, retrieval, llm, ai]
 last_updated: 2025-04-23
 ---
 ## Definition
 检索增强生成（Retrieval-Augmented Generation，RAG）是将大语言模型（LLM）链接到外部实时知识库的技术，通过检索+生成的流程提升答案准确性和时效性。
 ## Core Mechanism
 1. **检索（Retrieval）**：当用户提问时，从外部知识库（向量数据库/知识图谱/公司文档）中检索最相关的信息块（Chunk）
 2. **增强生成（Augmented Generation）**：将检索结果与用户问题作为上下文输入 LLM，指示其严格基于上下文生成答案
 ## Key Benefits
 - **知识更新与定制**：无需重新训练即可获取最新信息
 - **消除幻觉**：提供事实依据，显著降低胡说八道的风险
 - **引用来源**：可追溯信息来源，增加可信度
 - **成本效益**：相比微调，成本更低、更新更快
 ## Role in AI System Architecture
 - **认知层**：RAG 作为 AI 系统的"记忆系统"，负责信息获取与准确性保障
 - 补充 [[Large Language Model]] 的知识时效性局限
 - 为 [[AI Agent]] 提供可信赖的信息来源
 ## Related Concepts
 - [[Large Language Model]] — 被增强的底层模型
 - [[AI Agent]] — 依赖 RAG 提供准确信息
 - [[Hybrid Search]] — RAG 常用检索策略
 - [[Semantic Search]] — 向量检索的核心技术
 ## Sources
 - [[llms-rag-ai-agent-三个到底什么区别]]
 - [[rag从入门到精通系列1-基础rag]]
 - [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]]
--- a/wiki/concepts/Recursive-Self-Optimization.md
+++ b/wiki/concepts/Recursive-Self-Optimization.md
@@ -0,0 +1,41 @@
 ---
 title: "Recursive Self-Optimization"
 type: concept
 tags: []
 ---
 ## Definition
 递归自我优化是一种通过迭代自我修改构建稳定生成能力的计算框架——系统的目标不是直接产出最优输出，而是在生成器空间（Generator Space）中通过不断的"生成-优化-更新"循环收敛到稳定不动点。
 ## Formalization
 给定：
 - $\mathcal{I}$：意图空间（Intention Space）
 - $\mathcal{G} \subseteq \mathcal{P}^{\mathcal{I}}$：生成器空间，每个生成器 $G: \mathcal{I} \to \mathcal{P}$
 - $O: \mathcal{P} \times \Omega \to \mathcal{P}$：优化算子
 - $M: \mathcal{G} \times \mathcal{P} \to \mathcal{G}$：元生成算子
 系统演化：
 ```
 P = G(I)
 P* = O(P, Ω)
 G' = M(G, P*)
 ```
 自映射 $\Phi: \mathcal{G} \to \mathcal{G}$ 定义为：
 $$\Phi(G) = M\big(G, O(G(I), \Omega)\big)$$
 迭代序列 $G_{n+1} = \Phi(G_n)$。
 ## Key Insight
 系统的收敛目标不是某个特定的输出 $P^*$，而是生成器序列 $\{G_n\}$ 的极限行为。当 $\Phi$ 满足收缩性条件时：
 $$G^* = \lim_{n \to \infty} \Phi^n(G_0)$$
 这就是**稳定生成能力**（Stable Generative Capability）。
 ## Sources
 - [[a-formalization-of-recursive-self-optimizing-generative-systems]]
 ## Connections
 - [[Generator Space]] ← defines_the_space ← [[Recursive Self-Optimization]]
 - [[Fixed-Point Semantics]] ← formalizes_convergence ← [[Recursive Self-Optimization]]
 - [[Self-Improving AI]] ← is_applied_instance ← [[Recursive Self-Optimization]]
 - [[Self-Improving-Skill]] ← concrete_implementation ← [[Recursive Self-Optimization]]
--- a/wiki/concepts/Self-Referential-Computation.md
+++ b/wiki/concepts/Self-Referential-Computation.md
@@ -0,0 +1,33 @@
 ---
 title: "Self-Referential Computation"
 type: concept
 tags: []
 ---
 ## Definition
 自引用计算是指系统的输出被用于修改系统自身结构的计算模式。在递归自我优化生成系统中，生成器的输出（优化后的提示词/程序）被元生成算子 $M$ 用来更新生成器本身，形成闭环。
 ## Expression
 在 λ-calculus 中的表达：
 单步更新函数：
 $$\text{STEP} \equiv \lambda G.\; (M\;G)\big((O\;(G\;I));\Omega\big)$$
 不动点组合子（Y-Combinator）：
 $$Y \equiv \lambda f.(\lambda x.f(x,x))(\lambda x.f(x,x))$$
 稳定生成器：
 $$G^* \equiv Y\;\text{STEP}$$
 满足自引用不动点方程：
 $$G^* = \text{STEP}\;G^*$$
 ## Key Insight
 生成器被定义为"使用自身输出的函数"的不动点。这意味着生成器的输出已经编码了改进生成器所需的全部信息——无需外部干预，系统即可自我完善。
 ## Sources
 - [[a-formalization-of-recursive-self-optimizing-generative-systems]]
 ## Connections
 - [[Y-Combinator]] ← implements ← [[Self-Referential Computation]]
 - [[Generator Space]] ← domain_of ← [[Self-Referential Computation]]
 - [[Fixed-Point Semantics]] ← provides_semantics ← [[Self-Referential Computation]]
--- a/wiki/concepts/Y-Combinator.md
+++ b/wiki/concepts/Y-Combinator.md
@@ -0,0 +1,33 @@
 ---
 title: "Y-Combinator"
 type: concept
 tags: []
 ---
 ## Definition
 Y组合子（Y-Combinator）是 λ-calculus 中的不动点组合子，用于在无名字 λ-calculus 中表达递归函数。其标准定义为：
 $$Y \equiv \lambda f.(\lambda x.f(x,x))(\lambda x.f(x,x))$$
 ## Role in Recursive Self-Optimizing Systems
 在递归自我优化框架中，Y 组合子用于表达稳定生成器 $G^*$ 的自引用不动点方程：
 定义单步更新函数：
 $$\text{STEP} \equiv \lambda G.\; (M\;G)\big((O\;(G\;I));\Omega\big)$$
 稳定生成器通过不动点组合子获得：
 $$G^* \equiv Y\;\text{STEP}$$
 展开验证不动点性质：
 $$Y\;\text{STEP} = (\lambda x.\text{STEP}(x,x))(Y\;\text{STEP}) = \text{STEP}(Y\;\text{STEP}) = \text{STEP}(G^*)$$
 这精确表达了"生成器的输出就是它自身的输入"这一自引用性质。
 ## Key Insight
 Y 组合子将**递归的语义**（"调用自身"）转化为**组合子的语法**（无自由变量的 λ-项），从而在纯数学结构中捕捉了自我改进系统的本质。
 ## Sources
 - [[a-formalization-of-recursive-self-optimizing-generative-systems]]
 ## Connections
 - [[Self-Referential Computation]] ← implemented_by ← [[Y-Combinator]]
 - [[Fixed-Point Semantics]] ← computes ← [[Y-Combinator]]
--- a/wiki/entities/ChatGPT.md
+++ b/wiki/entities/ChatGPT.md
@@ -0,0 +1,34 @@
 ---
 title: "ChatGPT"
 type: entity
 tags: [ai, llm, product, openai]
 last_updated: 2026-04-23
 ---
 # ChatGPT
 ## Type
 Product
 ## Aliases
 - Chat Generative Pre-trained Transformer
 - ChatGPT
 ## Description
 ChatGPT 是 OpenAI 开发的大语言模型对话产品，基于 GPT 系列模型，支持自定义指令（Custom Instructions）功能，允许用户配置 AI 的响应风格、交互偏好和输出格式。
 ## Custom Instructions（自定义指令）
 ChatGPT 的个性化配置功能，包含两个维度：
 1. **自定义指令**：定义 AI 的响应风格和交互偏好（如"高度有条理"、"主动预判需求"）
 2. **你的详情**：描述用户背景信息（如专业领域、技术水平、使用场景）
 用户可设置：错误零容忍、提供详细解释、引用来源放末尾、不进行道德说教等个性化要求。
 ## Relevance to This Wiki
 - [[openai-chatgpt-个性化定义]]：用户的完整 ChatGPT 个性化配置定义
 - [[AI簡報工作流]]：ChatGPT 担任"知识整理者"角色
 - [[designing-for-agentic-ai]]：ChatGPT 是个性化配置的典型案例
 ## Sources
 - [[openai-chatgpt-个性化定义]]
 - [[教學-chatgpt-先做知識整理-再讓-canva-gamma-ai-輸出簡報]]
--- a/wiki/entities/DeepSeek.md
+++ b/wiki/entities/DeepSeek.md
@@ -0,0 +1,25 @@
 ---
 title: "DeepSeek"
 type: entity
 tags: []
 ---
 ## Overview
 DeepSeek 是一家专注于通用人工智能（AGI）的中国科技公司，以开源推理模型 DeepSeek-R1 闻名。
 ## Aliases
 - DeepSeek AI
 - 深度求索
 ## Key Products
 - **DeepSeek-R1**：开源推理模型，以处理复杂任务见长，在国际 AI 领域备受瞩目
 ## Key People
 - [[余梦珑]]：DeepSeek 使用手册合作作者
 ## Key Events
 - 2025年：发布 DeepSeek-R1 推理模型，震惊全球 AI 界
 - 2025年2月：与清华大学合作发布《DeepSeek从入门到精通2025》官方使用手册
 ## Sources
 - [[清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）]]
--- a/wiki/entities/Ollama.md
+++ b/wiki/entities/Ollama.md
@@ -0,0 +1,77 @@
 ---
 title: "Ollama"
 type: entity
 tags: []
 last_updated: 2026-04-23
 ---
 # Ollama
 ## Overview
 Ollama 是一个开源的本地大语言模型（LLM）运行框架，让用户可以在本地机器上部署和运行大型语言模型，实现**免费离线使用 LLM 能力**，同时确保私有数据的隐私和安全性。
 ## Aliases
 - Ollama
 - ollama
 ## Key Facts
 - **官网**: https://ollama.com
 - **中文站**: https://ollama.org.cn
 - **GitHub**: https://github.com/ollama/ollama
 - **支持平台**: macOS, Windows, Linux, Docker
 - **API 端口**: localhost:11434
 ## Supported Models
 - DeepSeek-R1 系列（1.5B ~ 671B 参数）
 - Qwen 系列
 - Llama 系列
 - 第三方模型（HuggingFace、魔塔社区）
