ishenwei/nexus
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Update nexus: fix conflicts and sync local changes

Browse Source
This commit is contained in:
Shen Wei
2026-04-26 12:06:50 +08:00
parent 191797c01b
commit f09834b5a5
2443 changed files with 254323 additions and 255154 deletions
Download Patch File Download Diff File Expand all files Collapse all files

214
openclaw/xingshu/MEMORY.md
View File

@@ -1,108 +1,108 @@
# MEMORY.md - 长期记忆
## 我的身份
- **名字**: 星枢
- **角色**: 最高统领 / Master Orchestrator
- **职责**: 统一调度所有 Agent
- **下属**: 星曜（IT 管家）、星辉（个人助理）
- **头像**: ./avatars/xingshu.jpg
---
### ⚠️ 重要原则（必须牢记）
**讨论/头脑风暴阶段**：
- 未经用户允许，**禁止**安装任何程序、技能或工具
- 未经用户允许，**禁止**编写任何代码
- 未经用户允许，**禁止**创建任何文件或项目
- 必待用户确认全部方案后，方可实施后续步骤
- 节奏由用户掌控，一切行动需等待指令
---
### :star: 每日必做
1. **每天第一次对话时**: 自动创建当天的记忆文件 `memory/YYYY-MM-DD.md`
2. **记录内容**: 对话中的重要操作、决策、用户要求等
3. **用户要求**: 当用户说"请记住xxxx"时必须记录到记忆文件
4. **同步规则**: MEMORY.md更新后，必须同步复制到Obsidian笔记目录
- 笔记目录: `/Users/weishen/Workspace/nexus/openclaw/xingshu/MEMORY.md`
*此为每日必执行的routine，不可遗漏。*
---
## 🖥️ 服务器架构
| 服务器 | IP | 运行的 Agent |
|--------|-----|-------------|
| **Mac Mini** (中央控制节点) | 192.168.3.189 | xingshu (星枢), xingyao (星曜), xinghui (星辉), RabbitMQ |
| **Ubuntu2** (开发服务器) | 192.168.3.45 | yunhan, yunce, yunjiang, yunzhi |
| **Ubuntu1** (准生产服务器) | 192.168.3.47 | fengheng, fengchi, fengji |
---
## 🦞 Lobster 工作流标准规范（2026-04-19 验证完成）
### 调用链路（标准）
用户 → xingshu → tool_call(tool="lobster", action="run", pipeline="...", argsJson="...", timeoutMs=600000) → Gateway 执行
### .lobster 文件标准格式
```yaml
name: workflow-name
args:
arg1:
description: 说明
required: true
default: "默认值"
steps:
- id: step1
command: |
openclaw.invoke --tool sessions_send --action json --args-json '{
"sessionKey": "agent:xxx:...",
"message": "指令内容 ${args.arg1}",
"timeoutSeconds": 300
}'
- id: step2
command: |
openclaw.invoke --tool sessions_send ...
stdin: $step1.stdout
- id: approve
command: approve --preview-from-stdin --prompt "确认？"
stdin: $step2.stdout
approval: required
- id: deliver
command: |
openclaw.invoke --tool sessions_send ...
condition: $approve.approved
stdin: $step2.stdout
```
### 关键规则
1. argsJson 用**单引号**包裹（'{...}'），防止 shell 展开 ${} 变量
2. ${args.xxx} 在 lobster runner 层展开，不经过 shell
3. session key 格式：agent:{agentId}:{channel}:direct:{chatId} 或带 thread
4. 审批门控：approval: required + condition: $step.approved
5. 数据传递：stdin: $step.stdout
### OpenClaw 配置要求
- plugins.allow 含 lobster
- plugins.entries.lobster.enabled: true
- agents.list[xingshu].tools.alsoAllow 含 lobster
### 工作流文件位置
/Users/weishen/.openclaw/workspace-agent-xingshu/workflows/
### 工具调用参数
- tool: lobster
- action: run
- pipeline: /absolute/path/to/workflow.lobster
- argsJson: {"arg1":"value1",...}
- timeoutMs: 600000
- cwd: /Users/weishen/.openclaw/workspace-agent-xingshu
### ⚠️ 重要限制
- Telegram 会话是同步的，无法在回复用户的同时执行后台工具
- 需通过 sessions_spawn 派生子 Agent 执行 lobster 工具调用
# MEMORY.md - 长期记忆
## 我的身份
- **名字**: 星枢
- **角色**: 最高统领 / Master Orchestrator
- **职责**: 统一调度所有 Agent
- **下属**: 星曜（IT 管家）、星辉（个人助理）
- **头像**: ./avatars/xingshu.jpg
---
### ⚠️ 重要原则（必须牢记）
**讨论/头脑风暴阶段**：
- 未经用户允许，**禁止**安装任何程序、技能或工具
- 未经用户允许，**禁止**编写任何代码
- 未经用户允许，**禁止**创建任何文件或项目
- 必待用户确认全部方案后，方可实施后续步骤
- 节奏由用户掌控，一切行动需等待指令
---
### :star: 每日必做
1. **每天第一次对话时**: 自动创建当天的记忆文件 `memory/YYYY-MM-DD.md`
2. **记录内容**: 对话中的重要操作、决策、用户要求等
3. **用户要求**: 当用户说"请记住xxxx"时必须记录到记忆文件
4. **同步规则**: MEMORY.md更新后，必须同步复制到Obsidian笔记目录
- 笔记目录: `/Users/weishen/Workspace/nexus/openclaw/xingshu/MEMORY.md`
*此为每日必执行的routine，不可遗漏。*
---
## 🖥️ 服务器架构
| 服务器 | IP | 运行的 Agent |
|--------|-----|-------------|
| **Mac Mini** (中央控制节点) | 192.168.3.189 | xingshu (星枢), xingyao (星曜), xinghui (星辉), RabbitMQ |
| **Ubuntu2** (开发服务器) | 192.168.3.45 | yunhan, yunce, yunjiang, yunzhi |
| **Ubuntu1** (准生产服务器) | 192.168.3.47 | fengheng, fengchi, fengji |
---
## 🦞 Lobster 工作流标准规范（2026-04-19 验证完成）
### 调用链路（标准）
用户 → xingshu → tool_call(tool="lobster", action="run", pipeline="...", argsJson="...", timeoutMs=600000) → Gateway 执行
### .lobster 文件标准格式
```yaml
name: workflow-name
args:
arg1:
description: 说明
required: true
default: "默认值"
steps:
- id: step1
command: |
openclaw.invoke --tool sessions_send --action json --args-json '{
"sessionKey": "agent:xxx:...",
"message": "指令内容 ${args.arg1}",
"timeoutSeconds": 300
}'
- id: step2
command: |
openclaw.invoke --tool sessions_send ...
stdin: $step1.stdout
- id: approve
command: approve --preview-from-stdin --prompt "确认？"
stdin: $step2.stdout
approval: required
- id: deliver
command: |
openclaw.invoke --tool sessions_send ...
condition: $approve.approved
stdin: $step2.stdout
```
### 关键规则
1. argsJson 用**单引号**包裹（'{...}'），防止 shell 展开 ${} 变量
2. ${args.xxx} 在 lobster runner 层展开，不经过 shell
3. session key 格式：agent:{agentId}:{channel}:direct:{chatId} 或带 thread
4. 审批门控：approval: required + condition: $step.approved
5. 数据传递：stdin: $step.stdout
### OpenClaw 配置要求
- plugins.allow 含 lobster
- plugins.entries.lobster.enabled: true
- agents.list[xingshu].tools.alsoAllow 含 lobster
### 工作流文件位置
/Users/weishen/.openclaw/workspace-agent-xingshu/workflows/
### 工具调用参数
- tool: lobster
- action: run
- pipeline: /absolute/path/to/workflow.lobster
- argsJson: {"arg1":"value1",...}
- timeoutMs: 600000
- cwd: /Users/weishen/.openclaw/workspace-agent-xingshu
### ⚠️ 重要限制
- Telegram 会话是同步的，无法在回复用户的同时执行后台工具
- 需通过 sessions_spawn 派生子 Agent 执行 lobster 工具调用
- 子 Agent 需在 xingshu 主会话中触发，不能独立运行

408
openclaw/xingshu/PST邮件处理流程总结.md
View File

@@ -1,204 +1,204 @@
# PST 邮件处理流程总结
> 创建时间: 2026-04-13
> 处理对象: Shen Wei 2025.pst (15GB, 55,647封)
---
## 📋 全流程概述
### 阶段一：PST 提取（PST → mbox）
```
原始文件: Shen Wei 2025.pst (15GB)
↓
工具: readpst (macOS 已安装)
↓
输出: extracted_2025/Shen Wei 2025/*/mbox (30个文件夹)
时间: ~10-15 分钟
```
**关键点：**
- `readpst -S <pst_file> -o <output_dir>` 将 PST 按文件夹结构展开为 mbox 格式
- 每个 mbox 以 `From ` 行分隔邮件
- 原始 PST 完全未动
---
### 阶段二：建立索引（mbox → CSV）
```
原始 mbox (30个文件夹, 55,647封)
↓
Python: mailbox 模块 + parsedate_to_datetime
↓
输出: ~/pst-processing/2025/YYYY-MM.csv (83个月)
```
**CSV 字段：**
| 字段 | 说明 |
|------|------|
| folder | 文件夹路径（如 Inbox/SaaS Notification/AWS） |
| year_month | 年月（如 2025-01） |
| message_id | 邮件唯一标识（用于跨文件匹配） |
| subject | 主题（截断至80字符保唯一性） |
| sender | 发件人（完整显示名+邮箱） |
| recipient | 收件人 |
| date | 日期（RFC 2822 原始格式） |
| has_attachment | Y/N（检测 Content-Disposition: attachment） |
| attachment_size | 附件总字节数 |
| email_size | 整封邮件字节数 |
**处理速度：** ~4分钟（55,647封）
---
### 阶段三：定义删除规则
**规则文件：** `~/pst-processing/rules/delete_rules.json`
| # | 规则ID | 文件夹匹配 | 动作 | 说明 |
|---|--------|----------|------|------|
| 1 | aws_notification | 含 "AWS Notification" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 2 | prisma_cloud | 含 "Prisma Cloud" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 3 | x4x_tenant_provisioning | 含 "X4X-Tenant Provisioning" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 4 | qualys | 含 "Qualys" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 5 | teams_notification | 含 "Teams Notification" | keep_if_attachment | 有附件保留，无附件删 |
| 6 | sma_notification | 含 "SMA Notficiation" | keep_sample: 10 | 每 subject 保留1封，每月最多10封 |
| 7 | ppm_saas_change | 含 "PPM SaaS Change" | delete_all | 全部删除 |
| 8 | cloudhealth | 含 "CloudHealth" | keep | 全部保留 |
| 9 | saas_bi_report | 含 "SaaS BI Report" | keep | 全部保留 |
| 10 | x4x_decommissioning | 含 "X4X-Tenant Decommissioning" | delete_all | 全部删除 |
| 11 | x4x_license_renewal | 含 "X4X-License Renewal" | delete_all | 全部删除 |
**规则动作类型：**
- `keep`：全部保留
- `delete_all`：全部删除
- `keep_sample`：每 subject 保留1封，最多N封
- `keep_if_attachment`：有附件保留，无附件删除
**执行脚本：** `~/pst-processing/rules/apply_rules.py`
---
### 阶段四：过滤并组装新 mbox
```
原始 mbox (30个文件夹, 55,647封)
↓
按 message_id 匹配 delete_flag
↓
保留邮件: 29,088 封 (52%)
↓
提取 full content（含正文+附件）
↓
输出: shenwei2025-clean.mbox (9.6GB)
```
**关键发现：**
- 有117封邮件在原始 mbox 中匹配失败（PST→mbox 转换时的 ID 差异）
- SMA Notification 原始 6,681 封 → 规则处理后仅保留 40 封
---
## 💡 经验总结
### 1. 工具链
| 场景 | 工具 | 备注 |
|------|------|------|
| PST 读取 | `readpst` | macOS 已安装 (`/opt/homebrew/bin/readpst`) |
| PST Python 库 | ❌ pypff (PEP 668阻止安装) | 无需替代，readpst + mbox 够用 |
| mbox 处理 | Python `mailbox` | 原生支持，够用 |
| 日期解析 | `email.utils.parsedate_to_datetime` | 兼容 RFC 2822 |
### 2. CSV 索引优先于直接处理 mbox
- mbox 随机访问极慢（全量扫描）
- 先建索引，按 `message_id` 匹配，效率高
- CSV 可用 Excel/Numbers 查看，方便人工审阅
### 3. 删除规则设计原则
- **按文件夹**：系统通知类（AWS/Qualys/Prisma）→ 批量删除或采样
- **按附件有无**：Teams 通知 → 有附件才留
- **按 subject 采样**：保留不同类型的代表性样本，避免漏掉格式
- **按月配额**：高频通知类 → 每月最多留N封
### 4. 避免的坑
- `mailbox.mbox` 不支持 slice 索引 → 用 `iter()` 遍历
- Subject 可能含非 ASCII → `:80` 截断保唯一性
- 附件大小：字符串 payload 用 `len(payload.encode())`，二进制 payload 直接 `len(payload)`
- 日期解析失败 → 归入 "Unknown" 月份
---
## 📊 Shen Wei 2025 处理结果
| 指标 | 处理前 | 处理后 |
|------|--------|--------|
| 总邮件 | 55,647 | 29,088 |
| 删除 | — | 26,559 |
| 附件邮件 | — | 20,171 (69%) |
| 总附件大小 | — | 8.6 GB |
---
## 🔄 批量处理 SOP（待执行）
### 输入
- 新 PST 文件 → 复制到 `~/pst-processing/incoming/`
- 规则文件已就绪：`~/pst-processing/rules/delete_rules.json`
### 执行步骤
```bash
# 1. 提取 PST → mbox
mkdir -p ~/pst-processing/incoming/<pst_name>/
readpst -S ~/pst-processing/incoming/<file>.pst -o ~/pst-processing/incoming/<pst_name>/
# 2. 建立索引 CSV
python3 ~/pst-processing/rules/index_pst.py <source_dir> <output_csv_dir>
# 3. 应用删除规则（复用现有规则）
python3 ~/pst-processing/rules/apply_rules.py <csv_dir>
# 4. 组装新 mbox（按 message_id 匹配原始 mbox）
python3 ~/pst-processing/rules/build_clean_mbox.py <source_mbox_dir> <output_mbox>
```
### 待开发脚本
- [ ] `index_pst.py` — 通用 PST 索引脚本
- [ ] `batch_process.sh` — 批量处理 wrapper
- [ ] `rules/delete_rules.json` — 已有，可直接复用
---
## 📁 当前文件结构
```
~/pst-processing/
├── rules/
│ ├── delete_rules.json # 规则定义
│ └── apply_rules.py # 规则执行脚本
├── 2025/ # 原始索引 CSV（83个月）
│ └── YYYY-MM.csv
├── shenwei2025-clean.mbox # 清理后完整邮件 (9.6GB, 29,088封)
├── shenwei2025-clean-index.csv # 新索引 (12.3MB)
├── shenwei2025-new.mbox # 旧版（仅 headers，已保留）
└── extracted_2025/ # 原始 mbox 提取物
└── Shen Wei 2025/
└── */mbox
```
---
## 📅 后续任务
- [ ] 开发通用 `index_pst.py` 脚本
- [ ] 开发 `build_clean_mbox.py` 脚本
- [ ] 批处理其他 PST 文件
- [ ] 同步笔记到 Git
# PST 邮件处理流程总结
> 创建时间: 2026-04-13
> 处理对象: Shen Wei 2025.pst (15GB, 55,647封)
---
## 📋 全流程概述
### 阶段一：PST 提取（PST → mbox）
```
原始文件: Shen Wei 2025.pst (15GB)
↓
工具: readpst (macOS 已安装)
↓
输出: extracted_2025/Shen Wei 2025/*/mbox (30个文件夹)
时间: ~10-15 分钟
```
**关键点：**
- `readpst -S <pst_file> -o <output_dir>` 将 PST 按文件夹结构展开为 mbox 格式
- 每个 mbox 以 `From ` 行分隔邮件
- 原始 PST 完全未动
---
### 阶段二：建立索引（mbox → CSV）
```
原始 mbox (30个文件夹, 55,647封)
↓
Python: mailbox 模块 + parsedate_to_datetime
↓
输出: ~/pst-processing/2025/YYYY-MM.csv (83个月)
```
**CSV 字段：**
| 字段 | 说明 |
|------|------|
| folder | 文件夹路径（如 Inbox/SaaS Notification/AWS） |
| year_month | 年月（如 2025-01） |
| message_id | 邮件唯一标识（用于跨文件匹配） |
| subject | 主题（截断至80字符保唯一性） |
| sender | 发件人（完整显示名+邮箱） |
| recipient | 收件人 |
| date | 日期（RFC 2822 原始格式） |
| has_attachment | Y/N（检测 Content-Disposition: attachment） |
| attachment_size | 附件总字节数 |
| email_size | 整封邮件字节数 |
**处理速度：** ~4分钟（55,647封）
---
### 阶段三：定义删除规则
**规则文件：** `~/pst-processing/rules/delete_rules.json`
| # | 规则ID | 文件夹匹配 | 动作 | 说明 |
|---|--------|----------|------|------|
| 1 | aws_notification | 含 "AWS Notification" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 2 | prisma_cloud | 含 "Prisma Cloud" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 3 | x4x_tenant_provisioning | 含 "X4X-Tenant Provisioning" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 4 | qualys | 含 "Qualys" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
| 5 | teams_notification | 含 "Teams Notification" | keep_if_attachment | 有附件保留，无附件删 |
| 6 | sma_notification | 含 "SMA Notficiation" | keep_sample: 10 | 每 subject 保留1封，每月最多10封 |
| 7 | ppm_saas_change | 含 "PPM SaaS Change" | delete_all | 全部删除 |
| 8 | cloudhealth | 含 "CloudHealth" | keep | 全部保留 |
| 9 | saas_bi_report | 含 "SaaS BI Report" | keep | 全部保留 |
| 10 | x4x_decommissioning | 含 "X4X-Tenant Decommissioning" | delete_all | 全部删除 |
| 11 | x4x_license_renewal | 含 "X4X-License Renewal" | delete_all | 全部删除 |
**规则动作类型：**
- `keep`：全部保留
- `delete_all`：全部删除
- `keep_sample`：每 subject 保留1封，最多N封
- `keep_if_attachment`：有附件保留，无附件删除
**执行脚本：** `~/pst-processing/rules/apply_rules.py`
---
### 阶段四：过滤并组装新 mbox
```
原始 mbox (30个文件夹, 55,647封)
↓
按 message_id 匹配 delete_flag
↓
保留邮件: 29,088 封 (52%)
↓
提取 full content（含正文+附件）
↓
输出: shenwei2025-clean.mbox (9.6GB)
```
**关键发现：**
- 有117封邮件在原始 mbox 中匹配失败（PST→mbox 转换时的 ID 差异）
- SMA Notification 原始 6,681 封 → 规则处理后仅保留 40 封
---
## 💡 经验总结
### 1. 工具链
| 场景 | 工具 | 备注 |
|------|------|------|
| PST 读取 | `readpst` | macOS 已安装 (`/opt/homebrew/bin/readpst`) |
| PST Python 库 | ❌ pypff (PEP 668阻止安装) | 无需替代，readpst + mbox 够用 |
| mbox 处理 | Python `mailbox` | 原生支持，够用 |
| 日期解析 | `email.utils.parsedate_to_datetime` | 兼容 RFC 2822 |
### 2. CSV 索引优先于直接处理 mbox
- mbox 随机访问极慢（全量扫描）
- 先建索引，按 `message_id` 匹配，效率高
- CSV 可用 Excel/Numbers 查看，方便人工审阅
### 3. 删除规则设计原则
- **按文件夹**：系统通知类（AWS/Qualys/Prisma）→ 批量删除或采样
- **按附件有无**：Teams 通知 → 有附件才留
- **按 subject 采样**：保留不同类型的代表性样本，避免漏掉格式
- **按月配额**：高频通知类 → 每月最多留N封
### 4. 避免的坑
- `mailbox.mbox` 不支持 slice 索引 → 用 `iter()` 遍历
- Subject 可能含非 ASCII → `:80` 截断保唯一性
- 附件大小：字符串 payload 用 `len(payload.encode())`，二进制 payload 直接 `len(payload)`
- 日期解析失败 → 归入 "Unknown" 月份
---
## 📊 Shen Wei 2025 处理结果
| 指标 | 处理前 | 处理后 |
|------|--------|--------|
| 总邮件 | 55,647 | 29,088 |
| 删除 | — | 26,559 |
| 附件邮件 | — | 20,171 (69%) |
| 总附件大小 | — | 8.6 GB |
---
## 🔄 批量处理 SOP（待执行）
### 输入
- 新 PST 文件 → 复制到 `~/pst-processing/incoming/`
- 规则文件已就绪：`~/pst-processing/rules/delete_rules.json`
### 执行步骤
```bash
# 1. 提取 PST → mbox
mkdir -p ~/pst-processing/incoming/<pst_name>/
readpst -S ~/pst-processing/incoming/<file>.pst -o ~/pst-processing/incoming/<pst_name>/
# 2. 建立索引 CSV
python3 ~/pst-processing/rules/index_pst.py <source_dir> <output_csv_dir>
# 3. 应用删除规则（复用现有规则）
python3 ~/pst-processing/rules/apply_rules.py <csv_dir>
# 4. 组装新 mbox（按 message_id 匹配原始 mbox）
python3 ~/pst-processing/rules/build_clean_mbox.py <source_mbox_dir> <output_mbox>
```
### 待开发脚本
- [ ] `index_pst.py` — 通用 PST 索引脚本
- [ ] `batch_process.sh` — 批量处理 wrapper
- [ ] `rules/delete_rules.json` — 已有，可直接复用
---
## 📁 当前文件结构
```
~/pst-processing/
├── rules/
│ ├── delete_rules.json # 规则定义
│ └── apply_rules.py # 规则执行脚本
├── 2025/ # 原始索引 CSV（83个月）
│ └── YYYY-MM.csv
├── shenwei2025-clean.mbox # 清理后完整邮件 (9.6GB, 29,088封)
├── shenwei2025-clean-index.csv # 新索引 (12.3MB)
├── shenwei2025-new.mbox # 旧版（仅 headers，已保留）
└── extracted_2025/ # 原始 mbox 提取物
└── Shen Wei 2025/
└── */mbox
```
---
## 📅 后续任务
- [ ] 开发通用 `index_pst.py` 脚本
- [ ] 开发 `build_clean_mbox.py` 脚本
- [ ] 批处理其他 PST 文件
- [ ] 同步笔记到 Git

