Auto-sync: 2026-04-23 16:02

2026-04-23 16:02:56 +08:00
parent 782df914d9
commit e907ba8c5f
17 changed files with 795 additions and 38 deletions
--- a/wiki/concepts/Context-Substrate.md
+++ b/wiki/concepts/Context-Substrate.md
@@ -0,0 +1,41 @@
+---
+title: "Context Substrate"
+type: concept
+tags: [ai-agent, memory, architecture]
+last_updated: 2026-04-23
+---
+
+## Definition
+AI Agent 的上下文管理技术路线之一（Camp 2）。维护结构化、人类可读的上下文文件（Markdown、知识图谱、上下文容器），跨会话自然累积增长。
+
+## Core Philosophy
+**"What context should the AI work inside?"**（而非 Camp 1 的 "what should the AI remember?"）
+
+- Nothing gets extracted — the context is the files.
+- 文件是人类可读、可编辑、可理解的。
+- 因为上下文是文件，人可以随时纠正、补充和理解 Agent 知道什么。
+- 系统随时间自然复合增长（compounding），而非依赖提取质量。
+
+## Mechanism
+```
+Agent reads structured context → Agent works within that context →
+Agent (or background process) writes back to the structured context →
+Next session, the context is richer than before
+```
+
+## Representative Tools
+- [[OpenClaw]]：Markdown 文件 + dreaming cycle
+- [[Zep]]：Temporal knowledge graph（Graphiti）
+- [[Thoth]]：Personal knowledge graph（10 entity types, 67 relations）
+- [[TrustGraph]]：Context Cores（可移植版本化上下文捆绑包）
+- [[MemSearch]]：Markdown-first + shadow vector index
+- [[ALIVE]]：Structured context substrate, walnuts as portable containers
+
+## Relationship to Camp 1
+- Camp 1 优化目标：**召回**（can the system find the right fact?）
+- Camp 2 优化目标：**复合**（does the system get better over time?）
+- Zep 从"memory"→"context engineering"的品牌重塑，是 Camp 1/Camp 2 边界处最强的市场信号
+- Supermemory（Camp 1）的时序感知和 Honcho（Camp 1）的心理建模，代表 Camp 1 向 Camp 2 的演进趋势
+
+## Key Distinction from RAG
+RAG 通常指一次性的文档检索问答场景；Context Substrate 强调**跨时间的上下文累积**，是持续运行 Agent 的基础设施。
--- a/wiki/concepts/Memory-Backend.md
+++ b/wiki/concepts/Memory-Backend.md
@@ -0,0 +1,41 @@
+---
+title: "Memory Backend"
+type: concept
+tags: [ai-agent, memory, architecture, vector-db]
+last_updated: 2026-04-23
+---
+
+## Definition
+AI Agent 记忆工具的技术路线之一（Camp 1）。从对话中提取事实，存入向量数据库（和/或图数据库），下次对话时检索相关事实并注入上下文。
+
+## Core Philosophy
+**"What should the AI remember?"**（而非 Camp 2 的 "what context should the AI work inside?"）
+
+- 智能集中在**提取**和**检索**阶段。
+- 人类与 Agent 交互，记忆系统幕后运行。
+- 用户从不直接触碰记忆——信任系统记住正确的事情并在正确的时间召回。
+
+## Fundamental Loop
+```
+Conversation → System extracts facts or stores content →
+Facts go into database (vector, graph, or both) →
+Next conversation: relevant facts retrieved and injected
+```
+
+## Representative Tools
+- **[[Mem0]]**（53.1k stars）：四操作（add/search/update/delete），三层存储（user/session/agent），混合检索，集成最简单
+- **[[MemPalace]]**（46.2k stars）：逐字存储，ChromaDB，wings/rooms/drawers 组织，LongMemEval 96.6% 召回率
+- **[[Supermemory]]**（21.8k stars）：时序感知（过期事实自动遗忘），多模态连接器，MemoryBench 声称领先
+- **[[Honcho]]**（2.4k stars）：人/Agent 统一对等体模型，异步推理推导心理洞察，PostgreSQL + pgvector
+- 其他：Cognee（图数据库+向量搜索）、Memori（API 调用拦截，81.95% @ 4.97% context tokens）
+
+## Limitations
+1. **记忆是扁平条目**——条目之间没有关系
+2. **提取质量依赖 LLM prompt**——garbage in, garbage out
+3. **事实不进化**——1月的事实和4月的事实并存，不知道谁取代了谁
+4. **无法真正复合增长**——系统只是在累积条目，不是在变得更聪明
+
+## Relationship to Context Substrate
+- [[Context Substrate]]（Camp 2）代表不同哲学：上下文文件本身才是记忆，而非从对话中提取的条目
+- Supermemory 的时序感知和 Honcho 的心理洞察，代表 Camp 1 向 Camp 2 边界的演进
+- GitHub 上 450+ repos 标记"agent-memory"，几乎都属 Camp 1 路线
--- a/wiki/entities/DeepLearningAI.md
+++ b/wiki/entities/DeepLearningAI.md
@@ -0,0 +1,22 @@
+---
+title: "DeepLearning.AI"
+type: entity
+tags:
+  - "AI教育"
+  - "深度学习"
+  - "吴恩达"
+last_updated: 2026-04-16
+---
+
+## Overview
+
+DeepLearning.AI 是由 Andrew Ng（吴恩达）创立的在线教育平台，专注于提供高质量的深度学习和机器学习课程。该平台与 [[Hugging Face]] 等开源 AI 社区紧密合作，共同推动 AI 教育的普及。
+
+## Resources
+
+- 官方网站：https://deeplearning.ai
+- [[learn-ai-for-free-directly-from-top-companies]] 中收录，提供免费 AI 学习课程
+
+## Aliases
+- DeepLearning.AI
+- deeplearning.ai
--- a/wiki/entities/IBM.md
+++ b/wiki/entities/IBM.md
@@ -0,0 +1,24 @@
+---
+title: "IBM"
+type: entity
+tags:
+  - "AI教育"
+  - "企业AI"
+  - "技能培训"
+last_updated: 2026-04-16
+---
+
+## Overview
+
+IBM（International Business Machines）是全球领先的科技企业，在 AI 领域通过 IBM SkillsBuild 平台提供免费 AI 技能培训资源。SkillsBuild 是 IBM 的人才发展计划，旨在帮助个人获得数字时代所需的技术技能。
+
+## Resources
+
+- 官方网站：https://skillsbuild.org
+- [[learn-ai-for-free-directly-from-top-companies]] 中收录，IBM SkillsBuild 提供免费 AI 技能培训课程
+
+## Aliases
+- IBM
+- International Business Machines
+- IBM SkillsBuild
+- SkillsBuild
--- a/wiki/entities/Mem0.md
+++ b/wiki/entities/Mem0.md
@@ -0,0 +1,34 @@
+---
+title: "Mem0"
+type: entity
+tags: [ai-agent, memory, vector-db]
+last_updated: 2026-04-23
+---
+
+## Overview
+GitHub 53.1k stars，Camp 1（Memory Backend）类别的领导者。为 AI 应用和 Agent 提供智能记忆层。
+
+## Architecture
+四核心操作：add、search、update、delete
+
+三层存储粒度：
+- **User level**：跨所有会话的长期用户偏好和事实
+- **Session level**：当前会话内的上下文
+- **Agent level**：Agent 自身的元记忆
+
+检索机制：混合搜索（语义 + 关键词）
+
+## Strengths
+- 集成最简单：Python + TypeScript SDK
+- 工作流程清晰：add → search → update → delete
+- 与任何 LLM 兼容
+
+## Limitations
+- 记忆条目是**扁平**的，条目之间没有关系
+- 提取质量完全依赖 LLM extraction prompt
+- 事实存入后不进化，1月的事实和4月的事实共存
+- 无法真正"复合增长"——只是累积条目
+
+## Aliases
+- Mem0
+- mem0
--- a/wiki/entities/OpenClaw.md
+++ b/wiki/entities/OpenClaw.md
@@ -1,39 +1,51 @@
 ---
 title: "OpenClaw"
 type: entity
-tags: [OpenClaw, Agent, Workspace, Multi-Agent]
-sources: [multi-agent-team, 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, daily-youtube-digest, self-healing-home-server, custom-morning-brief, second-brain, n8n-workflow-orchestration]
-last_updated: 2026-03-21
+tags: [ai-agent, memory, context-management, framework]
+last_updated: 2026-04-23
 ---

+## Overview
+开源多 Agent 框架，358k stars。以 plain markdown 文件为核心记忆架构，无隐藏状态，Agent 读什么写什么，完全透明。
+
+## Architecture
+
+### Core Files
+- `MEMORY.md` — 长期记忆存储
+- `YYYY-MM-DD.md` — 每日运行上下文笔记
+- `DREAMS.md` — 整合摘要（dreaming 进程的产出）
+
+### Dreaming Cycle（三阶段背景整合）
+OpenClaw 的核心创新——夜间后台进程将每日笔记整合为长期记忆：
+
+1. **Light Sleep**：筛选每日笔记，将相邻行分组为连贯块
+2. **REM**：基于访问频率加权提升——频繁访问的信息成为"持久真理"
+3. **Deep Sleep**：安全晋升到 MEMORY.md，执行合并而非重复
+
+**评分门控**：进入长期记忆需通过六个加权信号：
+- 相关性（0.30）
+- 频率（0.24）
+- 查询多样性（0.15）
+- 时效性（0.15）
+- 整合度（0.10）
+- 概念丰富度（0.06）
+
+阈值要求：分数 ≥ 0.8 + 访问次数 ≥ 3 + 独立查询数 ≥ 3
+
+### 与 Camp 1 的本质区别
+Camp 1（Mem0 等）：对话 → 提取事实 → 存入向量库 → 检索召回
+OpenClaw：Agent 读取结构化上下文 → 在上下文中工作 → 写回文件 → 上下文自然复合增长
+
+核心哲学：**"The model only 'remembers' what gets saved to disk, there is no hidden state."**
+
 ## Aliases
 - OpenClaw
 - openclaw