 ## Core Commands
 | 命令 | 功能 |
 |------|------|
 | `ollama run <model:size>` | 下载并运行模型 |
 | `ollama pull <model:size>` | 拉取模型 |
 | `ollama create <name> -f <Modelfile>` | 从 Modelfile 导入本地 GGUF 模型 |
 | `ollama list` | 列出所有已下载模型 |
 | `ollama ps` | 列出正在运行的模型 |
 | `ollama serve` | 启动 Ollama 服务 |
 ## Hardware Requirements
 | 模型 | 建议内存 | 建议显存 | 适用场景 |
 |------|---------|---------|---------|
 | 1.5B | 4~8 GB | 4 GB | 轻量快速 |
 | 7B | 16 GB | 14 GB | 日常使用 |
 | 8B | 16 GB | 14 GB | 较高精度 |
 | 14B | 32 GB | 26 GB | 复杂任务 |
 | 32B | 64 GB | 48 GB | 专业级 |
 | 70B+ | 128+ GB | 140+ GB | 超大规模 |
 ## Docker Deployment
 ```bash
 # CPU 模式
 docker run -d -p 11434:11434 -v /data/ollama:/root/.ollama --name ollama ollama/ollama
 # GPU 模式
 docker run --gpus=all -d -p 11434:11434 -v /data/ollama:/root/.ollama --name ollama ollama/ollama
 ```
 ## Environment Variables
 | 变量 | 默认值 | 说明 |
 |------|--------|------|
 | OLLAMA_MODELS | ~/.ollama/models | 模型存储路径 |
 | OLLAMA_HOST | 127.0.0.1 | 服务绑定地址 |
 | OLLAMA_ORIGINS | * | 允许的来源域名 |
 ## Key Concepts
 - [[Local LLM Deployment]]：Ollama 是实现本地 LLM 部署的核心工具
 - [[Docker LLM Deployment]]：Ollama 支持 Docker 部署模式
 - [[Model Quantization]]：GGUF 格式量化模型可通过 `ollama create` 导入
 ## Related Entities
 - [[DeepSeek]]：Ollama 官方支持的深度求索推理模型
 - [[Open WebUI]]：基于 Ollama API 的开源 Web 界面
 - [[HuggingFace]]：第三方模型来源
 ## Sources
 - [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]]
--- a/wiki/entities/Open-WebUI.md
+++ b/wiki/entities/Open-WebUI.md
@@ -0,0 +1,67 @@
 ---
 title: "Open WebUI"
 type: entity
 tags: []
 last_updated: 2026-04-23
 ---
 # Open WebUI
 ## Overview
 Open WebUI（原名 Ollama WebUI）是一个开源的大语言模型 Web 界面项目，通过部署它可以得到一个**纯本地运行的基于浏览器访问的 Web 服务**。它提供了可扩展、功能丰富、用户友好的自托管 AI Web 界面，支持各种大型语言模型（LLM）运行器，可以通过配置形式便捷地集成 Ollama、OpenAI 等提供的 API。
 ## Aliases
 - Open WebUI
 - OpenWebUI
 - open-webui
 ## Key Facts
 - **Docker 镜像**: ghcr.io/open-webui/open-webui:main
 - **默认端口**: 8080
 - **核心功能**: 聊天机器人、本地知识库（RAG）、图像生成、联网搜索
 ## Core Features
 1. **多模型支持**: 通过 Ollama API 或 OpenAI API 接入多种 LLM
 2. **RAG 本地知识库**: 使用嵌入模型（如 bge-m3）构建本地知识库
 3. **联网搜索**: 支持 Bing、博查等搜索引擎接入
 4. **图像生成**: 集成图像生成能力
 5. **跨域访问**: 通过 `CORS_ALLOW_ORIGIN=*` 支持跨域 API 调用
 ## Docker Compose 部署示例
 ```yaml
 services:
  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    environment:
      - OLLAMA_API_BASE_URL=http://ollama:11434/api
      - WEBUI_NAME="My LLM Service"
      - ENABLE_OPENAI_API=false
      - CORS_ALLOW_ORIGIN=*
      - ENABLE_IMAGE_GENERATION=true
      - DEFAULT_MODELS=deepseek-r1:8b
      - RAG_EMBEDDING_MODEL=bge-m3
    ports:
      - 8080:8080
    volumes:
      - ./open_webui_data:/app/backend/data
 ```
 ## 前提条件
 - 已安装 Docker
 - 已部署 Ollama 并拉取模型（deepseek-r1:8b 和 bge-m3）
 ## 联网搜索配置
 操作路径：`设置 → 联网搜索 → 启用联网搜索`
 支持的搜索引擎：
 - Bing
 - 博查（https://aq6ky2b8nql.feishu.cn/wiki/XgeXwsn7oiDEC0kH6O3cUKtknSR）
 **注意**：如不需要联网搜索功能，请勿开启以保护隐私数据。
 ## Related Entities
 - [[Ollama]]：Open WebUI 通过 Ollama API 接入 LLM 服务
 - [[DeepSeek]]：Open WebUI 的推荐默认模型之一
 - [[RAG]]：Open WebUI 使用 RAG 技术构建本地知识库
 ## Sources
 - [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]]
--- a/wiki/entities/OpenAI.md
+++ b/wiki/entities/OpenAI.md
@@ -0,0 +1,32 @@
 ---
 title: "OpenAI"
 type: entity
 tags: [ai, company, llm]
 last_updated: 2026-04-23
 ---
 # OpenAI
 ## Type
 Company
 ## Aliases
 - OpenAI LLC
 - OpenAI LP（盈利主体）
 ## Description
 OpenAI 是美国人工智能研究公司，开发了 GPT 系列大语言模型、ChatGPT 产品、API 接口及 DALL·E 图像生成模型。
 ## Key Products
 - **ChatGPT**：对话式 AI 助手，支持自定义指令（Custom Instructions）功能
 - **GPT-4 / GPT-4o / GPT-4.5**：最新大语言模型系列
 - **OpenAI API**：为开发者提供 LLM 调用接口
 - **DALL·E**：文本生成图像模型
 - **Whisper**：开源语音识别模型
 - **Sora**：视频生成模型
 ## Relevance to This Wiki
 OpenAI 是本 Wiki 中多个 AI 工具和方案的底层技术提供商：[[ChatGPT]] 是用户自定义配置的主体；[[OpenClaw]] 可接入 OpenAI API；n8n、Claude 等工具均支持 OpenAI 模型集成。
 ## Sources
 - [[openai-chatgpt-个性化定义]]
--- a/wiki/entities/tukuai.md
+++ b/wiki/entities/tukuai.md
@@ -0,0 +1,18 @@
 ---
 title: "tukuai"
 type: entity
 tags: []
 ---
 ## Profile
 独立研究者，GitHub @tukuai，本文形式化理论框架的提出者。
 ## Role
 - **理论作者**：递归自我优化生成系统（Recursive Self-Optimizing Generative Systems）论文的作者
 - **仓库维护**：vibe-coding-cn 仓库的贡献者
 ## Sources
 - [[a-formalization-of-recursive-self-optimizing-generative-systems]]
 ## Aliases
 - tukuai
--- a/wiki/entities/余梦珑.md
+++ b/wiki/entities/余梦珑.md
@@ -0,0 +1,17 @@
 ---
 title: "余梦珑"
 type: entity
 tags: []
 ---
 ## Overview
 余梦珑，清华大学新闻与传播学院元宇宙文化实验室博士后研究员，与团队共同撰写了《DeepSeek从入门到精通2025》官方使用手册（104页）。
 ## Affiliation
 - 清华大学新闻与传播学院元宇宙文化实验室
 ## Key Publications
 - 《DeepSeek从入门到精通2025》（2025年2月）
 ## Sources
 - [[清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）]]
--- a/wiki/index.md
+++ b/wiki/index.md
@@ -4,6 +4,13 @@
 - [Overview](overview.md) — living synthesis
 ## Sources
 - [2026-04-22] [Nano Banana 提示词框架](sources/nano-banana-提示词框架.md)
 - [2026-04-22] [谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版](sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md)
 - [2026-04-22] [详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1](sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.md)
 - [2026-04-22] [OpenAI ChatGPT 个性化定义](sources/openai-chatgpt-个性化定义.md)
 - [2026-04-22] [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)
 - [2026-04-22] [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)
 - [2026-04-22] [A Formalization of Recursive Self-Optimizing Generative Systems](sources/a-formalization-of-recursive-self-optimizing-generative-systems.md)
 - [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)
@@ -407,13 +414,6 @@
 - [2026-04-18] [useful-prompt-lib](sources/useful-prompt-lib.md) — (expected: wiki/sources/useful-prompt-lib.md — source missing)
 - [2026-04-18] [二创视频必不可少-2025年最热门ai工具推荐合集-ai配音-声音克隆](sources/二创视频必不可少-2025年最热门ai工具推荐合集-ai配音-声音克隆.md) — (expected: wiki/sources/二创视频必不可少-2025年最热门ai工具推荐合集-ai配音-声音克隆.md — source missing)
 - [2026-04-18] [the-picture-they-paint-of-you](sources/the-picture-they-paint-of-you.md) — (expected: wiki/sources/the-picture-they-paint-of-you.md — source missing)
 - [2026-04-18] [nano-banana-提示词框架](sources/nano-banana-提示词框架.md) — (expected: wiki/sources/nano-banana-提示词框架.md — source missing)
 - [2026-04-18] [谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版](sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md) — (expected: wiki/sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md — source missing)