360
openclaw/xingshu/Superpowers方法论与Agent整合方案.md
View File

@@ -1,180 +1,180 @@
---
title: Superpowers 方法论与 Agent-Based 项目整合
source:
author: shenwei
published:
created:
description:
tags: [multi-agent, superpowers]
---
# Superpowers 方法论与 Agent-Based 项目整合
> **创建时间：** 2026-04-05
> **来源：** 与比利哥的讨论
> **标签：** #方法论 #multi-agent #superpowers
---
## 一、Superpowers 是什么
Superpowers 是由 Jesse Vincent（Best Practical）构建的 **软件编码工作流框架**，专为 AI 编码代理（Claude Code、Cursor、Codex、OpenCode）设计。
**核心理念：**"Don't just jump in — step back, question, plan, then execute."
---
## 二、核心工作流（Basic Workflow）
| 阶段 | 触发时机 | 关键产出 |
|---|---|---|
| `brainstorming` | 写代码前 | 澄清意图、设计文档 |
| `using-git-worktrees` | 设计确认后 | 隔离工作分支 |
| `writing-plans` | 设计定稿后 | 可执行的小任务清单（2-5分钟/项） |
| `subagent-driven-development` / `executing-plans` | 计划就绪 | 并行分发子任务、两阶段审查 |
| `test-driven-development` | 实现过程中 | RED-GREEN-REFACTOR 循环 |
| `requesting-code-review` | 任务间 | 按严重级别报告问题 |
| `finishing-a-development-branch` | 任务完成 | 测试验证 + PR/合并选项 |
---
## 三、核心技能清单
### Testing
- `test-driven-development` — RED-GREEN-REFACTOR 循环
### Debugging
- `systematic-debugging` — 4步根因分析
- `verification-before-completion` — 确保真正修复
### Collaboration
- `brainstorming` — 苏格拉底式设计精炼
- `writing-plans` — 详细实现计划
- `executing-plans` — 分批执行 + 检查点
- `dispatching-parallel-agents` — 并发子任务工作流
- `requesting-code-review` — 审查前检查清单
- `receiving-code-review` — 响应反馈
- `using-git-worktrees` — 并行开发分支
- `finishing-a-development-branch` — 合并/PR决策
- `subagent-driven-development` — 两阶段审查（规格合规 → 代码质量）
### Meta
- `writing-skills` — 创建新技能
- `using-superpowers` — 技能系统入门
---
## 四、哲学原则
- **Test-Driven Development** — 先写测试，永远
- **Systematic over ad-hoc** — 流程优于猜测
- **Complexity reduction** — 简洁是首要目标
- **Evidence over claims** — 验证后才算成功
---
## 五、对 OpenClaw Agent 矩阵的映射
### 5.1 Agent 类型与适用度
| Agent 类型 | 示例 | Superpowers 适用度 |
|---|---|---|
| **编码型** | xingjiang (星匠) | ✅ 高 — 直接可用 |
| **运维型** | xingyao (星曜)、yunhan | ✅ 中 — 部分技能适用 |
| **协调型** | xingshu (星枢/我) | ❌ 低 — 方法论而非执行框架 |
### 5.2 技能映射对照
| Superpowers 通用环节 | 映射到多Agent协作 |
|---|---|
| `brainstorming` → 意图澄清 | 收到指令先反问确认，避免直接执行 |
| `writing-plans` → 任务分解 | 拆解后分发云系/风系执行 |
| `verification-before-completion` → 交付检查 | 执行结果先验证再上报 |
| `finishing-a-branch` → 收尾归档 | 结果写入 Obsidian + 通知用户 |
---
## 六、整合路径
### 路径 A：直接移植（适合编码子任务）
Superpowers 可安装为 Claude Code 的插件（Skill 格式），但：
- **只有 Claude Code 会话可用**
- 不会自动扩散到其他 OpenClaw Agent
**安装命令（Claude Code）：**
```bash
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace
```
**触发示例：**
| 对 Claude Code 说 | 激活技能 |
|---|---|
| "帮我规划这个功能" | `brainstorming` |
| "写个实现方案" | `writing-plans` |
| "开始执行" | `executing-plans` |
| "帮我 review 代码" | `requesting-code-review` |
| "修复这个 bug" | `systematic-debugging` |
| "功能写完了，帮我收尾" | `finishing-a-branch` |
### 路径 B：为团队定制「轻量版」方法论（推荐）
从 Superpowers 提取通用部分，转化为协作规范，应用于所有 Agent。
---
## 七、Superpowers 的安装与使用
### 7.1 支持平台
| 平台 | 安装方式 |
|---|---|
| Claude Code（官方市场） | `/plugin install superpowers@claude-plugins-official` |
| Claude Code（插件市场） | `/plugin marketplace add obra/superpowers-marketplace` |
| Cursor | `/add-plugin superpowers` |
| Codex | Fetch `https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.codex/INSTALL.md` |
| OpenCode | Fetch `https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.opencode/INSTALL.md` |
| Gemini CLI | `gemini extensions install https://github.com/obra/superpowers` |
### 7.2 验证安装
启动新会话，问「帮我规划这个功能」或「帮我 debug」，Agent 应自动触发相关技能。
---
## 八、建议的第一步
**先选一个具体任务，用 Superpowers 方法论跑一遍演示：**
示例任务："检查所有服务器状态并出报告"
执行流程：
1. **意图澄清** — 汇总报告 vs 实时状态？报告格式？触发条件？
2. **形成文字计划** → 用户确认
3. **分发子任务** → 并行执行
4. **交叉验证** → 汇总交付
---
## 九、项目信息
- **作者：** Jesse Vincent (Best Practical)
- **许可证：** MIT
- **仓库：** https://github.com/obra/superpowers
- **市场：** https://github.com/obra/superpowers-marketplace
- **Discord：** https://discord.gg/Jd8Vphy9jq
- **博客：** https://blog.fsck.com/2025/10/09/superpowers/
---
## 十、待办事项
- [ ] 在 Claude Code 中安装 Superpowers（本次暂不执行）
- [ ] 选一个具体任务跑一遍演示
- [ ] 制定团队轻量版方法论文档
- [ ] 将方法论同步到 MEMORY.md
---
*本文档由星枢整理，基于 2026-04-05 与比利哥的讨论*
---
title: Superpowers 方法论与 Agent-Based 项目整合
source:
author: shenwei
published:
created:
description:
tags: [multi-agent, superpowers]
---
# Superpowers 方法论与 Agent-Based 项目整合
> **创建时间：** 2026-04-05
> **来源：** 与比利哥的讨论
> **标签：** #方法论 #multi-agent #superpowers
---
## 一、Superpowers 是什么
Superpowers 是由 Jesse Vincent（Best Practical）构建的 **软件编码工作流框架**，专为 AI 编码代理（Claude Code、Cursor、Codex、OpenCode）设计。
**核心理念：**"Don't just jump in — step back, question, plan, then execute."
---
## 二、核心工作流（Basic Workflow）
| 阶段 | 触发时机 | 关键产出 |
|---|---|---|
| `brainstorming` | 写代码前 | 澄清意图、设计文档 |
| `using-git-worktrees` | 设计确认后 | 隔离工作分支 |
| `writing-plans` | 设计定稿后 | 可执行的小任务清单（2-5分钟/项） |
| `subagent-driven-development` / `executing-plans` | 计划就绪 | 并行分发子任务、两阶段审查 |
| `test-driven-development` | 实现过程中 | RED-GREEN-REFACTOR 循环 |
| `requesting-code-review` | 任务间 | 按严重级别报告问题 |
| `finishing-a-development-branch` | 任务完成 | 测试验证 + PR/合并选项 |
---
## 三、核心技能清单
### Testing
- `test-driven-development` — RED-GREEN-REFACTOR 循环
### Debugging
- `systematic-debugging` — 4步根因分析
- `verification-before-completion` — 确保真正修复
### Collaboration
- `brainstorming` — 苏格拉底式设计精炼
- `writing-plans` — 详细实现计划
- `executing-plans` — 分批执行 + 检查点
- `dispatching-parallel-agents` — 并发子任务工作流
- `requesting-code-review` — 审查前检查清单
- `receiving-code-review` — 响应反馈
- `using-git-worktrees` — 并行开发分支
- `finishing-a-development-branch` — 合并/PR决策
- `subagent-driven-development` — 两阶段审查（规格合规 → 代码质量）
### Meta
- `writing-skills` — 创建新技能
- `using-superpowers` — 技能系统入门
---
## 四、哲学原则
- **Test-Driven Development** — 先写测试，永远
- **Systematic over ad-hoc** — 流程优于猜测
- **Complexity reduction** — 简洁是首要目标
- **Evidence over claims** — 验证后才算成功
---
## 五、对 OpenClaw Agent 矩阵的映射
### 5.1 Agent 类型与适用度
| Agent 类型 | 示例 | Superpowers 适用度 |
|---|---|---|
| **编码型** | xingjiang (星匠) | ✅ 高 — 直接可用 |
| **运维型** | xingyao (星曜)、yunhan | ✅ 中 — 部分技能适用 |
| **协调型** | xingshu (星枢/我) | ❌ 低 — 方法论而非执行框架 |
### 5.2 技能映射对照
| Superpowers 通用环节 | 映射到多Agent协作 |
|---|---|
| `brainstorming` → 意图澄清 | 收到指令先反问确认，避免直接执行 |
| `writing-plans` → 任务分解 | 拆解后分发云系/风系执行 |
| `verification-before-completion` → 交付检查 | 执行结果先验证再上报 |
| `finishing-a-branch` → 收尾归档 | 结果写入 Obsidian + 通知用户 |
---
## 六、整合路径
### 路径 A：直接移植（适合编码子任务）
Superpowers 可安装为 Claude Code 的插件（Skill 格式），但：
- **只有 Claude Code 会话可用**
- 不会自动扩散到其他 OpenClaw Agent
**安装命令（Claude Code）：**
```bash
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace
```
**触发示例：**
| 对 Claude Code 说 | 激活技能 |
|---|---|
| "帮我规划这个功能" | `brainstorming` |
| "写个实现方案" | `writing-plans` |
| "开始执行" | `executing-plans` |
| "帮我 review 代码" | `requesting-code-review` |
| "修复这个 bug" | `systematic-debugging` |
| "功能写完了，帮我收尾" | `finishing-a-branch` |
### 路径 B：为团队定制「轻量版」方法论（推荐）
从 Superpowers 提取通用部分，转化为协作规范，应用于所有 Agent。
---
## 七、Superpowers 的安装与使用
### 7.1 支持平台
| 平台 | 安装方式 |
|---|---|
| Claude Code（官方市场） | `/plugin install superpowers@claude-plugins-official` |
| Claude Code（插件市场） | `/plugin marketplace add obra/superpowers-marketplace` |
| Cursor | `/add-plugin superpowers` |
| Codex | Fetch `https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.codex/INSTALL.md` |
| OpenCode | Fetch `https://raw.githubusercontent.com/obra/superpowers/refs/heads/main/.opencode/INSTALL.md` |
| Gemini CLI | `gemini extensions install https://github.com/obra/superpowers` |
### 7.2 验证安装
启动新会话，问「帮我规划这个功能」或「帮我 debug」，Agent 应自动触发相关技能。
---
## 八、建议的第一步
**先选一个具体任务，用 Superpowers 方法论跑一遍演示：**
示例任务："检查所有服务器状态并出报告"
执行流程：
1. **意图澄清** — 汇总报告 vs 实时状态？报告格式？触发条件？
2. **形成文字计划** → 用户确认
3. **分发子任务** → 并行执行
4. **交叉验证** → 汇总交付
---
## 九、项目信息
- **作者：** Jesse Vincent (Best Practical)
- **许可证：** MIT
- **仓库：** https://github.com/obra/superpowers
- **市场：** https://github.com/obra/superpowers-marketplace
- **Discord：** https://discord.gg/Jd8Vphy9jq
- **博客：** https://blog.fsck.com/2025/10/09/superpowers/
---
## 十、待办事项
- [ ] 在 Claude Code 中安装 Superpowers（本次暂不执行）
- [ ] 选一个具体任务跑一遍演示
- [ ] 制定团队轻量版方法论文档
- [ ] 将方法论同步到 MEMORY.md
---
*本文档由星枢整理，基于 2026-04-05 与比利哥的讨论*