-## Definition
-
-OpenClaw 是一个开源的 **multi-agent 框架**，核心目标是让 AI Agent 从"能用"进化到"真好用"。它通过 workspace 目录体系（AGENTS.md / SOUL.md / USER.md 等）管理 Agent 的职责定义、性格设定、用户偏好和长期记忆，实现跨会话的持续性和一致性。
-
-## Core Components
-
- **workspace/**：Agent 的工作台目录（默认 `~/.openclaw/workspace/`），包含核心配置文件
-  - `AGENTS.md`：工作说明书（职责、边界、多 Agent 协作）
-  - `SOUL.md`：性格档案（叙事性角色设定）
-  - `USER.md`：用户画像与偏好固化
-  - `IDENTITY.md`：结构化身份元数据（Name/Creature/Vibe/Emoji/Avatar）
-  - `TOOLS.md`：工具权限声明与使用规范
-  - `MEMORY.md` / `memory/`：长期知识总表与日期滚动记忆
-  - `BOOTSTRAP.md`：一次性出厂引导（完成后应删除）
-  - `skills/`：技能包目录
- **agents/<agentId>/**：各 Agent 的运行态目录（sessions、auth-profiles、models.json）
- **openclaw.json**：总控配置，整个系统的"宪法"
-
-## Key Insight
-
-> OpenClaw 使用者存在一条隐形分界线：一边每次都要重新交代背景，另一边的 Agent 已知道用户是谁、该怎么说话——这条分界线就是 **workspace**。
-
 ## Connections
- [[Workspace]] — OpenClaw 的核心工作目录体系
- [[Agent-Memory]] — OpenClaw 通过 builtin/qmd 方案实现跨会话长期记忆
- [[n8n]] — OpenClaw 通过 n8n 实现 workflow orchestration
-
+- [[OpenClaw]] ← implements ← [[Context Substrate]]（Camp 2 的典型代表）
+- [[Second Brain]] ← uses ← [[OpenClaw]]
+- [[Personal Knowledge Base (RAG)]] ← uses ← [[OpenClaw]]
+- [[semantic-memory-search]] ← extends ← [[OpenClaw]]（MemSearch 为 Markdown 记忆添加语义搜索）
+- [[Self-Improving-Skill]] ← integrates_with ← [[OpenClaw]]
+- [[multi-channel-assistant]] ← based_on ← [[OpenClaw]]
--- a/wiki/index.md
+++ b/wiki/index.md
@@ -4,6 +4,14 @@
 - [Overview](overview.md) — living synthesis

 ## Sources
+- [2026-04-18] [在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B](sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md) — Ubuntu 上通过 Ollama 本地部署 Qwen2.5-Coder 7B 代码生成模型，3条命令完成安装，支持 REST API 和 GPU 加速
+- [2026-04-23] [Learn AI for free directly from top companies](sources/learn-ai-for-free-directly-from-top-companies.md)
+- [2026-04-23] [I Went Through Every AI Memory Tool I Could Find. There Are Two Camps.](sources/ai-memory-tools-two-camps.md)
+- [2026-04-23] [可自动化、可扩展、AI增强的电商数据采集与处理系统](sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md)
+- [2026-04-23] [Building your Quartz](sources/building-your-quartz.md)
+- [2026-04-23] [电商如何选品 - 如何找到爆款选品策略](sources/电商如何选品-如何找到爆款-选品策略.md)
+- [2026-04-23] [电商视频Prompt库](sources/电商视频prompt.md)
+- [2026-04-23] [TikTok Shop - Apache Superset Dashboard设计思路](sources/tiktok-shop-apache-superset-dashboard设计思路.md)
 - [2026-04-23] [做TK跨境思路不对努力白费](sources/做tk跨境思路不对努力白费.md)
 - [2026-04-23] [超达物流定价](sources/超达物流定价.md)
 - [2026-04-23] [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)
@@ -407,13 +415,6 @@
 - [2026-04-18] [obsidian-官方-cli-命令全景速查表](sources/obsidian-官方-cli-命令全景速查表.md) — (expected: wiki/sources/obsidian-官方-cli-命令全景速查表.md — source missing)
 - [2026-04-18] [obsidian-cli](sources/obsidian-cli.md) — (expected: wiki/sources/obsidian-cli.md — source missing)
 - [2026-04-18] [在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b](sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md) — (expected: wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md — source missing)
- [2026-04-18] [learn-ai-for-free-directly-from-top-companies](sources/learn-ai-for-free-directly-from-top-companies.md) — (expected: wiki/sources/learn-ai-for-free-directly-from-top-companies.md — source missing)
- [2026-04-18] [ai-memory-tools-two-camps](sources/ai-memory-tools-two-camps.md) — (expected: wiki/sources/ai-memory-tools-two-camps.md — source missing)
- [2026-04-18] [可自动化-可扩展-ai增强的电商数据采集与处理系统](sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md) — (expected: wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md — source missing)
- [2026-04-18] [building-your-quartz](sources/building-your-quartz.md) — (expected: wiki/sources/building-your-quartz.md — source missing)
- [2026-04-18] [电商如何选品-如何找到爆款-选品策略](sources/电商如何选品-如何找到爆款-选品策略.md) — (expected: wiki/sources/电商如何选品-如何找到爆款-选品策略.md — source missing)
- [2026-04-18] [电商视频prompt](sources/电商视频prompt.md) — (expected: wiki/sources/电商视频prompt.md — source missing)
- [2026-04-18] [tiktok-shop-apache-superset-dashboard设计思路](sources/tiktok-shop-apache-superset-dashboard设计思路.md) — (expected: wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md — source missing)
 - [Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog](sources/Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog.md) — (expected: wiki/sources/Your-AI-Isn-t-Stupid---It-Just-Needs-a-Better-Harness--Lychee-Technology-Engineering-Blog.md — source missing)
 - [Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend](sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md) — (expected: wiki/sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md — source missing)
 - [zk-steward](sources/zk-steward.md) — (expected: wiki/sources/zk-steward.md — source missing)
@@ -580,6 +581,7 @@
 - [Coze](entities/Coze.md)
 - [Cursor](entities/Cursor.md)
 - [DanielStefanovic](entities/DanielStefanovic.md)
+- [DeepLearningAI](entities/DeepLearningAI.md)
 - [DeepSeek](entities/DeepSeek.md)
 - [DeepSider](entities/DeepSider.md)
 - [DenchClaw](entities/DenchClaw.md)
@@ -612,6 +614,7 @@
 - [HP-ZBook](entities/HP-ZBook.md)
 - [htop](entities/htop.md)
 - [HunyuanVideo](entities/HunyuanVideo.md)
+- [IBM](entities/IBM.md)
 - [idea-reality-mcp](entities/idea-reality-mcp.md)
 - [InsightsLM](entities/InsightsLM.md)
 - [ISO-27001](entities/ISO-27001.md)
@@ -631,6 +634,7 @@
 - [Manus](entities/Manus.md)
 - [MariaDB](entities/MariaDB.md)
 - [MCP（Model Context Protocol）](entities/MCP（Model Context Protocol）.md)
+- [Mem0](entities/Mem0.md)
 - [Memsearch](entities/Memsearch.md)
 - [MerlinClash插件](entities/MerlinClash插件.md)
 - [Midjourney](entities/Midjourney.md)
@@ -798,6 +802,7 @@
 - [Content-Creator](concepts/Content-Creator.md)
 - [Content-Hashing](concepts/Content-Hashing.md)
 - [Content-Ingestion](concepts/Content-Ingestion.md)
+- [Context-Substrate](concepts/Context-Substrate.md)
 - [Context-Window](concepts/Context-Window.md)
 - [Continuous-Deployment](concepts/Continuous-Deployment.md)
 - [Continuous-Integration](concepts/Continuous-Integration.md)
@@ -918,6 +923,7 @@
 - [Log-Driven-Debugging](concepts/Log-Driven-Debugging.md)
 - [MCPOnceAllAgents](concepts/MCPOnceAllAgents.md)
 - [MeetingNotes](concepts/MeetingNotes.md)
+- [Memory-Backend](concepts/Memory-Backend.md)
 - [MEMORY.md](concepts/MEMORY.md.md)
 - [Micro-Recovery](concepts/Micro-Recovery.md)
 - [Model-Context-Protocol](concepts/Model-Context-Protocol.md)
--- a/wiki/log.md
+++ b/wiki/log.md
@@ -1,3 +1,72 @@
+## [2026-04-16] ingest | Learn AI for free directly from top companies
+- Source file: raw/AI/Learn AI for free directly from top companies
+- Status: ✅ 成功摄入
+- Summary: @RodmanAi 汇总的 10 家顶级科技公司免费 AI 学习资源直链。涵盖：Anthropic（Skilljar）、Google（Grow.google/AI）、Meta（AI 资源中心）、NVIDIA（CUDA 开发者课程）、Microsoft（Microsoft Learn）、OpenAI（Academy）、IBM（SkillsBuild）、AWS（Skill Builder）、DeepLearning.AI（吴恩达课程）、Hugging Face（学习路径）。
+- Concepts created: 无新增
+- Entities created: [[DeepLearning.AI]], [[IBM]]
+- Source page: wiki/sources/learn-ai-for-free-directly-from-top-companies.md
+- Notes:
+  - 新增 1 个 Source Page（wiki/sources/learn-ai-for-free-directly-from-top-companies.md）
+  - 新增 2 个 Entity 页面：wiki/entities/DeepLearningAI.md, wiki/entities/IBM.md
+  - 更新 wiki/overview.md Educational Resources 区域，追加免费 AI 学习资源全景介绍
+
+## [2026-04-23] ingest | I Went Through Every AI Memory Tool I Could Find. There Are Two Camps.
+- Source file: raw/Agent/AI-Memory-Tools-Two-Camps.md
+- Status: ✅ 成功摄入
+- Summary: AI 记忆工具全景分类框架。揭示两个根本不同的技术路线：Camp 1（Memory Backend，向量提取+检索，优化召回）vs Camp 2（Context Substrate，文件累积+背景整合，优化复合增长）。代表工具：Mem0、MemPalace（Camp 1）；OpenClaw、Zep、Thoth、TrustGraph（Camp 2）。核心洞察：Zep 从"memory"重塑为"context engineering"是最强市场信号；预测 6 个月内"context engineering"将取代"memory"成为主流术语；持续运行 Agent 必须采用 Context Substrate 架构。
+- Concepts created: [[Context Substrate]], [[Memory Backend]]
+- Entities created: [[OpenClaw]], [[Mem0]]
+- Source page: wiki/sources/ai-memory-tools-two-camps.md
+- Notes:
+  - 新增 1 个 Source Page（wiki/sources/ai-memory-tools-two-camps.md）
+  - 新增 2 个 Concept 页面：wiki/concepts/Context-Substrate.md, wiki/concepts/Memory-Backend.md
+  - 新增 2 个 Entity 页面：wiki/entities/OpenClaw.md, wiki/entities/Mem0.md
+  - overview.md 新增 ai-memory-tools-two-camps 摘要条目，置于 semantic-memory-search 之后
+  - index.md Sources 节新增条目（置顶）
+  - 冲突记录：与 semantic-memory-search 存在文件优先 vs 向量优先的表面张力，实际互补（已记录）
+
+## [2026-04-23] ingest | 可自动化、可扩展、AI增强的电商数据采集与处理系统
+- Source file: raw/Others/可自动化、可扩展、AI增强的电商数据采集与处理系统.md
+- Status: ✅ 成功摄入
+- Summary: 基于 Docker + Ubuntu + n8n 的可自动化、可扩展、AI增强的电商数据采集与处理系统设计方案。三层架构：爬虫层（Scrapy/Playwright）→ AI处理层（n8n + LLM API）→ 存储展示层（PostgreSQL/MinIO + Grafana）。推荐 Scrapy + Playwright 组合，Docker Compose 容器化；n8n 工作流实现定时爬取→LLM处理→数据库写入→报表通知的全链路自动化；本地可使用 Ollama 无需外部 API Key；防封策略包括 User-Agent 轮换和代理池。
+- Concepts touched: [[Scrapy]], [[Playwright]], [[n8n]], [[Docker Compose]], [[Ollama]], [[Bright Data]], [[Scrapyd]], [[MinIO]], [[Grafana]], [[Metabase]], [[FastAPI]], [[LangChain]]
+- Entities touched: [[Amazon]], [[JD]], [[Taobao]], [[Shopee]]
+- Source page: wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md
+- Notes:
+  - 新增 1 个 Source Page（wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md）
+  - Concept 和 Entity 均以 wikilink 形式建立关联，暂不创建独立页面（已存在于 Wiki）
+  - 冲突检测：无已知冲突，与 [[scrapy-playwright-抓取tiktok-shop-data]] 同属电商数据采集技术栈
+  - 已在 index.md 添加 Source 条目
+  - 已在 overview.md TikTok E-commerce Operations 部分新增条目
+
+## [2026-04-26] ingest | 电商视频Prompt库
+- Source file: 跨境电商/电商视频Prompt.md
+- Status: ✅ 成功摄入
+- Summary: AI 生成宠物电商视频的 7 模块 Prompt 库（产品展示/宠物动作/衣服防穿帮/场景变化/Negative Prompt/卖货文案/全流程示例），以"拼积木"组合方式实现低翻车率 + 高真实感的 TikTok Shop 带货视频生成，扩展至 1产品→3视频→6文案→A/B 测试全链路自动化。
+- Concepts touched: [[Prompt库设计原则]], [[Negative Prompt]], [[Image-to-Video]], [[TikTok电商内容自动化]], [[AI图生视频]]
+- Entities touched: [[TikTok Shop]], [[宠物用品]], [[TikTok]]
+- Source page: wiki/sources/电商视频prompt.md
+- Notes:
+  - 新增 1 个 Source Page（wiki/sources/电商视频prompt.md）
+  - Concept 和 Entity 均以 wikilink 形式建立关联，暂不创建独立页面（出现次数 < 2 次阈值）
+  - 冲突检测：无已知冲突，与 [[AI图生视频工具盘点]]（工具盘点）和 [[做TK跨境思路不对努力白费]]（运营策略）互补
+  - 已在 index.md 添加 Source 条目
+  - 已在 overview.md 新增 [[电商视频Prompt库]] 小节，链接于 AI图生视频工具盘点 之后
+
+## [2026-04-26] ingest | TikTok Shop - Apache Superset Dashboard设计思路
+- Source file: 跨境电商/TikTok Shop - Apache Superset Dashboard设计思路.md
+- Status: ✅ 成功摄入
+- Summary: Apache Superset 在 TikTok Shop 电商选品分析场景的完整 Dashboard 设计方案——基于 products/reviews/variations 三表数据，通过 SQL View 预处理 JSON 字段，设计 4-Tab 专业 Dashboard（爆品雷达/类目洞察/店铺监控/评论分析），包含 KPI 卡/散点图/箱线图/热力图等可视化组件，提供选品评分加权公式（sold×0.4 + rating×15 + discount×0.5 + rating_count×0.2）。
+- Concepts created: [[Apache Superset]], [[KPI Card]], [[选品评分公式]], [[SQL View]], [[Dynamic Filter]], [[GMV]], [[Scatter Plot]], [[Box Plot]], [[Heatmap]]
+- Entities created: [[TikTok Shop]], [[tiktok_products 数据库]], [[products 表]], [[product_reviews 表]], [[product_variations 表]]
+- Source page: wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md
+- Notes:
+  - 新增 1 个 Source Page（wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md）
+  - Concept 和 Entity 均以 wikilink 形式建立关联，暂不创建独立页面（各仅出现 1 次，未达 ≥2 次阈值）
+  - 冲突检测：无实质冲突，与 [[电商如何选品-如何找到爆款-选品策略]] 互补（策略 vs 数据工具）
+  - 已在 index.md 添加 Source 条目
+  - overview.md 已在 "TikTok E-commerce Product Management" 小节提及 Apache Superset 与 Dashboard 集成，无需额外更新
+
 ## [2026-04-18] ingest | 做TK跨境思路不对努力白费
 - Source file: 跨境电商/做TK跨境思路不对努力白费.md
 - Status: ✅ 成功摄入
@@ -1106,6 +1175,20 @@
  - 支持 15+ 编程语言：C++, Python, Java, JavaScript, Go, Rust, Haskell, TypeScript 等
  - 与 Vibe Coding 互补：BYOX 理解原理，Vibe Coding 高效实现

