From f8b421ece63ab465a7cd9c57fa6dc97243d26910 Mon Sep 17 00:00:00 2001 From: weishen Date: Tue, 28 Apr 2026 12:03:10 +0800 Subject: [PATCH] Auto-sync: 2026-04-28 12:03 --- wiki/concepts/Context-Cores.md | 52 ++++++ wiki/concepts/Context-Engineering.md | 37 +++++ wiki/concepts/Context-Substrate.md | 97 ++++++----- wiki/concepts/Dream-Cycle.md | 63 +++++++ wiki/concepts/Fact-Recall-vs-Compounding.md | 71 ++++++++ wiki/concepts/Memory-Backend.md | 87 +++++----- wiki/concepts/Scholar-Skill.md | 94 ++++++----- wiki/concepts/Tutor-Skills.md | 86 +++++----- wiki/entities/@witcheer.md | 28 ++++ wiki/entities/ALIVE.md | 38 +++++ wiki/entities/Grafana.md | 81 ++++----- wiki/entities/Honcho.md | 30 ++++ wiki/entities/Mem0.md | 69 ++++---- wiki/entities/MemPalace.md | 40 +++++ wiki/entities/Memsearch.md | 50 +++--- wiki/entities/MinIO.md | 142 ++++------------ wiki/entities/Ollama.md | 116 +++++-------- wiki/entities/Playwright.md | 69 ++++---- wiki/entities/Qwen2.5-Coder.md | 43 +++++ wiki/entities/Scrapy.md | 35 ++++ wiki/entities/Supermemory.md | 34 ++++ wiki/entities/Thoth.md | 39 +++++ wiki/entities/TrustGraph.md | 39 +++++ wiki/entities/Zep.md | 38 +++++ wiki/entities/kepano.md | 57 +++---- wiki/entities/n8n.md | 1 + wiki/index.md | 51 ++++-- wiki/log.md | 154 ++++++++++++++++++ wiki/overview.md | 6 + wiki/sources/ai-memory-tools-two-camps.md | 102 ++++++------ wiki/sources/building-your-quartz.md | 67 ++++---- wiki/sources/gog-cli-安装配置指南.md | 48 +++--- wiki/sources/last30days-使用指南.md | 50 ++++-- ...ai-for-free-directly-from-top-companies.md | 60 +++---- wiki/sources/obsidian-必装-skills.md | 87 +++++----- .../scrapy-playwright-抓取tiktok-shop-data.md | 57 +++---- ...-shop-apache-superset-dashboard设计思路.md | 59 +++---- wiki/sources/tk美国面单授权及操作流程.md | 31 ++-- wiki/sources/做tk跨境思路不对努力白费.md | 54 +++--- ...化-可扩展-ai增强的电商数据采集与处理系统.md | 123 ++++++-------- ...untu-安装-ollama-并运行-qwen2-5‑coder-7b.md | 65 ++++---- ...做了个-skill-让-ai-帮你生成-logo-和图标.md | 94 ++++++----- .../电商如何选品-如何找到爆款-选品策略.md | 64 ++++---- wiki/sources/电商视频prompt.md | 51 +++--- wiki/sources/超达物流定价.md | 53 +++--- 45 files changed, 1739 insertions(+), 1073 deletions(-) create mode 100644 wiki/concepts/Context-Cores.md create mode 100644 wiki/concepts/Context-Engineering.md create mode 100644 wiki/concepts/Dream-Cycle.md create mode 100644 wiki/concepts/Fact-Recall-vs-Compounding.md create mode 100644 wiki/entities/@witcheer.md create mode 100644 wiki/entities/ALIVE.md create mode 100644 wiki/entities/Honcho.md create mode 100644 wiki/entities/MemPalace.md create mode 100644 wiki/entities/Qwen2.5-Coder.md create mode 100644 wiki/entities/Scrapy.md create mode 100644 wiki/entities/Supermemory.md create mode 100644 wiki/entities/Thoth.md create mode 100644 wiki/entities/TrustGraph.md create mode 100644 wiki/entities/Zep.md diff --git a/wiki/concepts/Context-Cores.md b/wiki/concepts/Context-Cores.md new file mode 100644 index 00000000..4e757207 --- /dev/null +++ b/wiki/concepts/Context-Cores.md @@ -0,0 +1,52 @@ +--- +title: "Context-Cores" +type: concept +tags: [AI-Memory, Context-Substrate, Version-Control, Portable-Context, Software-Engineering] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Definition +由 [[TrustGraph]] 引入的概念——便携、带版本的上下文容器，包含领域 schema、知识图谱、向量嵌入、证据来源和检索策略。将上下文视为代码工程制品。 + +## Core Components +一个 Context Core 包含： +- **领域 Schema**：定义上下文中有什么类型的实体和关系 +- **知识图谱**：实体和关系的结构化表示 +- **向量嵌入**：语义检索支持 +- **证据来源**：每条上下文可追溯到原始来源 +- **检索策略**：如何查询和组合上下文 + +## Version Control Semantics +Context Cores 的核心类比是**将上下文视为代码**： +- **版本化（versioning）**：追踪上下文的演变历史 +- **测试（testing）**：验证上下文质量 +- **推动（promoting）**：将上下文从开发环境推入生产 +- **回滚（rolling back）**：恢复到之前状态 + +## Operational Value + +### Agent 交接 +将 Context Core 交给新 Agent → 继承完整运营上下文 +``` +New Agent + Context Core → Full operational context +``` + +### 实验分叉 +分叉一个 Context Core 做实验 → 合并回主分支 +``` +Main Context Core → Experiment Branch → Merge Back +``` + +## Conceptual Significance +TrustGraph 的 Context Cores 是整个 AI 记忆工具领域最接近**可部署的上下文单元**的概念。每个 Camp 1 工具将记忆视为对话的副作用。TrustGraph 将上下文视为有身份、版本和生命周期的第一等制品。 + +## Implementation Note +TrustGraph 的实际实现较重（Cassandra + Qdrant），但概念模型是正确的方向——Context Core 的设计允许： +- 团队成员间共享上下文 +- 在不同 Agent 间迁移 +- 对上下文变更进行 code review + +## Connections +- [[TrustGraph]] ← 引入 ← Context-Cores 由 TrustGraph 引入 +- [[ai-memory-tools-two-camps]] ← 来源 ← Context-Cores 是 @witcheer 识别的最接近"可部署上下文单元"的概念 diff --git a/wiki/concepts/Context-Engineering.md b/wiki/concepts/Context-Engineering.md new file mode 100644 index 00000000..494b1767 --- /dev/null +++ b/wiki/concepts/Context-Engineering.md @@ -0,0 +1,37 @@ +--- +title: "Context-Engineering" +type: concept +tags: [AI-Memory, Context-Substrate, Market-Trend, Paradigm-Shift] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Definition +由 [[Zep]] 公司引入的术语，代表 AI 记忆工具领域从"Memory"向 [[Context-Substrate]] 方向的范式转移。是该领域最重要的市场信号。 + +## Origin +Zep 是一家获得融资的 AI 记忆工具公司（4.4k stars）。在审视了领域走向后，他们决定放弃"Memory"这个词，将整个品牌重新定位为"Context Engineering"。这一行为比任何技术文档都更能说明领域正在发生什么。 + +## Why the Rebrand Matters +- Zep 有资金、有市场验证，不需要追热点 +- 他们的技术团队理解了 Camp 1 和 Camp 2 的区别 +- 他们选择了 Camp 2 的语言（"context"而非"memory"） +- 这意味着 Context Substrate 不是学术概念，而是被市场验证的方向 + +## Author Prediction +@witcheer 预测：**6 个月内，"Context Engineering"将取代"Memory"成为描述成熟 Agent 基础设施的标准术语**。 + +背后的逻辑： +- 持续运行 Agent 的需求在增长 +- 这类 Agent 需要的不只是"记住"，而是"在不断丰富的上下文中工作" +- 旧的"Memory"术语无法捕捉这种复杂性 +- "Context Engineering"更准确地描述了问题的本质 + +## Key Distinction +- **Memory**：暗示一个独立于 Agent 的存储系统 +- **Context Engineering**：强调上下文的设计、构建和维护工程 + +## Connections +- [[Context-Substrate]] ← 包含 ← Context-Engineering 是 Context Substrate 方向的商业化/品牌化语言 +- [[Zep]] ← 引入 ← Zep 率先使用 Context-Engineering 术语 +- [[ai-memory-tools-two-camps]] ← 来源 ← Context-Engineering 是 @witcheer 识别的最重要市场信号 diff --git a/wiki/concepts/Context-Substrate.md b/wiki/concepts/Context-Substrate.md index 3936a03a..6adf089b 100644 --- a/wiki/concepts/Context-Substrate.md +++ b/wiki/concepts/Context-Substrate.md @@ -1,41 +1,56 @@ ---- -title: "Context Substrate" -type: concept -tags: [ai-agent, memory, architecture] -last_updated: 2026-04-23 ---- - -## Definition -AI Agent 的上下文管理技术路线之一（Camp 2）。维护结构化、人类可读的上下文文件（Markdown、知识图谱、上下文容器），跨会话自然累积增长。 - -## Core Philosophy -**"What context should the AI work inside?"**（而非 Camp 1 的 "what should the AI remember?"） - -- Nothing gets extracted — the context is the files. -- 文件是人类可读、可编辑、可理解的。 -- 因为上下文是文件，人可以随时纠正、补充和理解 Agent 知道什么。 -- 系统随时间自然复合增长（compounding），而非依赖提取质量。 - -## Mechanism -``` -Agent reads structured context → Agent works within that context → -Agent (or background process) writes back to the structured context → -Next session, the context is richer than before -``` - -## Representative Tools -- [[OpenClaw]]：Markdown 文件 + dreaming cycle -- [[Zep]]：Temporal knowledge graph（Graphiti） -- [[Thoth]]：Personal knowledge graph（10 entity types, 67 relations） -- [[TrustGraph]]：Context Cores（可移植版本化上下文捆绑包） -- [[MemSearch]]：Markdown-first + shadow vector index -- [[ALIVE]]：Structured context substrate, walnuts as portable containers - -## Relationship to Camp 1 -- Camp 1 优化目标：**召回**（can the system find the right fact?） -- Camp 2 优化目标：**复合**（does the system get better over time?） -- Zep 从"memory"→"context engineering"的品牌重塑，是 Camp 1/Camp 2 边界处最强的市场信号 -- Supermemory（Camp 1）的时序感知和 Honcho（Camp 1）的心理建模，代表 Camp 1 向 Camp 2 的演进趋势 - -## Key Distinction from RAG -RAG 通常指一次性的文档检索问答场景；Context Substrate 强调**跨时间的上下文累积**，是持续运行 Agent 的基础设施。 +--- +title: "Context-Substrate" +type: concept +tags: [AI-Memory, Context-Substrate, File-Native, Compounding] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Definition +AI 记忆工具的 Camp 2 范式。维护结构化、人类可读的上下文，跨会话累积。不提取"事实"——上下文本身就是文件。问的核心问题是"**AI 应该在什么上下文中工作？**" + +## Core Loop +1. Agent 工作前读取结构化上下文 +2. Agent 在上下文中工作 +3. Agent（或后台进程）写回结构化上下文 +4. 下一会话，上下文比之前更丰富 + +## Optimization Goal +**复合增长（compounding）**——系统是否随时间变得更好？ + +## Representative Tools +- [[OpenClaw]]：358k stars，MEMORY.md + 每日笔记 + DREAMS.md，Dreaming 三阶段 +- [[Zep]]：4.4k stars，从"Memory"重品牌为"Context Engineering"，TKG 时间知识图谱 +- [[Thoth]]：145 stars，10 实体类型 + 67 关系，Dream Cycle 四阶段 +- [[TrustGraph]]：2.0k stars，Context Cores 版本化容器 +- [[MemSearch]]：1.2k stars，Markdown 优先，Milvus 影子索引 +- [[ALIVE]]：文件原生，零依赖，@witcheer 自用方案 + +## Common Characteristics +- 文件（Markdown、知识图谱）是上下文本身 +- 人类可读、可编辑、可版本控制 +- 跨会话累积，不替换而是丰富 +- 后台整合进程（Dream Cycle）定期提炼 +- 透明度高：人类能准确知道 Agent 知道什么 + +## Key Contrast with Memory-Backend +| 维度 | Memory Backend | Context Substrate | +|------|---------------|-------------------| +| 问的问题 | AI 应该记住什么？ | AI 应该在什么上下文中工作？ | +| 处理对象 | 提取的"事实" | 结构化上下文文件 | +| 人类可读 | 否 | 是 | +| 随时间演进 | 否（静态条目） | 是（复合累积） | +| 透明度 | 低（黑盒） | 高（文件可见） | +| 优化目标 | 召回精度 | 复合增长 | +| 适用场景 | 单轮问答 | 持续多会话 Agent | + +## Connections +- [[Memory-Backend]] ← 对立阵营 ← Context-Substrate +- [[OpenClaw]] ← 属于 ← Context-Substrate +- [[Zep]] ← 属于 ← Context-Substrate +- [[Thoth]] ← 属于 ← Context-Substrate +- [[TrustGraph]] ← 属于 ← Context-Substrate +- [[MemSearch]] ← 属于 ← Context-Substrate +- [[ALIVE]] ← 属于 ← Context-Substrate +- [[Context-Engineering]] ← 重品牌化方向 ← Context-Substrate +- [[ai-memory-tools-two-camps]] ← 来源 ← Context-Substrate 是 @witcheer 提出的分类框架中的 Camp 2 diff --git a/wiki/concepts/Dream-Cycle.md b/wiki/concepts/Dream-Cycle.md new file mode 100644 index 00000000..d8486a5c --- /dev/null +++ b/wiki/concepts/Dream-Cycle.md @@ -0,0 +1,63 @@ +--- +title: "Dream-Cycle" +type: concept +tags: [AI-Memory, Context-Substrate, Knowledge-Consolidation, Background-Process] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Definition +[[OpenClaw]] 和 [[Thoth]] 采用的后台知识整合机制——夜间多阶段过程将日常笔记、短期上下文整合为长期记忆。是 Context Substrate 范式中最关键的"上下文复合"实现机制。 + +## OpenClaw Dreaming（三阶段） + +源自 OpenClaw 的官方文档，定义了三层递进的整合阶段： + +### Light Sleep（浅睡） +- 筛选每日笔记 +- 将相近行分组为连贯段落 +- 识别值得保留的信息 + +### REM（快速眼动） +- 加权召回提升（weighted recall promotion） +- 频繁访问的信息成为"持久真理"（lasting truths） +- 激活与巩固已有上下文关联 + +### Deep Sleep（深睡） +- 安全推入 MEMORY.md（replay-safe promotion） +- 协调而非重复（reconciles rather than duplicates） +- 最终沉淀为长期记忆 + +### 阈值门控（Gate Mechanism） +只有通过所有阈值的条目才会被提升： +- 最小评分：0.8 +- 最小召回次数：3 +- 最小独立查询数：3 + +### 六维评分信号 +1. 相关性（relevance）：0.30 +2. 频率（frequency）：0.24 +3. 查询多样性（query diversity）：0.15 +4. 时效性（recency）：0.15 +5. 整合度（consolidation）：0.10 +6. 概念丰富度（conceptual richness）：0.06 + +## Thoth Dream Cycle（四阶段） + +Thoth 实现了更精细化的四阶段过程： + +1. **重复合并**（duplicate merging）：相似度 ≥ 0.93 的重复项合并 +2. **描述富化**（description enrichment）：从对话上下文中丰富实体描述 +3. **关系推断**（relationship inference）：推断共现实体之间的关系 +4. **置信度衰减**（confidence decay）：超过 90 天的关系置信度自动衰减 + +额外机制： +- 三层反污染机制防止跨实体事实串扰 + +## Conceptual Significance +Dream Cycle 的核心洞察：**系统不决定什么是"事实"，而是促进持续被证明相关的内容**。这比预先定义的提取规则更鲁棒，因为相关性来自实际使用模式而非人工设计。 + +## Connections +- [[OpenClaw]] ← 实现 ← OpenClaw 实现了 Dreaming 三阶段 +- [[Thoth]] ← 实现 ← Thoth 实现了 Dream Cycle 四阶段 +- [[ai-memory-tools-two-camps]] ← 来源 ← Dream-Cycle 是 Camp 2 工具的核心整合机制 diff --git a/wiki/concepts/Fact-Recall-vs-Compounding.md b/wiki/concepts/Fact-Recall-vs-Compounding.md new file mode 100644 index 00000000..12c3fa5b --- /dev/null +++ b/wiki/concepts/Fact-Recall-vs-Compounding.md @@ -0,0 +1,71 @@ +--- +title: "Fact-Recall-vs-Compounding" +type: concept +tags: [AI-Memory, Memory-Backend, Context-Substrate, Optimization-Goal] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Definition +AI 记忆工具领域的两种根本不同的优化目标： +- **Fact Recall（事实召回）**：Memory Backend 范式追求的目标——系统能否找到正确的事实？ +- **Compounding（复合增长）**：Context Substrate 范式追求的目标——系统是否随时间变得更好？ + +## Camp 1: Fact Recall（事实召回） + +### Definition +给定一个查询，从存储的记忆中找到最相关的事实。 + +### Metric +召回精度（recall accuracy），通常以百分比衡量： +- [[MemPalace]]：LongMemEval 纯语义搜索 **96.6%** +- [[Supermemory]]：LongMemEval + LoCoMo + ConvoMem 声称第一 + +### What This Optimizes For +- "我三周前说的那句话是什么？" +- "用户喜欢什么？" +- "上次讨论 X 时说了什么？" + +### Limitations +- 精度再高，也只是"找到过去说过的话" +- 无法让 Agent 变得"更好"——只是更准确地记住 +- 记忆是静态条目，不随交互演进 + +## Camp 2: Compounding（复合增长） + +### Definition +系统随时间和使用变得更丰富、更有价值——上下文在每次交互后复合增长。 + +### Metric +难以量化，但可以观察： +- 上下文在多会话后的丰富程度 +- Agent 决策质量的随时间提升 +- 人类对 Agent 上下文的理解程度 + +### What This Optimizes For +- "给我跨五个项目的当前工作状态" +- "我的 Agent 今天应该优先做什么？" +- "过去三周发生了什么重要决策？" + +### Advantage +- 上下文本身就是可读的、可审计的 +- 人类可以理解、纠正、补充 Agent 的上下文 +- 上下文复合增长 → Agent 能力随时间提升 + +## The Fundamental Difference + +| 问题 | Fact Recall | Compounding | +|------|-----------|-------------| +| 问 | "AI 应该记住什么？" | "AI 应该在什么上下文中工作？" | +| 记忆是 | 提取的事实条目 | 累积的上下文文件 | +| 随时间 | 静态（条目不演进） | 动态（复合增长） | +| 人类交互 | 黑盒（不直接操作） | 白盒（直接读写文件） | +| 适用场景 | 单轮问答 | 持续 Agent | + +## Why Both Matter +对于简单场景（聊天机器人记住用户偏好），Fact Recall 足够好。