diff --git a/wiki/concepts/Account-Monitoring.md b/wiki/concepts/Account-Monitoring.md new file mode 100644 index 00000000..4eed9476 --- /dev/null +++ b/wiki/concepts/Account-Monitoring.md @@ -0,0 +1,37 @@ +--- +title: "Account-Monitoring" +type: concept +tags: ["monitoring", "social-media", "automation", "notification", "twitter"] +last_updated: 2026-04-27 +--- + +## Overview +Account-Monitoring 是指持续追踪指定 X/Twitter 账号的内容发布或粉丝变动并触发通知的自动化技术。 + +## Definition +通过 API 定期轮询或订阅目标账号的最新动态（推文发布、转发、粉丝变化等），当检测到变化时自动向用户发送通知。 + +## Key Characteristics +- **持续追踪**：不间断监控目标账号状态变化 +- **多维度监控**： + - 新推文/转发发布 + - 粉丝数量变化 + - 关注/取消关注操作 +- **主动通知**：检测到变化时自动推送通知，无需用户主动查询 +- **可配置阈值**：可设置仅在特定条件触发时通知（如粉丝数突破阈值） + +## Implementation +在 [[x-twitter-automation]] 中，通过 [[TweetClaw]] 的 Monitors 功能实现： +1. 配置监控目标账号列表 +2. 定期通过 API 获取账号最新状态 +3. 与上次状态对比，检测变化 +4. 变化发生时自动向用户发送通知 + +## Related Use Cases +- [[x-twitter-automation]] — TweetClaw 提供账号监控功能 + +## Sources +- [[x-twitter-automation]] + +## Connections +- [[X/Twitter-API-Automation]] ← powers ← [[Account-Monitoring]]（监控功能依赖 API 获取账号动态） diff --git a/wiki/concepts/Content-Aggregation.md b/wiki/concepts/Content-Aggregation.md new file mode 100644 index 00000000..4eede608 --- /dev/null +++ b/wiki/concepts/Content-Aggregation.md @@ -0,0 +1,28 @@ +--- +title: "Content-Aggregation" +type: concept +tags: [RSS, Data-Pipeline, Information-Retrieval] +sources: [multi-source-tech-news-digest.md] +last_updated: 2026-04-27 +--- + +# Content-Aggregation + +内容聚合——将来自多个异构来源的信息统一收集、去重、标准化后呈现的机制，是解决信息碎片化问题的核心手段。 + +## Definition + +从多个来源（RSS、社交媒体、API、Web 抓取等）收集内容，通过合并、去重、排序等处理，最终生成统一的结构化输出。 + +## Key Characteristics + +- **多来源合并**：支持不同协议和格式（RSS/Atom、JSON API、HTML 爬取等） +- **标准化**：统一内容格式（标题、摘要、URL、时间戳、来源标签） +- **时序整合**：按时间线重新排序跨来源的内容 +- **质量分层**：按来源权威性、用户偏好等对内容分级 + +## Related Concepts + +- [[Content-Deduplication]]：内容聚合的前置步骤 +- [[Quality-Scoring]]：内容聚合的后置筛选 +- [[RSSHub]]：生成标准化 RSS 的工具，使不原生支持 RSS 的来源可被聚合 diff --git a/wiki/concepts/Content-Deduplication.md b/wiki/concepts/Content-Deduplication.md new file mode 100644 index 00000000..c7aa2ef4 --- /dev/null +++ b/wiki/concepts/Content-Deduplication.md @@ -0,0 +1,27 @@ +--- +title: "Content-Deduplication" +type: concept +tags: [Data-Processing, NLP, Similarity-Matching] +sources: [multi-source-tech-news-digest.md] +last_updated: 2026-04-27 +--- + +# Content-Deduplication + +内容去重——识别并合并重复或近似内容的技术，解决同一内容从多个渠道涌入造成的冗余问题。 + +## Definition + +通过计算标题/摘要的相似度（如 Jaccard 相似度、余弦相似度、编辑距离），判断两条内容是否指向同一信息，并将重复项合并。 + +## Approaches + +- **精确匹配**：基于 URL、唯一 ID 去重（适用于同一平台内的内容） +- **模糊匹配**：基于标题/摘要的语义或字符串相似度去重（适用于跨平台聚合） +- **聚类去重**：将相似内容聚类，每类只保留一条代表 + +## Related Concepts + +- [[Content-Aggregation]]：去重是内容聚合流程中的关键步骤 +- [[Quality-Scoring]]：去重后对每类的代表内容进行评分 +- [[Semantic-Search]]：语义相似度技术同样可用于去重 diff --git a/wiki/concepts/Cowork-UI.md b/wiki/concepts/Cowork-UI.md new file mode 100644 index 00000000..f1087903 --- /dev/null +++ b/wiki/concepts/Cowork-UI.md @@ -0,0 +1,21 @@ +--- +title: "Cowork-UI" +type: concept +tags: [ai-agent, ui, visualization] +sources: [aionui-cowork-desktop] +last_updated: 2026-04-27 +--- + +## Definition + +Cowork-UI 是一种 AI Agent 桌面协作界面范式——在可视化工作空间中实时展示 Agent 读写文件、运行终端命令、浏览网页的全过程，用户不再是"只能看日志"，而是真正"看见 Agent 在做什么"。 + +## Key Characteristics +- **操作可视化**：文件读写、终端命令、网页浏览等操作均有图形化展示 +- **多 Agent 并行**：支持 OpenClaw、Claude Code、Codex 等 12+ Agent 在同一界面中切换或并行运行 +- **上下文共享**：工作空间内所有 Agent 共享同一 MCP 配置 + +## Related Concepts +- [[Remote-Rescue]]：Cowork-UI 的远程接入扩展 +- [[Multi-Agent-Unified-MCP]]：Cowork-UI 的配置统一机制 +- [[Tool-Integration]]：Cowork-UI 的工具层基础 diff --git a/wiki/concepts/GAS-Gameplay-Ability-System.md b/wiki/concepts/GAS-Gameplay-Ability-System.md index 0032c33b..219035fd 100644 --- a/wiki/concepts/GAS-Gameplay-Ability-System.md +++ b/wiki/concepts/GAS-Gameplay-Ability-System.md @@ -1,9 +1,11 @@ --- -title: "GAS (Gameplay Ability System)" +title: GAS Gameplay Ability System type: concept tags: [unreal-engine, networking, multiplayer, ue5, abilities] -sources: ["unreal-multiplayer-architect", "unreal-systems-engineer"] +sources: last_updated: 2026-04-26 +--- + ## Additional Sources Gameplay Ability System（GAS）是 UE5 的可扩展技能与属性框架，通过 UGameplayAbility、UAttributeSet、UAbilitySystemComponent 实现网络就绪的技能系统。[[UnrealSystemsEngineer]] 补充：所有 Tick 逻辑必须 C++；FGameplayTag 优于字符串标识符；通过 UPROPERTY(ReplicatedUsing=OnRep_Health) + GAMEPLAYATTRIBUTE_REPNOTIFY 宏实现属性复制。 diff --git a/wiki/concepts/Gatekeeper.md b/wiki/concepts/Gatekeeper.md index 0621712c..bbc3b94b 100644 --- a/wiki/concepts/Gatekeeper.md +++ b/wiki/concepts/Gatekeeper.md @@ -1,69 +1,69 @@ -# Gatekeeper - -> macOS 的安全机制，用于验证应用程序是否来自已识别的开发者可信来源。 - -## Overview -Gatekeeper 是 macOS 的应用安全验证系统，旨在保护用户免受恶意软件的侵害。它会检查应用程序的来源和签名状态，拒绝运行未授权的软件。 - -## How It Works -Gatekeeper 会在用户尝试运行从互联网下载的应用程序时触发验证流程： -1. 检查应用是否来自 App Store -2. 检查是否有有效的 Developer ID 签名 -3. 检查是否被标记为已隔离（quarantined） - -## Quarantine Attribute -macOS 使用扩展属性（Extended Attributes）来标记从互联网下载的文件： -- `com.apple.quarantine`：标记文件来自互联网下载 -- `com.apple.metadata`：包含下载来源 URL 等元数据 - -## Removing Quarantine -```bash -# 递归移除 quarantine 属性（适用于目录） -xattr -rd com.apple.quarantine /path/to/application/ - -# 验证（无输出表示解除成功） -xattr /path/to/application/binary - -# 查看 quarantine 状态 -xattr -l /path/to/application/binary -``` - -## Gatekeeper Modes -```bash -# 查看当前 Gatekeeper 状态 -spctl --status - -# 允许所有来源（不推荐，存在安全风险） -sudo spctl --master-disable - -# 查看应用状态 -spctl --assess --verbose /path/to/application -``` - -## Use Cases -- **Homebrew**：安装后需解除 quarantine 才能运行 -- **FRP**：从 GitHub 下载的二进制文件需解除限制 -- **第三方工具**：任何未签名的可执行文件 - -## Security Considerations -| 方法 | 安全性 | 适用场景 | -|------|--------|----------| -| Developer ID 签名 | 最高 | 正式发布的软件 | -| App Store | 高 | 仅限 App Store 应用 | -| 解除 quarantine | 低 | 自托管工具/开发环境 | - -## Best Practices -1. **仅对可信来源解除限制**：如 GitHub Release 官方二进制文件 -2. **使用 -r 递归参数**：确保目录内所有文件解除限制 -3. **验证文件完整性**：下载后检查 SHA256 校验和 -4. **保持 Gatekeeper 开启**：除非完全了解风险，否则不要禁用 - -## Related Concepts -- [[launchd]] — macOS 服务管理器 -- [[frp]] — 需要解除 Gatekeeper 才能运行 -- [[Mac Mini M4]] — 需要处理 Gatekeeper 问题 - -## References -- Apple Support: Safely open apps on your Mac -- `man xattr` -- `man spctl` +# Gatekeeper + +> macOS 的安全机制，用于验证应用程序是否来自已识别的开发者可信来源。 + +## Overview +Gatekeeper 是 macOS 的应用安全验证系统，旨在保护用户免受恶意软件的侵害。它会检查应用程序的来源和签名状态，拒绝运行未授权的软件。 + +## How It Works +Gatekeeper 会在用户尝试运行从互联网下载的应用程序时触发验证流程： +1. 检查应用是否来自 App Store +2. 检查是否有有效的 Developer ID 签名 +3. 检查是否被标记为已隔离（quarantined） + +## Quarantine Attribute +macOS 使用扩展属性（Extended Attributes）来标记从互联网下载的文件： +- `com.apple.quarantine`：标记文件来自互联网下载 +- `com.apple.metadata`：包含下载来源 URL 等元数据 + +## Removing Quarantine +```bash +# 递归移除 quarantine 属性（适用于目录） +xattr -rd com.apple.quarantine /path/to/application/ + +# 验证（无输出表示解除成功） +xattr /path/to/application/binary + +# 查看 quarantine 状态 +xattr -l /path/to/application/binary +``` + +## Gatekeeper Modes +```bash +# 查看当前 Gatekeeper 状态 +spctl --status + +# 允许所有来源（不推荐，存在安全风险） +sudo spctl --master-disable + +# 查看应用状态 +spctl --assess --verbose /path/to/application +``` + +## Use Cases +- **Homebrew**：安装后需解除 quarantine 才能运行 +- **FRP**：从 GitHub 下载的二进制文件需解除限制 +- **第三方工具**：任何未签名的可执行文件 + +## Security Considerations +| 方法 | 安全性 | 适用场景 | +|------|--------|----------| +| Developer ID 签名 | 最高 | 正式发布的软件 | +| App Store | 高 | 仅限 App Store 应用 | +| 解除 quarantine | 低 | 自托管工具/开发环境 | + +## Best Practices +1. **仅对可信来源解除限制**：如 GitHub Release 官方二进制文件 +2. **使用 -r 递归参数**：确保目录内所有文件解除限制 +3. **验证文件完整性**：下载后检查 SHA256 校验和 +4. **保持 Gatekeeper 开启**：除非完全了解风险，否则不要禁用 + +## Related Concepts +- [[launchd]] — macOS 服务管理器 +- [[frp]] — 需要解除 Gatekeeper 才能运行 +- [[Mac Mini M4]] — 需要处理 Gatekeeper 问题 + +## References +- Apple Support: Safely open apps on your Mac +- `man xattr` +- `man spctl` diff --git a/wiki/concepts/Generation.md b/wiki/concepts/Generation.md index 3425110c..d9dbd64f 100644 --- a/wiki/concepts/Generation.md +++ b/wiki/concepts/Generation.md @@ -1,33 +1,33 @@ ---- -title: "Generation" -type: concept -tags: [rag, generation, llm, prompt, reasoning] -last_updated: 2025-01-16 ---- - -## Definition -Generation（生成阶段）是 RAG Pipeline 的第三步，将用户问题与 Retrieval 阶段检索到的相关文档块组合为 Prompt，输入 LLM 生成最终答案。 - -## Process -1. **Context Assembly**：将用户问题（Question）与 Top-k 个相关文档块（Context）放入字典结构：`{"question": ..., "context": ...}` -2. **Prompt Templating**：通过 PromptTemplate 将 Question 和 Context 组合为结构化的 Prompt String -3. **LLM Inference**：将 Prompt 输入 LLM，LLM 严格基于上下文中提供的信息生成答案 -4. **Output Parsing**：从 LLM 输出中提取纯字符串结果 - -## Key Requirements for Generation -- **Source Grounding**：LLM 必须严格基于检索到的上下文生成，不能凭空发挥 -- **Answer Attribution**：理想情况下应提供答案的来源引用（哪些文档块支持该答案） - -## In RAG Pipeline -- **上游**：接收 Retrieval 阶段返回的文档块作为上下文 -- **下游**：输出最终答案给用户 - -## Frameworks Simplify This -LangChain 和 LlamaIndex 将 Retrieval + Generation 封装为 RAG Chain（如 RetrievalQA Chain），只需几行代码即可完成端到端 Pipeline。 - -## Related Concepts -- [[RAG]] — Generation 是 RAG Pipeline 的第三阶段 -- [[Retrieval]] — Generation 的上游，提供上下文 -- [[PromptTemplate]] — 组装 Question + Context 的模板技术 -- [[Chain]] — LangChain 中串联 Retrieval 和 Generation 的抽象 -- [[Large Language Model]] — 实际执行生成任务的模型 +--- +title: "Generation" +type: concept +tags: [rag, generation, llm, prompt, reasoning] +last_updated: 2025-01-16 +--- + +## Definition +Generation（生成阶段）是 RAG Pipeline 的第三步，将用户问题与 Retrieval 阶段检索到的相关文档块组合为 Prompt，输入 LLM 生成最终答案。 + +## Process +1. **Context Assembly**：将用户问题（Question）与 Top-k 个相关文档块（Context）放入字典结构：`{"question": ..., "context": ...}` +2. **Prompt Templating**：通过 PromptTemplate 将 Question 和 Context 组合为结构化的 Prompt String +3. **LLM Inference**：将 Prompt 输入 LLM，LLM 严格基于上下文中提供的信息生成答案 +4. **Output Parsing**：从 LLM 输出中提取纯字符串结果 + +## Key Requirements for Generation +- **Source Grounding**：LLM 必须严格基于检索到的上下文生成，不能凭空发挥 +- **Answer Attribution**：理想情况下应提供答案的来源引用（哪些文档块支持该答案） + +## In RAG Pipeline +- **上游**：接收 Retrieval 阶段返回的文档块作为上下文 +- **下游**：输出最终答案给用户 + +## Frameworks Simplify This +LangChain 和 LlamaIndex 将 Retrieval + Generation 封装为 RAG Chain（如 RetrievalQA Chain），只需几行代码即可完成端到端 Pipeline。 + +## Related Concepts +- [[RAG]] — Generation 是 RAG Pipeline 的第三阶段 +- [[Retrieval]] — Generation 的上游，提供上下文 +- [[PromptTemplate]] — 组装 Question + Context 的模板技术 +- [[Chain]] — LangChain 中串联 Retrieval 和 Generation 的抽象 +- [[Large Language Model]] — 实际执行生成任务的模型 diff --git a/wiki/concepts/Hybrid-Search.md b/wiki/concepts/Hybrid-Search.md index 7862b1de..ee51a318 100644 --- a/wiki/concepts/Hybrid-Search.md +++ b/wiki/concepts/Hybrid-Search.md @@ -1,51 +1,27 @@ ---- -title: "Hybrid Search" -type: concept -tags: [search, vector, bm25, retrieval] -sources: [semantic-memory-search, knowledge-base-rag] -last_updated: 2026-04-22 ---- - -## Definition - -混合搜索结合两种或多种检索策略——通常是稠密向量检索（语义相似性）和稀疏关键词检索（BM25）——通过排名融合算法合并结果，兼顾语义理解和精确匹配。是当前 RAG 系统提升召回率的主流方法。 - -## How It Works - -``` -查询 → [向量检索（ANN）] ─┐ - → [BM25 关键词检索] ──┼─→ Reciprocal Rank Fusion (RRF) → 融合排名结果 - → [其他检索器] ──────┘ -``` - -1. **向量检索**：Embedding 模型将查询编码为向量，通过 ANN 索引（如 HNSW）找到语义相近的文档块 -2. **BM25 检索**：传统关键词检索，统计词频和文档频率，返回字面匹配的文档块 -3. **RRF 融合**：对各检索器的排名结果按 `1/(k+rank)` 公式融合，k 为平滑参数（通常 k=60） - -## Why Not Pure Vector Search? - -纯向量搜索的局限性： -- **同义词覆盖不足**：Embedding 空间无法覆盖所有同义词（如"缓存"vs"cache"） -- **专有名词精度低**：罕见词/新词/数字类实体的向量表示不够精确 -- **计算成本高**：向量检索的计算量随向量维度增长 - -混合搜索通过 BM25 补充关键词精确匹配，同时保留向量搜索的语义理解能力。 - -## Key Insight - -> "Hybrid search beats pure vector search. Combining semantic similarity (dense vectors) with keyword matching (BM25) via Reciprocal Rank Fusion catches both meaning-based and exact-match queries." — memsearch 文档 - -## Implementation - -| 组件 | 说明 | -|------|------| -| 向量检索器 | Milvus / Pinecone / FAISS / Qdrant | -| BM25 | Elasticsearch / OpenSearch / rank_bm25 | -| RRF 融合 | 自实现或向量数据库内置 | -| Embedding | OpenAI text-embedding-3 / BGE / Sentence-BERT | - -## Connections -- [[semantic-memory-search]] — memsearch 使用混合搜索策略 -- [[Knowledge-Base-RAG]] — 混合搜索是知识库 RAG 提升召回率的关键 -- [[Semantic-Search]] — 混合搜索是纯语义搜索的增强版 -- [[Reciprocal Rank Fusion]] — 混合搜索的融合算法 +--- +title: "HybridSearch" +type: concept +tags: [] +--- + +## Definition +混合搜索，结合多种检索方法以获得比单一搜索方法更优的结果。 + +## Key Characteristics +- 结合语义相似度搜索（稠密向量）与关键词精确匹配（BM25） +- 通过倒数排名融合（RRF）综合多个搜索结果的排名 +- 兼顾"按意思查找"和"按关键词查找"两种需求 + +## How It Works +1. **稠密向量搜索**：将查询和文档都嵌入到向量空间，计算语义相似度 +2. **BM25 搜索**：基于词频和文档频率的传统关键词匹配 +3. **RRF 融合**：综合两个排名列表，生成最终排序 + +## Use Cases +- [[memsearch]] 使用混合搜索提升记忆检索精度 +- [[Knowledge-Base-RAG]] 混合搜索优化知识库查询 + +## Related Concepts +- [[Semantic-Search]] — 纯语义搜索（仅向量） +- [[Reciprocal-Rank-Fusion]] — 倒数排名融合 +- [[RAG]] — 检索增强生成技术 diff --git a/wiki/concepts/Incremental-Indexing.md b/wiki/concepts/Incremental-Indexing.md new file mode 100644 index 00000000..ba0a69d8 --- /dev/null +++ b/wiki/concepts/Incremental-Indexing.md @@ -0,0 +1,27 @@ +--- +title: "IncrementalIndexing" +type: concept +tags: [] +--- + +## Definition +增量索引，只处理新增或变化的内容，避免重新处理未变化的数据。 + +## Key Mechanism +使用内容哈希（如 SHA-256）标识每个文档块： +1. 首次索引：计算哈希，存储 (哈希, 内容, 向量) +2. 后续索引：重新计算哈希，仅对不匹配的块进行嵌入 +3. 未变化的块：跳过，零 API 调用 + +## Benefits +- **节省成本**：只嵌入新增/变化内容 +- **提升速度**：跳过已索引内容 +- **一致性保证**：相同内容始终生成相同向量 + +## Application +- [[memsearch]] 使用 SHA-256 内容哈希实现增量索引 +- 文档原文始终是真相，索引是派生缓存 + +## Related Concepts +- [[memsearch]] — 实现增量索引的工具 +- [[RAG]] — 检索增强生成 diff --git a/wiki/concepts/Knowledge-Base.md b/wiki/concepts/Knowledge-Base.md new file mode 100644 index 00000000..a9c98c2b --- /dev/null +++ b/wiki/concepts/Knowledge-Base.md @@ -0,0 +1,26 @@ +--- +title: "Knowledge Base" +type: concept +last_updated: 2026-04-27 +--- + +## Definition + +集中存储、结构化索引、可按需检索的个人或组织知识集合——将分散的信息（文章、笔记、文档、网页）转化为可搜索、可链接的知识资产。 + +## Key Characteristics + +- **集中存储**：所有知识来源统一入口（URL/文件/对话内容） +- **结构化索引**：通过 Embedding 向量化或 Metadata 标签实现高效检索 +- **可搜索**：支持关键词搜索、语义搜索或两者混合搜索 +- **可链接**：知识条目之间相互引用，形成知识网络 + +## Relationship to Related Concepts + +- [[Semantic Search]]：知识库的核心检索技术 +- [[RAG]]：知识库是 RAG 系统的外部知识来源 +- [[Second Brain]]：知识库的终极目标——成为个人的第二大脑 +- [[Personal Knowledge Base (RAG)]]：知识库在个人场景的具体实现（URL 摄入 + 语义搜索） + +## Sources +- [[knowledge-base-rag]] diff --git a/wiki/concepts/Multi-Agent-Unified-MCP.md b/wiki/concepts/Multi-Agent-Unified-MCP.md new file mode 100644 index 00000000..358d0960 --- /dev/null +++ b/wiki/concepts/Multi-Agent-Unified-MCP.md @@ -0,0 +1,20 @@ +--- +title: "Multi-Agent-Unified-MCP" +type: concept +tags: [ai-agent, mcp, configuration] +sources: [aionui-cowork-desktop] +last_updated: 2026-04-27 +--- + +## Definition + +Multi-Agent-Unified-MCP 是一种在单一应用（AionUi）中统一配置 MCP Server，使其自动同步至所有共存 Agent（OpenClaw、Claude Code、Codex 等）的机制——用户只需配置一次 MCP，所有 Agent 即可共享同一工具集，无需逐个 Agent 重复配置。 + +## Key Characteristics +- **一次配置全局生效**：在 AionUi 中配置 MCP Server，自动同步 +- **消除重复配置**：12+ Agent 共享同一 MCP 配置，无需逐个设置 +- **工具一致性**：所有 Agent 调用相同的 MCP 工具接口 + +## Related Concepts +- [[MCP]]：Multi-Agent-Unified-MCP 的底层协议 +- [[Cowork-UI]]：Multi-Agent-Unified-MCP 的承载界面 diff --git a/wiki/concepts/Multi-Channel-Delivery.md b/wiki/concepts/Multi-Channel-Delivery.md index 7db332de..2ed4b22b 100644 --- a/wiki/concepts/Multi-Channel-Delivery.md +++ b/wiki/concepts/Multi-Channel-Delivery.md @@ -1,27 +1,35 @@ ---- -title: "Multi-Channel Delivery" -type: concept -tags: [] ---- - -## Definition -多渠道内容投递模式——同一内容根据用户偏好同时或选择性地通过多个平台（Discord、Email、Telegram 等）进行投递，提升触达率和用户便利性。 - -## Common Channels -| 渠道 | 特点 | 适用场景 | -|------|------|----------| -| Discord | 频道制、社区感、支持富文本 | 社区内容推送 | -| Email | 正式、可存档、适合长内容 | Newsletter、报告 | -| Telegram | 即时、话题制、跨设备同步 | 个人助理、私人简报 | -| Slack | 团队协作、频道/话题隔离 | 工作流通知 | - -## Design Pattern -``` -[内容生成器] → [渠道适配层] → [Discord] / [Email] / [Telegram] - (用户偏好决定投递渠道组合) -``` - -## Related Concepts -- [[Daily-Digest]] — 投递内容的一种常见形式 -- [[Quality-Scoring-Algorithm]] — 投递前的内容筛选 -- [[Preference-Learning]] — 根据用户反馈持续优化渠道选择 +--- +title: "Multi-Channel-Delivery" +type: concept +tags: [Notification, Delivery, Platform-Integration] +sources: [multi-source-tech-news-digest.md] +last_updated: 2026-04-27 +--- + +# Multi-Channel-Delivery + +多渠道分发——将内容或消息同步推送至多个平台（Discord、邮件、Telegram 等），满足用户在不同场景下的信息消费习惯。 + +## Definition + +同一内容通过多个独立的投递通道（频道）发送，每条通道可能有自己的格式规范、限流规则和用户触达方式。 + +## Common Channels + +| 渠道 | 典型场景 | 特点 | +|------|----------|------| +| Discord | 社区通知、机器人推送 | Webhook、多频道、Rich Embed | +| Email | 正式报告、每日摘要 | MIME 格式、退信处理 | +| Telegram | 即时通知、私聊/频道 | Bot API、Markdown 格式 | +| Slack | 团队协作通知 | Webhook、Block Kit | + +## Design Principles + +- **平台适配**：每条渠道的内容格式需适配（如 Telegram 支持 Markdown，Email 需纯文本 fallback） +- **去重投递**：避免同一用户通过多个渠道收到重复通知 +- **失败重试**：投递失败时的指数退避重试机制 + +## Related Concepts + +- [[Content-Aggregation]]：多渠道分发的内容来源 +- [[Cron-Job]]：定时触发多渠道分发任务的调度机制 diff --git a/wiki/concepts/OpenClaw-Deployment-Expert.md b/wiki/concepts/OpenClaw-Deployment-Expert.md new file mode 100644 index 00000000..1d5060f2 --- /dev/null +++ b/wiki/concepts/OpenClaw-Deployment-Expert.md @@ -0,0 +1,22 @@ +--- +title: "OpenClaw-Deployment-Expert" +type: concept +tags: [ai-agent, deployment, troubleshooting] +sources: [aionui-cowork-desktop] +last_updated: 2026-04-27 +--- + +## Definition + +OpenClaw-Deployment-Expert 是 AionUi 内置的 OpenClaw 安装、诊断与修复引导工具——帮助用户在桌面环境中完成 OpenClaw 的完整部署，并在 Agent 出现故障时提供远程诊断和自助修复指导，包括 `openclaw doctor` 诊断命令、配置文件修复和 gateway 重启操作。 + +## Key Characteristics +- **安装引导**：协助安装 OpenClaw（`npm install -g openclaw@latest`） +- **诊断命令**：`openclaw doctor` 自动诊断常见故障 +- **配置修复**：自动识别并修复配置文件问题 +- **gateway 重启**：远程重启 OpenClaw gateway +- **远程可用**：通过 Telegram/WebUI 远程调用，无需人到机器现场 + +## Related Concepts +- [[Remote-Rescue]]：OpenClaw-Deployment-Expert 的典型使用场景 +- [[OpenClaw]]：OpenClaw-Deployment-Expert 的服务对象 diff --git a/wiki/concepts/Pattern-Key.md b/wiki/concepts/Pattern-Key.md new file mode 100644 index 00000000..01453439 --- /dev/null +++ b/wiki/concepts/Pattern-Key.md @@ -0,0 +1,40 @@ +--- +title: "Pattern-Key" +type: concept +tags: [] +sources: [] +last_updated: 2026-04-17 +--- + +## 定义 +经验记录（Learning）中的分类键字段，用于跨时间识别同一类问题是否重复出现。格式：`领域.子领域.具体问题`（如 `cron.telegram-delivery`）。 + +## 使用方式 +记录到 LEARNINGS.md 的 Metadata 中： +```markdown +### Metadata +- Pattern-Key: cron.telegram-delivery +``` + +## 核心信号 +**Pattern-Key 重复本身就是一个信号——第一次记了，第二次就该解决了。