+## [2026-04-18] ingest | 电商如何选品 - 如何找到爆款选品策略
+- Source file: 跨境电商/电商如何选品 如何找到爆款 选品策略.md
+- Status: ✅ 成功摄入
+- Summary: YouTube 视频摘要，20 种电商选品策略 + 情境配对 + 季节性规划 + POD 低成本测款 + 工具辅助分析（Salesmartly / Erank / Pinterest / Etsy 趋势）。核心观点：未来品牌需针对细分市场而非大众市场；情境配对产品组合提升客单价；POD 模式降低库存风险。
+- Concepts touched: [[电商选品策略]], [[爆款产品]], [[POD模式]], [[情境配对]], [[季节性选品]], [[细分市场定位]]
+- Entities touched: [[Salesmartly]], [[Erank]], [[TikTok Shop]], [[Etsy]], [[Pinterest]]
+- Source page: wiki/sources/电商如何选品-如何找到爆款-选品策略.md
+- Notes:
+  - 新增 1 个 Source Page（wiki/sources/电商如何选品-如何找到爆款-选品策略.md）
+  - Concepts 和 Entities 均以 wikilink 形式建立关联，暂不创建独立页面
+  - 冲突检测：与 [[做TK跨境思路不对努力白费]] 的平台优先级存在差异，但两者针对产品类型不同（Etsy/POD 手工艺 vs TikTok 快消品），属互补而非冲突
+  - 已在 index.md 添加 Source 条目
+  - 已在 overview.md TikTok E-commerce Operations 小节新增条目，置于 [[做TK跨境思路不对努力白费]] 之前
+
 ## [2026-01-26] ingest | 3.2 万人收藏的 Claude Skills，才是 AI 这条路上最值得研究的一套范式！
 - Source file: AI/3.2 万人收藏的 Claude Skills，才是 AI 这条路上最值得研究的一套范式！.md
 - Status: ✅ 成功摄入（重复来源，slug 不同）
@@ -1117,3 +1200,18 @@
  - index.md 已添加新条目
  - 无需新建 Entity 或 Concept 页面
  - 无新内容冲突
+
+## [2026-04-26] ingest | Building your Quartz
+- Source file: Home Office/Building your Quartz
+- Status: ✅ 成功摄入
+- Summary: Quartz 静态网站的本地预览与自托管部署指南。涵盖 `npx quartz build --serve` 本地热重载预览、Nginx/Apache/Caddy 三种 Web 服务器自托管配置（处理无扩展名链接）、baseUrl 配置对 RSS Feed 和 Sitemap 的影响。Obsidian 笔记 → Quartz 构建 → 自托管构成完整个人知识发布链条。
+- Concepts touched: [[Quartz]], [[Static Site Generator]], [[npx quartz build]], [[try_files]], [[RewriteRule]], [[baseUrl]]
+- Entities touched: [[Obsidian]], [[GitHub Pages]]
+- Source page: wiki/sources/building-your-quartz.md
+- Notes:
+  - 新增 1 个 Source Page（wiki/sources/building-your-quartz.md）
+  - Concept 和 Entity 均以 wikilink 形式建立关联，Quartz/Nginx/Apache/Caddy 均已在 overview.md 中被提及，不创建独立页面
+  - 检测到 1 处潜在冲突（自托管 vs Vercel/Netlify），已记录于 Source Page Contradictions 节
+  - index.md Sources 节添加新条目
+  - overview.md Productivity & Knowledge Management 部分添加 Quartz 段落
+
--- a/wiki/overview.md
+++ b/wiki/overview.md
@@ -93,7 +93,9 @@ Key concepts: [[CPU架构检测]], [[x86_64]], [[aarch64]], [[ARM64]], [[ELF格

 ChinaTextbook（TapXWorld/ChinaTextbook）是一个托管于 GitHub 的开源项目，收集中国小学、初中、高中、大学全阶段 PDF 教材，总库大小 41.53GB。教材来源于国家中小学智慧教育平台（basic.smartedu.cn），可通过第三方工具（tchMaterial-parser）下载。覆盖小学 10 门学科（语文、数学、英语、科学，音乐、美术、体育与健康、道德与法治等）、初中 17 门学科、高中 18 门学科，以及大学阶段概率论、离散数学、线性代数、高等数学等基础课程。

-Key concepts: [[国家中小学智慧教育平台]], [[tchMaterial-parser]], [[ChinaTextbook]], [[Build-Your-Own-X]], [[BYOX]], [[Learn-By-Building]], [[From-Scratch-Methodology]], [[CodeCrafters]], [[NAND-to-Tetris]]
+**免费 AI 学习资源全景**（[[learn-ai-for-free-directly-from-top-companies]]）：@RodmanAi 汇总的 10 家顶级科技公司免费 AI 学习资源——Anthropic（Skilljar 培训平台）、Google（Grow.google/AI 学习路径）、Meta（AI 资源中心）、NVIDIA（CUDA 开发者课程）、Microsoft（Microsoft Learn）、OpenAI（Academy）、IBM（SkillsBuild）、AWS（Skill Builder）、DeepLearning.AI（吴恩达课程）、Hugging Face（学习路径）。核心价值：**免费获取权威 AI 培训内容**，无需付费订阅。与 [[Claude Prompt Library]]（Anthropic 官方提示词库）属同一教育生态。
+
+Key concepts: [[国家中小学智慧教育平台]], [[tchMaterial-parser]], [[ChinaTextbook]], [[Build-Your-Own-X]], [[BYOX]], [[Learn-By-Building]], [[From-Scratch-Methodology]], [[CodeCrafters]], [[NAND-to-Tetris]], [[AI教育]], [[免费学习资源]]

 ### AI Tools & Prompt Engineering
 Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP via `npx claude-code-templates@latest --skill=<path> --yes` from aitmpl.com), OpenCode, [[Cursor]], [[Trae]], Gemini CLI, Vibe Coding, [[RAG]], multi-agent workflows, NotebookLM, Nano Banana prompting, and video generation tools.
@@ -121,6 +123,8 @@ Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP vi

