Auto-sync: 2026-04-23 00:02

wiki/sources/arxiv-paper-reader.md

@@ -0,0 +1,48 @@
+---
+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

wiki/sources/family-calendar-household-assistant.md

@@ -0,0 +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。

wiki/sources/knowledge-base-rag.md

@@ -0,0 +1,48 @@
+---
+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

wiki/sources/local-crm-framework.md

@@ -0,0 +1,56 @@
+---
+title: "Local CRM Framework with DenchClaw"
+type: source
+tags: ["openclaw", "crm", "automation", "duckdb", "browser-automation"]
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/local-crm-framework.md]]
+
+## Summary（用中文描述）
+- 核心主题：DenchClaw 将 OpenClaw 转化为本地 CRM、销售自动化和生产力平台的完整框架
+- 问题域：OpenClaw 作为基础原语功能强大，但用于真实商业工作流（线索追踪、外联、管道管理）需要集成数据库、UI、浏览器自动化、消息平台等多个工具，设置复杂易碎
+- 方法/机制：`npx denchclaw` 一键安装完整技术栈（DuckDB + Web UI + OpenClaw Profile + 浏览器自动化 + Skills）；所有设置/视图以文件（YAML/Markdown）存储，OpenClaw 可直接读写修改 UI；Chrome Profile 克隆继承浏览器认证状态
+- 结论/价值：Cursor 级别的 UX 用于商业运营，无需 Docker/环境配置，通过自然语言管理完整的 CRM 管道
+
+## Key Claims（用中文描述）
+- DenchClaw 一键安装（`npx denchclaw`）自动配置 DuckDB、Web UI、OpenClaw Profile、Gateway、浏览器和 Skills，无需手动设置
+- 自然语言 CRM 查询（"显示员工>5人的公司"）实时更新视图，无需手动过滤器操作
+- Chrome Profile 克隆使 Agent 继承用户认证状态，可直接导入 HubSpot 等平台数据，无需 OAuth 流程
+- 所有设置/视图/过滤器以 YAML/Markdown 文件存储，Agent 可像编辑代码一样自然地修改 UI
+- DuckDB 是嵌入式数据库的最佳选择：最小体积、完全 SQL 支持、无服务器/凭证/网络依赖
+- DenchClaw 内置三种 Skills：CRM Skill（对象/字段/视图）、App Builder Skill（Web 应用构建）、Browser Automation Skill（浏览器自动化）
+
+## Key Quotes
+> "File-system = agent-native UI: Because every setting, filter, and view is stored as a YAML/markdown file, OpenClaw can modify the UI as naturally as it edits code. No API wrappers needed."
+> — DenchClaw 的核心设计哲学：文件系统即 Agent 原生 UI
+
+> "DuckDB is the sweet spot: Smallest, most performant embedded database that still supports full SQL. No server process, no credentials, no network — just a file."
+> — DuckDB 作为嵌入式 CRM 数据库的理由
+
+> "Chrome profile cloning is a superpower: Instead of fighting OAuth flows and API rate limits, DenchClaw copies your browser's auth state. The agent sees what you see, does what you do."
+> — Chrome Profile 克隆实现无缝浏览器自动化
+
+> "One `npx` command beats a weekend of setup: The entire stack installs and configures itself. No Docker, no env files, no dependency hell."
+> — 一键安装 vs 手动配置的对比
+
+## Key Concepts
+- [[File-System-First UI]]：所有设置/视图以文件形式存储，Agent 可直接读写，无需 API 抽象层
+- [[Chrome Profile Cloning]]：复制浏览器认证状态而非依赖 OAuth，使 Agent 继承用户的登录会话
+- [[One-Command-Setup]]：通过单一命令自动安装和配置完整技术栈，消除环境配置摩擦
+- [[DuckDB]]：嵌入式分析型数据库，无服务器、零配置、完全 SQL 支持
+
+## Key Entities
+- [[DenchClaw]]：MIT 许可证开源框架，将 OpenClaw 转化为本地 CRM/SaaS 平台
+- [[OpenClaw]]：多 Agent 框架，DenchClaw 的底层 Agent 引擎
+- [[DuckDB]]：SQLite 替代品，Analytical DBMS，用于 CRM 结构化数据存储
+- [[HubSpot]]：CRM 平台示例，DenchClaw 可导入其数据
+
+## Connections
+- [[Second Brain]] ← 相关 ← [[local-crm-framework]]：两者均基于 OpenClaw 的记忆/持久化能力
+- [[personal-crm]] ← 相关 ← [[local-crm-framework]]：个人 CRM 场景的不同实现方案
+- [[multi-channel-assistant]] ← 共享技术栈 ← [[local-crm-framework]]：均使用 Telegram/消息平台作为交互入口
+
+## Contradictions
+（暂无发现与其他 Wiki 页面的内容冲突）