430
openclaw/xingshu/agent_polling.py
View File

@@ -1,215 +1,215 @@
#!/usr/bin/env python3
"""
Agent 任务轮询脚本
每个 Agent 定时运行，查询分配给自己的任务并执行
"""
import os
import sys
import time
import logging
import requests
from datetime import datetime
# 配置日志
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger(__name__)
# 环境变量或配置
NOTION_TOKEN = os.environ.get("NOTION_TOKEN", "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")
AGENT_ID = os.environ.get("AGENT_ID", "yunjiang") # 当前 Agent ID
POLL_INTERVAL = int(os.environ.get("POLL_INTERVAL", "180")) # 轮询间隔（秒），默认3分钟
# Database IDs
TASKS_DB_ID = "32847fe1-da27-8135-af44-eefdbd3b1640"
AGENTS_DB_ID = "32847fe1-da27-8101-8758-d416db87d4de"
# Notion API 基础 URL
NOTION_API_BASE = "https://api.notion.com/v1"
def notion_request(method, endpoint, **kwargs):
"""Notion API 请求封装"""
url = f"{NOTION_API_BASE}{endpoint}"
headers = {
"Authorization": f"Bearer {NOTION_TOKEN}",
"Notion-Version": "2022-06-28",
"Content-Type": "application/json"
}
if method == "GET":
response = requests.get(url, headers=headers, **kwargs)
elif method == "POST":
response = requests.post(url, headers=headers, **kwargs)
elif method == "PATCH":
response = requests.patch(url, headers=headers, **kwargs)
else:
raise ValueError(f"Unsupported method: {method}")
response.raise_for_status()
return response.json()
def get_agent_info(agent_id):
"""获取 Agent 信息"""
response = notion_request("POST", f"/databases/{AGENTS_DB_ID}/query")
for page in response.get("results", []):
props = page.get("properties", {})
if "Agent ID" in props:
title = props["Agent ID"]["title"]
if title and title[0]["plain_text"] == agent_id:
return {
"id": page["id"],
"name": props["名称"]["rich_text"][0]["plain_text"] if props["名称"]["rich_text"] else agent_id,
"status": props["状态"]["select"]["name"] if props["状态"].get("select") else "离线"
}
return None
def query_todo_tasks(agent_page_id=None):
"""查询 TODO 任务"""
logger.info(f"查询 {AGENT_ID} 的 TODO 任务...")
# 如果有 agent_page_id，使用 Relation 过滤
filter_dict = {
"property": "状态",
"select": {
"equals": "TODO"
}
}
# 这里简化处理：查询所有 TODO 任务
# 后续应该根据执行者 Relation 过滤
try:
response = notion_request(
"POST",
f"/databases/{TASKS_DB_ID}/query",
json={"filter": filter_dict}
)
tasks = response.get("results", [])
logger.info(f"找到 {len(tasks)} 个 TODO 任务")
return tasks
except Exception as e:
logger.error(f"查询任务失败: {e}")
return []
def claim_task(task_id):
"""领取任务：将状态改为进行中"""
try:
notion_request(
"PATCH",
f"/pages/{task_id}",
json={
"properties": {
"状态": {
"select": {"name": "进行中"}
}
}
}
)
logger.info(f"✓ 领取任务成功: {task_id}")
return True
except Exception as e:
logger.error(f"领取任务失败: {e}")
return False
def complete_task(task_id, report_link):
"""完成任务：将状态改为待验收"""
try:
notion_request(
"PATCH",
f"/pages/{task_id}",
json={
"properties": {
"状态": {
"select": {"name": "待验收"}
},
"报告链接": {
"url": report_link
}
}
}
)
logger.info(f"✓ 完成任务: {task_id}")
return True
except Exception as e:
logger.error(f"完成任务失败: {e}")
return False
def execute_task(task):
"""执行任务的逻辑（可自定义）"""
# 获取任务信息
props = task.get("properties", {})
task_name = props.get("任务名", {}).get("title", [{}])[0].get("plain_text", "未命名任务")
task_id = task["id"]
logger.info(f"开始执行任务: {task_name}")
# 1. 领取任务
if not claim_task(task_id):
return False
# 2. 执行任务（这里只是示例，实际应根据任务类型执行不同操作）
# 模拟执行
time.sleep(2)
# 3. 完成任务（生成报告链接）
# 这里应该生成实际的 Obsidian 报告
report_link = f"https://example.com/report/{task_id}"
return complete_task(task_id, report_link)
def polling_loop():
"""轮询主循环"""
logger.info(f"🚀 Agent {AGENT_ID} 任务轮询启动")
logger.info(f"轮询间隔: {POLL_INTERVAL} 秒")
# 获取 Agent 信息
agent_info = get_agent_info(AGENT_ID)
if agent_info:
logger.info(f"Agent 信息: {agent_info['name']} (状态: {agent_info['status']})")
else:
logger.warning(f"未找到 Agent: {AGENT_ID}")
while True:
try:
# 查询 TODO 任务
tasks = query_todo_tasks(None)
if tasks:
logger.info(f"发现 {len(tasks)} 个待处理任务")
for task in tasks:
execute_task(task)
else:
logger.debug("没有待处理任务")
except Exception as e:
logger.error(f"轮询异常: {e}")
time.sleep(POLL_INTERVAL)
def main():
"""主入口"""
if len(sys.argv) > 1:
global AGENT_ID
AGENT_ID = sys.argv[1]
if len(sys.argv) > 2:
global POLL_INTERVAL
POLL_INTERVAL = int(sys.argv[2])
polling_loop()
if __name__ == "__main__":
main()
#!/usr/bin/env python3
"""
Agent 任务轮询脚本
每个 Agent 定时运行，查询分配给自己的任务并执行
"""
import os
import sys
import time
import logging
import requests
from datetime import datetime
# 配置日志
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger(__name__)
# 环境变量或配置
NOTION_TOKEN = os.environ.get("NOTION_TOKEN", "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")
AGENT_ID = os.environ.get("AGENT_ID", "yunjiang") # 当前 Agent ID
POLL_INTERVAL = int(os.environ.get("POLL_INTERVAL", "180")) # 轮询间隔（秒），默认3分钟
# Database IDs
TASKS_DB_ID = "32847fe1-da27-8135-af44-eefdbd3b1640"
AGENTS_DB_ID = "32847fe1-da27-8101-8758-d416db87d4de"
# Notion API 基础 URL
NOTION_API_BASE = "https://api.notion.com/v1"
def notion_request(method, endpoint, **kwargs):
"""Notion API 请求封装"""
url = f"{NOTION_API_BASE}{endpoint}"
headers = {
"Authorization": f"Bearer {NOTION_TOKEN}",
"Notion-Version": "2022-06-28",
"Content-Type": "application/json"
}
if method == "GET":
response = requests.get(url, headers=headers, **kwargs)
elif method == "POST":
response = requests.post(url, headers=headers, **kwargs)
elif method == "PATCH":
response = requests.patch(url, headers=headers, **kwargs)
else:
raise ValueError(f"Unsupported method: {method}")
response.raise_for_status()
return response.json()
def get_agent_info(agent_id):
"""获取 Agent 信息"""
response = notion_request("POST", f"/databases/{AGENTS_DB_ID}/query")
for page in response.get("results", []):
props = page.get("properties", {})
if "Agent ID" in props:
title = props["Agent ID"]["title"]
if title and title[0]["plain_text"] == agent_id:
return {
"id": page["id"],
"name": props["名称"]["rich_text"][0]["plain_text"] if props["名称"]["rich_text"] else agent_id,
"status": props["状态"]["select"]["name"] if props["状态"].get("select") else "离线"
}
return None
def query_todo_tasks(agent_page_id=None):
"""查询 TODO 任务"""
logger.info(f"查询 {AGENT_ID} 的 TODO 任务...")
# 如果有 agent_page_id，使用 Relation 过滤
filter_dict = {
"property": "状态",
"select": {
"equals": "TODO"
}
}
# 这里简化处理：查询所有 TODO 任务
# 后续应该根据执行者 Relation 过滤
try:
response = notion_request(
"POST",
f"/databases/{TASKS_DB_ID}/query",
json={"filter": filter_dict}
)
tasks = response.get("results", [])
logger.info(f"找到 {len(tasks)} 个 TODO 任务")
return tasks
except Exception as e:
logger.error(f"查询任务失败: {e}")
return []
def claim_task(task_id):
"""领取任务：将状态改为进行中"""
try:
notion_request(
"PATCH",
f"/pages/{task_id}",
json={
"properties": {
"状态": {
"select": {"name": "进行中"}
}
}
}
)
logger.info(f"✓ 领取任务成功: {task_id}")
return True
except Exception as e:
logger.error(f"领取任务失败: {e}")
return False
def complete_task(task_id, report_link):
"""完成任务：将状态改为待验收"""
try:
notion_request(
"PATCH",
f"/pages/{task_id}",
json={
"properties": {
"状态": {
"select": {"name": "待验收"}
},
"报告链接": {
"url": report_link
}
}
}
)
logger.info(f"✓ 完成任务: {task_id}")
return True
except Exception as e:
logger.error(f"完成任务失败: {e}")
return False
def execute_task(task):
"""执行任务的逻辑（可自定义）"""
# 获取任务信息
props = task.get("properties", {})
task_name = props.get("任务名", {}).get("title", [{}])[0].get("plain_text", "未命名任务")
task_id = task["id"]
logger.info(f"开始执行任务: {task_name}")
# 1. 领取任务
if not claim_task(task_id):
return False
# 2. 执行任务（这里只是示例，实际应根据任务类型执行不同操作）
# 模拟执行
time.sleep(2)
# 3. 完成任务（生成报告链接）
# 这里应该生成实际的 Obsidian 报告
report_link = f"https://example.com/report/{task_id}"
return complete_task(task_id, report_link)
def polling_loop():
"""轮询主循环"""
logger.info(f"🚀 Agent {AGENT_ID} 任务轮询启动")
logger.info(f"轮询间隔: {POLL_INTERVAL} 秒")
# 获取 Agent 信息
agent_info = get_agent_info(AGENT_ID)
if agent_info:
logger.info(f"Agent 信息: {agent_info['name']} (状态: {agent_info['status']})")
else:
logger.warning(f"未找到 Agent: {AGENT_ID}")
while True:
try:
# 查询 TODO 任务
tasks = query_todo_tasks(None)
if tasks:
logger.info(f"发现 {len(tasks)} 个待处理任务")
for task in tasks:
execute_task(task)
else:
logger.debug("没有待处理任务")
except Exception as e:
logger.error(f"轮询异常: {e}")
time.sleep(POLL_INTERVAL)
def main():
"""主入口"""
if len(sys.argv) > 1:
global AGENT_ID
AGENT_ID = sys.argv[1]
if len(sys.argv) > 2:
global POLL_INTERVAL
POLL_INTERVAL = int(sys.argv[2])
polling_loop()
if __name__ == "__main__":
main()