 **[[AI图生视频工具盘点]]**：基于 [[14个免费的AI图生视频工具-用ai让图片动起来]] 的综合分析，介绍了14个免费AI图生视频工具，覆盖阿里巴巴（绘蛙、通义万相、万相营造）、字节跳动（即梦AI）、快手（可灵AI）、智谱AI（智谱清影）、MiniMax（海螺AI）、生数科技（Vidu）、爱诗科技（PixVerse）、潞晨科技（Video Ocean）、智象未来（Viva）、MewXAI（艺映AI）、Stability AI（Stable Video）等厂商。核心能力包括：文本提示词控制运动、动作模板选择、运镜参数调节、首尾帧精准控制、主体一致性保持、音效自动生成等。电商场景（模特图动态化、商品展示）、视频创作（创意短片）、广告制作是三大主要应用方向。与 [[文字生成视频网站推荐]] 属同类AI视频生成工具的不同角度——前者侧重点图生视频，后者侧重文生视频。

+**[[电商视频Prompt库]]**：基于 [[电商视频prompt]] 的 AI 生成宠物电商视频模块化 Prompt 库——7 大模块（产品展示/宠物动作/衣服防穿帮/场景变化/Negative Prompt/卖货文案/全流程示例），以"拼积木"方式组合使用，实现**低翻车率 + 高真实感**的 TikTok Shop 带货视频生成。核心原则：宠物衣服必加防穿帮模块，场景变化作为加法叠加而非写死；可扩展至 1 产品 → 3 条视频 → 6 条文案 → A/B 测试全链路自动化。与 [[AI图生视频工具盘点]]（工具盘点）和 [[做TK跨境思路不对努力白费]]（运营策略）共同构成 TikTok 跨境电商内容生产的完整知识链条。
+
 **[[固定镜头短视频制作的AI全流程解析]]**：基于固定机位 + 内容连续变化 + 时间压缩三大原理的家装短视频 AI 制作方法论——分镜拆解（Google AI Studio）→ 九宫格图像生成（Midjourney/Nano Banana）→ 首尾针动画（海螺AI/KAI）→ 快节奏剪辑（剪映）→ 声音设计，10 分钟内完成成片。核心突破：九宫格一次性生成保证画面一致性，首尾针动画替代复杂转场，硬切反而更干净。适用于所有固定机位且状态变化明显的短视频类型。与 [[AI图生视频工具盘点]] 同属 AI 视频创作工具应用，后者侧重工具评测，前者侧重完整工作流程。

 **NotebookLM 开源平替生态**：基于 [[google-神级生产力工具-所有-github-开源平替都找到了]] 的系统梳理，Google [[NotebookLM]] 作为 AI 笔记助手标杆，支持文档问答和播客生成两大核心能力，GitHub 上已形成完整的开源替代生态：[[OpenNotebook]]（14.6k Stars，全功能本地化，支持 16+ AI 提供商和本地模型）是 Star 最高的平替；[[SurfSense]]（11.4k Stars）定位为 NotebookLM + Perplexity + Glean 的综合替代，支持语义+全文混合搜索和团队 RBAC；[[Podcastfy]] 专注播客生成，整合 100+ LLM 和多种 TTS 引擎；[[NotebookLlama]]（LlamaIndex 官方项目）展示文档转播客的完整技术链条；[[PageLM]] 聚焦教育场景，提供康奈尔笔记和间隔重复闪卡；[[InsightsLM]] 采用 Supabase + N8N 低代码架构，支持完全离线部署。该生态覆盖从"全功能替代"到"垂直聚焦"的不同需求层次。与 [[Personal Knowledge Base (RAG)]]（文档检索知识库）同属 AI 驱动的知识管理工具，但 NotebookLM 生态侧重"文档→对话/音频"的交互形态。
@@ -165,6 +169,8 @@ Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP vi

 **[[Ollama 本地 LLM 部署]]**：基于 [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]] 的完整实操指南，展示如何使用 Ollama + DeepSeek-R1 + Open WebUI 在本地离线部署大模型。核心价值：**免费、无需 API Key、数据完全私有**。Ollama 跨平台支持（macOS/Windows/Linux/Docker），通过 `ollama run deepseek-r1:8b` 一键运行；国内网络环境下可通过魔塔社区（modelscope.cn）或 HuggingFace Mirror（hf-mirror.com）加速下载；云服务器部署必须通过 nginx + Bearer Token 保护 API 防止恶意调用；Open WebUI 提供浏览器端 Web 界面，支持 RAG 本地知识库（bge-m3 嵌入模型）和联网搜索。硬件要求：1.5B 模型需 4GB RAM，7B 需 16GB RAM，32B 需 64GB RAM+48GB 显存（Apple M2 Max 可流畅运行 32b 及以下）。

+**[[Qwen2.5-Coder]] 部署实战**（[[在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b]]）：Ubuntu 上通过 Ollama 本地部署 Qwen2.5-Coder 7B 代码生成模型，3条命令完成安装（`curl -fsSL https://ollama.com/install.sh | sh && ollama pull qwen2.5-coder:7b && ollama run qwen2.5-coder:7b`）。推荐配置：8+ CPU cores + 16GB RAM + NVIDIA GPU（CUDA 自动加速）。**qwen2.5-coder:7b 因 Tool usage 能力强、Shell/Python/SQL 理解强、Repo 级代码理解强，比普通 qwen2.5:7b 更适合工程任务**。支持 REST API（默认 localhost:11434）和 Python/Node.js SDK，可与 [[Open WebUI]]、[[n8n]]、[[OpenClaw]] 等工具集成构建本地 AI 应用栈。与 [[Ollama 本地 LLM 部署]]（DeepSeek-R1）同属 Ollama 本地部署场景，本方案侧重 Qwen2.5-Coder 的代码生成能力优势。
+
 **Claude Code 调用方法**：[[claude-code调用方法总结]] 详细记录了 Hermes Agent 通过 `terminal` 工具调用 Claude Code 的两种模式——Print Mode（`claude -p`，适合绝大多数任务）和 TMUX 交互模式（适合超长任务）。核心参数包括 `--permission-mode bypassPermissions`（跳过所有权限确认）和 `--add-dir`（加载 SKILL.md）。关键结论：当任务需要 Claude Code 的 Skill 时，应使用 `terminal` 调用 `claude -p` 而非 `delegate_task`。

 **Coze 平台多行业 AI Agent 培训**（[[ai-解决方案专家培训课程]]）：Coze（扣子）平台的实战培训课程，分国内版（coze.cn）和海外版（coze.com），提供覆盖金融（客户分层营销、智能客服）、医疗（分诊助手、影像识别）、教育（知识库问答、拍照搜题）、电商（混剪助手、在线换衣、抖音直播回复）、人力资源（招聘打分、面试对练、AI 培训对练）、泛娱乐（AI 证件照、视频生成工作流）、在线客服（AI 助教、AI 销售）等 7 大行业共 50+ 可体验 Agent Demo，是 AI 解决方案专家培训的实操案例库。与 [[Prompt Engineering]]（提示词技能）、[[RAG（检索增强生成）]]（知识库问答）、[[Function Call]]（工具调用）三大基础能力配套，学员可通过邀请链接直接加入团队空间体验所有 Agent，并可 Fork 改造。与 [[固定镜头短视频制作的AI全流程解析]] 的 AI 视频生成工作流相关联。
@@ -192,12 +198,19 @@ Covers Claude Code, Claude Code Templates (npx 一键安装 Skills/Agents/MCP vi
 Key concepts: [[AI簡報工作流]], [[AI圖生視頻工具]], [[文字生成視頻]], [[電商場景]], [[AI工具整合]], [[ChatGPT]], [[Canva]], [[Gamma AI]], [[Morning Briefing]], [[Todoist API]], [[AI-Driven Task Extraction]], [[TaskAutomation]], [[Recurring Tasks]], [[MeetingNotes]], [[ActionItemTracking]], [[TranscriptProcessing]], [[RAG从入门到精通系列]], [[Agent Personality Design]], [[Vibe Coding]], [[Design-to-Code Workflow]], [[Multi-AI Review]], [[CodeWeaver]], [[LLM Wiki]], [[多智能体系统可靠性]], [[Plan Mode]], [[Build Mode]], [[Workspace]], [[API Enablement]], [[OAuth 2.0]], [[Google Cloud Console]], [[Agent-Memory]], [[Claude Code Templates]], [[MCP（Model Context Protocol）]], [[Remote-SSH]], [[Bind Mount]], [[Attach 容器]], [[Docker 用户组]], [[SSH Config]], [[SSH 免密登录]], [[Vibe-Kanban]], [[OpenCode]], [[nvm]], [[pm2]], [[单一职责原则]], [[DRY原则]], [[模块化编程]], [[微服务架构]], [[Redis缓存]], [[消息队列]], [[输入-处理-输出模型]], [[并发编程]], [[Pain Point Mining]], [[Startup MVP Pipeline]], [[Agent-Driven Market Research]], [[Last 30 Days Method]], [[Pre-Build Validation]], [[Reality-Signal]], [[Competition-Analysis]], [[Pivot-Strategy]], [[Agent-Build-Gate]], [[CoworkWorkspace]], [[RemoteRescuePattern]], [[Multi-AgentHub]], [[MCPOnceAllAgents]], [[Personalization]], [[Custom Instructions]], [[Proactive AI]], [[Expert User Assumption]], [[Error Accountability]]

 ### Productivity & Knowledge Management
-Obsidian plugins, blogwatcher RSS monitoring, Quartz static site generation, project management systems, and personal CRM frameworks. QuickAdd plugin enables quick note capture via hotkeys for rapid idea recording.
+Obsidian plugins, blogwatcher RSS monitoring, [[Quartz]] static site generation, project management systems, and personal CRM frameworks. QuickAdd plugin enables quick note capture via hotkeys for rapid idea recording.
+
+**[[Quartz]]** 是 Obsidian 笔记的静态网站发布方案——将 Markdown 文件通过 `npx quartz build` 构建为 HTML/JS/CSS bundle，支持本地预览（`--serve`）和自托管部署。本地预览适合开发调试，生产部署需配置 Web 服务器处理无扩展名链接：Nginx 使用 `try_files $uri $uri.html $uri/ =404`，Apache 使用 RewriteRule，Caddy 使用 `try_files {path} {path}.html {path}/`。部署前必须正确配置 `baseUrl`，否则 RSS Feed 和 Sitemap 功能无法正常工作。[[Obsidian]] 笔记 → [[Quartz]] 构建 → 自托管（GitHub Pages / Nginx / Apache / Caddy）构成完整的个人知识发布链条。

 **Personal Knowledge Base (RAG)**：基于 [[OpenClaw]] 的个人知识库 RAG 系统——通过 Telegram Topic 或 Slack Channel 投递任意 URL（网页/推文/YouTube 字幕/PDF），Agent 自动抓取内容并以 Embedding 向量入库；支持语义搜索（"我保存的关于 LLM memory 的内容？"），返回排名结果并附带来源；可被其他工作流（如 [[YouTube-Content-Pipeline]]）主动查询。核心理念：**捕获像发短信一样简单，检索像搜索一样容易**，无需专用 App。[[ClawHub]] 提供 knowledge-base skill 一键安装。与 [[Second Brain]] 同属 OpenClaw 持久记忆能力，Second Brain 侧重对话记忆，本方案侧重结构化知识检索。