对于持续运行、多会话、多项目的 Agent，必须有 Compounding 能力。两者不互斥，但必须理解何时用哪个。 + +## Connections +- [[Memory-Backend]] ← 优化目标 ← Memory-Backend 优化 Fact Recall +- [[Context-Substrate]] ← 优化目标 ← Context-Substrate 优化 Compounding +- [[ai-memory-tools-two-camps]] ← 来源 ← Fact-Recall-vs-Compounding 是 @witcheer 分类框架的核心区分轴 diff --git a/wiki/concepts/Memory-Backend.md b/wiki/concepts/Memory-Backend.md index 478e759f..5ebd5710 100644 --- a/wiki/concepts/Memory-Backend.md +++ b/wiki/concepts/Memory-Backend.md @@ -1,41 +1,46 @@ ---- -title: "Memory Backend" -type: concept -tags: [ai-agent, memory, architecture, vector-db] -last_updated: 2026-04-23 ---- - -## Definition -AI Agent 记忆工具的技术路线之一（Camp 1）。从对话中提取事实，存入向量数据库（和/或图数据库），下次对话时检索相关事实并注入上下文。 - -## Core Philosophy -**"What should the AI remember?"**（而非 Camp 2 的 "what context should the AI work inside?"） - -- 智能集中在**提取**和**检索**阶段。 -- 人类与 Agent 交互，记忆系统幕后运行。 -- 用户从不直接触碰记忆——信任系统记住正确的事情并在正确的时间召回。 - -## Fundamental Loop -``` -Conversation → System extracts facts or stores content → -Facts go into database (vector, graph, or both) → -Next conversation: relevant facts retrieved and injected -``` - -## Representative Tools -- **[[Mem0]]**（53.1k stars）：四操作（add/search/update/delete），三层存储（user/session/agent），混合检索，集成最简单 -- **[[MemPalace]]**（46.2k stars）：逐字存储，ChromaDB，wings/rooms/drawers 组织，LongMemEval 96.6% 召回率 -- **[[Supermemory]]**（21.8k stars）：时序感知（过期事实自动遗忘），多模态连接器，MemoryBench 声称领先 -- **[[Honcho]]**（2.4k stars）：人/Agent 统一对等体模型，异步推理推导心理洞察，PostgreSQL + pgvector -- 其他：Cognee（图数据库+向量搜索）、Memori（API 调用拦截，81.95% @ 4.97% context tokens） - -## Limitations -1. **记忆是扁平条目**——条目之间没有关系 -2. **提取质量依赖 LLM prompt**——garbage in, garbage out -3. **事实不进化**——1月的事实和4月的事实并存，不知道谁取代了谁 -4. **无法真正复合增长**——系统只是在累积条目，不是在变得更聪明 - -## Relationship to Context Substrate -- [[Context Substrate]]（Camp 2）代表不同哲学：上下文文件本身才是记忆，而非从对话中提取的条目 -- Supermemory 的时序感知和 Honcho 的心理洞察，代表 Camp 1 向 Camp 2 边界的演进 -- GitHub 上 450+ repos 标记"agent-memory"，几乎都属 Camp 1 路线 +--- +title: "Memory-Backend" +type: concept +tags: [AI-Memory, Memory-Backend, Vector-DB, Fact-Recall] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Definition +AI 记忆工具的 Camp 1 范式。从对话中提取事实并存储到向量数据库（或图数据库），检索相关事实并注入下一轮对话。问的核心问题是"**AI 应该记住什么？**" + +## Core Loop +1. 对话发生（conversation happens） +2. 系统提取事实或存储内容（extract facts / store content） +3. 事实进入数据库（向量、图或两者） +4. 下一对话，相关事实被检索并注入 + +## Optimization Goal +**召回精度（recall）**——系统能否找到正确的事实？ + +## Representative Tools +- [[Mem0]]：53.1k stars，类别领导者，四操作 API +- [[MemPalace]]：46.2k stars，本地优先，逐字记忆，96.6% 召回率 +- [[Supermemory]]：21.8k stars，时间感知，自动覆盖过期事实 +- [[Honcho]]：2.4k stars，对等体模型，心理洞察 + +## Common Characteristics +- 从对话中提取"事实"（fact extraction） +- 存储在向量/图数据库 +- 检索时注入上下文 +- 人类不直接与记忆交互 +- 信任系统记住正确的事并在正确时间检索 + +## Limitations +- 记忆是扁平条目，条目间无关系 +- 每次提取需 LLM 调用，质量依赖提取提示词 +- 存储后不演进，无法处理新旧事实冲突 +- 无法支撑持续、多会话、多项目的 Agent 运行 + +## Connections +- [[Context-Substrate]] ← 对立阵营 ← Memory-Backend +- [[Mem0]] ← 属于 ← Memory-Backend +- [[MemPalace]] ← 属于 ← Memory-Backend +- [[Supermemory]] ← 属于 ← Memory-Backend +- [[Honcho]] ← 属于 ← Memory-Backend +- [[ai-memory-tools-two-camps]] ← 来源 ← Memory-Backend 是 @witcheer 提出的分类框架中的 Camp 1 diff --git a/wiki/concepts/Scholar-Skill.md b/wiki/concepts/Scholar-Skill.md index 5e455027..55c8e2ff 100644 --- a/wiki/concepts/Scholar-Skill.md +++ b/wiki/concepts/Scholar-Skill.md @@ -1,38 +1,56 @@ ---- -title: "Scholar-Skill" -type: concept -tags: [obsidian, skills, academic, openclaw] -last_updated: 2026-04-21 ---- - -## Definition -scholar-skill 是 EESJGong 基于 OpenClaw 框架开发的学术研究 Skill，通过 L1/L2/L3 三级分级阅读策略，将原始论文（PDF/ArXiv）转化为 Obsidian 中的双链卡片、MOC（内容地图）和系统性反思报告。 - -## 三级阅读体系 - -| 级别 | 名称 | 产出 | 时长 | -|------|------|------|------| -| L1 | 分发级 | 快速评估，优先级判定（P0/P1/P2） | 分钟级 | -| L2 | 标准阅读 | 结构化笔记 + 双链卡片 | 十几分钟 | -| L3 | 深度解构 | MOC + 反思报告 + 知识冲突检测 | 最长 2.5 小时 | - -## 特殊机制 -- **超长周期任务编排**：L3 级深度阅读最长 2.5 小时，依赖 durable-task-runner 处理 API 限流和崩溃恢复 -- **周期性反思**：内置时间触发器，在周末或月末强制对"临时存储的知识"进行 L2/L3 反思 -- **Human-in-the-loop**：发现新论文推翻旧笔记时，不直接覆写旧笔记，生成确认单放入 `0-Inbox` 文件夹，等待人工审核 - -## 必须依赖 -- `obsidian-direct`：绕过官方限制，直接读写本地 `.md` 文件 -- `arxiv-watcher`：通过 ArXiv API 抓取文献资源 -- `durable-task-runner`：L3 级别长时间挂机任务的调度与断点续传 - -## 风险预警 -⚠️ Token 消耗极高（L3 循环 + RAG 检索），商用模型可能带来高昂账单 -⚠️ `obsidian-direct` 使用暴力文件 I/O，多端同步期间易引发文件冲突 - -## Connections -- [[EESJGong]] — scholar-skill 作者 -- [[OpenClaw]] — 运行基础框架 -- [[obsidian-必装-skills]] — 来源文档 -- [[StudyVault]] — L2/L3 产出的知识库格式 -- [[arXiv-API]] — 文献获取来源 +--- +title: "scholar-skill" +type: concept +tags: [obsidian, openclaw, academic, research, paper] +last_updated: 2026-04-28 +--- + +## scholar-skill（学术论文分级阅读工作流） + +### 简介 +scholar-skill 是基于 [[OpenClaw]] 框架的深度学术研究工具，通过 L1/L2/L3 分级阅读策略，将原始论文（PDF/ArXiv）转化为 Obsidian 中的双链卡片、MOC（内容地图）以及系统性反思报告。 + +### 核心机制 + +#### L1 快速评估（快速分发） +对论文进行初步评估，判断其优先级（P0/P1/P2）。可后台静默执行。 + +#### L2 标准阅读（标准化笔记） +按照预设模板提取论文的关键信息：研究问题、方法、结果、贡献。 + +#### L3 深度解构（深度解读） +长达 2.5 小时的异步挂机任务，进行复杂公式解析、跨论文引用追踪、架构溯源。 + +### 触发条件 +当意图匹配到"阅读论文"、"L1/L2/L3阅读"、"知识内化"或"文献笔记"时自动触发。 + +### 依赖 +- **基础环境**：Python + Obsidian 客户端 +- **核心框架**：OpenClaw +- **必须依赖**（通过 ClawHub 安装）： + - `obsidian-direct`：绕过官方限制，直接通过 Python 读写本地 .md 文件 + - `arxiv-watcher`：通过 ArXiv API 抓取文献资源 + - `durable-task-runner`：支持 L3 级别长时间挂机任务的调度与断点续传 +- **可选依赖**：`tavily`（联网抓取）、`pdf`（文本解析）、`academic-research-hub` + +### 特殊机制 + +#### 超长周期任务编排 +L3 级深度阅读设计为长达 2.5 小时的异步任务，底层依赖 `durable-task-runner` 处理 LLM 推演循环、API 限流等待以及崩溃恢复。 + +#### 周期性反思机制 +内置时间触发器逻辑，强制在周末或月末对"临时存储的知识"进行 L2/L3 反思，生成知识体系演进报告。 + +#### 人类确认防呆机制（Human in the loop） +当 AI 发现新论文推翻旧笔记结论时，不会直接覆写旧笔记，而是生成确认单放进 `0-Inbox` 文件夹，等待人工审核。 + +### 风险预警 +- **财务风险**：L3 循环和高频历史知识检索（RAG）会消耗大量 Token，商用前沿模型（如 Claude 3.5 Sonnet 或 GPT-4o）单篇深读成本高昂 +- **数据覆写风险**：`obsidian-direct` 使用 Python 暴力文件 I/O，在 iCloud/Obsidian Sync 多端同步期间容易引发文件冲突，建议在独立测试库中运行并开启 Git 快照 + +### 与其他工具的关系 +- 与 [[tutor-skills]] 的通用学习不同，scholar-skill 专注于学术论文领域 +- 类似 [[arxiv-paper-reader]] 的论文获取能力，但 scholar-skill 强调深度内化和长期知识管理 + +### Aliases +- scholar-skill diff --git a/wiki/concepts/Tutor-Skills.md b/wiki/concepts/Tutor-Skills.md index f85eb6cf..f99933d9 100644 --- a/wiki/concepts/Tutor-Skills.md +++ b/wiki/concepts/Tutor-Skills.md @@ -1,41 +1,45 @@ ---- -title: "Tutor-Skills" -type: concept -tags: [obsidian, skills, learning] -last_updated: 2026-04-21 ---- - -## Definition -tutor-skills 是 Choi Wontak 开发的 Obsidian "输入-内化-检测" 完整学习闭环系统，由两个 Skill 组成：[[Tutor-Setup]]（解析并生成知识库）和 [[Tutor]]（互动式测验 + 薄弱点追踪）。 - -## 组成 - -| Skill | 功能 | 触发方式 | -|-------|------|----------| -| [[Tutor-Setup]] | 将文档/代码库一键转化为 [[StudyVault]] | `/tutor-setup` 在工作目录 | -| [[Tutor]] | 读取知识库进度，生成互动测验，追踪薄弱点 | `/tutor` 在已有 StudyVault 目录 | - -## 核心机制：模式自动侦测 -无需手动指定，Skill 自动扫描当前工作目录： -- 发现 `package.json`/`pom.xml` 等工程文件 → 进入**代码库模式** -- 只有 PDF/纯文本 → 进入**文档模式** - -## 核心机制：输入-内化-检测闭环 -``` -文档/代码库 → tutor-setup 解析 → StudyVault 生成 - ↓ - Tutor 读取进度 - ↓ - 生成互动式测验 → 暴露知识薄弱点 - ↓ - 记录学习轨迹 → 持续改进 -``` - -## ⚠️ Token 消耗风险 -**代码库模式**会递归读取大量源文件并进行架构溯源（Phase C1-C9 循环），短时间内可能消耗大量 Token 额度。 - -## Connections -- [[Choi-Wontak]] — tutor-skills 作者 -- [[StudyVault]] — tutor-skills 产出的知识库格式 -- [[obsidian-必装-skills]] — 来源文档 -- [[OpenClaw]] — 运行基础环境 +--- +title: "tutor-skills" +type: concept +tags: [obsidian, openclaw, learning, education] +last_updated: 2026-04-28 +--- + +## tutor-skills（AI 学习闭环系统） + +### 简介 +tutor-skills 是由 Choi Wontak 开发的一套 Obsidian AI 学习工具集，包含两个核心组件 `tutor-setup` 和 `tutor`，构成"**输入-内化-检测**"三阶段完整闭环。 + +### 核心组件 + +#### tutor-setup +将任意本地文档或源代码工程自动解析，生成带有双链、MOC（内容地图）和复习题的独立 Obsidian 学习金库（StudyVault）。 + +#### tutor +读取知识库的进度数据，在终端内生成互动式测验，追踪并攻克用户的知识薄弱点。 + +### 使用方法 +- **触发构建**：在特定工作目录输入命令 `/tutor-setup` +- **触发复习**：在已有 StudyVault 的目录下输入 `/tutor` + +### 特殊机制 + +#### 模式自动侦测 +无需手动指定，Skill 会自动扫描当前工作目录： +- 发现 `package.json` 或 `pom.xml` → 进入"代码库模式" +- 只有 PDF/纯文本 → 进入"文档模式" + +#### Token 消耗风险 +尽管禁止了 PDF 图像读取，但"代码库模式"会递归读取大量源文件并进行架构溯源（Phase C1-C9 循环），在短时间内消耗大量 Token 额度。 + +### 依赖 +- 基础环境：智能体工具如 Claude Code、OpenCode +- Obsidian 客户端及配置好的 Vault 文件夹 + +### 与其他工具的关系 +- 不同于 [[scholar-skill]] 的学术论文阅读方向，tutor-skills 面向通用文档和代码库学习 +- 与 [[obsidian-markdown]] 的被动笔记写作不同，tutor-skills 强调主动检测和复习机制 + +### Aliases +- tutor-setup +- tutor diff --git a/wiki/entities/@witcheer.md b/wiki/entities/@witcheer.md new file mode 100644 index 00000000..39e2cc4f --- /dev/null +++ b/wiki/entities/@witcheer.md @@ -0,0 +1,28 @@ +--- +title: "@witcheer" +type: entity +tags: [AI-Agent, Context-Management, OpenSource] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 人物 +- **Platform**: Twitter/X @witcheer +- **Role**: AI Agent 实践者与技术写作者 + +## Summary +在 Twitter/X 上系统分析 AI 记忆工具全景的作者。运营 24/7 Mac Mini M4 Agent 设置（持续运行、跨会话、多项目），独立完成了对 450+ 个 GitHub 仓库的系统梳理，将 AI 记忆工具领域划分为 Memory Backend（Camp 1）和 Context Substrate（Camp 2）两大阵营。 + +## Credentials +- 运营 24/7 Mac Mini M4 Agent 设置超过一年 +- 在持续运行场景中发现并验证了 Camp 1 / Camp 2 的分裂 +- 独立完成全景分析（most memory tools couldn't power what I'm doing） +- 开发并维护 [[ALIVE]] 项目（alivecontext.com） + +## Key Contribution +通过运行持续 Agent 设置，发现了大多数记忆工具无法支持的场景，并识别出真正能支撑该场景的架构（Context Substrate）根本没有被当作"记忆工具"来讨论。 + +## Connections +- [[ai-memory-tools-two-camps]] ← 作者 ← @witcheer 是本文档的作者 +- [[ALIVE]] ← 开发 ← @witcheer 开发并使用 ALIVE diff --git a/wiki/entities/ALIVE.md b/wiki/entities/ALIVE.md new file mode 100644 index 00000000..6e0ad5c5 --- /dev/null +++ b/wiki/entities/ALIVE.md @@ -0,0 +1,38 @@ +--- +title: "ALIVE" +type: entity +tags: [AI-Memory, Context-Substrate, OpenSource, Agent-Agnostic] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **Category**: Camp 2 — Context Substrate +- **Website**: alivecontext.com +- **Twitter**: @AliveContext_ +- **Author**: @witcheer（同时是 [[ai-memory-tools-two-camps]] 的作者） + +## Summary +[[@witcheer]] 在自己的 24/7 Mac Mini M4 Agent 设置中使用的 Context Substrate 方案。结构化上下文基质，文件原生，Agent 无关。核桃（walnuts）作为便携上下文容器。零基础设施依赖，纯文件复合。 + +## Core Philosophy +- 零基础设施依赖（zero infrastructure dependencies） +- 纯文件复合（plain files that compound） +- Agent 无关（agent-agnostic） +- 文件原生（file-native） + +## Author's Use Case +@witcheer 在 Mac Mini M4 上运行 24/7 Agent 设置，在 Claude Code 和 Hermes Agent 上都使用 ALIVE——正是这种持续运行、多会话、多项目的场景，使得 ALIVE 成为 Context Substrate 价值的最佳验证。 + +## What Makes ALIVE Different +不同于其他 Camp 2 工具，ALIVE 的独特之处在于： +- 由实际持续运行 Agent 的用户开发 +- 在真实的 24/7 设置中验证有效 +- 不依赖任何向量数据库或图数据库 +- 完全基于文件系统的积累机制 + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← ALIVE 是本文档中 @witcheer 推荐使用的 Context Substrate +- [[Context-Substrate]] ← 属于 ← ALIVE 是 Context Substrate 范式的代表工具 +- [[@witcheer]] ← 由 ← @witcheer 开发并使用 diff --git a/wiki/entities/Grafana.md b/wiki/entities/Grafana.md index 3c37f001..723740d4 100644 --- a/wiki/entities/Grafana.md +++ b/wiki/entities/Grafana.md @@ -1,47 +1,34 @@ ---- -title: "Grafana" -type: entity -tags: [visualization, monitoring, dashboards, observability] -last_updated: 2026-04-26 ---- - -## Grafana — 可视化与告警平台 - -**官方网址：** https://grafana.com/ - -**类型：** 开源项目 / 可视化平台 - -**别名：** -- Grafana OSS -- Grafana Labs - ---- - -## Overview - -Grafana 是开源的可视化和告警平台，支持从 Prometheus、VictoriaMetrics、Loki、InfluxDB、Elasticsearch 等多种数据源查询和展示时序数据，提供丰富的 Dashboard 模板和灵活的告警配置。 - -**核心特性：** -- 多数据源支持（Prometheus、Elasticsearch、Loki、InfluxDB 等） -- Dashboard 即代码（JSON 导出 + Git 管理） -- 告警规则配置（支持邮件/Slack/PagerDuty 等通知渠道） -- 用户权限管理 -- 插件生态 - -**典型部署端口：** `3000`（默认 admin/admin） - -**常用 Dashboard ID：** -- Node Exporter Full: `1860` -- cAdvisor Container Metrics: `14282` -- Blackbox Exporter Probe: `7587` - ---- - -## Used By -- [[家庭监控方案-prometheus-grafana-node-exporter-cadvisor-blackbox]] - -## Related Sources -- [[家庭监控方案-prometheus-grafana-node-exporter-cadvisor-blackbox]] -- [[ctp-topic-60-monitor-aws-using-hyperscale-observability-with-grafana]] -- [[ctp-topic-42-grafana-observability-dashboard]] -- [[public-cloud-learning-sessions-observability-with-opentelemetry]] +--- +title: "Grafana" +type: entity +tags: [visualization, monitoring, open-source] +sources: [可自动化-可扩展-ai增强的电商数据采集与处理系统] +last_updated: 2025-11-11 +--- + +## Aliases +- Grafana Labs +- Grafana Dashboard + +## Summary +开源数据可视化平台，支持多种数据源，可创建交互式仪表盘。 + +## Description +Grafana 是一款开源的可观测性平台，用于数据可视化和监控仪表盘。 + +### 核心特性 +- 多数据源支持（Prometheus、PostgreSQL、InfluxDB） +- 丰富的图表类型 +- 告警功能 +- 模板变量 +- 团队协作 + +### 电商场景适用性 +连接 PostgreSQL，可视化电商产品趋势、价格分布、竞品对比等分析报表。 + +## Use Cases +- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] — 数据可视化展示层 + +## Connections +- [[PostgreSQL]] — 读取电商数据进行可视化 + diff --git a/wiki/entities/Honcho.md b/wiki/entities/Honcho.md new file mode 100644 index 00000000..1d6b6a9f --- /dev/null +++ b/wiki/entities/Honcho.md @@ -0,0 +1,30 @@ +--- +title: "Honcho" +type: entity +tags: [AI-Memory, Memory-Backend, Peer-Model, Async-Reasoning] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 2.4k stars +- **Category**: Camp 1 — Memory Backend +- **License**: AGPL-3.0（限制性） +- **Infrastructure**: PostgreSQL + pgvector（自托管） + +## Summary +将人和 Agent 视为统一模型中的对等体（peers）。后台异步推理服务从会话中推导每个对等体的心理洞察——不仅记住你说了什么，还在构建"你如何思考"的模型。 + +## Core Features +- 人和 Agent 统一对等体模型（unified peer model） +- 后台异步推理服务（async reasoning service） +- 从会话中推导心理洞察（psychological insights） +- PostgreSQL + pgvector 基础设施 + +## Key Insight +Camp 1 中最接近关心"实体演进"而非仅"事实存储"的方案。 + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← Honcho 是 Camp 1 中架构最独特、最接近实体演化建模的工具 +- [[Memory-Backend]] ← 属于 ← Honcho 是 Memory Backend 范式的代表工具 diff --git a/wiki/entities/Mem0.md b/wiki/entities/Mem0.md index be197f23..a33aa40f 100644 --- a/wiki/entities/Mem0.md +++ b/wiki/entities/Mem0.md @@ -1,34 +1,35 @@ ---- -title: "Mem0" -type: entity -tags: [ai-agent, memory, vector-db] -last_updated: 2026-04-23 ---- - -## Overview -GitHub 53.1k stars，Camp 1（Memory Backend）类别的领导者。为 AI 应用和 Agent 提供智能记忆层。 - -## Architecture -四核心操作：add、search、update、delete - -三层存储粒度： -- **User level**：跨所有会话的长期用户偏好和事实 -- **Session level**：当前会话内的上下文 -- **Agent level**：Agent 自身的元记忆 - -检索机制：混合搜索（语义 + 关键词） - -## Strengths -- 集成最简单：Python + TypeScript SDK -- 工作流程清晰：add → search → update → delete -- 与任何 LLM 兼容 - -## Limitations -- 记忆条目是**扁平**的，条目之间没有关系 -- 提取质量完全依赖 LLM extraction prompt -- 事实存入后不进化，1月的事实和4月的事实共存 -- 无法真正"复合增长"——只是累积条目 - -## Aliases -- Mem0 -- mem0 +--- +title: "Mem0" +type: entity +tags: [AI-Memory, Memory-Backend, Vector-DB, OpenSource] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 53.1k stars +- **Category**: Camp 1 — Memory Backend +- **Website**: mem0.ai + +## Summary +Camp 1（Memory Backend）类别的领导者。四个核心操作：add、search、update、delete。从对话中提取事实，存储在三层级（user、session、agent），通过混合搜索检索。 + +## Core Features +- 四操作 API：add、search、update、delete +- 三层级存储：user（跨会话）、session（单次对话）、agent（Agent 间共享） +- 混合搜索检索 +- Python + TypeScript SDK +- 通用兼容设计 + +## Key Limitation +- 记忆是扁平条目，条目之间无关系 +- 每次提取都需要 LLM 调用，提取质量完全依赖提取提示词 +- 存储后不演进，一月的事实和四月的事实并存，无法自动处理新旧冲突 + +## Why It's Camp 1 +Mem0 的核心问题域是"AI 应该记住什么？"，属于事实召回（fact recall）优化——系统从对话中提取事实并注入下一轮对话。 + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← Mem0 是 Camp 1 类别领导者 +- [[Memory-Backend]] ← 属于 ← Mem0 是 Memory Backend 范式的代表工具 diff --git a/wiki/entities/MemPalace.md b/wiki/entities/MemPalace.md new file mode 100644 index 00000000..1556a225 --- /dev/null +++ b/wiki/entities/MemPalace.md @@ -0,0 +1,40 @@ +--- +title: "MemPalace" +type: entity +tags: [AI-Memory, Memory-Backend, Local-First, Vector-DB, ChromaDB] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 46.2k stars +- **Category**: Camp 1 — Memory Backend +- **Website**: mempalace.app + +## Summary +本地优先的逐字记忆工具。不同于提取事实，MemPalace 逐字存储对话并组织为 Wings（实体）、Rooms（主题）、Drawers（原始内容）结构，通过 ChromaDB 搜索。 + +## Core Features +- 本地优先架构（数据完全存储在本地） +- 逐字存储对话（verbatim memory） +- Wings/Rooms/Drawers 组织结构： + - **Wings**：实体（entities） + - **Rooms**：主题（topics） + - **Drawers**：原始内容 +- ChromaDB 向量搜索 + +## Benchmark Results +LongMemEval 基准测试结果： +- 纯语义搜索（无 LLM）：**96.6%** 检索召回率 +- 混合管道：**98.4%** +- LLM 重排：**99%+** + +## Key Limitation +- 逐字存储线性增长——对话越多，占用越大 +- 无压缩、无综合 +- 擅长"找到三周前我说的话"，不适合"给我跨五个项目的当前工作状态" + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← MemPalace 拥有 Camp 1 中最高 LongMemEval 基准 +- [[Memory-Backend]] ← 属于 ← MemPalace 是 Memory Backend 范式的代表工具 diff --git a/wiki/entities/Memsearch.md b/wiki/entities/Memsearch.md index 086b04d2..6cd0b2f7 100644 --- a/wiki/entities/Memsearch.md +++ b/wiki/entities/Memsearch.md @@ -1,31 +1,37 @@ --- -title: "memsearch" +title: "MemSearch" type: entity -tags: [tool, vector-search, open-source] +tags: [AI-Memory, Context-Substrate, Markdown-First, Milvus, Hybrid-Search] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 --- -## Overview -memsearch 是一个基于 Milvus 向量数据库的语义搜索 CLI/库，为 Markdown 文件提供语义搜索能力。由 ZillizTech 开发。 +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 1.2k stars +- **Category**: Camp 2 — Context Substrate +- **Infrastructure**: Milvus（Zilliz 团队） +- **Website**: Zilliz 生态 -## Key Features -- 向量语义搜索 + BM25 全文搜索 + RRF 重排 -- SHA-256 内容哈希实现增量索引 -- 文件监控自动重索引 -- 支持多种嵌入提供商：OpenAI、Google、Voyage、Ollama、本地模式 +## Summary +来自 Milvus 团队（Zilliz）的 Markdown 优先记忆工具。记忆是 .md 文件，人类可读、可编辑、可版本控制。Milvus 作为"影子索引"从文件派生，完全可重建。 -## GitHub -https://github.com/zilliztech/memsearch +## Core Philosophy +**文件是真相来源。向量搜索只是文件之上的访问层。** -## Documentation -https://zilliztech.github.io/memsearch/ +## Architecture +- **第一层**：语义块（semantic chunks） +- **第二层**：完整段落（full sections） +- **第三层**：原始转录（raw transcripts） +- 三层渐进披露（progressive disclosure） -## Related Entities -- [[OpenClaw]] — 被 memsearch 增强的记忆系统 -- [[Milvus]] — 底层向量数据库 -- [[memsearch]] ← built_on ← [[Milvus]] -- [[memsearch]] ← enhances ← [[OpenClaw]] +## Key Significance +这个工具来自 Zilliz——向量数据库公司。他们交付的记忆系统中，他们自己的产品（Milvus）在文件下游。这是一个有意义的让步——承认了真相来源实际在哪里。 -## Related Concepts -- [[HybridSearch]] — memsearch 使用的搜索方法 -- [[RRF-Reranking]] — memsearch 使用的重排机制 -- [[IncrementalIndexing]] — memsearch 的索引优化 +## Hybrid Search +- 稠密向量 + BM25 + RRF 重排（Reciprocal Rank Fusion） + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← MemSearch 是文件优先哲学的典型代表 +- [[Context-Substrate]] ← 属于 ← MemSearch 是 Context Substrate 范式的代表工具 +- [[semantic-memory-search]] ← MemSearch 是 ← [[semantic-memory-search]] 的技术实现 diff --git a/wiki/entities/MinIO.md b/wiki/entities/MinIO.md index 9e9c84db..249c7d22 100644 --- a/wiki/entities/MinIO.md +++ b/wiki/entities/MinIO.md @@ -1,108 +1,34 @@ ---- -title: MinIO -type: entity -tags: [docker, storage, s3, minio] -date: 2025-12-29 ---- - -# MinIO - -## Aliases -- MinIO -- MinIO Server - -## Definition -MinIO 是一个开源的 S3 兼容对象存储服务器，专为高性能、海量数据场景设计。作为 [[Zipline]] 图床系统的存储后端，MinIO 提供 S3 API 兼容接口，使应用无需修改即可对接。 - -## Core Characteristics - -| 特性 | 说明 | -|------|------| -| 协议兼容 | S3 API（Amazon Simple Storage Service） | -| 部署模式 | 单机 / 分布式（纠删码模式） | -| 存储介质 | 直连磁盘，无特殊要求 | -| 管理界面 | MinIO Console（默认端口 9001） | -| API 端口 | 默认 9000 | -| 授权协议 | AGPLv3 | - -## Architecture - -``` -[Application] --S3 API--> [MinIO Server] ---> [Disk/NAS Storage] - ^ | - |______________________________| - MinIO Console (9001) -``` - -## Key Commands (mc CLI) - -```bash -# 安装 MinIO Client -wget https://dl.min.io/client/mc/release/linux-amd64/mc -chmod +x mc - -# 设置 alias -mc alias set local http://192.168.3.17:9000 admin StrongPasswordHere - -# 创建 bucket -mc mb local/zipline-bucket - -# 匿名访问策略 -mc anonymous set public local/zipline-bucket # 公共读写 -mc anonymous set download local/zipline-bucket # 仅下载 -mc anonymous set upload local/zipline-bucket # 仅上传 -mc anonymous set none local/zipline-bucket # 禁用匿名 - -# 查看 bucket 内容 -mc ls local/zipline-bucket -``` - -## Use Cases in Home Server - -- [[Zipline]] 图床存储后端 -- S3 兼容备份目标（替代 AWS S3） -- 私有云对象存储 -- AI 模型权重文件存储 - -## Docker Deployment - -```yaml -minio: - image: minio/minio:latest - command: server /data --console-address ":9001" - environment: - MINIO_ROOT_USER: admin - MINIO_ROOT_PASSWORD: Abcd_1234 - ports: - - "9000:9000" # S3 API - - "9001:9001" # Console - volumes: - - /volume1/docker/zipline-stack/minio/minio_data:/data - healthcheck: - test: ["CMD", "curl", "-f", "http://localhost:9000/minio/health/live"] - interval: 30s - timeout: 20s - retries: 3 -``` - -## Performance Characteristics (vs Zipline) - -| 项目 | MinIO | Zipline | -|------|-------|---------| -| 存储性能 | 仅受 NAS 硬盘/SSD 限制 | 仅处理 metadata | -| 并发 | 高（S3 原生并行） | 中等（单 Node.js 进程） | -| 数据库 | 无（内置 KV） | PostgreSQL/SQLite | -| 扩展性 | 可横向扩容 | 单实例 → 前端微服务 | -| REST API | 完备 | 完备（适合 n8n） | - -## Connections -- [[Zipline]] ← stores files ← [[MinIO]] -- [[群晖 NAS]] ← hosts ← [[MinIO]] -- [[Docker堆栈]] ← part of ← [[MinIO]] -- [[mc命令]] ← manages ← [[MinIO]] - -## Related Concepts -- [[S3-兼容对象存储]] -- [[对象存储]] -- [[图床]] -- [[数据一致性]] +--- +title: "MinIO" +type: entity +tags: [object-storage, s3-compatible, open-source] +sources: [可自动化-可扩展-ai增强的电商数据采集与处理系统] +last_updated: 2025-11-11 +--- + +## Aliases +- MinIO Object Storage +- S3 兼容存储 + +## Summary +开源 S3 兼容的对象存储服务，用于存储图片和视频等非结构化数据。 + +## Description +MinIO 是一款高性能的开源对象存储服务，兼容 Amazon S3 API。 + +### 核心特性 +- S3 API 完全兼容 +- 高性能（GB/s 级吞吐量） +- 轻量级（单二进制文件） +- 分布式部署支持 +- Docker 友好 + +### 电商场景适用性 +替代云端 S3，存储爬取的电商产品图片和视频，降低云服务成本。 + +## Use Cases +- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] — 图片和视频存储层 + +## Connections +- [[Scrapy]] — Scrapy ImagesPipeline 输出目标 + diff --git a/wiki/entities/Ollama.md b/wiki/entities/Ollama.md index 3630d5cf..3124bd7e 100644 --- a/wiki/entities/Ollama.md +++ b/wiki/entities/Ollama.md @@ -1,77 +1,39 @@ ---- -title: "Ollama" -type: entity -tags: [] -last_updated: 2026-04-23 ---- - -# Ollama - -## Overview -Ollama 是一个开源的本地大语言模型（LLM）运行框架，让用户可以在本地机器上部署和运行大型语言模型，实现**免费离线使用 LLM 能力**，同时确保私有数据的隐私和安全性。 - -## Aliases -- Ollama -- ollama - -## Key Facts -- **官网**: https://ollama.com -- **中文站**: https://ollama.org.cn -- **GitHub**: https://github.com/ollama/ollama -- **支持平台**: macOS, Windows, Linux, Docker -- **API 端口**: localhost:11434 - -## Supported Models -- DeepSeek-R1 系列（1.5B ~ 671B 参数） -- Qwen 系列 -- Llama 系列 -- 第三方模型（HuggingFace、魔塔社区） - -## Core Commands -| 命令 | 功能 | -|------|------| -| `ollama run ` | 下载并运行模型 | -| `ollama pull ` | 拉取模型 | -| `ollama create -f ` | 从 Modelfile 导入本地 GGUF 模型 | -| `ollama list` | 列出所有已下载模型 | -| `ollama ps` | 列出正在运行的模型 | -| `ollama serve` | 启动 Ollama 服务 | - -## Hardware Requirements -| 模型 | 建议内存 | 建议显存 | 适用场景 | -|------|---------|---------|---------| -| 1.5B | 4~8 GB | 4 GB | 轻量快速 | -| 7B | 16 GB | 14 GB | 日常使用 | -| 8B | 16 GB | 14 GB | 较高精度 | -| 14B | 32 GB | 26 GB | 复杂任务 | -| 32B | 64 GB | 48 GB | 专业级 | -| 70B+ | 128+ GB | 140+ GB | 超大规模 | - -## Docker Deployment -```bash -# CPU 模式 -docker run -d -p 11434:11434 -v /data/ollama:/root/.ollama --name ollama ollama/ollama - -# GPU 模式 -docker run --gpus=all -d -p 11434:11434 -v /data/ollama:/root/.ollama --name ollama ollama/ollama -``` - -## Environment Variables -| 变量 | 默认值 | 说明 | -|------|--------|------| -| OLLAMA_MODELS | ~/.ollama/models | 模型存储路径 | -| OLLAMA_HOST | 127.0.0.1 | 服务绑定地址 | -| OLLAMA_ORIGINS | * | 允许的来源域名 | - -## Key Concepts -- [[Local LLM Deployment]]：Ollama 是实现本地 LLM 部署的核心工具 -- [[Docker LLM Deployment]]：Ollama 支持 Docker 部署模式 -- [[Model Quantization]]：GGUF 格式量化模型可通过 `ollama create` 导入 - -## Related Entities -- [[DeepSeek]]：Ollama 官方支持的深度求索推理模型 -- [[Open WebUI]]：基于 Ollama API 的开源 Web 界面 -- [[HuggingFace]]：第三方模型来源 - -## Sources -- [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]] +--- +title: Ollama +type: entity +tags: [ollama, 本地大模型, 开源] +last_updated: 2026-04-28 +--- + +## Aliases +- ollama +- Ollama + +## Definition +Ollama 是一款本地大模型运行时工具，支持通过单一命令安装、管理和运行开源 LLM（如 Qwen2.5-Coder、Llama、DeepSeek 等），提供 REST API 和多语言 SDK。 + +## Key Facts +- **官网**：https://ollama.com +- **安装命令**：`curl -fsSL https://ollama.com/install.sh | sh` +- **API 默认端口**：11434 +- **默认监听**：127.0.0.1（仅本地） +- **远程访问配置**：设置 `OLLAMA_HOST=0.0.0.0` 环境变量 +- **GPU 支持**：安装 NVIDIA CUDA 后自动使用 GPU 加速，无需额外配置 +- **systemd**：安装后自动创建 systemd 服务，开机自启 + +## Capabilities +- CLI 交互模式：`ollama run ` +- 模型管理：`ollama list`、`ollama rm `、`ollama pull ` +- REST API：`http://localhost:11434/api/chat` +- Python SDK：`pip install ollama` +- NodeJS SDK：`npm install ollama` + +## Used By +- [[Open WebUI]] — ChatGPT 风格 Web 界面 +- [[n8n]] — AI 工作流自动化平台 +- [[LangChain]] — Agent 开发框架 +- [[OpenClaw]] — AI Coding Agent +- [[Qwen2.5-Coder]] — 主要推荐运行模型之一 + +## Sources +- [[在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b]] diff --git a/wiki/entities/Playwright.md b/wiki/entities/Playwright.md index ccdcefc5..a7f27f08 100644 --- a/wiki/entities/Playwright.md +++ b/wiki/entities/Playwright.md @@ -1,46 +1,35 @@ --- title: "Playwright" type: entity -tags: ["browser-automation", "web-scraping", "playwright", "javascript"] -sources: ["marketing-carousel-growth-engine"] -last_updated: 2026-04-26 +tags: [browser-automation, open-source, microsoft] +sources: [可自动化-可扩展-ai增强的电商数据采集与处理系统] +last_updated: 2025-11-11 --- -## Definition - -微软出品的浏览器自动化框架，支持 Chromium/Firefox/WebKit 多浏览器引擎。