wiki/sources/multi-source-tech-news-digest.md

@@ -0,0 +1,51 @@
+---
+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。

wiki/sources/n8n-workflow-orchestration.md

@@ -0,0 +1,55 @@
+---
+title: "OpenClaw + n8n Workflow Orchestration"
+type: source
+tags: [openclaw, n8n, workflow-orchestration, security, credential-management, webhook]
+date: 2026-04-17
+---
+
+## Source File
+- [[Agent/usecases/n8n-workflow-orchestration.md]]
+
+## Summary（用中文描述）
+- 核心主题：通过 Webhook 代理模式将 OpenClaw Agent 的外部 API 交互委托给 n8n 工作流，实现凭证隔离、可视化调试和流程锁定。
+- 问题域：AI Agent 直接管理 API 凭证的安全风险（泄露、无序扩展、token 浪费）。
+- 方法/机制：OpenClaw 设计并调用 n8n Webhook → n8n 持有凭证并执行外部 API 调用 → Agent 只知道 Webhook URL，不知道密钥。
+- 结论/价值：一次实现三大收益——可观测性（n8n UI）、安全性（凭证隔离）、性能（确定性任务不消耗 LLM token）。
+
+## Key Claims（用中文描述）
+- OpenClaw Agent 直接管理 API 密钥容易造成安全事件（一次误提交即泄露）。
+- n8n Webhook 代理模式使 Agent 完全接触不到凭证，凭证存储在 n8n credential store 中。
+- n8n 拥有 400+ 集成节点，大多数外部服务已有现成节点，无需 Agent 编写自定义 API 调用。
+- "构建 → 测试 → 锁定" 循环是该模式安全运转的关键——不锁定，Agent 可以静默修改工作流行为。
+- n8n 自动记录每次工作流执行的输入输出数据，提供开箱即用的审计轨迹。
+- Docker Compose 一键部署（openclaw-n8n-stack）预配置了 OpenClaw + n8n 共享 Docker 网络。
+
+## Key Quotes
+> "Three wins in one: Observability (visual UI), security (credential isolation), and performance (deterministic workflows don't burn tokens)." — 核心价值总结
+> "Lock after testing: The build → test → lock cycle is critical — without locking, the agent can silently modify workflows." — 安全运转关键
+> "n8n has 400+ integrations: Most external services you'd want to connect already have n8n nodes, saving the agent from writing custom API calls." — 集成广度
+
+## Key Concepts
+- [[Webhook-Proxy-Pattern]]：Agent 通过 Webhook URL 调用 n8n 工作流，凭证留在 n8n 端，Agent 不持有密钥。
+- [[Credential-Isolation]]：API 密钥存储在 n8n credential store，Agent 只知道 Webhook URL，无法访问凭证。
+- [[Lockable-Workflow]]：工作流经 Agent 构建并人工验证后锁定，防止 Agent 静默修改 API 调用逻辑。
+- [[Visual-Debugging]]：n8n 的拖拽式 UI 使每个工作流完全可视化可检查。
+- [[Safeguard-Steps]]：在 n8n 工作流中可加入验证、速率限制、人工审批等安全门控。
+- [[Audit-Trail]]：n8n 记录每次工作流执行的输入输出数据，提供执行历史。
+
+## Key Entities
+- [[OpenClaw]]：作为 Agent 端，设计工作流并调用 Webhook，从不接触 API 凭证。
+- [[n8n]]：作为执行代理端，持有凭证、执行 API 调用、提供可视化 UI 和锁定能力。
+- [[Simon-Hoiberg]]：提出该集成模式的专家，n8n + OpenClaw 组合的布道者。
+- [[openclaw-n8n-stack]]：预配置的 Docker Compose 堆栈，一键部署 OpenClaw + n8n 共享网络环境。
+
+## Connections
+- [[OpenClaw]] ← uses_for_external_api ← [[n8n]]（Webh
+
+ook 代理）
+- [[Credential-Isolation]] ← implemented_by ← [[Lockable-Workflow]]
+- [[n8n-workflow-orchestration]] ← extends ← [[Webhook]]（Webhook 触发是该模式的基础）
+- [[openclaw-n8n-stack]] ← builds_on ← [[Docker]]（容器化部署底座）
+- [[Webhook-Proxy-Pattern]] ← alternative_to ← [[Agent-direct-API-access]]（直接持证 vs 代理模式）
+
+## Contradictions
+- 与 [[workflow-automation]] 中的 n8n 独立使用方式相比：本文强调 n8n 作为 Agent 的安全执行代理，而非独立自动化平台——不冲突，是互补关系。
+- 与 [[使用Claude自动生成n8n工作流的实操教程]] 的互补关系：Claude + n8n-mcp 解决工作流生成问题，本文解决 Agent 安全集成问题，两者可叠加使用。