 **[[semantic-memory-search]]**：通过 [[memsearch]]（基于 [[Milvus]] 向量数据库）为 OpenClaw 的 Markdown 记忆文件添加语义搜索能力——用自然语言提问（"我们选了哪个缓存方案？"）即可找到相关内容，无需精确措辞。混合搜索（稠密向量 + BM25 + RRF 重排）兼顾语义相似性和关键词精确匹配；SHA-256 内容哈希实现增量索引，仅重新嵌入变更内容；支持本地模式（无需 API Key）。Markdown 文件是唯一真相，向量索引随时可重建。与 [[Knowledge-Base-RAG]] 同属 RAG 技术栈的不同场景。

+**[[ai-memory-tools-two-camps]]**：AI 记忆工具的全景分类框架（@witcheer，2026-04-15）——GitHub 上 450+ repos 标记"agent-memory"、460+ 标记"context-management"，但几乎无人明确区分两个根本不同的技术路线：
+- **Camp 1（Memory Backend）**：从对话中提取事实，存入向量/图数据库，检索时召回。代表：Mem0、MemPalace、Supermemory、Honcho。优化目标：**召回精度**
+- **Camp 2（Context Substrate）**：维护结构化人类可读文件（Markdown/知识图谱），跨会话累积，背景进程整合。代表：OpenClaw、Zep、Thoth、TrustGraph、MemSearch、ALIVE。优化目标：**复合增长**
+- Zep 从"memory"重塑品牌为"context engineering"是市场上最强的信号；作者预测 6 个月内"context engineering"将取代"memory"成为描述成熟 Agent 基础设施的标准术语。与 [[semantic-memory-search]]（MemSearch 的文件优先哲学）、[[Self-Improving-Skill]]（背景整合实践）同属 Context Substrate 范式的不同切面。
+
 Key concepts: [[Obsidian Tasks]], [[Dataview]], [[Templater]], [[QuickAdd]], [[Spaced Repetition]], [[Kanban]], [[Projects]], [[Outliner]], [[Calendar]], [[DB Folder]], [[Homepage]], [[间隔重复]], [[看板]], [[动态模板]], [[双向链接]], [[Daily Notes]], [[Event Sourcing]], [[Second Brain]], [[Personal CRM]], [[Knowledge-Base-RAG]], [[Zero-Friction-Capture]], [[Semantic-Search]], [[Content-Ingestion]], [[semantic-memory-search]], [[memsearch]], [[Hybrid Search]], [[Reciprocal Rank Fusion]], [[Content Hashing]], [[File Watcher]]

 ### 经典智慧与人生哲学
@@ -361,8 +374,12 @@ Key concepts: [[Generalist]], [[Self-Education]], [[Self-Interest]], [[Self-Suff
 - **[[Zipline]]** — 开源自托管图床应用，提供前端上传 UI 和 REST API，支持 [[n8n]] 工作流集成

 ### TikTok E-commerce Operations
+**[[电商如何选品-如何找到爆款-选品策略]]**（YouTube 视频摘要）：电商选品系统方法论——20 种选品策略（细分市场定位如LGBTQ群体、情境配对如露营三件套、季节性规划等）+ POD 低成本测款模式 + 工具辅助分析（Salesmartly 多平台订单管理、Erank 竞争分析、Pinterest/Etsy 趋势报告）。核心观点：未来品牌需针对细分市场而非大众市场；多工具组合使用可提升客户转化率和选品效率。与 [[做TK跨境思路不对努力白费]]（运营策略）和 [[TikTok E-commerce Product Management]]（Django 产品管理系统）共同构成 TikTok 跨境电商知识体系。
+
 **[[做TK跨境思路不对努力白费]]**：TikTok 跨境电商全流程实战指南——从市场选择（优先美区/日本，避开东南亚）→ 账号准备（选区看直播了解流程）→ 选品策略（数据软件分析+单一垂直类目）→ 店铺运营（流量监控+商品优化）→ 流量获取（短视频营销+达人合作）→ 仓储物流（海外仓+海运补货）→ 团队建设（招聘分工），提供完整的执行框架。核心观点：思路正确是成功的前提，市场定位和选品是核心竞争力。与 [[电商如何选品]] 同属选品策略范畴，与 [[TikTok E-commerce Product Management]]（Django 产品管理系统）互补——前者侧重运营策略，后者侧重技术实现。

+**电商数据采集与处理系统**：基于 Docker + Ubuntu + n8n 的可自动化、可扩展、AI增强的电商数据采集与处理系统。三层架构：爬虫层（Scrapy/Playwright）→ AI处理层（n8n + LLM API）→ 存储展示层（PostgreSQL/MinIO + Grafana）。推荐 Scrapy + Playwright 组合抓取动态页面，Docker Compose 容器化部署，输出 JSON/CSV 供 n8n 消费；n8n 工作流实现定时启动爬虫→读取数据→LLM提取属性→写入数据库→报表通知的全链路自动化；AI 处理任务包括摘要分类、多语言翻译、特征提取、异常检测；本地可使用 Ollama（Mistral/Llama3）通过 HTTP Request 调用，无需外部 API Key；防封策略包括 User-Agent 轮换、代理池（Bright Data/ScraperAPI）和下载延迟随机化。与 [[做TK跨境思路不对努力白费]]（运营策略）互补，后者侧重电商运营全流程，前者侧重技术架构搭建。与 [[scrapy-playwright-抓取tiktok-shop-data]] 同属电商数据采集技术栈。
+
 ### TikTok E-commerce Product Management
 A comprehensive Django-based product data management system for TikTok Shop. Covers Django ORM models (Product, ProductImage, ProductVideo, ProductVariation, ProductReview), Django Admin customization (TinyMCE rich text, inline models, image preview modals), REST API via Django REST Framework with django-filter for search and filtering, Docker + Gunicorn + Nginx production deployment, Django-Q async task queue for Bright Data API scraping, and custom Management Commands for JSON data import. Key components: Product list with thumbnail display, multi-condition filtering by store_name, bulk product fetch via Bright Data asynchronous API, description detail HTML generation, and Apache Superset BI dashboard integration.