600
openclaw/xingshu/cloud-learning-audio-pipeline.md
View File

@@ -1,300 +1,300 @@
# 音视频转录与摘要流水线
> 文档版本：2026-04-15
> 维护者：星枢（xingshu）
> 状态：✅ 已验证可运行
> 适用场景：教学视频、讲座、播客、会议录音等任意音视频内容的转录与知识库导入
---
## 一、整体架构
```
视频/音频源（本地或 NAS）
│
▼
[阶段1] FFmpeg 音频提取
│ MP4/AVI/MKV → MP3
▼
本地/共享 MP3 文件库
│
▼
[阶段2] Whisper 转录
│ MP3 → 英文字幕/转写稿
▼
本地转写稿
│
▼
[阶段3] Gemini Flash 摘要
│ 转写稿 → 结构化中文笔记
▼
Obsidian 知识库
```
---
## 二、各阶段详解
### 阶段 1：FFmpeg 音频提取
| 项目 | 说明 |
|---|---|
| **输入** | `.mp4`、`.avi`、`.mkv`、`.mov` 等常见视频格式 |
| **输出** | 同目录下的同名 `.mp3` 文件 |
| **工具** | FFmpeg（Macmini 已安装：`/opt/homebrew/bin/ffmpeg`） |
| **转码参数** | `-vn -acodec libmp3lame -ab 64k -ar 22050 -ac 1`（64kbps CBR，针对人声优化）|
| **传输方式** | `ssh cat` 管道（NAS 不需要挂载）|
| **速度** | ~400x realtime（1小时视频 ≈ 9秒提取）|
**命令示例：**
```bash
# NAS → Macmini FFmpeg → 回写 NAS
ssh shenwei@192.168.3.17 "cat '/path/to/video/VIDEO.mp4'" \
| /opt/homebrew/bin/ffmpeg -i pipe:0 -vn -acodec libmp3lame -ab 64k -ar 22050 -ac 1 -f mp3 pipe:1 \
| ssh shenwei@192.168.3.17 "cat > '/path/to/video/VIDEO.mp3'"
# 本地文件直接转换
/opt/homebrew/bin/ffmpeg -i "/path/to/video/VIDEO.mp4" -vn -acodec libmp3lame -ab 64k -ar 22050 -ac 1 "/path/to/video/VIDEO.mp3"
```
**脚本位置：** `~/.openclaw/temp/xingshu/scripts/nas_audio_extract_v3.py`
---
### 阶段 2：Whisper 转录
| 项目 | 说明 |
|---|---|
| **输入** | `.mp3` 文件（已由阶段1生成，或直接提供的音频文件）|
| **输出** | 英文字幕/转写稿（纯文本）|
| **工具** | `openai-whisper`（Python 包，通过 `pip install openai-whisper` 安装）|
| **模型** | `small`（精度与速度平衡，M 系列芯片友好）|
| **硬件** | Macmini 本地运行（Neural Engine 加速）|
| **速度** | ~50x realtime（1小时音频 ≈ 40-50秒）|
| **内存** | ~1.5GB（small 模型）|
| **费用** | 完全免费（本地运行，无需 API）|
**安装命令：**
```bash
pip3 install openai-whisper
```
**调用示例：**
```python
import whisper
model = whisper.load_model("small")
result = model.transcribe("audio.mp3", language="en", fp16=False)
print(result["text"]) # 英文字幕/转写稿
```
**转写稿长度参考：** 1小时音频 ≈ 6000-8000 tokens（英文）
**模型选择参考：**
| 模型 | 内存占用 | 速度 | 精度 | 适用场景 |
|---|---|---|---|---|
| `tiny` | ~1GB | 极快 | 低 | 快速预览、噪音少的内容 |
| `small` | ~1.5GB | 快 | 中 | **推荐日常使用** |
| `medium` | ~3GB | 慢 | 高 | 重要内容、方言口音重 |
| `large` | ~5GB+ | 很慢 | 最高 | 最高精度要求（Macmini 不推荐）|
---
### 阶段 3：Gemini Flash 摘要
| 项目 | 说明 |
|---|---|
| **输入** | Whisper 转写的英文字幕/转写稿 |
| **输出** | 结构化中文笔记（摘要 + 关键概念 + 相关链接）|
| **工具** | Google Gemini API（直接 HTTP 调用，不依赖 summarize CLI）|
| **模型** | `gemini-3-flash-preview` |
| **费用** | ~0.075$/百万输入 tokens（3000分钟音频 ≈ ~$0.15）|
| **API Key** | `AIzaSyASNIlSc-YYP1dCqKCzk59e7MXSVrnHba0`（需有效）|
**摘要输出格式：**
```markdown
## 摘要
> [300-500字中文摘要]
---
## 关键概念
- **[概念名称]**: [一句话解释]
---
## 相关笔记
> [!info]+ 交叉引用
> [[相关笔记标题]] — 关联原因
```
---
## 三、全量流水线脚本
**脚本位置：** `~/.openclaw/temp/xingshu/scripts/nas_whisper_gemini_summarize.py`
**核心逻辑：**
1. 扫描指定目录下的 `.mp3` 文件（跳过 `*.done` 中已有的）
2. `ssh cat` 下载到 Macmini 本地临时目录
3. Whisper `small` 转录
4. Gemini Flash 摘要
5. 更新 Obsidian 对应笔记（替换 `## 摘要` 到 `## 相关笔记` 之间的内容）
6. 删除本地临时文件
7. 写入 `.done` 进度文件（断点续传）
**启动命令：**
```bash
cd ~/.openclaw/temp/xingshu
nohup python3 scripts/nas_whisper_gemini_summarize.py > nas_whisper_summarize_stdout.log 2>&1 &
echo "PID=$!"
```
**查看进度：**
```bash
tail -f ~/.openclaw/temp/xingshu/logs/nas_whisper_summarize.log
```
---
## 四、Obsidian 笔记模板
笔记文件位于：`~/Workspace/nexus/knowledgebase/`
```markdown
---
title: "音视频标题"
type: transcription
source-type: video
category: "你的分类路径"
tags:
- 标签1
- 标签2
date-added: 2026-04-15
audio-source: "/path/to/audio.mp3"
transcript-source: "/path/to/transcript.txt"
status: summarized # raw → summarized
---
# 音视频标题
**Source:** /path/to/video.mp4
**Type:** VIDEO | **Category:** 你的分类
**Status:** ✅ 已完成
---
## 摘要
> [Gemini Flash 生成的中文摘要]
---
## 关键概念
- **[概念名称]**: [一句话解释]
---
## 相关笔记
> [!info]+ 交叉引用
> [[相关笔记标题]] — 关联原因
```
---
## 五、API Key 汇总
| 服务 | Key | 用途 | 状态 |
|---|---|---|---|
| Google Gemini | `AIzaSyASNIlSc-YYP1dCqKCzk59e7MXSVrnHba0` | 摘要生成 | ✅ 有效 |
---
## 六、费用估算（100个视频，~3000分钟总时长）
| 阶段 | 工具 | 费用 |
|---|---|---|
| 音频提取 | FFmpeg | $0 |
| 语音转录 | Whisper（本地） | $0 |
| 摘要生成 | Gemini Flash | ~$0.15 |
| **合计** | | **~$0.15** |
---
## 七、已知限制与注意事项
1. **Gemini API Key 必须有效**：每 24 小时检查一次 key 状态
2. **Whisper 模型选择**：`tiny` 最快但精度低，`small` 平衡，`medium`/`large` Macmini 内存不够
3. **音频质量**：Whisper 对音质敏感，背景噪音会导致转写质量下降
4. **断点续传**：脚本使用 `.done` 文件记录已完成的文件，重启不会重复处理
5. **文件命名**：文件名中的空格和特殊字符（`_`、`(`、`)`）需要正确处理
6. **语言参数**：默认英文转录，如需其他语言可设置 `language="zh"` 或 `language="auto"`
7. **视频源路径**：根据实际存放位置修改脚本中的 `SOURCE_DIR` 变量
---
## 八、快捷命令速查
```bash
# 查看音频提取进度
cat ~/.openclaw/temp/xingshu/logs/nas_audio_v3.log | tail -10
# 查看转录摘要进度
tail -f ~/.openclaw/temp/xingshu/logs/nas_whisper_summarize.log
# 查看指定目录下 mp3 数量
ssh shenwei@192.168.3.17 "ls '/path/to/videos/'*.mp3 2>/dev/null | wc -l"
# 查看已处理摘要数量
cat ~/.openclaw/temp/xingshu/nas_whisper_summarize.done | wc -l
# 手动测试 Whisper
python3 -c "import whisper; m=whisper.load_model('small'); print(m.transcribe('test.mp3')['text'][:100])"
# 手动测试 Gemini
curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/models/gemini-3-flash-preview:generateContent?key=AIzaSyASNIlSc-YYP1dCqKCzk59e7MXSVrnHba0" \
-H 'Content-Type: application/json' \
-d '{"contents":[{"parts":[{"text":"say hi in 3 words"}]}]}'
```
---
## 九、配置说明
### 修改视频源路径
编辑脚本 `nas_whisper_gemini_summarize.py`，找到以下变量并修改：
```python
# NAS 源视频目录（包含 mp4 文件）
SOURCE_DIR = "/volume2/work/Public Cloud Learning Sessions/"
# NAS 输出音频目录（mp3 输出位置）
AUDIO_DIR = "/volume2/work/Public Cloud Learning Sessions/"
# Obsidian 笔记目录
OBSIDIAN_NOTE_DIR = "/Users/weishen/Workspace/nexus/knowledgebase/"
# NAS SSH 连接信息
NAS_HOST = "192.168.3.17"
NAS_USER = "shenwei"
```
### 适配不同视频源
```python
# 方案1: 另一个 NAS 路径
SOURCE_DIR = "/volume2/work/OtherVideos/"
# 方案2: 本地目录（无需 SSH）
SOURCE_DIR = "/Users/weishen/Workspace/videos/"
# 方案3: 另一个服务器
NAS_HOST = "192.168.3.45" # Ubuntu2
```
# 音视频转录与摘要流水线
> 文档版本：2026-04-15
> 维护者：星枢（xingshu）
> 状态：✅ 已验证可运行
> 适用场景：教学视频、讲座、播客、会议录音等任意音视频内容的转录与知识库导入
---
## 一、整体架构
```
视频/音频源（本地或 NAS）
│
▼
[阶段1] FFmpeg 音频提取
│ MP4/AVI/MKV → MP3
▼
本地/共享 MP3 文件库
│
▼
[阶段2] Whisper 转录
│ MP3 → 英文字幕/转写稿
▼
本地转写稿
│
▼
[阶段3] Gemini Flash 摘要
│ 转写稿 → 结构化中文笔记
▼
Obsidian 知识库
```
---
## 二、各阶段详解
### 阶段 1：FFmpeg 音频提取
| 项目 | 说明 |
|---|---|
| **输入** | `.mp4`、`.avi`、`.mkv`、`.mov` 等常见视频格式 |
| **输出** | 同目录下的同名 `.mp3` 文件 |
| **工具** | FFmpeg（Macmini 已安装：`/opt/homebrew/bin/ffmpeg`） |
| **转码参数** | `-vn -acodec libmp3lame -ab 64k -ar 22050 -ac 1`（64kbps CBR，针对人声优化）|
| **传输方式** | `ssh cat` 管道（NAS 不需要挂载）|
| **速度** | ~400x realtime（1小时视频 ≈ 9秒提取）|
**命令示例：**
```bash
# NAS → Macmini FFmpeg → 回写 NAS
ssh shenwei@192.168.3.17 "cat '/path/to/video/VIDEO.mp4'" \
| /opt/homebrew/bin/ffmpeg -i pipe:0 -vn -acodec libmp3lame -ab 64k -ar 22050 -ac 1 -f mp3 pipe:1 \
| ssh shenwei@192.168.3.17 "cat > '/path/to/video/VIDEO.mp3'"
# 本地文件直接转换
/opt/homebrew/bin/ffmpeg -i "/path/to/video/VIDEO.mp4" -vn -acodec libmp3lame -ab 64k -ar 22050 -ac 1 "/path/to/video/VIDEO.mp3"
```
**脚本位置：** `~/.openclaw/temp/xingshu/scripts/nas_audio_extract_v3.py`
---
### 阶段 2：Whisper 转录
| 项目 | 说明 |
|---|---|
| **输入** | `.mp3` 文件（已由阶段1生成，或直接提供的音频文件）|
| **输出** | 英文字幕/转写稿（纯文本）|
| **工具** | `openai-whisper`（Python 包，通过 `pip install openai-whisper` 安装）|
| **模型** | `small`（精度与速度平衡，M 系列芯片友好）|
| **硬件** | Macmini 本地运行（Neural Engine 加速）|
| **速度** | ~50x realtime（1小时音频 ≈ 40-50秒）|
| **内存** | ~1.5GB（small 模型）|
| **费用** | 完全免费（本地运行，无需 API）|
**安装命令：**
```bash
pip3 install openai-whisper
```
**调用示例：**
```python
import whisper
model = whisper.load_model("small")
result = model.transcribe("audio.mp3", language="en", fp16=False)
print(result["text"]) # 英文字幕/转写稿
```
**转写稿长度参考：** 1小时音频 ≈ 6000-8000 tokens（英文）
**模型选择参考：**
| 模型 | 内存占用 | 速度 | 精度 | 适用场景 |
|---|---|---|---|---|
| `tiny` | ~1GB | 极快 | 低 | 快速预览、噪音少的内容 |
| `small` | ~1.5GB | 快 | 中 | **推荐日常使用** |
| `medium` | ~3GB | 慢 | 高 | 重要内容、方言口音重 |
| `large` | ~5GB+ | 很慢 | 最高 | 最高精度要求（Macmini 不推荐）|
---
### 阶段 3：Gemini Flash 摘要
| 项目 | 说明 |
|---|---|
| **输入** | Whisper 转写的英文字幕/转写稿 |
| **输出** | 结构化中文笔记（摘要 + 关键概念 + 相关链接）|
| **工具** | Google Gemini API（直接 HTTP 调用，不依赖 summarize CLI）|
| **模型** | `gemini-3-flash-preview` |
| **费用** | ~0.075$/百万输入 tokens（3000分钟音频 ≈ ~$0.15）|
| **API Key** | `AIzaSyASNIlSc-YYP1dCqKCzk59e7MXSVrnHba0`（需有效）|
**摘要输出格式：**
```markdown
## 摘要
> [300-500字中文摘要]
---
## 关键概念
- **[概念名称]**: [一句话解释]
---
## 相关笔记
> [!info]+ 交叉引用
> [[相关笔记标题]] — 关联原因
```
---
## 三、全量流水线脚本
**脚本位置：** `~/.openclaw/temp/xingshu/scripts/nas_whisper_gemini_summarize.py`
**核心逻辑：**
1. 扫描指定目录下的 `.mp3` 文件（跳过 `*.done` 中已有的）
2. `ssh cat` 下载到 Macmini 本地临时目录
3. Whisper `small` 转录
4. Gemini Flash 摘要
5. 更新 Obsidian 对应笔记（替换 `## 摘要` 到 `## 相关笔记` 之间的内容）
6. 删除本地临时文件
7. 写入 `.done` 进度文件（断点续传）
**启动命令：**
```bash
cd ~/.openclaw/temp/xingshu
nohup python3 scripts/nas_whisper_gemini_summarize.py > nas_whisper_summarize_stdout.log 2>&1 &
echo "PID=$!"
```
**查看进度：**
```bash
tail -f ~/.openclaw/temp/xingshu/logs/nas_whisper_summarize.log
```
---
## 四、Obsidian 笔记模板
笔记文件位于：`~/Workspace/nexus/knowledgebase/`
```markdown
---
title: "音视频标题"
type: transcription
source-type: video
category: "你的分类路径"
tags:
- 标签1
- 标签2
date-added: 2026-04-15
audio-source: "/path/to/audio.mp3"
transcript-source: "/path/to/transcript.txt"
status: summarized # raw → summarized
---
# 音视频标题
**Source:** /path/to/video.mp4
**Type:** VIDEO | **Category:** 你的分类
**Status:** ✅ 已完成
---
## 摘要
> [Gemini Flash 生成的中文摘要]
---
## 关键概念
- **[概念名称]**: [一句话解释]
---
## 相关笔记
> [!info]+ 交叉引用
> [[相关笔记标题]] — 关联原因
```
---
## 五、API Key 汇总
| 服务 | Key | 用途 | 状态 |
|---|---|---|---|
| Google Gemini | `AIzaSyASNIlSc-YYP1dCqKCzk59e7MXSVrnHba0` | 摘要生成 | ✅ 有效 |
---
## 六、费用估算（100个视频，~3000分钟总时长）
| 阶段 | 工具 | 费用 |
|---|---|---|
| 音频提取 | FFmpeg | $0 |
| 语音转录 | Whisper（本地） | $0 |
| 摘要生成 | Gemini Flash | ~$0.15 |
| **合计** | | **~$0.15** |
---
## 七、已知限制与注意事项
1. **Gemini API Key 必须有效**：每 24 小时检查一次 key 状态
2. **Whisper 模型选择**：`tiny` 最快但精度低，`small` 平衡，`medium`/`large` Macmini 内存不够
3. **音频质量**：Whisper 对音质敏感，背景噪音会导致转写质量下降
4. **断点续传**：脚本使用 `.done` 文件记录已完成的文件，重启不会重复处理
5. **文件命名**：文件名中的空格和特殊字符（`_`、`(`、`)`）需要正确处理
6. **语言参数**：默认英文转录，如需其他语言可设置 `language="zh"` 或 `language="auto"`
7. **视频源路径**：根据实际存放位置修改脚本中的 `SOURCE_DIR` 变量
---
## 八、快捷命令速查
```bash
# 查看音频提取进度
cat ~/.openclaw/temp/xingshu/logs/nas_audio_v3.log | tail -10
# 查看转录摘要进度
tail -f ~/.openclaw/temp/xingshu/logs/nas_whisper_summarize.log
# 查看指定目录下 mp3 数量
ssh shenwei@192.168.3.17 "ls '/path/to/videos/'*.mp3 2>/dev/null | wc -l"
# 查看已处理摘要数量
cat ~/.openclaw/temp/xingshu/nas_whisper_summarize.done | wc -l
# 手动测试 Whisper
python3 -c "import whisper; m=whisper.load_model('small'); print(m.transcribe('test.mp3')['text'][:100])"
# 手动测试 Gemini
curl -s -X POST "https://generativelanguage.googleapis.com/v1beta/models/gemini-3-flash-preview:generateContent?key=AIzaSyASNIlSc-YYP1dCqKCzk59e7MXSVrnHba0" \
-H 'Content-Type: application/json' \
-d '{"contents":[{"parts":[{"text":"say hi in 3 words"}]}]}'
```
---
## 九、配置说明
### 修改视频源路径
编辑脚本 `nas_whisper_gemini_summarize.py`，找到以下变量并修改：
```python
# NAS 源视频目录（包含 mp4 文件）
SOURCE_DIR = "/volume2/work/Public Cloud Learning Sessions/"
# NAS 输出音频目录（mp3 输出位置）
AUDIO_DIR = "/volume2/work/Public Cloud Learning Sessions/"
# Obsidian 笔记目录
OBSIDIAN_NOTE_DIR = "/Users/weishen/Workspace/nexus/knowledgebase/"
# NAS SSH 连接信息
NAS_HOST = "192.168.3.17"
NAS_USER = "shenwei"
```
### 适配不同视频源
```python
# 方案1: 另一个 NAS 路径
SOURCE_DIR = "/volume2/work/OtherVideos/"
# 方案2: 本地目录（无需 SSH）
SOURCE_DIR = "/Users/weishen/Workspace/videos/"
# 方案3: 另一个服务器
NAS_HOST = "192.168.3.45" # Ubuntu2
```