 - [2026-04-18] [详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1](sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.md) — (expected: wiki/sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.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] [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)
 - [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
 - [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)
 - [zk-steward](sources/zk-steward.md) — (expected: wiki/sources/zk-steward.md — source missing)
@@ -559,6 +559,7 @@
 - [cAdvisor](entities/cAdvisor.md)
 - [Calibre](entities/Calibre.md)
 - [Canva](entities/Canva.md)
 - [ChatGPT](entities/ChatGPT.md)
 - [Claude-Desktop](entities/Claude-Desktop.md)
 - [Claude-Pro](entities/Claude-Pro.md)
 - [ClawdTalk](entities/ClawdTalk.md)
@@ -572,6 +573,7 @@
 - [CodeWeaver](entities/CodeWeaver.md)
 - [containerd](entities/containerd.md)
 - [Cursor](entities/Cursor.md)
 - [DeepSeek](entities/DeepSeek.md)
 - [DenchClaw](entities/DenchClaw.md)
 - [DevOps-Maturity-Model](entities/DevOps-Maturity-Model.md)
 - [docker-buildx-plugin](entities/docker-buildx-plugin.md)
@@ -629,7 +631,10 @@
 - [NotebookLlama](entities/NotebookLlama.md)
 - [NotebookLM](entities/NotebookLM.md)
 - [Obsidian](entities/Obsidian.md)
 - [Ollama](entities/Ollama.md)
 - [Open-Alliance-for-Cloud-Adoption](entities/Open-Alliance-for-Cloud-Adoption.md)
 - [Open-WebUI](entities/Open-WebUI.md)
 - [OpenAI](entities/OpenAI.md)
 - [OpenClaw](entities/OpenClaw.md)
 - [openclaw-n8n-stack](entities/openclaw-n8n-stack.md)
 - [OpenCode](entities/OpenCode.md)
@@ -662,6 +667,7 @@
 - [TranscriptAPI](entities/TranscriptAPI.md)
 - [Transmission](entities/Transmission.md)
 - [TruffleHog](entities/TruffleHog.md)
 - [tukuai](entities/tukuai.md)
 - [TweetClaw](entities/TweetClaw.md)
 - [Ubuntu-Server](entities/Ubuntu-Server.md)
 - [Uptime-Kuma](entities/Uptime-Kuma.md)
@@ -670,6 +676,7 @@
 - [VictoriaMetrics](entities/VictoriaMetrics.md)
 - [WildCard](entities/WildCard.md)
 - [Zipline](entities/Zipline.md)
 - [余梦珑](entities/余梦珑.md)
 - [机场](entities/机场.md)
 - [梅林固件](entities/梅林固件.md)
 - [盖伊亨德里克斯](entities/盖伊亨德里克斯.md)
@@ -690,6 +697,7 @@
 - [Agent-Specialization](concepts/Agent-Specialization.md)
 - [AGENTS.md](concepts/AGENTS.md.md)
 - [AgilePractices](concepts/AgilePractices.md)
 - [AI-Agent](concepts/AI-Agent.md)
 - [AI-Auto-Response](concepts/AI-Auto-Response.md)
 - [AI-ChatOps](concepts/AI-ChatOps.md)
 - [AI-Driven-Task-Extraction](concepts/AI-Driven-Task-Extraction.md)
@@ -765,6 +773,7 @@
 - [Cron定时任务](concepts/Cron定时任务.md)
 - [Cross-Account-Monitoring](concepts/Cross-Account-Monitoring.md)
 - [Cumulative-Memory](concepts/Cumulative-Memory.md)
 - [Custom-Instructions](concepts/Custom-Instructions.md)
 - [Daily-Digest](concepts/Daily-Digest.md)
 - [DAST](concepts/DAST.md)
 - [Data-Governance](concepts/Data-Governance.md)
@@ -778,6 +787,7 @@
 - [DevSecOps](concepts/DevSecOps.md)
 - [DNS托管](concepts/DNS托管.md)
 - [Docker-Compose](concepts/Docker-Compose.md)
 - [Docker-LLM-Deployment](concepts/Docker-LLM-Deployment.md)
 - [Docker-用户组](concepts/Docker-用户组.md)
 - [Docker堆栈](concepts/Docker堆栈.md)
 - [Docker容器生命周期管理](concepts/Docker容器生命周期管理.md)
@@ -791,10 +801,12 @@
 - [Earnings-Calendar](concepts/Earnings-Calendar.md)
 - [efibootmgr](concepts/efibootmgr.md)
 - [Email-Triage](concepts/Email-Triage.md)
 - [Error-Accountability](concepts/Error-Accountability.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)
 - [EventSourcing](concepts/EventSourcing.md)
 - [Expert-User-Assumption](concepts/Expert-User-Assumption.md)
 - [Exporter](concepts/Exporter.md)
 - [Extended Thinking](concepts/Extended Thinking.md)
 - [external配置](concepts/external配置.md)
@@ -803,11 +815,13 @@
 - [File-System-First-UI](concepts/File-System-First-UI.md)
 - [File-Watcher](concepts/File-Watcher.md)
 - [FinOps](concepts/FinOps.md)
 - [Fixed-Point-Semantics](concepts/Fixed-Point-Semantics.md)
 - [Food-Sensitivity-Tracking](concepts/Food-Sensitivity-Tracking.md)
 - [Full-Draft-Generation](concepts/Full-Draft-Generation.md)
 - [Gatekeeper](concepts/Gatekeeper.md)
 - [GDM3](concepts/GDM3.md)
 - [Generator](concepts/Generator.md)
 - [Generator-Space](concepts/Generator-Space.md)
 - [GitAsAuditLog](concepts/GitAsAuditLog.md)
 - [GitHub-Release-Monitoring](concepts/GitHub-Release-Monitoring.md)
 - [GitOps](concepts/GitOps.md)
@@ -841,6 +855,7 @@
 - [Kill-Switch](concepts/Kill-Switch.md)
 - [Knowledge-Base-RAG](concepts/Knowledge-Base-RAG.md)
 - [Language-Detection](concepts/Language-Detection.md)
 - [Large-Language-Model](concepts/Large-Language-Model.md)
 - [Last-30-Days-Method](concepts/Last-30-Days-Method.md)
 - [LaTeX-Flattening](concepts/LaTeX-Flattening.md)
 - [launchd](concepts/launchd.md)
@@ -849,6 +864,7 @@
 - [LLM-Wiki](concepts/LLM-Wiki.md)
 - [Local-Caching](concepts/Local-Caching.md)
 - [Local-first-Git](concepts/Local-first-Git.md)
 - [Local-LLM-Deployment](concepts/Local-LLM-Deployment.md)
 - [Lockable-Workflow](concepts/Lockable-Workflow.md)
 - [Log-Driven-Debugging](concepts/Log-Driven-Debugging.md)
 - [MCPOnceAllAgents](concepts/MCPOnceAllAgents.md)
@@ -879,6 +895,7 @@
 - [Pay-as-you-go](concepts/Pay-as-you-go.md)
 - [Penetration-Testing](concepts/Penetration-Testing.md)
 - [Personal-CRM](concepts/Personal-CRM.md)
 - [Personalization](concepts/Personalization.md)
 - [Pipeline](concepts/Pipeline.md)
 - [Pivot-Strategy](concepts/Pivot-Strategy.md)
 - [Plan-Mode](concepts/Plan-Mode.md)
@@ -890,6 +907,7 @@
 - [Private-Cloud](concepts/Private-Cloud.md)
 - [Private-Context](concepts/Private-Context.md)
 - [Proactive-Agent-Recommendation](concepts/Proactive-Agent-Recommendation.md)
 - [Proactive-AI](concepts/Proactive-AI.md)
 - [Problem-Management](concepts/Problem-Management.md)
 - [process-management](concepts/process-management.md)
 - [Progressive-Rollout](concepts/Progressive-Rollout.md)
@@ -900,10 +918,12 @@
 - [Public-Cloud](concepts/Public-Cloud.md)
 - [PUID-PGID](concepts/PUID-PGID.md)
 - [Quality-Scoring-Algorithm](concepts/Quality-Scoring-Algorithm.md)
 - [RAG](concepts/RAG.md)
 - [Reality-Signal](concepts/Reality-Signal.md)