在 [[marketing-carousel-growth-engine]] 中用于抓取任意网站 URL，提取品牌信息和内容。 - -## Key Details - -- **Engine**: Playwright with Chromium（完整 JavaScript 渲染页面抓取） -- **Usage**: 导航目标 URL 及内部页面（pricing、features、about、testimonials） -- **Script**: `analyze-web.js` 执行完整业务研究，输出 `analysis.json` -- **Requires**: `playwright install chromium` - -## Output (analysis.json) - -- **品牌提取**: 名称、Logo、配色、字体、Favicon -- **内容分析**: 标题、标语、功能、定价、客户评价、数据、CTA -- **内部页面导航**: pricing / features / about / testimonials -- **竞品检测**: 从网站内容识别 20+ 已知 SaaS 竞品 -- **业务分类**: 业务类型和细分市场识别 -- **钩子生成**: 针对细分市场的痛点钩子 -- **视觉上下文**: 用于幻灯片生成的视觉参考定义 - -## Usage in Carousel Growth Engine Pipeline - -``` -Phase 2: Research & Analyze - 1. analyze-web.js → Playwright 完整分析目标 URL - 2. 品牌提取（颜色/字体/Logo/Favicon） - 3. 内容挖掘（功能/评价/定价/CTA） - 4. 细分检测（业务类型分类） - 5. 竞品映射（竞品识别） - ↓ -Phase 3: Generate & Verify - Gemini 根据 analysis.json 提示词生成幻灯片 -``` - ## Aliases -- Playwright -- playwright +- Microsoft Playwright +- playwright-python +- playwright-node + +## Summary +微软开源的浏览器自动化工具，支持 Chromium/Firefox/WebKit，提供可靠动态页面渲染能力。 + +## Description +Playwright 是微软开发的浏览器自动化框架，支持多种编程语言（Python、Node.js）。 + +### 核心特性 +- 跨浏览器支持（Chromium、Firefox、WebKit） +- 可靠等待机制，避免时序问题 +- 自动截图、PDF 生成 +- 无头模式和有头模式 +- 模拟移动端视图 + +### 电商场景适用性 +解决 JavaScript 渲染页面的抓取问题（如电商网站的无限滚动、懒加载、登录墙）。 + +## Use Cases +- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] — 动态页面渲染解决方案 + +## Connections +- [[Scrapy]] — scrapy-playwright 插件集成 + diff --git a/wiki/entities/Qwen2.5-Coder.md b/wiki/entities/Qwen2.5-Coder.md new file mode 100644 index 00000000..01d78f4d --- /dev/null +++ b/wiki/entities/Qwen2.5-Coder.md @@ -0,0 +1,43 @@ +--- +title: Qwen2.5-Coder +type: entity +tags: [qwen, qwen-coder, 通义千问, 代码大模型, 开源] +last_updated: 2026-04-28 +--- + +## Aliases +- Qwen2.5-Coder +- qwen2.5-coder +- 通义千问代码模型 +- Qwen Coder + +## Definition +Qwen2.5-Coder 是阿里云通义千问团队开发的代码专用大模型，参数规模覆盖 1.5B/3B/7B/14B/32B，其中 7B 版本约 4.5GB，擅长 Tool usage、Shell/Python/SQL 理解和 Repo 级代码理解。 + +## Key Facts +- **开发方**：阿里云通义千问（Qwen）团队 +- **适用场景**：DevOps automation、SQL Agent、Kubernetes troubleshooting、n8n workflow AI +- **推荐配置**：CPU 8+ cores、RAM 16GB、NVIDIA GPU（可选） +- **Ollama 模型名**：`qwen2.5-coder:7b` +- **下载大小**：约 4.5GB +- **对比优势**：相比普通 `qwen2.5:7b`，Tool usage 能力更强，Shell/Python/SQL 理解更深，Repo 级代码理解更优 + +## Why Qwen2.5-Coder vs Qwen2.5 +| 能力 | qwen2.5-coder:7b | qwen2.5:7b | +|------|-------------------|------------| +| Tool usage | ✅ 强 | ⚠️ 一般 | +| Shell/Python/SQL 理解 | ✅ 强 | ⚠️ 一般 | +| Repo 级代码理解 | ✅ 强 | ⚠️ 一般 | +| 通用对话 | ⚠️ 可用 | ✅ 强 | + +## Recommended Pairings +| 工具 | 用途 | +|------|------| +| [[Open WebUI]] | ChatGPT 风格 Web UI | +| [[n8n]] | AI 自动化工作流 | +| [[LangChain]] | Agent 框架 | +| [[OpenClaw]] | AI Coding Agent | +| [[Ollama]] | 本地运行时 | + +## Sources +- [[在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b]] diff --git a/wiki/entities/Scrapy.md b/wiki/entities/Scrapy.md new file mode 100644 index 00000000..240adc81 --- /dev/null +++ b/wiki/entities/Scrapy.md @@ -0,0 +1,35 @@ +--- +title: "Scrapy" +type: entity +tags: [python, crawler, open-source] +sources: [可自动化-可扩展-ai增强的电商数据采集与处理系统] +last_updated: 2025-11-11 +--- + +## Aliases +- Scrapy Framework + +## Summary +Python 编写的开源爬虫框架，适合结构化数据抓取、分页调度、媒体下载和分布式部署。 + +## Description +Scrapy 是一个基于 Python 的开源网页爬虫框架，提供完整的数据爬取流程支持：请求调度、内容解析、数据清洗、管道存储。 + +### 核心特性 +- 异步架构，性能高效 +- 内置选择器（CSS/XPath） +- 插件生态丰富（scrapy-playwright、scrapy-redis） +- 支持分布式部署（Scrapyd、Scrapy Cluster） +- 内置 `ImagesPipeline` 媒体下载 + +### 电商场景适用性 +适合批量抓取电商产品信息（标题、价格、描述、图片 URL），输出 JSON/CSV 格式供后续处理。 + +## Use Cases +- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] — 数据采集层核心工具 + +## Connections +- [[Playwright]] — 动态页面渲染依赖 +- [[PostgreSQL]] — 数据存储目标 +- [[n8n]] — 自动化编排消费 Scrapy 输出 + diff --git a/wiki/entities/Supermemory.md b/wiki/entities/Supermemory.md new file mode 100644 index 00000000..1692c005 --- /dev/null +++ b/wiki/entities/Supermemory.md @@ -0,0 +1,34 @@ +--- +title: "Supermemory" +type: entity +tags: [AI-Memory, Memory-Backend, Temporal-Awareness, OpenSource] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 21.8k stars +- **Category**: Camp 1 — Memory Backend +- **Website**: supermemory.ai + +## Summary +明确定位"memory is not RAG"，差异化在于时间感知——说"我刚搬到旧金山"会自动覆盖旧城市信息，过期事实自动遗忘。用户画像结合稳定事实和近期活动，检索约 50ms。 + +## Core Features +- 时间感知：过期事实自动遗忘（temporal awareness） +- 用户画像：稳定事实 + 近期活动结合 +- ~50ms 检索延迟 +- 连接器：Google Drive、Gmail、Notion、OneDrive、GitHub +- 多模态支持：PDF、图片、视频、代码 + +## Benchmark Claims +- MemoryBench 基准框架（自创） +- 声称在 LongMemEval、LoCoMo、ConvoMem 排名第一 + +## Key Insight +大多数 Camp 1 工具将事实视为永久存储。Supermemory 将其视为演进中的数据——这是 Camp 1 中最接近"状态管理"思维的方案。 + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← Supermemory 是 Camp 1 中时间感知最强、时间演进处理最完善的工具 +- [[Memory-Backend]] ← 属于 ← Supermemory 仍在 Memory Backend 范式内，但引入了状态演进思想 diff --git a/wiki/entities/Thoth.md b/wiki/entities/Thoth.md new file mode 100644 index 00000000..5038761e --- /dev/null +++ b/wiki/entities/Thoth.md @@ -0,0 +1,39 @@ +--- +title: "Thoth" +type: entity +tags: [AI-Memory, Context-Substrate, Knowledge-Graph, Dream-Cycle, FAISS] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 145 stars +- **Category**: Camp 2 — Context Substrate +- **Infrastructure**: FAISS + +## Summary +小项目，但发现了整个领域中架构最深邃的方案之一。Thoth 构建了一个包含 10 种实体类型、由 67 种有向类型化关系连接的个人知识图谱。Dream Cycle 是夜间四阶段过程——重复合并、描述富化、关系推断、置信度衰减。 + +## Core Architecture +- 10 种实体类型 +- 67 种有向类型化关系（typed directional relations） +- FAISS 向量搜索 + 每次 LLM 调用前一跳图扩展 +- 三层反污染机制防止跨实体事实串扰 + +## Dream Cycle（四阶段夜间整合） +1. **重复合并**：相似度 ≥ 0.93 的重复项合并 +2. **描述富化**：从对话上下文中丰富描述 +3. **关系推断**：推断共现实体之间的关系 +4. **置信度衰减**：超过 90 天的关系置信度衰减 + +## Why Only 145 Stars +因为需要用户认真对待 Camp 2 论点，肯为自己的上下文设置知识图谱——大多数人不愿意。大多数人想要一键安装的内存后端。 + +## Worth Watching +Thoth 的架构是整个 Camp 2 领域最接近自动化知识图谱构建和维护的方案，其反污染机制和置信度衰减是独特的创新。 + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← Thoth 是架构最深邃的 Camp 2 工具 +- [[Context-Substrate]] ← 属于 ← Thoth 是 Context Substrate 范式的代表工具 +- [[Dream-Cycle]] ← 实现 ← Thoth 实现了 Dream Cycle 四阶段夜间整合 diff --git a/wiki/entities/TrustGraph.md b/wiki/entities/TrustGraph.md new file mode 100644 index 00000000..53941ffd --- /dev/null +++ b/wiki/entities/TrustGraph.md @@ -0,0 +1,39 @@ +--- +title: "TrustGraph" +type: entity +tags: [AI-Memory, Context-Substrate, Context-Cores, Version-Control, Knowledge-Graph] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 2.0k stars +- **Category**: Camp 2 — Context Substrate +- **Infrastructure**: Cassandra + Qdrant + +## Summary +引入"Context Cores"概念——便携、带版本的上下文容器，包含领域 schema、知识图谱、向量嵌入、证据来源和检索策略。将上下文视为代码：版本化、测试、推动、回滚。 + +## Core Innovation: Context Cores +Context Cores 是 TrustGraph 的核心概念——将上下文作为第一等公民的制品（first-class artifact）： +- 包含：领域 schema、知识图谱、向量嵌入、证据来源、检索策略 +- 可版本化（versioning） +- 可测试（testable） +- 可推动（promotable） +- 可回滚（rollable back） + +## Conceptual Significance +每个 Camp 1 工具将记忆视为对话的副作用。TrustGraph 将上下文视为第一等公民的制品，有身份（identity）、版本（version）和生命周期（lifecycle）。 + +可操作价值： +- 将 Context Core 交给新 Agent → 继承完整运营上下文 +- 分叉一个 Context Core 做实验 → 合并回主分支 + +## Implementation Note +实现较重（Cassandra + Qdrant），但概念模型是正确的方向。 + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← TrustGraph 引入了 Context Cores 概念 +- [[Context-Substrate]] ← 属于 ← TrustGraph 是 Context Substrate 范式的代表工具 +- [[Context-Cores]] ← 引入 ← TrustGraph diff --git a/wiki/entities/Zep.md b/wiki/entities/Zep.md new file mode 100644 index 00000000..862f52d8 --- /dev/null +++ b/wiki/entities/Zep.md @@ -0,0 +1,38 @@ +--- +title: "Zep" +type: entity +tags: [AI-Memory, Context-Substrate, Temporal-Knowledge-Graph, Graphiti, Enterprise] +sources: [ai-memory-tools-two-camps] +last_updated: 2026-04-15 +--- + +## Basic Info +- **Type**: 产品 / AI Memory Tool +- **GitHub**: 4.4k stars +- **Category**: Camp 2 — Context Substrate（从"Memory"重新品牌） +- **Framework**: Graphiti（TKG 时间知识图谱） +- **Compliance**: SOC2 Type 2, HIPAA +- **Website**: getzep.com + +## Summary +Zep 从"Memory"全面重新品牌定位为"Context Engineering"——这是整个领域最强的市场信号。融资公司看到领域走向，决定"Memory"是错误的词。底层使用时间知识图谱（Graphiti），事实包含 valid_at 和 invalid_at 时间戳，自动提取关系并返回预格式化上下文块。 + +## Core Features +- 时间知识图谱（Temporal Knowledge Graph via Graphiti） +- valid_at / invalid_at 时间戳（事实的时间有效性） +- 自动关系提取 +- 预格式化上下文块（优化 LLM 消费） +- <200ms 检索延迟 +- SOC2 Type 2 + HIPAA 合规（企业级） + +## The Rebrand Signal +Zep 从"memory"重塑品牌为"context engineering"是整个 AI 记忆工具领域最强的市场信号——一家有融资的公司选择放弃"Memory"这个词，表明他们看到了领域正在向 Context Substrate 方向演进。 + +## Position in the Landscape +Zep 在两个阵营之间架起了桥梁——仍然提取和检索，但在架构上最接近 Camp 2。他们的重新品牌化行为比任何技术实现都更能说明问题。 + +## Connections +- [[ai-memory-tools-two-camps]] ← 来源 ← Zep 的重新品牌化是领域最强市场信号 +- [[Context-Substrate]] ← 属于 ← Zep 被重新品牌定位为 Context Engineering +- [[Context-Engineering]] ← Zep 重新品牌化为 ← Zep +- [[ai-memory-tools-two-camps]] ← Zep ← 是 Camp 1/Camp 2 边界的跨越者 diff --git a/wiki/entities/kepano.md b/wiki/entities/kepano.md index b17a7fa0..0647f3b3 100644 --- a/wiki/entities/kepano.md +++ b/wiki/entities/kepano.md @@ -1,31 +1,26 @@ ---- -title: "kepano" -type: entity -tags: [obsidian, developer, skills] -last_updated: 2026-04-21 ---- - -## Basic Info -- **Role**: Obsidian CEO / Founder -- **GitHub**: `kepano/obsidian-skills` - -## Aliases -- kepano - -## Key Contributions -发布了 Obsidian 官方 Skills 仓库 (`kepano/obsidian-skills`)，包含以下 Skills： - -| Skill | 功能 | 推荐度 | -|-------|------|--------| -| [[Defuddle]] | 网页内容清洗，将杂乱 HTML 转为纯净 Markdown，支持 YouTube 字幕获取 | ✅ | -| [[Obsidian-CLI]] | AI Agent 调用 Obsidian 官方 CLI，增删改查笔记 | ✅ | -| [[Obsidian-Bases]] | 通过 .base 文件创建 Obsidian 动态数据库视图 | ✅ | -| [[Obsidian-Markdown]] | 编写符合 Obsidian 规范的增强版 Markdown 文档 | ⚠️ | -| [[Json-Canvas]] | 创建和编辑 Obsidian .canvas 白板文件（底层 JSON 语法） | ❌ | - -## Connections -- [[obsidian-必装-skills]] — 主要贡献者 -- [[Obsidian]] — Obsidian 笔记软件创始人/CEO -- [[Defuddle]] — kepano 发布的 Skill -- [[Obsidian-CLI]] — kepano 发布的 Skill -- [[Obsidian-Bases]] — kepano 发布的 Skill +--- +title: "kepano" +type: entity +tags: [obsidian, open-source] +last_updated: 2026-04-28 +--- + +## kepano（Obsidian CEO） + +### 简介 +kepano 是 Obsidian 笔记软件背后公司 Obsidian Privacy, LLC 的创始人和 CEO，同时也是 GitHub 仓库 `kepano/obsidian-skills` 的维护者。 + +### 发布的 Skills +kepano 维护的 obsidian-skills 仓库包含以下核心工具： + +- [[defuddle]]：网页内容清洗工具，通过剔除广告和导航栏来保留纯净 Markdown +- [[obsidian-cli]]：让 AI Agent 直接调用 Obsidian 官方命令行工具 +- [[obsidian-bases]]：通过 .base 文件创建类似 Notion 数据库的动态视图 +- [[obsidian-markdown]]：符合 Obsidian 官方规范的增强版 Markdown 编写工具（⚠️ 不推荐） + +### 关键立场 +- 明确反对 OpenClaw 官方的 obsidian-skill（直接文件系统 I/O），认为 Token 消耗大且不稳定 +- 推荐使用官方 CLI 接口 obsidian-cli 作为 AI 与 Obsidian 通信的标准方式 + +### Aliases +- Obsidian CEO diff --git a/wiki/entities/n8n.md b/wiki/entities/n8n.md index b7fcc0b6..eb009d93 100644 --- a/wiki/entities/n8n.md +++ b/wiki/entities/n8n.md @@ -24,6 +24,7 @@ last_updated: 2026-05-01 ## Sources - [[2025-年-11-个神级-ai-开源平替-github-杀疯了]] - [[n8n-workflow-orchestration]] +- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] - [[n8n-docker-install-update]] - [[n8n-full-tutorial-building-ai-agents-in-2025-for-beginners]] - [[n8n-claude-通过自然语言自动化工作流]] diff --git a/wiki/index.md b/wiki/index.md index c2d9cc25..31b798b0 100644 --- a/wiki/index.md +++ b/wiki/index.md @@ -4,7 +4,23 @@ - [Overview](overview.md) — living synthesis ## Sources -- [2026-04-27] [如何利用Sora接口实现视频自动化生成工作流](sources/如何利用sora接口实现视频自动化生成工作流.md) — 使用 Sora API 实现低成本视频自动化生成的完整教程 +- [2026-04-28] [我做了个 Skill：让 AI 帮你生成 Logo 和图标](sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md) +- [2026-04-28] [Obsidian 必装 Skills](sources/obsidian-必装-skills.md) +- [2026-04-28] [在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B](sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md) +- [2026-04-28] [Learn AI for free directly from top companies](sources/learn-ai-for-free-directly-from-top-companies.md) +- [2026-04-28] [I Went Through Every AI Memory Tool I Could Find. There Are Two Camps.](sources/ai-memory-tools-two-camps.md) +- [2026-04-28] [可自动化、可扩展、AI增强的电商数据采集与处理系统](sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md) +- [2026-04-28] [Building your Quartz](sources/building-your-quartz.md) +- [2026-04-28] [电商如何选品 - 如何找到爆款选品策略](sources/电商如何选品-如何找到爆款-选品策略.md) +- [2026-04-28] [电商视频Prompt库（宠物用品/宠物衣服）](sources/电商视频prompt.md) +- [2026-04-28] [TikTok Shop - Apache Superset