** + +## 实际案例 +| Pattern-Key | 出现次数 | 含义 | 处理策略 | +|------------|---------|------|---------| +| `cron.daily-self-review` | 9次 | 每日复盘活跃领域 | 持续积累，每次深化 | +| `cron.telegram-delivery` | 2次 | Telegram通知配置 | 第二次解决后不再出现 | +| `cron.naming-convention` | 1次 | 任务命名规范 | 一次性错误，无需跟进 | + +## 区分原则 +- 同一 Pattern-Key 多次出现 → 系统性问题，需要根本性解决 +- 只出现一次 → 偶发性错误，记录即可 + +## 相关 Concept +- [[Self-Improving-Skill]]：Pattern-Key 的承载结构 +- [[Recurrence-Count]]：配合 Pattern-Key 判断问题严重程度 +- [[每日复盘机制]]：检查 Pattern-Key 重复的执行机制 + +## Aliases +- pattern key +- 模式键 diff --git a/wiki/concepts/Personal-CRM.md b/wiki/concepts/Personal-CRM.md index d608f1a3..72517e91 100644 --- a/wiki/concepts/Personal-CRM.md +++ b/wiki/concepts/Personal-CRM.md @@ -1,51 +1,51 @@ ---- -title: "Personal CRM" -type: concept -tags: [] -last_updated: 2026-04-22 ---- - -## Aliases -- Personal Customer Relationship Management -- 联系人关系管理 - -## Definition -基于 AI Agent 的个人联系人管理系统，通过自动发现而非手动录入维护人际关系记忆，核心价值在于零摩擦积累和主动会议准备。 - -## Key Attributes - -| 属性 | 描述 | -|------|------| -| 数据来源 | Gmail、Google Calendar（通过 gog CLI） | -| 存储结构 | SQLite（联系人表：姓名、邮箱、首见时间、末联系时间、互动次数、备注） | -| 查询接口 | Telegram Topic（personal-crm）自然语言查询 | -| 触发机制 | Cron Job（每日联系人扫描 + 每日会议简报） | -| AI 框架 | OpenClaw | - -## Workflow - -1. **每日 6AM Cron Job**：扫描 Gmail + Calendar 过去 24 小时 -2. **提取新联系人**：自动识别邮件/日历中的外部参与者 -3. **更新数据库**：新增或更新已有联系人的互动记录 -4. **每日 7AM Cron Job**：查询当天日历，收集每位外部参会者背景 -5. **推送简报**：Telegram 投递会前准备（含上次交流内容、待跟进事项） -6. **按需查询**：Telegram personal-crm topic 接收自然语言查询 - -## 与相关概念的区分 - -| 概念 | 差异点 | -|------|--------| -| [[Second Brain]] | 非结构化任意内容捕获，Personal CRM 侧重结构化联系人关系 | -| [[Local CRM Framework]] | DenchClaw 侧重本地 Web UI + 数据导入；Personal CRM 侧重自动发现 | -| [[Email Triage]] | 侧重邮件分拣；Personal CRM 侧重联系人关系追踪 | -| [[Meeting Prep Briefing]] | Personal CRM 的子功能之一 | - -## 实现方案 - -- **[[personal-crm]]**（本文档来源）：OpenClaw + gog CLI + SQLite + Telegram Topic -- **[[local-crm-framework]]**（DenchClaw）：OpenClaw + DuckDB + Web UI + 浏览器自动化 - -## Sources -- [[personal-crm]] -- [[local-crm-framework]] -- [[multi-channel-assistant]] +--- +title: "Personal CRM" +type: concept +tags: [] +last_updated: 2026-04-27 +--- + +## Aliases +- Personal Customer Relationship Management +- 联系人关系管理 + +## Definition +基于 AI Agent 的个人联系人管理系统，通过自动发现而非手动录入维护人际关系记忆，核心价值在于零摩擦积累和主动会议准备。 + +## Key Attributes + +| 属性 | 描述 | +|------|------| +| 数据来源 | Gmail、Google Calendar（通过 gog CLI） | +| 存储结构 | SQLite（联系人表：姓名、邮箱、首见时间、末联系时间、互动次数、备注） | +| 查询接口 | Telegram Topic（personal-crm）自然语言查询 | +| 触发机制 | Cron Job（每日联系人扫描 + 每日会议简报） | +| AI 框架 | OpenClaw | + +## Workflow + +1. **每日 6AM Cron Job**：扫描 Gmail + Calendar 过去 24 小时 +2. **提取新联系人**：自动识别邮件/日历中的外部参与者 +3. **更新数据库**：新增或更新已有联系人的互动记录 +4. **每日 7AM Cron Job**：查询当天日历，收集每位外部参会者背景 +5. **推送简报**：Telegram 投递会前准备（含上次交流内容、待跟进事项） +6. **按需查询**：Telegram personal-crm topic 接收自然语言查询 + +## 与相关概念的区分 + +| 概念 | 差异点 | +|------|--------| +| [[Second Brain]] | 非结构化任意内容捕获，Personal CRM 侧重结构化联系人关系 | +| [[Local CRM Framework]] | DenchClaw 侧重本地 Web UI + 数据导入；Personal CRM 侧重自动发现 | +| [[Email Triage]] | 侧重邮件分拣；Personal CRM 侧重联系人关系追踪 | +| [[Meeting Prep Briefing]] | Personal CRM 的子功能之一 | + +## 实现方案 + +- **[[personal-crm]]**（本文档来源）：OpenClaw + gog CLI + SQLite + Telegram Topic +- **[[local-crm-framework]]**（DenchClaw）：OpenClaw + DuckDB + Web UI + 浏览器自动化 + +## Sources +- [[personal-crm]] +- [[local-crm-framework]] +- [[multi-channel-assistant]] diff --git a/wiki/concepts/Quality-Scoring.md b/wiki/concepts/Quality-Scoring.md new file mode 100644 index 00000000..fdc483df --- /dev/null +++ b/wiki/concepts/Quality-Scoring.md @@ -0,0 +1,30 @@ +--- +title: "Quality-Scoring" +type: concept +tags: [Ranking, Filtering, AI-Processing] +sources: [multi-source-tech-news-digest.md] +last_updated: 2026-04-27 +--- + +# Quality-Scoring + +质量评分——对聚合内容按多维度指标打分，以优先级排序的机制，解决信息过载下的内容筛选问题。 + +## Definition + +通过预设规则或 AI 辅助，对每条内容从多个维度赋予分值（如权威性、时效性、相关性、互动量），综合计算后决定内容的展示优先级。 + +## Scoring Dimensions + +| 维度 | 示例 | 分值范围 | +|------|------|----------| +| 优先级来源 | 权威媒体/KOL/官方账号 | +1 ~ +5 | +| 多来源交叉 | 同一内容被多个来源报道 | +3 ~ +5 | +| 时效性 | 距发布时间越近分数越高 | +1 ~ +3 | +| 互动量 | 点赞/评论/分享数 | +1 ~ +2 | + +## Related Concepts + +- [[Content-Aggregation]]：质量评分作用于聚合后的内容 +- [[Content-Deduplication]]：去重是评分的前置步骤 +- [[RAG]]：RAG 中的 reranking 与质量评分思路类似 diff --git a/wiki/concepts/RAG.md b/wiki/concepts/RAG.md index 788216ec..00bb09c3 100644 --- a/wiki/concepts/RAG.md +++ b/wiki/concepts/RAG.md @@ -1,35 +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]] +--- +title: "RAG" +type: concept +tags: [rag, retrieval, llm, ai] +last_updated: 2026-04-27 +--- + +## 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 +- 为 [[AI Agent]] 提供可信赖的信息来源 + +## 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]] +- [[knowledge-base-rag]] + +## 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 diff --git a/wiki/concepts/RRF-Reranking.md b/wiki/concepts/RRF-Reranking.md new file mode 100644 index 00000000..0b49df65 --- /dev/null +++ b/wiki/concepts/RRF-Reranking.md @@ -0,0 +1,27 @@ +--- +title: "RRF-Reranking" +type: concept +tags: [] +--- + +## Definition +RRF（Reciprocal Rank Fusion，倒数排名融合）是一种融合多个排序结果的技术，通过综合不同搜索方法的排名生成统一排序。 + +## Formula +``` +RRF_score(d) = Σ 1/(k + rank_i(d)) +``` +其中 k 是平滑因子（通常为60），rank_i(d) 是文档 d 在第 i 个排名列表中的位置。 + +## Key Characteristics +- 无需人工调参，对不同搜索方法一视同仁 +- 排名靠前的文档在融合时权重更高 +- 计算简单，可实时融合多个搜索结果 + +## Application +- [[memsearch]] 使用 RRF 融合稠密向量搜索和 BM25 搜索的结果 +- [[HybridSearch]] 的核心重排机制 + +## Related Concepts +- [[HybridSearch]] — 混合搜索（RRF 是其组成部分） +- [[Semantic-Search]] — 语义搜索 diff --git a/wiki/concepts/Recurrence-Count.md b/wiki/concepts/Recurrence-Count.md new file mode 100644 index 00000000..ab8cdc3f --- /dev/null +++ b/wiki/concepts/Recurrence-Count.md @@ -0,0 +1,44 @@ +--- +title: "Recurrence-Count" +type: concept +tags: [] +sources: [] +last_updated: 2026-04-17 +--- + +## 定义 +Learning 记录 Metadata 中的重复次数字段，用于追踪同一 Pattern-Key 下问题出现的次数。格式： +```markdown +### Metadata +- Recurrence-Count: 2 +- See Also: LRN-20260325-001 +``` + +## 核心价值 +**区分一次性错误与系统性重复，是最重要的指标之一。** + +## 解读原则 +| Recurrence-Count | 含义 | 处理策略 | +|-----------------|------|---------| +| 1 | 首次出现，观察 | 正常记录 | +| 2 | 重复出现 | 第二次就该彻底解决；未解决说明上次 Suggested Action 无效，需重新分析 | +| ≥3 | 系统性问题 | 需要根本性架构/流程改进，而非单次修复 | + +## 实际案例 +- Telegram chat ID 格式错误：`Recurrence-Count: 2` → 第二次直接应用 `Suggested Action: 使用纯数字 chat ID`，问题解决 +- 每日复盘：`Recurrence-Count: 9` → 说明这是一个持续活跃优化的领域，每次复盘都在积累经验 + +## 与 Pattern-Key 的关系 +- [[Pattern-Key]] 回答"这个问题属于哪一类" +- [[Recurrence-Count]] 回答"这类问题出现了多少次" + +两者配合使用：Pattern-Key 重复 + Recurrence-Count ≥ 2 = 需要系统性解决 + +## 相关 Concept +- [[Pattern-Key]]：Recurrence-Count 的分类维度 +- [[Self-Improving-Skill]]：Recurrence-Count 的承载结构 +- [[每日复盘机制]]：检查 Recurrence-Count 的执行时机 + +## Aliases +- recurrence count +- 重复次数 diff --git a/wiki/concepts/Remote-Rescue.md b/wiki/concepts/Remote-Rescue.md new file mode 100644 index 00000000..344c63cd --- /dev/null +++ b/wiki/concepts/Remote-Rescue.md @@ -0,0 +1,21 @@ +--- +title: "Remote-Rescue" +type: concept +tags: [ai-agent, remote, troubleshooting] +sources: [aionui-cowork-desktop] +last_updated: 2026-04-27 +--- + +## Definition + +Remote-Rescue 是一种 AI Agent 远程故障修复能力——当 Agent（如 OpenClaw）不可达时，用户通过远程通道（Telegram/WebUI）接入 AionUi，使用内置部署专家执行诊断命令（`openclaw doctor`）、修复配置、重启 gateway，实现无需人到机器现场的远程修复。 + +## Key Characteristics +- **远程通道接入**：Telegram、WebUI、Lark、DingTalk +- **内置诊断专家**：内置 OpenClaw 部署专家，引导安装、诊断、修复 +- **自助修复能力**：`openclaw doctor` 诊断、自动修复配置、gateway 重启 +- **解决痛点**：Agent 坏了但人不在机器旁边的困境 + +## Related Concepts +- [[OpenClaw-Deployment-Expert]]：Remote-Rescue 的执行主体 +- [[Cowork-UI]]：Remote-Rescue 的用户交互界面 diff --git a/wiki/concepts/Self-Improving-Skill.md b/wiki/concepts/Self-Improving-Skill.md index 920752da..34f6371a 100644 --- a/wiki/concepts/Self-Improving-Skill.md +++ b/wiki/concepts/Self-Improving-Skill.md @@ -1,98 +1,62 @@ ---- -title: "Self-Improving-Skill" -type: concept -tags: [openclaw, memory, agentic-ai] -sources: [养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享] -last_updated: 2026-04-17 ---- - -## Aliases -- self-improving skill -- self-improving -- Self-Improving - -## Definition - -Self-Improving Skill 是一个结构化的 Agent 经验记录系统。当 AI Agent 遇到问题、做出决策、或发现值得记住的洞见时，调用 `self_improvement_log` 工具，将内容写入 `LEARNINGS.md` 或 `ERRORS.md`。核心目标：**让同一个错误只犯一次，第二次就知道怎么做对**。 - -## 核心机制 - -### 记录格式（固定结构） - -```markdown -## [LRN-YYYYMMDD-NNN] correction | workflow | config - -**Logged**: YYYY-MM-DDTHH:MM:SS+08:00 -**Priority**: high | medium | low -**Status**: pending | resolved | dismissed -**Area**: config | workflow | memory | cron | telegram | ... - -### Summary -一句话描述学到了什么 - -### Details -具体发生了什么、问题出在哪 - -### Suggested Action -以后遇到类似情况该怎么做（**必须具体到可直接执行**） - -### Metadata -- Pattern-Key: -- Recurrence-Count: 1 -- See Also: LRN-YYYYMMDD-NNN -``` - -### 记录类型 - -| 类型 | 用途 | 示例 | -|------|------|------| -| `correction` | 错误修正 | "Telegram chat ID 不应使用 user: 前缀" | -| `workflow` | 流程改进 | "创建每日复盘 cron job 机制" | -| `config` | 配置发现 | "cron job 的 deliver 默认不推送 Telegram" | - -### 核心字段 - -- **Pattern-Key**：经验记录的分类键，用于识别重复踩坑信号（如 `cron.telegram-delivery`）。**重复出现是系统性问题的警示灯**。 -- **Recurrence-Count**：元数据中的重复次数字段。**最重要的指标之一**——区分一次性偶发错误与需要系统性解决的重复问题。 - -## 使用原则 - -1. **每错必记，但分类要准确**。分类清晰，Pattern-Key 才能真正起作用 -2. **Suggested Action 必须具体到能直接执行**——写 `--to 5038825565`，而非"注意配置格式" -3. **每次复盘检查 Pattern-Key 重复**。同一个 Pattern-Key 出现第二次时，必须追问：上一次解决了吗？为什么又出现？ -4. **Recurrence-Count 是决策依据**：值高意味着需要系统性解决，而非继续记录 - -## 与双层记忆架构的关系 - -Self-Improving-Skill 是[[双层记忆架构]]的第三层（self-improving 层）： - -- **短期记忆层**：每日对话记录文件（`memory/YYYY-MM-DD.md`） -- **长期记忆层**：基于 [[LanceDB]] 的向量数据库（memory-lancedb-pro） -- **self-improving 层**：每日 23:00 定时复盘，将 learnings 写入文件，检查 Pattern-Key 重复 - -三层各司其职：**每日文件管上下文，向量数据库管知识，self-improving 管成长**。 - -## 与每日复盘机制的关系 - -[[每日复盘机制]] 是 self-improving skill 的执行入口。每天 23:00（北京时间）自动执行复盘流程： - -1. 读取当天 memory 文件 -2. 调用 `self_improvement_log` 记录今日学习 -3. 检查是否有 Pattern-Key 与之前重复 -4. 把有价值的经验同步到 memory-lancedb-pro（长期记忆） -5. 通过 Telegram 发送复盘摘要 - -## 效果与价值 - -- **错误只犯一次**：同一个坑第二次就知道怎么修，Recurrence-Count = 2 后再也不会犯 -- **发现静默漏洞**：每日复盘能发现"3月27日没有 memory 文件"这类正常情况下不会主动想到的问题 -- **从单次修正进化到系统性改进**：从"文件保存后要验证"（correction）进化到"建立每日复盘机制"（workflow） -- **区分一次性错误与系统性重复**：Pattern-Key + Recurrence-Count 提供量化决策依据 - -## References -- [[养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]] -- [[每日复盘机制]] -- [[双层记忆架构]] -- [[Pattern-Key]] -- [[Recurrence-Count]] -- [[LEARNINGS.md]] +--- +title: "Self-Improving-Skill" +type: concept +tags: [] +sources: [] +last_updated: 2026-04-17 +--- + +## 定义 +结构化经验记录系统——AI Agent 遇问题时调用 `self_improvement_log` 工具，将经验写入 `LEARNINGS.md` 或 `ERRORS.md`，供后续对话检索应用。 + +## 核心结构 +固定格式的 learning 记录（LRN-[日期]-[序号]）： +```markdown +## [LRN-20260325-001] correction + +**Logged**: 2026-03-25T14:09:53+08:00 +**Priority**: high +**Status**: pending +**Area**: config + +### Summary +一句话描述学到了什么 + +### Details +具体发生了什么、问题出在哪 + +### Suggested Action +以后遇到类似情况该怎么做 + +### Metadata +- Pattern-Key: cron.telegram-delivery +- Recurrence-Count: 1 +- See Also: LRN-20260325-005 +``` + +## 记录类型 +- `correction`：错误修正（如 Telegram chat ID 格式错误） +- `workflow`：流程改进（如 memory 文件创建时机优化） +- `config`：配置发现（如 cron delivery 配置） + +## 关键字段 +- **Pattern-Key**：识别重复踩坑信号，同一 Pattern-Key 第二次出现说明第一次未彻底解决 +- **Recurrence-Count**：重复次数字段，区分一次性错误与系统性重复 + +## 核心价值 +**错误只犯一次，第二次就知道怎么做对。** Suggested Action 必须具体到可直接执行（如 `--to 5038825565`），而非泛泛建议。 + +## 相关 Concept +- [[双层记忆架构]]：Self-Improving 是三层记忆中的最顶层 +- [[每日复盘机制]]：定时触发 Self-Improvement-Log 的执行机制 +- [[Pattern-Key]]：识别系统性重复的关键字段 +- [[Recurrence-Count]]：区分一次性错误与系统性问题的指标 + +## 相关 Entity +- [[OpenClaw]]：提供 cron 定时任务调度能力 +- [[LEARNINGS.md]]：存放结构化经验记录的文件 + +## Aliases +- self-improving skill +- self-improving +- self_improvement_log diff --git a/wiki/concepts/Semantic-Search.md b/wiki/concepts/Semantic-Search.md index 4853a63f..aade36dd 100644 --- a/wiki/concepts/Semantic-Search.md +++ b/wiki/concepts/Semantic-Search.md @@ -1,36 +1,39 @@ ---- -title: "Semantic Search" -type: concept -last_updated: 2026-04-22 ---- - -## Definition - -基于 Embedding 向量模型将文本编码为高维向量，通过向量相似度（如余弦相似度）而非关键词匹配来检索相关内容的搜索方式。相比 BM25/BM25 等传统关键词检索，能捕捉语义层面的相关性，例如"我保存的关于 LLM memory 的内容？"能匹配到讨论 agent 记忆机制的文章，即使两者用词不同。 - -## How It Works - -``` -用户查询 → Embedding 模型编码 → 高维向量 -文档库 → Embedding 模型编码 → 文档向量集合 -↓ -向量相似度计算（ANN 索引）→ Top-K 结果 → LLM 回答 -``` - -## Components - -| 组件 | 说明 | -|------|------| -| Embedding 模型 | text-embedding-3-small、BGE、Sentence-BERT 等 | -| ANN 索引 | FAISS / HNSW / ScaNN，实现十亿级向量近实时检索 | -| 相似度度量 | 余弦相似度 / 点积 / 欧氏距离 | - -## Why It Matters in RAG - -关键词搜索依赖字面匹配，容易漏掉同义词/多义词场景。语义搜索理解查询意图，使 [[Knowledge-Base-RAG]] 返回真正相关结果而非机械的字面匹配。 - -## Connections - -- [[Knowledge-Base-RAG]] — 语义搜索是知识库 RAG 的检索层 -- [[Vector-Embedding]] — 语义搜索的底层编码技术 -- [[Hybrid Search]] — 向量检索 + BM25 关键词检索融合，进一步提升召回率 +--- +title: "Semantic Search" +type: concept +last_updated: 2026-04-27 +--- + +## Definition + +基于 Embedding 向量模型将文本编码为高维向量，通过向量相似度（如余弦相似度）而非关键词匹配来检索相关内容的搜索方式。相比 BM25/BM25 等传统关键词检索，能捕捉语义层面的相关性，例如"我保存的关于 LLM memory 的内容？"能匹配到讨论 agent 记忆机制的文章，即使两者用词不同。 + +## How It Works + +``` +用户查询 → Embedding 模型编码 → 高维向量 +文档库 → Embedding 模型编码 → 文档向量集合 +↓ +向量相似度计算（ANN 索引）→ Top-K 结果 → LLM 回答 +``` + +## Components + +| 组件 | 说明 | +|------|------| +| Embedding 模型 | text-embedding-3-small、BGE、Sentence-BERT 等 | +| ANN 索引 | FAISS / HNSW / ScaNN，实现十亿级向量近实时检索 | +| 相似度度量 | 余弦相似度 / 点积 / 欧氏距离 | + +## Why It Matters in RAG + +关键词搜索依赖字面匹配，容易漏掉同义词/多义词场景。语义搜索理解查询意图，使 [[Knowledge-Base-RAG]] 返回真正相关结果而非机械的字面匹配。 + +## Sources +- [[knowledge-base-rag]] + +## Connections + +- [[Knowledge-Base-RAG]] — 语义搜索是知识库 RAG 的检索层 +- [[Vector-Embedding]] — 语义搜索的底层编码技术 +- [[Hybrid Search]] — 向量检索 + BM25 关键词检索融合，进一步提升召回率 diff --git a/wiki/concepts/Social-Media-Giveaway.md b/wiki/concepts/Social-Media-Giveaway.md new file mode 100644 index 00000000..9285baef --- /dev/null +++ b/wiki/concepts/Social-Media-Giveaway.md @@ -0,0 +1,37 @@ +--- +title: "Social-Media-Giveaway" +type: concept +tags: ["giveaway", "social-media", "automation", "random-selection", "twitter"] +last_updated: 2026-04-27 +--- + +## Overview +Social-Media-Giveaway 是指通过程序化方式从社交媒体（尤其是 X/Twitter）推文的互动用户中随机抽取获奖者的自动化技术，支持多条件筛选。 + +## Definition +利用社交媒体 API 自动提取推文的点赞者、转发者、引用转发者或评论者，从中按预设规则随机抽取获奖者，确保公平性和可验证性。 + +## Key Characteristics +- **随机抽取**：程序化随机选择，确保公平 +- **可配置筛选条件**： + - 最低粉丝数要求（过滤机器人/低质量账号） + - 账号年龄限制（排除新注册账号） + - 关键词要求（确保用户参与质量） +- **自动化**：从数据提取到抽奖结果全程无需人工干预 +- **可验证**：抽奖过程可追溯、可复现 + +## Implementation +在 [[x-twitter-automation]] 中，通过 [[TweetClaw]] 的 Giveaways 功能实现： +1. 通过 API 提取推文的互动用户列表（点赞者/转发者/评论者） +2. 应用筛选条件过滤不满足要求的账号 +3. 随机抽取符合条件的中奖者 +4. 输出中奖者名单供运营者确认 + +## Related Use Cases +- [[x-twitter-automation]] — TweetClaw 提供抽奖功能实现 + +## Sources +- [[x-twitter-automation]] + +## Connections +- [[X/Twitter-API-Automation]] ← powers ← [[Social-Media-Giveaway]]（抽奖功能依赖 API 获取互动用户数据） diff --git a/wiki/concepts/X-Twitter-API-Automation.md b/wiki/concepts/X-Twitter-API-Automation.md new file mode 100644 index 00000000..9f4c49bb --- /dev/null +++ b/wiki/concepts/X-Twitter-API-Automation.md @@ -0,0 +1,29 @@ +--- +title: "X/Twitter-API-Automation" +type: concept +tags: ["twitter", "x", "api", "automation", "social-media"] +last_updated: 2026-04-27 +--- + +## Overview +X/Twitter-API-Automation 是指通过 X/Twitter 官方 API 接口程序化控制 X/Twitter 账号行为，替代手动操作或爬虫方案的技术手段。 + +## Definition +通过 X/Twitter 官方提供的 API 接口，以编程方式执行发帖、回复、点赞、转发、关注、发送私信、搜索、数据提取等操作的自动化技术。 + +## Key Characteristics +- **官方 API**：通过 X/Twitter 托管 API 完成操作，非第三方爬虫 +- **安全性**：无需浏览器 Cookie、无凭证暴露风险 +- **可编程**：支持自然语言指令触发，或预设规则自动执行 +- **多功能**：覆盖发帖互动、搜索提取、抽奖工具、账号监控等场景 + +## Related Use Cases +- [[x-twitter-automation]] — 通过 TweetClaw 实现自然语言驱动的 X/Twitter 全功能自动化 +- [[x-account-analysis]] — 通过 Bird Skill 分析 X 账号内容模式 + +## Sources +- [[x-twitter-automation]] + +## Connections +- [[Social-Media-Giveaway]] ← uses ← [[X/Twitter-API-Automation]]（抽奖功能依赖 API 提取互动用户数据） +- [[Account-Monitoring]] ← uses ← [[X/Twitter-API-Automation]]（监控功能依赖 API 获取账号动态） diff --git a/wiki/concepts/双层记忆架构.md b/wiki/concepts/双层记忆架构.md new file mode 100644 index 00000000..46470f55 --- /dev/null +++ b/wiki/concepts/双层记忆架构.md @@ -0,0 +1,47 @@ +--- +title: "双层记忆架构" +type: concept +tags: [] +sources: [] +last_updated: 2026-04-17 +--- + +## 定义 +AI Agent 的多层次持久化记忆方案，由三层构成： +1. **短期记忆层**：每日对话记录文件（`memory/YYYY-MM-DD.md`） +2. **长期记忆层**：基于 LanceDB 的向量数据库（`memory-lancedb-pro`） +3. **Self-Improving 层**：每日 23:00 定时复盘 + 结构化经验记录 + +## 架构设计 +| 层级 | 存储介质 | 作用 | 检索方式 | +|------|---------|------|---------| +| 短期记忆 | 文件系统（每日文件） | 管上下文 | 文件名/日期 | +| 长期记忆 | LanceDB 向量数据库 | 管知识 | 语义搜索 | +| Self-Improving | LEARNINGS.md | 管成长 | Pattern-Key | + +## 核心理念 +**每日文件管上下文，向量数据库管知识，self-improving 管成长。** + +## 解决的问题 +- AI Agent "每次对话都是一张白纸" 的失忆问题 +- 上下文窗口限制导致的历史信息丢失 +- 重复踩坑（同类错误反复出现） + +## 实际案例 +- 3月27日 memory 文件为空 → 发现"只在第一次对话时创建文件"的漏洞 → 推动修改为"每次 Session 启动时都检查并创建当天文件" +- Telegram chat ID 格式错误只犯了两次就再也没出现 + +## 相关 Concept +- [[Self-Improving-Skill]]：最顶层的成长机制 +- [[每日复盘机制]]：触发 Self-Improving 层的定时任务 +- [[Pattern-Key]]：跨记忆层识别重复问题的信号 +- [[Recurrence-Count]]：区分一次性错误与系统性重复 + +## 相关 Entity +- [[LanceDB]]：长期记忆层的底层引擎 +- [[OpenClaw]]：提供文件系统和定时任务能力 + +## Aliases +- 双层记忆 +- 三层记忆架构 +- memory architecture diff --git a/wiki/concepts/品味作为护城河.md b/wiki/concepts/品味作为护城河.md new file mode 100644 index 00000000..28ade7b9 --- /dev/null +++ b/wiki/concepts/品味作为护城河.md @@ -0,0 +1,32 @@ +--- +title: "品味作为护城河" +type: concept +tags: [AI, 竞争力, 认知框架] +last_updated: 2026-04-27 +--- + +## Definition +AI时代核心竞争力不是掌握AI工具，而是**判断AI产出质量的能力**（品味）。当AI工具被民主化后，品味成为人与人之间最后的护城河。 + +## Core Insight +- 工具民主化：任何人都能用AI写代码、做设计、生成内容 +- 品味不对称：90%的人不知道什么是真正好的 +- 护城河机制：能判断AI给出的10个方案里哪个是insanely great的人，比只会点「生成」按钮的人强一百倍 + +## Origin +乔布斯引用1984年Mac发布桌面出版后的现象：工具民主化后，90%的桌面出版内容丑陋不堪。AI时代面临同样的问题。 + +## Related Concepts +- [[端到端优势]]：品味需要通过完整做事来积累 +- [[死亡过滤器]]：找到真正热爱的领域来培养品味 + +## Examples +- 设计师：能判断10个AI生成的logo里哪个真正好 +- 开发者：能从10个AI代码方案中选出最优雅的 +- 作家：能识别AI生成的文字中哪篇真正有灵魂 + +## Referenced In +- [[不谈技术-普通人该怎么在ai时代赚钱]] + +## Sources +- [[不谈技术-普通人该怎么在ai时代赚钱]] diff --git a/wiki/concepts/死亡过滤器.md b/wiki/concepts/死亡过滤器.md new file mode 100644 index 00000000..a20eb179 --- /dev/null +++ b/wiki/concepts/死亡过滤器.md @@ -0,0 +1,37 @@ +--- +title: "死亡过滤器" +type: concept +tags: [AI, 个人发展, 人生哲学] +last_updated: 2026-04-27 +--- + +## Definition +每天早上对着镜子问自己：**「如果今天是最后一天，我还会做今天要做的事吗？」** —— 用这个过滤器来找到真正值得投入热情的事物，而不是追逐「最赚钱的AI技能」这类别人的问题。 + +## Core Insight +- 别问「什么AI技能最赚钱」—— 这是别人的问题 +- 问自己「我对什么东西有genuine的热爱和curiosity？」 +- 然后用AI把它做到极致 + +## Mechanism +1. 用死亡过滤器对当前所有待办/追求进行过滤 +2. 找到过滤后仍留下来的事物 → 这是真正值得做的事 +3. 将AI能力与真正热爱的事物结合 + +## Examples from the Article +- 喜欢做饭 → 用AI做一个别人从没见过的美食体验 +- 喜欢教小孩 → 用AI做一个让学习变得magical的东西 +- 喜欢某个很窄的领域 → 你的品味+AI的能力 = 独特优势 + +## Origin +乔布斯每天早上使用的自我审视方法，文中用以类比：在AI时代，普通人应该用死亡过滤器找到真正的 passion，然后借助AI的力量将其放大。 + +## Related Concepts +- [[品味作为护城河]]：真正的热爱是培养品味的前提 +- [[端到端优势]]：将热爱转化为端到端的完整产品/服务 + +## Referenced In +- [[不谈技术-普通人该怎么在ai时代赚钱]] + +## Sources +- [[不谈技术-普通人该怎么在ai时代赚钱]] diff --git a/wiki/concepts/每日复盘机制.md b/wiki/concepts/每日复盘机制.md index 2e53cb4e..7e393d79 100644 --- a/wiki/concepts/每日复盘机制.md +++ b/wiki/concepts/每日复盘机制.md @@ -1,58 +1,40 @@ ---- -title: "每日复盘机制" -type: concept -tags: [openclaw, automation, memory, cron] -sources: [养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享] -last_updated: 2026-04-17 ---- - -## Definition - -每日复盘机制是 [[OpenClaw]] 多 Agent 系统中的自动经验总结流程。每天固定时间（23:00 北京时间）通过 cron 任务自动触发，Agent 回顾当天工作、记录学习、更新记忆。核心目标：**在不被要求时主动发现问题和改进机会**。 - -## 执行流程 - -每天 23:00（北京时间），每个 Agent 独立运行自己的复盘流程： - -1. **读取当天 memory 文件**（`memory/YYYY-MM-DD.md`） -2. **调用 `self_improvement_log`** 记录今日学习（分类：correction / workflow / config） -3. **检查 Pattern-Key 重复**——如果发现同一个 Pattern-Key 出现多次，说明该问题需要系统性解决 -4. **把有价值的经验同步到长期记忆**（memory-lancedb-pro 向量数据库） -5. **通过 Telegram 发送复盘摘要** - -## 复盘发现静默漏洞的能力 - -复盘机制的价值不仅在于记录已知错误，更在于**主动发现正常情况下不会想到的问题**。例如： - -- **LRN-20260328-001** 发现：3月27日的 memory 文件是空的——原来设计只在"第一次对话时"创建 memory 文件，如果一整天都没有对话，文件就不会被创建 -- 这个静默漏洞导致第二天 Agent 想读取 3/27 的记录，发现什么都没有 -- **没有复盘，这个漏洞可能永远不会被发现** - -## 与其他组件的关系 - -- **触发器**：[[OpenClaw]] cron 任务系统（`every day at 23:00`） -- **执行工具**：`self_improvement_log` 工具 → 写入 [[LEARNINGS.md]] -- **数据源**：每日对话记录文件（`memory/YYYY-MM-DD.md`） -- **输出目标**：长期记忆向量数据库 + Telegram 摘要 -- **上层机制**：[[Self-Improving-Skill]] - -## 与 Self-Improving-Skill 的关系 - -[[每日复盘机制]] 是 [[Self-Improving-Skill]] 的**执行入口**。Self-Improving-Skill 定义了经验记录的格式和原则，每日复盘机制负责**定期激活**这一流程。两者的关系： - -- Self-Improving-Skill = 记录规范（What to log） -- 每日复盘机制 = 触发时机（When to log） - -## 实践建议 - -- 每个 Agent 独立运行自己的复盘流程 -- 复盘摘要通过 Telegram 发送给用户，保持透明 -- Pattern-Key 出现重复时，必须追问"上一次解决了吗？为什么又出现？" -- 有价值的经验同时写入向量数据库，供语义搜索召回 - -## References -- [[养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]] -- [[Self-Improving-Skill]] -- [[双层记忆架构]] -- [[Pattern-Key]] -- [[OpenClaw]] +--- +title: "每日复盘机制" +type: concept +tags: [] +sources: [] +last_updated: 2026-04-17 +--- + +## 定义 +每天 23:00（北京时间）自动执行的复盘流程——通过 OpenClaw cron 任务实现，每个 Agent 独立运行自己的复盘流程。 + +## 复盘流程（5步） +1. 读取当天的 memory 文件（`memory/YYYY-MM-DD.md`） +2. 调用 `self_improvement_log` 记录今日学习 +3. 检查是否有 Pattern-Key 与之前重复（重复踩坑的信号） +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 + +## 核心价值 +**发现静默漏洞**：没有人会主动去想"3月27日有没有生成 memory 文件"这种问题，但复盘机制会发现它。 + +## Pattern-Key 监控 +- `cron.daily-self-review`：活跃持续优化领域（已出现 9 次） +- `cron.telegram-delivery`：第二次出现即解决 +- `cron.naming-convention`：一次性错误 + +## 相关 Concept +- [[Self-Improving-Skill]]：复盘内容的具体载体 +- [[双层记忆架构]]：复盘机制是三层中的最高层 +- [[Pattern-Key]]：复盘时检查重复踩坑的关键字段 +- [[Recurrence-Count]]：判断问题严重程度的指标 + +## 相关 Entity +- [[OpenClaw]]：提供 cron 定时任务能力 + +## Aliases +- 每日复盘 +- 23:00 复盘 +- self-review +- daily review diff --git a/wiki/concepts/端到端优势.md b/wiki/concepts/端到端优势.md new file mode 100644 index 00000000..a1a6bbd9 --- /dev/null +++ b/wiki/concepts/端到端优势.md @@ -0,0 +1,27 @@ +--- +title: "端到端优势" +type: concept +tags: [AI, 创业思维, 竞争力] +last_updated: 2026-04-27 +--- + +## Definition +不做别人AI流水线上的一个零件，而是用AI做一个完整的产品/服务/解决方案，从头到尾控制——这种「端到端」的做法比在团队中充当单一环节更有价值，也更抗AI替代。 + +## Core Insight +- **零件的宿命**：在AI流水线上当「AI提示词工程师」是最容易被替换的位置 +- **端到端的优势**：一个人用AI做出一个完整的App，比100人团队里当AI提示词工程师强一万倍 +- **控制全链**：从用户需求理解→产品设计→开发→交付→迭代，全部由你控制 + +## Origin +乔布斯引用iPod的成功：不是因为有最好的MP3解码器，而是因为有从iTunes（内容生态）→ iPod（硬件）→ iTunes Store（商业闭环）的完整体验。 + +## Related Concepts +- [[品味作为护城河]]：端到端做事的品味决定产品质量 +- [[死亡过滤器]]：找到真正想做的端到端项目 + +## Referenced In +- [[不谈技术-普通人该怎么在ai时代赚钱]] + +## Sources +- [[不谈技术-普通人该怎么在ai时代赚钱]] diff --git a/wiki/entities/AionUi.md b/wiki/entities/AionUi.md index 289b4bb1..2fcb760e 100644 --- a/wiki/entities/AionUi.md +++ b/wiki/entities/AionUi.md @@ -1,52 +1,31 @@ ---- -title: "AionUi" -type: entity -tags: [] -sources: [] -last_updated: 2026-04-22 ---- - -# AionUi - -免费开源的桌面多 Agent 应用（macOS/Windows/Linux），将 OpenClaw 作为一等公民 Agent 运行，同时支持 Claude Code、Codex、Qwen Code 等 12+ 外部 Agent 的统一接入。 - -## Aliases -- AionUi -- Aion UI - -## 核心能力 - -### Cowork 工作空间 -提供文件感知的工作界面，用户可直接看到 Agent 读写文件、运行命令、浏览网页——而非仅终端日志输出。OpenClaw 作为 Cowork Agent 运行，享有完整可视化操作体验。 - -### OpenClaw 远程救援专家 -内置 OpenClaw 部署专家助手，可通过 Telegram 或 WebUI 远程访问，执行以下修复操作： -- 运行 `openclaw doctor` 诊断问题 -- 修复配置文件 -- 重启 Gateway 服务 - -这对在另一台机器或无头（headless）模式下运行 OpenClaw 的用户尤为重要——当 OpenClaw 无法连接时，不再需要物理访问该机器。 - -### 多 Agent 统一管理 -- 在同一应用中并行运行 OpenClaw + 内置 Agent（Gemini/OpenAI/Anthropic/Ollama）+ Claude Code + Codex 等 -- 切换 Agent 或并行运行，无需重复配置 -- **MCP 一次配置，所有 Agent 共享**：在 AionUi 中配置 MCP 服务器，自动同步到 OpenClaw 和所有其他 Agent - -### 远程访问 -支持 WebUI、Telegram、Lark、DingTalk 多渠道远程连接同一个 AionUi 实例（及 OpenClaw）。 - -### 自动化调度 -AionUi Cron 可定时运行 OpenClaw 或其他 Agent，执行 24/7 自动化任务。 - -## 安装与配置 - -1. 从 [AionUi Releases](https://github.com/iOfficeAI/AionUi/releases) 下载安装 -2. 安装 OpenClaw（如尚未安装）：`npm install -g openclaw@latest` -3. 可选安装守护进程：`openclaw onboard --install-daemon` -4. 打开 AionUi，自动检测 OpenClaw（或使用内置 OpenClaw Setup 助手引导） -5. 创建 Cowork Session，选择 OpenClaw，即可使用 - -## 相关链接 -- [AionUi GitHub](https://github.com/iOfficeAI/AionUi) -- [AionUi Website](https://www.aionui.com) -- [OpenClaw GitHub](https://github.com/openclaw/openclaw) +--- +title: "AionUi" +type: entity +tags: [ai-agent, desktop-app, multi-agent] +sources: [aionui-cowork-desktop] +last_updated: 2026-04-27 +--- + +## Overview + +AionUi 是一款免费开源的桌面应用程序，支持 12+ AI Agent（OpenClaw、Claude Code、Codex、Qwen Code 等）以一等公民身份共存于同一个工作空间。Cowork UI 可视化展示 Agent 的文件读写、终端命令、网页浏览等操作全过程，内置 OpenClaw 部署专家支持远程诊断与修复。 + +## Key Features +- **OpenClaw 一等公民集成**：自动检测 OpenClaw，提供可视化 Cowork 工作空间 +- **远程 OpenClaw 救援**：通过 Telegram/WebUI 远程接入，使用内置部署专家执行 `openclaw doctor`、修复配置、重启 gateway +- **多 Agent 统一管理**：OpenClaw/Claude Code/Codex 等 12+ Agent 共存，切换或并行运行 +- **MCP 一次配置全局共享**：在 AionUi 中配置一次 MCP Server，自动同步至所有 Agent +- **多通道远程接入**：WebUI、Telegram、Lark、DingTalk +- **定时任务调度**：内置 Cron 可调度 Agent 执行 24/7 自动化任务 + +## Related Entities +- [[OpenClaw]]：核心被集成 Agent +- [[Claude-Code]]：共存 Agent +- [[Codex]]：共存 Agent +- [[MCP]]：共享的工具协议 + +## Related Concepts +- [[Cowork-UI]]：AionUi 提供的可视化协作界面 +- [[Remote-Rescue]]：远程 OpenClaw 诊断修复能力 +- [[Multi-Agent-Unified-MCP]]：跨 Agent 统一 MCP 配置机制 +- [[OpenClaw-Deployment-Expert]]：内置的 OpenClaw 安装与修复引导工具 diff --git a/wiki/entities/Claude-Code.md b/wiki/entities/Claude-Code.md new file mode 100644 index 00000000..0e5d40fa --- /dev/null +++ b/wiki/entities/Claude-Code.md @@ -0,0 +1,21 @@ +--- +title: "Claude Code" +type: entity +tags: [ai-agent, coding] +sources: [aionui-cowork-desktop] +last_updated: 2026-04-27 +--- + +## Overview + +Claude Code 是 Anthropic 推出的 AI 编程 Agent，支持在终端中完成代码编写、调试、重构等开发任务。与 OpenClaw 共存于 AionUi 桌面应用中，共享统一 MCP 配置。 + +## Key Characteristics +- **终端原生编程**：在 CLI 环境中完成完整开发任务 +- **多 Agent 共存**：与 OpenClaw、Codex 等 12+ Agent 共存于 AionUi +- **统一 MCP 配置**：通过 AionUi 一次配置，所有 Agent 共享同一 MCP Server + +## Related Entities +- [[OpenClaw]]：共存 Agent +- [[Codex]]：共存 Agent +- [[AionUi]]：桌面运行环境 diff --git a/wiki/entities/Codex.md b/wiki/entities/Codex.md new file mode 100644 index 00000000..dbf944ff --- /dev/null +++ b/wiki/entities/Codex.md @@ -0,0 +1,21 @@ +--- +title: "Codex" +type: entity +tags: [ai-agent, coding] +sources: [aionui-cowork-desktop] +last_updated: 2026-04-27 +--- + +## Overview + +Codex 是 OpenAI 推出的 AI 编程 Agent，支持代码生成、补全和解释。与 OpenClaw 共存于 AionUi 桌面应用中，共享统一 MCP 配置。 + +## Key Characteristics +- **代码生成与补全**：基于 GPT 模型提供编程辅助 +- **多 Agent 共存**：与 OpenClaw、Claude Code 等 12+ Agent 共存于 AionUi +- **统一 MCP 配置**：通过 AionUi 一次配置，所有 Agent 共享同一 MCP Server + +## Related Entities +- [[OpenClaw]]：共存 Agent +- [[Claude-Code]]：共存 Agent +- [[AionUi]]：桌面运行环境 diff --git a/wiki/entities/LanceDB.md b/wiki/entities/LanceDB.md new file mode 100644 index 00000000..00edf293 --- /dev/null +++ b/wiki/entities/LanceDB.md @@ -0,0 +1,26 @@ +--- +title: "LanceDB" +type: entity +tags: [] +sources: [] +last_updated: 2026-04-17 +--- + +## 基本信息 +- **类型**: 向量数据库 +- **官网**: https://lancedb.com +- **许可**: Apache 2.0 + +## 描述 +嵌入式向量数据库，为 memory-lancedb-pro 提供底层语义搜索能力。与短期文件记忆配合，构成双层记忆架构的长期记忆层。 + +## 在 OpenClaw 中的应用 +- 存储重要的用户决策、偏好、反复使用的流程 +- 通过语义搜索快速检索相关记忆 +- 与每日文件记忆（短期）互补 + +## 相关 Entity +- [[OpenClaw]]：使用 LanceDB 作为长期记忆存储的 Agent 框架 + +## Aliases +- LanceDB diff --git a/wiki/entities/Mac.md b/wiki/entities/Mac.md new file mode 100644 index 00000000..1b8845bd --- /dev/null +++ b/wiki/entities/Mac.md @@ -0,0 +1,24 @@ +--- +title: "Mac" +type: entity +tags: [Apple, 历史, AI类比] +last_updated: 2026-04-27 +--- + +## Overview +Apple于1984年发布的革命性个人电脑产品。本文使用Mac作为「品味不会随工具民主化而普及」的经典案例。 + +## Aliases +- Apple Macintosh +- 麦金塔 + +## Key Role in This Context +Mac通过图形用户界面和桌面出版功能，使原本需要专业技能的排版工作民主化——但结果是：90%的人用桌面出版做出来的东西丑得要命。 + +这一案例被引用来说明：AI同样使写作、编程、设计民主化，但90%用AI生成的内容是shit，因为**品味没有民主化**。 + +## Referenced In +- [[不谈技术-普通人该怎么在ai时代赚钱]] + +## Sources +- [[不谈技术-普通人该怎么在ai时代赚钱]] diff --git a/wiki/entities/McpServer.md b/wiki/entities/McpServer.md index d0952166..2f578891 100644 --- a/wiki/entities/McpServer.md +++ b/wiki/entities/McpServer.md @@ -2,7 +2,7 @@ title: "MCP Server" type: entity tags: [mcp, ai-agent, server, protocol] -sources: [mcp在cursor中的集成与应用详解] +sources: [mcp在cursor中的集成与应用详解, aionui-cowork-desktop] last_updated: 2026-04-26 --- diff --git a/wiki/entities/Memsearch.md b/wiki/entities/Memsearch.md index 359a89ff..086b04d2 100644 --- a/wiki/entities/Memsearch.md +++ b/wiki/entities/Memsearch.md @@ -1,42 +1,31 @@ ---- -title: "memsearch" -type: entity -tags: [vector-search, semantic-search, openclaw, milvus] -sources: [semantic-memory-search] -last_updated: 2026-04-22 ---- - -## Aliases -- memsearch - -## Definition - -memsearch（ZillizTech/memsearch）是开源的向量语义搜索 CLI/库，专为 OpenClaw 等 Markdown 记忆系统设计，通过 Milvus 向量数据库实现语义搜索能力。用户可用自然语言提问而无需精确关键词。 - -## Key Features - -- **混合搜索**：稠密向量（语义相似性）+ BM25（关键词精确匹配），通过 Reciprocal Rank Fusion (RRF) 重排 -- **增量索引**：SHA-256 内容哈希确保仅新增或变更内容被重新嵌入，节省 API 调用 -- **文件监视器**：`memsearch watch` 实时监控记忆文件变化，自动重建索引 -- **多 Embedding 提供商**：支持 OpenAI、Google、Voyage、Ollama，以及完全本地模式（无需 API Key） -- **Markdown 不可变**：原始 Markdown 文件是唯一真相，向量索引是派生缓存，可随时重建 - -## Usage - -```bash -pip install memsearch -memsearch config init -memsearch index ~/path/to/memory/ -memsearch search "what caching solution did we pick?" -memsearch watch ~/path/to/memory/ -# 本地模式（无需 API Key） -pip install "memsearch[local]" -memsearch config set embedding.provider local -memsearch index ~/path/to/memory/ -``` - -## Connections -- [[Milvus]] — 向量数据库后端 -- [[OpenClaw]] — 上层应用框架，memsearch 为其 Markdown 记忆提供语义搜索 -- [[Hybrid Search]] — memsearch 使用的搜索策略 -- [[Content Hashing]] — memsearch 的增量索引机制 +--- +title: "memsearch" +type: entity +tags: [tool, vector-search, open-source] +--- + +## Overview +memsearch 是一个基于 Milvus 向量数据库的语义搜索 CLI/库，为 Markdown 文件提供语义搜索能力。由 ZillizTech 开发。 + +## Key Features +- 向量语义搜索 + BM25 全文搜索 + RRF 重排 +- SHA-256 内容哈希实现增量索引 +- 文件监控自动重索引 +- 支持多种嵌入提供商：OpenAI、Google、Voyage、Ollama、本地模式 + +## GitHub +https://github.com/zilliztech/memsearch + +## Documentation +https://zilliztech.github.io/memsearch/ + +## Related Entities +- [[OpenClaw]] — 被 memsearch 增强的记忆系统 +- [[Milvus]] — 底层向量数据库 +- [[memsearch]] ← built_on ← [[Milvus]] +- [[memsearch]] ← enhances ← [[OpenClaw]] + +## Related Concepts +- [[HybridSearch]] — memsearch 使用的搜索方法 +- [[RRF-Reranking]] — memsearch 使用的重排机制 +- [[IncrementalIndexing]] — memsearch 的索引优化 diff --git a/wiki/entities/Milvus.md b/wiki/entities/Milvus.md index ece6d7a6..0fc0b016 100644 --- a/wiki/entities/Milvus.md +++ b/wiki/entities/Milvus.md @@ -1,32 +1,25 @@ ---- -title: "Milvus" -type: entity -tags: [vector-db, embedding, rag, open-source] -sources: [semantic-memory-search] -last_updated: 2026-04-22 ---- - -## Aliases -- Milvus - -## Definition - -Milvus 是开源的分布式向量数据库，专为相似性搜索场景设计，支持十亿级向量数据的存储与检索。是 [[memsearch]] 的底层向量存储和检索引擎。 - -## Key Characteristics - -- **高维向量检索**：支持 ANN（近似最近邻）索引如 HNSW、IVF、PQ，实现毫秒级检索 -- **多索引类型**：HNSW（高召回高速度）、IVF（聚类加速）、PQ（压缩存储） -- **分布式架构**：支持水平扩展，处理海量向量 -- **多语言 SDK**：Python、Go、Java、RESTful API -- **元数据过滤**：支持在向量检索的同时做属性过滤 - -## Role in RAG Stack - -Milvus 作为向量数据库负责存储文档 Embedding 向量，在 [[Knowledge-Base-RAG]] 和 [[semantic-memory-search]] 场景中是检索层的核心基础设施。 - -## Connections -- [[memsearch]] — 使用 Milvus 作为向量后端的语义搜索库 -- [[Vector-Embedding]] — Milvus 存储的向量来源 -- [[Knowledge-Base-RAG]] — Milvus 作为知识库的向量存储层 -- [[semantic-memory-search]] — Milvus 为 OpenClaw 记忆提供向量检索能力 +--- +title: "Milvus" +type: entity +tags: [database, vector-database, open-source] +--- + +## Overview +Milvus 是一个开源向量数据库，专为高速向量相似度搜索设计。支持十亿级向量规模，提供多种索引类型（IVF、HNSW 等）。 + +## Key Features +- 高性能向量相似度搜索 +- 支持多种索引类型 +- 水平扩展能力 +- 混合搜索支持（向量 + 结构化数据） + +## Website +https://milvus.io/ + +## Related Entities +- [[memsearch]] — 基于 Milvus 的语义搜索工具 +- [[memsearch]] ← built_on ← [[Milvus]] + +## Related Concepts +- [[VectorSearch]] — 向量搜索技术 +- [[RAG]] — 检索增强生成 diff --git a/wiki/entities/OpenClaw.md b/wiki/entities/OpenClaw.md index e440345c..5b4acc78 100644 --- a/wiki/entities/OpenClaw.md +++ b/wiki/entities/OpenClaw.md @@ -1,31 +1,30 @@ --- title: "OpenClaw" type: entity -tags: [ai-agent, memory, workflow] -sources: [万字讲透openclaw-workspace深度解析-2026-03-21, 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, 养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享, 养虾日记1-我用-openclaw-管了-28-万张照片-一次真实的多设备照片整理实战, 养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统, macos-创建与解除-symbolic-link-openclaw-目录映射, multi-channel-assistant] -last_updated: +tags: [] +sources: [] +last_updated: 2026-04-17 --- -## Overview +## 基本信息 +- **类型**: AI Agent 框架 / 产品 +- **官网**: https://openclaw.ai +- **作者/公司**: OpenClawAI -OpenClaw 是一个具有持久记忆能力的 AI Agent 管理框架，默认使用隐藏目录 `~/.openclaw` 存储记忆、Skills、Prompts、日志等数据。支持通过符号链接将隐藏目录映射为可见目录（如 `~/openclaw`），以便 Finder 或 Obsidian 直接访问。 +## 描述 +多 Agent 协同管理框架，支持通过 cron 任务系统实现定时复盘，支持 Telegram/Discord 等多平台通知。运行于 Mac Mini 作为中央控制节点，管理多个 AI Agent 协同工作。 + +## 核心功能 +- 多 Agent 生命周期管理 +- cron 定时任务调度 +- Telegram/Discord 通知推送 +- 目录映射（Symbolic Link 支持） +- skill 安装与管理（ClawHub） +- 持久化记忆系统（短期文件 + 长期向量数据库） + +## 相关 Entity +- [[LanceDB]]：长期记忆向量数据库 +- [[LEARNINGS.md]]：结构化经验记录文件 ## Aliases -- OpenClaw Workspace -- OpenClaw Agent Framework - -## Key Characteristics -- **持久记忆**：三层记忆架构（短期文件 + 长期向量数据库 + self-improving 复盘） -- **多渠道入口**：Telegram / Discord / SMS / 电话等 -- **n8n 工作流编排**：支持复杂工作流自动化 -- **符号链接支持**：通过 `ln -s ~/.openclaw ~/openclaw` 实现目录可见化 - -## Related Entities -- [[Obsidian]]：与 OpenClaw 通过 SymbolicLink 共用数据目录 -- [[HermesAgent]]：同类 AI Agent 框架 -- [[n8n]]：OpenClaw 的工作流编排集成 - -## Related Concepts -- [[SymbolicLink]]：OpenClaw 目录可见化的核心技术 -- [[Self-Improving-Skill]]：OpenClaw 的自改进机制 -- [[SecondBrain]]：OpenClaw 构建的个人第二大脑 +- OpenClawAI diff --git a/wiki/entities/TweetClaw.md b/wiki/entities/TweetClaw.md index aaa11113..bdcec4e6 100644 --- a/wiki/entities/TweetClaw.md +++ b/wiki/entities/TweetClaw.md @@ -1,36 +1,36 @@ ---- -title: "TweetClaw" -type: entity -tags: ["openclaw", "twitter", "x", "plugin", "automation"] -last_updated: 2026-04-17 ---- - -## Overview -TweetClaw 是 OpenClaw 的 X/Twitter 插件，通过 @xquik/tweetclaw npm 包安装，将 Agent 连接到 X/Twitter 官方托管 API，实现自然语言驱动的全功能 X/Twitter 操作。 - -## Type -- **Plugin**（OpenClaw Plugin） - -## Key Capabilities -- **Post & Engage**：发帖、回复推文、点赞、转发、关注/取消关注、发送私信 -- **Search & Extract**：搜索推文和用户，提取关注者、点赞者、转发者、引用推文者、列表成员 -- **Giveaways**：从推文互动用户中随机抽取获奖者，支持可配置筛选条件（最低粉丝数、账号年龄、关键词要求） -- **Monitors**：监控指定账号的新推文或粉丝变化并发送通知 - -## Installation -```text -openclaw plugins install @xquik/tweetclaw -``` - -## Related Links -- [GitHub Repository](https://github.com/Xquik-dev/tweetclaw) -- [npm Package](https://www.npmjs.com/package/@xquik/tweetclaw) - -## Connections -- [[OpenClaw]] — TweetClaw 的宿主平台，通过 OpenClaw Plugin 系统安装和运行 -- [[x-twitter-automation]] — TweetClaw 的应用场景，通过该插件实现 X/Twitter 全功能自动化 -- [[Xquik-dev]] — TweetClaw 的开发公司 - -## Notes -- 所有 API 操作通过 TweetClaw 托管服务完成，无需浏览器 Cookie、无爬虫脚本、无凭证暴露 -- 与 [[n8n-workflow-orchestration]] 互补：n8n 可作为凭证托管层，TweetClaw 提供具体 API 操作能力 +--- +title: "TweetClaw" +type: entity +tags: ["openclaw", "twitter", "x", "plugin", "automation"] +last_updated: 2026-04-27 +--- + +## Overview +TweetClaw 是 OpenClaw 的 X/Twitter 插件，通过 @xquik/tweetclaw npm 包安装，将 Agent 连接到 X/Twitter 官方托管 API，实现自然语言驱动的全功能 X/Twitter 操作。 + +## Type +- **Plugin**（OpenClaw Plugin） + +## Key Capabilities +- **Post & Engage**：发帖、回复推文、点赞、转发、关注/取消关注、发送私信 +- **Search & Extract**：搜索推文和用户，提取关注者、点赞者、转发者、引用推文者、列表成员 +- **Giveaways**：从推文互动用户中随机抽取获奖者，支持可配置筛选条件（最低粉丝数、账号年龄、关键词要求） +- **Monitors**：监控指定账号的新推文或粉丝变化并发送通知 + +## Installation +```text +openclaw plugins install @xquik/tweetclaw +``` + +## Related Links +- [GitHub Repository](https://github.com/Xquik-dev/tweetclaw) +- [npm Package](https://www.npmjs.com/package/@xquik/tweetclaw) + +## Connections +- [[OpenClaw]] — TweetClaw 的宿主平台，通过 OpenClaw Plugin 系统安装和运行 +- [[x-twitter-automation]] — TweetClaw 的应用场景，通过该插件实现 X/Twitter 全功能自动化 +- [[Xquik-dev]] — TweetClaw 的开发公司 + +## Notes +- 所有 API 操作通过 TweetClaw 托管服务完成，无需浏览器 Cookie、无爬虫脚本、无凭证暴露 +- 与 [[n8n-workflow-orchestration]] 互补：n8n 可作为凭证托管层，TweetClaw 提供具体 API 操作能力 diff --git a/wiki/entities/Xquik-dev.md b/wiki/entities/Xquik-dev.md new file mode 100644 index 00000000..47bc1e50 --- /dev/null +++ b/wiki/entities/Xquik-dev.md @@ -0,0 +1,23 @@ +--- +title: "Xquik-dev" +type: entity +tags: ["twitter", "x", "plugin", "openclaw", "github"] +last_updated: 2026-04-27 +--- + +## Overview +Xquik-dev 是 TweetClaw 的开发公司/团队，维护 TweetClaw 的 GitHub 仓库（Xquik-dev/tweetclaw）和 npm 包（@xquik/tweetclaw）。 + +## Type +- **Company / Developer**（个人或小团队） + +## Key Products +- **@xquik/tweetclaw**：OpenClaw X/Twitter 插件 npm 包，通过 `openclaw plugins install @xquik/tweetclaw` 安装 + +## Related Links +- [GitHub Repository](https://github.com/Xquik-dev/tweetclaw) +- [npm Package](https://www.npmjs.com/package/@xquik/tweetclaw) + +## Connections +- [[TweetClaw]] — Xquik-dev 开发并维护的 OpenClaw 插件 +- [[x-twitter-automation]] — x-twitter-automation 的核心技术依赖 diff --git a/wiki/entities/gog-CLI.md b/wiki/entities/gog-CLI.md index d41ab256..cafd81bb 100644 --- a/wiki/entities/gog-CLI.md +++ b/wiki/entities/gog-CLI.md @@ -1,48 +1,49 @@ ---- -title: "gog CLI" -type: entity -tags: [google-workspace, cli, macos] -last_updated: 2026-03-15 ---- - -# gog CLI - -## Overview -gog CLI（gogcli）是由 steipete 开发的 Google Workspace 命令行管理工具，通过 Homebrew 安装（`brew install steipete/tap/gogcli`），输出路径为 `/opt/homebrew/bin/gog`。