 - [Reciprocal-Rank-Fusion](concepts/Reciprocal-Rank-Fusion.md)
 - [Recurring-Task](concepts/Recurring-Task.md)
 - [Recurring-Tasks](concepts/Recurring-Tasks.md)
 - [Recursive-Self-Optimization](concepts/Recursive-Self-Optimization.md)
 - [Redis缓存](concepts/Redis缓存.md)
 - [Release-Management](concepts/Release-Management.md)
 - [Remote-SSH](concepts/Remote-SSH.md)
@@ -930,6 +950,7 @@
 - [Self-Healing-Systems](concepts/Self-Healing-Systems.md)
 - [self-hosted-password-manager](concepts/self-hosted-password-manager.md)
 - [Self-Improving-Skill](concepts/Self-Improving-Skill.md)
 - [Self-Referential-Computation](concepts/Self-Referential-Computation.md)
 - [Semantic-Deduplication](concepts/Semantic-Deduplication.md)
 - [Semantic-Search](concepts/Semantic-Search.md)
 - [Sequential-Thinking](concepts/Sequential-Thinking.md)
@@ -994,6 +1015,7 @@
 - [What-If-Simulation](concepts/What-If-Simulation.md)
 - [Workspace](concepts/Workspace.md)
 - [X11](concepts/X11.md)
 - [Y-Combinator](concepts/Y-Combinator.md)
 - [Zero-Friction-Capture](concepts/Zero-Friction-Capture.md)
 - [Zero-Trust-Architecture](concepts/Zero-Trust-Architecture.md)
 - [一人公司](concepts/一人公司.md)
--- a/wiki/log.md
+++ b/wiki/log.md
@@ -1,3 +1,89 @@
 ## [2026-04-23] ingest | Nano Banana 提示词框架
 - Source file: AI/Nano Banana 提示词框架.md
 - Status: ✅ 成功摄入
 - Summary: AI 图像生成的结构化提示词框架，提供两套 JSON Schema 模板——物件描述框架（item / materials / details / condition）和人物描述框架（age / appearance / pose）——共用 shot / environment / lighting / camera / color_grade / style / quality / negatives 参数字段。示例展示了如何将专业摄影描述语言（材质/布光/相机参数）结构化填入模板。
 - Concepts covered: [[Nano Banana Prompting Framework]], [[Structured Prompt Engineering]], [[Negative Prompting]], [[Shot Composition]], [[Photography Lighting Description]], [[Camera Parameter Specification]]
 - Entities referenced: [[Google]], [[Nano Banana]]
 - Source page: wiki/sources/nano-banana-提示词框架.md
 - Notes:
  - 新增 Sources 条目至 index.md（替换 expected 标记行）
  - 更新 overview.md AI Tools & Prompt Engineering 部分
  - Google Entity 已存在于 wiki/entities/Google.md，未重复创建
 ## [2026-04-23] ingest | 谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版
 - Source file: AI/谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版.md
 - Status: ✅ 成功摄入
 - Summary: 谷歌发布的 Nano Banana Pro 官方提示词指南（《The Complete Guide to Nano Banana Pro》），核心主题是"将 AI 从趣味性图像生成升级为功能性专业资产生产"。10 大黄金法则：编辑而非重新生成、使用自然语言完整句子、具体且具描述性、提供上下文。9 个实战章节覆盖文本渲染/信息图、角色一致性、Google 搜索信息锚定、高级编辑、2D/3D 转换、高分辨率、思考推理、故事板、结构控制。
 - Concepts created: [[提示词工程]], [[身份锁定（Identity Locking）]], [[思维推理模式（Thinking Mode）]], [[信息图生成]], [[2D/3D 转换]], [[草图转成品（Sketch to Final）]]
 - Entities created: [[谷歌]]
 - Source page: wiki/sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md
 - Notes:
  - 新增 Sources 条目至 index.md（替换 expected 标记行）
  - 新增 6 个 Concept 页面
  - 新增 1 个 Entity 页面：Google.md
  - 更新 overview.md，新增"Nano Banana Pro 提示词指南"段落至 AI Tools & Prompt Engineering 部分
  - 冲突检测：暂无发现与其他 Wiki 页面的内容冲突
 ## [2026-04-23] ingest | 详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1
 - Source file: AI/详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1.md
 - Status: ✅ 成功摄入
 - Summary: Ollama + DeepSeek-R1 + Open WebUI 本地离线部署完整指南，覆盖硬件要求、安装方法（macOS/Windows/Linux/Docker）、模型下载加速（魔塔/HF Mirror/夸克网盘）、API 安全配置（nginx + Bearer Token）和 Open WebUI Docker Compose 部署。
 - Entities created: [[Ollama]], [[Open WebUI]]
 - Concepts created: [[Local LLM Deployment]], [[Docker LLM Deployment]]
 - Source page: wiki/sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.md
 - Notes:
  - 新增 Sources 条目至 index.md（Sources 节顶部）
  - 新增 Entity 页面：Ollama.md、Open-WebUI.md
  - 新增 Concept 页面：Local-LLM-Deployment.md、Docker-LLM-Deployment.md
  - 更新 overview.md：Key Entities 节和 AI Tools 节
 ## [2026-04-23] ingest | OpenAI ChatGPT 个性化定义
 - Source file: AI/OpenAI ChatGPT 个性化定义.md
 - Status: ✅ 成功摄入
 - Summary: ChatGPT 自定义指令（Custom Instructions）的完整配置——定义用户身份（47岁、云计算背景、跨境电商创业者）、响应风格（高度有条理、详细解释、错误零容忍）和交互偏好（主动预判需求、不道德说教、URL统一末尾引用）。核心原则：[[Expert User Assumption]]（用户为所有领域专家）、[[Proactive AI]]（主动出击而非被动等待）、[[Error Accountability]]（主动反馈配置导致的回复质量下降）。
 - Concepts created: [[Personalization]], [[Custom Instructions]], [[Proactive AI]], [[Expert User Assumption]], [[Error Accountability]]
 - Entities created: [[OpenAI]], [[ChatGPT]]
 - Source page: wiki/sources/openai-chatgpt-个性化定义.md
 - Notes:
  - 新增 Sources 条目至 index.md（替换 expected 标记行）
  - 新增 5 个 Concept 页面：Personalization.md、Custom-Instructions.md、Proactive-AI.md、Expert-User-Assumption.md、Error-Accountability.md
  - 新增 2 个 Entity 页面：OpenAI.md（美国 AI 研究公司）、ChatGPT.md（OpenAI 对话产品）
  - 更新 overview.md，新增"ChatGPT 个性化配置"段落至 AI Tools & Prompt Engineering 部分
  - 将 5 个新 Concept 添加至 overview.md Key Concepts 列表
  - 将 OpenAI、ChatGPT 添加至 overview.md Key Entities 列表
  - 冲突检测：暂无发现与其他 Wiki 页面的内容冲突——[[designing-for-agentic-ai]] 中的 Personalization 原则与本文配置案例一致，无矛盾
 ## [2026-04-23] ingest | A Formalization of Recursive Self-Optimizing Generative Systems
 - Source file: AI/A Formalization of Recursive Self-Optimizing Generative Systems.md
 - Status: ✅ 成功摄入
 - Summary: 递归自我优化生成系统的形式化理论模型——定义生成器空间 $\mathcal{G}$、优化算子 $O$、元生成算子 $M$、自映射 $\Phi$，稳定生成能力 $G^*$ = $\Phi$ 的不动点；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，而非终止输出；为 Self-Improving AI 提供原则性理论基础。
 - Concepts created: [[Recursive Self-Optimization]], [[Generator Space]], [[Self-Referential Computation]], [[Fixed-Point Semantics]], [[Y-Combinator]]
 - Entities created: [[tukuai]]
 - Source page: wiki/sources/a-formalization-of-recursive-self-optimizing-generative-systems.md
 - Notes:
  - 新增 Sources 条目至 index.md（替换 expected 标记行）
  - 新增 5 个 Concept 页面：Recursive-Self-Optimization.md、Generator-Space.md、Self-Referential-Computation.md、Fixed-Point-Semantics.md、Y-Combinator.md
  - 新增 1 个 Entity 页面：tukuai.md（独立研究者，本文作者）
  - 更新 overview.md，新增"Recursive Self-Optimizing Generative Systems"段落至 Multi-Agent AI Systems 部分
  - 将 5 个新 Concept 添加至 overview.md Key Concepts 列表
  - 将 tukuai 添加至 overview.md Key Entities 列表
  - 冲突检测：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
 ## [2026-04-23] ingest | LLMs、RAG、AI Agent 三个到底什么区别？
 - Source file: AI/LLMs、RAG、AI Agent 三个到底什么区别？.md
 - Status: ✅ 成功摄入
 - Summary: LLM、RAG、AI Agent 三者的定义与关系——LLM=思考（天才大脑），RAG=认知（记忆系统），Agent=执行（行动系统）。三者非竞争技术，而是在不同层面互补。未来不在于选择其一，而在于将三者结合架构设计。