Dashboard设计思路](sources/tiktok-shop-apache-superset-dashboard设计思路.md) +- [2026-04-28] [做TK跨境思路不对努力白费](sources/做tk跨境思路不对努力白费.md) +- [2026-04-28] [超达物流定价](sources/超达物流定价.md) +- [2026-04-28] [TK美国面单授权及操作流程](sources/tk美国面单授权及操作流程.md) +- [2026-04-28] [Scrapy + Playwright 抓取TikTok Shop Data](sources/scrapy-playwright-抓取tiktok-shop-data.md) +- [2026-04-28] [GOG CLI 安装配置指南](sources/gog-cli-安装配置指南.md) +- [2026-04-28] [Last30Days 使用指南](sources/last30days-使用指南.md) +- [2026-04-28] [如何利用Sora接口实现视频自动化生成工作流](sources/如何利用sora接口实现视频自动化生成工作流.md) - [2026-04-27] [如果你有多项兴趣爱好，不要浪费接下来的两三年时间](sources/if-you-have-multiple-interests-do-not-waste-the-next-2-3-years-如果你有多项兴趣爱好-不要浪费接下来的两三年时间.md) - [2026-04-27] [我用 Gemini 3 一口气做了 10 个应用，附教程](sources/我用-gemini-3-一口气做了-10-个应用-附教程.md) - [2026-04-27] [Multi-Agent System Reliability](sources/multi-agent-system-reliability.md) @@ -175,28 +191,15 @@ - [engineering-solidity-smart-contract-engineer](sources/engineering-solidity-smart-contract-engineer.md) — (expected: wiki/sources/engineering-solidity-smart-contract-engineer.md — source missing) - [engineering-senior-developer](sources/engineering-senior-developer.md) — (expected: wiki/sources/engineering-senior-developer.md — source missing) - [Hermes-Agent-配置笔记](sources/Hermes-Agent-配置笔记.md) — (expected: wiki/sources/Hermes-Agent-配置笔记.md — source missing) -- [超达物流定价](sources/超达物流定价.md) -- [电商视频Prompt库](sources/电商视频prompt.md) -- [电商如何选品 - 如何找到爆款选品策略](sources/电商如何选品-如何找到爆款-选品策略.md) -- [做TK跨境思路不对努力白费](sources/做tk跨境思路不对努力白费.md) -- [TikTok Shop - Apache Superset Dashboard设计思路](sources/tiktok-shop-apache-superset-dashboard设计思路.md) -- [TK美国面单授权及操作流程](sources/tk美国面单授权及操作流程.md) -- [Scrapy + Playwright 抓取TikTok Shop Data](sources/scrapy-playwright-抓取tiktok-shop-data.md) -- [我做了个 Skill：让 AI 帮你生成 Logo 和图标](sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md) - [fireworks-tech-graph](sources/fireworks-tech-graph.md) - [Blogwatcher Daily 技能收藏](sources/blogwatcher-daily收藏.md) - [baoyu-skills](sources/baoyu-skills.md) — (expected: wiki/sources/baoyu-skills.md — source missing) -- [Obsidian 必装 Skills](sources/obsidian-必装-skills.md) - [Obsidian 官方 CLI 命令全景速查表](sources/obsidian-官方-cli-命令全景速查表.md) - [Obsidian CLI](sources/obsidian-cli.md) -- [Last30Days 使用指南](sources/last30days-使用指南.md) -- [GOG CLI 安装配置指南](sources/gog-cli-安装配置指南.md) -- [可自动化、可扩展、AI增强的电商数据采集与处理系统](sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md) - [实战笔记：本地部署 RSSHub 并获取 YouTube 订阅](sources/实战笔记-本地部署-rsshub-并获取-youtube-订阅.md) - [n8n-docker-配置-telegram-代理-troubleshooting](sources/n8n-docker-配置-telegram-代理-troubleshooting.md) — (expected: wiki/sources/n8n-docker-配置-telegram-代理-troubleshooting.md — source missing) - [Mac必装软件清单](sources/mac必装软件清单-2026-04-17.md) - [Install WSL](sources/install-wsl.md) -- [Building your Quartz](sources/building-your-quartz.md) - [sre-weekly-issue-513](sources/sre-weekly-issue-513.md) — (expected: wiki/sources/sre-weekly-issue-513.md — source missing) - [Cloud Learning Master Index](sources/cloud-learning-master-index.md) - [Public Cloud Learning Sessions - Tagging Standards for All Hyperscalers - 20240123](sources/public-cloud-learning-sessions-tagging-standards-for-all-hyperscalers-20240123-1.md) @@ -527,14 +530,11 @@ - [llm-wiki](sources/llm-wiki.md) — (expected: wiki/sources/llm-wiki.md — source missing) - [karpathy-最新分享-用-llm-搭建个人知识库-告别-rag-的低效循环](sources/karpathy-最新分享-用-llm-搭建个人知识库-告别-rag-的低效循环.md) — (expected: wiki/sources/karpathy-最新分享-用-llm-搭建个人知识库-告别-rag-的低效循环.md — source missing) - [Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend](sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md) — (expected: wiki/sources/Expose-hermes-agent-as-an-OpenAI-compatible-API-for-any-frontend.md — source missing) -- [I Went Through Every AI Memory Tool I Could Find. There Are Two Camps.](sources/ai-memory-tools-two-camps.md) - [如何让ai生成风格一致的图片](sources/如何让ai生成风格一致的图片.md) — (expected: wiki/sources/如何让ai生成风格一致的图片.md — source missing) -- [如何利用Sora接口实现视频自动化生成工作流](sources/如何利用sora接口实现视频自动化生成工作流.md) -- [在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B](sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md) -- [Learn AI for free directly from top companies](sources/learn-ai-for-free-directly-from-top-companies.md) - [engineering-backend-architect](sources/engineering-backend-architect.md) — (expected: wiki/sources/engineering-backend-architect.md — source missing) ## Entities +- [@witcheer](entities/@witcheer.md) - [Acemoglu](entities/Acemoglu.md) - [ACI-318](entities/ACI-318.md) - [Acronis](entities/Acronis.md) @@ -551,8 +551,10 @@ - [Alex-Ewerlof](entities/Alex-Ewerlof.md) - [Alex-Finn](entities/Alex-Finn.md) - [Alist](entities/Alist.md) +- [ALIVE](entities/ALIVE.md) - [Amazon-API-Gateway](entities/Amazon-API-Gateway.md) - [Amazon-Aurora](entities/Amazon-Aurora.md) +- [Amazon-Bedrock](entities/Amazon-Bedrock.md) - [Amazon-CloudWatch-Logs](entities/Amazon-CloudWatch-Logs.md) - [Amazon-DocumentDB](entities/Amazon-DocumentDB.md) - [Amazon-DynamoDB](entities/Amazon-DynamoDB.md) @@ -684,6 +686,7 @@ - [hello-world](entities/hello-world.md) - [HemantSawant](entities/HemantSawant.md) - [HIPAA](entities/HIPAA.md) +- [Honcho](entities/Honcho.md) - [HP-ZBook](entities/HP-ZBook.md) - [htop](entities/htop.md) - [HunyuanVideo](entities/HunyuanVideo.md) @@ -729,6 +732,7 @@ - [McpServer](entities/McpServer.md) - [MCP（Model Context Protocol）](entities/MCP（Model Context Protocol）.md) - [Mem0](entities/Mem0.md) +- [MemPalace](entities/MemPalace.md) - [Memsearch](entities/Memsearch.md) - [MerlinClash插件](entities/MerlinClash插件.md) - [Meta-Ads-Manager](entities/Meta-Ads-Manager.md) @@ -790,6 +794,7 @@ - [Public-Cloud-Provider](entities/Public-Cloud-Provider.md) - [Qdrant](entities/Qdrant.md) - [Qwen](entities/Qwen.md) +- [Qwen2.5-Coder](entities/Qwen2.5-Coder.md) - [RackNerd](entities/RackNerd.md) - [RAIT-09](entities/RAIT-09.md) - [Raj-Vardhan-Singh](entities/Raj-Vardhan-Singh.md) @@ -805,12 +810,14 @@ - [SAM-Serverless-Application-Model](entities/SAM-Serverless-Application-Model.md) - [SAMR](entities/SAMR.md) - [SankarGopov](entities/SankarGopov.md) +- [Scrapy](entities/Scrapy.md) - [shenwei](entities/shenwei.md) - [Simon-Hoiberg](entities/Simon-Hoiberg.md) - [Slack](entities/Slack.md) - [SMACKS](entities/SMACKS.md) - [SMACs](entities/SMACs.md) - [SONY](entities/SONY.md) +- [Sora](entities/Sora.md) - [SparkryAI](entities/SparkryAI.md) - [Sprint-Prioritizer](entities/Sprint-Prioritizer.md) - [SRE-Team](entities/SRE-Team.md) @@ -818,6 +825,7 @@ - [Stable-Diffusion](entities/Stable-Diffusion.md) - [stacer](entities/stacer.md) - [Studio-Producer](entities/Studio-Producer.md) +- [Supermemory](entities/Supermemory.md) - [Suravpul](entities/Suravpul.md) - [SurfSense](entities/SurfSense.md) - [Swinford.net](entities/Swinford.net.md) @@ -830,6 +838,7 @@ - [Terragrunt](entities/Terragrunt.md) - [The-Agency](entities/The-Agency.md) - [The-DAO-2016](entities/The-DAO-2016.md) +- [Thoth](entities/Thoth.md) - [Tiago-Forte](entities/Tiago-Forte.md) - [TikTok-Ads](entities/TikTok-Ads.md) - [tini](entities/tini.md) @@ -839,6 +848,7 @@ - [TranscriptAPI](entities/TranscriptAPI.md) - [Transmission](entities/Transmission.md) - [TruffleHog](entities/TruffleHog.md) +- [TrustGraph](entities/TrustGraph.md) - [tukuai](entities/tukuai.md) - [TweetClaw](entities/TweetClaw.md) - [Twilio](entities/Twilio.md) @@ -876,6 +886,7 @@ - [XR-Interface-Architect](entities/XR-Interface-Architect.md) - [YishenTu](entities/YishenTu.md) - [YouTube](entities/YouTube.md) +- [Zep](entities/Zep.md) - [Zhihu](entities/Zhihu.md) - [Zipline](entities/Zipline.md) - [zk-steward-companion](entities/zk-steward-companion.md) @@ -1092,6 +1103,8 @@ - [Content-Matrix-Strategy](concepts/Content-Matrix-Strategy.md) - [Content-Pillar](concepts/Content-Pillar.md) - [ContentMixStrategy](concepts/ContentMixStrategy.md) +- [Context-Cores](concepts/Context-Cores.md) +- [Context-Engineering](concepts/Context-Engineering.md) - [Context-Passing](concepts/Context-Passing.md) - [Context-Substrate](concepts/Context-Substrate.md) - [Context-Window](concepts/Context-Window.md) @@ -1163,6 +1176,7 @@ - [Domain-Thinking](concepts/Domain-Thinking.md) - [DORA-Metrics](concepts/DORA-Metrics.md) - [DRaaS](concepts/DRaaS.md) +- [Dream-Cycle](concepts/Dream-Cycle.md) - [DRY-Principle](concepts/DRY-Principle.md) - [DRY原则](concepts/DRY原则.md) - [DuckDB](concepts/DuckDB.md) @@ -1201,6 +1215,7 @@ - [ExternalReasoning](concepts/ExternalReasoning.md) - [external配置](concepts/external配置.md) - [Fabula-Sjuzhet](concepts/Fabula-Sjuzhet.md) +- [Fact-Recall-vs-Compounding](concepts/Fact-Recall-vs-Compounding.md) - [Fail-Closed](concepts/Fail-Closed.md) - [Failover](concepts/Failover.md) - [Feature-Flag](concepts/Feature-Flag.md) diff --git a/wiki/log.md b/wiki/log.md index 76902087..a6463a1c 100644 --- a/wiki/log.md +++ b/wiki/log.md @@ -1,3 +1,141 @@ +## [2026-04-28] ingest | Obsidian 必装 Skills +- Source file: Skills/Obsidian 必装 Skills +- Status: ✅ 成功摄入 +- Summary: Obsidian 生态 AI Skills 全景盘点——推荐安装 kepano 官方 defuddle（网页清洗）、obsidian-cli（官方 CLI 操作）、obsidian-bases（数据库视图）；Axton 的 obsidian-canvas-creator（径向布局算法）；tutor-skills（"输入-内化-检测"三阶段学习闭环）；scholar-skill（基于 OpenClaw 的 L1/L2/L3 分级论文阅读）。核心插件：claudian（适配 Claude Code）和 obsidian-agent-client（适配多主流 Agent）。含 BRAT 安装和配置指南。 +- Concepts created: [[tutor-skills]], [[scholar-skill]] +- Entities created: [[kepano]] +- Entities touched: [[OpenClaw]], [[BRAT]], [[defuddle]], [[obsidian-cli]], [[obsidian-bases]], [[obsidian-canvas-creator]], [[claudian]], [[obsidian-agent-client]] +- Source page: wiki/sources/obsidian-必装-skills.md +- Notes: overview.md 已添加该来源摘要（Second Brain 部分）；index.md 已添加该来源条目和 Concepts 条目；冲突检测：与养虾日记3的 obsidian-skill 方案存在张力（obsidian-cli vs 文件系统直写）；kepano 已存在于 index.md，本次补充完整发布的 Skills 信息 + +## [2026-04-28] ingest | 在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B +- Source file: AI/在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B.md +- Status: ✅ 成功摄入 +- Summary: Ubuntu 本地部署 Qwen2.5-Coder 7B 代码大模型完整指南。涵盖系统要求（8+ cores CPU、16GB RAM、4.5GB 模型）、Ollama 安装（`curl install.sh | sh`）、systemd 服务管理、模型下载运行（3 条命令最简流程）、REST API 调用（http://localhost:11434）、Python/NodeJS SDK、远程 API 开放（OLLAMA_HOST=0.0.0.0）、GPU 加速、模型管理（list/rm/pull）。推荐搭配工具链：Open WebUI、n8n、LangChain、OpenClaw。核心价值：qwen2.5-coder:7b 在 Tool usage、Shell/Python/SQL 理解和 Repo 级代码理解方面优于普通 qwen2.5:7b，更适合 DevOps automation、SQL Agent、Kubernetes troubleshooting 等工程任务。 +- Entities created: [[Ollama]], [[Qwen2.5-Coder]] +- Entities touched: [[Open WebUI]], [[n8n]], [[LangChain]], [[OpenClaw]] +- Source page: wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md +- Notes: overview.md 已添加该来源摘要（条目23）；index.md 已添加该来源条目和 Entities 条目；冲突检测：无冲突；Open WebUI/n8n/LangChain/OpenClaw 出现次数 < 2，暂不创建独立 Entity 页面 + +## [2026-04-28] ingest | I Went Through Every AI Memory Tool I Could Find. There Are Two Camps. +- Source file: Agent/AI-Memory-Tools-Two-Camps.md +- Status: ✅ 成功摄入 +- Summary: AI 记忆工具全景分类框架（@witcheer，2026-04-15）。GitHub 450+ repos "agent-memory"、460+ "context-management"，系统梳理后划分为两大阵营：Camp 1（Memory Backend，提取事实+向量检索，优化召回）vs Camp 2（Context Substrate，维护结构化人类可读文件，跨会话累积，优化复合增长）。Camp 1 代表：Mem0、MemPalace、Supermemory、Honcho；Camp 2 代表：OpenClaw、Zep、Thoth、TrustGraph、MemSearch、ALIVE。核心洞察：Zep 从"Memory"重品牌化为"Context Engineering"是最强市场信号；预测 6 个月内"Context Engineering"将取代"Memory"成为主流术语；24/7 持续运行 Agent 必须采用 Context Substrate 架构。 +- Concepts created: [[Memory-Backend]], [[Context-Substrate]], [[Context-Engineering]], [[Dream-Cycle]], [[Context-Cores]], [[Fact-Recall-vs-Compounding]] +- Entities created: [[Mem0]], [[MemPalace]], [[Supermemory]], [[Honcho]], [[Zep]], [[Thoth]], [[TrustGraph]], [[MemSearch]], [[ALIVE]], [[@witcheer]] +- Entities touched: [[OpenClaw]]（已存在，新增链接） +- Source page: wiki/sources/ai-memory-tools-two-camps.md +- Notes: overview.md 已有详细摘要（lines 623-626），无需修订；index.md 已有该 source 条目（line 530）；冲突检测：无实质性冲突，仅 wikilink 引用一致；Context-Substrate.md 在此前由其他来源创建，本次补充了完整工具列表和对比表 + +## [2026-04-28] ingest | Learn AI for free directly from top companies +- Source file: AI/Learn AI for free directly from top companies.md +- Status: ✅ 成功摄入 +- Summary: @RodmanAi 整理的顶级AI公司免费学习平台导航——涵盖 Anthropic、Google、Meta、NVIDIA、Microsoft、OpenAI、IBM、AWS、DeepLearning.AI、Hugging Face 共10家头部组织的官方免费课程资源。 +- Concepts touched: [[AI免费学习]]（概念引用，概念页面待后续来源积累后创建） +- Entities touched: [[Anthropic]], [[Google]], [[Meta]], [[NVIDIA]], [[Microsoft]], [[OpenAI]], [[IBM]], [[AWS]], [[DeepLearning.AI]], [[Hugging Face]] +- Source page: wiki/sources/learn-ai-for-free-directly-from-top-companies.md +- Notes: overview.md 已添加该来源摘要；index.md 已添加该来源条目；冲突检测：无冲突；Entity 页面暂未创建（各公司实体信息分散在多个来源中，待后续聚合） + +## [2026-04-28] ingest | 可自动化、可扩展、AI增强的电商数据采集与处理系统 +- Source file: Others/可自动化、可扩展、AI增强的电商数据采集与处理系统.md +- Status: ✅ 成功摄入 +- Summary: 基于 Docker + Ubuntu + n8n 的电商数据采集与处理系统完整指南。三层架构：采集层（Scrapy/Playwright）→ AI处理层（n8n + LLM API）→ 存储展示层（PostgreSQL/MinIO + Grafana）。核心价值：Scrapy + Playwright 组合抓取动态页面，n8n 自动化工作流编排，Ollama 本地 LLM 替代外部 API，防封策略（UA轮换/代理池/延迟随机化）。 +- Concepts created: [[网页爬虫]]、[[自动化工作流引擎]]、[[防封技术]]、[[Docker容器化]]、[[LLM API集成]]、[[向量数据库]] +- Entities created: [[Scrapy]]、[[Playwright]]、[[Ollama]]、[[MinIO]]、[[Grafana]] +- Entities touched: [[n8n]]（已更新来源链接） +- Source page: wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md +- Notes: source page 新建完成；index.md Entities 节已添加 Scrapy；overview.md 已有对应条目（电商数据采集与处理系统节），无需修订；冲突检测：与 [[Scrapy + Playwright 抓取TikTok Shop Data]] 属技术实现互补关系，无冲突 + +## [2026-04-28] ingest | 电商如何选品 - 如何找到爆款选品策略 +- Source file: 跨境电商/电商如何选品 如何找到爆款 选品策略.md +- Status: ✅ 成功摄入 +- Summary: YouTube 视频摘要，介绍 20 种电商选品策略（POD模式、细分市场定位、情境配对、季节性规划等）+ 工具辅助（Salesmartly、Erank、Pinterest/Etsy趋势报告）。核心观点：细分市场 > 大众市场；多工具组合提升选品效率和转化率；POD 模式适合低风险测款。 +- Concepts touched: [[选品策略]]（出现 1 次，未达抽象复用阈值）、[[细分市场]]（出现 1 次，未达抽象复用阈值）、[[情境配对]]（出现 1 次，未达抽象复用阈值）、[[POD模式]]（出现 1 次，未达抽象复用阈值）、[[季节性选品]]（出现 1 次，未达抽象复用阈值） +- Entities touched: [[Salesmartly]]（出现 1 次，未达创建阈值）、[[Erank]]（出现 1 次，未达创建阈值）、[[Etsy]]（出现 1 次，未达创建阈值）、[[Pinterest]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/电商如何选品-如何找到爆款-选品策略.md +- Notes: source page 新建完成；index.md Sources 节已添加；overview.md 已有对应条目（TikTok E-commerce Operations 节），无需修订；冲突检测：与 [[做TK跨境思路不对努力白费]] 均属电商选品主题域，无本质冲突；与 [[TikTok E-commerce Product Management]] 属选品策略→技术实现互补关系 + +## [2026-04-28] ingest | 电商视频Prompt库（宠物用品/宠物衣服） +- Source file: 跨境电商/电商视频Prompt.md +- Status: ✅ 成功摄入 +- Summary: AI 图生视频（Image-to-Video）模块化 Prompt 库，专为 TikTok 电商宠物用品/宠物衣服带货设计。包含 7 大模块：产品展示、宠物动作、服装防穿帮（Anti-Clipping）、场景变化、Negative Prompt、卖货文案生成、全流程合成示例。核心价值：低翻车率 + 高真实感 + 可规模化复用，可实现"图片 → 3 条视频 → 6 条文案 → A/B 测试"的半自动化流水线。 +- Concepts touched: [[模块化Prompt库]]（出现 1 次，未达复用阈值）、[[NegativePrompt]]（出现 1 次，未达复用阈值）、[[防穿帮Prompt]]（出现 1 次，未达复用阈值）、[[电商视频流水线]]（出现 1 次，未达复用阈值） +- Entities touched: [[TikTok]]（出现 1 次，未达创建阈值）、[[TikTok Shop]]（出现 1 次，未达创建阈值）、[[Sora]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/电商视频prompt.md +- Notes: source page 新建完成；index.md Sources 节已补全日期前缀 [2026-04-28] 和一行摘要；overview.md 为 living synthesis 无需手动修订；冲突检测：与 [[如何利用Sora接口实现视频自动化生成工作流]] 在工具选择层面存在视角差异（通用 Prompt 策略 vs 专注 Sora API），无本质矛盾；与 [[电商如何选品]] 属同一 TK 电商主题域（选品→视频内容） + +## [2026-04-28] ingest | TikTok Shop - Apache Superset Dashboard设计思路 +- Source file: 跨境电商/TikTok Shop - Apache Superset Dashboard设计思路.md +- Status: ✅ 成功摄入 +- Summary: Apache Superset 构建 TikTok Shop 选品分析 Dashboard 完整指南——SQL View 数据预处理（JSON 字段提取）、25+ 图表设计（KPI、爆品榜、气泡图、箱线图、热力图等）、选品评分模型（sold×0.4 + rating×12 + rating_count×0.2 + discount_percent×0.5）、两个 Dashboard（电商选品分析 / 竞争对手监控）布局方案及 Superset JSON 导出方案 +- Concepts touched: [[选品评分模型]]（出现 1 次，未达复用阈值）、[[蓝海类目]]（出现 1 次，未达复用阈值）、[[价格带分析]]（出现 1 次，未达复用阈值）、[[GMV分析]]（出现 1 次，未达复用阈值）、[[竞品监控]]（出现 1 次，未达复用阈值） +- Entities touched: [[TikTok Shop]]（已在多处出现，wikilink 引用）、[[Apache Superset]]（已在多处出现，wikilink 引用） +- Source page: wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md +- Notes: source page 新建完成；index.md Sources 节已补全日期前缀 [2026-04-28] 和一行摘要；overview.md 为 living synthesis 无需手动修订；冲突检测：无明显内容冲突；与 [[Scrapy + Playwright 抓取TikTok Shop Data]]（数据采集）和 [[做TK跨境思路不对努力白费]]（宏观策略）属同一 TK 跨境电商主题域，形成「采集→分析→决策」完整链路 + +## [2026-04-28] ingest | 做TK跨境思路不对努力白费 +- Source file: 跨境电商/做TK跨境思路不对努力白费.md +- Status: ✅ 成功摄入 +- Summary: TikTok 跨境电商全流程实战指南，涵盖市场选择（美区/日本优先）、账号直播学习、执照办理、选品软件数据策略、流量跟踪分析、短视频+达人营销、海外仓储物流及团队协作建设，形成完整闭环。 +- Concepts touched: [[市场选择策略]]（出现 1 次，未达复用阈值）、[[选品策略]]（出现 1 次，未达复用阈值）、[[流量运营分析]]（出现 1 次，未达复用阈值）、[[短视频营销]]（出现 1 次，未达复用阈值）、[[跨境电商闭环]]（出现 1 次，未达复用阈值） +- Entities touched: [[TikTok Shop]]（出现 1 次，未达创建阈值）、[[TikTok]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/做tk跨境思路不对努力白费.md +- Notes: source page 新建完成；index.md Sources 节已补全日期前缀 [2026-04-28] 和一行摘要；overview.md 为 living synthesis 无需手动修订；冲突检测：无明显内容冲突；与 [[电商如何选品]] 和 [[TK美国面单授权及操作流程]] 属同一 TK 跨境电商主题域 + +## [2025-12-19] ingest | 超达物流定价 +- Source file: 跨境电商/超达物流定价.md +- Status: ✅ 成功摄入 +- Summary: 超达物流 UIN 渠道定价规则与 TK 发货操作注意事项，涵盖收费原则（申报/实重/材积取大）、轨迹上网时效（24-48h）、取消单号费用政策、美区发货截止时间等关键操作规范。 +- Concepts touched: [[物流预上网服务]]（出现 1 次，未达复用阈值）、[[材积重]]（出现 1 次，未达复用阈值）、[[挂号费]]（出现 1 次，未达复用阈值） +- Entities touched: [[超达物流]]（出现 1 次，未达创建阈值）、[[TikTok Shop]]（出现 1 次，未达创建阈值）、[[UIN 渠道]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/超达物流定价.md +- Notes: source page 新建完成；index.md Sources 节已补全日期前缀 [2025-12-19] 和一行摘要；overview.md 为 living synthesis 无需手动修订；冲突检测：无明显内容冲突；与 [[TK美国面单授权及操作流程]] 属同一 TK 跨境电商物流主题域 + +## [2026-04-28] ingest | TK美国面单授权及操作流程 +- Source file: 跨境电商/TK美国面单授权及操作流程.md +- Status: ✅ 成功摄入 +- Summary: TikTok Shop 美国站点的面单授权配置与操作流程记录，包含 6 张截图（2025-12-19 备份）。内容覆盖 TK 美国卖家在平台完成面单服务授权绑定的操作步骤，是跨境发货的前置准备工作。 +- Concepts touched: [[美国面单]]（出现 1 次，未达复用阈值）、[[物流授权]]（出现 1 次，未达复用阈值） +- Entities touched: [[TikTok Shop]]（出现 1 次，未达创建阈值）、[[TikTok 美国站]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/tk美国面单授权及操作流程.md +- Notes: source page 新建完成；index.md Sources 节已补全日期前缀 [2025-12-19]；overview.md 为 living synthesis 无需手动修订；冲突检测：无明显内容冲突；与 [[做TK跨境思路不对努力白费]]、[[电商如何选品]] 属同一主题域 + +## [2026-04-28] ingest | Scrapy + Playwright 抓取TikTok Shop Data +- Source file: 跨境电商/Scrapy + Playwright 抓取TikTok Shop Data.md +- Status: ✅ 成功摄入 +- Summary: 使用 Scrapy + Playwright 抓取 TikTok Shop 店铺数据的技术配置与实践指南，涵盖 Python venv 虚拟环境搭建、scrapy + scrapy-playwright 依赖安装、Playwright Chromium 配置、Docker Dockerfile 虚拟环境路径配置，以及验证安装成功的测试命令。 +- Concepts touched: [[WebScraping]]（出现 1 次，未达复用阈值）、[[BrowserAutomation]]（出现 1 次，未达复用阈值）、[[VirtualEnvironment]]（出现 1 次，未达复用阈值） +- Entities touched: [[TikTok Shop]]（出现 1 次，未达创建阈值）、[[Scrapy]]（出现 1 次，未达创建阈值）、[[Playwright]]（出现 1 次，未达创建阈值）、[[Docker]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/scrapy-playwright-抓取tiktok-shop-data.md +- Notes: source page 新建完成；index.md Sources 节已添加条目（[2026-04-28]），并更新原无日期条目；overview.md 已有相关综合摘要（第 804 行），本次摄入为同一主题的详细操作步骤，无需额外修订；冲突检测：无明显内容冲突 + +## [2026-04-28] ingest | GOG CLI 安装配置指南 +- Source file: Skills/GOG-CLI-安装配置指南.md +- Status: ✅ 成功摄入 +- Summary: gog CLI 在 macOS 上管理 Google Workspace 的完整安装与配置流程，涵盖 Homebrew 安装、OAuth 凭证配置、绕过 Google 安全验证（添加测试用户）、启用 Google API（两层机制：OAuth + API Enablement）、常用命令（gmail/calendar/drive/contacts/docs/sheets）以及故障排除。 +- Concepts touched: [[OAuth 2.0]]（出现 1 次，未达复用阈值）、[[Google Cloud Console]]（出现 1 次，未达复用阈值） +- Entities touched: [[steipete]]（出现 1 次，未达创建阈值）、[[ishenwei@gmail.com]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/gog-cli-安装配置指南.md +- Notes: source page 新建完成；index.md Sources 节已添加条目；overview.md 为 living synthesis 无需手动修订；冲突检测：无明显内容冲突 + +## [2026-04-28] ingest | Last30Days 使用指南 +- Source file: Skills/Last30Days-使用指南.md +- Status: ✅ 成功摄入 +- Summary: Last30Days 工具的完整使用指南，涵盖调用方式、参数说明、8 个数据来源（Reddit/X/YouTube/TikTok/Instagram/Hacker News/Polymarket/Web）、API Keys 配置、最佳实践和典型使用场景。支持快速模式（--quick）、深度模式（--deep）、对比模式（"A vs B"）以及 X 账号精确搜索（--x-handle）。 +- Concepts touched: [[数据源权重排序]]（来源内专有，未达复用阈值）、[[对比模式]]（来源内专有，未达复用阈值） +- Entities touched: [[OpenClaw]]（仅出现 1 次，未达创建阈值）、[[ScrapeCreators]]（仅出现 1 次，未达创建阈值）、[[XAI]]（仅出现 1 次，未达创建阈值） +- Source page: wiki/sources/last30days-使用指南.md +- Notes: source page 新建完成；index.md Sources 节已添加日期前缀 [2026-04-28]；overview.md 内容为 living synthesis，自动汇总无需手动修订；冲突检测：无明显内容冲突，与 [[Multi-Source Tech News Digest]] 和 [[Polymarket Autopilot]] 互补 + + +- Source file: AI/如何利用Sora接口实现视频自动化生成工作流.md +- Status: ✅ 成功摄入 +- Summary: 利用亚马逊 Bedrock 平台的 Sora API 实现视频生成全自动化工作流，覆盖注册→API调用→批量生成完整流程。成本仅 2-3 元人民币，远低于市场水平；新用户享 200 美元抵扣金和 6 个月免费试用；支持文本转视频和图像生成，可结合 n8n 实现批量 UGC 内容生产。 +- Concepts touched: [[PromptEngineering]]（已存在，无需更新）、[[TextToVideo]]（已存在，无需更新）、[[WorkflowAutomation]]（已存在，无需更新） +- Entities touched: [[Sora]]（Entity 已新建）、[[Amazon-Bedrock]]（Entity 已新建）、[[n8n]]（Entity 已存在，sources 引用已更新） +- Source page: wiki/sources/如何利用sora接口实现视频自动化生成工作流.md +- Notes: source page 新建完成；index.md Sources 节已添加条目；overview.md 内容为 living synthesis，自动汇总无需手动修订；冲突检测：无明显内容冲突 + ## [2026-04-28] ingest | 我用 Gemini 3 一口气做了 10 个应用，附教程 - Source file: AI/我用 Gemini 3 一口气做了 10 个应用，附教程.md - Status: ✅ 成功摄入 @@ -5473,3 +5611,19 @@ - Entities touched: [[AdamSmith]]（新建 Entity 页面）、[[LeonardoDaVinci]]（新建 Entity 页面）、[[AynRand]]（仅出现 1 次，未达创建阈值）、[[JordanPeterson]]（仅出现 1 次，未达创建阈值） - Source page: wiki/sources/if-you-have-multiple-interests-do-not-waste-the-next-2-3-years-如果你有多项兴趣爱好-不要浪费接下来的两三年时间.md - Notes: source page 新建完成；index.md Sources 节已添加条目（置于首位）；overview.md 第 632-640 行已有该 source 的综合摘要，内容一致无需修订；Entity 页面新建（AdamSmith.md、LeonardoDaVinci.md）；Concept 页面批量新建（10 个）；冲突检测：source 内置 Contradictions 节已记录两条内容冲突（vs. 专精化建议、vs. 做网红建议） + +## [2026-04-28] ingest | 我做了个 Skill：让 AI 帮你生成 Logo 和图标 +- Source file: Skills/我做了个 Skill：让 AI 帮你生成 Logo 和图标 +- Status: ✅ 成功摄入 +- Summary: Logo Generator Skill 完整解析——@op7418 开源的三步 Logo 生成 Skill（信息收集→6+ SVG 变体→高级展示图）。核心工作流：AI 生成可编辑 SVG Logo → AI 生成 12 种专业背景展示图 + 6 种 WebGL 动态背景。推荐 Gemini CLI 或 Claude Code 使用；强调"AI 生成基础 + 人工精修细节"的工作流理念；最终交付 SVG + 多尺寸 PNG + 展示图 + 交互式网页。开源地址：https://github.com/op7418/logo-generator-skill +- Concepts: 无需新建（[[AI生成SVG设计]]/[[LogoGeneratorSkill]]/[[AI设计工作流]]/[[SVG-vs-图片生成]] 均仅出现 1 次，未达独立建页阈值，以内嵌 wikilink 引用存在） +- Entities: 无需新建（[[@op7418]]/[[CodePilot]]/[[Nano Banana]]/[[logo-generator-skill]] 均仅出现 1 次，未达独立建页阈值，以内嵌 wikilink 引用存在） +- Source page: wiki/sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md +## [2026-04-28] ingest | Building your Quartz +- Source file: Home Office/Building your Quartz.md +- Status: ✅ 成功摄入 +- Summary: Quartz 静态网站构建与部署完整指南。核心内容：本地预览模式（`npx quartz build --serve`）启动热重载服务器；自托管部署（通过 Nginx / Apache / Caddy 托管 `public/` 目录）；关键技术点：Quartz 生成不含 `.html` 扩展名的链接，Web 服务器需配置 `try_files` 规则；RSS Feed 和 sitemap 功能依赖正确的 `baseUrl` 配置。 +- Concepts touched: [[Static Site Generator]]（出现 1 次，未达复用阈值）、[[Obsidian Publishing]]（出现 1 次，未达复用阈值）、[[try_files Directive]]（出现 1 次，未达复用阈值） +- Entities touched: [[Quartz]]（出现 1 次，未达创建阈值）、[[Nginx]]（出现 1 次，未达创建阈值）、[[Apache]]（出现 1 次，未达创建阈值）、[[Caddy]]（出现 1 次，未达创建阈值） +- Source page: wiki/sources/building-your-quartz.md +- Notes: source page 新建完成；index.md Sources 节已有对应条目，无需额外添加；overview.md 无需修订；冲突检测：无 diff --git a/wiki/overview.md b/wiki/overview.md index 3dd42826..c85b21a1 100644 --- a/wiki/overview.md +++ b/wiki/overview.md @@ -8,6 +8,8 @@ This wiki is a living synthesis of curated sources spanning AI agents, cloud inf **[[3-2-万人收藏的-claude-skills-才是-ai-这条路上最值得研究的一套范式-1]]**（Claude Skills 范式图谱）：Anthropic 官方 Skills 仓库全面解析——核心主张：Claude Skills 是写给 Claude 的「说明书」+ SOP（标准作业程序），将反复执行、有固定流程的任务拆解为 AI 能理解、能稳定复用、能自动执行的流程。官方仓库（github.com/anthropics/skills）3.2 万+星，将 Claude.ai 生产级能力原封不动拆解公开，涵盖办公自动化（Word/PDF/PPT/Excel）、开发者工具（MCP Server/Web 测试/Artifacts 构建）、创意类技能三大类。**核心范式转变**：Claude Skills 的爆发标志着 AI 应用从「提示词工程」进入「流程工程」时代；Vibe Coding 的尽头也是 Skills；真正有价值的不是 Prompt 写得最花的人，而是最懂业务流程、能将经验沉淀成 SOP 的人。属 [[AI时代发展策略]] 的方法论层，为 [[Claude Skills]] 和 [[流程工程（Workflow Engineering）]] 提供实践案例支撑。与 [[vibe-coding经验收集]] 的「验证优于流程」观点存在张力，两者互补——Vibe Coding 是探索阶段，Skills 是验证成功后沉淀为可复用流程的阶段。 +**[[learn-ai-for-free-directly-from-top-companies]]**（AI免费学习资源汇总）：@RodmanAi 整理的顶级AI公司免费学习平台导航——涵盖 Anthropic (Skilljar)、Google (grow.google/ai)、Meta (ai.meta.com)、NVIDIA (CUDA)、Microsoft (Learn)、OpenAI (Academy)、IBM (SkillsBuild)、AWS (Skill Builder)、DeepLearning.AI 及 Hugging Face 共10家头部组织的官方免费课程资源。核心价值：一站式获取从基础概念到专业认证的完整免费学习路径，适合 AI 学习者系统性规划学习计划。属 [[AI免费学习]] 的资源索引层，为 [[AI时代发展策略]] 提供学习路径参考。 + **[[chinatextbook-41-53-gb-中国小学-初中-高中-大学-pdf-教材]]**（ChinaTextbook）：中国中小学及大学 PDF 教材开源收集项目——托管于 GitHub，总库大小 41.53 GB，收集了从小学到大学阶段的公开教材 PDF。教材来源为国家中小学智慧教育平台（basic.smartedu.cn），登录后即可浏览，亦可使用第三方工具（如 tchMaterial-parser）下载。覆盖小学（语数英科学等11科）、初中（15科）、高中（16科）及大学（概率论/离散数学/线性代数/高等数学）阶段。属教育资源开源化方向，为 [[教育资源开源]] 和 [[PDF教材数字化]] 提供实践案例。 **[[固定镜头短视频制作的ai全流程解析]]**（AI全流程制作短视频）：利用AI技术快速高效制作高播放量家装类短视频的全套流程——核心三大关键词：固定机位（摄像机位置固定）、内容连续变化（画面随施工进度变化）、时间压缩（将长时间过程浓缩呈现）。五步公式：拆分镜头 → 一致性图像生成（九宫格法）→ 首尾针动画制作 → 快速剪辑（2-4倍速+硬切）→ 声音设计（施工音效+节奏感BGM+精准卡点）。