支持 Gmail、Google Calendar、Google Drive、Google Contacts、Google Docs、Google Sheets 全套服务的管理。 - -## Aliases -- gogcli -- gog CLI -- Gog CLI - -## Details - -| 属性 | 值 | -|------|-----| -| 类型 | 产品 / 工具 | -| 作者 | steipete | -| GitHub | github.com/steipete/gogcli | -| 官网 | gogcli.sh | -| 平台 | macOS（Homebrew） | -| 认证方式 | OAuth 2.0 | - -## Supported Services -- **Gmail**：搜索、发送、创建草稿 -- **Google Calendar**：查看事件、创建事件 -- **Google Drive**：搜索文件 -- **Google Contacts**：列出联系人 -- **Google Sheets**：获取/更新数据 -- **Google Docs**：导出文档、查看内容 - -## Key Dependencies -- **OAuth 凭证**：需要从 Google Cloud Console 下载 `credentials.json` 并放置到 `~/Library/Application Support/gogcli/credentials.json` -- **Google Cloud Console**：用于创建 OAuth 客户端 ID 和启用各 API 服务 -- **测试用户白名单**：首次授权需要将 Google 账号邮箱添加到 OAuth 客户端的测试用户列表 - -## Related Entities -- [[Google]] — Google 公司 -- [[personal-crm]] — 使用 gog CLI 提供 Gmail 和 Calendar 数据 -- [[multi-channel-assistant]] — 整合 Google Workspace（gog） - -## Related Sources -- [[gog-cli-安装配置指南]] — 完整安装与配置指南 +--- +title: "gog CLI" +type: entity +tags: [google-workspace, cli, macos] +last_updated: 2026-03-15 +--- + +# gog CLI + +## Overview +gog CLI（gogcli）是由 steipete 开发的 Google Workspace 命令行管理工具，通过 Homebrew 安装（`brew install steipete/tap/gogcli`），输出路径为 `/opt/homebrew/bin/gog`。支持 Gmail、Google Calendar、Google Drive、Google Contacts、Google Docs、Google Sheets 全套服务的管理。 + +## Aliases +- gogcli +- gog CLI +- Gog CLI + +## Details + +| 属性 | 值 | +|------|-----| +| 类型 | 产品 / 工具 | +| 作者 | steipete | +| GitHub | github.com/steipete/gogcli | +| 官网 | gogcli.sh | +| 平台 | macOS（Homebrew） | +| 认证方式 | OAuth 2.0 | + +## Supported Services +- **Gmail**：搜索、发送、创建草稿 +- **Google Calendar**：查看事件、创建事件 +- **Google Drive**：搜索文件 +- **Google Contacts**：列出联系人 +- **Google Sheets**：获取/更新数据 +- **Google Docs**：导出文档、查看内容 + +## Key Dependencies +- **OAuth 凭证**：需要从 Google Cloud Console 下载 `credentials.json` 并放置到 `~/Library/Application Support/gogcli/credentials.json` +- **Google Cloud Console**：用于创建 OAuth 客户端 ID 和启用各 API 服务 +- **测试用户白名单**：首次授权需要将 Google 账号邮箱添加到 OAuth 客户端的测试用户列表 + +## Related Entities +- [[Google]] — Google 公司 +- [[personal-crm]] — 使用 gog CLI 提供 Gmail 和 Calendar 数据 +- [[multi-channel-assistant]] — 整合 Google Workspace（gog） + +## Related Sources +- [[gog-cli-安装配置指南]] — 完整安装与配置指南 +- [[personal-crm]] — 使用 gog CLI 提供 Gmail 和 Calendar 数据 diff --git a/wiki/entities/iPod.md b/wiki/entities/iPod.md new file mode 100644 index 00000000..62b06a4b --- /dev/null +++ b/wiki/entities/iPod.md @@ -0,0 +1,24 @@ +--- +title: "iPod" +type: entity +tags: [Apple, 产品, AI类比] +last_updated: 2026-04-27 +--- + +## Overview +Apple于2001年推出的数字音乐播放器产品。本文使用iPod作为「端到端思维」成功的经典案例。 + +## Aliases +- iPod Classic +- 苹果音乐播放器 + +## Key Role in This Context +乔布斯在文中指出：iPod成功不是因为有最好的MP3解码器，而是因为构建了从iTunes（内容生态）→ iPod（硬件设备）→ iTunes Store（商业闭环）的完整用户体验。 + +这一案例被引用来说明：**不要做一个AI流水线上的零件，而要用AI做一个完整的产品/服务/解决方案，从头到尾控制**。 + +## Referenced In +- [[不谈技术-普通人该怎么在ai时代赚钱]] + +## Sources +- [[不谈技术-普通人该怎么在ai时代赚钱]] diff --git a/wiki/entities/乔布斯.skill.md b/wiki/entities/乔布斯.skill.md new file mode 100644 index 00000000..480f997e --- /dev/null +++ b/wiki/entities/乔布斯.skill.md @@ -0,0 +1,31 @@ +--- +title: "乔布斯.skill" +type: entity +tags: [AI, 财富思维, 个人发展] +last_updated: 2026-04-27 +--- + +## Overview +乔布斯.skill 是一个以乔布斯口吻阐述AI时代财富认知的署名文章/技能（skill）。核心贡献：以乔布斯真实产品案例（Mac、iPod、iTunes）类比AI时代个人发展策略。 + +## Aliases +- Jobs.skill +- 乔布斯技能 + +## Key Positions +- AI时代普通人应从「学AI技能」的被动思维转变为「AI让我能做到什么」的主动框架 +- 工具不值钱，品味值钱：1984年Mac使桌面出版民主化，但90%产出丑陋；AI同理，品味才是护城河 +- 端到端做事：iPod成功在于iTunes+iPod+iTunes Store完整体验，而非最好的MP3解码器 +- 死亡过滤器：用「如果今天是最后一天」找到真正热爱，与AI结合做到极致 + +## Key Quotes +- "工具民主化了，但品味没有民主化。" +- "别做别人AI流水线上的一个螺丝钉，因为螺丝钉是最容易被替换的。" +- "一个人用AI做出一个完整的App，比一个100人的团队里当AI提示词工程师强一万倍。" +- "AI不会让普通人变富。AI会让那些知道自己要做什么、并且对品质有执念的人变得极其强大。" + +## Referenced In +- [[不谈技术-普通人该怎么在ai时代赚钱]] + +## Sources +- [[不谈技术-普通人该怎么在ai时代赚钱]] diff --git a/wiki/index.md b/wiki/index.md index f87604c0..890b14d3 100644 --- a/wiki/index.md +++ b/wiki/index.md @@ -4,6 +4,22 @@ - [Overview](overview.md) — living synthesis ## Sources +- [2026-04-27] [不谈技术：普通人该怎么在AI时代赚钱？](sources/不谈技术-普通人该怎么在ai时代赚钱.md) +- [2026-04-27] [养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统](sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md) +- [2026-04-27] [养龙虾5天血泪史：我的AI Agent为什么总失忆？OpenClaw 记忆调试全记录](sources/养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录.md) +- [2026-04-27] [养虾日记1：我用 OpenClaw 管了 28 万张照片：一次真实的多设备照片整理实战](sources/养虾日记1-我用-openclaw-管了-28-万张照片-一次真实的多设备照片整理实战.md) +- [2026-04-27] [养虾日记2：让Agent更懂你：OpenClaw + Self-Improving 复盘实战案例分享](sources/养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享.md) +- [2026-04-27] [X Account Analysis](sources/x-account-analysis.md) +- [2026-04-27] [Phone Call Notifications](sources/phone-call-notifications.md) +- [2026-04-27] [Autonomous Educational Game Development Pipeline](sources/autonomous-game-dev-pipeline.md) +- [2026-04-27] [arXiv Paper Reader](sources/arxiv-paper-reader.md) +- [2026-04-27] [Semantic Memory Search](sources/semantic-memory-search.md) +- [2026-04-27] [OpenClaw as Desktop Cowork (AionUi) — Remote Rescue & Multi-Agent Hub](sources/aionui-cowork-desktop.md) +- [2026-04-27] [Family Calendar Aggregation & Household Assistant](sources/family-calendar-household-assistant.md) +- [2026-04-27] [Multi-Source Tech News Digest](sources/multi-source-tech-news-digest.md) +- [2026-04-27] [X/Twitter Automation from Chat](sources/x-twitter-automation.md) +- [2026-04-27] [Personal Knowledge Base (RAG)](sources/knowledge-base-rag.md) +- [2026-04-27] [Personal CRM with Automatic Contact Discovery](sources/personal-crm.md) - [2026-04-27] [YouTube Content Pipeline](sources/youtube-content-pipeline.md) - [2026-04-27] [Polymarket Autopilot: Automated Paper Trading](sources/polymarket-autopilot.md) - [2026-04-27] [Goal-Driven Autonomous Tasks](sources/overnight-mini-app-builder.md) @@ -45,7 +61,7 @@ - [2026-04-26] [万字讲透OpenClaw Workspace深度解析](sources/万字讲透openclaw-workspace深度解析-2026-03-21.md) - [2026-04-26] [How to get Youtube Channel ID](sources/how-to-get-youtube-channel-id.md) - [2026-04-26] [TikTok PM - Python Django 项目](sources/tiktok-pm-python-django-project.md) -- [2026-04-26] [Dataview——让我从"笔记黑洞"里逃出来的 Obsidian 神器](sources/dataview-让我从"笔记黑洞"里逃出来的-obsidian-神器-1.md) +- [2026-04-26] [Dataview——让我从笔记黑洞里逃出来的 Obsidian 神器](sources/dataview-让我从"笔记黑洞"里逃出来的-obsidian-神器-1.md) - [2026-04-26] [Obsidian 高效指南：我常用的插件与实用技巧](sources/obsidian-高效指南-我常用的插件与实用技巧.md) - [2026-04-26] [Obsidian最有必要安装的10款插件是这些](sources/obsidian最有必要安装的10款插件是这些.md) - [2026-04-26] [Obsidian Tasks 插件：这可能是最适合懒人的任务管理方式](sources/obsidian-tasks-插件-这可能是最适合懒人的任务管理方式.md) @@ -119,13 +135,8 @@ - [TikTok Shop - Apache Superset Dashboard设计思路](sources/tiktok-shop-apache-superset-dashboard设计思路.md) - [TK美国面单授权及操作流程](sources/tk美国面单授权及操作流程.md) - [Scrapy + Playwright 抓取TikTok Shop Data](sources/scrapy-playwright-抓取tiktok-shop-data.md) -- [养龙虾5天血泪史：我的AI Agent为什么总失忆？OpenClaw 记忆调试全记录](sources/养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录.md) - [养虾日记5：深夜与苏轼聊AI，他说：被浪打下去还能爬起来的才叫风流](sources/养虾日记5-深夜与苏轼聊ai-他说-被浪打下去还能爬起来的才叫风流.md) - [养虾日记4：一次「Context Limit Exceeded」错误排查：我以为是小问题，结果踩了大坑](sources/养虾日记4-一次「context-limit-exceeded」错误排查-我以为是小问题-结果踩了大坑.md) -- [养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统](sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md) -- [养虾日记2：让Agent更懂你：OpenClaw + Self-Improving 复盘实战案例分享](sources/养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享.md) -- [养虾日记1：我用 OpenClaw 管了 28 万张照片：一次真实的多设备照片整理实战](sources/养虾日记1-我用-openclaw-管了-28-万张照片-一次真实的多设备照片整理实战.md) -- [不谈技术：普通人该怎么在AI时代赚钱？](sources/不谈技术-普通人该怎么在ai时代赚钱.md) - [我做了个 Skill：让 AI 帮你生成 Logo 和图标](sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md) - [fireworks-tech-graph](sources/fireworks-tech-graph.md) - [Blogwatcher Daily 技能收藏](sources/blogwatcher-daily收藏.md) @@ -246,17 +257,6 @@ - [CTP Topic 14 Octane Hub on AWS Real Life Experience Moving Production Services](sources/ctp-topic-14-octane-hub-on-aws-real-life-experience-moving-production-services-i.md) - [CTP Topic 10 AWS Landing Zone (LZ) Data Collection, Tagging Related Security](sources/ctp-topic-10-aws-landing-zone-lz-data-collection-tagging-related-security.md) - [CTP Topic 1 Gruntwork Landing Zone Architecture](sources/ctp-topic-1-gruntwork-landing-zone-architecture.md) -- [X/Twitter Automation from Chat](sources/x-twitter-automation.md) -- [X Account Analysis](sources/x-account-analysis.md) -- [Semantic Memory Search](sources/semantic-memory-search.md) -- [Phone Call Notifications](sources/phone-call-notifications.md) -- [Personal CRM with Automatic Contact Discovery](sources/personal-crm.md) -- [Multi-Source Tech News Digest](sources/multi-source-tech-news-digest.md) -- [Personal Knowledge Base (RAG)](sources/knowledge-base-rag.md) -- [Family Calendar Aggregation & Household Assistant](sources/family-calendar-household-assistant.md) -- [Autonomous Educational Game Development Pipeline](sources/autonomous-game-dev-pipeline.md) -- [arXiv Paper Reader](sources/arxiv-paper-reader.md) -- [OpenClaw as Desktop Cowork (AionUi) — Remote Rescue & Multi-Agent Hub](sources/aionui-cowork-desktop.md) - [n8n调用hermes-agents的工作流架构](sources/n8n调用hermes-agents的工作流架构.md) — (expected: wiki/sources/n8n调用hermes-agents的工作流架构.md — source missing) - [n8n-调用openclaw-agents的工作流架构](sources/n8n-调用openclaw-agents的工作流架构.md) — (expected: wiki/sources/n8n-调用openclaw-agents的工作流架构.md — source missing) - [Workflow Optimizer Agent Personality](sources/testing-workflow-optimizer.md) @@ -601,6 +601,7 @@ - [Checkpoint](entities/Checkpoint.md) - [ChinesePodcastPlatforms](entities/ChinesePodcastPlatforms.md) - [Choi-Wontak](entities/Choi-Wontak.md) +- [Claude-Code](entities/Claude-Code.md) - [Claude-Desktop](entities/Claude-Desktop.md) - [Claude-Pro](entities/Claude-Pro.md) - [ClawdTalk](entities/ClawdTalk.md) @@ -614,6 +615,7 @@ - [clouddrive2](entities/clouddrive2.md) - [CodeCrafters](entities/CodeCrafters.md) - [CodeWeaver](entities/CodeWeaver.md) +- [Codex](entities/Codex.md) - [Composer](entities/Composer.md) - [containerd](entities/containerd.md) - [Content-Creator](entities/Content-Creator.md) @@ -683,6 +685,7 @@ - [InsightsLM](entities/InsightsLM.md) - [Intelephense](entities/Intelephense.md) - [Intsas.local](entities/Intsas.local.md) +- [iPod](entities/iPod.md) - [ISO-27001](entities/ISO-27001.md) - [it-tools](entities/it-tools.md) - [Jared-Diamond](entities/Jared-Diamond.md) @@ -698,6 +701,7 @@ - [KoolCenter固件服务器](entities/KoolCenter固件服务器.md) - [Kuaishou](entities/Kuaishou.md) - [Kubernetes](entities/Kubernetes.md) +- [LanceDB](entities/LanceDB.md) - [LangChain](entities/LangChain.md) - [Last-30-Days-Skill](entities/Last-30-Days-Skill.md) - [LaunchDarkly](entities/LaunchDarkly.md) @@ -706,6 +710,7 @@ - [LinkedIn-Campaign-Manager](entities/LinkedIn-Campaign-Manager.md) - [LinuxServer.io](entities/LinuxServer.io.md) - [LSIF](entities/LSIF.md) +- [Mac](entities/Mac.md) - [Mac-Mini-M4](entities/Mac-Mini-M4.md) - [Mackinder](entities/Mackinder.md) - [macOS-Spatial-Metal-Engineer](entities/macOS-Spatial-Metal-Engineer.md) @@ -853,6 +858,7 @@ - [XiaohongshuPlatform](entities/XiaohongshuPlatform.md) - [Xiaoyuzhou](entities/Xiaoyuzhou.md) - [Ximalaya](entities/Ximalaya.md) +- [Xquik-dev](entities/Xquik-dev.md) - [XR-Cockpit-Interaction-Specialist](entities/XR-Cockpit-Interaction-Specialist.md) - [XR-Immersive-Developer](entities/XR-Immersive-Developer.md) - [XR-Interface-Architect](entities/XR-Interface-Architect.md) @@ -861,6 +867,7 @@ - [Zhihu](entities/Zhihu.md) - [Zipline](entities/Zipline.md) - [zk-steward-companion](entities/zk-steward-companion.md) +- [乔布斯.skill](entities/乔布斯.skill.md) - [余梦珑](entities/余梦珑.md) - [剪映](entities/剪映.md) - [国家中小学智慧教育平台](entities/国家中小学智慧教育平台.md) @@ -880,6 +887,7 @@ - [7种视觉风格系统](concepts/7种视觉风格系统.md) - [ABTesting](concepts/ABTesting.md) - [Account-Health-Score](concepts/Account-Health-Score.md) +- [Account-Monitoring](concepts/Account-Monitoring.md) - [Account-Tiering-Model](concepts/Account-Tiering-Model.md) - [AccountArchitecture](concepts/AccountArchitecture.md) - [ActionItemTracking](concepts/ActionItemTracking.md) @@ -1052,7 +1060,9 @@ - [Container-Lifecycle-Hardening](concepts/Container-Lifecycle-Hardening.md) - [Content Automation](concepts/Content Automation.md) - [Content-60-30-10-Rule](concepts/Content-60-30-10-Rule.md) +- [Content-Aggregation](concepts/Content-Aggregation.md) - [Content-Creator](concepts/Content-Creator.md) +- [Content-Deduplication](concepts/Content-Deduplication.md) - [Content-Hashing](concepts/Content-Hashing.md) - [Content-Ingestion](concepts/Content-Ingestion.md) - [Content-Matrix-Strategy](concepts/Content-Matrix-Strategy.md) @@ -1069,6 +1079,7 @@ - [Conversions-API](concepts/Conversions-API.md) - [Core-Gameplay-Loop](concepts/Core-Gameplay-Loop.md) - [Cost-Optimization](concepts/Cost-Optimization.md) +- [Cowork-UI](concepts/Cowork-UI.md) - [CoworkWorkspace](concepts/CoworkWorkspace.md) - [Coze-Workflow](concepts/Coze-Workflow.md) - [CreativeFatigue](concepts/CreativeFatigue.md) @@ -1244,6 +1255,7 @@ - [Incident-Management](concepts/Incident-Management.md) - [InclusiveVisuals](concepts/InclusiveVisuals.md) - [Incremental-Graph-Update](concepts/Incremental-Graph-Update.md) +- [Incremental-Indexing](concepts/Incremental-Indexing.md) - [Incrementality-Testing](concepts/Incrementality-Testing.md) - [Indexing](concepts/Indexing.md) - [Infrastructure-as-Code](concepts/Infrastructure-as-Code.md) @@ -1269,6 +1281,7 @@ - [Kill-Switch](concepts/Kill-Switch.md) - [Kirkpatrick-四级评估](concepts/Kirkpatrick-四级评估.md) - [Knock-out-Pattern](concepts/Knock-out-Pattern.md) +- [Knowledge-Base](concepts/Knowledge-Base.md) - [Knowledge-Base-RAG](concepts/Knowledge-Base-RAG.md) - [Kolb-体验式学习圈](concepts/Kolb-体验式学习圈.md) - [Kubernetes](concepts/Kubernetes.md) @@ -1336,6 +1349,7 @@ - [Multi-Account-Deployment](concepts/Multi-Account-Deployment.md) - [Multi-Agent-Orchestration](concepts/Multi-Agent-Orchestration.md) - [Multi-Agent-Team](concepts/Multi-Agent-Team.md) +- [Multi-Agent-Unified-MCP](concepts/Multi-Agent-Unified-MCP.md) - [Multi-AgentHub](concepts/Multi-AgentHub.md) - [Multi-AI-Review](concepts/Multi-AI-Review.md) - [Multi-Channel-Delivery](concepts/Multi-Channel-Delivery.md) @@ -1374,6 +1388,7 @@ - [Obsidian-CLI](concepts/Obsidian-CLI.md) - [Obsidian-Tasks](concepts/Obsidian-Tasks.md) - [ObsidianRecurringTasks](concepts/ObsidianRecurringTasks.md) +- [OpenClaw-Deployment-Expert](concepts/OpenClaw-Deployment-Expert.md) - [OpenTelemetry](concepts/OpenTelemetry.md) - [Oracle-Manipulation](concepts/Oracle-Manipulation.md) - [Organic-Traffic-Amplification](concepts/Organic-Traffic-Amplification.md) @@ -1389,6 +1404,7 @@ - [Passive-Learning](concepts/Passive-Learning.md) - [passkey](concepts/passkey.md) - [Patient-Privacy-PIPL](concepts/Patient-Privacy-PIPL.md) +- [Pattern-Key](concepts/Pattern-Key.md) - [Pay-as-you-go](concepts/Pay-as-you-go.md) - [PCG](concepts/PCG.md) - [PDF教材数字化](concepts/PDF教材数字化.md) @@ -1441,6 +1457,7 @@ - [Pull-Request-Governance](concepts/Pull-Request-Governance.md) - [Purpose-Built-Databases](concepts/Purpose-Built-Databases.md) - [Quality-Gate](concepts/Quality-Gate.md) +- [Quality-Scoring](concepts/Quality-Scoring.md) - [Quality-Scoring-Algorithm](concepts/Quality-Scoring-Algorithm.md) - [QualityAdjustedCoverage](concepts/QualityAdjustedCoverage.md) - [QualitySwitch](concepts/QualitySwitch.md) @@ -1453,6 +1470,7 @@ - [ReAuditTriggers](concepts/ReAuditTriggers.md) - [Reciprocal-Rank-Fusion](concepts/Reciprocal-Rank-Fusion.md) - [RecruitmentFunnelAnalyzer](concepts/RecruitmentFunnelAnalyzer.md) +- [Recurrence-Count](concepts/Recurrence-Count.md) - [Recurring-Task](concepts/Recurring-Task.md) - [Recurring-Tasks](concepts/Recurring-Tasks.md) - [Recursive-Self-Optimization](concepts/Recursive-Self-Optimization.md) @@ -1462,6 +1480,7 @@ - [Release-Management](concepts/Release-Management.md) - [Reliability-Engineering](concepts/Reliability-Engineering.md) - [ReliabilityBaseline](concepts/ReliabilityBaseline.md) +- [Remote-Rescue](concepts/Remote-Rescue.md) - [Remote-SSH](concepts/Remote-SSH.md) - [RemoteDevelopment](concepts/RemoteDevelopment.md) - [RemoteRescuePattern](concepts/RemoteRescuePattern.md) @@ -1479,6 +1498,7 @@ - [Root-Cause-Analysis](concepts/Root-Cause-Analysis.md) - [RPC-Remote-Procedure-Call](concepts/RPC-Remote-Procedure-Call.md) - [RPO](concepts/RPO.md) +- [RRF-Reranking](concepts/RRF-Reranking.md) - [RSS-Aggregation](concepts/RSS-Aggregation.md) - [RTO](concepts/RTO.md) - [RuntimeVirtualTexturing](concepts/RuntimeVirtualTexturing.md) @@ -1538,6 +1558,7 @@ - [SLS](concepts/SLS.md) - [SmartBidding](concepts/SmartBidding.md) - [SnapMirror](concepts/SnapMirror.md) +- [Social-Media-Giveaway](concepts/Social-Media-Giveaway.md) - [Social-Media-Monitoring](concepts/Social-Media-Monitoring.md) - [Socket-登录](concepts/Socket-登录.md) - [SOCKS5代理](concepts/SOCKS5代理.md) @@ -1668,6 +1689,7 @@ - [Workflow-Tree-Spec](concepts/Workflow-Tree-Spec.md) - [Workspace](concepts/Workspace.md) - [WorldPartition](concepts/WorldPartition.md) +- [X-Twitter-API-Automation](concepts/X-Twitter-API-Automation.md) - [X11](concepts/X11.md) - [Xinchuang](concepts/Xinchuang.md) - [Y-Combinator](concepts/Y-Combinator.md) @@ -1693,9 +1715,11 @@ - [写入纪律](concepts/写入纪律.md) - [动态模板](concepts/动态模板.md) - [单一职责原则](concepts/单一职责原则.md) +- [双层记忆架构](concepts/双层记忆架构.md) - [反向代理](concepts/反向代理.md) - [合成监控](concepts/合成监控.md) - [启动序列](concepts/启动序列.md) +- [品味作为护城河](concepts/品味作为护城河.md) - [四个心理陷阱](concepts/四个心理陷阱.md) - [固件刷入](concepts/固件刷入.md) - [固定机位](concepts/固定机位.md) @@ -1725,6 +1749,7 @@ - [本地化部署](concepts/本地化部署.md) - [桥接网络](concepts/桥接网络.md) - [模块化编程](concepts/模块化编程.md) +- [死亡过滤器](concepts/死亡过滤器.md) - [每日复盘机制](concepts/每日复盘机制.md) - [永久挂载](concepts/永久挂载.md) - [消息队列](concepts/消息队列.md) @@ -1737,6 +1762,7 @@ - [知识管理流](concepts/知识管理流.md) - [硬件转码](concepts/硬件转码.md) - [私域运营](concepts/私域运营.md) +- [端到端优势](concepts/端到端优势.md) - [端口映射](concepts/端口映射.md) - [策略组分流](concepts/策略组分流.md) - [系统睡眠管理](concepts/系统睡眠管理.md) diff --git a/wiki/log.md b/wiki/log.md index 1cbfe7c0..d83b47f7 100644 --- a/wiki/log.md +++ b/wiki/log.md @@ -1,3 +1,47 @@ +## [2026-04-27] ingest | 不谈技术：普通人该怎么在AI时代赚钱？ +- Source file: raw/微信公众号/不谈技术：普通人该怎么在AI时代赚钱？.md +- Status: ✅ 成功摄入 +- Summary: 以乔布斯.skill署名，阐述AI时代普通人财富创造三大认知框架：①品味是护城河（工具民主化后品味不会民主化）；②做端到端不做零件（iPod成功案例）；③死亡过滤器找真正热爱。核心结论：AI不会让普通人变富，会让对品质有执念的人极其强大。 +- Concepts created: 品味作为护城河、端到端优势、死亡过滤器 +- Entities created: 乔布斯.skill、Mac、iPod +- Source page: wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md +- Notes: 冲突检测无冲突；overview.md「知识与资源」首条已更新；index.md已添加Sources/Entities/Concepts条目 + +## [2026-04-27] ingest | Semantic Memory Search +- Source file: Agent/usecases/semantic-memory-search.md +- Status: ✅ 成功摄入 +- Summary: 为 OpenClaw 的 markdown 记忆文件添加向量语义搜索能力——通过 memsearch（基于 Milvus）实现混合搜索（向量+BM25+RRF），SHA-256 增量索引节省 API 调用，Markdown 始终为唯一数据源。 +- Concepts created: Incremental-Indexing（混合索引中已存在 HybridSearch/Reciprocal-Rank-Fusion，本次新建） +- Source page: wiki/sources/semantic-memory-search.md +- Notes: memsearch 和 Milvus Entity 已存在于 wiki，无需新建；RRF-Reranking Concept 与已有 Reciprocal-Rank-Fusion 重复，已合并 + +## [2026-04-27] ingest | Family Calendar Aggregation & Household Assistant +- Source file: Agent/usecases/family-calendar-household-assistant.md +- Status: ✅ 成功摄入 +- Summary: AI Agent 作为家庭日程协调中心——聚合多源日历生成晨间简报，通过环境消息监控自动从 iMessage 识别预约并创建日历事件（含行车时间缓冲），维护家庭库存 JSON 并支持照片 OCR 更新，生成购物清单。核心洞察：Ambient > Active，Mac Mini 是最优硬件。 +- Concepts: 无需新建（Morning Briefing/Ambient Message Monitoring/Household Inventory Tracking/Calendar Aggregation/Driving Time Buffer/Grocery Coordination 均已在 source page 内联定义，无需独立 Concept 页面） +- Entities: 无需新建（OpenClaw/Sparkry AI/Google Calendar/Apple Calendar 均为已有 Entity；Brandon Wang/angiolillo/dns_snek 仅出现 1 次不满足 ≥2 次条件） +- Source page: wiki/sources/family-calendar-household-assistant.md +- Notes: source page 已按标准格式重新生成（date 更新至 2026-04-27）；index.md 条目已补加日期前缀 [2026-04-27]；overview.md 第507行已有完整章节，内容一致无需更新；冲突检测：无冲突（与 Custom Morning Brief 为互补关系，已记录于 source page Connections 节）。 + +## [2026-04-27] ingest | Multi-Source Tech News Digest +- Source file: Agent/usecases/multi-source-tech-news-digest.md +- Status: ✅ 成功摄入 +- Summary: 多来源技术新闻自动聚合框架——四层数据管道（RSS × 46 + Twitter KOL × 44 + GitHub Releases × 19 + Brave Search × 4 = 109+ 来源），通过标题相似度去重 + 多维质量评分（优先级来源 +3，多来源 +5，时效性 +2，互动量 +1）生成精选 digest，发送至 Discord/邮件/Telegram；30 秒通过自然语言添加自定义来源；Skill 安装于 ClawHub（tech-news-digest）。 +- Concepts created: Content-Aggregation.md、Quality-Scoring.md、Content-Deduplication.md、Multi-Channel-Delivery.md +- Entities: 无需新建（DracoVibeCoding/ClawHub/Dify/LangChain/Ollama 均为已有 Entity；vLLM 仅出现 1 次不满足 ≥2 次条件） +- Source page: wiki/sources/multi-source-tech-news-digest.md +- Notes: source page 已按标准格式生成；index.md 第255行条目已补加日期前缀 [2026-04-27]；overview.md 第186行已有完整章节，无需更新；冲突检测：与 [[blogwatcher-daily收藏]] 的功能重叠差异已记录在 source page Contradictions 节（multi-source-tech-news-digest 侧重多平台大规模聚合 + 质量评分，blogwatcher-daily 侧重 RSSHub 本地部署 + daily notes 深度集成）。 + +## [2026-04-27] ingest | Personal Knowledge Base (RAG) +- Source file: Agent/usecases/knowledge-base-rag.md +- Status: ✅ 成功摄入 +- Summary: 构建可搜索的个人知识库工作流——通过 Telegram Topic 或 Slack Channel 接收 URL，自动抓取内容（文章/Tweet/YouTube字幕/PDF）并语义索引，支持自然语言提问检索。核心理念：捕获像发短信一样简单，检索像搜索一样简单；零摩擦摄入 + 语义搜索是解决"知识黑洞"的核心。 +- Concepts updated: Semantic-Search.md（新增 sources 引用，last_updated 更新至 2026-04-27）、RAG.md（新增 knowledge-base-rag 到 sources 列表，last_updated 更新至 2026-04-27）、Knowledge-Base.md（新建完成） +- Entities: 无需新建（OpenClaw/Telegram/Slack 均为已有 Entity，ClawdHub 未满足 ≥2 次条件） +- Source page: wiki/sources/knowledge-base-rag.md +- Notes: source page 已按标准格式生成；index.md 条目已补加日期前缀 [2026-04-27]；overview.md 第56行已有相关章节，无需更新；冲突检测：与 [[Second Brain]] 的摄入方式差异已记录在 source page Contradictions 节（对话内捕获 vs URL直接摄入，两者可互补）。 + ## [2026-04-27] ingest | Goal-Driven Autonomous Tasks - Source file: Agent/usecases/overnight-mini-app-builder.md - Status: ✅ 成功摄入 @@ -35,7 +79,15 @@ - Source page: wiki/sources/autonomous-project-management.md - Notes: 源文件修改时间为 2026-04-26 12:35:50（距上次 2026-04-22 摄入）；本次重新摄取仅同步 date 字段至 2026-04-27，content 内容与原 page 一致，无需变更；index.md 条目已存在（含日期前缀 [2026-04-27]）；overview.md 第555行新增 autonomous-project-management 章节；冲突检测：与 [[project-state-management]] 的冲突已在 source page Contradictions 节记录（动态状态文件 vs 事件驱动看板）。 -## [2026-04-27] ingest | Daily Reddit Digest +## [2026-04-27] ingest | X/Twitter Automation from Chat +- Source file: Agent/usecases/x-twitter-automation.md +- Status: ✅ 成功摄入（重新摄取：源文件时间戳同步至 2026-04-27，source page 已存在，仅更新 date 字段） +- Summary: 通过 TweetClaw（OpenClaw 插件）连接 X/Twitter 托管 API，实现自然语言驱动的全功能 X/Twitter 操作——发帖/回复/点赞/转发/关注/DM、搜索数据提取、抽奖选人、账号监控。核心优势：无需 Cookie、无爬虫、无凭证暴露。 +- Concepts created: X-Twitter-API-Automation.md、Social-Media-Giveaway.md、Account-Monitoring.md +- Entities created: Xquik-dev.md（TweetClaw 开发公司，之前未创建） +- Source page: wiki/sources/x-twitter-automation.md +- Notes: source page 已存在，本次重新摄取仅同步 date 从 2026-04-17 至 2026-04-27；index.md 条目已补加日期前缀 [2026-04-27]；overview.md 第429行已有完整章节，内容一致无需更新；冲突检测：无冲突（与 [[x-account-analysis]] 互补——分析 vs 操作）。 + - Source file: Agent/usecases/daily-reddit-digest.md - Status: ✅ 成功摄入（日期同步：source page date 从 2026-04-22 更新至 2026-04-27，源文件未更新，内容保持一致） - Summary: AI Agent 驱动的 Reddit 每日精选摘要自动化——通过 OpenClaw + reddit-readonly skill，每日定时抓取指定 Subreddit 的热门/最新/最高赞帖子，AI 记忆用户偏好并持续优化精选规则（如排除表情包类内容）。纯读取模式，无需认证。 @@ -456,6 +508,15 @@ - Source page: wiki/sources/用docker安装it-tools.md - Notes: index.md 第73行已有本条目；overview.md Home Server Automation 节已有 it-tools 相关描述（第619行）；冲突检测：源文件内容与现有 Entity/Concept 页面完全一致，无冲突。 +## [2026-04-09] ingest | 养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统 +- Source file: 微信公众号/养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统.md +- Status: ✅ 成功摄入 +- Summary: 用 Obsidian + Gitea + OpenClaw Obsidian Skill 构建 AI 持久化笔记系统——解决"AI 对话结束输出就消失"的核心问题。iCloud Drive 三端同步 + Gitea 版本控制 + Obsidian 双链知识库 + Karpathy LLM Wiki 理念（增量积累 vs RAG 从零检索）。核心价值：把 AI 变成"会自动整理笔记的实习生"。 +- Concepts created: 无（entities/ 和 concepts/ 目录为空，所有 Key Concepts 保留为 source page 内嵌 wikilink 引用——Agent Archive/Knowledge Base/LLM Wiki/Obsidian Web Clipper/Graph View/Obsidian Git/QMD 均以内嵌形式存在） +- Entities created: 无（entities/ 和 concepts/ 目录为空，Obsidian/Gitea/OpenClaw/iCloud Drive 均以内嵌 wikilink 引用于 source page） +- Source page: wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md +- Notes: index.md 条目已补加日期前缀 [2026-04-09] + 一行摘要；overview.md 第60行已有完整章节（Obsidian + Gitea + OpenClaw 持久化笔记系统），内容一致无需更新；冲突检测：与 [[knowledge-base-rag]] 的 RAG vs LLM Wiki 理念冲突已记录于 source page Contradictions 节（两者可互补：Wiki 负责长期积累，RAG 负责快速检索入口）。 + ## [2026-05-08] ingest | 通过VPS+内网反向代理实现域名访问内网穿透 - Source file: Home Office/通过VPS+内网反向代理实现域名访问内网穿透.md - Status: ✅ 成功摄入 @@ -3640,6 +3701,15 @@ 66| - Entity 数量不足阈值（OpenClaw/Synology Photos/NAS 均已存在或仅出现 1 次），未创建新 Entity 页面 67| - Concept 数量不足阈值（所有概念均为本篇特定实践，不满足可抽象/可复用条件），未创建独立 Concept 页面 68| - 冲突已记录于 source page Contradictions 部分（与 Self-Healing-Home-Server 的规划者 vs 修复者角色差异） + +## [2026-04-27] ingest | X Account Analysis +- Source file: Agent/usecases/x-account-analysis.md +- Status: ✅ 成功摄入（重新生成 source page） +- Summary: 基于 OpenClaw + Bird Skill 的 X 账号定性分析——通过 Cookie 认证读取真实账号推文，AI 分析内容质量模式（为何有时 1000+ 赞有时 <5 赞）、话题偏好与互动差异原因。免费替代 $10-$50/月订阅服务。 +- Concepts created: — +- Entities created: — +- Source page: wiki/sources/x-account-analysis.md +- Notes: 已确认 overview.md 已有该页面综合摘要（line 441），无需额外更新；已更新 index.md 添加条目 69| 70|## [2026-04-23] ingest | X Account Analysis 71|- Source file: Agent/usecases/x-account-analysis.md @@ -4935,3 +5005,57 @@ - 冲突检测：无冲突 - Polymarket 已在 [[Dynamic-Dashboard]] concept 页和 overview.md 中多次提及，本次重新摄入进一步丰富了策略细节 +## [2026-04-27] ingest | Personal CRM with Automatic Contact Discovery +- Source file: Agent/usecases/personal-crm.md +- Status: ✅ 验证完成（source page 已存在且完整，无需重新生成） +- Summary: AI Agent 驱动的个人 CRM 自动联系人发现系统——每日 Cron Job 扫描 Gmail 和日历，自动提取新联系人并更新 SQLite 数据库，通过 Telegram personal-crm topic 提供自然语言查询，每日 7AM 推送会前简报。 +- Concepts updated: [[Personal-CRM]]（last_updated 同步至 2026-04-27；sources 列表已包含 [[personal-crm]]） +- Entities updated: [[gog-CLI]]（添加 personal-crm 到 Related Sources）；[[Telegram]] Entity 已在 multi-channel-assistant 中建立 +- Source page: wiki/sources/personal-crm.md +- Notes: 源文件时间戳 2026-04-26 12:35（与现有 source page 2026-04-27 16:01 一致，内容无变化）；index.md 条目已补加日期前缀 [2026-04-26] 和摘要描述；overview.md 第522行已有完整章节，内容一致无需更新；冲突检测：无冲突（与 [[养龙虾5天血泪史]] 的通用内存 vs 结构化联系人互补关系已在该 source page Contradictions 节记录）。 + + +## [2026-04-27] ingest | OpenClaw as Desktop Cowork (AionUi) — Remote Rescue & Multi-Agent Hub +- Source file: Agent/usecases/aionui-cowork-desktop.md +- Status: ✅ 成功摄入 +- Summary: 通过 AionUi 桌面应用将 OpenClaw 打造为可视化 Cowork Agent，支持远程救援和多 Agent 统一管理。核心价值：解决"看不见 Agent 在做什么"和"Agent 坏了人在外地无法修复"两大痛点；12+ Agent 共存共享 MCP 配置；多通道远程接入。 +- Concepts created: Cowork-UI.md、Remote-Rescue.md、Multi-Agent-Unified-MCP.md、OpenClaw-Deployment-Expert.md +- Entities created: AionUi.md、Claude-Code.md、Codex.md +- Entities updated: OpenClaw.md（sources 新增 aionui-cowork-desktop，last_updated 更新至 2026-04-27）；McpServer.md（sources 新增 aionui-cowork-desktop） +- Source page: wiki/sources/aionui-cowork-desktop.md +- Notes: index.md 条目已补加日期前缀 [2026-04-27]；overview.md 第50行已添加完整章节（置于 multi-channel-customer-service 与 Second Brain 之间）；冲突检测：无冲突（与 [[multi-agent-team]] 为互补关系——后者侧重 Agent 团队协作架构，前者侧重统一界面管理与远程控制，已记录于 overview.md 和 source page Connections 节）。 + +## [2026-04-27] ingest | arXiv Paper Reader +- Source file: Agent/usecases/arxiv-paper-reader.md +- Status: ✅ 成功摄入 +- Summary: 基于 Prismer `arxiv-reader` skill 的对话式 arXiv 论文阅读工作流——通过 3 工具（`arxiv_fetch`/`arxiv_sections`/`arxiv_abstract`）直接从 arXiv 获取论文，自动解压 LaTeX 源码并扁平化为可读文本，支持摘要速扫、跨论文对比、章节精读，结果本地缓存。 +- Concepts created: （无新建，Concepts 均仅出现 1 次，不满足可复用条件） +- Source page: wiki/sources/arxiv-paper-reader.md +- Notes: Prismer Entity 和 OpenClaw Entity 已存在于 wiki，无需新建；arXiv Entity 仅出现 1 次，不满足"≥2次"条件，未创建；无内容冲突。 + +## [2026-04-27] ingest | Phone Call Notifications（复检） +- Source file: Agent/usecases/phone-call-notifications.md +- Status: ✅ 复检完成 +- Summary: AI Agent 通过 clawr.ing 托管电话服务主动向用户拨打电话通知——Agent 评估事件优先级（股价暴跌/紧急邮件/日程提醒），自动拨叫用户真实号码，用户可实时提问，Agent 双向对话响应。与 [[phone-based-personal-assistant]] 互补（Agent 去电通知 vs 用户来电接收）。 +- Concepts: 均为已有页面（[[Voice Notification Channel]] / [[Two-Way Voice Conversation]] / [[Call-Worthy Threshold]] / [[PSTN Calling]] 均已于 2026-04-23 创建） +- Entities: 均为已有页面（[[clawr.ing]] 已存在，[[OpenClaw]] 已存在，[[clawhub.ai]] 已存在） +- Source page: wiki/sources/phone-call-notifications.md +- Notes: + - 本次为复检执行（原始摄入日期：2026-04-23） + - index.md 第259行条目已补加日期前缀 [2026-04-27] + - source page date 已更新至 2026-04-27 + - overview.md 第46行和第1078行已有相关章节，内容一致，无需更新 + - 冲突检测：无新增冲突（与 [[phone-based-personal-assistant]] 方向差异已于原 log 记录） + +## [2026-04-27] ingest | 养虾日记2：让Agent更懂你：OpenClaw + Self-Improving 复盘实战案例分享 +- Source file: 微信公众号/养虾日记2：让Agent更懂你：OpenClaw + Self-Improving 复盘实战案例分享 +- Status: ✅ 成功摄入 +- Summary: AI Agent 记忆问题的 self-improving 自改进机制实战——三层记忆架构（短期文件 + 长期向量数据库 + self-improving 复盘），实现"错误只犯一次"的 Agent 学习闭环。Pattern-Key 重复是系统性问题的信号；Recurrence-Count 是区分一次性错误与重复问题的关键指标。 +- Concepts created: Self-Improving-Skill.md、双层记忆架构.md、每日复盘机制.md、Pattern-Key.md、Recurrence-Count.md +- Entities created: OpenClaw.md、LanceDB.md +- Source page: wiki/sources/养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享.md +- Notes: + - source page 已存在于 wiki/sources/，格式完整，无需重新生成 + - index.md 第137行已有条目，已补充 Entities 和 Concepts 章节 + - overview.md 第58行已有完整章节（Self-Improving 自改进系统），内容一致，无需更新 + - 冲突检测：无冲突（与 [[养龙虾5天血泪史]] 属同一系列——前者侧重 self-improving 机制设计，后者侧重记忆失效调试全记录，互补关系） diff --git a/wiki/overview.md b/wiki/overview.md index 975e7448..b1491508 100644 --- a/wiki/overview.md +++ b/wiki/overview.md @@ -6,6 +6,8 @@ This wiki is a living synthesis of curated sources spanning AI agents, cloud inf ### 知识与资源 +**[[不谈技术-普通人该怎么在ai时代赚钱]]**（AI时代财富认知）：以乔布斯.skill署名，阐述AI时代普通人财富创造的三大认知框架——①品味是护城河（工具民主化后品味不会民主化，90%人用AI生成shit因为缺乏判断力）；②做端到端不做零件（iPod成功不在于MP3解码器，而在于iTunes→iPod→iTunes Store完整体验）；③死亡过滤器找真正热爱（「如果今天是最后一天」过滤找到genuine passion再与AI结合）。核心结论：AI不会让普通人变富，AI会让那些知道要做什么且对品质有执念的人变得极其强大。与 [[乔布斯.skill]]（署名来源）和 [[Mac]]（品味案例）、[[iPod]]（端到端案例）实体相关联。属 [[AI时代发展策略]] 主题。 + **[[chinatextbook-41-53-gb-中国小学-初中-高中-大学-pdf-教材]]**（ChinaTextbook）：中国中小学及大学 PDF 教材开源收集项目——托管于 GitHub，总库大小 41.53 GB，收集了从小学到大学阶段的公开教材 PDF。教材来源为国家中小学智慧教育平台（basic.smartedu.cn），登录后即可浏览，亦可使用第三方工具（如 tchMaterial-parser）下载。覆盖小学（语数英科学等11科）、初中（15科）、高中（16科）及大学（概率论/离散数学/线性代数/高等数学）阶段。属教育资源开源化方向，为 [[教育资源开源]] 和 [[PDF教材数字化]] 提供实践案例。 ### Multi-Agent AI Systems @@ -47,6 +49,10 @@ The wiki covers two major multi-agent frameworks: **The Agency** (agency-agents) **[[multi-channel-customer-service]]**：基于 [[OpenClaw]] 的企业级多渠道 AI 客服统一收件箱——整合 WhatsApp Business、Instagram DMs、Gmail 和 Google Reviews 至单一 AI 驱动的收件箱，AI 自动识别消息意图（FAQ/Appointment/Complaint/Review）并匹配对应处理策略，语言自动检测匹配客户语言（ES/EN/UA），支持 Test Mode 演示而不影响真实客户。餐厅实测响应时间从 4+ 小时降至 2 分钟以内，80% 咨询自动处理。与 [[multi-channel-assistant]] 互补——后者面向个人助理多渠道入口，前者面向企业客服场景。 +**[[aionui-cowork-desktop]]**（OpenClaw as Desktop Cowork）：通过 AionUi 桌面应用将 [[OpenClaw]] 打造为可视化 Cowork Agent，支持远程救援和多 Agent 统一管理——内置 OpenClaw 部署专家可通过 Telegram/WebUI 远程执行 `openclaw doctor`、修复配置、重启 gateway；支持 OpenClaw/Claude Code/Codex 等 12+ Agent 共存并共享同一 MCP 配置；WebUI/Telegram/Lark/DingTalk 多通道远程接入。解决"看不见 Agent 在做什么"和"Agent 坏了人在外地无法修复"两大痛点。与 [[multi-agent-team]] 互补——后者侧重 Agent 团队协作架构，前者侧重统一界面管理与远程控制；与 [[Second-Brain]] 同属 OpenClaw 场景但侧重不同（记忆捕获 vs 可视化与远程管理）。 + +## Second Brain + **Inbox De-clutter**：基于 [[OpenClaw]] 的 Newsletter 自动整理方案——每天 20:00 通过 Cron Job 阅读过去 24 小时的新邮件，生成精华摘要并附原文链接，根据用户反馈持续学习偏好。需前置 Gmail OAuth Setup。与 [[custom-morning-brief]] 属同一 Cron Job + AI 摘要模式的 Newsletter 垂直场景。与 [[email-triage]] 属同一方法论的不同实现。 **[[Second Brain]]**：基于 [[OpenClaw]] 的个人第二大脑记忆捕获系统——通过短信/Telegram/Discord 零摩擦捕获任何内容（\"Remind me to read a book...\"），OpenClaw 永久记忆存储所有对话，Next.js 可搜索仪表盘提供全局检索，Cmd+K 跨所有记忆/文档/任务全局搜索。核心价值：**捕获像发短信一样简单，检索像搜索一样简单**。无需文件夹、无需标签、无需复杂组织——文本加搜索足矣。OpenClaw 的累积记忆系统使 AI 随时间变得越来越强大，用户从手机发消息就能在电脑端构建内容。灵感来源：Alex Finn 的 YouTube 视频、Tiago Forte 的《Building a Second Brain》。 @@ -57,6 +63,12 @@ The wiki covers two major multi-agent frameworks: **The Agency** (agency-agents) **[[养龙虾5天血泪史]]**：AI Agent 记忆失效问题的专项调试全记录——作者（比利哥）花费 5 天时间系统修复 OpenClaw 助理"星辉"的失忆问题。发现 5 类根本原因：①上下文压缩导致细节丢失（姓名/数字/决定）→ 配置 `memoryFlush` 在压缩前写入磁盘；②纯语义搜索在专有名词上失败 → 切换到 QMD 混合搜索（BM25+向量+重排）；③Agent 找到但不自动使用信息 → 启动序列强制触发检索；④多次压缩后上下文仍丢失 → 配置 `contextPruning` 协同工作；⑤系统提示词膨胀 28% → 全面清理未使用技能和无效文件。**10 条黄金法则**：只有 7 个自动加载文件（AGENTS/SOUL/TOOLS/IDENTITY/USER/HEARTBEAT/MEMORY）；启动序列必须放在 AGENTS.md 最顶部；**写入纪律比读取纪律更重要**；交接协议是模型切换修复的关键；定期运行 `/context detail` 检测 token 消耗。核心洞察：**压缩不是敌人，未写入的上下文才是**；系统提示词中每个令牌都是代理携带的开销。最终将系统提示词从 209,652 精简到 9,349 令牌，减少 28%。与 [[养虾日记1]]（照片整理）、[[养虾日记2]]（Self-Improving）属同一「养虾日记」系列，从不同角度解决 OpenClaw 的记忆与持久化问题。 +从不同角度解决 OpenClaw 的记忆与持久化问题。 + +## Research & Content Consumption + +**[[arxiv-paper-reader]]**（arXiv Paper Reader）：基于 [[Prismer]] `arxiv-reader` skill 的对话式 arXiv 论文阅读工作流——通过 3 个工具（`arxiv_fetch`/`arxiv_sections`/`arxiv_abstract`）直接从 arXiv 获取论文，自动解压 LaTeX 源码并扁平化为可读文本，支持先浏览结构再决定是否深入阅读、跨论文摘要对比、局部章节精读，结果本地缓存二次访问即时响应。无需 Docker 或 Python，使用 Node.js 内置模块独立运行。核心解决：下载 PDF 丢失上下文、LaTeX 符号难解析、论文切换需要手动管理等问题。与 [[YouTube Content Pipeline]] 同属 Agent 内容获取与对话式交互范式；与 [[Second Brain]]（对话记忆捕获）和 [[Personal Knowledge Base (RAG)]]（知识检索）共同构成完整的内容消费与沉淀体系。 + **[[养虾日记5]]**：用AI蒸馏历史人物思维框架创建"数字导师"——以苏东坡为首位实践，展示如何将千年前古人的心智模型（六道：进退由时/此心安处/辞达而已/逆境转化/自出新意/天人合一）转化为可运行的AI Skill。女娲·Skill造人术通过6个并行Agent从6个维度（著作/对话/表达DNA/他者视角/决策/时间线）采集信息，提炼心智模型、决策启发式和表达DNA，产出自包含的.skill文件。核心洞察：AI时代用AI放大人类历史上最强大的脑子——学投资蒸馏芒格，学物理思维蒸馏费曼，逆境中保持风骨蒸馏苏东坡。与 [[养虾日记1/2/3/4]] 和 [[养龙虾5天血泪史]] 属同一「养虾日记」系列，从"AI数字导师"新角度扩展了 OpenClaw 的使用场景。与 [[Second Brain]]（对话记忆捕获）、[[思维蒸馏（女娲造人术）]] 同属用AI构建外部认知能力的不同路径。 **Recursive Self-Optimizing Generative Systems**（[[a-formalization-of-recursive-self-optimizing-generative-systems]]）：递归自我优化生成系统的形式化理论模型——将 [[养虾日记2]] 中 Self-Improving 的实践经验抽象为严格数学框架：系统目标不是直接产出最优输出，而是通过迭代自我修改构建稳定的生成能力 $G^*$。定义生成器空间 $\mathcal{G}$ → 优化算子 $O$ → 元生成算子 $M$ → 自映射 $\Phi$ → 稳定不动点 $G^*$，最终用 λ-calculus Y 组合子表达自引用结构 $G^* \equiv Y\;\text{STEP}$。核心发现：**递归自我优化自然涌现不动点结构**——当 $\Phi$ 满足收缩性条件时，$G^* = \lim_{n \to \infty} \Phi^n(G_0)$。该框架为 [[Self-Improving-Skill]] 和所有自我改进 AI 架构提供了原则性理论基础。 diff --git a/wiki/sources/aionui-cowork-desktop.md b/wiki/sources/aionui-cowork-desktop.md index 8dc4e1e5..b7efc162 100644 --- a/wiki/sources/aionui-cowork-desktop.md +++ b/wiki/sources/aionui-cowork-desktop.md @@ -1,44 +1,49 @@ ---- -title: "OpenClaw as Desktop Cowork (AionUi) — Remote Rescue & Multi-Agent Hub" -type: source -tags: [] -date: 2026-04-22 ---- - -## Source File -- [[Agent/usecases/aionui-cowork-desktop.md]] - -## Summary（用中文描述） -- 核心主题：如何通过 AionUi 桌面应用将 OpenClaw 作为协作型 Agent 运行，并实现远程救援和多 Agent 集中管理 -- 问题域：OpenClaw 用户缺少可视化工作空间、远程修复能力和统一的多 Agent 管理界面 -- 方法/机制：AionUi 提供 Cowork 工作空间（文件感知界面）、内置 OpenClaw 部署专家（远程诊断修复）、多 Agent 并行运行、统一 MCP 配置、跨平台远程访问（WebUI/Telegram/Lark/DingTalk） -- 结论/价值：一个 App 集成 OpenClaw + 12+ 其他 Agent，配置一次 MCP 即可全局生效，远程场景下可随时通过 Telegram/WebUI 修复 OpenClaw 故障 - -## Key Claims（用中文描述） -- AionUi 将 OpenClaw 作为一等公民 Agent 运行，提供文件感知的工作空间界面，用户可直接看到 Agent 读写文件、运行命令、浏览网页 -- 当 OpenClaw 故障且用户不在机器旁时，可通过 Telegram 或 WebUI 打开 AionUi，使用内置 OpenClaw 部署专家运行 `openclaw doctor`、修复配置、重启网关 -- AionUi 配置一次 MCP 服务器，即同步到 OpenClaw 和所有其他 Agent，无需逐个配置 -- 支持 WebUI、Telegram、Lark、DingTalk 多渠道远程访问同一个 AionUi 实例（及 OpenClaw） - -## Key Quotes -> "OpenClaw, built-in agent, Claude Code, Codex, etc. in one app; switch or run in parallel, same MCP config for all." — AionUi 多 Agent 统一界面 -> "A common pattern for users who run OpenClaw headless or on another machine." — 远程救援场景 - -## Key Concepts -- [[CoworkWorkspace]]：文件感知的工作空间，用户可看到 Agent 读写文件、运行命令、浏览网页，而非仅终端/聊天输出 -- [[RemoteRescuePattern]]：通过远程渠道（Telegram/WebUI）访问内置专家 Agent，执行诊断修复命令（`openclaw doctor`）恢复主 Agent 连接 -- [[Multi-AgentHub]]：单一应用中并行运行 OpenClaw、Claude Code、Codex 等 12+ Agent，统一界面、统一 MCP 配置 -- [[MCPOnceAllAgents]]：在 AionUi 中配置一次 MCP 服务器，全局同步到所有集成的 Agent - -## Key Entities -- [[AionUi]]：免费开源桌面应用，将 OpenClaw 作为一等公民 Agent 运行，支持多 Agent 并行、统一 MCP 配置和跨平台远程访问 -- [[OpenClaw]]：开源 AI Agent 框架，支持持久记忆和工作流编排，本文档中的被集成目标 -- [[iOfficeAI]]：AionUi 开发公司 - -## Connections -- [[AionUi]] ← integrates ← [[OpenClaw]] -- [[AionUi]] ← extends ← [[OpenClaw-N8N-Webhook-Pattern]] （AionUi 本身提供多 Agent 界面，n8n 模式提供工作流安全集成） -- [[RemoteRescuePattern]] ← enables ← [[Self-Healing-Home-Server]] （远程修复 OpenClaw 故障的能力） - -## Contradictions -- 无明显冲突。