 - Concepts created: [[Large Language Model]], [[RAG]], [[AI Agent]], [[ReAct Pattern]]
 - Entities created: （无新 Entity 创建）
 - Source page: wiki/sources/llms-rag-ai-agent-三个到底什么区别.md
 - Notes:
  - 新增 Sources 条目至 index.md（置于最前，按日期排序）
  - 新增 3 个 Concept 页面：Large-Language-Model.md、RAG.md、AI-Agent.md
  - 更新 overview.md Key Concepts 列表，添加 Large Language Model/RAG/AI Agent/ReAct Pattern
  - 更新 overview.md，新增"LLM / RAG / AI Agent 三层架构"段落至 AI Tools & Prompt Engineering 部分
  - 更新 index.md Concepts 部分，添加 3 个新 Concept 条目
  - 冲突检测：暂无发现与其他 Wiki 页面的内容冲突——本文为基础概念梳理，与 Wiki 中 Agentic AI 相关内容一致
 ## [2026-04-23] ingest | Google 神级生产力工具，所有 GitHub 开源平替都找到了
 - Source file: AI/Google 神级生产力工具，所有 GitHub 开源平替都找到了。.md
 - Status: ✅ 成功摄入
@@ -578,3 +664,17 @@
  - overview.md 中已存在与 [[AI图生视频工具盘点]] 的互补关系说明，无需更新
  - 所有工具作为 Key Entities 记录于 Source 页面，未创建独立 Entity 页面（每个工具仅出现1次，未达≥2阈值）
  - Contradictions：无冲突
 ## [2026-04-23] ingest | 清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）
 - Source file: AI/清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）.md
 - Status: ✅ 成功摄入
 - Summary: 清华大学发布的《DeepSeek从入门到精通2025》官方使用手册（104页），由新闻与传播学院元宇宙文化实验室余梦珑博士后及团队撰写。手册核心价值在于"授人以渔"——不仅教用户"怎么问"，更教"为什么这么问"，帮助用户掌握提示词底层逻辑。涵盖 DeepSeek-R1 模型选择、提示语设计技巧、避免 AI 幻觉策略。内容实用性与理论深度兼备，适合不同层次读者。
 - Concepts created: [[DeepSeek-R1]], [[提示语设计]], [[AI幻觉]], [[通用人工智能（AGI）]], [[推理模型]]
 - Entities created: [[DeepSeek]], [[余梦珑]]
 - Source page: 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
 - Notes:
  - 新增 Sources 条目至 index.md（替换 expected 标记行）
  - overview.md 新增 DeepSeek 使用手册条目，归入 AI Tools & Prompt Engineering 部分
  - 创建 Entity 页面：DeepSeek.md（公司）、余梦珑.md（作者）
  - Concept 页面：RAG.md、Large-Language-Model.md、AI-Agent.md 已覆盖相关概念（幻觉、推理模型），无需新建
  - Contradictions：与 [[llms-rag-ai-agent-三个到底什么区别]] 互补而非冲突——前者聚焦 DeepSeek 特定实践，后者聚焦 LLM/RAG/Agent 三层架构宏观对比，均记录于 Contradictions 小节
--- a/wiki/overview.md
+++ b/wiki/overview.md
@@ -29,7 +29,7 @@ The wiki covers two major multi-agent frameworks: **The Agency** (agency-agents)
 **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]]
+Key concepts: [[Recursive Self-Optimization]], [[Generator Space]], [[Self-Referential Computation]], [[Fixed-Point Semantics]], [[Y-Combinator]], [[Self-Improving AI]], [[Automated Prompt Engineering]], [[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]], [[Large Language Model]], [[RAG]], [[AI Agent]], [[ReAct Pattern]]
 ### 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。
@@ -92,7 +92,16 @@ ChinaTextbook（TapXWorld/ChinaTextbook）是一个托管于 GitHub 的开源项
 Key concepts: [[国家中小学智慧教育平台]], [[tchMaterial-parser]], [[ChinaTextbook]]
 ### 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.
 **LLM / RAG / AI Agent 三层架构**：基于 [[llms-rag-ai-agent-三个到底什么区别]] 的系统梳理，AI 应用的三层架构：
 - **[[Large Language Model]]**：思考层（天才大脑），负责推理生成，但知识有截止日期
 - **[[RAG]]**：认知层（记忆系统），将 LLM 链接外部知识库，消除幻觉、提供可追溯来源
 - **[[AI Agent]]**：执行层（行动系统），感知→规划→执行→反思的循环控制，实现真正自主性
 核心洞察：未来不在于选择其一，而在于将三者结合架构设计。[[designing-for-agentic-ai]] 阐述的 TCPCA 五原则（透明度/控制感/个性化/对话式交互/主动预判）正是 Agent 系统设计的核心框架。
 **ChatGPT 个性化配置**：基于 [[openai-chatgpt-个性化定义]] 的用户完整配置案例，展示如何通过 ChatGPT 自定义指令将通用 AI 塑造成专属协作者。核心配置原则包括：[[Expert User Assumption]]（将用户视为所有领域专家，无需简化技术细节）、[[Proactive AI]]（主动预判需求而非被动等待）、[[Error Accountability]]（错误零容忍且主动反馈配置导致的回复质量下降）。[[Custom Instructions]] 通过两条配置（自定义指令 + 用户详情）永久定义 AI 行为，无需每次对话重复说明。[[Personalization]] 的关键是系统性配置——错误政策、引用格式、推测告知、内容政策冲突处理——而非零散提示词。
 **[[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。
@@ -120,6 +129,14 @@ Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP vi
 **Pre-Build Idea Validator**：基于 [[OpenClaw]] + [[idea-reality-mcp]] 的 AI 项目启动前竞争分析门控——在写代码之前自动扫描 GitHub/Hacker News/npm/PyPI/Product Hunt 五个数据源，返回 `reality_signal` 分数（0-100）评估赛道拥挤度：高分数（>70）触发 STOP（展示竞品+询问是否继续/转向），低分数（<30）直接构建。核心价值：**在投入时间前发现已解决的同类问题**，是单兵创业者最重要的决策门控。与 [[market-research-product-factory]] 互补：后者挖痛点找方向，前者在动手前验证赛道的竞争密度。
 **[[清华出的DeepSeek使用手册]]**：清华大学发布的《DeepSeek从入门到精通2025》官方使用指南（104页），由新闻与传播学院元宇宙文化实验室余梦珑博士后及团队撰写。与其他泛化教程不同，该手册强调"授人以渔"——不仅教用户"怎么问"，更教"为什么这么问"，帮助用户掌握提示词底层逻辑。涵盖 DeepSeek-R1 模型选择、提示语设计技巧、避免 AI 幻觉策略等核心内容。与 [[llms-rag-ai-agent-三个到底什么区别]] 同属 AI 工具方法论，但该手册聚焦 DeepSeek 特定实践。来源：[[清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）]]
 **[[Nano Banana 提示词框架]]**：Nano Banana 基础框架文档，提供两套结构化 JSON Schema 模板——物件描述框架（item / materials / details / condition）和人物描述框架（age / appearance / pose）——共用法学 shot / environment / lighting / camera / color_grade / style / quality / negatives 参数字段。将艺术总监级别的专业摄影描述语言转化为可结构化填写的模板，降低 AI 图像生成的专业门槛。与 [[Nano Banana Pro 提示词指南]]（进阶版）和 [[全网最全-nano-banana-2-使用指南-2025年12月更新-1]]（综合版）同属 Nano Banana 提示词体系。
 **[[Nano Banana Pro 提示词指南]]**：谷歌发布的 Nano Banana Pro 官方提示词指南（《The Complete Guide to Nano Banana Pro: 10 Tips for Professional Asset Production》），凌晨无预警发布，核心主题是"将 AI 从趣味性图像生成升级为功能性专业资产生产"。核心理念：**停止标签堆砌，像创意总监一样思考**。核心突破：意图理解引擎实现物理规则推演、构图美学理解和语义上下文推理（而非传统关键词匹配）。关键能力：支持 14 张参考图像（6 张高保真）实现"身份锁定"；默认生成思考图像（不收费）后再输出最终结果；支持 1K-4K 原生高分辨率。10 大黄金法则包括：编辑而非重新生成、使用自然语言完整句子、具体且具描述性、提供上下文（"为什么"或"为谁"）。9 个实战章节覆盖：文本渲染/信息图、角色一致性/病毒缩略图、Google 搜索信息锚定、高级编辑/修复/着色、2D/3D 维度转换、高分辨率/纹理、思考推理模式、故事板/概念艺术、结构控制/布局引导。与 [[清华出的DeepSeek使用手册]] 同属 AI 工具方法论指南——前者聚焦 DeepSeek 文本推理，后者聚焦 Nano Banana Pro 图像生成；与 [[nano-banana-提示词框架]]（Nano Banana 基础框架）和 [[全网最全-nano-banana-2-使用指南-2025年12月更新-1]]（Nano Banana 2 综合指南）同属 Nano Banana 提示词体系的不同层次。
 **[[Ollama 本地 LLM 部署]]**：基于 [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]] 的完整实操指南，展示如何使用 Ollama + DeepSeek-R1 + Open WebUI 在本地离线部署大模型。核心价值：**免费、无需 API Key、数据完全私有**。Ollama 跨平台支持（macOS/Windows/Linux/Docker），通过 `ollama run deepseek-r1:8b` 一键运行；国内网络环境下可通过魔塔社区（modelscope.cn）或 HuggingFace Mirror（hf-mirror.com）加速下载；云服务器部署必须通过 nginx + Bearer Token 保护 API 防止恶意调用；Open WebUI 提供浏览器端 Web 界面，支持 RAG 本地知识库（bge-m3 嵌入模型）和联网搜索。硬件要求：1.5B 模型需 4GB RAM，7B 需 16GB RAM，32B 需 64GB RAM+48GB 显存（Apple M2 Max 可流畅运行 32b 及以下）。
 **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。
@@ -138,7 +155,7 @@ Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP vi
 **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]]
+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]], [[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]], [[Personalization]], [[Custom Instructions]], [[Proactive AI]], [[Expert User Assumption]], [[Error Accountability]]