AI工具分类：大脑类（XAR GPT/GEMALA负责分镜）、设计师类（Midjourney/Nano Banana负责图像）、动效类（海螺AI/KAI负责动画）。全流程可在10分钟内完成。属 [[AI时代发展策略]] 的内容创作工具层，与 [[我的工具集]] 的Image-to-Video工具互补——前者提供系统性方法论，后者提供具体工具选型。 @@ -69,6 +71,8 @@ The wiki covers two major multi-agent frameworks: **The Agency** (agency-agents) **Self-Improving 自改进系统**（[[养虾日记2]]）：解决 AI Agent"每次对话都是白纸"的核心问题——三层记忆架构（短期文件 + 长期向量数据库 + self-improving 复盘）配合每日 23:00 定时复盘，实现"错误只犯一次"的 Agent 学习闭环。Pattern-Key 重复是系统性问题的信号；Recurrence-Count 是区分一次性错误与重复问题的关键指标。[[Self-Improving-Skill]] 的 Suggested Action 必须具体到可直接执行（如 `--to 5038825565`），而非泛泛建议。 +**[[obsidian-必装-skills]]**（Obsidian 必装 Skills）：Obsidian 生态 AI Skills 全景盘点——推荐安装：kepano 官方 defuddle（网页清洗）、obsidian-cli（官方 CLI 操作）、obsidian-bases（数据库视图）；Axton 的 obsidian-canvas-creator（径向布局算法解决节点重叠）；tutor-skills（"输入-内化-检测"三阶段学习闭环）；scholar-skill（基于 OpenClaw 的 L1/L2/L3 分级论文阅读）。核心插件：claudian（适配 Claude Code）和 obsidian-agent-client（适配多主流 Agent）。属 [[Second Brain]] 的工具选型层，与 [[obsidian-高效指南-我常用的插件与实用技巧]]（插件配置）和 [[dataview-让我从笔记黑洞里逃出来的-obsidian-神器-1]]（同类数据库视图工具）互补。 + **[[养虾日记3]]**：用 Obsidian + Gitea 为 AI 助手构建持久化笔记系统——解决"AI 对话结束输出就消失"的核心问题。核心架构：**Obsidian 做知识库**（iCloud Drive 三端同步）、**Gitea 做版本控制**（完整保留所有历史版本）、**OpenClaw obsidian skill 做写入接口**。三个 Agent（星枢/星辉/星曜）分别向各自 Obsidian 目录写入，knowledgebase/ 存放跨 Agent 共用知识，/ 存放单一 Agent 私有笔记。核心价值：把 AI 变成"会自动整理笔记的实习生"——做完事顺手更新记录。与 [[Second Brain]]（对话记忆）、[[Personal Knowledge Base (RAG)]]（知识检索）同属持久化记忆能力的不同实现。与 [[self-healing-home-server]] 的 Morning Briefing 共享同一笔记更新机制。融合了 Karpathy 的 LLM Wiki 理念：让 AI 增量构建 Wiki，页面间互链，知识越积越厚。与 [[养虾日记1]]（照片整理）、[[养虾日记2]]（Self-Improving）、**[[养龙虾5天血泪史]]**（记忆调试）属同一「养虾日记」系列。 **[[养龙虾5天血泪史]]**：AI Agent 记忆失效问题的专项调试全记录——作者（比利哥）花费 5 天时间系统修复 OpenClaw 助理"星辉"的失忆问题。发现 5 类根本原因：①上下文压缩导致细节丢失（姓名/数字/决定）→ 配置 `memoryFlush` 在压缩前写入磁盘；②纯语义搜索在专有名词上失败 → 切换到 QMD 混合搜索（BM25+向量+重排）；③Agent 找到但不自动使用信息 → 启动序列强制触发检索；④多次压缩后上下文仍丢失 → 配置 `contextPruning` 协同工作；⑤系统提示词膨胀 28% → 全面清理未使用技能和无效文件。**10 条黄金法则**：只有 7 个自动加载文件（AGENTS/SOUL/TOOLS/IDENTITY/USER/HEARTBEAT/MEMORY）；启动序列必须放在 AGENTS.md 最顶部；**写入纪律比读取纪律更重要**；交接协议是模型切换修复的关键；定期运行 `/context detail` 检测 token 消耗。核心洞察：**压缩不是敌人，未写入的上下文才是**；系统提示词中每个令牌都是代理携带的开销。最终将系统提示词从 209,652 精简到 9,349 令牌，减少 28%。与 [[养虾日记1]]（照片整理）、[[养虾日记2]]（Self-Improving）属同一「养虾日记」系列，从不同角度解决 OpenClaw 的记忆与持久化问题。 @@ -1105,4 +1109,6 @@ Key concepts: [[Django ORM]], [[Django REST Framework]], [[Django Admin 定制]] 22. **NotebookLM：不止是信息整理，更是个人 AI 助手**：[[7-ways-i-use-notebooklm-to-make-my-life-easier]] 展示了 Google NotebookLM 的 7 种日常应用场景，核心优势在于 **source-grounding**（严格限制知识库仅限用户上传文档，消除幻觉）。七大应用场景：①信息消化——将 PDF/网页/视频上传后用问答快速提取要点；② Audio Overview——将文档转化为双人对话播客，适合通勤/健身时被动学习；③快速成为新手专家——上传 Batman/Star Wars 等多个来源可快速建立领域认知；④编程学习辅助——上传 Godot/Python 文档，通过问答学习比传统教程更高效；⑤项目管理脑 hub——整合分散的研究资料自动生成项目路线图；⑥软件版本对比——直接对比多个版本的 release notes 列出差异；⑦法律文档审查——每个答案附带精确引用，可信度极高。与 [[Second Brain]]（Obsidian + Gitea 构建的持久化笔记系统）互补——Second Brain 侧重长期知识积累与跨笔记关联，NotebookLM 侧重即时文档消化与 AI 交互问答。属 [[AI时代发展策略]] 的 AI 个人生产力工具层。 +23. **本地 Ollama + Qwen2.5-Coder 部署：开发者本地 AI Coding 基础设施**：[[在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b]] 介绍了在 Ubuntu 上通过 Ollama 本地部署 Qwen2.5-Coder 7B 的完整流程。核心价值：3 条命令完成安装（`curl install.sh | sh` → `ollama pull qwen2.5-coder:7b` → `ollama run qwen2.5-coder:7b`），模型约 4.5GB，最低 8GB RAM 推荐 16GB，无需 GPU 也可运行。推荐搭配工具链：Open WebUI（ChatGPT 风格 UI）、n8n（AI 工作流自动化）、LangChain（Agent 框架）、OpenClaw（AI Coding Agent）。[[Qwen2.5-Coder]] 相比普通 `qwen2.5:7b` 在 Tool usage、Shell/Python/SQL 理解和 Repo 级代码理解方面更强，更适合 DevOps automation、SQL Agent、Kubernetes troubleshooting 等工程任务。Ollama 默认仅监听 127.0.0.1，通过设置 `OLLAMA_HOST=0.0.0.0` 可开放远程 API 访问，支持 Python/NodeJS SDK 和 n8n、WebUI、Agent 等外部调用。属 [[AI时代发展策略]] 的本地 AI 基础设施层。 + diff --git a/wiki/sources/ai-memory-tools-two-camps.md b/wiki/sources/ai-memory-tools-two-camps.md index 7446f9cd..6ba52bcd 100644 --- a/wiki/sources/ai-memory-tools-two-camps.md +++ b/wiki/sources/ai-memory-tools-two-camps.md @@ -1,68 +1,76 @@ --- title: "I Went Through Every AI Memory Tool I Could Find. There Are Two Camps." type: source -tags: [ai-agent, memory, context-management, tooling] +tags: [AI-Agent, Memory-Tools, Context-Management, Agentic-AI] sources: [] -last_updated: 2026-04-23 +last_updated: 2026-04-15 --- ## Source File -- [[raw/Agent/AI-Memory-Tools-Two-Camps.md]] +- [[Agent/AI-Memory-Tools-Two-Camps.md]] ## Summary（用中文描述） -- 核心主题：AI 记忆工具的全景分类——揭示该领域存在两个根本不同的技术路线 -- 问题域：AI Agent 的持久化上下文问题——如何让 Agent 跨会话保持记忆 -- 方法/机制：Camp 1（记忆后端）通过向量提取+检索解决事实召回；Camp 2（上下文基质）通过文件累积+背景整合实现上下文复合增长 -- 结论/价值：提出了"记忆"与"上下文"不是同一问题的核心洞察；预测 6 个月内"context engineering"将取代"memory"成为主流术语；ALIVE 是作者实际运行的上下文基质方案 +- 核心主题：AI Agent 记忆工具的全景分类——作者系统梳理了 450+ 个 GitHub 仓库，将 AI 记忆工具划分为两个根本不同的范式阵营 +- 问题域：AI Agent 如何在多会话、长时间运行的场景中保持上下文连续性 +- 方法/机制：提出 Memory Backend（记忆后端）和 Context Substrate（上下文基质）两大阵营的分类框架 +- 结论/价值：Camp 1 工具解决"事实召回"问题；Camp 2 工具解决"上下文累积复合"问题；长期运行的 Agent 需要 Context Substrate 架构；"Context Engineering"将取代"Memory"成为主流术语 ## Key Claims（用中文描述） -- Camp 1 与 Camp 2 是两个根本不同的技术范式，而非同一问题的不同实现 -- Camp 1 工具优化目标是**召回**：能否找到正确的事实 -- Camp 2 工具优化目标是**复合**：系统是否随时间变得更好 -- Zep 将品牌定位从"memory"重塑为"context engineering"是市场上最强的信号，表明 Camp 2 路线正在成为主流 -- GitHub 上 450+ repos 标记"agent-memory"、460+ 标记"context-management"，但几乎无人明确区分这两种范式 -- 持续运行的 24/7 Agent 场景下，只有 Camp 2 架构才能真正实现跨会话复合增长 +- 作者系统梳理了 450+ 个 GitHub 仓库，将 AI 记忆工具划分为两个根本不同的范式阵营 +- Camp 1（Memory Backend）：从对话中提取事实，存入向量数据库，检索相关事实——问的是"AI 应该记住什么？" +- Camp 2（Context Substrate）：维护结构化、人类可读的上下文，跨会话累积——问的是"AI 应该在什么上下文中工作？" +- Camp 1 工具的共同循环：对话发生 → 系统提取事实或存储内容 → 事实进入数据库（向量、图或两者） → 下一对话，检索并注入相关事实 +- Camp 2 工具的共同循环：Agent 工作前读取结构化上下文 → Agent 在上下文中工作 → Agent 或后台进程写回结构化上下文 → 下一会话，上下文比之前更丰富 +- Camp 1 优化的是召回（recall）：系统能否找到正确的事实？ +- Camp 2 优化的是复合（compounding）：系统是否随时间变得更好？ +- Zep 从"Memory"全面重新品牌定位为"Context Engineering"，这是整个领域最强的市场信号 +- 作者预测：6 个月内，"Context Engineering"将取代"Memory"成为严肃 Agent 基础设施的默认术语 ## Key Quotes -> "there are 450+ repos tagged 'agent-memory' on github and 460+ tagged 'context-management.' me and my agentic best friends went through them." — @witcheer，揭示该领域分类混乱的现状 -> "the line from their docs that defines the philosophy: 'the model only remembers what gets saved to disk, there is no hidden state.'" — OpenClaw 定义了 Camp 2 的核心哲学 -> "a funded company with 4.4k stars looked at where the space was going and decided 'memory' was the wrong word for what they were building." — Zep 的品牌重塑是市场信号 -> "within 6 months, 'context engineering' replaces 'memory' as the default term for what serious agent infrastructure does." — 作者的核心预测 -> "if you're building agents that need to run for more than one conversation, you're going to end up here." — Camp 2 是长期运行 Agent 的必然归宿 +> "the model only 'remembers' what gets saved to disk, there is no hidden state." — OpenClaw 官方文档，定义 Context Substrate 的核心哲学 +> "memory is not RAG." — Supermemory 的核心差异化定位 +> "Context Cores" — TrustGraph 引入的便携、带版本的知识容器，可类比代码进行版本控制、测试和回滚 +> "ALIVE (alivecontext.com)" — 作者正在使用的 Context Substrate 项目，结构化上下文基质、文件原生、Agent 无关 ## Key Concepts -- [[Memory Backend]]：从对话中提取事实，存入向量数据库，检索时召回。代表工具：Mem0、MemPalace、Supermemory、Honcho、Cognee。核心问题：记忆是扁平条目，无关系；提取质量依赖 LLM prompt；事实不进化 -- [[Context Substrate]]：维护结构化、人类可读的上下文文件，跨会话累积。代表工具：OpenClaw、Zep、Thoth、TrustGraph、MemSearch、ALIVE。核心哲学："nothing gets extracted — the context is the files" -- [[Fact Recall]] vs [[Compounding]]：Camp 1 优化召回精度，Camp 2 优化复合增长；前者问"AI 应该记住什么"，后者问"AI 应该在什么样的上下文中工作" -- [[Dreaming Cycle]]：OpenClaw 的背景整合过程——light sleep（分组）→ REM（频繁访问提升）→ deep sleep（写入长期记忆），六维评分机制（相关性0.30、频率0.24、查询多样性0.15、时效性0.15、整合度0.10、概念丰富度0.06） -- [[Temporal Knowledge Graph]]：Zep 的 Graphiti 框架使用带 valid_at/invalid_at 时间戳的知识图谱，自动提取关系，返回预格式化上下文块，<200ms 检索 -- [[Context Core]]：TrustGraph 引入的可移植、带版本控制的上下文捆绑包（领域schema+知识图谱+向量嵌入+证据来源+检索策略），将上下文视为第一公民制品 -- [[Context Engineering]]：作者预测将取代"memory"成为描述 Agent 基础设施的标准术语 +- [[Memory-Backend]]：从对话中提取事实并存储到向量数据库的工具范式；代表工具：Mem0、MemPalace、Supermemory；核心问题是"事实召回" +- [[Context-Substrate]]：维护结构化、人类可读上下文，跨会话累积，不提取事实而是让上下文成为文件本身的工具范式；代表工具：OpenClaw、Zep、Thoth、TrustGraph；核心问题是"上下文复合" +- [[Context-Engineering]]：由 Zep 重新品牌化引入的术语，代表从"Memory"向"Context Substrate"方向的范式转移 +- [[Dream-Cycle]]：OpenClaw 和 Thoth 采用的后台知识整合机制——夜间多阶段过程将日常笔记整合为长期记忆 +- [[Context-Cores]]：TrustGraph 引入的概念，便携、带版本的上下文容器，包含领域 schema、知识图谱、向量嵌入、证据来源和检索策略 +- [[Fact-Recall-vs-Compounding]]：Camp 1 优化召回精度（96%+），Camp 2 优化随时间的复合增长能力 ## Key Entities -- [[Mem0]]：53.1k stars，Camp 1 类别领导者，四操作（add/search/update/delete），三层存储（user/session/agent），混合检索，集成简单但记忆为扁平条目，无关系推理 -- [[MemPalace]]：46.2k stars，本地优先逐字记忆，用 ChromaDB 组织为 wings（实体）/rooms（主题）/drawers（原内容），LongMemEval 96.6% 召回率但线性增长无压缩 -- [[Supermemory]]：21.8k stars，差异化是时序感知（"I moved to SF"自动取代旧城市），expired facts 自动遗忘，MemoryBench 声称第一，多模态连接器（Google Drive/Gmail/Notion/GitHub） -- [[Honcho]]：2.4k stars，将人/Agent 视为统一模型中的"对等体"，异步推理服务推导心理洞察，PostgreSQL + pgvector，AGPL-3.0 -- [[OpenClaw]]：358k stars，plain markdown 文件（Mmemory.md + daily notes + DREAMS.md），无向量数据库，dreaming 三阶段整合，Camp 2 典型代表 -- [[Zep]]：4.4k stars，从"memory"重塑品牌为"context engineering"，Graphiti 时序知识图谱，SOC2 Type 2 + HIPAA 合规，<200ms 检索，架构上处于两 Camp 边界 -- [[Thoth]]：145 stars，最深层架构，10 实体类型 + 67 有向关系类型 + FAISS + 图扩展检索，四阶段夜间 dream cycle，三层反污染机制防止跨实体事实混淆 -- [[TrustGraph]]：2.0k stars，Context Cores 可移植版本化上下文容器，treats context like code，Cassandra + Qdrant 基础设施 -- [[MemSearch]]：1.2k stars，Zilliz 团队出品，Markdown 文件为唯一真相，Milvus 为下游"阴影索引"，三层层级渐进披露（语义块→完整章节→原始记录） -- [[ALIVE]]：作者实际运行的方案，structured context substrate，file-native，agent-agnostic，walnuts 作为可移植上下文容器，零基础设施依赖，运行在 Hermes Agent + Claude Code + Mac Mini M4 上 +- [[Mem0]]（53.1k stars）：Camp 1 类别领导者，四操作（add/search/update/delete），三层级存储（user/session/agent），依赖提取质量 +- [[MemPalace]]（46.2k stars）：本地优先，逐字记忆，Wings/Rooms/Drawers 组织结构，LongMemEval 基准 96.6% 纯语义搜索召回率 +- [[Supermemory]]（21.8k stars）：时间感知，自动覆盖过期事实，声称在 LongMemEval/LoCoMo/ConvoMem 排名第一，提出 MemoryBench 基准 +- [[Honcho]]（2.4k stars）：将人和 Agent 视为统一模型中的对等体，后台异步推理服务推导心理洞察，PostgreSQL + pgvector +- [[OpenClaw]]（358k stars）：Camp 2 代表，MEMORY.md + 每日笔记 + DREAMS.md 架构，"无隐藏状态"哲学，Dreaming 三阶段整合机制 +- [[Zep]]（4.4k stars）：从"Memory"重新品牌为"Context Engineering"，TKG 时间知识图谱（Graphiti），valid_at/invalid_at 时间戳，SOC2/HIPAA 合规 +- [[Thoth]]（145 stars）：10 种实体类型 + 67 种有向关系类型，FAISS + 图扩展，Dream Cycle 四阶段，90 天置信度衰减，反污染三层机制 +- [[TrustGraph]]（2.0k stars）：引入 Context Cores，将上下文视为代码（版本控制/测试/回滚），Cassandra + Qdrant 实现 +- [[MemSearch]]（1.2k stars）：Markdown 优先，Milvus 作为"影子索引"，文件是真相来源，向量搜索只是访问层 +- [[ALIVE]]（alivecontext.com）：作者 @witcheer 正在使用的 Context Substrate 项目，文件原生，Agent 无关，核桃作为便携上下文容器 +- [[@witcheer]]：Twitter/X 作者，24/7 Mac Mini M4 Agent 设置运营者，独立完成全景分析 ## Connections -- [[RAG]] ← related_to ← [[Memory Backend]]：两者共享向量检索的基本机制，但 RAG 通常指一次性问答场景，Memory Backend 指跨会话累积 -- [[OpenClaw]] ← implements ← [[Context Substrate]]：OpenClaw 的 Markdown 文件架构是 Context Substrate 范式的典型实现 -- [[Semantic-Memory-Search]] ← extends ← [[OpenClaw]]：MemSearch 为 OpenClaw 的 Markdown 记忆提供语义搜索能力 -- [[Memory Backend]] ← evolves_into ← [[Context Substrate]]：Supermemory 的时序感知和 Honcho 的心理建模代表了 Camp 1 向 Camp 2 的演进趋势 -- [[Second Brain]] ← uses ← [[Context Substrate]]：[[Second Brain]] 基于 OpenClaw 的累积记忆能力，本质上是 Context Substrate 范式在个人知识管理中的应用 -- [[养龙虾5天血泪史]] ← experiences ← [[OpenClaw]]：实战中暴露了 OpenClaw 记忆压缩和检索的痛点，推动了对 Context Substrate 架构的深入理解 -- [[Context Substrate]] ← enables ← [[Self-Improving-Skill]]：Self-Improving 的复盘机制（[[养虾日记2]]）是 Context Substrate 中背景整合思想的实践 +- [[Mem0]] ← 属于 ← [[Memory-Backend]] +- [[MemPalace]] ← 属于 ← [[Memory-Backend]] +- [[Supermemory]] ← 属于 ← [[Memory-Backend]] +- [[Honcho]] ← 属于 ← [[Memory-Backend]] +- [[OpenClaw]] ← 属于 ← [[Context-Substrate]] +- [[Zep]] ← 属于 ← [[Context-Substrate]] +- [[Zep]] ← 重新品牌化 ← [[Context-Engineering]] +- [[Thoth]] ← 属于 ← [[Context-Substrate]] +- [[TrustGraph]] ← 引入 ← [[Context-Cores]] +- [[OpenClaw]] ← 实现 ← [[Dream-Cycle]] +- [[Thoth]] ← 实现 ← [[Dream-Cycle]] +- [[Memory-Backend]] ← 优化目标 ← [[Fact-Recall-vs-Compounding]] +- [[Context-Substrate]] ← 优化目标 ← [[Fact-Recall-vs-Compounding]] +- [[Context-Engineering]] ← 预测将取代 ← [[Memory-Backend]] ## Contradictions -- 与 [[semantic-memory-search]] 可能存在张力： - - 冲突点：MemSearch（Camp 2）将向量索引视为文件的下游"阴影索引"，可随时重建；[[semantic-memory-search]] 则将向量搜索作为记忆检索的核心能力 - - 当前观点：向量索引是可选的访问加速层，Markdown 文件才是唯一真相 - - 对方观点：向量语义搜索是必要的，单纯的关键词/Markdown 文件无法高效处理"我上周讨论的那个关于 X 的内容" - - 注：两者其实互补——MemSearch 本身也使用混合搜索，但强调文件优先而非索引优先 +- 与 [[ALIVE]] 对比： + - 冲突点：ALIVE 声称是 Context Substrate，但文档未详细说明其具体架构实现细节 + - 当前观点：ALIVE 是作者认为最有效的 Context Substrate 方案（因为在 24/7 设置中成功运行） + - 对方观点：现有 Wiki 中 ALIVE 页面可能缺少与其他 Camp 2 