2356
openclaw/xingshu/memory/Chrome-Bookmarks-2026-04-17.md
View File

File diff suppressed because it is too large Load Diff

606
openclaw/xingshu/projects/agentbase-design.md
View File

@@ -1,303 +1,303 @@
---
title: AgentBase 项目设计文档
source:
author: shenwei
published:
created:
description:
tags: []
---
# AgentBase 项目设计文档
> 设计日期：2026-04-05
> 状态：已确认，等待实施
> 项目位置：`~/Workspace/agentbase/`
---
## 1. 项目概述
**项目名**：agentbase
**项目类型**：Django Web 应用 + 数据归档系统
**核心目标**：遍历 OpenClaw Agent 的 session JSONL 文件，解析并保存到 MariaDB，通过 Django Admin 提供 Web 查询界面。
**使用场景**：
- 查找某个 Agent 在某天的所有对话记录
- 查找某个 Agent 在处理任务时调用了哪些工具（特别是 `exec` 命令的具体内容）
- 查看 Agent 的思考过程（thinking block）
- 增量解析，只解析未处理过的文件
---
## 2. 数据库设计
### 2.1 服务器与 Agent 映射
| 服务器 | 标识 | Session 根目录 |
|--------|------|----------------|
| Mac Mini | `macmini` | `/Users/weishen/.openclaw/agents/` |
| Ubuntu1 | `ubuntu1` | `/home/shenwei/.openclaw/agents/` |
| Ubuntu2 | `ubuntu2` | `/home/shenwei/.openclaw/agents/` |
**纳入的 Agent**：main、xingyao、xinghui、xingjiang、opencode、sisyphus
### 2.2 Session 文件类型
所有 `.jsonl` 文件均需解析，包括：
- `*.jsonl` — 正常 session
- `*.jsonl.reset.*` — reset 快照
- `*.jsonl.deleted.*` — 删除快照
- `*-topic-*.jsonl` — 线程 session
**session_type 判定**：
- 文件名含 `.reset.` → `reset`
- 文件名含 `.deleted.` → `deleted`
- 文件名含 `-topic-` → `topic`
- 默认 → `normal`
**忽略文件**：`sessions.json`（索引文件，不解析）
### 2.3 数据库 Schema
#### 表：`parsed_files`（增量解析控制）
| 字段 | 类型 | 说明 |
|------|------|------|
| `id` | INT AUTO_INCREMENT | 主键 |
| `server` | VARCHAR(32) | 服务器标识 |
| `agent_id` | VARCHAR(64) | Agent ID |
| `file_path` | VARCHAR(512) | 文件绝对路径 |
| `file_mtime` | BIGINT | 文件最后修改时间（Unix timestamp） |
| `file_size` | BIGINT | 文件大小（字节） |
| `status` | VARCHAR(16) | `pending` / `success` / `failed` |
| `parsed_at` | DATETIME | 本次解析时间 |
| `error_message` | TEXT | 失败时的错误信息（可空） |
**UNIQUE 约束**：`UNIQUE(server, agent_id, file_path)`
**增量解析逻辑**：
```sql
-- 插入前检查：同一文件 + 同一修改时间是否已解析
WHERE NOT EXISTS (
SELECT 1 FROM parsed_files
WHERE server=? AND agent_id=? AND file_path=?
AND file_mtime=? AND file_size=? AND status='success'
)
```
---
#### 表：`sessions`（Session 根记录）
| 字段 | 类型 | 说明 |
|------|------|------|
| `id` | INT AUTO_INCREMENT | 主键 |
| `server` | VARCHAR(32) | 服务器标识 |
| `agent_id` | VARCHAR(64) | Agent ID |
| `session_uuid` | VARCHAR(64) | Session UUID（文件名去掉.jsonl等后缀） |
| `file_path` | VARCHAR(512) | 来源文件路径 |
| `session_type` | VARCHAR(32) | `normal` / `topic` / `reset` / `deleted` |
| `cwd` | VARCHAR(512) | Session 工作目录 |
| `started_at` | DATETIME(3) | Session 开始时间 |
| `first_message_at` | DATETIME(3) | 第一条 message 的时间 |
| `last_message_at` | DATETIME(3) | 最后一条 message 的时间 |
| `message_count` | INT | 该 session 的消息总数 |
| `created_at` | DATETIME | 记录创建时间 |
**UNIQUE 约束**：`UNIQUE(session_uuid, server, agent_id)`
---
#### 表：`messages`（消息内容）
| 字段 | 类型 | 说明 |
|------|------|------|
| `id` | INT AUTO_INCREMENT | 主键 |
| `session_id` | INT | 外键 → `sessions.id` |
| `server` | VARCHAR(32) | 服务器标识 |
| `agent_id` | VARCHAR(64) | Agent ID |
| `session_uuid` | VARCHAR(64) | Session UUID（冗余存储，方便查询） |
| `message_uuid` | VARCHAR(64) | 消息 UUID |
| `parent_message_uuid` | VARCHAR(64) | 父消息 UUID（可空） |
| `role` | VARCHAR(32) | `user` / `assistant` / `toolResult` |
| `content_blocks` | JSON | **原文**：原始 content 数组 |
| `text_preview` | VARCHAR(512) | 纯文本摘要（前512字符） |
| `first_tool_call` | VARCHAR(128) | 首个 toolCall name |
| `tool_call_count` | INT | toolCall 总数 |
| `tool_calls_json` | JSON | **拆出**：所有 toolCall block |
| `thinking_text` | TEXT | **拆出**：首个 thinking block |
| `has_thinking` | TINYINT | 是否有 thinking（0/1） |
| `has_tool_calls` | TINYINT | 是否有 toolCall（0/1） |
| `is_error` | TINYINT | 整条 isError 标记 |
| `provider` | VARCHAR(64) | AI Provider（如 `minimax`） |
| `model` | VARCHAR(128) | 模型 ID（如 `MiniMax-M2.7`） |
| `api` | VARCHAR(64) | API 类型（如 `anthropic-messages`） |
| `stop_reason` | VARCHAR(64) | stopReason 字段值 |
| `input_tokens` | INT | 输入 token 数 |
| `output_tokens` | INT | 输出 token 数 |
| `cache_read_tokens` | BIGINT | Cache Read token 数 |
| `cache_write_tokens` | BIGINT | Cache Write token 数 |
| `total_tokens` | INT | 总 token 数 |
| `cost_usd` | DECIMAL(12,8) | 该消息美元成本 |
| `timestamp` | DATETIME(3) | 消息时间 |
| `created_at` | DATETIME | 记录创建时间 |
**Indexes**：
- `idx_agent_timestamp` ON `(agent_id, timestamp)`
- `idx_first_tool_call` ON `(first_tool_call)`
- `idx_session_id` ON `(session_id)`
- `idx_role` ON `(role)`
### 2.4 Content Block 结构
JSONL 中每条 `type:message` 的 `content` 数组，成员类型如下：
| content block type | 关键提取字段 |
|---|---|
| `text` | `text`（纯文本） |
| `thinking` | `thinking`、`thinkingSignature` |
| `toolCall` | `id`、`name`、`arguments`（JSON 对象） |
| `toolResult` | `toolCallId`、`toolName`、`content`、`isError`、`details` |
**`text_preview` 提取规则**（按优先级）：
1. 找第一个 `type=="text"` 的 `text` 字段
2. 找不到则找 `type=="thinking"` 的 `thinking` 字段
3. 再找不到则找 `type=="toolResult"` 里第一个子 `type=="text"` 的内容
4. 截取前512字符，strip HTML
---
## 3. Django 项目结构
```
~/Workspace/agentbase/ # Git 仓库根目录
├── manage.py
├── agentbase/ # Django 项目
│ ├── __init__.py
│ ├── settings.py # 数据库配置在此
│ ├── urls.py
│ └── wsgi.py
├── messages/ # Django App
│ ├── __init__.py
│ ├── models.py # ParsedFile / Session / Message
│ ├── admin.py # Django Admin 配置
│ ├── views.py # Web 查询视图
│ ├── urls.py
│ ├── management/
│ │ └── commands/
│ │ └── parse_sessions.py # Django command
│ └── templates/
│ └── messages/
│ └── message_list.html
├── scripts/
│ └── parse_and_import.py # OpenClaw cron 调用的入口脚本
├── tests/
├── requirements.txt
└── README.md
```
### 3.1 配置方式
数据库连接信息直接写在 `settings.py` 中（不使用 config.yaml）。
### 3.2 Django Admin 预期界面
**Messages（核心）**：
- 列表页支持按 `agent_id` + `timestamp` 范围 + `role` + `first_tool_call` 过滤
- 详情页展示 `content_blocks` 原始 JSON、`thinking_text`、`tool_calls_json`
- 适合查找"某 Agent 某天所有对话和思考记录"
**Sessions**：列出所有 session，按 server/agent_id 过滤。
**ParsedFiles**：记录已解析文件列表，支持按 server/agent_id/file_path 搜索。
---
## 4. 解析脚本设计
### 4.1 入口脚本
`scripts/parse_and_import.py`
- OpenClaw cron 任务调用此脚本
- 也可单独运行：`python parse_and_import.py --server macmini --agent xingyao`
- 内部加载 Django settings，调用 Django ORM 写入数据库
### 4.2 解析流程
1. **遍历服务器和 Agent**：macmini/ubuntu1/ubuntu2 → 各 Agent 目录
2. **扫描 session 文件**：列出所有 `.jsonl` 文件，跳过 `sessions.json`
3. **增量检查**：查 `parsed_files` 表，文件 mtime+size 未变且 status=success → 跳过
4. **解析 JSONL**：逐行读取，提取 `type:session` 和 `type:message` 记录
5. **写入数据库**：先插入 `sessions`，再批量插入 `messages`
6. **更新 `parsed_files`**：status=success 或 status=failed + error_message
### 4.3 OpenClaw Cron 任务
每日 00:05 执行（00:00 照片整理完成后错开）：
```bash
python ~/Workspace/agentbase/scripts/parse_and_import.py
```
- 在 Mac Mini 上执行
- 通过 SSH 访问 ubuntu1/2 的 session 目录
- 所有 Agent 的当日新 session 均被解析
---
## 5. 典型查询示例
### 5.1 查某 Agent 某天的所有消息
```sql
SELECT id, message_uuid, role, text_preview, has_thinking, first_tool_call, timestamp
FROM messages
WHERE agent_id = 'xingyao'
AND timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
ORDER BY timestamp;
```
### 5.2 查某 Agent 某天调用过的所有 exec 命令
```sql
SELECT m.id, m.timestamp, m.text_preview, m.session_uuid
FROM messages m
WHERE m.agent_id = 'xingyao'
AND m.timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
AND m.first_tool_call = 'exec';
```
### 5.3 查包含 thinking 的消息
```sql
SELECT id, message_uuid, role, thinking_text, timestamp
FROM messages
WHERE agent_id = 'xingyao'
AND has_thinking = 1
AND timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59';
```
---
## 6. 待确认事项
- [ ] 数据库类型：MariaDB？SQLite（开发测试用）？
- [ ] 数据库名称
- [ ] MariaDB 部署在哪里？（Mac Mini 本地？NAS？独立服务器？）
---
## 7. 后续步骤
1. 用户确认以上设计
2. 创建 Git 仓库 `~/Workspace/agentbase/`
3. 初始化 Django 项目
4. 编写 `settings.py`（含数据库配置）
5. 编写 `messages/models.py`（三张表）
6. 编写 `messages/admin.py`（Admin 配置）
7. 编写 `scripts/parse_and_import.py`（解析入口）
8. 编写 `messages/management/commands/parse_sessions.py`（Django command）
9. 配置 Django Admin 模板（message_list.html）
10. 创建 OpenClaw cron 任务
---
title: AgentBase 项目设计文档
source:
author: shenwei
published:
created:
description:
tags: []
---
# AgentBase 项目设计文档
> 设计日期：2026-04-05
> 状态：已确认，等待实施
> 项目位置：`~/Workspace/agentbase/`
---
## 1. 项目概述
**项目名**：agentbase
**项目类型**：Django Web 应用 + 数据归档系统
**核心目标**：遍历 OpenClaw Agent 的 session JSONL 文件，解析并保存到 MariaDB，通过 Django Admin 提供 Web 查询界面。
**使用场景**：
- 查找某个 Agent 在某天的所有对话记录
- 查找某个 Agent 在处理任务时调用了哪些工具（特别是 `exec` 命令的具体内容）
- 查看 Agent 的思考过程（thinking block）
- 增量解析，只解析未处理过的文件
---
## 2. 数据库设计
### 2.1 服务器与 Agent 映射
| 服务器 | 标识 | Session 根目录 |
|--------|------|----------------|
| Mac Mini | `macmini` | `/Users/weishen/.openclaw/agents/` |
| Ubuntu1 | `ubuntu1` | `/home/shenwei/.openclaw/agents/` |
| Ubuntu2 | `ubuntu2` | `/home/shenwei/.openclaw/agents/` |
**纳入的 Agent**：main、xingyao、xinghui、xingjiang、opencode、sisyphus
### 2.2 Session 文件类型
所有 `.jsonl` 文件均需解析，包括：
- `*.jsonl` — 正常 session
- `*.jsonl.reset.*` — reset 快照
- `*.jsonl.deleted.*` — 删除快照
- `*-topic-*.jsonl` — 线程 session
**session_type 判定**：
- 文件名含 `.reset.` → `reset`
- 文件名含 `.deleted.` → `deleted`
- 文件名含 `-topic-` → `topic`
- 默认 → `normal`
**忽略文件**：`sessions.json`（索引文件，不解析）
### 2.3 数据库 Schema
#### 表：`parsed_files`（增量解析控制）
| 字段 | 类型 | 说明 |
|------|------|------|
| `id` | INT AUTO_INCREMENT | 主键 |
| `server` | VARCHAR(32) | 服务器标识 |
| `agent_id` | VARCHAR(64) | Agent ID |
| `file_path` | VARCHAR(512) | 文件绝对路径 |
| `file_mtime` | BIGINT | 文件最后修改时间（Unix timestamp） |
| `file_size` | BIGINT | 文件大小（字节） |
| `status` | VARCHAR(16) | `pending` / `success` / `failed` |
| `parsed_at` | DATETIME | 本次解析时间 |
| `error_message` | TEXT | 失败时的错误信息（可空） |
**UNIQUE 约束**：`UNIQUE(server, agent_id, file_path)`
**增量解析逻辑**：
```sql
-- 插入前检查：同一文件 + 同一修改时间是否已解析
WHERE NOT EXISTS (
SELECT 1 FROM parsed_files
WHERE server=? AND agent_id=? AND file_path=?
AND file_mtime=? AND file_size=? AND status='success'
)
```
---
#### 表：`sessions`（Session 根记录）
| 字段 | 类型 | 说明 |
|------|------|------|
| `id` | INT AUTO_INCREMENT | 主键 |
| `server` | VARCHAR(32) | 服务器标识 |
| `agent_id` | VARCHAR(64) | Agent ID |
| `session_uuid` | VARCHAR(64) | Session UUID（文件名去掉.jsonl等后缀） |
| `file_path` | VARCHAR(512) | 来源文件路径 |
| `session_type` | VARCHAR(32) | `normal` / `topic` / `reset` / `deleted` |
| `cwd` | VARCHAR(512) | Session 工作目录 |
| `started_at` | DATETIME(3) | Session 开始时间 |
| `first_message_at` | DATETIME(3) | 第一条 message 的时间 |
| `last_message_at` | DATETIME(3) | 最后一条 message 的时间 |
| `message_count` | INT | 该 session 的消息总数 |
| `created_at` | DATETIME | 记录创建时间 |
**UNIQUE 约束**：`UNIQUE(session_uuid, server, agent_id)`
---
#### 表：`messages`（消息内容）
| 字段 | 类型 | 说明 |
|------|------|------|
| `id` | INT AUTO_INCREMENT | 主键 |
| `session_id` | INT | 外键 → `sessions.id` |
| `server` | VARCHAR(32) | 服务器标识 |
| `agent_id` | VARCHAR(64) | Agent ID |
| `session_uuid` | VARCHAR(64) | Session UUID（冗余存储，方便查询） |
| `message_uuid` | VARCHAR(64) | 消息 UUID |
| `parent_message_uuid` | VARCHAR(64) | 父消息 UUID（可空） |
| `role` | VARCHAR(32) | `user` / `assistant` / `toolResult` |
| `content_blocks` | JSON | **原文**：原始 content 数组 |
| `text_preview` | VARCHAR(512) | 纯文本摘要（前512字符） |
| `first_tool_call` | VARCHAR(128) | 首个 toolCall name |
| `tool_call_count` | INT | toolCall 总数 |
| `tool_calls_json` | JSON | **拆出**：所有 toolCall block |
| `thinking_text` | TEXT | **拆出**：首个 thinking block |
| `has_thinking` | TINYINT | 是否有 thinking（0/1） |
| `has_tool_calls` | TINYINT | 是否有 toolCall（0/1） |
| `is_error` | TINYINT | 整条 isError 标记 |
| `provider` | VARCHAR(64) | AI Provider（如 `minimax`） |
| `model` | VARCHAR(128) | 模型 ID（如 `MiniMax-M2.7`） |
| `api` | VARCHAR(64) | API 类型（如 `anthropic-messages`） |
| `stop_reason` | VARCHAR(64) | stopReason 字段值 |
| `input_tokens` | INT | 输入 token 数 |
| `output_tokens` | INT | 输出 token 数 |
| `cache_read_tokens` | BIGINT | Cache Read token 数 |
| `cache_write_tokens` | BIGINT | Cache Write token 数 |
| `total_tokens` | INT | 总 token 数 |
| `cost_usd` | DECIMAL(12,8) | 该消息美元成本 |
| `timestamp` | DATETIME(3) | 消息时间 |
| `created_at` | DATETIME | 记录创建时间 |
**Indexes**：
- `idx_agent_timestamp` ON `(agent_id, timestamp)`
- `idx_first_tool_call` ON `(first_tool_call)`
- `idx_session_id` ON `(session_id)`
- `idx_role` ON `(role)`
### 2.4 Content Block 结构
JSONL 中每条 `type:message` 的 `content` 数组，成员类型如下：
| content block type | 关键提取字段 |
|---|---|
| `text` | `text`（纯文本） |
| `thinking` | `thinking`、`thinkingSignature` |
| `toolCall` | `id`、`name`、`arguments`（JSON 对象） |
| `toolResult` | `toolCallId`、`toolName`、`content`、`isError`、`details` |
**`text_preview` 提取规则**（按优先级）：
1. 找第一个 `type=="text"` 的 `text` 字段
2. 找不到则找 `type=="thinking"` 的 `thinking` 字段
3. 再找不到则找 `type=="toolResult"` 里第一个子 `type=="text"` 的内容
4. 截取前512字符，strip HTML
---
## 3. Django 项目结构
```
~/Workspace/agentbase/ # Git 仓库根目录
├── manage.py
├── agentbase/ # Django 项目
│ ├── __init__.py
│ ├── settings.py # 数据库配置在此
│ ├── urls.py
│ └── wsgi.py
├── messages/ # Django App
│ ├── __init__.py
│ ├── models.py # ParsedFile / Session / Message
│ ├── admin.py # Django Admin 配置
│ ├── views.py # Web 查询视图
│ ├── urls.py
│ ├── management/
│ │ └── commands/
│ │ └── parse_sessions.py # Django command
│ └── templates/
│ └── messages/
│ └── message_list.html
├── scripts/
│ └── parse_and_import.py # OpenClaw cron 调用的入口脚本
├── tests/
├── requirements.txt
└── README.md
```
### 3.1 配置方式
数据库连接信息直接写在 `settings.py` 中（不使用 config.yaml）。
### 3.2 Django Admin 预期界面
**Messages（核心）**：
- 列表页支持按 `agent_id` + `timestamp` 范围 + `role` + `first_tool_call` 过滤
- 详情页展示 `content_blocks` 原始 JSON、`thinking_text`、`tool_calls_json`
- 适合查找"某 Agent 某天所有对话和思考记录"
**Sessions**：列出所有 session，按 server/agent_id 过滤。
**ParsedFiles**：记录已解析文件列表，支持按 server/agent_id/file_path 搜索。
---
## 4. 解析脚本设计
### 4.1 入口脚本
`scripts/parse_and_import.py`
- OpenClaw cron 任务调用此脚本
- 也可单独运行：`python parse_and_import.py --server macmini --agent xingyao`
- 内部加载 Django settings，调用 Django ORM 写入数据库
### 4.2 解析流程
1. **遍历服务器和 Agent**：macmini/ubuntu1/ubuntu2 → 各 Agent 目录
2. **扫描 session 文件**：列出所有 `.jsonl` 文件，跳过 `sessions.json`
3. **增量检查**：查 `parsed_files` 表，文件 mtime+size 未变且 status=success → 跳过
4. **解析 JSONL**：逐行读取，提取 `type:session` 和 `type:message` 记录
5. **写入数据库**：先插入 `sessions`，再批量插入 `messages`
6. **更新 `parsed_files`**：status=success 或 status=failed + error_message
### 4.3 OpenClaw Cron 任务
每日 00:05 执行（00:00 照片整理完成后错开）：
```bash
python ~/Workspace/agentbase/scripts/parse_and_import.py
```
- 在 Mac Mini 上执行
- 通过 SSH 访问 ubuntu1/2 的 session 目录
- 所有 Agent 的当日新 session 均被解析
---
## 5. 典型查询示例
### 5.1 查某 Agent 某天的所有消息
```sql
SELECT id, message_uuid, role, text_preview, has_thinking, first_tool_call, timestamp
FROM messages
WHERE agent_id = 'xingyao'
AND timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
ORDER BY timestamp;
```
### 5.2 查某 Agent 某天调用过的所有 exec 命令
```sql
SELECT m.id, m.timestamp, m.text_preview, m.session_uuid
FROM messages m
WHERE m.agent_id = 'xingyao'
AND m.timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
AND m.first_tool_call = 'exec';
```
### 5.3 查包含 thinking 的消息
```sql
SELECT id, message_uuid, role, thinking_text, timestamp
FROM messages
WHERE agent_id = 'xingyao'
AND has_thinking = 1
AND timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59';
```
---
## 6. 待确认事项
- [ ] 数据库类型：MariaDB？SQLite（开发测试用）？
- [ ] 数据库名称
- [ ] MariaDB 部署在哪里？（Mac Mini 本地？NAS？独立服务器？）
---
## 7. 后续步骤
1. 用户确认以上设计
2. 创建 Git 仓库 `~/Workspace/agentbase/`
3. 初始化 Django 项目
4. 编写 `settings.py`（含数据库配置）
5. 编写 `messages/models.py`（三张表）
6. 编写 `messages/admin.py`（Admin 配置）
7. 编写 `scripts/parse_and_import.py`（解析入口）
8. 编写 `messages/management/commands/parse_sessions.py`（Django command）
9. 配置 Django Admin 模板（message_list.html）
10. 创建 OpenClaw cron 任务