--- a/wiki/sources/ai-memory-tools-two-camps.md
+++ b/wiki/sources/ai-memory-tools-two-camps.md
@@ -0,0 +1,68 @@
+---
+title: "I Went Through Every AI Memory Tool I Could Find. There Are Two Camps."
+type: source
+tags: [ai-agent, memory, context-management, tooling]
+sources: []
+last_updated: 2026-04-23
+---
+
+## Source File
+- [[Agent/AI-Memory-Tools-Two-Camps]]
+
+## Summary（用中文描述）
+- 核心主题：AI 记忆工具的全景分类——揭示该领域存在两个根本不同的技术路线
+- 问题域：AI Agent 的持久化上下文问题——如何让 Agent 跨会话保持记忆
+- 方法/机制：Camp 1（记忆后端）通过向量提取+检索解决事实召回；Camp 2（上下文基质）通过文件累积+背景整合实现上下文复合增长
+- 结论/价值：提出了"记忆"与"上下文"不是同一问题的核心洞察；预测 6 个月内"context engineering"将取代"memory"成为主流术语；ALIVE 是作者实际运行的上下文基质方案
+
+## Key Claims（用中文描述）
+- Camp 1 与 Camp 2 是两个根本不同的技术范式，而非同一问题的不同实现
+- Camp 1 工具优化目标是**召回**：能否找到正确的事实
+- Camp 2 工具优化目标是**复合**：系统是否随时间变得更好
+- Zep 将品牌定位从"memory"重塑为"context engineering"是市场上最强的信号，表明 Camp 2 路线正在成为主流
+- GitHub 上 450+ repos 标记"agent-memory"、460+ 标记"context-management"，但几乎无人明确区分这两种范式
+- 持续运行的 24/7 Agent 场景下，只有 Camp 2 架构才能真正实现跨会话复合增长
+
+## Key Quotes
+> "there are 450+ repos tagged 'agent-memory' on github and 460+ tagged 'context-management.' me and my agentic best friends went through them." — @witcheer，揭示该领域分类混乱的现状
+> "the line from their docs that defines the philosophy: 'the model only remembers what gets saved to disk, there is no hidden state.'" — OpenClaw 定义了 Camp 2 的核心哲学
+> "a funded company with 4.4k stars looked at where the space was going and decided 'memory' was the wrong word for what they were building." — Zep 的品牌重塑是市场信号
+> "within 6 months, 'context engineering' replaces 'memory' as the default term for what serious agent infrastructure does." — 作者的核心预测
+> "if you're building agents that need to run for more than one conversation, you're going to end up here." — Camp 2 是长期运行 Agent 的必然归宿
+
+## Key Concepts
+- [[Memory Backend]]：从对话中提取事实，存入向量数据库，检索时召回。代表工具：Mem0、MemPalace、Supermemory、Honcho、Cognee。核心问题：记忆是扁平条目，无关系；提取质量依赖 LLM prompt；事实不进化
+- [[Context Substrate]]：维护结构化、人类可读的上下文文件，跨会话累积。代表工具：OpenClaw、Zep、Thoth、TrustGraph、MemSearch、ALIVE。核心哲学："nothing gets extracted — the context is the files"
+- [[Fact Recall]] vs [[Compounding]]：Camp 1 优化召回精度，Camp 2 优化复合增长；前者问"AI 应该记住什么"，后者问"AI 应该在什么样的上下文中工作"
+- [[Dreaming Cycle]]：OpenClaw 的背景整合过程——light sleep（分组）→ REM（频繁访问提升）→ deep sleep（写入长期记忆），六维评分机制（相关性0.30、频率0.24、查询多样性0.15、时效性0.15、整合度0.10、概念丰富度0.06）
+- [[Temporal Knowledge Graph]]：Zep 的 Graphiti 框架使用带 valid_at/invalid_at 时间戳的知识图谱，自动提取关系，返回预格式化上下文块，<200ms 检索
+- [[Context Core]]：TrustGraph 引入的可移植、带版本控制的上下文捆绑包（领域schema+知识图谱+向量嵌入+证据来源+检索策略），将上下文视为第一公民制品
+- [[Context Engineering]]：作者预测将取代"memory"成为描述 Agent 基础设施的标准术语
+
+## Key Entities
+- [[Mem0]]：53.1k stars，Camp 1 类别领导者，四操作（add/search/update/delete），三层存储（user/session/agent），混合检索，集成简单但记忆为扁平条目，无关系推理
+- [[MemPalace]]：46.2k stars，本地优先逐字记忆，用 ChromaDB 组织为 wings（实体）/rooms（主题）/drawers（原内容），LongMemEval 96.6% 召回率但线性增长无压缩
+- [[Supermemory]]：21.8k stars，差异化是时序感知（"I moved to SF"自动取代旧城市），expired facts 自动遗忘，MemoryBench 声称第一，多模态连接器（Google Drive/Gmail/Notion/GitHub）
+- [[Honcho]]：2.4k stars，将人/Agent 视为统一模型中的"对等体"，异步推理服务推导心理洞察，PostgreSQL + pgvector，AGPL-3.0
+- [[OpenClaw]]：358k stars，plain markdown 文件（Mmemory.md + daily notes + DREAMS.md），无向量数据库，dreaming 三阶段整合，Camp 2 典型代表
+- [[Zep]]：4.4k stars，从"memory"重塑品牌为"context engineering"，Graphiti 时序知识图谱，SOC2 Type 2 + HIPAA 合规，<200ms 检索，架构上处于两 Camp 边界
+- [[Thoth]]：145 stars，最深层架构，10 实体类型 + 67 有向关系类型 + FAISS + 图扩展检索，四阶段夜间 dream cycle，三层反污染机制防止跨实体事实混淆
+- [[TrustGraph]]：2.0k stars，Context Cores 可移植版本化上下文容器，treats context like code，Cassandra + Qdrant 基础设施
+- [[MemSearch]]：1.2k stars，Zilliz 团队出品，Markdown 文件为唯一真相，Milvus 为下游"阴影索引"，三层层级渐进披露（语义块→完整章节→原始记录）
+- [[ALIVE]]：作者实际运行的方案，structured context substrate，file-native，agent-agnostic，walnuts 作为可移植上下文容器，零基础设施依赖，运行在 Hermes Agent + Claude Code + Mac Mini M4 上
+
+## Connections
+- [[RAG]] ← related_to ← [[Memory Backend]]：两者共享向量检索的基本机制，但 RAG 通常指一次性问答场景，Memory Backend 指跨会话累积
+- [[OpenClaw]] ← implements ← [[Context Substrate]]：OpenClaw 的 Markdown 文件架构是 Context Substrate 范式的典型实现
+- [[Semantic-Memory-Search]] ← extends ← [[OpenClaw]]：MemSearch 为 OpenClaw 的 Markdown 记忆提供语义搜索能力
+- [[Memory Backend]] ← evolves_into ← [[Context Substrate]]：Supermemory 的时序感知和 Honcho 的心理建模代表了 Camp 1 向 Camp 2 的演进趋势
+- [[Second Brain]] ← uses ← [[Context Substrate]]：[[Second Brain]] 基于 OpenClaw 的累积记忆能力，本质上是 Context Substrate 范式在个人知识管理中的应用
+- [[养龙虾5天血泪史]] ← experiences ← [[OpenClaw]]：实战中暴露了 OpenClaw 记忆压缩和检索的痛点，推动了对 Context Substrate 架构的深入理解
+- [[Context Substrate]] ← enables ← [[Self-Improving-Skill]]：Self-Improving 的复盘机制（[[养虾日记2]]）是 Context Substrate 中背景整合思想的实践
+
+## Contradictions
+- 与 [[semantic-memory-search]] 可能存在张力：
+  - 冲突点：MemSearch（Camp 2）将向量索引视为文件的下游"阴影索引"，可随时重建；[[semantic-memory-search]] 则将向量搜索作为记忆检索的核心能力
+  - 当前观点：向量索引是可选的访问加速层，Markdown 文件才是唯一真相
+  - 对方观点：向量语义搜索是必要的，单纯的关键词/Markdown 文件无法高效处理"我上周讨论的那个关于 X 的内容"
+  - 注：两者其实互补——MemSearch 本身也使用混合搜索，但强调文件优先而非索引优先
--- a/wiki/sources/building-your-quartz.md
+++ b/wiki/sources/building-your-quartz.md
@@ -0,0 +1,61 @@
+---
+title: "Building your Quartz"
+type: source
+tags:
+  - quartz
+  - obsidian
+  - static-site-generator
+  - self-hosting
+date: 2026-03-04
+---
+
+## Source File
+- [[Home Office/Building your Quartz]]
+
+## Summary（用中文描述）
+- 核心主题：Quartz 静态网站的本地预览与自托管部署指南
+- 问题域：如何将 Markdown 文件构建为可预览的本地网站，以及如何通过主流 Web 服务器（Nginx/Apache/Caddy）实现公网自托管
+- 方法/机制：Quartz 将 Markdown 文件转换为 HTML/JS/CSSbundle；本地预览通过 `npx quartz build --serve` 启动热重载服务器；自托管需配置 Web 服务器处理无扩展名链接（`try_files $uri $uri.html $uri/`）
+- 结论/价值：Quartz 提供了一套完整的从笔记到静态网站的构建与部署流程，支持多种主流 Web 服务器的自托管方案，适合将 Obsidian 笔记发布为公网可访问的静态网站
+
+## Key Claims（用中文描述）
+- Quartz 将 Markdown 文件和资源转换为 HTML、JS 和 CSS 文件包（即一个网站）
+- Serve 模式仅用于本地预览，生产环境部署需使用 GitHub Pages 等静态托管服务
+- 静态托管前需正确配置 `baseUrl`，否则 RSS Feed 和 Sitemap 生成功能将无法正常工作
+- 自托管时 Web 服务器必须处理不含 `.html` 扩展名的链接（Quartz 生成此类链接）
+- Nginx 通过 `try_files $uri $uri.html $uri/ =404` 规则处理无扩展名链接
+- Apache 通过 RewriteCond/RewriteRule 组合实现相同功能
+- Caddy 通过 `try_files {path} {path}.html {path}/ =404` 实现，并支持 gzip 压缩和错误页处理
+
+## Key Quotes
+> "Serve mode is intended for local previews only. For production workloads, see the page on hosting."
+> — Quartz 官方文档，明确 serve 模式仅用于本地预览
+
+> "Some Quartz features (like RSS Feed and sitemap generation) require `baseUrl` to be configured properly in your configuration to work properly."
+> — Quartz 官方文档，部署前必须配置 baseUrl
+
+## Key Concepts
+- [[Quartz]]：Obsidian 笔记静态网站生成器，将 Markdown 转换为 HTML/JS/CSS bundle
+- [[Static Site Generator]]：静态网站生成器，无需服务器端渲染，直接托管 HTML 文件
+- [[npx quartz build]]：Quartz 构建命令，核心参数包括 `-d/--directory`（内容目录）、`-o/--output`（输出目录）、`--serve`（本地预览）、`--port`（端口）、`--concurrency`（并发数）
+- [[try_files]]：Nginx 指令，按顺序尝试文件、HTML 文件、目录，最后返回 404
+- [[RewriteRule]]：Apache mod_rewrite 模块指令，用于 URL 重写处理无扩展名链接
+- [[baseUrl]]：Quartz 配置项，用于生成正确的绝对 URL，RSS Feed 和 Sitemap 功能依赖此配置
+
+## Key Entities
+- [[Quartz]]：开源静态网站生成器，专注于将 Obsidian 风格的双链笔记发布为静态网站
+- [[Obsidian]]：本地笔记软件，Quartz 的内容来源