 ### 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.
@@ -169,6 +186,7 @@ Key concepts: [[一人公司]], [[个人品牌]], [[Ikigai框架]], [[天才地
 ## Key Entities
 - [[tukuai]] — 独立研究者，递归自我优化生成系统论文作者，为 [[Self-Improving-Skill]] 提供原则性理论框架
 - [[The Agency]] — open-source AI agent collection (147 agents, 12 divisions)
 - [[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
@@ -190,6 +208,8 @@ Key concepts: [[一人公司]], [[个人品牌]], [[Ikigai框架]], [[天才地
 - [[MariaDB]] — 开源关系型数据库，Synology NAS Docker 环境部署，支持内网（192.168.3.17:3307）和公网（mysql.ishenwei.online:63307）双通道访问
 - [[Claude Code]] — Anthropic CLI agent
 - [[Claude Desktop]] — Anthropic Claude AI 桌面应用，支持 MCP 协议扩展，通过 n8n-mcp 连接 n8n 工作流引擎
 - [[ChatGPT]] — OpenAI 开发的大语言模型对话产品，支持自定义指令（Custom Instructions）功能，[[openai-chatgpt-个性化定义]] 是其完整配置案例
 - [[OpenAI]] — 美国 AI 研究公司，开发 GPT 系列大语言模型、ChatGPT 产品、API 接口，为本 Wiki 多个 AI 工具提供底层技术支持
 - [[OpenCode]] — Vibe Coding CLI agent
 - [[Trae]] — 国产 AI 增强型 IDE，支持 Remote-SSH 远程开发和 VS Code 插件生态
 - [[ISO-27001]] — 国际信息安全管理体系标准（云安全合规基础）
@@ -279,6 +299,8 @@ Key concepts: [[一人公司]], [[个人品牌]], [[Ikigai框架]], [[天才地
 - [[V2RayA]] — V2Ray 的 Web 可视化管理界面，基于 V2Ray 内核，支持透明代理和分流策略，在群晖 NAS 上以 Docker 容器方式部署
 - **[[Apache Superset]]** — Apache 软件基金会旗下的开源 BI 平台，通过 Docker 快速部署，支持 SQL 查询、多样化图表和仪表盘构建。Home Server 场景通过 `apache/superset:GHA-*` 镜像容器化部署，6 步初始化流程：拉取镜像 → 启动容器 → 创建管理员 → 数据库迁移 → 加载示例 → 完成初始化，默认端口 8088（映射 8777），内置 SQLite，可选外挂 MySQL
 - **[[RustDesk]]** — 开源远程桌面软件，支持自建中继服务器，可通过修改 GDM3 配置 `WaylandEnable=false` 强制 X11 解决 Ubuntu 24.04 Wayland 登录限制问题
 - **[[Ollama]]** — 开源本地 LLM 运行框架（ollama.com/ollama.org.cn），支持 macOS/Windows/Linux/Docker，提供简洁命令 `ollama run <model>` 运行大语言模型，通过 API（localhost:11434）和 Open WebUI 提供多元化接入方式，DeepSeek-R1 系列模型官方支持
 - **[[Open WebUI]]** — 开源大模型 Web 界面（ghcr.io/open-webui/open-webui:main），基于浏览器访问，支持 Ollama/OpenAI API 接入，可配置 RAG 本地知识库（bge-m3 嵌入模型）和联网搜索，Docker Compose 一键部署
 - [[ProxyChains]]：通过 LD_PRELOAD 劫持 socket 调用使任意终端命令走 SOCKS5 代理的工具，配置文件 /etc/proxychains4.conf，格式 `socks5 127.0.0.1 10808`，适用于临时命令级代理
 - [[Git 全局代理]]：Git 不读取系统环境变量，必须通过 `git config --global http.proxy socks5://127.0.0.1:10808` 设置
--- a/wiki/sources/llms-rag-ai-agent-三个到底什么区别.md
+++ b/wiki/sources/llms-rag-ai-agent-三个到底什么区别.md
@@ -0,0 +1,54 @@
 ---
 title: "LLMs、RAG、AI Agent 三个到底什么区别？"
 type: source
 tags: [ai-agent, llm, rag]
 date: 2025-11-19
 sources: []
 last_updated: 2025-04-23
 ---
 ## Source File
 - [[AI/LLMs、RAG、AI Agent 三个到底什么区别？]]
 ## Summary（用中文描述）
 - 核心主题：LLM、RAG、AI Agent 三者的定义、作用层面及相互关系
 - 问题域：AI 应用开发入门者对这三个核心概念的混淆与误用
 - 方法/机制：分层对比——LLM=思考（天才大脑），RAG=认知（记忆系统），Agent=执行（行动系统）；三者非竞争技术，而是在不同层面互补
 - 结论/价值：未来不在于选择其一，而在于将三者结合架构设计
 ## Key Claims（用中文描述）
 - LLM、RAG、AI Agent 不是竞争技术，而是在三个不同层面满足不同实际场景的能力展示，大部分人的使用方式都是错误的
 - LLM 全称大语言模型，是 AI 应用的"天才大脑"，在思考方面非常出色，但对当前情况一无所知——知识有截止日期
 - RAG（检索增强生成）是记忆系统，将静态的 LLM 知识链接到外部实时知识库，降低幻觉、提供可引用来源
 - AI Agent 是围绕 LLM 构建的循环控制系统，具备感知目标、规划步骤、执行动作、反思结果的行动能力
 - 真正的生产系统需要叠加三者：用 LLM 进行推理，用 RAG 确保准确性，用 Agent 框架实现自主性
 ## Key Quotes
 > "LLM 在思考方面非常出色，但对当前情况却一无所知" — 核心局限
 > "RAG 就像是给那个'全能天才大脑'配备了一位随身图书馆助理" — RAG 的比喻
 > "LLM 和 RAG 都不具备行动能力，有脑，有手，但是不知道怎么走路" — Agent 的必要性
 > "未来不在于选择其一，而在于将三者结合起来进行架构设计" — 核心结论
 ## Key Concepts
 - [[Large Language Model]]：大语言模型，AI 应用的"天才大脑"，负责推理与生成，但知识有截止日期
 - [[RAG]]：检索增强生成（Retrieval-Augmented Generation），将 LLM 链接到外部知识库，提供实时信息和可引用来源，降低幻觉
 - [[AI Agent]]：AI 智能体，围绕 LLM 构建的循环控制系统，感知→规划→执行→反思，实现真正的自主行动能力
 - [[ReAct Pattern]]：AI Agent 的推理-行动模式，通过观察结果迭代优化下一步行动
 ## Key Entities
 - [[shenwei]]：微信公众号作者，本文原创发布于 2025-11-19
 ## Connections
 - [[Large Language Model]] ← 核心引擎 ← [[AI Agent]]
 - [[RAG]] ← 提供准确性 ← [[AI Agent]]
 - [[AI Agent]] ← 扩展能力 → [[ReAct Pattern]]
 - [[Large Language Model]] ← 知识局限 → 需要 [[RAG]] 补充实时信息
 ## Contradictions
 - 无已知冲突
 ## Related Sources
 - [[rag从入门到精通系列1-基础rag]] — RAG 基础入门教程
 - [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]] — LLM/RAG 相关术语总结
 - [[designing-for-agentic-ai]] — Agentic AI 设计原则
 - [[n8n-full-tutorial-building-ai-agents-in-2025-for-beginners]] — AI Agent 构建入门
--- a/wiki/sources/nano-banana-提示词框架.md
+++ b/wiki/sources/nano-banana-提示词框架.md
@@ -0,0 +1,49 @@
 ---
 title: "Nano Banana 提示词框架"
 type: source
 tags: [ai, google, nano-banana, prompt]
 date: 2026-03-15
 ---
 ## Source File
 - [[AI/Nano Banana 提示词框架]]
 ## Summary（用中文描述）
 - 核心主题：AI 图像生成的标准化结构化提示词框架（Nano Banana Prompting Framework）
 - 问题域：解决 AI 图像生成中提示词不规范、不完整、难以复现的问题
 - 方法/机制：提供两套 JSON Schema 模板（物件描述框架 + 人物描述框架），将提示词结构化为 shot / subject / environment / lighting / camera / color_grade / style / quality / negatives 等可填字段
 - 结论/价值：将艺术总监级别的摄影描述语言转化为可结构化填写的模板，降低 AI 图像生成的门槛，提升输出一致性和专业度
 ## Key Claims（用中文描述）
 - Nano Banana 框架通过标准化 JSON Schema 将专业摄影描述语言结构化，使 AI 图像生成输出更可控、更专业
 - 物件描述框架与人物描述框架共用核心参数（shot / lighting / camera / color_grade / style / quality / negatives），仅 subject 字段有差异化定义
 - negatives（负向提示词）字段用于主动排除不需要的元素，是保证输出纯净度的关键机制
 - 示例中的手表描述展示了如何将具体材质、工艺、光影条件数字化填入模板
 ## Key Quotes
 > "shot: Macro close-up shot, square aspect ratio (1:1), centered composition." — 镜头类型与构图规范
 > "negatives: no scratches, no dust, no logos or brand names, no human hands, blurry watch face, unrealistic lighting." — 负向提示词排除清单