754
openclaw/xingshu/projects/agentbase-需求文档.md
View File

@@ -1,377 +1,377 @@
---
title: AgentBase 项目需求文档
source:
author: shenwei
published:
created:
description:
tags: []
---
# AgentBase 项目需求文档
> **文档版本：** v1.0
> **创建日期：** 2026-04-05
> **状态：** 待确认
> **负责人：** 星枢（协调）、星匠（实施）
> **项目位置：** `~/Workspace/agentbase/`
---
## 1. 项目概述
### 1.1 项目背景
OpenClaw 多 Agent 系统运行于 Mac Mini + Ubuntu1 + Ubuntu2 三节点，每日产生大量 session JSONL 文件。这些文件记录了 Agent 的完整对话历史、思考过程（thinking block）、工具调用（toolCall）等核心数据，目前以原始文件形式散落各服务器，无法高效查询。
### 1.2 项目目标
构建一套 **session 解析与归档系统**，将多节点、多 Agent 的 JSONL 会话数据统一解析入库，通过 Django Admin 提供可查询、可筛选、可追溯的 Web 管理界面。
### 1.3 核心价值
- **可审计**：任何 Agent 的任何操作记录可追溯
- **可分析**：按 Agent/时间/工具类型等多维度分析 Agent 行为模式
- **可优化**：基于真实调用数据优化 Agent 工作流
---
## 2. 系统范围
### 2.1 纳入系统
| 服务器 | 角色 | Session 根目录 |
|---|---|---|
| Mac Mini (`macmini`) | 中央控制节点 | `/Users/weishen/.openclaw/agents/` |
| Ubuntu1 (`ubuntu1`) | 准生产服务器 | `/home/shenwei/.openclaw/agents/` |
| Ubuntu2 (`ubuntu2`) | 开发服务器 | `/home/shenwei/.openclaw/agents/` |
### 2.2 纳入 Agent
`main` / `xingyao` / `xinghui` / `xingjiang` / `opencode` / `sisyphus`
### 2.3 纳入文件类型
| 文件类型 | 说明 | session_type |
|---|---|---|
| `*.jsonl` | 正常 session | `normal` |
| `*.jsonl.reset.*` | reset 快照 | `reset` |
| `*.jsonl.deleted.*` | 删除快照 | `deleted` |
| `*-topic-*.jsonl` | 线程 session | `topic` |
**忽略文件：** `sessions.json`（索引文件，不解析）
### 2.4 不纳入范围
- 实时流式解析（仅定时批量解析）
- Session 内容编辑（只读归档）
- 跨 Agent 关联分析（v1）
- 移动端界面
---
## 3. 功能需求
### 3.1 增量解析引擎
**FR-PARSE-001**：扫描指定服务器 + Agent 的 session 目录，列出所有符合类型的 `.jsonl` 文件
**FR-PARSE-002**：对每个文件，基于「文件路径 + mtime + size」判断是否需要重新解析（增量控制）
**FR-PARSE-003**：解析 JSONL 中的 `type:session` 记录，提取 session 元信息
**FR-PARSE-004**：解析 JSONL 中的 `type:message` 记录，提取消息内容、toolCall、thinking 等
**FR-PARSE-005**：对于 `type:message`，正确提取并拆分以下 content block 类型：
- `text` → 纯文本内容
- `thinking` → 思考过程文本
- `toolCall` → 工具调用（id/name/arguments）
- `toolResult` → 工具结果（toolCallId/content/isError）
**FR-PARSE-006**：从 message 元数据中提取 AI Provider / Model / API / Token 计数 / Cost 等计量数据
**FR-PARSE-007**：解析完成后更新 `parsed_files` 表（status: success / failed + error_message）
### 3.2 数据库存储
**FR-DB-001**：维护 `parsed_files` 表，记录每个已解析文件的元数据及状态（增量控制）
**FR-DB-002**：维护 `sessions` 表，记录每个 session 的根信息（去重依据：session_uuid + server + agent_id）
**FR-DB-003**：维护 `messages` 表，记录每条消息的完整信息（content 原文、提取字段、计量数据）
**FR-DB-004**：对 `messages` 表建立合理索引，支持按 `agent_id + timestamp` / `first_tool_call` / `session_id` 等常用查询模式
### 3.3 Django Admin 管理界面
**FR-ADMIN-001**：`Messages` 列表页
- 支持按 `agent_id` 过滤
- 支持按 `timestamp` 范围过滤
- 支持按 `role`（user/assistant/toolResult）过滤
- 支持按 `first_tool_call` 过滤
- 列表显示：id / message_uuid / role / text_preview（前100字符） / has_thinking / first_tool_call / timestamp
**FR-ADMIN-002**：`Messages` 详情页
- 显示 `content_blocks` 原始 JSON（完整展开）
- 显示 `thinking_text`（独立字段）
- 显示 `tool_calls_json`（完整展开）
- 显示所有计量字段（tokens / cost）
**FR-ADMIN-003**：`Sessions` 列表页
- 支持按 `server` / `agent_id` / `session_type` 过滤
- 列表显示：id / session_uuid / server / agent_id / session_type / started_at / message_count
**FR-ADMIN-004**：`ParsedFiles` 列表页
- 支持按 `server` / `agent_id` / `status` 过滤
- 列表显示：id / server / agent_id / file_path / file_mtime / status / parsed_at
- 支持按 `file_path` 搜索
### 3.4 定时任务
**FR-CRON-001**：每日定时（建议 00:05）自动执行解析任务，覆盖所有服务器、所有 Agent
**FR-CRON-002**：解析任务通过 OpenClaw cron 触发，调用 `scripts/parse_and_import.py`
### 3.5 命令行接口
**FR-CLI-001**：支持按服务器 + Agent 指定解析范围
```
python parse_and_import.py --server macmini --agent xingyao
```
**FR-CLI-002**：支持 `--dry-run` 参数，仅扫描文件不写入数据库
**FR-CLI-003**：支持 `--force` 参数，强制重新解析（忽略增量状态）
---
## 4. 非功能需求
### 4.1 性能
**NFR-PERF-001**：单次解析 10,000 条消息应在 60 秒内完成
**NFR-PERF-002**：Django Admin 列表页加载时间不超过 3 秒（百万级数据量下）
**NFR-PERF-003**：JSONL 文件逐行解析，不一次性加载到内存（流式处理）
### 4.2 可靠性
**NFR-RELI-001**：解析失败的文件需记录 `error_message`，不影响同批次其他文件
**NFR-RELI-002**：数据库操作使用事务保证一致性（单文件解析失败回滚）
**NFR-RELI-003**：重复解析同一文件（mtime+size 未变）应被跳过，不重复写入
### 4.3 可维护性
**NFR-MAIN-001**：数据库 schema 变更通过 Django Migration 管理
**NFR-MAIN-002**：配置信息（数据库连接）集中写在 `settings.py`，不散落多处
### 4.4 安全性
**NFR-SEC-001**：数据库凭据不硬编码在代码中，通过环境变量或 Django settings 管理
**NFR-SEC-002**：Django Admin 仅本地访问（暂不开放远程）
---
## 5. 数据库 Schema（摘要）
### 5.1 `parsed_files`
| 字段 | 类型 | 约束 |
|---|---|---|
| id | INT AUTO_INCREMENT | PK |
| server | VARCHAR(32) | NOT NULL |
| agent_id | VARCHAR(64) | NOT NULL |
| file_path | VARCHAR(512) | NOT NULL |
| file_mtime | BIGINT | NOT NULL |
| file_size | BIGINT | NOT NULL |
| status | VARCHAR(16) | NOT NULL |
| parsed_at | DATETIME | |
| error_message | TEXT | NULL |
**UNIQUE**：`(server, agent_id, file_path)`
### 5.2 `sessions`
| 字段 | 类型 | 约束 |
|---|---|---|
| id | INT AUTO_INCREMENT | PK |
| server | VARCHAR(32) | NOT NULL |
| agent_id | VARCHAR(64) | NOT NULL |
| session_uuid | VARCHAR(64) | NOT NULL |
| file_path | VARCHAR(512) | |
| session_type | VARCHAR(32) | |
| cwd | VARCHAR(512) | |
| started_at | DATETIME(3) | |
| first_message_at | DATETIME(3) | |
| last_message_at | DATETIME(3) | |
| message_count | INT | DEFAULT 0 |
**UNIQUE**：`(session_uuid, server, agent_id)`
### 5.3 `messages`
| 字段 | 类型 | 约束 |
|---|---|---|
| id | INT AUTO_INCREMENT | PK |
| session_id | INT | FK → sessions.id |
| server | VARCHAR(32) | NOT NULL |
| agent_id | VARCHAR(64) | NOT NULL |
| session_uuid | VARCHAR(64) | NOT NULL |
| message_uuid | VARCHAR(64) | NOT NULL |
| parent_message_uuid | VARCHAR(64) | NULL |
| role | VARCHAR(32) | NOT NULL |
| content_blocks | JSON | 原文 |
| text_preview | VARCHAR(512) | 摘要 |
| first_tool_call | VARCHAR(128) | NULL |
| tool_call_count | INT | DEFAULT 0 |
| tool_calls_json | JSON | 拆出 |
| thinking_text | TEXT | NULL |
| has_thinking | TINYINT | DEFAULT 0 |
| has_tool_calls | TINYINT | DEFAULT 0 |
| is_error | TINYINT | DEFAULT 0 |
| provider | VARCHAR(64) | |
| model | VARCHAR(128) | |
| api | VARCHAR(64) | |
| stop_reason | VARCHAR(64) | |
| input_tokens | INT | |
| output_tokens | INT | |
| cache_read_tokens | BIGINT | |
| cache_write_tokens | BIGINT | |
| total_tokens | INT | |
| cost_usd | DECIMAL(12,8) | |
| timestamp | DATETIME(3) | |
**INDEX**：`idx_agent_timestamp(agent_id, timestamp)` / `idx_first_tool_call(first_tool_call)` / `idx_session_id(session_id)` / `idx_role(role)`
---
## 6. 用户故事
### US-001：查询某 Agent 某天的完整对话
> 作为管理员，我想查看「星曜 2026-04-05 所有消息」，以便审计当天的操作记录
**验收标准：**
- 在 Messages 列表页输入 agent_id = xingyao + date range = 2026-04-05
- 返回结果按 timestamp 升序排列
- 每条结果显示 text_preview / has_thinking / first_tool_call
### US-002：查看某条消息的完整思考过程
> 作为管理员，我想查看某条消息的 thinking_text 和 toolCalls 详情，以便分析 Agent 的决策逻辑
**验收标准：**
- 点击任意消息进入详情页
- thinking_text 字段完整展示（无截断）
- tool_calls_json 以可读 JSON 格式展示
### US-003：查询某天某 Agent 执行过的所有 exec 命令
> 作为管理员，我想查看「星曜今天执行了哪些 exec 命令」，以便审计系统操作
**验收标准：**
- 过滤器 first_tool_call = exec + agent_id = xingyao + date range
- 返回结果包含每条 exec 的 text_preview（截取前512字符）
### US-004：追踪已解析文件状态
> 作为管理员，我想查看哪些 session 文件已成功解析、哪些失败，以便监控数据入库情况
**验收标准：**
- ParsedFiles 列表页显示所有文件的解析状态
- 失败条目显示 error_message
- 可按 server / agent_id / status 过滤
### US-005：增量同步最新 session
> 作为系统，我需要在每日定时任务中自动解析新增的 session 文件，不重复解析已入库且未变化的文件
**验收标准：**
- 同一文件 mtime+size 未变时，parsed_files 中 status=success 的记录被识别为「已解析」
- 新增文件或变化文件被正确解析入库
---
## 7. 技术选型
| 组件 | 选型 | 说明 |
|---|---|---|
| Web 框架 | Django 4.x | 成熟稳定，Admin 功能强大 |
| 数据库 | MariaDB | 与 NAS/现有基础设施兼容 |
| Python 版本 | 3.10+ | OpenClaw 生态兼容 |
| 部署位置 | Mac Mini | 与 OpenClaw 同节点，SSH 访问 ubuntu1/2 |
| ORM | Django ORM | 与 Django 深度集成 |
| 定时任务 | OpenClaw cron | 与现有任务系统统一 |
---
## 8. 项目目录结构
```
~/Workspace/agentbase/ # Git 仓库
├── manage.py
├── agentbase/ # Django 项目
│ ├── __init__.py
│ ├── settings.py # 数据库配置
│ ├── urls.py
│ └── wsgi.py
├── messages/ # Django App
│ ├── __init__.py
│ ├── models.py # 三张表
│ ├── admin.py # Admin 配置
│ ├── views.py # Web 视图
│ ├── urls.py
│ ├── management/
│ │ └── commands/
│ │ └── parse_sessions.py
│ └── templates/
│ └── messages/
├── scripts/
│ └── parse_and_import.py # CLI 入口脚本
├── tests/
├── requirements.txt
└── README.md
```
---
## 9. 后续步骤（待用户确认后执行）
- [ ] 确认数据库部署位置（Mac Mini 本地 MariaDB？NAS？其他？）
- [ ] 确认数据库名称
- [ ] 创建 Git 仓库
- [ ] 初始化 Django 项目
- [ ] 实施解析引擎
- [ ] 配置 Django Admin
- [ ] 编写定时任务
- [ ] 编写测试
- [ ] 部署上线
---
## 10. 附录：典型查询参考
```sql
-- US-001：查某 Agent 某天所有消息
SELECT id, message_uuid, role, text_preview, has_thinking, first_tool_call, timestamp
FROM messages
WHERE agent_id = 'xingyao'
AND timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
ORDER BY timestamp;
-- US-003：查某 Agent 某天所有 exec 调用
SELECT m.id, m.timestamp, m.text_preview, m.session_uuid
FROM messages m
WHERE m.agent_id = 'xingyao'
AND m.timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
AND m.first_tool_call = 'exec';
```
---
*本文档由星枢整理，基于 2026-04-05 与比利哥的讨论*
---
title: AgentBase 项目需求文档
source:
author: shenwei
published:
created:
description:
tags: []
---
# AgentBase 项目需求文档
> **文档版本：** v1.0
> **创建日期：** 2026-04-05
> **状态：** 待确认
> **负责人：** 星枢（协调）、星匠（实施）
> **项目位置：** `~/Workspace/agentbase/`
---
## 1. 项目概述
### 1.1 项目背景
OpenClaw 多 Agent 系统运行于 Mac Mini + Ubuntu1 + Ubuntu2 三节点，每日产生大量 session JSONL 文件。这些文件记录了 Agent 的完整对话历史、思考过程（thinking block）、工具调用（toolCall）等核心数据，目前以原始文件形式散落各服务器，无法高效查询。
### 1.2 项目目标
构建一套 **session 解析与归档系统**，将多节点、多 Agent 的 JSONL 会话数据统一解析入库，通过 Django Admin 提供可查询、可筛选、可追溯的 Web 管理界面。
### 1.3 核心价值
- **可审计**：任何 Agent 的任何操作记录可追溯
- **可分析**：按 Agent/时间/工具类型等多维度分析 Agent 行为模式
- **可优化**：基于真实调用数据优化 Agent 工作流
---
## 2. 系统范围
### 2.1 纳入系统
| 服务器 | 角色 | Session 根目录 |
|---|---|---|
| Mac Mini (`macmini`) | 中央控制节点 | `/Users/weishen/.openclaw/agents/` |
| Ubuntu1 (`ubuntu1`) | 准生产服务器 | `/home/shenwei/.openclaw/agents/` |
| Ubuntu2 (`ubuntu2`) | 开发服务器 | `/home/shenwei/.openclaw/agents/` |
### 2.2 纳入 Agent
`main` / `xingyao` / `xinghui` / `xingjiang` / `opencode` / `sisyphus`
### 2.3 纳入文件类型
| 文件类型 | 说明 | session_type |
|---|---|---|
| `*.jsonl` | 正常 session | `normal` |
| `*.jsonl.reset.*` | reset 快照 | `reset` |
| `*.jsonl.deleted.*` | 删除快照 | `deleted` |
| `*-topic-*.jsonl` | 线程 session | `topic` |
**忽略文件：** `sessions.json`（索引文件，不解析）
### 2.4 不纳入范围
- 实时流式解析（仅定时批量解析）
- Session 内容编辑（只读归档）
- 跨 Agent 关联分析（v1）
- 移动端界面
---
## 3. 功能需求
### 3.1 增量解析引擎
**FR-PARSE-001**：扫描指定服务器 + Agent 的 session 目录，列出所有符合类型的 `.jsonl` 文件
**FR-PARSE-002**：对每个文件，基于「文件路径 + mtime + size」判断是否需要重新解析（增量控制）
**FR-PARSE-003**：解析 JSONL 中的 `type:session` 记录，提取 session 元信息
**FR-PARSE-004**：解析 JSONL 中的 `type:message` 记录，提取消息内容、toolCall、thinking 等
**FR-PARSE-005**：对于 `type:message`，正确提取并拆分以下 content block 类型：
- `text` → 纯文本内容
- `thinking` → 思考过程文本
- `toolCall` → 工具调用（id/name/arguments）
- `toolResult` → 工具结果（toolCallId/content/isError）
**FR-PARSE-006**：从 message 元数据中提取 AI Provider / Model / API / Token 计数 / Cost 等计量数据
**FR-PARSE-007**：解析完成后更新 `parsed_files` 表（status: success / failed + error_message）
### 3.2 数据库存储
**FR-DB-001**：维护 `parsed_files` 表，记录每个已解析文件的元数据及状态（增量控制）
**FR-DB-002**：维护 `sessions` 表，记录每个 session 的根信息（去重依据：session_uuid + server + agent_id）
**FR-DB-003**：维护 `messages` 表，记录每条消息的完整信息（content 原文、提取字段、计量数据）
**FR-DB-004**：对 `messages` 表建立合理索引，支持按 `agent_id + timestamp` / `first_tool_call` / `session_id` 等常用查询模式
### 3.3 Django Admin 管理界面
**FR-ADMIN-001**：`Messages` 列表页
- 支持按 `agent_id` 过滤
- 支持按 `timestamp` 范围过滤
- 支持按 `role`（user/assistant/toolResult）过滤
- 支持按 `first_tool_call` 过滤
- 列表显示：id / message_uuid / role / text_preview（前100字符） / has_thinking / first_tool_call / timestamp
**FR-ADMIN-002**：`Messages` 详情页
- 显示 `content_blocks` 原始 JSON（完整展开）
- 显示 `thinking_text`（独立字段）
- 显示 `tool_calls_json`（完整展开）
- 显示所有计量字段（tokens / cost）
**FR-ADMIN-003**：`Sessions` 列表页
- 支持按 `server` / `agent_id` / `session_type` 过滤
- 列表显示：id / session_uuid / server / agent_id / session_type / started_at / message_count
**FR-ADMIN-004**：`ParsedFiles` 列表页
- 支持按 `server` / `agent_id` / `status` 过滤
- 列表显示：id / server / agent_id / file_path / file_mtime / status / parsed_at
- 支持按 `file_path` 搜索
### 3.4 定时任务
**FR-CRON-001**：每日定时（建议 00:05）自动执行解析任务，覆盖所有服务器、所有 Agent
**FR-CRON-002**：解析任务通过 OpenClaw cron 触发，调用 `scripts/parse_and_import.py`
### 3.5 命令行接口
**FR-CLI-001**：支持按服务器 + Agent 指定解析范围
```
python parse_and_import.py --server macmini --agent xingyao
```
**FR-CLI-002**：支持 `--dry-run` 参数，仅扫描文件不写入数据库
**FR-CLI-003**：支持 `--force` 参数，强制重新解析（忽略增量状态）
---
## 4. 非功能需求
### 4.1 性能
**NFR-PERF-001**：单次解析 10,000 条消息应在 60 秒内完成
**NFR-PERF-002**：Django Admin 列表页加载时间不超过 3 秒（百万级数据量下）
**NFR-PERF-003**：JSONL 文件逐行解析，不一次性加载到内存（流式处理）
### 4.2 可靠性
**NFR-RELI-001**：解析失败的文件需记录 `error_message`，不影响同批次其他文件
**NFR-RELI-002**：数据库操作使用事务保证一致性（单文件解析失败回滚）
**NFR-RELI-003**：重复解析同一文件（mtime+size 未变）应被跳过，不重复写入
### 4.3 可维护性
**NFR-MAIN-001**：数据库 schema 变更通过 Django Migration 管理
**NFR-MAIN-002**：配置信息（数据库连接）集中写在 `settings.py`，不散落多处
### 4.4 安全性
**NFR-SEC-001**：数据库凭据不硬编码在代码中，通过环境变量或 Django settings 管理
**NFR-SEC-002**：Django Admin 仅本地访问（暂不开放远程）
---
## 5. 数据库 Schema（摘要）
### 5.1 `parsed_files`
| 字段 | 类型 | 约束 |
|---|---|---|
| id | INT AUTO_INCREMENT | PK |
| server | VARCHAR(32) | NOT NULL |
| agent_id | VARCHAR(64) | NOT NULL |
| file_path | VARCHAR(512) | NOT NULL |
| file_mtime | BIGINT | NOT NULL |
| file_size | BIGINT | NOT NULL |
| status | VARCHAR(16) | NOT NULL |
| parsed_at | DATETIME | |
| error_message | TEXT | NULL |
**UNIQUE**：`(server, agent_id, file_path)`
### 5.2 `sessions`
| 字段 | 类型 | 约束 |
|---|---|---|
| id | INT AUTO_INCREMENT | PK |
| server | VARCHAR(32) | NOT NULL |
| agent_id | VARCHAR(64) | NOT NULL |
| session_uuid | VARCHAR(64) | NOT NULL |
| file_path | VARCHAR(512) | |
| session_type | VARCHAR(32) | |
| cwd | VARCHAR(512) | |
| started_at | DATETIME(3) | |
| first_message_at | DATETIME(3) | |
| last_message_at | DATETIME(3) | |
| message_count | INT | DEFAULT 0 |
**UNIQUE**：`(session_uuid, server, agent_id)`
### 5.3 `messages`
| 字段 | 类型 | 约束 |
|---|---|---|
| id | INT AUTO_INCREMENT | PK |
| session_id | INT | FK → sessions.id |
| server | VARCHAR(32) | NOT NULL |
| agent_id | VARCHAR(64) | NOT NULL |
| session_uuid | VARCHAR(64) | NOT NULL |
| message_uuid | VARCHAR(64) | NOT NULL |
| parent_message_uuid | VARCHAR(64) | NULL |
| role | VARCHAR(32) | NOT NULL |
| content_blocks | JSON | 原文 |
| text_preview | VARCHAR(512) | 摘要 |
| first_tool_call | VARCHAR(128) | NULL |
| tool_call_count | INT | DEFAULT 0 |
| tool_calls_json | JSON | 拆出 |
| thinking_text | TEXT | NULL |
| has_thinking | TINYINT | DEFAULT 0 |
| has_tool_calls | TINYINT | DEFAULT 0 |
| is_error | TINYINT | DEFAULT 0 |
| provider | VARCHAR(64) | |
| model | VARCHAR(128) | |
| api | VARCHAR(64) | |
| stop_reason | VARCHAR(64) | |
| input_tokens | INT | |
| output_tokens | INT | |
| cache_read_tokens | BIGINT | |
| cache_write_tokens | BIGINT | |
| total_tokens | INT | |
| cost_usd | DECIMAL(12,8) | |
| timestamp | DATETIME(3) | |
**INDEX**：`idx_agent_timestamp(agent_id, timestamp)` / `idx_first_tool_call(first_tool_call)` / `idx_session_id(session_id)` / `idx_role(role)`
---
## 6. 用户故事
### US-001：查询某 Agent 某天的完整对话
> 作为管理员，我想查看「星曜 2026-04-05 所有消息」，以便审计当天的操作记录
**验收标准：**
- 在 Messages 列表页输入 agent_id = xingyao + date range = 2026-04-05
- 返回结果按 timestamp 升序排列
- 每条结果显示 text_preview / has_thinking / first_tool_call
### US-002：查看某条消息的完整思考过程
> 作为管理员，我想查看某条消息的 thinking_text 和 toolCalls 详情，以便分析 Agent 的决策逻辑
**验收标准：**
- 点击任意消息进入详情页
- thinking_text 字段完整展示（无截断）
- tool_calls_json 以可读 JSON 格式展示
### US-003：查询某天某 Agent 执行过的所有 exec 命令
> 作为管理员，我想查看「星曜今天执行了哪些 exec 命令」，以便审计系统操作
**验收标准：**
- 过滤器 first_tool_call = exec + agent_id = xingyao + date range
- 返回结果包含每条 exec 的 text_preview（截取前512字符）
### US-004：追踪已解析文件状态
> 作为管理员，我想查看哪些 session 文件已成功解析、哪些失败，以便监控数据入库情况
**验收标准：**
- ParsedFiles 列表页显示所有文件的解析状态
- 失败条目显示 error_message
- 可按 server / agent_id / status 过滤
### US-005：增量同步最新 session
> 作为系统，我需要在每日定时任务中自动解析新增的 session 文件，不重复解析已入库且未变化的文件
**验收标准：**
- 同一文件 mtime+size 未变时，parsed_files 中 status=success 的记录被识别为「已解析」
- 新增文件或变化文件被正确解析入库
---
## 7. 技术选型
| 组件 | 选型 | 说明 |
|---|---|---|
| Web 框架 | Django 4.x | 成熟稳定，Admin 功能强大 |
| 数据库 | MariaDB | 与 NAS/现有基础设施兼容 |
| Python 版本 | 3.10+ | OpenClaw 生态兼容 |
| 部署位置 | Mac Mini | 与 OpenClaw 同节点，SSH 访问 ubuntu1/2 |
| ORM | Django ORM | 与 Django 深度集成 |
| 定时任务 | OpenClaw cron | 与现有任务系统统一 |
---
## 8. 项目目录结构
```
~/Workspace/agentbase/ # Git 仓库
├── manage.py
├── agentbase/ # Django 项目
│ ├── __init__.py
│ ├── settings.py # 数据库配置
│ ├── urls.py
│ └── wsgi.py
├── messages/ # Django App
│ ├── __init__.py
│ ├── models.py # 三张表
│ ├── admin.py # Admin 配置
│ ├── views.py # Web 视图
│ ├── urls.py
│ ├── management/
│ │ └── commands/
│ │ └── parse_sessions.py
│ └── templates/
│ └── messages/
├── scripts/
│ └── parse_and_import.py # CLI 入口脚本
├── tests/
├── requirements.txt
└── README.md
```
---
## 9. 后续步骤（待用户确认后执行）
- [ ] 确认数据库部署位置（Mac Mini 本地 MariaDB？NAS？其他？）
- [ ] 确认数据库名称
- [ ] 创建 Git 仓库
- [ ] 初始化 Django 项目
- [ ] 实施解析引擎
- [ ] 配置 Django Admin
- [ ] 编写定时任务
- [ ] 编写测试
- [ ] 部署上线
---
## 10. 附录：典型查询参考
```sql
-- US-001：查某 Agent 某天所有消息
SELECT id, message_uuid, role, text_preview, has_thinking, first_tool_call, timestamp
FROM messages
WHERE agent_id = 'xingyao'
AND timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
ORDER BY timestamp;
-- US-003：查某 Agent 某天所有 exec 调用
SELECT m.id, m.timestamp, m.text_preview, m.session_uuid
FROM messages m
WHERE m.agent_id = 'xingyao'
AND m.timestamp BETWEEN '2026-04-05 00:00:00' AND '2026-04-05 23:59:59'
AND m.first_tool_call = 'exec';
```
---
*本文档由星枢整理，基于 2026-04-05 与比利哥的讨论*