wiki/sources/overnight-mini-app-builder.md

@@ -0,0 +1,52 @@
+---
+title: "Goal-Driven Autonomous Tasks"
+type: source
+tags: ["OpenClaw", "Autonomous Agent", "Task Management", "AI Productivity"]
+date: 2026-04-17
+---
+
+## Source File
+- [[Agent/usecases/overnight-mini-app-builder]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 从被动执行者转变为主动规划者的目标驱动型自主任务系统
+- 问题域：人们有大目标但难以分解为每日可执行步骤，且执行本身消耗所有时间
+- 方法/机制：OpenClaw 记忆系统 + 每日自主任务生成 + Kanban 看板追踪 + 过夜 MVP 构建
+- 结论/价值：将"规划"和"执行"都外包给 AI Agent，用户只需定义目的地，Agent 自动分解并执行每日步骤
+
+## Key Claims（用中文描述）
+- OpenClaw + 每日任务生成 → 将 AI Agent 从被动工具转变为主动员工
+- 每日清晨 8:00 自动生成 4-5 个任务，涵盖研究/写作/应用构建/竞品分析/内容创作
+- 过夜构建惊喜 Mini-App MVP → 每天醒来获得一个贴近目标的新产品原型
+- Kanban 看板 → 将 AI Agent 变成可追踪的员工，可实时查看进度并纠偏
+- "Brain Dump 是关键" → 给越多目标上下文，Agent 的每日任务越精准
+
+## Key Quotes
+> "Every morning, the agent generates 4-5 tasks it can complete autonomously on your computer." — 每日任务自动生成机制
+> "You define the destination; the agent figures out the daily steps and walks them." — 核心价值主张
+> "The brain dump is everything. The more context you give about your goals, the better the agent's daily tasks will be." — 最重要的一步
+> "Keep AUTONOMOUS.md under ~50 lines: goals (one-liners) + open backlog only." — Token 优化原则
+> "Git never rewrites history, you only add new commits. It eliminates race conditions entirely." — 竞态条件解决思路
+
+## Key Concepts
+- [[Kanban]]：看板系统，OpenClaw 自动构建 Next.js 看板追踪任务状态（To Do/In Progress/Done）
+- [[Autonomous Agent]]：自主代理，具备目标理解、任务分解、自主执行能力的 AI Agent 模式
+- [[Brain Dump]]：一次性将所有目标/使命/任务倒入 AI 记忆系统，是整个工作流最关键的第一步
+- [[Sub-Agent Race Condition]]：多子代理并发编辑共享文件导致的竞态条件，解决方案：只追加日志 + 主会话独管状态文件
+- [[Token-Light Design]]：Token 优化设计，保持 AUTONOMOUS.md 在 50 行以内避免心跳轮询时消耗过多令牌
+
+## Key Entities
+- [[OpenClaw]]：多 Agent 框架，提供 sessions_spawn/sessions_send 能力支撑自主任务执行
+- [[Alex Finn]]：OpenClaw 资深用户，YouTube 频道分享 Life-changing OpenClaw Use Cases，启发了本工作流
+
+## Connections
+- [[Goal-Driven Autonomous Tasks]] ← extends ← [[Second Brain]]
+- [[Goal-Driven Autonomous Tasks]] ← extends ← [[multi-channel-assistant]]
+- [[Goal-Driven Autonomous Tasks]] ← extends ← [[Dynamic Dashboard]]
+- [[Goal-Driven Autonomous Tasks]] ← extends ← [[market-research-product-factory]]
+
+## Contradictions
+- 与 [[Project State Management]] 冲突：
+  - 冲突点：看板 vs 事件溯源的任务管理方式
+  - 当前观点：本方案使用 Next.js 构建 Kanban 看板，强调用户可视化追踪
+  - 对方观点：[[Project State Management]] 使用 [[Event Sourcing]] 替代看板，强调自动追踪和完整上下文保留，避免手动拖拽和状态丢失