 > "Hyper-realistic CGI render, commercial product photography, luxury and precision." — 风格定义示例
 ## Key Concepts
 - [[Nano Banana Prompting Framework]]：AI 图像生成的结构化提示词框架，提供物件和人物两套 JSON Schema 模板
 - [[Structured Prompt Engineering]]：将自然语言描述转化为结构化 JSON 字段的提示词工程方法，提升 AI 输出的可控性和可复现性
 - [[Negative Prompting]]：通过 negatives 字段主动声明不想要的元素，是提升 AI 图像质量的重要机制
 - [[Shot Composition]]：镜头类型与构图规范的标准化定义（如 Macro close-up shot）
 - [[Photography Lighting Description]]：专业布光描述语言（key light / fill light / rim light 三灯布光法）
 - [[Camera Parameter Specification]]：相机参数化描述（focal_length / aperture / angle）
 ## Key Entities
 - [[Google]]：Nano Banana 框架的发布方（source 文件标签含 google）
 - [[Nano Banana]]：Google 发布的 AI 图像生成工具品牌
 ## Connections
 - [[Nano Banana Pro 提示词指南]] ← 进阶版本 ← [[Nano Banana 提示词框架]]
 - [[文字生成视频网站推荐]] ← 同属 AI 内容生成工具领域 ← [[Nano Banana 提示词框架]]
 ## Contradictions
 - 与 [[清华出的DeepSeek使用手册]] 冲突：
  - 冲突点：文本生成领域强调"语义推理"能力，图像生成领域强调"结构化模板"规范
  - 当前观点：Nano Banana 框架认为标准化模板是专业输出的关键
  - 对方观点：DeepSeek 提示词强调"灵活性"和"自然语言表达"，避免框架约束
  - 注：两者适用于不同模态（图像 vs 文本），框架 vs 灵活并非绝对对立
--- a/wiki/sources/openai-chatgpt-个性化定义.md
+++ b/wiki/sources/openai-chatgpt-个性化定义.md
@@ -0,0 +1,49 @@
 ---
 title: "OpenAI ChatGPT 个性化定义"
 type: source
 tags: [ai, chatgpt, customization, openai, personal-knowledge]
 date: 2026-04-23
 ---
 ## Source File
 - [[AI/OpenAI ChatGPT 个性化定义.md]]
 ## Summary（用中文描述）
 - 核心主题：ChatGPT 自定义指令（Custom Instructions）的完整配置——定义用户身份、工作风格、交互偏好和输出格式要求
 - 问题域：如何将 ChatGPT 从通用助手塑造成符合个人需求的专业协作者
 - 方法/机制：通过 ChatGPT 的"自定义指令"功能，设置"高度有条理"的响应风格、"主动预判"的工作方式、以及对技术深度的具体要求
 - 结论/价值：系统性的 AI 个性化配置——把 ChatGPT 变成真正理解用户背景、专业领域和沟通偏好的专属助手，错误零容忍，提供详细解释
 ## Key Claims（用中文描述）
 - ChatGPT 应保持"高度有条理"的响应风格，主动预判用户需求而非被动等待指令
 - 用户被定义为所有领域的专家，AI 无需简化技术细节
 - 错误会削弱信任，因此回复必须准确和详尽
 - AI 应重视合理论据而非权威，来源无关紧要
 - 推测性内容必须明确告知，不可伪装为事实
 - 内容政策冲突时，应提供最接近可接受的答复并解释问题所在
 - URL 引用应统一放在回复末尾，而非分散在正文中
 - 如因自定义指令导致回复质量下降，AI 应主动指出问题所在
 ## Key Quotes
 > "Mistakes can erode my trust, so be accurate and detailed" — 错误零容忍原则
 > "Value sound arguments over authority, and sources are irrelevant" — 理性论据优先于权威
 > "If the quality of your response has dropped significantly due to my custom instructions, please explain the problem" — 主动反馈机制
 ## Key Concepts
 - [[Personalization]]：AI 个性化配置——通过系统级指令塑造 AI 的响应风格和交互方式
 - [[Custom Instructions]]：ChatGPT 的个性化指令功能，允许用户定义 AI 的行为模式
 - [[Proactive AI]]：主动预判用户需求的 AI 交互方式，而非被动响应
 - [[Expert User Assumption]]：将用户视为所有领域的专家，无需简化技术细节
 - [[Error Accountability]]：错误反馈机制——AI 主动指出因配置导致的回复质量下降
 ## Key Entities
 - [[OpenAI]]：ChatGPT 的开发商，提供自定义指令功能
 - [[ChatGPT]]：本配置的主体，OpenAI 开发的大语言模型
 ## Connections
 - [[designing-for-agentic-ai]] ← informs ← [[Personalization]]
 - [[custom-morning-brief]] ← extends ← [[Proactive AI]]
 - [[Agent Personality Design]] ← relates_to ← [[Custom Instructions]]
 ## Contradictions
 - （暂无发现与其他 Wiki 页面的内容冲突）
--- a/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
+++ b/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
@@ -0,0 +1,51 @@
 ---
 title: "清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）"
 type: source
 tags: []
 date: 2025-12-18
 ---
 ## Source File
 - [[raw/AI/清华出的DeepSeek使用手册，104页，真的是太厉害了！（免费领取）.md]]
 ## Summary（用中文描述）
 - 核心主题：清华大学发布的《DeepSeek从入门到精通2025》官方使用手册，104页全面指南
 - 问题域：如何高效使用 DeepSeek AI，包括模型选择、提示语设计、避免常见误区
 - 方法/机制：通过"授人以渔"方式讲解原理，手把手教会用户理解提示词底层逻辑，而非简单复制 GPT 提示词
 - 结论/价值：理论与实践结合紧密，适合不同层次读者；强调避免 AI 幻觉的技巧和设计超棒提示语的秘籍；体现了中国在 AGI 领域的实力
 ## Key Claims（用中文描述）
 - 清华大学新闻与传播学院元宇宙文化实验室发布的《DeepSeek从入门到精通2025》手册，由余梦珑博士后及团队撰写
 - DeepSeek 开源的推理模型 DeepSeek-R1 在处理复杂任务方面表现出色，备受世界瞩目
 - 该手册不仅讲原理，还手把手教用户科学使用——告诉用户"怎么问"更告诉"为什么这么问"
 - 手册共 104 页，包含避免 AI 幻觉的小窍门和设计超棒提示语的秘籍
 - 文档适合不同层次读者，但对完全新手来说部分章节可能稍显复杂
 ## Key Quotes
 > "以前我看了很多教程，都感觉特别花哨，没啥干货，大部分就是把GPT的说明书稍微改改，就拿来用在DeepSeek上了，没啥用。但清华这个手册完全不一样！它先是给你讲清楚原理，然后手把手教你怎么科学地使用。" — 来源评论
 > "这才是真正的'授人以渔'，太有用了！" — 来源评论
 > "清华的专家们毫无保留，分享了超多实用技巧，从避免 AI 幻觉的小窍门，到设计超棒提示语的秘籍，共104页，全是能直接上手的干货" — 来源介绍
 ## Key Concepts
 - [[DeepSeek-R1]]：DeepSeek 开源的推理模型，以处理复杂任务见长，是 AGI 领域的重要里程碑
 - [[提示语设计]]：通过"授人以渔"方式讲解提示词底层逻辑，而非简单套用 GPT 提示词
 - [[AI幻觉]]：手册中包含如何避免 AI 产生幻觉内容（生成看似合理但错误的信息）的实用技巧
 - [[通用人工智能（AGI）]]：DeepSeek 的公司使命，专注于通用人工智能研究
 - [[推理模型]]：区别于普通语言模型，专注于复杂推理任务的模型类型
 ## Key Entities
 - [[清华大学]]：新闻与传播学院元宇宙文化实验室，发布了该手册
 - [[余梦珑]]：博士后，清华大学新闻与传播学院元宇宙文化实验室研究员，手册主要作者
 - [[DeepSeek]]：专注于 AGI 的中国科技公司，开源了 DeepSeek-R1 推理模型
 - [[DeepSeek-R1]]：DeepSeek 开源的推理模型，在复杂任务处理方面表现出色
 ## Connections
 - [[DeepSeek-R1]] ← 核心主题 ← [[清华出的DeepSeek使用手册]]
 - [[提示语设计]] ← 关键内容 ← [[清华出的DeepSeek使用手册]]
 - [[AI幻觉]] ← 涵盖主题 ← [[清华出的DeepSeek使用手册]]
 ## Contradictions
 - 与 [[llms-rag-ai-agent-三个到底什么区别]] 存在互补关系：
  - 冲突点：该手册聚焦 DeepSeek 单个模型的具体使用方法，后者聚焦 LLM/RAG/Agent 三层架构的宏观对比
  - 当前观点：该手册从清华大学实践角度提供 DeepSeek 特定提示词技巧和避免幻觉策略
  - 对方观点：从系统架构层面解释 LLM（思考层）、RAG（记忆层）、Agent（执行层）的协作关系
--- a/wiki/sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.md
+++ b/wiki/sources/详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1.md
@@ -0,0 +1,86 @@
 ---
 title: "详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1"
 type: source
 tags: []
 date: 2026-04-23
 ---
 ## Source File
 - [[AI/详细！离线部署大模型：ollama+deepseek+open-webui安装使用方法及常见问题解决 1.md]]
 ## Summary（用中文描述）
 - 核心主题：如何在本地机器上离线部署和运行大语言模型（LLM），使用 Ollama + DeepSeek + Open WebUI 实现私有化 AI 服务