+- [[GitHub Pages]]：Quartz 推荐的公网托管方案
+
+## Connections
+- [[Obsidian]] — provides content → [[Quartz]]
+- [[Quartz]] — builds to static files → [[Static Site Generator]]
+- [[Quartz]] — local preview → [[npx quartz build --serve]]
+- [[Quartz]] — production deployment → [[GitHub Pages]] / Self-hosting
+- Self-hosting — requires → [[try_files]] (Nginx) / [[RewriteRule]] (Apache) / [[Caddyfile]] (Caddy)
+
+## Contradictions
+- 与通用静态网站托管方案（如 Vercel/Netlify）冲突：
+  - 冲突点：这些平台自动处理 URL 重写，无需手动配置 Web 服务器
+  - 当前观点：Quartz 支持手动自托管（自行配置 Nginx/Apache/Caddy），提供完全控制权
+  - 对方观点：使用 Vercel/Netlify 可零配置自动部署，省去服务器维护成本
--- a/wiki/sources/learn-ai-for-free-directly-from-top-companies.md
+++ b/wiki/sources/learn-ai-for-free-directly-from-top-companies.md
@@ -0,0 +1,57 @@
+---
+title: "Learn AI for free directly from top companies"
+type: source
+tags:
+  - "AI学习"
+  - "教育资源"
+  - "免费课程"
+date: 2026-04-16
+---
+
+## Source File
+- [[AI/Learn AI for free directly from top companies]]
+
+## Summary（用中文描述）
+- 核心主题：汇总全球顶级科技公司提供的免费 AI 学习资源
+- 问题域：AI 教育普及与免费学习资源获取
+- 方法/机制：列举 10 家顶级公司/平台的免费 AI 课程资源及直链
+- 结论/价值：无需付费，即可直接获取权威 AI 培训内容
+
+## Key Claims（用中文描述）
+- Anthropic 提供免费 AI 技能培训平台（Skilljar）
+- Google 提供免费 AI 学习路径（Google AI Learning）
+- Meta 开源 AI 学习资源平台
+- NVIDIA 提供 CUDA 开发者免费学习资源
+- Microsoft 提供免费技术培训（Microsoft Learn）
+- OpenAI 提供 Academy 免费课程
+- IBM SkillsBuild 提供免费 AI 技能培训
+- AWS 提供 Skill Builder 免费学习平台
+- DeepLearning.AI 提供免费 AI 课程
+- Hugging Face 提供免费学习路径
+
+## Key Quotes
+> "Learn AI for free directly from top companies." — Leonard Rodman (@RodmanAi)
+
+## Key Concepts
+- [[AI教育]]
+- [[免费学习资源]]
+- [[企业级AI培训]]
+
+## Key Entities
+- [[Anthropic]]：AI 安全与对齐研究公司，提供 skilljar.com 免费培训平台
+- [[Google]]：提供 grow.google/ai 免费 AI 学习路径
+- [[Meta]]：提供 ai.meta.com/resources/ 开源 AI 学习资源
+- [[NVIDIA]]：提供 developer.nvidia.com/cuda 免费 CUDA 课程
+- [[Microsoft]]：提供 Microsoft Learn 免费技术培训平台
+- [[OpenAI]]：提供 academy.openai.com 免费课程
+- [[IBM]]：通过 SkillsBuild 提供免费 AI 技能培训
+- [[AWS]]：通过 Skill Builder 提供免费学习平台
+- [[DeepLearning.AI]]：吴恩达创立的免费 AI 课程平台
+- [[Hugging Face]]：提供 huggingface.co/learn 免费学习路径
+
+## Connections
+- [[AI教育]] ← 资源来源 ← [[Anthropic]] / [[Google]] / [[Meta]] / [[NVIDIA]] / [[Microsoft]] / [[OpenAI]] / [[IBM]] / [[AWS]] / [[DeepLearning.AI]] / [[Hugging Face]]
+- [[免费学习资源]] ← 涵盖 ← [[Claude Prompt Library]]（Anthropic 官方提示词库）
+
+## Contradictions
+- 无已知冲突
--- a/wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md
+++ b/wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md
@@ -0,0 +1,53 @@
+---
+title: "TikTok Shop - Apache Superset Dashboard设计思路"
+type: source
+tags: ["TikTok电商", "数据可视化", "Apache Superset", "选品分析", "BI仪表盘"]
+date: 2026-04-18
+---
+
+## Source File
+- [[跨境电商/TikTok Shop - Apache Superset Dashboard设计思路]]
+
+## Summary（用中文描述）
+- 核心主题：Apache Superset 在 TikTok Shop 电商选品分析场景的完整 Dashboard 设计方案
+- 问题域：TikTok Shop 跨境电商卖家如何通过数据可视化系统发现爆品、识别类目机会、监控竞品店铺
+- 方法/机制：基于 Scrapy + Playwright 抓取的 TikTok Shop 产品数据（products 表、product_reviews 表、product_variations 表），通过 SQL View 预处理 JSON 字段，设计 4-Tab 专业 Dashboard（爆品雷达 / 类目洞察 / 店铺监控 / 评论分析），结合动态过滤器实现选品决策自动化
+- 结论/价值：提供了一套"可长期演进的专业选品分析系统"的完整设计蓝图，从数据准备→指标体系→可视化图表→Dashboard 布局→高阶选品评分 SQL，均有可直接落地的方案
+
+## Key Claims（用中文描述）
+- Apache Superset 不会自动解析 JSON 字段，必须通过 SQL View 预先提取 rating、rating_count 等数值字段，才能构建 KPI 卡、Heatmap 等图表
+- 核心选品目标为"找出热卖产品 + 高评分 + 低竞争 + 高折扣"，Dashboard 应支持动态过滤器实现交互式选品决策
+- SQL 选品评分公式：score = sold × 0.4 + rating × 15 + discount_percent × 0.5 + rating_count × 0.2，可根据业务需求自定义权重
+- 推荐 4-Tab Dashboard 结构：爆品雷达（KPI总览）→ 类目机会洞察（热力图/箱线图）→ 店铺监控（时序图）→ 评论分析（评分趋势）
+
+## Key Quotes
+> "找出热卖产品 + 高评分 + 低竞争 + 高折扣 → 决定选哪些产品卖" — 选品 Dashboard 核心目标
+> "Superset 不会自动解析 JSON，你需要创建 SQL View 预先提取数值字段" — 数据准备关键步骤
+> "这样整个 Dashboard 变成一个动态选品系统" — 动态过滤器的价值定位
+
+## Key Concepts
+- [[Apache Superset]]：开源 BI 可视化平台，支持 SQL 查询、多样化图表和仪表盘构建，本文档中使用 Docker 容器化部署
+- [[KPI Card]]：关键绩效指标卡片，展示总产品数、热卖产品数、平均评分、平均价格等核心数字
+- [[选品评分公式]]：加权多维度评分公式，权重可自定义（sold × 0.4 + rating × 15 + discount × 0.5 + rating_count × 0.2）
+- [[Scatter Plot]]（散点图）：用于分析销量 vs 价格关系，气泡大小代表评分，颜色代表类目
+- [[Box Plot]]（箱线图）：用于分析类目价格带分布，找出"利润空间大但竞争低"的类目
+- [[Heatmap]]（热力图）：用于类目评分 vs 销量交叉分析
+- [[SQL View]]：在数据库层面预处理 JSON 字段（如 JSON_EXTRACT），使 Superset 能直接计算数值指标
+- [[Dynamic Filter]]（动态过滤器）：支持 Category/Store Name/价格范围/时间范围等交互式筛选，使 Dashboard 具备实时分析能力
+- [[GMV]]（商品交易总额）：final_price × sold，用于产品排名
+
+## Key Entities
+- [[TikTok Shop]]：字节跳动旗下电商平台，本文档数据抓取的目标平台
+- [[tiktok_products 数据库]]：包含 products、product_reviews、product_variations 三张核心表的数据库结构
+- [[products 表]]：存储产品基础信息（id/title/sold/price/rating/category/store_name/timestamp/position）
+- [[product_reviews 表]]：存储用户评论数据（rating/review_date/review_text/product_id）
+- [[product_variations 表]]：存储 SKU 层变体数据（sku/stock/final_price/discount_percent）
+
+## Connections
+- [[Scrapy + Playwright 抓取TikTok Shop Data]] ← upstream_data_source ← [[TikTok Shop Apache Superset Dashboard设计思路]]
+- [[TikTok PM - Python Django 项目]] ← shares_database_schema ← [[TikTok Shop Apache Superset Dashboard设计思路]]
+- [[Apache Superset]] ← tool ← [[TikTok Shop Apache Superset Dashboard设计思路]]
+- [[用Docker安装Apache Superset]] ← prerequisite ← [[TikTok Shop Apache Superset Dashboard设计思路]]
+
+## Contradictions
+- 与 [[电商如何选品-如何找到爆款-选品策略]]：后者侧重选品策略理论（市场调研/竞争对手分析/利润测算），前者侧重数据驱动的可视化执行工具（Apache Superset Dashboard）。两者互补而非冲突——策略指导选品方向，Dashboard 提供实时数据验证。
--- a/wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md
+++ b/wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md
@@ -0,0 +1,70 @@
+---
+title: "可自动化、可扩展、AI增强的电商数据采集与处理系统"
+type: source
+tags: []
+date: 2025-11-11
+---
+
+## Source File
+- [[raw/Others/可自动化、可扩展、AI增强的电商数据采集与处理系统.md]]
+
+## Summary（用中文描述）
+- 核心主题：基于 Docker + Ubuntu + n8n 构建可自动化、可扩展、AI增强的电商数据采集与处理系统
+- 问题域：电商数据爬取效率低、AI处理缺失、缺乏自动化管线
+- 方法/机制：三层架构（爬虫层→AI处理层→存储展示层）；Scrapy+Playwright组合抓取动态页面；n8n工作流编排自动化；Docker Compose容器化部署
+- 结论/价值：提供完整的开源技术栈方案，实现从爬取到AI分析的全链路自动化
+
+## Key Claims（用中文描述）
+- Scrapy 负责结构化抓取、分页调度、媒体下载；Playwright 负责加载动态页面；两者通过 Docker Compose 容器化，输出 JSON/CSV 供 n8n 消费
+- n8n 工作流可实现定时启动爬虫→读取JSON→调用LLM提取属性→写入数据库→生成报表通知的全链路自动化
+- AI 处理任务包括：内容摘要分类、多语言翻译、特征提取（品牌/价格/类别）、异常检测（异常价格/缺图产品）、结构化JSON输出
+- 本地可使用 Ollama（Mistral/Llama3）通过 HTTP Request 调用本地 API，无需外部 API Key
+- 防封策略：User-Agent轮换、代理池（BrightData/ScraperAPI）、下载延迟+随机化访问、分布式调度（Scrapyd/Scrapy集群）
+
+## Key Quotes
+> "Scrapy + Playwright（或 Crawlee + Playwright）" — 推荐爬虫工具组合
+> "在 n8n 中可以通过 workflow 实现整个管线自动化" — n8n 自动化核心理念
+> "可以本地使用 Ollama (Mistral, Llama3) 模型，通过 n8n 的 HTTP Request 调用本地 http://localhost:11434/api/generate" — 本地AI处理方案
+
+## Key Concepts
+- [[Scrapy]]：Python 爬虫框架，擅长结构化抓取、分页调度和媒体下载
+- [[Playwright]]：浏览器自动化工具，支持 JS 渲染页面和无头模式
+- [[scrapy-playwright]]：让 Scrapy 调用 Playwright 渲染动态页面的插件
+- [[n8n]]：开源工作流自动化平台，支持 Trigger/Action/AI 节点编排
+- [[Docker Compose]]：容器化编排工具，定义和运行多容器应用
+- [[Ollama]]：本地 LLM 运行框架，支持 Mistral/Llama3 等模型
+- [[LangChain]]：结合 Vector DB（Qdrant/Milvus）存储产品语义信息
+- [[Bright Data]]：商业代理池服务，用于爬虫防封
+- [[Scrapyd]]：Scrapy 分布式部署集群管理工具