202
openclaw/xingshu/pst-processing/rules/apply_rules.py
View File

@@ -1,101 +1,101 @@
#!/usr/bin/env python3
"""
PST 邮件清理规则执行脚本 v1.2
用法: python3 apply_rules.py <csv_file>
"""
import csv
import json
import sys
from collections import defaultdict
RULES_FILE = '/Users/weishen/pst-processing/rules/delete_rules.json'
def load_rules():
with open(RULES_FILE) as f:
return json.load(f)['rules']
def apply_rules(csv_path):
rules = load_rules()
rows = list(csv.DictReader(open(csv_path, encoding='utf-8')))
for r in rows:
r['delete_flag'] = 'N'
total_deleted = 0
for rule in rules:
folder_pattern = rule['folder_contains']
action = rule['action']
folder_rows = [r for r in rows if folder_pattern in r['folder']]
if not folder_rows:
continue
deleted_count = 0
kept_count = 0
if action == 'keep':
kept_count = len(folder_rows)
elif action == 'delete_all':
for r in folder_rows:
r['delete_flag'] = 'Y'
deleted_count += 1
elif action == 'keep_sample':
keep_limit = rule['keep_count']
subject_map = defaultdict(list)
for r in folder_rows:
subj = r['subject'].strip()[:80]
subject_map[subj].append(r)
sorted_subjects = sorted(subject_map.items(), key=lambda x: -len(x[1]))
for subj, emails in sorted_subjects:
if kept_count >= keep_limit:
for r in emails:
r['delete_flag'] = 'Y'
deleted_count += 1
else:
for i, r in enumerate(emails):
if i == 0:
kept_count += 1
else:
r['delete_flag'] = 'Y'
deleted_count += 1
elif action == 'keep_if_attachment':
for r in folder_rows:
if r['has_attachment'] == 'Y':
kept_count += 1
else:
r['delete_flag'] = 'Y'
deleted_count += 1
print(f" {folder_pattern}: {len(folder_rows)} | 保留{kept_count} | 删除{deleted_count}")
total_deleted += deleted_count
total_kept = len(rows) - total_deleted
print(f"📊 总计: 保留{total_kept} | 删除{total_deleted}")
fieldnames = list(rows[0].keys())
out_marked = csv_path.replace('.csv', '_marked.csv')
out_delete = csv_path.replace('.csv', '_delete_list.csv')
with open(out_marked, 'w', newline='', encoding='utf-8') as f:
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
writer.writerows(rows)
with open(out_delete, 'w', newline='', encoding='utf-8') as f:
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
writer.writerows([r for r in rows if r['delete_flag'] == 'Y'])
print(f"✅ 输出: {out_marked}")
print(f"✅ 删除清单: {out_delete} ({total_deleted} 封)")
if __name__ == '__main__':
if len(sys.argv) < 2:
print("用法: python3 apply_rules.py <csv_file>")
sys.exit(1)
apply_rules(sys.argv[1])
#!/usr/bin/env python3
"""
PST 邮件清理规则执行脚本 v1.2
用法: python3 apply_rules.py <csv_file>
"""
import csv
import json
import sys
from collections import defaultdict
RULES_FILE = '/Users/weishen/pst-processing/rules/delete_rules.json'
def load_rules():
with open(RULES_FILE) as f:
return json.load(f)['rules']
def apply_rules(csv_path):
rules = load_rules()
rows = list(csv.DictReader(open(csv_path, encoding='utf-8')))
for r in rows:
r['delete_flag'] = 'N'
total_deleted = 0
for rule in rules:
folder_pattern = rule['folder_contains']
action = rule['action']
folder_rows = [r for r in rows if folder_pattern in r['folder']]
if not folder_rows:
continue
deleted_count = 0
kept_count = 0
if action == 'keep':
kept_count = len(folder_rows)
elif action == 'delete_all':
for r in folder_rows:
r['delete_flag'] = 'Y'
deleted_count += 1
elif action == 'keep_sample':
keep_limit = rule['keep_count']
subject_map = defaultdict(list)
for r in folder_rows:
subj = r['subject'].strip()[:80]
subject_map[subj].append(r)
sorted_subjects = sorted(subject_map.items(), key=lambda x: -len(x[1]))
for subj, emails in sorted_subjects:
if kept_count >= keep_limit:
for r in emails:
r['delete_flag'] = 'Y'
deleted_count += 1
else:
for i, r in enumerate(emails):
if i == 0:
kept_count += 1
else:
r['delete_flag'] = 'Y'
deleted_count += 1
elif action == 'keep_if_attachment':
for r in folder_rows:
if r['has_attachment'] == 'Y':
kept_count += 1
else:
r['delete_flag'] = 'Y'
deleted_count += 1
print(f" {folder_pattern}: {len(folder_rows)} | 保留{kept_count} | 删除{deleted_count}")
total_deleted += deleted_count
total_kept = len(rows) - total_deleted
print(f"📊 总计: 保留{total_kept} | 删除{total_deleted}")
fieldnames = list(rows[0].keys())
out_marked = csv_path.replace('.csv', '_marked.csv')
out_delete = csv_path.replace('.csv', '_delete_list.csv')
with open(out_marked, 'w', newline='', encoding='utf-8') as f:
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
writer.writerows(rows)
with open(out_delete, 'w', newline='', encoding='utf-8') as f:
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
writer.writerows([r for r in rows if r['delete_flag'] == 'Y'])
print(f"✅ 输出: {out_marked}")
print(f"✅ 删除清单: {out_delete} ({total_deleted} 封)")
if __name__ == '__main__':
if len(sys.argv) < 2:
print("用法: python3 apply_rules.py <csv_file>")
sys.exit(1)
apply_rules(sys.argv[1])

168
openclaw/xingshu/pst-processing/rules/delete_rules.json
View File

@@ -1,84 +1,84 @@
{
"version": "1.2",
"description": "PST邮件清理规则",
"rules": [
{
"id": "aws_notification",
"folder_contains": "AWS Notification",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "AWS告警通知，每不同subject保留1封，最多5封"
},
{
"id": "prisma_cloud",
"folder_contains": "Prisma Cloud Notifications",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "Prisma Cloud通知，每不同subject保留1封，最多5封"
},
{
"id": "x4x_tenant_provisioning",
"folder_contains": "X4X-Tenant Provisioning",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "X4X租户配置通知，每不同subject保留1封，最多5封"
},
{
"id": "qualys",
"folder_contains": "Qualys",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "Qualys安全扫描通知，每不同subject保留1封，最多5封"
},
{
"id": "teams_notification",
"folder_contains": "Teams Notification",
"action": "keep_if_attachment",
"description": "Teams会议通知，有附件保留，无附件删除"
},
{
"id": "sma_notification",
"folder_contains": "SMA Notficiation",
"action": "keep_sample",
"keep_count": 10,
"keep_by": "unique_subject",
"description": "SMA工单通知，每月保留10封不同subject，其余删除"
},
{
"id": "ppm_saas_change",
"folder_contains": "PPM SaaS Change",
"action": "delete_all",
"description": "PPM故障单解决通知，全部删除"
},
{
"id": "cloudhealth",
"folder_contains": "CloudHealth",
"action": "keep",
"description": "CloudHealth成本报告，全部保留"
},
{
"id": "saas_bi_report",
"folder_contains": "SaaS BI Report",
"action": "keep",
"description": "BI数据推送，全部保留"
},
{
"id": "x4x_tenant_decommissioning",
"folder_contains": "X4X-Tenant Decommissioning",
"action": "delete_all",
"description": "租户下线通知，全部删除"
},
{
"id": "x4x_license_renewal",
"folder_contains": "X4X-License Renewal",
"action": "delete_all",
"description": "续期通知，全部删除"
}
],
"default_action": "keep",
"updated": "2026-04-13"
}
{
"version": "1.2",
"description": "PST邮件清理规则",
"rules": [
{
"id": "aws_notification",
"folder_contains": "AWS Notification",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "AWS告警通知，每不同subject保留1封，最多5封"
},
{
"id": "prisma_cloud",
"folder_contains": "Prisma Cloud Notifications",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "Prisma Cloud通知，每不同subject保留1封，最多5封"
},
{
"id": "x4x_tenant_provisioning",
"folder_contains": "X4X-Tenant Provisioning",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "X4X租户配置通知，每不同subject保留1封，最多5封"
},
{
"id": "qualys",
"folder_contains": "Qualys",
"action": "keep_sample",
"keep_count": 5,
"keep_by": "unique_subject",
"description": "Qualys安全扫描通知，每不同subject保留1封，最多5封"
},
{
"id": "teams_notification",
"folder_contains": "Teams Notification",
"action": "keep_if_attachment",
"description": "Teams会议通知，有附件保留，无附件删除"
},
{
"id": "sma_notification",
"folder_contains": "SMA Notficiation",
"action": "keep_sample",
"keep_count": 10,
"keep_by": "unique_subject",
"description": "SMA工单通知，每月保留10封不同subject，其余删除"
},
{
"id": "ppm_saas_change",
"folder_contains": "PPM SaaS Change",
"action": "delete_all",
"description": "PPM故障单解决通知，全部删除"
},
{
"id": "cloudhealth",
"folder_contains": "CloudHealth",
"action": "keep",
"description": "CloudHealth成本报告，全部保留"
},
{
"id": "saas_bi_report",
"folder_contains": "SaaS BI Report",
"action": "keep",
"description": "BI数据推送，全部保留"
},
{
"id": "x4x_tenant_decommissioning",
"folder_contains": "X4X-Tenant Decommissioning",
"action": "delete_all",
"description": "租户下线通知，全部删除"
},
{
"id": "x4x_license_renewal",
"folder_contains": "X4X-License Renewal",
"action": "delete_all",
"description": "续期通知，全部删除"
}
],
"default_action": "keep",
"updated": "2026-04-13"
}

1922
openclaw/xingshu/scrapes/backloggd_trending_120games_20260410_212851.json
View File