wiki/sources/personal-crm.md

@@ -0,0 +1,46 @@
+---
+title: "Personal CRM with Automatic Contact Discovery"
+type: source
+tags: []
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/personal-crm.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 驱动的个人 CRM 系统，自动从邮件和日历中发现联系人并建立关系管理
+- 问题域：手动追踪联系人交流历史困难、重要跟进遗漏、开会前忘记之前讨论内容
+- 方法/机制：每日 Cron Job 扫描 Gmail 和日历提取新联系人 → SQLite 结构化存储（含关系上下文）→ 自然语言查询接口 → 会议前自动简报生成
+- 结论/价值：零手动录入，AI 自动构建和维护联系人知识库，开会前自动准备背景资料
+
+## Key Claims（用中文描述）
+- 每日 Cron Job 自动扫描邮件和日历 → 无需手动录入联系人
+- AI 存储每次互动的上下文（时间、内容摘要）→ 保留完整交流历史
+- 每次会议前自动研究外部参会者 → 提供背景简报（含上次交流内容、待跟进事项）
+- 自然语言查询 → "上次和某人聊了什么？"、"谁需要跟进？"
+
+## Key Quotes
+> "Keeping track of who you've met, when, and what you discussed is impossible to do manually. Important follow-ups slip through the cracks, and you forget context before important meetings." — 痛点陈述
+
+## Key Concepts
+- [[Personal CRM]]：基于 AI Agent 自动发现和维护个人联系人关系的管理系统
+- [[Cron Job]]：定时任务触发每日联系人扫描和会议简报生成
+- [[Automatic Contact Discovery]]：从 Gmail 日历自动提取联系人和互动事件
+- [[Meeting Prep Briefing]]：会前自动收集参会者背景资料和历史交流记录
+
+## Key Entities
+- [[gog CLI]]：Gmail 和 Google Calendar 的 CLI 工具，本方案的数据采集层
+- [[OpenClaw]]：AI Agent 框架，负责 Cron Job 编排、自然语言查询和简报生成
+- [[Telegram]]：CRM 查询接口的推送通道，通过 personal-crm topic 接收查询请求
+
+## Connections
+- [[local-crm-framework]] ← extends ← [[personal-crm]]（DenchClaw 本地 CRM 框架是该方案的具体实现）
+- [[multi-channel-assistant]] ← extends ← [[personal-crm]]（CRM 是 Telegram topic 路由的频道之一）
+- [[Second Brain]] ← related ← [[personal-crm]]：均属 OpenClaw 持久化记忆能力的不同应用场景
+
+## Contradictions
+- 与 [[Second Brain]] 可能存在功能重叠：
+  - 冲突点：两者都依赖 OpenClaw 的记忆存储，是否需要合并？
+  - 当前观点：Personal CRM 侧重联系人发现和会议准备（结构化数据），Second Brain 侧重任意内容的零摩擦捕获（非结构化）
+  - 对方观点：两者可共享底层记忆系统，差异化在于查询界面和数据结构

wiki/sources/polymarket-autopilot.md

@@ -0,0 +1,41 @@
+---
+title: "Polymarket Autopilot"
+type: source
+tags: []
+date: 2026-04-21
+---
+
+## Source File
+- [[Agent/usecases/polymarket-autopilot.md]]
+
+## Summary（用中文描述）
+- 核心主题：基于 AI Agent 的 Polymarket 预测市场自动驾驶交易系统
+- 问题域：预测市场信息获取滞后、交易决策效率低下、无法 24/7 监控市场动态
+- 方法/机制：AI Agent 自动监控 Polymarket 市场数据、智能分析预测概率变化、自动执行交易策略、定时推送市场洞察
+- 结论/价值：实现预测市场的半自动化交易，减少人工盯盘时间，提高市场信息获取效率
+
+## Key Claims（用中文描述）
+- AI Agent 能够实现 Polymarket 市场的 24/7 全天候监控
+- 自动化分析可识别预测概率的显著变化
+- 定时推送机制确保用户及时获取关键市场信息
+- 多 Agent 协作可处理复杂的市场研究和交易决策流程
+
+## Key Quotes
+> "AI agents can monitor Polymarket markets 24/7, analyzing prediction probabilities and triggering automated responses" — 核心价值主张
+
+## Key Concepts
+- [[Prediction Market]]：预测市场平台，用户通过交易事件结果概率获取收益
+- [[Polymarket]]：基于区块链的去中心化预测市场协议
+- [[Agentic Trading]]：AI Agent 驱动的自动化交易策略
+- [[Market Monitoring]]：市场动态实时监控与警报系统
+
+## Key Entities
+- [[Polymarket]]：去中心化预测市场协议，本文档的核心交互平台
+
+## Connections
+- [[Dynamic Dashboard]] ← extends ← [[polymarket-autopilot]]
+- [[earnings-tracker]] ← similar_pattern ← [[polymarket-autopilot]]
+
+## Contradictions
+- 无已知冲突
+

