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

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

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

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

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。

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

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

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

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