+- [[MinIO]]：S3 兼容对象存储，用于存储图片和视频
+- [[Grafana]]：可视化平台，生成电商趋势与分析报表
+- [[Metabase]]：开源 BI 工具，连接数据库生成分析报表
+- [[FastAPI]]：Python Web 框架，用于暴露 REST API 给前端或 BI 工具
+
+## Key Entities
+- [[Amazon]]：电商平台示例，Scrapy 爬虫的目标站点
+- [[JD]]（京东）：电商平台示例
+- [[Taobao]]（淘宝）：电商平台示例
+- [[Shopee]]：电商平台示例，提供公开 API
+- [[Scrapy]] 社区：开源爬虫框架生态
+
+## Connections
+- [[Scrapy]] ← 核心爬虫 ← [[scrapy-playwright]]
+- [[scrapy-playwright]] ← 集成 → [[Playwright]]
+- [[n8n]] ← 编排自动化 ← [[Docker Compose]]
+- [[Docker Compose]] ← 容器化 ← [[Scrapy]] + [[Playwright]]
+- [[Ollama]] ← 本地 LLM ← [[n8n HTTP Request Node]]
+- [[Bright Data]] ← 代理池 ← 防封策略
+- [[Metabase]] ← 数据可视化 ← PostgreSQL/SQLite
+- [[MinIO]] ← 对象存储 ← 图片/视频存储
+
+## Contradictions
+- 无已知冲突内容
+
+## 起步路径
+1. 在 Ubuntu 上安装 Docker + Docker Compose
+2. 启动基础环境：scrapy + playwright + n8n
+3. 选择 1–2 个电商站点（Amazon / JD / Taobao）
+4. 构建 Scrapy 爬虫模板
+5. 用 n8n 处理数据并测试 AI 工作流
+6. 逐步扩展至全自动管线
--- a/wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md
+++ b/wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md
@@ -0,0 +1,53 @@
+---
+title: "在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B"
+type: source
+tags: [ollama, qwen, qwen-coder, ubuntu, 本地大模型]
+date: 2026-04-18
+---
+
+## Source File
+- [[AI/在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B]]
+
+## Summary（用中文描述）
+- 核心主题：在 Ubuntu 系统上通过官方安装脚本部署 Ollama 本地大模型运行框架，并下载运行 Qwen2.5-Coder 7B 代码生成模型
+- 问题域：本地 AI 推理环境搭建、大模型私有部署、本地 API 服务暴露
+- 方法/机制：通过官方 install.sh 脚本一键安装 Ollama；使用 systemd 管理服务；通过 `OLLAMA_HOST=0.0.0.0` 开放远程 API；CUDA 自动 GPU 加速
+- 结论/价值：3 条命令完成安装部署；Qwen2.5-Coder 7B 因其 Tool usage 能力强、Shell/Python/SQL 理解强、Repo 级代码理解强，比普通 qwen2.5:7b 更适合工程任务
+
+## Key Claims（用中文描述）
+- Ollama 官方安装脚本自动完成 CLI 安装、systemd 服务创建和 API 启动
+- qwen2.5-coder:7b 模型大小约 4.5GB，推荐配置为 8+ CPU cores + 16GB RAM + NVIDIA GPU
+- 默认 Ollama API 仅监听 127.0.0.1（本地），需修改 systemd 服务配置 `OLLAMA_HOST=0.0.0.0` 才能开放远程访问
+- 若系统安装了 CUDA，Ollama 会自动使用 GPU 加速，无需额外配置
+- 小型机器可选择 qwen2.5-coder:3b 替代 7B 以降低资源需求
+- 推荐搭配工具：Open WebUI（ChatGPT UI）、n8n（AI 自动化）、LangChain（Agent framework）、OpenClaw（AI coding agent）
+
+## Key Quotes
+> "qwen2.5-coder:7b 因为 Tool usage 能力强、Shell / Python / SQL 理解强、Repo 级代码理解强，比普通 qwen2.5:7b **更适合工程任务**" — 选型建议
+
+> "如果安装了 CUDA，Ollama 会 **自动使用 GPU**，无需额外配置" — GPU 加速机制
+
+> "最简安装流程：curl -fsSL https://ollama.com/install.sh | sh && ollama pull qwen2.5-coder:7b && ollama run qwen2.5-coder:7b" — 3 条命令完成部署
+
+## Key Concepts
+- [[Ollama]]：开源本地 LLM 运行框架，支持 macOS/Windows/Linux/Docker，`ollama run <model>` 一键运行大语言模型
+- [[Qwen2.5-Coder]]：阿里通义千问团队开发的代码生成模型，7B 版本约 4.5GB，在 Tool usage、Shell/Python/SQL 理解和 Repo 级代码理解方面优于通用版 Qwen2.5
+- [[本地大模型部署]]：在自有硬件上运行 AI 模型，数据完全私有、无需 API Key、无网络依赖
+- [[GPU 加速推理]]：Ollama 自动检测 CUDA 环境并调用 NVIDIA GPU 加速推理，无需手动配置
+- [[REST API]]：Ollama 默认提供 localhost:11434 REST API 接口，支持 JSON 格式的对话请求
+
+## Key Entities
+- [[Open WebUI]]：开源大模型 Web 界面，支持 Ollama/OpenAI API 接入，可配置 RAG 本地知识库和联网搜索
+- [[n8n]]：开源工作流自动化平台，可通过 Webhook 与本地 Ollama API 集成实现 AI 驱动的自动化工作流
+- [[OpenClaw]]：AI coding agent，支持配置 `ollama/qwen2.5-coder:7b` 作为后端模型
+- [[LangChain]]：Agent framework，可与本地 Ollama API 集成构建复杂 AI 应用
+
+## Connections
+- [[Ollama]] ← 基础平台 ← [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]]
+- [[Open WebUI]] ← 依赖 ← [[Ollama]]
+- [[n8n]] ← 可调用 ← [[Ollama API]]
+- [[OpenClaw]] ← 可配置 ← [[Qwen2.5-Coder]]
+- [[Qwen2.5-Coder]] ← 特定版本 ← [[Ollama]]
+
+## Contradictions
+- 暂无冲突内容
--- a/wiki/sources/电商如何选品-如何找到爆款-选品策略.md
+++ b/wiki/sources/电商如何选品-如何找到爆款-选品策略.md
@@ -0,0 +1,55 @@
+---
+title: "电商如何选品 - 如何找到爆款选品策略"
+type: source
+tags: []
+date: 2026-04-18
+---
+
+## Source File
+- [[跨境电商/电商如何选品 如何找到爆款 选品策略]]
+
+## Summary（用中文描述）
+- 核心主题：电商选品策略与爆款发现方法论，聚焦跨境电商（Tk Shop / Etsy 平台）
+- 问题域：电商创业者如何系统化找到高潜力产品，降低试错成本，实现年销售额数百万美元
+- 方法/机制：20 种选品策略 + 情境配对 + 季节性规划 + POD 低成本测款 + 工具辅助分析（Salesmartly / Erank / Pinterest / Etsy 趋势）
+- 结论/价值：未来品牌需针对细分市场而非大众市场；多工具组合使用可提升客户转化率和选品效率
+
+## Key Claims（用中文描述）
+- 细分市场定位比大众市场更有增长潜力，未来品牌需针对 LGBTQ、特定人群等细分群体
+- 情境配对的产品组合（如露营三件套）比单品更具吸引力，能提升客单价
+- POD（Print on Demand）模式允许创业者以极低成本测试市场需求，降低库存风险
+- 季节性和节日趋势是选品的关键时机，需提前规划布局
+- Erank 等工具可分析竞争对手销售情况，提高产品上市效率
+- 跨平台订单管理工具（如 Salesmartly）可提升多渠道运营效率
+
+## Key Quotes
+> "未来品牌需针对细分市场" — 视频核心观点，强调细分人群定位的战略价值
+> "POD模式让创业者可以低风险测试市场需求" — 降低创业门槛的关键方法
+> "关注Pinterest和Etsy的季度趋势报告，便于掌握热门关键词与产品上市时机" — 趋势洞察工具推荐
+
+## Key Concepts
+- [[电商选品策略]]：系统化评估和选择电商平台销售产品的决策框架，涵盖市场需求分析、竞争度评估、利润空间计算
+- [[爆款产品]]：在特定市场 Segment 中获得高销量和高利润的产品，通常具有差异化竞争力和稳定供应链
+- [[POD模式]]（Print on Demand）：按需印刷模式，创业者无需囤货，有订单再生产，大幅降低库存风险和启动成本
+- [[情境配对]]：将多个互补产品组合为使用场景套装，通过提升整体价值感知来提高客单价和转化率
+- [[季节性选品]]：根据节假日、季节变化、消费趋势预测提前规划产品线，最大化流量高峰期销售
+- [[细分市场定位]]：针对特定人群（如LGBTQ、特定年龄层、特定兴趣圈）开发差异化产品，避免大众市场竞争
+
+## Key Entities
+- [[Salesmartly]]：跨平台订单管理和客户沟通工具，支持多渠道消息聚合，提升电商运营效率
+- [[Erank]]：Etsy 平台关键词和竞争分析工具，帮助评估产品市场潜力和搜索排名
+- [[TikTok Shop]]：字节跳动旗下短视频电商平台，本视频重点运营渠道之一
+- [[Etsy]]：手工/创意类 C2C 电商平台，适合 POD 产品和创意商品销售
+- [[Pinterest]]：图片分享社交平台，其趋势报告是选品和内容营销的重要参考数据源
+
+## Connections
+- [[电商视频Prompt库]] ← 同一作者/系列 ← 电商选品内容创作
+- [[做TK跨境思路不对努力白费]] ← 依赖 ← 选品策略（本文）作为上游输入
+- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] ← 关联 ← 电商选品工具链
+
+## Contradictions
+- 与 [[做TK跨境思路不对努力白费]] 潜在冲突：
+  - 冲突点：选品的具体平台优先级
+  - 当前观点：Etsy/Pinterest 趋势是重要参考，适合 POD 和创意类产品
+  - 对方观点：优先美区/日本 TikTok Shop，避开东南亚，需数据软件分析
+  - 注：两者针对的产品类型不同（Etsy 手工艺/POD vs TikTok 快消品），可互补而非冲突
--- a/wiki/sources/电商视频prompt.md
+++ b/wiki/sources/电商视频prompt.md
@@ -0,0 +1,45 @@
+---
+title: "电商视频Prompt库"
+type: source
+tags: [ai, image-to-video, prompt, text-to-video]
+date: 2026-04-23
+---
+
+## Source File
+- [[跨境电商/电商视频Prompt.md]]
+
+## Summary（用中文描述）
+- 核心主题：AI 生成宠物用品电商视频的模块化 Prompt 库
+- 问题域：TikTok Shop / 跨境电商宠物用品视频内容生产
+- 方法/机制：7 大模块化 Prompt（产品展示 / 宠物动作 / 衣服防穿帮 / 场景变化 / Negative Prompt / 卖货文案 / 全流程示例），通过"拼积木"方式组合使用
+- 结论/价值：**低翻车率 + 高真实感**的视频生成方案，服务 TikTok 带货，可扩展到 1 个产品 → 3 条视频 → 6 条文案 → A/B 测试的全链路自动化
+
+## Key Claims（用中文描述）
+- 模块化 Prompt 组合策略能够**降低 AI 视频翻车率、提高真实感**，专为电商带货场景设计
+- 宠物衣服类视频必须使用**"防穿帮"专用 Prompt**（Clothing Alignment 模块），否则衣服会出现滑动、漂浮、变形
+- 场景变化 Prompt 应作为**加法模块叠加**，不应在初始 Prompt 中写死，以实现一条视频模板覆盖多场景
+- 一套产品可生成**3 条差异化视频**（细节展示版 / 宠物日常版 / 情绪共鸣版），配合 6 条文案进行 A/B 测试
+
+## Key Quotes
+> "低翻车率 + 高真实感 + 为 TikTok 带货服务" — 整体设计目标
+> "场景一定是加法模块，不要一开始就写死" — 场景变化模块使用原则
+> "一个产品 = 3 条视频模板 → 自动生成 6 条文案 → A/B 测试" — 进阶自动化愿景
+
+## Key Concepts
+- [[Prompt库设计原则]]：模块化（Modular）、变量化（Variable）、可组合（Composable）
+- [[Negative Prompt]]：反向提示词，统一放置以降低翻车率，排除卡通风格/畸形解剖/水印等干扰
+- [[Image-to-Video]]：以产品图片为输入，生成动态展示视频（核心工作流）
+- [[TikTok电商内容自动化]]：图片 → 视频 → 文案 → A/B 测试的全链路自动化
+
+## Key Entities
+- [[TikTok Shop]]：目标平台，该 Prompt 库的视频专为 TikTok Shop 带货场景设计
+- [[宠物用品]]：核心品类，以宠物衣服为典型案例（防穿帮、衣服合身问题）
+- [[TikTok]]：短视频/电商平台，卖货文案生成模块（TikTok E-commerce Copywriter）以该平台用户为受众
+
+## Connections
+- [[电商如何选品-如何找到爆款-选品策略]] ← complements ← [[电商视频prompt]]
+- [[14个免费的AI图生视频工具-用AI让图片动起来]] ← related_to ← [[电商视频prompt]]
+- [[二创视频必不可少-2025年最热门AI工具推荐合集-AI配音-声音克隆]] ← related_to ← [[电商视频prompt]]
+
+## Contradictions
+- 暂无发现与 Wiki 中其他页面的实质冲突