 - 问题域：国内网络环境下 LLM 部署面临的下载慢、无 API Key、数据隐私等挑战
 - 方法/机制：
  - Ollama：跨平台（macOS/Windows/Linux/Docker）本地 LLM 运行框架
  - DeepSeek-R1 系列蒸馏模型：1.5B~671B 参数多个版本
  - Open WebUI：基于浏览器的开源 Web 界面，集成 Ollama API
  - 离线方案：通过第三方（魔塔社区/HuggingFace Mirror/夸克网盘）下载模型文件后用 `ollama create` 导入
  - 局域网访问：通过环境变量 OLLAMA_HOST=0.0.0.0 配置
  - API 安全：通过 nginx 反向代理 + Bearer Token 保护云服务器部署
 - 结论/价值：提供完整的国内环境本地 LLM 部署实操指南，覆盖安装、下载、调优、安全配置的完整闭环
 ## Key Claims（用中文描述）
 - Ollama 提供简洁的跨平台 LLM 部署方案，4GB RAM 跑 1.5B 模型，32GB RAM 跑 33B 模型
 - DeepSeek-R1:32b 及以下模型可在 Apple M2 Max Mac Studio 上流畅运行
 - 模型下载速度开始快后变慢可通过间隔重启下载进程解决
 - Docker 部署 Ollama 可实现 GPU 加速（`--gpus=all`）
 - 云服务器部署必须配置 API KEY 保护（nginx + Bearer Token）防止被恶意调用
 - Open WebUI 可通过 docker-compose 一键部署，集成 DeepSeek-R1:8b 和 bge-m3 嵌入模型
 ## Key Quotes
 > "你应该至少有 4 GB 的 RAM 来运行 1.5B 模型，至少有 8 GB 的 RAM 来运行 7B 模型，16 GB 的 RAM 来运行 13B 模型，以及 32 GB 的 RAM 来运行 33B 模型。" — Ollama 硬件要求参考
 > "假若需要本地私有化部署具有实用性的模型，应至少有独立显卡并有 4G 以上显存。纯 CPU 模式虽然也可以运行，但生成速度很慢，仅适用于本地开发调试体验一下。" — 实用部署建议
 > "如果你是在云服务器等拥有公网IP的环境上部署，请谨慎做此设置（OLLAMA_HOST=0.0.0.0），否则可能导致 API 服务被恶意调用。" — 云服务器安全警告
 ## Key Concepts
 - [[Local LLM Deployment]]：在本地机器上离线运行大语言模型，确保数据隐私，无需 API Key 费用
 - [[Ollama]]：开源本地 LLM 运行框架，提供简单命令行和 API 接口
 - [[Open WebUI]]：开源 Web 界面工具，为 Ollama 等 LLM 提供图形化交互体验
 - [[RAG]]：检索增强生成，Open WebUI 使用 bge-m3 嵌入模型构建本地知识库
 - [[Docker LLM Deployment]]：通过 Docker 容器化部署 Ollama 和 Open WebUI
 - [[Model Quantization]]：GGUF 格式量化模型，通过 `ollama create` 导入本地文件
 ## Key Entities
 - [[Ollama]]：开源本地 LLM 框架，支持 macOS/Windows/Linux/Docker，官方站 ollama.com，中文站 ollama.org.cn
 - [[DeepSeek]]：深度求索 AI 公司，发布 DeepSeek-R1 系列开源推理模型（1.5B~671B），ollama 官方模型库支持
 - [[Open WebUI]]：开源大模型 Web 界面项目（ghcr.io/open-webui/open-webui），通过 Ollama API 集成多种 LLM，支持 RAG 知识库和联网搜索
 - [[HuggingFace Mirror]]（hf-mirror.com）：HuggingFace 国内镜像站，解决模型下载速度问题
 - [[魔塔社区]]（modelscope.cn）：阿里达摩院模型库，ollama 支持直接从魔塔下载模型
 - [[夸克网盘]]：第三方离线模型下载渠道，deepseek-r1 模型夸克链接共享
 ## Connections
 - [[Ollama]] ← runs ← [[DeepSeek]]
 - [[Ollama]] ← hosts ← [[Open WebUI]]
 - [[Open WebUI]] ← uses ← [[RAG]]（bge-m3 嵌入模型）
 - [[Local LLM Deployment]] ← solved_by ← [[Ollama]] + [[DeepSeek]] + [[Open WebUI]]
 - [[Docker LLM Deployment]] ← extends ← [[Docker]]（Ollama 的 Docker 部署模式）
 ## Contradictions
 - 无已知冲突页面
 ## DeepSeek-R1 模型规格参考
 | 参数版本 | 模型大小 | 建议内存 | 建议显存 | 特点 |
 |---------|---------|---------|---------|------|
 | deepseek-r1:1.5b | 1.1GB | 4~8G | 4GB | 轻量级，速度快 |
 | deepseek-r1:7b | 4.7GB | 16G | 14GB | 性能较好，硬件适中 |
 | deepseek-r1:8b | 4.9GB | 16G | 14GB | 略强于 7b，精度更高 |
 | deepseek-r1:14b | 9GB | 32G | 26GB | 高性能，复杂任务 |
 | deepseek-r1:32b | 20GB | 64G | 48GB | 专业级，高精度 |
 | deepseek-r1:70b | 43GB | 128G | 140GB | 顶级模型，大规模计算 |
 | deepseek-r1:671b | 404GB | 512G | 1342GB | 超大规模，推理速度快 |
 ## Ollama 常用命令
 | 命令 | 功能 |
 |------|------|
 | `ollama --version` | 验证安装 |
 | `ollama serve` | 启动服务 |
 | `ollama run <model:size>` | 下载并运行模型 |
 | `ollama pull <model:size>` | 拉取模型 |
 | `ollama create <name> -f <Modelfile>` | 从 Modelfile 导入本地模型 |
 | `ollama list` | 列出所有模型 |
 | `ollama show <model>` | 显示模型详情 |
 | `ollama ps` | 列出运行中的模型 |
 | `ollama rm <model>` | 删除模型 |
--- a/wiki/sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md
+++ b/wiki/sources/谷歌深夜甩出一份-nano-banana-pro提示词指南-手把手教你生产专业级内容-实战案例-提示词模版.md
@@ -0,0 +1,51 @@
 ---
 title: "谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版"
 type: source
 tags: [AI图像生成, 提示词工程, 专业内容生产, Nano-Banana-Pro]
 date: 2025-12-18
 ---
 ## Source File
 - [[AI/谷歌深夜甩出一份【Nano Banana Pro提示词指南】，手把手教你生产专业级内容，实战案例+提示词模版]]
 ## Summary（用中文描述）
 - 核心主题：谷歌发布的 Nano Banana Pro 模型官方提示词指南，聚焦如何将 AI 图像生成从"趣味性"升级为"功能性"专业内容生产
 - 问题域：AI 图像生成提示词编写方法论，适用于信息图、品牌资产、故事板、UI 设计等专业场景
 - 方法/机制：10 大提示词黄金法则 + 9 个实战章节，核心理念是"像创意总监一样思考，而非堆砌标签"
 - 结论/价值：提供可直接复用的提示词模板，覆盖文本渲染、角色一致性、信息锚定、高级编辑、2D/3D 转换等全流程
 ## Key Claims（用中文描述）
 - Nano Banana Pro 通过意图理解引擎实现物理规则推演、构图美学理解和语义上下文推理，而非传统关键词匹配
 - 模型支持最多 14 张参考图像（6 张高保真），实现"身份锁定"确保角色在多场景中面部一致性
 - 该模型默认生成思考图像（不收费）后再输出最终结果，实现数据分析和视觉问题解决
 - 提示词应使用完整自然语言描述，而非标签堆砌；一张图 80% 正确时应编辑而非重新生成
 - 支持 1K 至 4K 原生高分辨率输出，适合大幅面打印和专业纹理细节
 ## Key Quotes
 > "要获得最佳效果，请停止使用'标签堆砌'，开始像创意总监一样思考。" — 谷歌 Nano Banana Pro 官方指南
 > "如果一张图像有 80% 是正确的，不要从头开始生成新图像。相反，只需要求进行你需要的具体更改。" — 谷歌 Nano Banana Pro 官方指南
 > "Nano-Banana Pro 是一个'会思考'的模型。它不仅仅是匹配关键词；它能理解意图、物理原理和构图。" — 谷歌 Nano Banana Pro 官方指南
 ## Key Concepts
 - [[提示词工程]]：本文的核心主题，通过系统化方法论指导 AI 生成专业级图像内容
 - [[Nano Banana Pro]]：谷歌发布的专业级 AI 图像生成模型，核心突破是意图理解引擎而非关键词匹配
 - [[身份锁定（Identity Locking）]]：通过参考图像确保角色在多场景中保持面部一致性的技术
 - [[思维推理模式（Thinking Mode）]]：模型在渲染前生成临时思考图像以优化构图，支持方程求解和视觉推理
 - [[信息图生成]]：将财报、数据、教程等文本内容压缩转化为可视化信息图表
 - [[2D/3D 转换]]：将平面图、线框图转换为 3D 可视化，支持反向操作
 - [[草图转成品（Sketch to Final）]]：上传手绘草图精确定义文本和对象位置，生成高保真广告/UI 资产
 ## Key Entities
 - [[谷歌]]（Google）：Nano Banana Pro 的发布方和提示词指南的编写者
 ## Connections
 - [[nano-banana-pro-prompting-guide-strategies-1]] ← related_to ← [[提示词工程]]
 - [[nano-banana-提示词框架]] ← related_to ← [[Nano Banana Pro]]
 - [[全网最全-nano-banana-2-使用指南-2025年12月更新-1]] ← extends ← [[Nano Banana Pro]]
 - [[如何写出完美的prompt-提示词]] ← related_to ← [[提示词工程]]
 - [[系统提示词构建原则]] ← related_to ← [[提示词工程]]
 ## Contradictions
 - 暂无发现与其他 Wiki 页面的冲突内容