wiki/sources/semantic-memory-search.md

@@ -0,0 +1,46 @@
+---
+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

wiki/sources/x-twitter-automation.md

@@ -0,0 +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]]（尚未摄入）互补——分析 vs 操作，共同构成 X/Twitter 场景的完整能力覆盖

wiki/sources/youtube-content-pipeline.md

@@ -0,0 +1,57 @@
+---
+title: "YouTube Content Pipeline"
+type: source
+tags: [youtube, content-automation, openclaw, cron-job, semantic-dedup]
+date: 2026-04-22
+---
+
+## Source File
+- [[Agent/usecases/youtube-content-pipeline]]
+
+## Summary（用中文描述）
+- 核心主题：AI Agent 驱动的 YouTube 内容发现与选题自动化流水线
+- 问题域：每日 YouTube 创作者面临的信息过载、选题重复、趋势追踪困难等问题
+- 方法/机制：定时 Cron Job + Web/X 搜索 + YouTube Analytics 查重 + SQLite 向量相似度去重 + Telegram 选题推送 + Slack 链接自动研究
+- 结论/价值：实现选题发现、查重、推送的全链路自动化，创作者只需从 Telegram 选题即可
+
+## Key Claims（用中文描述）
+- Hourly Cron Job 扫描 Web + X/Twitter 的突发 AI 新闻，自动向 Telegram 推送选题
+- 维护 90 天 YouTube 视频目录（含播放量和主题分析），避免重复覆盖同类选题
+- SQLite 数据库存储所有选题及向量嵌入，通过语义相似度实现选题去重
+- Slack 分享链接时，OpenClaw 自动研究主题、搜索 X 相关帖子、查询知识库，并创建带完整大纲的 Asana 任务卡
+
+## Key Quotes
+> "Finding fresh, timely video ideas across the web and X/Twitter is time-consuming. Tracking what you've already covered prevents duplicates and helps you stay ahead of trends." — 核心痛点阐述
+> "Stores all pitches in a SQLite database with vector embeddings for semantic dedup (so you never get pitched the same idea twice)" — 技术选型亮点
+
+## Key Concepts
+- [[Semantic-Deduplication]]：通过向量嵌入（embedding）计算选题语义相似度，防止重复选题
+- [[Cron-Job]]：定时任务驱动，每小时自动执行内容发现流程
+- [[Knowledge-Base-RAG]]：检索增强生成，查询知识库辅助选题研究
+- [[Content-Automation]]：内容创作全流程自动化，从发现到任务创建
+- [[Vector-Embedding]]：将文本选题转为向量，实现语义层面精确去重
+
+## Key Entities
+- [[OpenClaw]]：核心 Agent 框架，编排所有工具（Web 搜索、X 搜索、知识库查询、Asana 集成）
+- [[YouTube-Analytics]]：通过 `gog` CLI 获取频道播放量和视频主题分析
+- [[Asana]]：项目管理工具，用于创建选题任务卡
+- [[Telegram]]：选题推送渠道，通过专属 Topic 接收 AI 推送的选题
+- [[SQLite]]：选题数据库，存储 timestamp/topic/embedding/sources
+- [[X-Twitter]]：选题来源之一，搜索突发 AI 新闻和社区讨论
+
+## Connections
+- [[Daily-YouTube-Digest]] ← extends ← [[YouTube-Content-Pipeline]]
+  - Daily YouTube Digest 侧重于已有订阅频道的更新监控，本流水线侧重于全网突发新闻和趋势的主动发现
+- [[Content-Factory]] ← shares_pattern ← [[YouTube-Content-Pipeline]]
+  - 同属多工具编排的自动化内容流水线，均使用子 Agent 并行执行模式
+- [[Custom-Morning-Brief]] ← shares_pattern ← [[YouTube-Content-Pipeline]]
+  - 同属 Cron Job + Telegram 推送模式，但前者侧重综合信息简报，后者垂直于视频选题
+
+## Contradictions
+- 无已知冲突
+
+## Setup Instructions Summary
+1. 配置 Telegram Topic 作为选题接收渠道
+2. 安装 knowledge-base skill 和 x-research skill
+3. 创建 SQLite pitches 表（含 id/timestamp/topic/embedding/sources）
+4. 向 OpenClaw 发送 prompt 指令，激活每小时 Cron Job