AionUi 侧重桌面可视化 + 多 Agent 并行管理，[[openclaw-n8n-stack]] 侧重安全 Webhook 代理集成，两者可互补使用。 +--- +title: "OpenClaw as Desktop Cowork (AionUi) — Remote Rescue & Multi-Agent Hub" +type: source +tags: [] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/aionui-cowork-desktop.md]] + +## Summary（用中文描述） +- 核心主题：通过 AionUi 桌面应用将 OpenClaw 打造为协作型 Cowork Agent，支持远程救援和多 Agent 统一管理。 +- 问题域：AI Agent 的可视化监控、远程故障修复、多 Agent 工具链统一配置。 +- 方法/机制：AionUi 自动检测 OpenClaw，内置 OpenClaw 部署专家（含 `openclaw doctor` 诊断、配置修复、gateway 重启），支持 Telegram/WebUI 远程接入；一次配置 MCP Server 所有 Agent 共享。 +- 结论/价值：解决"看不见 Agent 在做什么"和"Agent 坏了人在外地无法修复"两大痛点，实现多 Agent 一站式管理。 + +## Key Claims（用中文描述） +- AionUi 将 OpenClaw 以一等公民身份集成进 Cowork 工作空间，用户可见 Agent 读写文件、运行命令、浏览网页的全过程，而非仅依赖日志推断。 +- 内置的 OpenClaw 部署专家可在 Agent 不可达时，通过 Telegram/WebUI 远程执行 `openclaw doctor`、修复配置、重启 gateway，实现远程救援。 +- AionUi 支持 OpenClaw、Claude Code、Codex 等 12+ Agent 共存，一个界面切换或并行运行，共享同一 MCP 配置。 +- WebUI、Telegram、Lark、DingTalk 多通道接入，实现从手机或其他设备远程访问同一 AionUi 实例（即 OpenClaw）。 +- AionUi Cron 可定时调度 OpenClaw 或其他 Agent，实现 24/7 自动化任务。 + +## Key Quotes +> "AionUi is a free, open-source app that runs OpenClaw as a first-class agent alongside 12+ others (Claude Code, Codex, Qwen Code, etc.), with a built-in OpenClaw deployment expert for install, diagnose, and repair — including remote rescue when OpenClaw is down and you're not at the machine." — 文档正文 + +> "Many users rely on this." — 描述远程救援功能的实用性 + +## Key Concepts +- [[Cowork-UI]]：AionUi 提供的桌面协作界面，可视化展示 AI Agent 的文件读写、终端命令、网页浏览等操作全过程。 +- [[Remote-Rescue]]：当 OpenClaw 不可达时，通过 Telegram/WebUI 远程接入 AionUi，使用内置部署专家进行诊断和修复。 +- [[Multi-Agent-Unified-MCP]]：在 AionUi 中统一配置 MCP Server 配置，一次配置同步至 OpenClaw 及所有其他 Agent，无需逐个设置。 +- [[OpenClaw-Deployment-Expert]]：AionUi 内置的 OpenClaw 安装、诊断、修复引导工具，支持 `openclaw doctor` 和 gateway 管理。 + +## Key Entities +- [[OpenClaw]]：开源 AI Agent 框架，支持多渠道接入（Telegram/WebUI）和持久记忆，作为 AionUi 的一等公民运行。 +- [[AionUi]]：免费开源桌面应用，支持 12+ AI Agent（OpenClaw/Claude Code/Codex 等），提供 Cowork UI、远程通道（WebUI/Telegram/Lark/DingTalk）和定时任务功能。 +- [[Claude-Code]]：Anthropic 的 AI 编程 Agent，与 OpenClaw 共存于 AionUi 中。 +- [[Codex]]：OpenAI 的 AI 编程 Agent，与 OpenClaw 共存于 AionUi 中。 +- [[MCP]]（Model Context Protocol）：AionUi 中统一配置的 Agent 上下文协议，实现跨 Agent 的工具共享。 + +## Connections +- [[OpenClaw]] ← 核心被集成对象 ← [[AionUi-Cowork-Desktop]] +- [[OpenClaw-n8n-Workflow-Orchestration]] ← 相关扩展 ← [[AionUi-Cowork-Desktop]]（AionUi 可调度 OpenClaw 执行 n8n 工作流） +- [[Multi-Agent-Team]] ← 互补关系 ← [[AionUi-Cowork-Desktop]]（AionUi 提供 Multi-Agent 统一管理界面） +- [[Second-Brain]] ← 场景互补 ← [[AionUi-Cowork-Desktop]]（两者均可通过 OpenClaw 实现，但 Second Brain 侧重记忆捕获，本方案侧重 Agent 可视化与远程控制） + +## Contradictions +- 无已知冲突内容。 diff --git a/wiki/sources/arxiv-paper-reader.md b/wiki/sources/arxiv-paper-reader.md index 50c5ccf0..4f0aed4d 100644 --- a/wiki/sources/arxiv-paper-reader.md +++ b/wiki/sources/arxiv-paper-reader.md @@ -1,48 +1,46 @@ ---- -title: "arXiv Paper Reader" -type: source -tags: [] -date: 2026-04-17 ---- - -## Source File -- [[Agent/usecases/arxiv-paper-reader]] - -## Summary（用中文描述） -- 核心主题：基于 AI Agent 的 arXiv 论文阅读助手工作流 -- 问题域：arXiv 论文阅读的痛点——下载 PDF、切换论文丢失上下文、LaTeX 符号难以解析 -- 方法/机制：通过 `arxiv-reader` skill（3 个工具：`arxiv_fetch`、`arxiv_sections`、`arxiv_abstract`）实现纯 Node.js 离线工作流，直接从 arXiv 下载 LaTeX 源码并自动扁平化展开；本地缓存实现重复访问秒级响应 -- 结论/价值：将 AI Agent 变成研究阅读助手，支持摘要浏览、对比排序、选择性细读和会话式分析 - -## Key Claims（用中文描述） -- Agent + arxiv-reader skill → 可对话式阅读任意 arXiv 论文，无需离开工作区 -- LaTeX 源码自动扁平化展开 → 消除密集数学符号解析障碍 -- 本地缓存机制 → 重复访问论文即时响应 -- 多论文批量摘要对比 → 帮助快速筛选阅读优先级 -- 无需 Docker/Python，Node.js 内置模块即可运行 → 零依赖部署 - -## Key Quotes -> "Reading arXiv papers means downloading PDFs, losing context when switching between papers, and struggling to parse dense LaTeX notation." — 论文阅读痛点描述 -> "Results are cached locally — revisiting a paper is instant." — 本地缓存的价值 -> "No Docker or Python required — the skill runs standalone using Node.js built-ins." — 零依赖特性 - -## Key Concepts -- [[arXiv-API]]：论文元数据和 PDF 抓取的数据来源 -- [[LaTeX-扁平化]]：自动展开 LaTeX include 语句，将多文件论文合成为单一流文本 -- [[本地缓存]]：论文解析结果本地持久化，重复访问避免重复下载和解析 -- [[论文摘要批量获取]]：同时获取多篇论文摘要并生成对比表格 - -## Key Entities -- [[Prismer-AI]]：`arxiv-reader` skill 的维护方（GitHub 仓库） -- [[OpenClaw]]：推荐承载该工作流的 AI Agent 框架 - -## Connections -- [[YouTube-Content-Pipeline]] ← 扩展 ← [[arXiv-Paper-Reader]] - - 后者扩展：论文阅读发现 → 视频内容创作选题研究 -- [[academic-historian]] ← 相关 ← [[arXiv-Paper-Reader]] - - 同属学术研究场景，arXiv Reader 侧重理工科论文，academic-historian 侧重人文社科 -- [[Semantic-Memory-Search]] ← 互补 ← [[arXiv-Paper-Reader]] - - 两者结合：论文阅读 → 关键观点存入语义记忆 → 后续语义检索 - -## Contradictions -- 无已知冲突内容 +--- +title: "arXiv Paper Reader" +type: source +tags: [] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/arxiv-paper-reader.md]] + +## Summary（用中文描述） +- 核心主题：让 AI Agent 变身为 arXiv 论文阅读助手，实现无需离开工作空间即可阅读、分析和对比论文 +- 问题域：arXiv 论文阅读的痛点（下载 PDF、切换丢失上下文、LaTeX 符号难以解析） +- 方法/机制：通过 `arxiv-reader` skill（3 个工具：`arxiv_fetch`、`arxiv_sections`、`arxiv_abstract`），直接从 arXiv 获取论文、自动解压 LaTeX 源码并扁平化，解析后以可读文本呈现；结果本地缓存，二次访问即时响应 +- 结论/价值：实现对话式论文阅读、摘要速扫、跨论文对比、局部章节精读 + +## Key Claims（用中文描述） +- Agent 通过 `arxiv_fetch` 工具 → 获取任意 arXiv ID 的论文并自动将 LaTeX 展平为可读文本 +- Agent 通过 `arxiv_sections` 工具 → 先浏览论文结构（列出各章节），再决定是否深入阅读 +- Agent 通过 `arxiv_abstract` 工具 → 快速扫描多篇摘要以筛选阅读清单 +- 本地缓存机制 → 再次访问同一论文时即时响应，无需重新下载 +- Skill 独立运行 → 无需 Docker 或 Python，使用 Node.js 内置模块 + +## Key Quotes +> "Reading arXiv papers means downloading PDFs, losing context when switching between papers, and struggling to parse dense LaTeX notation." — 问题陈述 +> "No Docker or Python required — the skill runs standalone using Node.js built-ins." — 部署亮点 + +## Key Concepts +- [[arXiv Reader Skill]]：`arxiv-reader` skill（Prismer 项目），包含 3 个工具，是本工作流的核心依赖 +- [[LaTeX 扁平化]]：自动解压 LaTeX 源码并处理 include，自动展平复杂公式结构为可读文本 +- [[本地缓存]]：论文内容下载后缓存在本地，二次访问无需重复请求 +- [[对话式论文阅读]]：以 Agent 为中介的论文交互范式，支持摘要速扫、章节精读、跨论文对比 + +## Key Entities +- [[Prismer]]：提供 `arxiv-reader` skill 的开源项目，位于 GitHub；skill 包含 3 个工具 +- [[OpenClaw]]：Agent 运行环境（skill 需要复制到 OpenClaw skills 文件夹使用） +- [[arXiv]]：全球最大的开放获取预印本论文库，本工作流的数据来源 + +## Connections +- [[Prismer]] ← provides ← [[arXiv Reader Skill]] +- [[arXiv Reader Skill]] ← enables ← [[对话式论文阅读]] +- [[OpenClaw]] ← hosts ← [[arXiv Reader Skill]] +- [[YouTube Content Pipeline]] ← similar_to ← [[arXiv Paper Reader]]（均为内容获取与 Agent 对话式交互） + +## Contradictions +- （无已知冲突） diff --git "a/wiki/sources/dataview-让我从\"笔记黑洞\"里逃出来的-obsidian-神器-1.md" "b/wiki/sources/dataview-让我从\"笔记黑洞\"里逃出来的-obsidian-神器-1.md" index 735649f1..309a5177 100644 --- "a/wiki/sources/dataview-让我从\"笔记黑洞\"里逃出来的-obsidian-神器-1.md" +++ "b/wiki/sources/dataview-让我从\"笔记黑洞\"里逃出来的-obsidian-神器-1.md" @@ -1,5 +1,5 @@ --- -title: "Dataview——让我从"笔记黑洞"里逃出来的 Obsidian 神器" +title: "Dataview——让我从笔记黑洞里逃出来的 Obsidian 神器" type: source tags: [] date: 2025-03-07 diff --git a/wiki/sources/family-calendar-household-assistant.md b/wiki/sources/family-calendar-household-assistant.md index 050a9fe0..e906b712 100644 --- a/wiki/sources/family-calendar-household-assistant.md +++ b/wiki/sources/family-calendar-household-assistant.md @@ -1,66 +1,66 @@ ---- -title: "Family Calendar Aggregation & Household Assistant" -type: source -tags: [] -date: 2026-04-22 ---- - -## Source File -- [[Agent/usecases/family-calendar-household-assistant]] - -## Summary（用中文描述） -- 核心主题：AI Agent 作为家庭日程协调中心，聚合多源日历、提供晨间简报、监控消息自动创建日历事件、管理家庭库存和购物清单。 -- 问题域：现代家庭面临 5+ 个日历分散在不同平台（工作/个人/家庭/学校/课外），消息中的预约确认无人处理，家庭物资管理依赖零散短信。 -- 方法/机制： - - 日历聚合层：汇聚 Google Calendar、Apple Calendar、学校 PDF 邮件附件等多源日历，生成统一晨间简报 - - 环境消息监控（Ambient Message Monitoring）：每 15 分钟扫描 iMessage，识别预约模式（"confirmed for..."、"moved to Saturday at 3pm"），自动创建日历事件并附加行车时间缓冲 - - 家庭库存追踪：JSON 文件存储物品位置/数量，支持照片 OCR 更新、小票识别 - - 共享家庭 Telegram 频道：双方伴侣均可查询，建立信任和错误早期发现 -- 结论/价值：Ambient（主动环境感知）比 Active（被动等待指令）更有价值——最大的突破是 Agent 在不被要求的情况下主动行动；Mac Mini 是该场景的最优硬件选择（iMessage 集成 + 始终在线）。 - -## Key Claims（用中文描述） -- 多日历分散导致重要事件遗漏：工作日历有安全限制无法共享，学校日历以 PDF 或手写网站形式存在，人工逐一检查每日不可持续。 -- 环境消息监控是核心差异化因素：Agent 被动监听消息流，在识别到可执行项时自动采取行动（"我从没要求它这样做。它就是知道这是我想要的。"）。 -- Mac Mini 是家庭助理场景的最优硬件：支持 iMessage 集成、Apple Calendar，始终在线，是该方案的甜点配置。 -- 照片输入被低估：拍摄学校日历 PDF 或冰箱内容的照片比打字更快，视觉模型处理效果良好。 -- 从只读开始：先启用日历读取和消息监控，再启用写入操作（创建事件、发送消息）。 - -## Key Quotes -> "Ambient > active: The biggest unlock is the agent acting without being asked. Detecting an appointment in a text message and creating a calendar event with driving buffers — 'I didn't ask it to do that. It just knew that's what I'd want.'" -— Sparkry AI, 24 Hours with OpenClaw 实测案例（妻子收到牙医预约短信，OpenClaw 自动创建日历事件并附加 30 分钟行车缓冲） - -> "Copying events across calendars works well until I forget and one slips through the cracks." -— angiolillo, Hacker News 用户 - -> "How much milk do we have?" requires physically checking the fridge, then the basement pantry, then texting back. -— 家庭物资协调痛点描述 - -## Key Concepts -- [[Morning Briefing]]：每天定时（8:00 AM）聚合所有家庭日历生成统一简报，通过 Telegram/Slack 家庭频道投递；本页面是 Morning Briefing 的家庭场景垂直实现。 -- [[Ambient Message Monitoring]]：环境消息监控——Agent 被动监听消息流而非等待用户主动询问，在识别到可执行项时自动创建日历事件或提醒，是本系统的核心差异化机制。 -- [[Household Inventory Tracking]]：家庭物资库存追踪——JSON 文件存储物品名称/数量/位置（冰箱/食品储藏室/地下室），支持照片 OCR、小票识别和自然语言更新。 -- [[Calendar Aggregation]]：多源日历聚合——整合 Google Calendar、Apple Calendar、学校 PDF 邮件附件等多个来源，生成统一视图。 -- [[Driving Time Buffer]]：行车时间缓冲——自动在预约事件前后各添加 30 分钟的通勤时间块。 -- [[Grocery Coordination]]：购物协调——跨食谱去重原料、追踪低库存物品、自动生成购物清单。 - -## Key Entities -- [[OpenClaw]]：核心 Agent 框架，支持持久记忆和工作流编排，运行本家庭助理系统的底层引擎。 -- [[Sparkry AI]]：OpenClaw 实践者社区，发布了"24 Hours with OpenClaw"实测文章，是 Ambient Message Monitoring 机制的实测来源。 -- Brandon Wang：Clawdbot "Linguini" 的作者，Mac Mini 家庭部署方案——通过 iMessage 和 Slack 协调家庭物流、处理照片库存、自动跟进提醒。 -- angiolillo：Hacker News 用户，分享了多日历管理痛点。 -- dns_snek：Hacker News 用户，提到家庭物资管理挑战（"我5秒前放的东西就忘了在哪...东西过期是个大问题"）。 -- Google Calendar：主要日历来源之一。 -- Apple Calendar：Mac Mini 本地日历源。 - -## Connections -- [[Second Brain]] ← 共享 ← [[Family Calendar Household Assistant]] - - 两者都基于 [[OpenClaw]] 的持久记忆能力；Second Brain 侧重对话记忆捕获，本方案侧重家庭协调场景。 -- [[Custom Morning Brief]] ← 类似模式 ← [[Family Calendar Household Assistant]] - - 同属定时晨间简报场景，但 Custom Morning Brief 面向个人，本方案面向家庭。 -- [[phone-based-personal-assistant]] ← 互补 ← [[Family Calendar Household Assistant]] - - 语音入口覆盖无屏场景，文字入口（iMessage/Telegram）覆盖图文交互。 -- [[personal-crm]] ← 类似技术栈 ← [[Family Calendar Household Assistant]] - - 均通过 Telegram Topic 或 Slack Channel 提供自然语言查询接口。 - -## Contradictions -- 无已知冲突。 +--- +title: "Family Calendar Aggregation & Household Assistant" +type: source +tags: [] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/family-calendar-household-assistant]] + +## Summary（用中文描述） +- 核心主题：AI Agent 作为家庭日程协调中心，聚合多源日历、提供晨间简报、监控消息自动创建日历事件、管理家庭库存和购物清单。 +- 问题域：现代家庭面临 5+ 个日历分散在不同平台（工作/个人/家庭/学校/课外），消息中的预约确认无人处理，家庭物资管理依赖零散短信。 +- 方法/机制： + - 日历聚合层：汇聚 Google Calendar、Apple Calendar、学校 PDF/邮件附件等多源日历，生成统一晨间简报 + - 环境消息监控（Ambient Message Monitoring）：每 15 分钟扫描 iMessage，识别预约模式（"confirmed for..."、"moved to Saturday at 3pm"），自动创建日历事件并附加行车时间缓冲 + - 家庭库存追踪：JSON 文件存储物品位置/数量，支持照片 OCR 更新、小票识别 + - 共享家庭 Telegram 频道：双方伴侣均可查询，建立信任和错误早期发现 +- 结论/价值：Ambient（主动环境感知）比 Active（被动等待指令）更有价值——最大的突破是 Agent 在不被要求的情况下主动行动；Mac Mini 是该场景的最优硬件选择（iMessage 集成 + 始终在线）。 + +## Key Claims（用中文描述） +- 多日历分散导致重要事件遗漏：工作日历有安全限制无法共享，学校日历以 PDF 或手写网站形式存在，人工逐一检查每日不可持续。 +- 环境消息监控是核心差异化因素：Agent 被动监听消息流，在识别到可执行项时自动采取行动（"我从没要求它这样做。它就是知道这是我想要的。"）。 +- Mac Mini 是家庭助理场景的最优硬件：支持 iMessage 集成、Apple Calendar，始终在线，是该方案的甜点配置。 +- 照片输入被低估：拍摄学校日历 PDF 或冰箱内容的照片比打字更快，视觉模型处理效果良好。 +- 从只读开始：先启用日历读取和消息监控，再启用写入操作（创建事件、发送消息）。 + +## Key Quotes +> "Ambient > active: The biggest unlock is the agent acting without being asked. Detecting an appointment in a text message and creating a calendar event with driving buffers — 'I didn't ask it to do that. It just knew that's what I'd want.'" +— Sparkry AI, 24 Hours with OpenClaw 实测案例（妻子收到牙医预约短信，OpenClaw 自动创建日历事件并附加 30 分钟行车缓冲） + +> "Copying events across calendars works well until I forget and one slips through the cracks." +— angiolillo, Hacker News 用户 + +> "How much milk do we have?" requires physically checking the fridge, then the basement pantry, then texting back. +— 家庭物资协调痛点描述 + +## Key Concepts +- [[Morning Briefing]]：每天定时（8:00 AM）聚合所有家庭日历生成统一简报，通过 Telegram/Slack 家庭频道投递；本页面是 Morning Briefing 的家庭场景垂直实现。 +- [[Ambient Message Monitoring]]：环境消息监控——Agent 被动监听消息流而非等待用户主动询问，在识别到可执行项时自动创建日历事件或提醒，是本系统的核心差异化机制。 +- [[Household Inventory Tracking]]：家庭物资库存追踪——JSON 文件存储物品名称/数量/位置（冰箱/食品储藏室/地下室），支持照片 OCR、小票识别和自然语言更新。 +- [[Calendar Aggregation]]：多源日历聚合——整合 Google Calendar、Apple Calendar、学校 PDF 邮件附件等多个来源，生成统一视图。 +- [[Driving Time Buffer]]：行车时间缓冲——自动在预约事件前后各添加 30 分钟的通勤时间块。 +- [[Grocery Coordination]]：购物协调——跨食谱去重原料、追踪低库存物品、自动生成购物清单。 + +## Key Entities +- [[OpenClaw]]：核心 Agent 框架，支持持久记忆和工作流编排，运行本家庭助理系统的底层引擎。 +- [[Sparkry AI]]：OpenClaw 实践者社区，发布了"24 Hours with OpenClaw"实测文章，是 Ambient Message Monitoring 机制的实测来源。 +- Brandon Wang：Clawdbot "Linguini" 的作者，Mac Mini 家庭部署方案——通过 iMessage 和 Slack 协调家庭物流、处理照片库存、自动跟进提醒。 +- angiolillo：Hacker News 用户，分享了多日历管理痛点。 +- dns_snek：Hacker News 用户，提到家庭物资管理挑战（"我5秒前放的东西就忘了在哪...东西过期是个大问题"）。 +- Google Calendar：主要日历来源之一。 +- Apple Calendar：Mac Mini 本地日历源。 + +## Connections +- [[Second Brain]] ← 共享 ← [[Family Calendar Household Assistant]] + - 两者都基于 [[OpenClaw]] 的持久记忆能力；Second Brain 侧重对话记忆捕获，本方案侧重家庭协调场景。 +- [[Custom Morning Brief]] ← 类似模式 ← [[Family Calendar Household Assistant]] + - 同属定时晨间简报场景，但 Custom Morning Brief 面向个人，本方案面向家庭。 +- [[phone-based-personal-assistant]] ← 互补 ← [[Family Calendar Household Assistant]] + - 语音入口覆盖无屏场景，文字入口（iMessage/Telegram）覆盖图文交互。 +- [[personal-crm]] ← 类似技术栈 ← [[Family Calendar Household Assistant]] + - 均通过 Telegram Topic 或 Slack Channel 提供自然语言查询接口。 + +## Contradictions +- 无已知冲突。 diff --git a/wiki/sources/knowledge-base-rag.md b/wiki/sources/knowledge-base-rag.md index dc7e4dc6..58e0b8ae 100644 --- a/wiki/sources/knowledge-base-rag.md +++ b/wiki/sources/knowledge-base-rag.md @@ -1,48 +1,42 @@ ---- -title: "Personal Knowledge Base (RAG)" -type: source -tags: [] -date: 2026-04-22 ---- - -## Source File -- [[Agent/usecases/knowledge-base-rag]] - -## Summary（用中文描述） -- 核心主题：AI Agent 驱动的个人知识库 RAG 系统，实现"零摩擦保存、语义检索"的工作流 -- 问题域：书签堆积却无法找到所需内容——阅读的文章、推文、视频随时间遗忘 -- 方法/机制： - - 通过 Telegram Topic 或 Slack Channel 一键摄取引擎（URL 自动抓取网页/推文/YouTube 字幕/PDF） - - Embedding 向量化存储，支持语义搜索（"我保存的关于 LLM memory 的内容？"） - - 集成 OpenClaw knowledge-base skill，工作流间自动查询知识库 -- 结论/价值：**捕获像发短信一样简单，检索像搜索一样容易**，无需专用 App - -## Key Claims（用中文描述） -- 个人知识积累面临"阅读多、保存多、找到难"的困境 -- 通过 Telegram/Slack 直接投递 URL，自动解析内容并索引至知识库 -- 语义搜索超越关键词匹配，返回排名结果并附带来源引用 -- 知识库可被其他工作流（如视频选题流水线）主动调用 - -## Key Quotes -> "You read articles, tweets, and watch videos all day but can never find that one thing you saw last week. Bookmarks pile up and become useless." — 痛点描述 - -## Key Concepts -- [[Knowledge-Base-RAG]]：Retrieval-Augmented Generation，个人知识库的核心架构，详见 [[Knowledge-Base-RAG]] 概念页 -- [[Zero-Friction-Capture]]：零摩擦捕获——任何内容只需发消息即可入库，无需切换 App -- [[Semantic-Search]]：基于 Embedding 向量相似度的语义检索，而非关键词匹配 -- [[Content-Ingestion]]：URL 内容自动解析与分块（Chunking）入库 - -## Key Entities -- [[OpenClaw]]：多 Agent 框架，提供 `knowledge-base` skill 实现 RAG 工作流 -- [[ClawHub]]：OpenClaw Skill 市场，knowledge-base skill 的分发来源 -- [[Telegram]]：知识库投递入口（Topic 路由） -- [[Slack]]：知识库投递入口（Channel） - -## Connections -- [[Second Brain]] ← extends ← [[Knowledge-Base-RAG]]：个人知识库 RAG 是 Second Brain 的检索底层 -- [[YouTube-Content-Pipeline]] ← queries ← [[Knowledge-Base-RAG]]：视频选题工作流自动查询知识库避免重复选题 -- [[Pre-Build-Idea-Validator]] ← queries ← [[Knowledge-Base-RAG]]：项目启动前查询知识库确认是否已做过类似项目 -- [[Content-Ingestion]] ← supports ← [[Semantic-Search]]：内容被抓取才能被搜索 - -## Contradictions -- 暂无发现与其他 Wiki 页面的内容冲突 +--- +title: "Personal Knowledge Base (RAG)" +type: source +tags: [] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/knowledge-base-rag.md]] + +## Summary（用中文描述） +- 核心主题：构建可搜索的个人知识库，从所有保存的内容（文章/Tweet/YouTube 视频/PDF）中自动摄取并支持语义检索 +- 问题域：阅读了大量文章、视频和 Tweet，却永远找不到上周看到的那条内容；书签堆积变得毫无用处 +- 方法/机制：通过 Telegram Topic 或 Slack Channel 接收 URL → 自动抓取内容（文章/Tweet/YouTube 字幕/PDF）→ 语义索引入库 → 支持自然语言提问检索 → 可供其他工作流（如视频创意流水线）查询 +- 结论/价值：**捕获像发短信一样简单，检索像搜索一样简单**；零摩擦摄入 + 语义搜索是解决"知识黑洞"的核心 + +## Key Claims（用中文描述） +- Telegram Topic 或 Slack Channel 可作为个人知识库的零摩擦摄入入口，用户直接发 URL 即可 +- 语义搜索（Semantic Search）使"我存了什么关于 LLM 记忆的内容？"这类自然语言查询成为可能，返回带来源和摘要的排序结果 +- 知识库可作为其他 AI 工作流的检索后端——如视频创意流水线在构建研究卡片时自动查询相关已存内容 + +## Key Quotes +> "You read articles, tweets, and watch videos all day but can never find that one thing you saw last week. Bookmarks pile up and become useless." — 痛点描述 + +## Key Concepts +- [[Semantic Search]]：基于语义向量相似度的搜索，而非关键词匹配，实现自然语言查询已存内容 +- [[RAG]]（Retrieval-Augmented Generation）：将外部知识库检索与 LLM 生成结合，提升回答的上下文相关性 +- [[Knowledge Base]]：集中存储、结构化索引、可按需检索的个人或组织知识集合 + +## Key Entities +- [[OpenClaw]]：AI Agent 框架，驱动整个 KB 摄取和检索流程（fetch 内容 → 索引 → 查询响应） +- [[Telegram]]：作为摄取入口的即时通讯平台，用户发 URL 到专属 Topic 触发自动摄入 +- [[Slack]]：Telegram 的替代摄取入口，通过 Channel 实现相同功能 + +## Connections +- [[Second Brain]] ← 理念同源 ← [[Personal Knowledge Base (RAG)]] +- [[养虾日记3]] ← 受启发于 ← [[Personal Knowledge Base (RAG)]] +- [[custom-morning-brief]] ← 可查询 ← [[Personal Knowledge Base (RAG)]] +- [[semantic-memory-search]] ← 技术基础 ← [[Personal Knowledge Base (RAG)]] + +## Contradictions +- 与 [[Second Brain]] 的摄入方式：[[Second Brain]] 侧重对话内捕获（发短信"Remind me..."），[[Personal Knowledge Base (RAG)]] 侧重 URL 链接的直接摄入——两者摄入路径不同，可互补而非冲突 diff --git a/wiki/sources/multi-source-tech-news-digest.md b/wiki/sources/multi-source-tech-news-digest.md index 165633a7..3f66f2c0 100644 --- a/wiki/sources/multi-source-tech-news-digest.md +++ b/wiki/sources/multi-source-tech-news-digest.md @@ -1,51 +1,50 @@ ---- -title: "Multi-Source Tech News Digest" -type: source -tags: [] -date: 2026-04-22 ---- - -## Source File -- [[Agent/usecases/multi-source-tech-news-digest.md]] - -## Summary（用中文描述） -- 核心主题：多源科技新闻自动聚合、评分与投递系统，通过 AI Agent 驱动的四层数据管道，整合 RSS、Twitter/X、GitHub Releases 和网页搜索共 109+ 信息源，生成个性化每日技术简报。 -- 问题域：AI/开源/前沿技术从业者需要每日手动检查数十个 RSS 订阅、Twitter 账号、GitHub 仓库和新闻网站，人工策展耗时且现有工具缺乏质量过滤或配置复杂。 -- 方法/机制：四层数据管道（RSS 46 源 + Twitter/X KOL 44 账号 + GitHub Releases 19 仓库 + Brave Search 网页搜索 4 个主题）→ 合并去重（标题相似度）→ 质量评分（优先级来源 +3，多来源 +5，时效性 +2，互动量 +1）→ Discord/Email/Telegram 投递。 -- 结论/价值：通过自然语言配置，完全可定制，30 秒内添加自定义来源，替代人工信息策展。 - -## Key Claims（用中文描述） -- 多源聚合系统通过四层数据管道（RSS + Twitter/X + GitHub Releases + Web Search）将科技新闻策展效率提升至接近自动化水平。 -- 质量评分机制（priority source +3, multi-source +5, recency +2, engagement +1）有效过滤噪音，提升简报价值。 -- 完全自然语言驱动——用户通过对话即可添加自定义 RSS/Twitter/GitHub 来源，无需手动配置。 -- 支持 Discord、Email、Telegram 三通道投递，适配不同用户习惯。 - -## Key Quotes -> "The framework is fully customizable — add your own RSS feeds, Twitter handles, GitHub repos, or search queries in 30 seconds." — 功能描述，强调零配置门槛 -> "All articles are merged, deduplicated by title similarity, and quality-scored (priority source +3, multi-source +5, recency +2, engagement +1)." — 核心算法逻辑 - -## Key Concepts -- [[RSS聚合]]：通过 RSS 协议从 46 个科技媒体（OpenAI Blog、Hacker News、MIT Tech Review 等）持续获取最新内容 -- [[社交媒体监控]]：通过 Twitter/X API 监控 44 位 KOL（@karpathy、@sama、@VitalikButerin 等）的动态 -- [[GitHub动态监控]]：追踪 19 个热门开源项目（vLLM、LangChain、Ollama、Dify 等）的 Release 更新 -- [[网页搜索聚合]]：通过 Brave Search API 执行 4 个主题的主动搜索，覆盖无 RSS 的来源 -- [[内容去重]]：基于标题相似度对多源内容进行合并，避免重复推送 -- [[质量评分算法]]：priority source +3 / multi-source +5 / recency +2 / engagement +1 的多维度加权评分体系 -- [[多渠道投递]]：支持 Discord、Email、Telegram 三个投递通道 - -## Key Entities -- [[DracoVibeCoding]]：公众号"Draco正在VibeCoding"作者，Multi-Source Tech News Digest 的提出者 -- [[Brave Search]]：网页搜索层 API 提供方，为无 RSS 来源的主题提供主动搜索能力 -- [[ClawHub]]：tech-news-digest skill 的分发平台，通过 `clawhub install tech-news-digest` 一键安装 -- [[RSSHub]]：开源 RSS 聚合服务，可扩展 RSS 覆盖的信息源范围 -- [[gog]]（可选）：Gmail 邮件投递依赖的 CLI 工具 - -## Connections -- [[YouTube-Content-Pipeline]] ← 同类多源内容监控 → [[multi-source-tech-news-digest]] -- [[Daily-YouTube-Digest]] ← 同类定时 + AI 摘要 + 多通道投递模式 → [[multi-source-tech-news-digest]] -- [[Daily Reddit Digest]] ← 同类 Cron Job + AI 摘要 → [[multi-source-tech-news-digest]] -- [[Brave Search]] ← 提供网页搜索数据 → [[multi-source-tech-news-digest]] -- [[RSSHub]] ← 扩展 RSS 信息源覆盖 → [[multi-source-tech-news-digest]] - -## Contradictions -- 与 [[YouTube-Content-Pipeline]]：两者都做多源内容监控，但侧重点不同——YouTube 侧重视频内容发现（转录+摘要），本文档侧重文字新闻聚合（RSS+Twitter+GitHub+Search）。两者互补而非冲突，共同构成完整的内容监控体系。 +--- +title: "Multi-Source Tech News Digest" +type: source +tags: [RSS, Twitter, GitHub, Web-Search, News-Aggregation, OpenClaw, ClawHub] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/multi-source-tech-news-digest.md]] + +## Summary（用中文描述） +- 核心主题：多来源技术新闻自动聚合、评分与分发框架 +- 问题域：AI/开源/前沿技术资讯的获取效率——人工逐一查看数十个 RSS、Twitter、GitHub 和新闻网站耗时且缺乏质量过滤 +- 方法/机制：四层数据管道（RSS × 46 + Twitter KOL × 44 + GitHub Releases × 19 + Brave Search × 4），通过标题相似度去重 + 多维质量评分（优先级来源 +3，多来源 +5，时效性 +2，互动量 +1），最终推送至 Discord/邮件/Telegram；通过自然语言添加自定义来源 +- 结论/价值：零配置开箱即用，30 秒内添加自定义 RSS/Twitter/GitHub 来源，完全可定制 + +## Key Claims（用中文描述） +- 多来源聚合（RSS + Twitter + GitHub + Web Search）能够显著提升技术资讯获取效率 +- 质量评分机制（优先级来源 + 多来源交叉验证 + 时效性 + 互动量）可有效过滤低质量内容 +- 自然语言驱动的来源管理使非技术用户可在 30 秒内添加任意来源 +- 定时调度 + 多渠道分发（Discord/邮件/Telegram）实现真正自动化 + +## Key Quotes +> "Staying updated across AI, open-source, and frontier tech requires checking dozens of RSS feeds, Twitter accounts, GitHub repos, and news sites daily. Manual curation is time-consuming, and most existing tools either lack quality filtering or require complex configuration." — 痛点描述 +> "The framework is fully customizable — add your own RSS feeds, Twitter handles, GitHub repos, or search queries in 30 seconds." — 核心价值主张 + +## Key Concepts +- [[Content-Aggregation]]：多来源内容聚合——通过合并去重解决信息碎片化问题 +- [[Quality-Scoring]]：多维质量评分体系——优先级来源、多来源交叉、时效性、互动量四个维度综合打分 +- [[Content-Deduplication]]：基于标题相似度的智能去重——避免同一内容从多个渠道重复出现 +- [[Multi-Channel-Delivery]]：多渠道分发——Discord、Webhook 邮件、Telegram 等多平台同步推送 + +## Key Entities +- [[DracoVibeCoding]]：「Draco正在VibeCoding」公众号作者，multi-source-tech-news-digest 等多个 OpenClaw Agent 自动化方案的提出者 +- [[ClawHub]]：tech-news-digest Skill 的托管平台，提供 `clawhub install tech-news-digest` 一键安装 +- [[vLLM]]（仅在来源列表中出现 1 次，不满足 Entity 创建条件）：GitHub Releases 监控的 19 个仓库之一 +- [[Dify]]（已有 Entity）：GitHub Releases 监控的 19 个仓库之一 +- [[LangChain]]（已有 Entity）：GitHub Releases 监控的 19 个仓库之一 +- [[Ollama]]（已有 Entity）：GitHub Releases 监控的 19 个仓库之一 + +## Connections +- [[multi-source-tech-news-digest]] ← depends_on ← [[RSSHub]]（RSS Feed 层通过 RSSHub 生成标准化 RSS） +- [[multi-source-tech-news-digest]] ← extends ← [[blogwatcher-daily收藏]]（两者均聚焦多来源资讯聚合，但 tech-news-digest 侧重多平台大规模聚合 + 质量评分） +- [[DracoVibeCoding]] — authored — [[multi-source-tech-news-digest]] + +## Contradictions +- 与 [[blogwatcher-daily收藏]]： + - 冲突点：两者功能存在重叠（均聚合多来源技术资讯） + - 当前观点：multi-source-tech-news-digest 以定时 digest + 质量评分为核心，支持更多来源类型（RSS + Twitter + GitHub + Web Search） + - 对方观点：blogwatcher-daily 侧重 RSSHub 生态的本地部署，聚焦单一平台内容监控，强调 BlogWatcher skill 与 daily notes 的深度集成 diff --git a/wiki/sources/phone-call-notifications.md b/wiki/sources/phone-call-notifications.md index ef0e2f4b..a18cf490 100644 --- a/wiki/sources/phone-call-notifications.md +++ b/wiki/sources/phone-call-notifications.md @@ -1,61 +1,61 @@ ---- -title: "Phone Call Notifications" -type: source -tags: [] -date: 2026-04-22 ---- - -## Source File -- [[Agent/usecases/phone-call-notifications.md]] - -## Summary（用中文描述） -- 核心主题：AI Agent 通过真实电话呼叫（而非推送通知）向用户发送紧急提醒，实现 Agent → 用户双向语音通话 -- 问题域：推送通知容易被忽视，聊天消息容易被埋没，紧急信息无法可靠触达用户 -- 方法/机制：通过 clawr.ing 托管电话服务（无需 Twilio/API Key 配置），Agent 评估事件优先级，决定是否值得打电话，主动拨叫用户真实号码；通话中用户可实时提问，Agent 实时响应，实现真正的双向对话 -- 结论/价值：电话是唯一可靠绕过注意力屏障的触达方式；Agent 主动判断"是否值得打电话"而非被动响应；clawr.ing 消除电话集成的技术门槛 - -## Key Claims（用中文描述） -- Agent 主动拨叫用户，而非用户呼叫 Agent——这是注意力触达效率的关键差异 -- clawr.ing 消除了电话 API 配置门槛，一段 setup prompt 即完成集成，覆盖 100+ 国家真实 PSTN 电话 -- 电话通知需与 Heartbeat/Cron Job 配合作为触发器，clawr.ing 本身仅是投递通道 -- 通话场景下应使用快速模型（Haiku 级别）以降低延迟 -- clawr.ing 不存储录音或文字记录，音频传输加密后即时销毁 - -## Key Quotes -> "Phone call means 'this actually matters.' If your agent calls you 10 times a day, you'll start ignoring it." -> — 核心设计原则：控制电话通知频率，保持其作为最高优先级触达通道的价值 - -> "Unlike a push notification, you can ask follow-up questions on the call." -> — 双向对话是电话通知区别于所有其他通知渠道的本质差异 - -## Key Concepts -- [[Voice Notification Channel]]：Agent 通过主动拨打电话作为高优先级通知投递通道，与推送通知/聊天消息并列 -- [[Two-Way Voice Conversation]]：Agent 主动拨叫用户，用户可实时提问，Agent 实时响应，而非单向广播 -- [[Call-Worthy Threshold]]：仅当事件足够重要时才触发电话，避免通知疲劳 -- [[PSTN Calling]]：真实公共交换电话网电话（非 VoIP 叠加层），确保全球覆盖和可靠接通 - -## Key Entities -- [[clawr.ing]]：托管电话服务提供商，消除了 Twilio 等传统电话 API 的配置复杂度，为 Agent 提供一键电话呼叫能力 -- [[OpenClaw]]：Agent 框架，通过 clawr.ing skill 实现主动电话通知功能 -- [[clawhub.ai]]：OpenClaw Skill 市场，托管 clawr.ing skill 安装包 - -## Connections -- [[Phone-Based-Personal-Assistant]] ← extends ← [[phone-call-notifications]] - - Phone-Based Personal Assistant 侧重 Agent 接收用户来电并进行语音交互（用户 → Agent） - - Phone Call Notifications 侧重 Agent 主动向外拨叫通知用户（Agent → 用户） - - 两者互为补充，构成完整的语音双向通信能力 -- [[multi-channel-assistant]] ← shares_channel ← [[phone-call-notifications]] - - 同属 OpenClaw 多渠道个人助理体系，但 Phone Call Notifications 补充了最高优先级的语音触达通道 -- [[Custom Morning Brief]] ← delivery_channel ← [[phone-call-notifications]] - - 晨间简报可通过电话通道投递，实现"每天 7:30 准时来电"场景 -- [[Self-Healing-Home-Server]] ← delivery_channel ← [[phone-call-notifications]] - - 家庭服务器关键告警可通过电话第一时间触达用户 -- [[earnings-tracker]] ← delivery_channel ← [[phone-call-notifications]] - - 股价暴跌等紧急事件可通过电话立即通知 - -## Contradictions -- 与 [[phone-based-personal-assistant]] 存在方向差异： - - 冲突点：谁来发起通话 - - 当前观点（phone-call-notifications）：Agent 主动拨叫用户，拨叫门槛高（仅紧急事件） - - 对方观点（phone-based-personal-assistant）：用户主动呼叫 Agent，Agent 接听并提供助理服务 - - 协调说明：两者不冲突——前者用于紧急通知（Agent → 用户），后者用于主动查询（用户 → Agent），共同构成双向语音通信体系 +--- +title: "Phone Call Notifications" +type: source +tags: [] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/phone-call-notifications.md]] + +## Summary（用中文描述） +- 核心主题：AI Agent 通过真实电话呼叫（而非推送通知）向用户发送紧急提醒，实现 Agent → 用户双向语音通话 +- 问题域：推送通知容易被忽视，聊天消息容易被埋没，紧急信息无法可靠触达用户 +- 方法/机制：通过 clawr.ing 托管电话服务（无需 Twilio/API Key 配置），Agent 评估事件优先级，决定是否值得打电话，主动拨叫用户真实号码；通话中用户可实时提问，Agent 实时响应，实现真正的双向对话 +- 结论/价值：电话是唯一可靠绕过注意力屏障的触达方式；Agent 主动判断"是否值得打电话"而非被动响应；clawr.ing 消除电话集成的技术门槛 + +## Key Claims（用中文描述） +- Agent 主动拨叫用户，而非用户呼叫 Agent——这是注意力触达效率的关键差异 +- clawr.ing 消除了电话 API 配置门槛，一段 setup prompt 即完成集成，覆盖 100+ 国家真实 PSTN 电话 +- 电话通知需与 Heartbeat/Cron Job 配合作为触发器，clawr.ing 本身仅是投递通道 +- 通话场景下应使用快速模型（Haiku 级别）以降低延迟 +- clawr.ing 不存储录音或文字记录，音频传输加密后即时销毁 + +## Key Quotes +> "Phone call means 'this actually matters.' If your agent calls you 10 times a day, you'll start ignoring it." +> — 核心设计原则：控制电话通知频率，保持其作为最高优先级触达通道的价值 + +> "Unlike a push notification, you can ask follow-up questions on the call." +> — 双向对话是电话通知区别于所有其他通知渠道的本质差异 + +## Key Concepts +- [[Voice Notification Channel]]：Agent 通过主动拨打电话作为高优先级通知投递通道，与推送通知/聊天消息并列 +- [[Two-Way Voice Conversation]]：Agent 主动拨叫用户，用户可实时提问，Agent 实时响应，而非单向广播 +- [[Call-Worthy Threshold]]：仅当事件足够重要时才触发电话，避免通知疲劳 +- [[PSTN Calling]]：真实公共交换电话网电话（非 VoIP 叠加层），确保全球覆盖和可靠接通 + +## Key Entities +- [[clawr.ing]]：托管电话服务提供商，消除了 Twilio 等传统电话 API 的配置复杂度，为 Agent 提供一键电话呼叫能力 +- [[OpenClaw]]：Agent 框架，通过 clawr.ing skill 实现主动电话通知功能 +- [[clawhub.ai]]：OpenClaw Skill 市场，托管 clawr.ing skill 安装包 + +## Connections +- [[Phone-Based-Personal-Assistant]] ← extends ← [[phone-call-notifications]] + - Phone-Based Personal Assistant 侧重 Agent 接收用户来电并进行语音交互（用户 → Agent） + - Phone Call Notifications 侧重 Agent 主动向外拨叫通知用户（Agent → 用户） + - 两者互为补充，构成完整的语音双向通信能力 +- [[multi-channel-assistant]] ← shares_channel ← [[phone-call-notifications]] + - 同属 OpenClaw 多渠道个人助理体系，但 Phone Call Notifications 补充了最高优先级的语音触达通道 +- [[Custom Morning Brief]] ← delivery_channel ← [[phone-call-notifications]] + - 晨间简报可通过电话通道投递，实现"每天 7:30 准时来电"场景 +- [[Self-Healing-Home-Server]] ← delivery_channel ← [[phone-call-notifications]] + - 家庭服务器关键告警可通过电话第一时间触达用户 +- [[earnings-tracker]] ← delivery_channel ← [[phone-call-notifications]] + - 股价暴跌等紧急事件可通过电话立即通知 + +## Contradictions +- 与 [[phone-based-personal-assistant]] 存在方向差异： + - 冲突点：谁来发起通话 + - 当前观点（phone-call-notifications）：Agent 主动拨叫用户，拨叫门槛高（仅紧急事件） + - 对方观点（phone-based-personal-assistant）：用户主动呼叫 Agent，Agent 接听并提供助理服务 + - 协调说明：两者不冲突——前者用于紧急通知（Agent → 用户），后者用于主动查询（用户 → Agent），共同构成双向语音通信体系 diff --git a/wiki/sources/semantic-memory-search.md b/wiki/sources/semantic-memory-search.md index 267c02a3..1da8dc64 100644 --- a/wiki/sources/semantic-memory-search.md +++ b/wiki/sources/semantic-memory-search.md @@ -1,46 +1,44 @@ ---- -title: "Semantic Memory Search" -type: source -tags: [memory, semantic-search, vector-db, openclaw] -date: 2026-04-22 ---- - -## Source File -- [[Agent/usecases/semantic-memory-search]] - -## Summary（用中文描述） -- 核心主题：为 OpenClaw 的 Markdown 记忆文件添加向量语义搜索能力 -- 问题域：OpenClaw 记忆以纯 Markdown 存储，随时间积累后无法检索，grep 只能关键词匹配，无法语义理解 -- 方法/机制：使用 memsearch 库（Milvus 向量数据库）构建混合搜索（稠密向量 + BM25）配合 RRF 重排；SHA-256 内容哈希实现增量索引；文件监视器自动重建索引 -- 结论/价值：用自然语言提问（如"我们选了哪个缓存方案？"）即可找到相关内容，无需记忆精确措辞；支持本地模式无需 API Key - -## Key Claims（用中文描述） -- OpenClaw 记忆库积累后，纯 Markdown 无法语义检索，用户需要通过含义而非关键词找到过去决策 -- 混合搜索（稠密向量 + BM25）结合 RRF 重排，同时捕获语义相似性和关键词精确匹配，优于纯向量搜索 -- SHA-256 内容哈希确保仅新内容或变更内容被嵌入，避免重复 API 调用，节省成本 -- Markdown 文件是唯一真相，向量索引只是派生缓存，随时可通过 `memsearch index` 重建 - -## Key Quotes -> "Markdown stays the source of truth. The vector index is just a derived cache — you can rebuild it anytime with `memsearch index`. Your memory files are never modified." — 核心理念：原始文档不可变 -> "Hybrid search beats pure vector search. Combining semantic similarity (dense vectors) with keyword matching (BM25) via Reciprocal Rank Fusion catches both meaning-based and exact-match queries." — 混合搜索的优越性 -> "Smart dedup saves money. Each chunk is identified by a SHA-256 content hash. Re-running `index` only embeds new or changed content, so you can run it as often as you like without wasting embedding API calls." — 增量索引节省成本 - -## Key Concepts -- [[Semantic Memory Search]]：通过向量嵌入实现对记忆文件的语义搜索，而非仅关键词匹配 -- [[Hybrid Search]]：结合稠密向量（语义相似性）和 BM25（关键词精确匹配）的混合检索策略 -- [[Reciprocal Rank Fusion (RRF)]]：通过排名融合重排合并多个检索结果，提升搜索质量 -- [[Content Hashing]]：使用 SHA-256 哈希识别内容块，仅对新增或变更内容重新嵌入 -- [[File Watcher]]：监视记忆文件变化，自动触发增量重建索引，保持索引实时更新 - -## Key Entities -- [[memsearch]]：ZillizTech 开源的向量语义搜索 CLI/库，为 OpenClaw 记忆提供语义搜索能力，基于 Milvus 向量数据库 -- [[Milvus]]：开源向量数据库后端，memsearch 的向量存储和检索引擎 -- [[OpenClaw]]：多 Agent 框架，自带 Markdown 记忆系统，是本用例的上层应用框架 - -## Connections -- [[OpenClaw]] ← extends ← [[Semantic Memory Search]]：本用例在 OpenClaw 纯 Markdown 记忆之上叠加向量语义搜索层 -- [[Knowledge-Base-RAG]] ← related_to ← [[Semantic Memory Search]]：两者都涉及向量 Embedding 检索，属于 RAG 技术栈的不同场景 -- [[Second Brain]] ← related_to ← [[Semantic Memory Search]]：第二大脑的记忆持久化与语义检索能力相辅相成 - -## Contradictions -- 与 [[Knowledge-Base-RAG]] 无冲突，两者属同一技术栈的不同实现：Knowledge Base RAG 侧重 Telegram/Slack 投递 URL 并入库，本用例侧重现有 Markdown 文件的语义索引 +--- +title: "Semantic Memory Search" +type: source +tags: [] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/semantic-memory-search.md]] + +## Summary（用中文描述） +- 核心主题：为 OpenClaw 的 markdown 记忆文件添加向量语义搜索能力 +- 问题域：随着记忆文件增多，无法通过关键词查找语义相关内容 +- 方法/机制：使用 memsearch 工具，将 markdown 文件索引到 Milvus 向量数据库，结合语义搜索 + BM25 全文搜索 + RRF 重排 +- 结论/价值：实现按语义而非关键词搜索记忆，支持文件监控自动重索引，节省 API 调用的智能去重 + +## Key Claims（用中文描述） +- memsearch 通过 SHA-256 内容哈希实现增量索引，未变化的文件不会被重新嵌入，零 API 浪费 +- 混合搜索（稠密向量 + BM25）通过倒数排名融合（RRF）重排，优于纯向量搜索 +- Markdown 文件始终是数据源，向量索引只是可重建的派生缓存 + +## Key Quotes +> "There is no search, just scrolling through files." — 描述 OpenClaw 记忆系统的原始痛点 +> "Markdown stays the source of truth. The vector index is just a derived cache — you can rebuild it anytime with `memsearch index`." — 强调数据主权设计 + +## Key Concepts +- [[HybridSearch]]：结合语义相似度（稠密向量）与关键词匹配（BM25）的混合搜索方法 +- [[Incremental-Indexing]]：基于内容哈希的增量索引，只处理新增或变化的文件块 +- [[Reciprocal-Rank-Fusion]]：倒数排名融合，通过综合多个搜索结果排名生成最终排序 +- [[Vector-Embedding]]：向量嵌入技术，将文本编码为高维向量用于语义搜索 + +## Key Entities +- [[OpenClaw]]：开源的 AI Agent 记忆系统，将所有记忆存储为 markdown 文件 +- [[memsearch]]：基于 Milvus 的向量搜索 CLI/库，为 markdown 文件提供语义搜索能力 +- [[Milvus]]：开源向量数据库，为语义搜索提供底层存储和检索支持 + +## Connections +- [[memsearch]] ← built_on ← [[Milvus]] +- [[memsearch]] ← enhances ← [[OpenClaw]] +- [[semantic-memory-search]] ← related_to ← [[SecondBrain]] +- [[semantic-memory-search]] ← similar_pain_point ← [[knowledge-base-rag]] + +## Contradictions +- 无已知冲突 diff --git a/wiki/sources/x-account-analysis.md b/wiki/sources/x-account-analysis.md index 25844ee5..4b38c038 100644 --- a/wiki/sources/x-account-analysis.md +++ b/wiki/sources/x-account-analysis.md @@ -1,42 +1,41 @@ ---- -title: "X Account Analysis" -type: source -tags: ["openclaw", "social-media", "analytics", "x-twitter"] -date: 2026-04-23 ---- - -## Source File -- [[Agent/usecases/x-account-analysis]] - -## Summary（用中文描述） -- 核心主题：X（Twitter）账号定性分析——超越数字指标，洞悉内容质量 -- 问题域：现有 X 分析工具（X Analytics / 第三方订阅服务）只展示统计数据，无法回答"为什么"的问题 -- 方法/机制：OpenClaw + Bird Skill，通过 Cookie 认证（auth-token / ct0）读取真实账号推文，AI 定性分析内容模式、话题偏好与互动差异原因 -- 结论/价值：免费替代 $10-$50/月 订阅服务，自然语言问答式交互，无需专用 App - -## Key Claims（用中文描述） -- OpenClaw + Bird Skill 可对 X 账号进行定性分析，揭示使帖子病毒式传播的模式 -- AI 能回答"为何有时帖子 1000+ 赞，有时 <5 赞"——分析内容质量而非数字 -- Bird Skill 预装在 OpenClaw 中（`clawhub install bird`） -- 为安全隔离建议创建专用 ClawdBot 账号，而非直接使用真实账号 - -## Key Quotes -> "There are many websites designed to give you X analytics, but they focus on the statistics. There are probably 1-2 websites that let you talk with an AI to understand your performance." — 现有分析工具痛点 -> "Now you can use OpenClaw to do this analysis for you, without needing to pay $10-$50 for subscriptions on these websites." — OpenClaw 免费替代方案 - -## Key Concepts -- [[X/Twitter-API-Automation]]：通过 Cookie 认证实现 API 访问 -- [[Social-Media-Analytics]]：定性分析 vs 定量分析 -- [[Credential-Isolation]]：为机器人创建独立账号实现安全隔离 - -## Key Entities -- [[OpenClaw]]：多 Agent 框架，提供记忆持久化和 Skill 扩展能力 -- [[Bird Skill]]：OpenClaw X/Twitter 操作 Skill，预装或通过 `clawhub install bird` 安装 -- [[ClawdBot]]：OpenClaw 的机器人实例，建议创建独立账号用于 X 操作 - -## Connections -- [[x-twitter-automation]] ← extends ← [[x-account-analysis]]（操作 vs 分析，互补关系） -- [[content-factory]] ← can_use ← [[x-account-analysis]]（社交媒体内容策略分析） - -## Contradictions -无已知冲突 +--- +title: "X Account Analysis" +type: source +tags: [] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/x-account-analysis.md]] + +## Summary（用中文描述） +- 核心主题：利用 AI Agent（OpenClaw + Bird Skill）对 X（Twitter）账号进行定性分析 +- 问题域：现有 X 分析工具大多只提供数据统计（播放量、点赞数），缺乏对内容质量的深度洞察 +- 方法/机制：通过 Bird Skill 抓取账号最近 N 条推文，结合 AI 对话式问答，发现内容规律与问题点 +- 结论/价值：免费（相比 $10-$50/月订阅的第三方网站）、安全隔离（建议用专用 ClawdBot 账号）、支持深度提问与脚本编写 + +## Key Claims（用中文描述） +- 现有 X 分析网站（如analytics官方面板）侧重数据统计，而非内容质量分析 +- 定性分析能回答：什么模式让帖子病毒式传播？哪些话题带来最高互动？为什么有时1000+赞有时<5赞？ +- OpenClaw + Bird Skill 可替代付费订阅网站，实现免费定性分析 +- 为安全和隔离，建议为 ClawdBot 创建专用 X 账号，而非直接用自己的账号 + +## Key Quotes +> "There are many websites designed to give you a qualitative analysis of your X account. While X already gives you an analytics section, it's more focused to show your numbers on your performance." — 指出 X 官方分析工具的局限性 +> "But now you can use OpenClaw to do this analysis for you, without needing to pay $10-$50 for subscriptions on these websites." — OpenClaw 的成本优势 + +## Key Concepts +- [[定性分析（Qualitative Analysis）]]：关注内容质量而非数据指标，分析帖子模式、话题趋势、互动差异原因 +- [[Bird Skill]]：OpenClaw 的 X/Twitter 操作技能，支持抓取推文、认证、信息提取 + +## Key Entities +- [[OpenClaw]]：AI Agent 平台，支持通过 Skill 扩展功能 +- [[Bird Skill]]：`clawhub install bird` 安装的 X/Twitter 操作技能（预装在 OpenClaw 中） +- [[ClawdBot]]：专用 Bot 账号，用于隔离操作、保障安全 + +## Connections +- [[X/Twitter Automation from Chat]] ← extends ← [[X Account Analysis]] +- [[OpenClaw]] ← uses_skill ← [[Bird Skill]] + +## Contradictions +- 无已知冲突 diff --git a/wiki/sources/x-twitter-automation.md b/wiki/sources/x-twitter-automation.md index d7ff8b01..460abcc3 100644 --- a/wiki/sources/x-twitter-automation.md +++ b/wiki/sources/x-twitter-automation.md @@ -1,44 +1,44 @@ ---- -title: "X/Twitter Automation from Chat" -type: source -tags: ["openclaw", "twitter", "x", "automation", "social-media", "plugin"] -date: 2026-04-17 ---- - -## Source File -- [[Agent/usecases/x-twitter-automation.md]] - -## Summary（用中文描述） -- 核心主题：通过自然语言在聊天中完成 X/Twitter 全功能自动化操作 -- 问题域：X/Twitter 账号管理需要在 App、第三方仪表盘和数据分析工具之间来回切换，缺乏统一的对话式交互界面 -- 方法/机制：TweetClaw（OpenClaw 插件）通过 X/Twitter 官方托管 API 连接 Agent，提供发推/互动、搜索提取、抽奖工具、账号监控四大功能模块 -- 结论/价值：用一个聊天界面替代所有 X/Twitter 管理工具，所有操作通过托管 API 完成，无 Cookie、无爬虫、无凭证暴露 - -## Key Claims（用中文描述） -- TweetClaw 插件通过自然语言交互实现 X/Twitter 全功能操作（发帖、回复、点赞、转发、关注、DM、搜索、数据提取、抽奖选人、账号监控） -- 抽奖功能支持可配置的筛选条件（最低粉丝数、账号年龄、关键词要求），从推文互动用户中随机抽取获奖者 -- 账号监控功能可追踪指定账号的新推文或粉丝变化并发送通知 -- 所有 API 操作通过 TweetClaw 托管服务完成，无需浏览器 Cookie、无爬虫脚本、无凭证暴露 - -## Key Quotes -> "Managing an X/Twitter presence requires jumping between the app, third-party dashboards, and analytics tools." — 痛点描述 -> "All actions go through a managed API — no browser cookies, no scraping, no credential exposure." — 安全性说明 - -## Key Concepts -- [[X/Twitter-API-Automation]]：通过 API 接口程序化控制 X/Twitter 账号行为，替代手动操作或爬虫方案 -- [[Social-Media-Giveaway]]：通过程序化方式从推文互动用户中随机抽取获奖者，支持多条件筛选 -- [[Account-Monitoring]]：持续追踪指定账号的内容发布或粉丝变动并触发通知 - -## Key Entities -- [[TweetClaw]]：OpenClaw 插件，通过 @xquik/tweetclaw npm 包安装，连接 Agent 与 X/Twitter API -- [[Xquik-dev]]：TweetClaw 的开发公司，维护 GitHub 仓库和 npm 包 -- [[OpenClaw]]：多 Agent 框架，提供持久化记忆和 Plugin 系统，TweetClaw 的宿主平台 - -## Connections -- [[X-Account-Analysis]] ← related ← [[x-twitter-automation]]（两者同属 X/Twitter 场景，X-Account-Analysis 侧重数据分析，本页面侧重自动化操作） -- [[Content-Factory]] ← extends ← [[x-twitter-automation]]（Content-Factory 的社交媒体发布能力可由 TweetClaw 提供支持） -- [[x-twitter-automation]] ← depends_on ← [[OpenClaw]]（TweetClaw 以 OpenClaw Plugin 形式运行，依赖 OpenClaw 的 Agent 执行环境） -- [[n8n-workflow-orchestration]] ← complementary ← [[x-twitter-automation]]（n8n Webhook 模式可作为 TweetClaw API 的安全凭证托管层） - -## Contradictions -- 无已知冲突。