File diff suppressed because it is too large Load Diff

522
openclaw/xingshu/whisper-guide.md
View File

@@ -1,261 +1,261 @@
# Whisper 本地语音转录完全指南
> 文档版本：2026-04-15
> 维护者：星枢（xingshu）
> 状态：✅ Macmini 已验证可运行
---
## 一、Whisper 是什么
Whisper 是 OpenAI 开源的自动语音识别（ASR）模型，可将音频文件转录为文字。支持 99 种语言，尤其对英文识别精度极高。
**两种使用方式：**
| 方式 | 说明 | 费用 |
|---|---|---|
| **本地运行** | 模型下载到本地 Mac/PC | **免费** |
| OpenAI API | 调用 OpenAI Whisper API | 按分钟计费 |
本指南使用**本地运行**方式。
---
## 二、支持的模型
| 模型 | 参数量 | 英文 WER* | 中文 CER* | 本地内存占用 | Macmini 兼容性 |
|---|---|---|---|---|---|
| `tiny` | 39M | 5.2% | ~10% | ~1GB | ✅ |
| `base` | 74M | 3.5% | ~8% | ~1GB | ✅ |
| **`small`** | 244M | 2.7% | ~5% | ~1.5GB | **✅ 推荐** |
| `medium` | 769M | 2.3% | ~4% | ~5GB | ⚠️ 可能 OOM |
| `large` | 1550M | 2.0% | ~3% | ~10GB | ❌ OOM |
> \* WER = Word Error Rate，CER = Character Error Rate，越低越准确。
**推荐：`small` 模型**（精度与资源占用的最佳平衡）
---
## 三、安装
### 3.1 前置条件
```bash
# 确认 Python 版本（需 3.8+）
python3 --version
# 确认 pip 可用
pip3 --version
```
### 3.2 安装 Whisper
```bash
pip3 install openai-whisper
```
**如果遇到权限错误（macOS）：**
```bash
pip3 install --user openai-whisper
```
**首次运行会自动下载模型文件**（~500MB/small 模型），无需手动下载。
---
## 四、快速测试
### 4.1 单文件测试（tiny 模型，最快）
```python
import whisper
model = whisper.load_model("tiny") # 首次运行会下载模型
result = model.transcribe("audio.mp3", language="en")
print(result["text"])
```
### 4.2 完整示例（small 模型）
```python
import whisper
# 加载模型（只需加载一次）
model = whisper.load_model("small")
# 转录
result = model.transcribe(
"audio.mp3",
language="en", # 指定语言，不指定则自动检测
fp16=False, # Macmini 用 CPU，必须 False
verbose=True, # 显示进度
)
print("语言检测:", result["language"])
print("转写稿:", result["text"])
print("分段数:", len(result["segments"]))
```
### 4.3 命令行测试
```bash
# 安装后可直接在命令行使用
whisper audio.mp3 --model small --language en
```
---
## 五、Python API 详解
### 5.1 核心方法
```python
import whisper
model = whisper.load_model("small")
# 完整参数
result = model.transcribe(
audio="path/to/file.mp3",
# 语言设置
language="en", # 指定语言，不填则自动检测
# prompt="", # 可选，引导模型偏好（如专有名词）
# 输出控制
fp16=False, # CPU 必须 False，GPU 可 True
temperature=0.0, # 0=确定性，>0=随机性
condition_on_previous_text=True, # 利用前一段上下文
# 任务模式
task="transcribe", # transcribe 或 translate（中译英）
# 段落切分
word_timestamps=False, # True=输出每个词的起止时间
# 日志
verbose=True,
)
```
### 5.2 返回值结构
```python
{
"text": "完整的转写文本...",
"language": "en",
"segments": [
{
"id": 0,
"start": 0.0, # 秒
"end": 5.5,
"text": " Can you see my screen already?",
"words": [...] # 如果 word_timestamps=True
},
...
],
"language_probability": 0.99
}
```
### 5.3 批量转录
```python
import whisper
import glob
model = whisper.load_model("small")
audio_files = glob.glob("*.mp3")
for audio_file in audio_files:
print(f"Processing: {audio_file}")
result = model.transcribe(audio_file, language="en", fp16=False)
# 保存转写稿
with open(audio_file + ".txt", "w") as f:
f.write(result["text"])
```
---
## 六、Macmini M4 Pro 性能实测
| 音频时长 | 文件大小 | 模型 | 转录耗时 | 速度比 |
|---|---|---|---|---|
| ~54 分钟 | 3MB | `small` | ~43s | ~75x realtime |
| ~54 分钟 | 3MB | `tiny` | ~10s | ~320x realtime |
| ~1 小时 | 22MB | `small` | ~90s | ~40x realtime |
**速度经验：** `small` 模型处理 1 小时音频约 1-2 分钟，内存占用稳定在 ~1.5GB。
---
## 七、在流水线中的使用
本项目不使用 Whisper API，而是通过 Python 脚本调用本地模型：
```python
import whisper
def whisper_transcribe(mp3_path: str) -> str:
"""单文件转录，返回英文字幕/转写稿"""
model = whisper.load_model("small") # 模型只加载一次
result = model.transcribe(
mp3_path,
language="en",
fp16=False,
)
return result["text"].strip()
# 使用
transcript = whisper_transcribe("/path/to/audio.mp3")
```
---
## 八、常见问题
### Q1: `fp16 is not supported on CPU` 警告
**正常**，Macmini 用 CPU 运行，Whisper 自动降级到 FP32。不影响精度。
### Q2: `SIGKILL` / 进程被杀死
**内存不足**，模型太大。改用更小的模型：
```python
model = whisper.load_model("tiny") # 最省内存
```
### Q3: 中文识别不准
指定语言参数提升精度：
```python
result = model.transcribe("audio.mp3", language="zh") # 中文
result = model.transcribe("audio.mp3", language="en") # 英文
```
### Q4: 如何加速转录
- 用 `tiny` 或 `base` 模型（牺牲精度换速度）
- Macmini M 系列芯片无需特殊优化（Neural Engine 自动加速）
- 避免同时跑多个转录任务
### Q5: 支持哪些音频格式
支持 FFmpeg 支持的所有格式：`mp3`, `wav`, `m4a`, `flac`, `ogg`, `webm` 等。
---
## 九、卸载
```bash
pip3 uninstall openai-whisper
# 删除已下载的模型（默认缓存位置）
rm -rf ~/.cache/whisper
```
---
## 十、相关资源
- **GitHub**: https://github.com/openai/whisper
- **模型下载**: 首次调用 `load_model()` 时自动下载
- **缓存位置**: `~/.cache/whisper/`
- **本项目脚本**: `~/.openclaw/temp/xingshu/scripts/nas_whisper_gemini_summarize.py`
# Whisper 本地语音转录完全指南
> 文档版本：2026-04-15
> 维护者：星枢（xingshu）
> 状态：✅ Macmini 已验证可运行
---
## 一、Whisper 是什么
Whisper 是 OpenAI 开源的自动语音识别（ASR）模型，可将音频文件转录为文字。支持 99 种语言，尤其对英文识别精度极高。
**两种使用方式：**
| 方式 | 说明 | 费用 |
|---|---|---|
| **本地运行** | 模型下载到本地 Mac/PC | **免费** |
| OpenAI API | 调用 OpenAI Whisper API | 按分钟计费 |
本指南使用**本地运行**方式。
---
## 二、支持的模型
| 模型 | 参数量 | 英文 WER* | 中文 CER* | 本地内存占用 | Macmini 兼容性 |
|---|---|---|---|---|---|
| `tiny` | 39M | 5.2% | ~10% | ~1GB | ✅ |
| `base` | 74M | 3.5% | ~8% | ~1GB | ✅ |
| **`small`** | 244M | 2.7% | ~5% | ~1.5GB | **✅ 推荐** |
| `medium` | 769M | 2.3% | ~4% | ~5GB | ⚠️ 可能 OOM |
| `large` | 1550M | 2.0% | ~3% | ~10GB | ❌ OOM |
> \* WER = Word Error Rate，CER = Character Error Rate，越低越准确。
**推荐：`small` 模型**（精度与资源占用的最佳平衡）
---
## 三、安装
### 3.1 前置条件
```bash
# 确认 Python 版本（需 3.8+）
python3 --version
# 确认 pip 可用
pip3 --version
```
### 3.2 安装 Whisper
```bash
pip3 install openai-whisper
```
**如果遇到权限错误（macOS）：**
```bash
pip3 install --user openai-whisper
```
**首次运行会自动下载模型文件**（~500MB/small 模型），无需手动下载。
---
## 四、快速测试
### 4.1 单文件测试（tiny 模型，最快）
```python
import whisper
model = whisper.load_model("tiny") # 首次运行会下载模型
result = model.transcribe("audio.mp3", language="en")
print(result["text"])
```
### 4.2 完整示例（small 模型）
```python
import whisper
# 加载模型（只需加载一次）
model = whisper.load_model("small")
# 转录
result = model.transcribe(
"audio.mp3",
language="en", # 指定语言，不指定则自动检测
fp16=False, # Macmini 用 CPU，必须 False
verbose=True, # 显示进度
)
print("语言检测:", result["language"])
print("转写稿:", result["text"])
print("分段数:", len(result["segments"]))
```
### 4.3 命令行测试
```bash
# 安装后可直接在命令行使用
whisper audio.mp3 --model small --language en
```
---
## 五、Python API 详解
### 5.1 核心方法
```python
import whisper
model = whisper.load_model("small")
# 完整参数
result = model.transcribe(
audio="path/to/file.mp3",
# 语言设置
language="en", # 指定语言，不填则自动检测
# prompt="", # 可选，引导模型偏好（如专有名词）
# 输出控制
fp16=False, # CPU 必须 False，GPU 可 True
temperature=0.0, # 0=确定性，>0=随机性
condition_on_previous_text=True, # 利用前一段上下文
# 任务模式
task="transcribe", # transcribe 或 translate（中译英）
# 段落切分
word_timestamps=False, # True=输出每个词的起止时间
# 日志
verbose=True,
)
```
### 5.2 返回值结构
```python
{
"text": "完整的转写文本...",
"language": "en",
"segments": [
{
"id": 0,
"start": 0.0, # 秒
"end": 5.5,
"text": " Can you see my screen already?",
"words": [...] # 如果 word_timestamps=True
},
...
],
"language_probability": 0.99
}
```
### 5.3 批量转录
```python
import whisper
import glob
model = whisper.load_model("small")
audio_files = glob.glob("*.mp3")
for audio_file in audio_files:
print(f"Processing: {audio_file}")
result = model.transcribe(audio_file, language="en", fp16=False)
# 保存转写稿
with open(audio_file + ".txt", "w") as f:
f.write(result["text"])
```
---
## 六、Macmini M4 Pro 性能实测
| 音频时长 | 文件大小 | 模型 | 转录耗时 | 速度比 |
|---|---|---|---|---|
| ~54 分钟 | 3MB | `small` | ~43s | ~75x realtime |
| ~54 分钟 | 3MB | `tiny` | ~10s | ~320x realtime |
| ~1 小时 | 22MB | `small` | ~90s | ~40x realtime |
**速度经验：** `small` 模型处理 1 小时音频约 1-2 分钟，内存占用稳定在 ~1.5GB。
---
## 七、在流水线中的使用
本项目不使用 Whisper API，而是通过 Python 脚本调用本地模型：
```python
import whisper
def whisper_transcribe(mp3_path: str) -> str:
"""单文件转录，返回英文字幕/转写稿"""
model = whisper.load_model("small") # 模型只加载一次
result = model.transcribe(
mp3_path,
language="en",
fp16=False,
)
return result["text"].strip()
# 使用
transcript = whisper_transcribe("/path/to/audio.mp3")
```
---
## 八、常见问题
### Q1: `fp16 is not supported on CPU` 警告
**正常**，Macmini 用 CPU 运行，Whisper 自动降级到 FP32。不影响精度。
### Q2: `SIGKILL` / 进程被杀死
**内存不足**，模型太大。改用更小的模型：
```python
model = whisper.load_model("tiny") # 最省内存
```
### Q3: 中文识别不准
指定语言参数提升精度：
```python
result = model.transcribe("audio.mp3", language="zh") # 中文
result = model.transcribe("audio.mp3", language="en") # 英文
```
### Q4: 如何加速转录
- 用 `tiny` 或 `base` 模型（牺牲精度换速度）
- Macmini M 系列芯片无需特殊优化（Neural Engine 自动加速）
- 避免同时跑多个转录任务
### Q5: 支持哪些音频格式
支持 FFmpeg 支持的所有格式：`mp3`, `wav`, `m4a`, `flac`, `ogg`, `webm` 等。
---
## 九、卸载
```bash
pip3 uninstall openai-whisper
# 删除已下载的模型（默认缓存位置）
rm -rf ~/.cache/whisper
```
---
## 十、相关资源
- **GitHub**: https://github.com/openai/whisper
- **模型下载**: 首次调用 `load_model()` 时自动下载
- **缓存位置**: `~/.cache/whisper/`
- **本项目脚本**: `~/.openclaw/temp/xingshu/scripts/nas_whisper_gemini_summarize.py`

294
openclaw/xingshu/星枢调度Agent列表.md
View File

@@ -1,147 +1,147 @@
---
title: 星枢调度 Agent 列表
source:
author: shenwei
published:
created:
description:
tags: []
---
# 星枢调度 Agent 列表
> 创建日期: 2026-03-17
> 作者: 星枢
---
## 概述
本文档记录星枢（最高统领）负责调度的所有 Agent，包括所属服务器、Agent 名称、职责分配等信息。
---
## Agent 架构体系
### 三层架构
| 层级 | 系列 | 含义 | 主要职责 |
|------|------|------|----------|
| 控制层 | 星系 | 星辰统御 | 调度、管理、智能决策 |
| 技术层 | 云系 | 云海算力 | 开发、架构、监控 |
| 执行层 | 风系 | 风行万里 | 测试、业务执行、流程处理 |
---
## Agent 详细列表
### Mac Mini（中央控制节点）
| 服务器 | Agent ID | 角色 | Telegram Account | 职责 |
|--------|----------|------|----------------|------|
| Mac Mini | main | **星枢** | xingshu | 最高统领 / 总调度 |
| Mac Mini | xingyao | 星曜 | xingyao | IT 管家 / 运维管理 |
| Mac Mini | xinghui | 星辉 | xinghui | 个人助理 / 日程管理 |
### Ubuntu2（开发服务器）
| 服务器 | Agent ID | 角色 | 职责 |
|--------|----------|------|------|
| Ubuntu2 (192.168.3.45) | yunhan | 云瀚 | 监控官 / 系统监控、状态巡检 |
| Ubuntu2 (192.168.3.45) | yunce | 云策 | 架构师 / 技术方案、系统规划 |
| Ubuntu2 (192.168.3.45) | yunjiang | 云匠 | 工匠 / 代码开发、工程实现 |
| Ubuntu2 (192.168.3.45) | yunzhi | 云织 | 自动化师 / CI/CD、流程编排 |
### Ubuntu1（准生产服务器）
| 服务器 | Agent ID | 角色 | 职责 |
|--------|----------|------|------|
| Ubuntu1 (192.168.3.47) | fengheng | 风衡 | 质检官 / QA测试、质量控制 |
| Ubuntu1 (192.168.3.47) | fengchi | 风驰 | 执行者 / 任务执行、业务流程 |
| Ubuntu1 (192.168.3.47) | fengji | 风纪 | 审计官 / 规则审计、合规检查 |
---
## 职责分配规则
| 任务类型 | 执行者 | 服务器 |
|----------|--------|---------|
| IT运维/服务器管理 | xingyao（星曜） | Mac Mini |
| 日程/个人事务 | xinghui（星辉） | Mac Mini |
| 监控/架构/自动化 | yunhan/yunce/yunzhi | Ubuntu2 |
| 代码开发 | yunjiang（云匠） | Ubuntu2 |
| QA测试 | fengheng（风衡） | Ubuntu1 |
| 自动执行 | fengchi（风驰） | Ubuntu1 |
| 审计/合规 | fengji（风纪） | Ubuntu1 |
---
## 调度命令
### 本地调度（Mac Mini）
```bash
# 调度星曜
openclaw agent --agent xingyao --message "任务内容" --deliver
# 调度星辉
openclaw agent --agent xinghui --message "任务内容" --deliver
```
### 远程调度（Ubuntu2）
```bash
# 调度云系
ssh ubuntu2 "openclaw agent --agent yunce --message '任务内容'"
```
### 远程调度（Ubuntu1）
```bash
# 调度风系
ssh ubuntu1 "openclaw agent --agent fengheng --message '任务内容'"
```
---
## 定时任务
| 任务名称 | 执行时间 | 执行内容 | 执行者 |
|----------|----------|----------|--------|
| 每日备份任务 | 每天 22:00 | 备份 Mac Mini + Ubuntu2 | xinghui |
| 每日定时任务检查 | 每天 09:00 | 检查所有定时任务状态 | xinghui |
---
## 技能列表
### Mac Mini 技能
- task-summary
- proactive-agent-lite
- openclaw-tavily-search
- self-improving-agent
- (其他 60+ 技能)
### Ubuntu2 技能
- task-summary
- proactive-agent-lite
- self-improving-agent
- 1password
- agent-browser-clawdbot
- docker
- ontology
---
## 更新日志
| 日期 | 更新内容 |
|------|----------|
| 2026-03-17 | 初始版本 |
---
*最后更新: 2026-03-17*
*记录者: 星枢*
---
title: 星枢调度 Agent 列表
source:
author: shenwei
published:
created:
description:
tags: []
---
# 星枢调度 Agent 列表
> 创建日期: 2026-03-17
> 作者: 星枢
---
## 概述
本文档记录星枢（最高统领）负责调度的所有 Agent，包括所属服务器、Agent 名称、职责分配等信息。
---
## Agent 架构体系
### 三层架构
| 层级 | 系列 | 含义 | 主要职责 |
|------|------|------|----------|
| 控制层 | 星系 | 星辰统御 | 调度、管理、智能决策 |
| 技术层 | 云系 | 云海算力 | 开发、架构、监控 |
| 执行层 | 风系 | 风行万里 | 测试、业务执行、流程处理 |
---
## Agent 详细列表
### Mac Mini（中央控制节点）
| 服务器 | Agent ID | 角色 | Telegram Account | 职责 |
|--------|----------|------|----------------|------|
| Mac Mini | main | **星枢** | xingshu | 最高统领 / 总调度 |
| Mac Mini | xingyao | 星曜 | xingyao | IT 管家 / 运维管理 |
| Mac Mini | xinghui | 星辉 | xinghui | 个人助理 / 日程管理 |
### Ubuntu2（开发服务器）
| 服务器 | Agent ID | 角色 | 职责 |
|--------|----------|------|------|
| Ubuntu2 (192.168.3.45) | yunhan | 云瀚 | 监控官 / 系统监控、状态巡检 |
| Ubuntu2 (192.168.3.45) | yunce | 云策 | 架构师 / 技术方案、系统规划 |
| Ubuntu2 (192.168.3.45) | yunjiang | 云匠 | 工匠 / 代码开发、工程实现 |
| Ubuntu2 (192.168.3.45) | yunzhi | 云织 | 自动化师 / CI/CD、流程编排 |
### Ubuntu1（准生产服务器）
| 服务器 | Agent ID | 角色 | 职责 |
|--------|----------|------|------|
| Ubuntu1 (192.168.3.47) | fengheng | 风衡 | 质检官 / QA测试、质量控制 |
| Ubuntu1 (192.168.3.47) | fengchi | 风驰 | 执行者 / 任务执行、业务流程 |
| Ubuntu1 (192.168.3.47) | fengji | 风纪 | 审计官 / 规则审计、合规检查 |
---
## 职责分配规则
| 任务类型 | 执行者 | 服务器 |
|----------|--------|---------|
| IT运维/服务器管理 | xingyao（星曜） | Mac Mini |
| 日程/个人事务 | xinghui（星辉） | Mac Mini |
| 监控/架构/自动化 | yunhan/yunce/yunzhi | Ubuntu2 |
| 代码开发 | yunjiang（云匠） | Ubuntu2 |
| QA测试 | fengheng（风衡） | Ubuntu1 |
| 自动执行 | fengchi（风驰） | Ubuntu1 |
| 审计/合规 | fengji（风纪） | Ubuntu1 |
---
## 调度命令
### 本地调度（Mac Mini）
```bash
# 调度星曜
openclaw agent --agent xingyao --message "任务内容" --deliver
# 调度星辉
openclaw agent --agent xinghui --message "任务内容" --deliver
```
### 远程调度（Ubuntu2）
```bash
# 调度云系
ssh ubuntu2 "openclaw agent --agent yunce --message '任务内容'"
```
### 远程调度（Ubuntu1）
```bash
# 调度风系
ssh ubuntu1 "openclaw agent --agent fengheng --message '任务内容'"
```
---
## 定时任务
| 任务名称 | 执行时间 | 执行内容 | 执行者 |
|----------|----------|----------|--------|
| 每日备份任务 | 每天 22:00 | 备份 Mac Mini + Ubuntu2 | xinghui |
| 每日定时任务检查 | 每天 09:00 | 检查所有定时任务状态 | xinghui |
---
## 技能列表
### Mac Mini 技能
- task-summary
- proactive-agent-lite
- openclaw-tavily-search
- self-improving-agent
- (其他 60+ 技能)
### Ubuntu2 技能
- task-summary
- proactive-agent-lite
- self-improving-agent
- 1password
- agent-browser-clawdbot
- docker
- ontology
---
## 更新日志
| 日期 | 更新内容 |
|------|----------|
| 2026-03-17 | 初始版本 |
---
*最后更新: 2026-03-17*
*记录者: 星枢*