与 [[x-account-analysis]] 互补——分析 vs 操作，共同构成 X/Twitter 场景的完整能力覆盖 +--- +title: "X/Twitter Automation from Chat" +type: source +tags: ["openclaw", "twitter", "x", "automation", "social-media", "plugin"] +date: 2026-04-27 +--- + +## Source File +- [[Agent/usecases/x-twitter-automation.md]] + +## Summary（用中文描述） +- 核心主题：通过自然语言在聊天中完成 X/Twitter 全功能自动化操作 +- 问题域：X/Twitter 账号管理需要在 App、第三方仪表盘和数据分析工具之间来回切换，缺乏统一的对话式交互界面 +- 方法/机制：TweetClaw（OpenClaw 插件）通过 X/Twitter 官方托管 API 连接 Agent，提供发推/互动、搜索提取、抽奖工具、账号监控四大功能模块 +- 结论/价值：用一个聊天界面替代所有 X/Twitter 管理工具，所有操作通过托管 API 完成，无 Cookie、无爬虫、无凭证暴露 + +## Key Claims（用中文描述） +- TweetClaw 插件通过自然语言交互实现 X/Twitter 全功能操作（发帖、回复、点赞、转发、关注、DM、搜索、数据提取、抽奖选人、账号监控） +- 抽奖功能支持可配置的筛选条件（最低粉丝数、账号年龄、关键词要求），从推文互动用户中随机抽取获奖者 +- 账号监控功能可追踪指定账号的新推文或粉丝变化并发送通知 +- 所有 API 操作通过 TweetClaw 托管服务完成，无需浏览器 Cookie、无爬虫脚本、无凭证暴露 + +## Key Quotes +> "Managing an X/Twitter presence requires jumping between the app, third-party dashboards, and analytics tools." — 痛点描述 +> "All actions go through a managed API — no browser cookies, no scraping, no credential exposure." — 安全性说明 + +## Key Concepts +- [[X/Twitter-API-Automation]]：通过 API 接口程序化控制 X/Twitter 账号行为，替代手动操作或爬虫方案 +- [[Social-Media-Giveaway]]：通过程序化方式从推文互动用户中随机抽取获奖者，支持多条件筛选 +- [[Account-Monitoring]]：持续追踪指定账号的内容发布或粉丝变动并触发通知 + +## Key Entities +- [[TweetClaw]]：OpenClaw 插件，通过 @xquik/tweetclaw npm 包安装，连接 Agent 与 X/Twitter API +- [[Xquik-dev]]：TweetClaw 的开发公司，维护 GitHub 仓库和 npm 包 +- [[OpenClaw]]：多 Agent 框架，提供持久化记忆和 Plugin 系统，TweetClaw 的宿主平台 + +## Connections +- [[X-Account-Analysis]] ← related ← [[x-twitter-automation]]（两者同属 X/Twitter 场景，X-Account-Analysis 侧重数据分析，本页面侧重自动化操作） +- [[Content-Factory]] ← extends ← [[x-twitter-automation]]（Content-Factory 的社交媒体发布能力可由 TweetClaw 提供支持） +- [[x-twitter-automation]] ← depends_on ← [[OpenClaw]]（TweetClaw 以 OpenClaw Plugin 形式运行，依赖 OpenClaw 的 Agent 执行环境） +- [[n8n-workflow-orchestration]] ← complementary ← [[x-twitter-automation]]（n8n Webhook 模式可作为 TweetClaw API 的安全凭证托管层） + +## Contradictions +- 无已知冲突。与 [[x-account-analysis]] 互补——分析 vs 操作，共同构成 X/Twitter 场景的完整能力覆盖 diff --git a/wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md b/wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md index f2dba7a0..629819bd 100644 --- a/wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md +++ b/wiki/sources/不谈技术-普通人该怎么在ai时代赚钱.md @@ -1,46 +1,44 @@ ---- -title: "不谈技术：普通人该怎么在AI时代赚钱？" -type: source -tags: [] -date: 2026-04-23 ---- - -## Source File -- [[微信公众号/不谈技术：普通人该怎么 在AI时代赚钱？]] - -## Summary（用中文描述） -- 核心主题：AI时代普通人如何赚钱的思维框架，核心观点是"AI不会让普通人变富，但会让有品味、知道自己要做什么的人变得极其强大" -- 问题域：普通人在AI浪潮中的自我定位与生存策略 -- 方法/机制：三大思维原则——品味值钱、做端到端的事、用死亡过滤器 -- 结论/价值：转变问题框架，从"怎么不被AI淘汰"到"AI能帮我做什么以前做不到的事" - -## Key Claims（用中文描述） -- AI让工具民主化，但品味没有民主化——90%的人用AI生成的东西是shit，因为他们不知道什么是好的 -- 做端到端的事（做一个完整的产品/服务），远比在一个AI流水线里当"螺丝钉"更有价值且更抗替代 -- 用死亡过滤器追问：对什么有genuine的热爱和curiosity？把那一件事做到insanely great -- "普通人"和"不普通的人"的区别不在天赋/资源/运气，而在于愿不愿意对一千件事说No，只对一件事说Yes -- AI不会让普通人变富；AI会让那些知道自己要做什么、并且对品质有执念的人变得极其强大 - -## Key Quotes -> "正确的问题是：AI让我能做到什么以前做不到的事？" — 重新框架问题本身 -> "工具民主化了，但品味没有民主化。" — 为什么90%的AI输出是shit -> "一个人用AI做出一个完整的App，比一个100人的团队里当'AI提示词工程师'强一万倍。" — 端到端的价值 -> "他们愿不愿意对一千件事说No，只对一件事说Yes，然后把那一件事做到insanely great。" — 普通与不普通的分水岭 - -## Key Concepts -- [[品味（审美）]]: 判断AI方案中哪个是insanely great的能力，是AI时代真正的护城河 -- [[端到端（End-to-End）]]: 从头到尾做一个完整的产品/服务/解决方案，而非成为AI流水线上的零件 -- [[死亡过滤器（Death Filter）]]: 每天早上问自己"如果今天是最后一天，我还会做今天要做的事吗？"用于过滤真正值得投入的事 -- [[工具民主化]]: AI降低了做事的门槛，但判断力/品味依然是稀缺能力 - -## Key Entities -- [[乔布斯]]: 文章借乔布斯之口阐述三大原则，Mac桌面出版的类比说明品味比工具更重要 - -## Connections -- [[个人品牌与一人公司]] ← 相关 ← [[不谈技术-普通人该怎么在ai时代赚钱]] - - 两者都强调整个人定位：找到真正热爱的事，用AI杠杆放大优势 -- [[Ikigai框架]] ← 关联 ← [[不谈技术-普通人该怎么在ai时代赚钱]] - - 死亡过滤器与Ikigai的"热情（Passion）"维度高度一致：对自己真正在乎的事说Yes - -## Contradictions -- 无明显冲突 +--- +title: "不谈技术：普通人该怎么在AI时代赚钱？" +type: source +tags: [AI, 个人发展, 财富思维, 品味] +date: 2026-04-27 +--- + +## Source File +- [[raw/微信公众号/不谈技术：普通人该怎么在AI时代赚钱？]] + +## Summary（用中文描述） +- 核心主题：AI时代普通人的财富创造策略——打破「学AI技能谋生」的思维定式 +- 问题域：AI技术普及背景下的个人竞争力与价值定位 +- 方法/机制：三大认知框架——①品味是护城河；②做端到端而非零件；③用死亡过滤器找到真正热爱 +- 结论/价值：AI不会让普通人变富；AI会让那些知道自己要做什么、且对品质有执念的人变得极其强大 + +## Key Claims（用中文描述） +- 品味（而非工具）成为AI时代区分因素：工具民主化后，90%的人用AI生成的东西是shit，因为缺乏判断什么是好的能力 +- 端到端做事优于做零件：一个人用AI做出完整App，比在100人团队里当「AI提示词工程师」强一万倍 +- 死亡过滤器揭示真正热爱：用「如果今天是最后一天」问题过滤，找到对某事物的genuine热爱，再将AI与之结合 +- 「普通人」与「不普通的人」的核心差异：愿不愿意对一千件事说No，只对一件事说Yes，然后把那一件事做到insanely great + +## Key Quotes +> "工具民主化了，但品味没有民主化" — 1984年Mac发布后90%桌面出版内容丑陋，当前AI同样面临此问题 +> "别做别人AI流水线上的一个螺丝钉，因为螺丝钉是最容易被替换的" — 零件思维的致命缺陷 +> "一个人用AI做出一个完整的App，比一个100人的团队里当AI提示词工程师强一万倍" — 端到端的价值对比 +> "AI不会让普通人变富。AI会让那些知道自己要做什么、并且对品质有执念的人变得极其强大" — 全文核心结论 + +## Key Concepts +- [[品味作为护城河]]：AI工具民主化后，品味（判断什么是好的能力）成为核心竞争力；能判断AI给出的10个方案里哪个是insanely great的人，比只会点「生成」按钮的人强一百倍 +- [[端到端优势]]：不做一个AI流水线上的零件，而是用AI做一个完整的产品/服务/解决方案，从头到尾控制；iPod成功不在于最好的MP3解码器，而在于iTunes到iPod到iTunes Store的完整体验 +- [[死亡过滤器]]：每天早上问「如果今天是最后一天，我还会做今天要做的事吗？」——用于过滤找到真正热爱的事物，而非追逐「最赚钱的AI技能」 + +## Key Entities +- [[乔布斯.skill]]：本文署名来源，以乔布斯口吻阐述三大认知框架；核心引用Mac、iPod、iTunes等Apple产品案例说明品味与端到端思维 +- [[Mac]]：1984年桌面出版民主化案例——工具民主化后90%产出丑陋，说明品味不会随工具民主化而普及 +- [[iPod]]：「端到端」成功案例——iPod成功不在于最好的MP3解码器，而在于iTunes+iPod+iTunes Store完整生态 + +## Connections +- [[乔布斯.skill]] ← 署名来源 ← [[不谈技术-普通人该怎么在ai时代赚钱]] + +## Contradictions +- 无已知冲突 + diff --git a/wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md b/wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md index 8b693721..9c94f259 100644 --- a/wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md +++ b/wiki/sources/养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统.md @@ -1,59 +1,57 @@ ---- -title: "养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统" -type: source -tags: [AI-Agent, Obsidian, Gitea, 知识管理, LLM-Wiki] -date: 2026-04-09 ---- - -## Source File -- [[微信公众号/养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统]] - -## Summary（用中文描述） -- 核心主题：如何用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统，解决 AI 对话结束后输出丢失的核心问题 -- 问题域：AI Agent 的输出持久化、版本控制、多端同步 -- 方法/机制：用 Obsidian 做知识库（多端同步）、Gitea 做版本控制（Git 历史）、OpenClaw 做写入接口（obsidian skill） -- 结论/价值：把 AI 变成"会自动整理笔记的实习生"——做完事顺手更新记录 - -## Key Claims（用中文描述） -- OpenClaw Agent 通过 obsidian skill 将输出直接写入 Obsidian 笔记，实现持久化存储 -- Gitea 托管笔记的 Git 版本管理，任何时候都能回溯历史变更 -- iCloud Drive 保证手机、笔记本和 Mac mini 三端笔记永远同步 -- 笔记目录采用分层结构：knowledgebase/ 存放跨 Agent 共用知识，/ 存放单一 Agent 私有笔记 -- Karpathy 的 LLM Wiki 思路：让 AI 增量构建和维护持久化 Wiki，页面间互相链接，知识越积越厚 -- Obsidian Graph View 可以发现"孤岛页面"和"幽灵节点"（被多处引用但没有独立页面的概念） - -## Key Quotes -> "用 Obsidian 做知识库，用 Gitea 做版本控制，用 OpenClaw 做写入接口。" — 核心架构概括 -> "AI 批量改文件的能力越强，你越需要版本管理来兜底。" — 版本管理的重要性 -> "本质上是把 AI 变成了一个'会自动整理笔记的实习生'——它做完事，就会顺手把记录更新好。" — 系统价值定位 -> "RAG 模式是'每次从零检索'，知识不积累；而 LLM Wiki 是让 AI 增量构建和维护一个持久化的 Wiki，页面之间互相链接，知识越积越厚。" — Karpathy LLM Wiki 核心理念 - -## Key Concepts -- [[LLM Wiki]]：让 AI 增量构建和维护持久化的 Wiki，页面间互相链接，知识越积越厚（区别于 RAG 的"每次从零检索"） -- [[Obsidian Git]]：Obsidian 社区插件，支持 Auto commit-and-sync interval，自动 commit + push 到 Git 仓库 -- [[Graph View]]：Obsidian 内置图谱视图，将所有 Wiki 页面以节点展示，双链关系自动连线，用于发现孤岛页面和知识盲区 -- [[Obsidian Web Clipper]]：浏览器插件，用于快速采集外部网页文章为 Markdown 到 Obsidian，配合图片本地化 -- [[QMD]]：完全本地运行的 Markdown 搜索引擎，适合 Wiki 规模变大后的精准搜索 -- [[版本管理]]：Git 历史记录每一次变更的来源和内容，支持回溯和多协作 -- [[被动更新]]：AI 在执行任务过程中顺手维护链接、更新摘要、添加 Tag、标记新旧矛盾，而非被动等着被查询 -- [[双链笔记]]：Obsidian 的核心特性，页面间通过 [[wikilinks]] 互相链接形成知识网络 - -## Key Entities -- [[Gitea]]：自建 Git 服务，托管笔记的版本控制，所有历史版本完整保留 -- [[Obsidian]]：笔记管理工具，支持多端同步（iCloud Drive）和双链笔记 -- [[OpenClaw]]：AI Agent 框架，提供 obsidian skill 作为写入接口 -- [[Karpathy]]：LLM Wiki 理念的提出者（2026-03 分享） -- [[iCloud Drive]]：Apple 云同步服务，确保笔记在 Mac mini、笔记本和 iPhone 三端同步 - -## Connections -- [[养虾日记1]] ← 同一系列 ← [[养虾日记2]] -- [[养虾日记1]] ← 同一系列 ← [[养虾日记3]] -- [[养虾日记2]] ← 同一系列 ← [[养虾日记3]] -- [[养虾日记4]] ← 同一系列 ← [[养虾日记5]] -- [[Second Brain]] ← 类似的持久化记忆理念 ← [[养虾日记3]] -- [[Personal Knowledge Base (RAG)]] ← 相关的知识管理方案 ← [[养虾日记3]] -- [[LLM Wiki]] ← 核心理论支撑 ← [[养虾日记3]] -- [[self-healing-home-server]] ← 使用同款笔记系统 ← [[养虾日记3]] - -## Contradictions -- 无已知冲突 +--- +title: "养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统" +type: source +tags: [] +date: 2026-04-09 +--- + +## Source File +- [[微信公众号/养虾日记3：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统]] + +## Summary（用中文描述） +- 核心主题：使用 Obsidian + Gitea 构建 AI 助手的持久化笔记系统，解决 AI 输出随对话结束而丢失的核心问题 +- 问题域：AI Agent 的"记忆缺失"——对话结束后所有分析、结论、操作步骤全部消失，无法复用 +- 方法/机制：Gitea 做版本控制 + Obsidian 做知识库 + OpenClaw Obsidian Skill 做写入接口 + iCloud Drive 多端同步 +- 结论/价值：把 AI 变成"会自动整理笔记的实习生"——做完事顺手更新记录，知识越积越厚 + +## Key Claims（用中文描述） +- OpenClaw Agent 将输出直接写入 Obsidian 笔记，工作笔记在 Mac mini、Laptop、iCloud Drive 三端同步，历史版本在 Gitea 中完整保留 +- 研究过程写入 Agent Archive，经过验证可复用的知识沉淀到 Knowledge Base，实现知识的分类管理 +- Git 版本管理让"任何时候都能回溯"，commit message 记录每次变更的来源和内容 +- Obsidian Git 插件设为 Auto commit-and-sync interval（如 10 分钟），自动 commit + push，完全无需手动操作 +- AI 在执行任务过程中"顺手维护链接、更新摘要、添加 Tag、标记新旧矛盾"，实现被动更新而非被动等待查询 + +## Key Quotes +> "一句话概括：用 Obsidian 做知识库，用 Gitea 做版本控制，用 OpenClaw 做写入接口。" — 核心系统架构总结 + +> "RAG 模式是'每次从零检索'，知识不积累；而 LLM Wiki 是让 AI 增量构建和维护一个持久化的 Wiki，页面之间互相链接，知识越积越厚。" — Karpathy LLM Wiki 核心洞察 + +> "本质上是把 AI 变成了一个'会自动整理笔记的实习生'——它做完事，就会顺手把记录更新好。" — 系统本质定位 + +## Key Concepts +- [[Agent Archive]]：单一 Agent 的私有笔记目录（如 openclaw/xingshu/），用于记录研究过程和工作输出 +- [[Knowledge Base]]：跨 Agent 共用的知识库目录（如 openclaw/knowledgebase/），存放经过整理的公共知识 +- [[LLM Wiki]]：让 AI 增量构建和维护持久化 Wiki 的方法论，区别于 RAG 的"从零检索"，Wiki 知识越积越厚 +- [[Obsidian Web Clipper]]：浏览器插件，快速将网页文章剪藏为 Markdown 并自动下载图片到本地 attachments/ +- [[Graph View]]：Obsidian 内置图谱视图，用于发现孤岛页面和知识盲区 +- [[Obsidian Git]]：社区插件，支持设置 Auto commit-and-sync interval 实现笔记的自动版本控制 +- [[QMD]]：纯本地运行的 Markdown 搜索引擎，当 Wiki 规模达到几百个页面后接入使用 + +## Key Entities +- [[Obsidian]]：笔记管理工具，提供双链、Graph View、多端同步能力，是系统的知识库前端 +- [[Gitea]]：自建 Git 服务，作为笔记的版本控制后端，保留所有历史版本 +- [[OpenClaw]]：AI Agent 框架，通过 obsidian skill（write/append/read/search/update）作为写入接口 +- [[iCloud Drive]]：云同步服务，确保笔记在 Mac mini、Laptop、iPhone 多端保持一致 + +## Connections +- [[Second Brain]] ← related_to ← [[养虾日记3]] +- [[knowledge-base-rag]] ← related_to ← [[养虾日记3]]（两者均涉及知识管理，但本文强调持久积累 vs RAG 的从零检索） +- [[karpathy-最新分享-用-llm-搭建个人知识库-告别-rag-的低效循环]] ← related_to ← [[养虾日记3]]（本文是 Karpathy LLM Wiki 思路的具体实践） +- [[obsidian-高效指南-我常用的插件与实用技巧]] ← extends ← [[养虾日记3]]（Obsidian 插件配置的具体实操参考） + +## Contradictions +- 与 [[knowledge-base-rag]] 冲突： + - 冲突点：RAG 模式每次从零检索，知识不积累；LLM Wiki 增量积累知识 + - 当前观点（本文）：LLM Wiki 优于 RAG——AI 在执行任务过程中顺手维护链接、更新摘要，知识越积越厚 + - 对方观点（[[knowledge-base-rag]]）：RAG 模式通过向量语义搜索实现知识复用，适合快速检索场景 + - 评估：两者可互补——Wiki 负责长期积累，RAG 负责快速检索入口 diff --git a/wiki/sources/养虾日记4-一次「context-limit-exceeded」错误排查-我以为是小问题-结果踩了大坑.md b/wiki/sources/养虾日记4-一次「context-limit-exceeded」错误排查-我以为是小问题-结果踩了大坑.md index a6c070d8..dfafcae0 100644 --- a/wiki/sources/养虾日记4-一次「context-limit-exceeded」错误排查-我以为是小问题-结果踩了大坑.md +++ b/wiki/sources/养虾日记4-一次「context-limit-exceeded」错误排查-我以为是小问题-结果踩了大坑.md @@ -1,57 +1,58 @@ ---- -title: "养虾日记4：一次「Context Limit Exceeded」错误排查：我以为是小问题，结果踩了大坑" -type: source -tags: [OpenClaw, 错误排查, Context-Window, Telegram, 日志调试] -date: 2026-04-10 ---- - -## Source File -- [[微信公众号/养虾日记4： 一次「Context Limit Exceeded」错误排查：我以为是小问题，结果踩了大坑.md]] - -## Summary（用中文描述） -- 核心主题：OpenClaw Agent 系统的 Context Limit 错误深度排查——从表象修复（调整 compaction 配置）到找到根本原因（Telegram channel 绑定了只有 16K context 的 DeepSeek 模型） -- 问题域：OpenClaw Telegram Channel 配置、模型 Fallback 机制、Context Window 管理 -- 方法/机制：通过 Gateway 日志定位到模型被切换为 deepseek-reasoner（16K context），safeguard 模式预留 16K tokens 导致实际可用空间为 0；问题根源在 Agent 路由规则而非全局配置 -- 结论/价值：错误信息 ≠ 问题根因；分层配置需要分层排查；日志是系统状态的最直接反映 - -## Key Claims（用中文描述） -- 星枢 Telegram Channel 触发「Context limit exceeded」，直接原因并非对话历史过长，而是当前使用的模型（deepseek-reasoner）context window 仅 16K -- OpenClaw safeguard 模式在 compaction 时预留 16K tokens，与 16K context 模型叠加，导致实际可用 context 为 0 -- 全局 compaction 配置（openclaw.json）与 Agent 级别模型配置是两套独立层级，修改全局配置无法解决 Agent 级别的模型问题 -- 解决根本方案是将星枢 Telegram channel 的路由改回 MiniMax-M2.7（200K context），而非继续调低 compaction 阈值 -- 日志分析是定位此类"隐藏配置路径"问题的唯一可靠手段 - -## Key Quotes -> `provider=custom-api-deepseek-reasoner/deepseek-reasoner ctx=16000 / estimatedPromptTokens=393 overflowTokens=392 reserveTokens=16384` — Gateway 日志直接揭示了模型切换和 token 耗尽问题 -> `「Context limit exceeded」不一定是因为对话太长，可能是模型配置本身就有问题` — 核心教训：错误表象 ≠ 根本原因 -> `不要默认认为错误信息就是表面意思。先问一句：到底哪儿出问题了？` — 最终方法论总结 - -## Key Concepts -- [[Context-Window]]: 模型单次请求能处理的最大 token 数量；deepseek-reasoner 仅 16K，MiniMax-M2.7 为 200K -- [[Model-Fallback]]: 当默认模型不可用时，OpenClaw 按优先级切换到 fallback 列表中的下一个模型；触发原因包括 API 503/429/Timeout、路由权重错误、或配置覆盖 -- [[Compaction]]: OpenClaw 的上下文压缩机制，在 safeguard 模式下会预留 16K tokens 用于执行压缩操作 -- [[Agent-Routing-Rules]]: 绑定 Telegram channel 到特定模型的路由规则，优先级高于全局配置 -- [[Error-Surface-vs-Root-Cause]]: 不要被错误信息的字面意思误导；表象修复 ≠ 根本解决 -- [[Layered-Configuration]]: OpenClaw 配置分全局配置（openclaw.json）和 Agent/Channel 级别配置；问题可能藏在不同层级 -- [[Log-Driven-Debugging]]: Gateway 日志直接揭示了模型切换事件和 token 分配详情，是定位问题的唯一可靠手段 -- [[Hidden-Failure-Paths]]: 复杂分布式系统中，故障可能藏在 session、memory、model config、routing rules、compaction 策略等多个地方 - -## Key Entities -- [[OpenClaw]]: 运行星枢的 AI Agent 框架；本文核心调试对象 -- [[星枢]]: 用户的 AI 助手（xingshu/main agent）；通过 Telegram 与用户交互 -- [[DeepSeek]]: deepseek-reasoner 模型提供方；context window 仅 16K，是本次问题的直接触发者 -- [[MiniMax]]: MiniMax-M2.7 模型提供方；context window 为 200K，是正确的配置目标 - -## Connections -- [[养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录]] ← related_to ← [[养虾日记4]]（同属 OpenClaw 调试系列，互补关系） -- [[养虾日记1-我用-openclaw-管了-28-万张照片-一次真实的多设备照片整理实战]] ← related_to ← [[养虾日记4]]（同属"养虾日记"系列） -- [[养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]] ← related_to ← [[养虾日记4]]（同属"养虾日记"系列） -- [[养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统]] ← related_to ← [[养虾日记4]]（同属"养虾日记"系列） -- [[n8n调用hermes-agents的工作流架构]] ← related_to ← [[养虾日记4]]（OpenClaw 配置层级问题在此亦有体现） - -## Contradictions -- 与 [[养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录]] 的互补关系： - - 冲突点：养龙虾系列重点在记忆写入/检索失效（semantic memory、context compression），本文重点在模型配置错误导致 context 立即耗尽 - - 当前观点：两者均为 OpenClaw "记忆失效"症状的不同根因；养龙虾系列归因于记忆插件和压缩机制，本文归因于模型配置本身 - - 对方观点：养龙虾系列认为写入纪律和压缩协同是主要挑战 - - 说明：互补而非冲突，两类问题可同时存在 +--- +title: "养虾日记4：一次「Context Limit Exceeded」错误排查：我以为是小问题，结果踩了大坑" +type: source +tags: ["调试经验", "OpenClaw", "模型配置", "Context-Window", "养虾日记"] +date: 2026-04-10 +--- + +## Source File +- [[微信公众号/养虾日记4： 一次「Context Limit Exceeded」错误排查：我以为是小问题，结果踩了大坑.md]] + +## Summary（用中文描述） +- 核心主题：OpenClaw AI Agent 系统中"Context Limit Exceeded"错误的深度排查与解决 +- 问题域：OpenClaw 的模型路由、Compaction 机制与 Telegram Channel 配置的交叉地带 +- 方法/机制：通过 Gateway 日志（`openclaw logs`）定位问题根因——模型回退（Fallback）机制导致 Telegram Channel 绑定了只有 16K context 的 deepseek-reasoner，而 OpenClaw 的 safeguard 模式又预留 16K 给 compaction，实际可用空间为 0 +- 结论/价值：不要轻信表面错误信息；OpenClaw 全局配置与 Agent 级别模型配置是两层独立的配置体系；Gateway 日志是排查分布式 Agent 问题的关键工具 + +## Key Claims（用中文描述） +- 星枢的 Telegram Channel 被回退到了只有 16K context window 的 deepseek-reasoner 模型，而非用户默认的 MiniMax-M2.7（200K） +- OpenClaw 的 safeguard 模式会为 compaction 预留 token 数（reserveTokens=16384），两者叠加导致 context window 完全被耗尽 +- 问题配置不在 `openclaw.json` 全局 compaction 配置里，而在 OpenClaw 的 agent 路由规则中，所以修改全局 compaction 配置无效 +- Fallback 触发原因包括：API 服务不可用（503/502/429/Timeout）、Token 长度隐式溢出预判、配置文件优先级覆盖、负载均衡随机切换 + +## Key Quotes +> "deepseek-reasoner 的 context window 只有 16K？" — 发现模型被切换后的震惊 +> "好家伙，这谁扛得住" — 得知 16K context + 16K reserve = 0 可用空间后的反应 +> "别小看任何报错，也别急着改配置。先问一句：到底哪儿出问题了？" — 核心教训总结 + +## Key Concepts +- [[Context-Window]]：模型的上下文窗口大小，MiniMax-M2.7 为 200K，deepseek-reasoner 仅 16K +- [[Compaction]]：OpenClaw 的上下文压缩/压缩保护机制，safeguard 模式会预留一半 context 给 compaction +- [[Fallback-机制]]：当主模型不可用或触发特定条件时，自动切换到备选模型 +- [[Agent-Routing-Rules]]：OpenClaw 的 agent 级别模型配置，独立于全局 compaction 配置 + +## Key Entities +- [[OpenClaw]]：自托管 AI Agent 系统，星枢（xingshu/main agent）运行在其上 +- [[星枢]]：xingshu/main agent，星枢通过 Telegram Channel 与用户交互 +- [[MiniMax-M2.7]]：用户默认使用的模型，context window 为 200K +- [[deepseek-reasoner]]：回退备选模型，context window 仅 16K，导致问题的元凶 +- [[openclaw logs]]：Gateway 日志工具，用于排查 OpenClaw 系统问题 + +## Connections +- [[养虾日记1-我用-openclaw-管了-28-万张照片-一次真实的多设备照片整理实战]] ← series_prequel ← [[养虾日记4]] +- [[养虾日记2-让agent更懂你-openclaw-self-improving-复盘实战案例分享]] ← series_prequel ← [[养虾日记4]] +- [[养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统]] ← series_prequel ← [[养虾日记4]] +- [[养虾日记5-深夜与苏轼聊ai-他说-被浪打下去还能爬起来的才叫风流]] ← series_sequel ← [[养虾日记4]] +- [[养龙虾5天血泪史-我的ai-agent为什么总失忆-openclaw-记忆调试全记录]] ← related ← [[养虾日记4]]（均为 OpenClaw 调试实战记录） +- [[OpenClaw]] ← uses ← [[Compaction]]（OpenClaw 通过 Compaction 机制管理长对话） +- [[星枢]] ← runs_on ← [[OpenClaw]]（星枢 agent 运行在 OpenClaw 系统上） +- [[星枢]] ← connected_to ← Telegram（Telegram Channel 是星枢的对话入口） + +## Contradictions +- 无冲突——本文为调试经验分享，与其他养虾日记系列构成互补关系（养虾1-3为使用场景本文为运维调试） + +## Lessons Learned +1. 不要默认认为错误信息就是表面意思——「Context limit exceeded」不一定是因为对话太长，可能是模型配置本身就有问题 +2. 两层配置要分清：全局 compaction 配置和 agent 模型配置是两码事，改全局不行就得往 agent 级别去找 +3. 日志真的有用：Gateway 日志把问题写得明明白白，只是之前没仔细看 +4. 工具/系统越复杂，问题的隐藏路径越深：OpenClaw 这种分布式 agent 系统，问题可能藏在 session、memory、model config、routing rules、compaction 策略等多个地方