工具（OpenClaw/Thoth/Zep）的架构对比 diff --git a/wiki/sources/building-your-quartz.md b/wiki/sources/building-your-quartz.md index 619d3b5e..92b49de9 100644 --- a/wiki/sources/building-your-quartz.md +++ b/wiki/sources/building-your-quartz.md @@ -2,60 +2,51 @@ title: "Building your Quartz" type: source tags: + - clippings - quartz - obsidian - - static-site-generator - - self-hosting -date: 2026-03-04 +date: 2026-04-17 --- ## Source File -- [[raw/Home Office/Building your Quartz.md]] +- [[Home Office/Building your Quartz]] ## Summary（用中文描述） -- 核心主题：Quartz 静态网站的本地预览与自托管部署指南 -- 问题域：如何将 Markdown 文件构建为可预览的本地网站，以及如何通过主流 Web 服务器（Nginx/Apache/Caddy）实现公网自托管 -- 方法/机制：Quartz 将 Markdown 文件转换为 HTML/JS/CSSbundle；本地预览通过 `npx quartz build --serve` 启动热重载服务器；自托管需配置 Web 服务器处理无扩展名链接（`try_files $uri $uri.html $uri/`） -- 结论/价值：Quartz 提供了一套完整的从笔记到静态网站的构建与部署流程，支持多种主流 Web 服务器的自托管方案，适合将 Obsidian 笔记发布为公网可访问的静态网站 +- 核心主题：Quartz 静态网站构建与部署完整指南 +- 问题域：如何将 Obsidian 笔记发布为可公网访问的静态网站 +- 方法/机制： + - 本地预览模式：`npx quartz build --serve` 启动热重载预览服务器 + - 自托管部署：通过 Nginx / Apache / Caddy 等主流 Web 服务器托管生成的 `public/` 目录 + - 关键技术：利用 `try_files` 指令处理无扩展名 URL（Quartz 生成链接不含 `.html` 后缀） +- 结论/价值：Quartz 是一个将 Markdown 文件转换为静态网站的工具，生成的 `public/` 目录可部署到任意静态托管平台，Serve 模式仅用于本地预览，生产部署需配置正确的 Web 服务器 ## Key Claims（用中文描述） -- Quartz 将 Markdown 文件和资源转换为 HTML、JS 和 CSS 文件包（即一个网站） -- Serve 模式仅用于本地预览，生产环境部署需使用 GitHub Pages 等静态托管服务 -- 静态托管前需正确配置 `baseUrl`，否则 RSS Feed 和 Sitemap 生成功能将无法正常工作 -- 自托管时 Web 服务器必须处理不含 `.html` 扩展名的链接（Quartz 生成此类链接） -- Nginx 通过 `try_files $uri $uri.html $uri/ =404` 规则处理无扩展名链接 -- Apache 通过 RewriteCond/RewriteRule 组合实现相同功能 -- Caddy 通过 `try_files {path} {path}.html {path}/ =404` 实现，并支持 gzip 压缩和错误页处理 +- Quartz 将 Markdown 文件和资源转换为 HTML、JS、CSS 静态文件（网站） +- 要发布网站到公网，需要使用托管服务，Quartz 生成的 `public/` 目录可部署到任何支持静态 HTML 的服务 +- 本地 Serve 模式仅用于预览，生产环境应使用专用托管方案 +- 由于 Quartz 生成不含 `.html` 扩展名的链接，Web 服务器需配置 `try_files` 规则来处理 URL 重写 +- 启用 RSS Feed 和 sitemap 功能需要正确配置 `baseUrl` ## Key Quotes -> "Serve mode is intended for local previews only. For production workloads, see the page on hosting." -> — Quartz 官方文档，明确 serve 模式仅用于本地预览 - -> "Some Quartz features (like RSS Feed and sitemap generation) require `baseUrl` to be configured properly in your configuration to work properly." -> — Quartz 官方文档，部署前必须配置 baseUrl +> "Quartz effectively turns your Markdown files and other resources into a bundle of HTML, JS, and CSS files (a website!)." — 核心功能描述 +> "Serve mode is intended for local previews only. For production workloads, see the page on hosting." — Serve 模式用途说明 +> "Since Quartz generates links that do not include the `.html` extension, you need to let your web server know how to deal with it." — 自托管关键配置说明 ## Key Concepts -- [[Quartz]]：Obsidian 笔记静态网站生成器，将 Markdown 转换为 HTML/JS/CSS bundle -- [[Static Site Generator]]：静态网站生成器，无需服务器端渲染，直接托管 HTML 文件 -- [[npx quartz build]]：Quartz 构建命令，核心参数包括 `-d/--directory`（内容目录）、`-o/--output`（输出目录）、`--serve`（本地预览）、`--port`（端口）、`--concurrency`（并发数） -- [[try_files]]：Nginx 指令，按顺序尝试文件、HTML 文件、目录，最后返回 404 -- [[RewriteRule]]：Apache mod_rewrite 模块指令，用于 URL 重写处理无扩展名链接 -- [[baseUrl]]：Quartz 配置项，用于生成正确的绝对 URL，RSS Feed 和 Sitemap 功能依赖此配置 +- [[Static Site Generator]]：Quartz 的本质——将 Markdown 转换为静态 HTML/CSS/JS 网站的工具 +- [[Obsidian Publishing]]：Quartz 作为 Obsidian 笔记发布平台的角色 +- [[try_files Directive]]：Nginx/Caddy 中用于处理无扩展名 URL 的指令，Quartz 自托管必须配置 ## Key Entities -- [[Quartz]]：开源静态网站生成器，专注于将 Obsidian 风格的双链笔记发布为静态网站 -- [[Obsidian]]：本地笔记软件，Quartz 的内容来源 -- [[GitHub Pages]]：Quartz 推荐的公网托管方案 +- Quartz：开源 Obsidian 发布工具，由 jzhao.xyz 维护 +- Nginx：主流开源 Web 服务器，用于自托管 Quartz 生成的静态网站 +- Apache：另一种主流 Web 服务器，支持 .htaccess 配置 URL 重写 +- Caddy：现代开源 Web 服务器，默认支持 HTTPS，内置静态文件服务 ## Connections -- [[Obsidian]] — provides content → [[Quartz]] -- [[Quartz]] — builds to static files → [[Static Site Generator]] -- [[Quartz]] — local preview → [[npx quartz build --serve]] -- [[Quartz]] — production deployment → [[GitHub Pages]] / Self-hosting -- Self-hosting — requires → [[try_files]] (Nginx) / [[RewriteRule]] (Apache) / [[Caddyfile]] (Caddy) +- [[Obsidian]] ← uses ← [[Building your Quartz]] +- [[Static Site Generator]] ← implements ← [[Building your Quartz]] +- [[Obsidian Publishing]] ← extends ← [[Obsidian]] ## Contradictions -- 与通用静态网站托管方案（如 Vercel/Netlify）冲突： - - 冲突点：这些平台自动处理 URL 重写，无需手动配置 Web 服务器 - - 当前观点：Quartz 支持手动自托管（自行配置 Nginx/Apache/Caddy），提供完全控制权 - - 对方观点：使用 Vercel/Netlify 可零配置自动部署，省去服务器维护成本 +- 无已知冲突内容 diff --git a/wiki/sources/gog-cli-安装配置指南.md b/wiki/sources/gog-cli-安装配置指南.md index 617e21c7..9138c174 100644 --- a/wiki/sources/gog-cli-安装配置指南.md +++ b/wiki/sources/gog-cli-安装配置指南.md @@ -1,7 +1,7 @@ --- title: "GOG CLI 安装配置指南" type: source -tags: [gog, gog-cli, macos, google-workspace] +tags: [gog, gog-cli, macos, google-workspace, oauth] date: 2026-03-15 --- @@ -9,37 +9,39 @@ date: 2026-03-15 - [[raw/Skills/GOG-CLI-安装配置指南.md]] ## Summary（用中文描述） -- 核心主题：gog CLI（Google Workspace 命令行工具）在 macOS 系统上的完整安装与配置流程 -- 问题域：如何通过命令行管理 Google Workspace 全套服务（Gmail、Google Calendar、Google Drive、Google Contacts、Google Docs、Google Sheets），并与 AI Agent 工作流集成 -- 方法/机制：Homebrew 安装 → Google Cloud Console 创建 OAuth 凭证 → 移动凭证文件到 gogcli 配置目录 → 添加测试用户解除 Google 安全限制 → 启用各 Google API → 验证授权状态 -- 结论/价值：实现通过命令行管理 Google Workspace 全套服务的能力，可集成到 AI Agent 工作流中（自动邮件处理、日历管理等） +- 核心主题：gog CLI 工具在 macOS 上的完整安装与配置流程 +- 问题域：Google Workspace（Gmail、Google Calendar、Google Drive、Google Contacts、Google Docs、Google Sheets）的命令行管理 +- 方法/机制：通过 Homebrew 安装 → Google Cloud Console 创建 OAuth 凭证 → 配置凭证文件 → 添加测试用户绕过 Google 安全验证 → 启用各 Google API → 验证授权 +- 结论/价值：实现通过命令行高效管理 Google Workspace 全套服务，支持搜索邮件、发送邮件、管理日历、搜索 Drive 文件、操作 Sheets/Docs 等功能 ## Key Claims（用中文描述） -- Homebrew 可通过 `brew install steipete/tap/gogcli` 一键安装 gog CLI，输出路径为 `/opt/homebrew/bin/gog` -- OAuth 凭证需要放置在 `/Users/weishen/Library/Application Support/gogcli/credentials.json`，并通过 `gog auth credentials` 命令指定路径 -- 首次授权时 Google 会阻止未验证应用，需要在 Google Cloud Console 的 OAuth 客户端中将测试用户邮箱加入白名单才能通过授权 -- Google API 调用需要同时满足两个条件：OAuth 授权成功 + API 已启用（Enabling），缺一不可 -- 启用新的 API 服务后需要重新授权（`gog auth revoke` + `gog auth login`），因为旧 token 不包含新权限 +- 通过 Homebrew 安装 gog CLI 是最简方式，安装路径为 /opt/homebrew/bin/gog +- Google API 调用需同时满足 OAuth 授权和 API Enablement 两层条件，缺一不可 +- 对于未经 Google 验证的应用，通过在 OAuth 客户端中添加测试用户可绕过"此应用未经 Google 验证"的安全限制 +- 启用新 API 服务后需重新授权（revoke + login），否则旧 token 不包含新权限会导致 403 错误 +- 设置 GOG_ACCOUNT 环境变量可避免每次命令都需指定账号 ## Key Quotes -> "此应用未经 Google 验证。此应用请求访问您 Google 账号中的敏感信息。在开发者让该应用通过 Google 验证之前，请勿使用该应用。" — Google 首次授权时的安全警告，解决方案是在测试用户中添加 Google 邮箱 -> "即使 OAuth 成功，如果 API 未启用也会报错：403 accessNotConfigured" — API 调用失败的常见原因 -> "旧 token 不包含新权限" — 启用新 API 后必须重新授权的原因 +> "此应用未经 Google 验证。此应用请求访问您 Google 账号中的敏感信息。在开发者让该应用通过 Google 验证之前，请勿使用该应用。" — 首次授权时的典型 Google 安全警告 +> "即使 OAuth 成功，如果 API 未启用也会报错：403 accessNotConfigured" — OAuth 与 API Enablement 的两层机制说明 +> "gog auth revoke → gog auth login：旧 token 不包含新权限" — 启用新 API 后的必要重新授权步骤 ## Key Concepts -- [[OAuth 2.0]]：Google 账号身份认证协议，gog CLI 使用 OAuth 完成用户授权 -- [[Google Cloud Console]]：Google API 管理平台，用于创建 OAuth 凭证和启用 API 服务 -- [[Google Workspace]]：Google 办公套件，包含 Gmail、Google Calendar、Google Drive、Google Contacts、Google Docs、Google Sheets -- [[Google API Enablement]]：Google API 调用需要先在 Google Cloud Console 中启用对应服务，与 OAuth 认证是两层独立机制 +- [[OAuth 2.0]]：Google API 的用户身份认证机制，gog 通过 OAuth 让用户授权 CLI 访问其 Google 账号数据 +- [[Google Cloud Console]]：Google 云平台控制台，用于创建 OAuth 凭证和启用 Google API 服务 +- [[Google Workspace]]：Google 生产力工具套件，包含 Gmail、Google Calendar、Google Drive、Google Contacts、Google Docs、Google Sheets +- [[Homebrew]]：macOS 包管理器，gog CLI 通过 `brew install steipete/tap/gogcli` 安装 ## Key Entities -- [[gog CLI]]：由 steipete 开发的 Google Workspace 命令行管理工具，通过 Homebrew 分发 -- [[Google Cloud Console]]：Google 云平台控制台，用于管理 OAuth 凭证和 API 启用状态 +- [[steipete]]：gogcli 项目的开发者，维护 gog CLI 工具 +- [[ishenwei@gmail.com]]：配置中使用的 Google 账号，通过该账号授权 gog 访问 Google Workspace ## Connections -- [[personal-crm]] ← uses ← [[gog CLI]]（gog CLI 提供 Gmail 和 Calendar 数据，是 personal-crm 的前置依赖） -- [[gog CLI]] ← requires ← [[OAuth 2.0]]（认证机制） -- [[gog CLI]] ← requires ← [[Google API Enablement]]（每项服务需单独启用） +- [[Homebrew]] ← 安装工具 ← [[GOG CLI 安装配置指南]] +- [[Google Workspace]] ← 管理对象 ← [[GOG CLI 安装配置指南]] +- [[OAuth 2.0]] ← 认证机制 ← [[GOG CLI 安装配置指南]] +- [[Google Cloud Console]] ← 配置平台 ← [[GOG CLI 安装配置指南]] ## Contradictions -- 无已知冲突内容 +- 暂无已知冲突内容 + diff --git a/wiki/sources/last30days-使用指南.md b/wiki/sources/last30days-使用指南.md index 537fd03a..b4969676 100644 --- a/wiki/sources/last30days-使用指南.md +++ b/wiki/sources/last30days-使用指南.md @@ -1,35 +1,53 @@ --- title: "Last30Days 使用指南" type: source -tags: [] -date: 2026-04-21 +tags: [hackernews, instagram, last30days, polymarket, scrapecreator, tiktok, x, youtube] +date: 2026-04-28 --- ## Source File - [[raw/Skills/Last30Days-使用指南.md]] ## Summary（用中文描述） -- 核心主题：Last30Days 方法论——通过 AI Agent 自动化追踪近30天内新增/更新的内容源（网站、社交媒体、工具更新），避免信息过载 -- 问题域：个人知识管理、信息聚合、竞品监控 -- 方法/机制：配置信息源列表 → AI Agent 定时扫描 → 去重过滤 → 摘要生成 → 投递 -- 结论/价值：将"主动订阅"转变为"被动接收"，用 AI 替代人工巡检，节省 80% 信息搜集时间 +- 核心主题：Last30Days 工具的使用方法与最佳实践 +- 问题域：如何在 Reddit、X、YouTube、TikTok、Instagram、Hacker News、Polymarket 等平台上研究过去 30 天的热门内容 +- 方法/机制：通过 Python 脚本调用多个数据源 API，整合互动数据（upvotes/likes/views）生成结构化研究报告 +- 结论/价值：提供了一套完整的多平台热点研究工作流，支持快速模式、深度模式、对比模式，适用于行业追踪、竞品分析、工具选型等场景 ## Key Claims（用中文描述） -- Last30Days Agent 通过定时扫描使信息追踪从主动变为被动，减少认知负担 -- 近30天内容过滤机制天然去除了过时信息，保证了内容新鲜度 -- AI 驱动的摘要生成将原始内容压缩为可操作的关键要点 -- 多渠道投递（Discord/Telegram/Email）确保用户在常用平台接收更新 +- Last30Days 通过整合 8 个数据来源生成研究报告，其中 Reddit/X 权重最高 +- ScrapeCreators API key 一个 key 覆盖 Reddit + TikTok + Instagram 三个平台 +- X 搜索支持两种方案：浏览器 Cookie (AUTH_TOKEN/CT0) 或 XAI API Key +- 对比模式（"A vs B"）可生成并排对比研究报告 +- Polymarket 赔率数据因真实钱币投注，是最高置信度的数据来源 ## Key Quotes -> "信息不是力量，整理过的信息才是" — 核心价值主张 +> "深度研究需要 2-8 分钟，支持 8 个数据来源" — 工具能力说明 +> "Reddit 评论往往比帖子更有价值，关注 top comments" — 最佳实践建议 +> "Polymarket 赔率是最高置信度的数据" — 数据权重说明 ## Key Concepts -- [[Last 30 Days Method]]：信息追踪方法论，只关注近30天内更新内容，过滤历史噪音 -- [[信息消费习惯]]：从主动搜索到被动接收的范式转变 +- [[数据源权重排序]]：Reddit/X > YouTube > TikTok > Polymarket > Web，不同来源权重不同 +- [[对比模式]]：使用 "A vs B" 格式可生成并排对比研究报告 +- [[紧凑输出模式]]：通过 --emit=compact 参数控制输出格式 +- [[多平台数据整合]]：整合 Reddit、X、YouTube、TikTok、Instagram、Hacker News、Polymarket、Web 的数据 ## Key Entities -- [[Last30Days]]：核心工具/方法论本身 +- [[OpenClaw]]：Last30Days 工具所在的技术栈平台 +- [[ScrapeCreators]]：覆盖 Reddit + TikTok + Instagram 的 API 服务 +- [[XAI]]：作为 X/Twitter 搜索的替代 API 方案 +- [[Polymarket]]：预测市场平台，提供真实钱币投注的赔率数据 ## Connections -- [[Multi-Source Tech News Digest]] ← 相似模式 ← [[Last 30 Days Method]] -- [[Personal Knowledge Base (RAG)]] ← 支持 ← [[Last 30 Days Method]] +- [[Multi-Source Tech News Digest]] ← related_to ← [[Last30Days 使用指南]] +- [[Polymarket Autopilot: Automated Paper Trading]] ← extends ← [[Last30Days 使用指南]] +- [[YouTube Content Pipeline]] ← related_to ← [[Last30Days 使用指南]] +- [[Daily Reddit Digest]] ← related_to ← [[Last30Days 使用指南]] + +## Contradictions +- 无已知冲突内容 + +## Related Resources +- GitHub: https://github.com/mvanhorn/last30days-skill +- 技能目录: `~/.openclaw/skills/last30days-official/` +- 研究保存: `~/Documents/Last30Days/` diff --git a/wiki/sources/learn-ai-for-free-directly-from-top-companies.md b/wiki/sources/learn-ai-for-free-directly-from-top-companies.md index ca504b4f..42b2c265 100644 --- a/wiki/sources/learn-ai-for-free-directly-from-top-companies.md +++ b/wiki/sources/learn-ai-for-free-directly-from-top-companies.md @@ -3,55 +3,49 @@ title: "Learn AI for free directly from top companies" type: source tags: - "AI学习" - - "教育资源" - - "免费课程" + - "免费资源" + - "在线课程" date: 2026-04-16 --- ## Source File -- [[raw/AI/Learn AI for free directly from top companies.md]] +- [[AI/Learn AI for free directly from top companies.md]] ## Summary（用中文描述） -- 核心主题：汇总全球顶级科技公司提供的免费 AI 学习资源 -- 问题域：AI 教育普及与免费学习资源获取 -- 方法/机制：列举 10 家顶级公司/平台的免费 AI 课程资源及直链 -- 结论/价值：无需付费，即可直接获取权威 AI 培训内容 +- 核心主题：汇总顶级科技公司和AI组织提供的免费学习资源，帮助用户免费学习AI技能 +- 问题域：AI学习路径规划、免费教育资源发现 +- 方法/机制：通过X(Twitter)线程形式，由社区整理并分享头部AI公司的官方免费学习平台链接 +- 结论/价值：一份高价值的免费AI学习资源导航，覆盖从基础到进阶的完整学习路径 ## Key Claims（用中文描述） -- Anthropic 提供免费 AI 技能培训平台（Skilljar） -- Google 提供免费 AI 学习路径（Google AI Learning） -- Meta 开源 AI 学习资源平台 -- NVIDIA 提供 CUDA 开发者免费学习资源 -- Microsoft 提供免费技术培训（Microsoft Learn） -- OpenAI 提供 Academy 免费课程 -- IBM SkillsBuild 提供免费 AI 技能培训 -- AWS 提供 Skill Builder 免费学习平台 -- DeepLearning.AI 提供免费 AI 课程 -- Hugging Face 提供免费学习路径 +- 顶级AI公司均提供免费学习资源，无需付费即可学习前沿AI技能 +- 学习资源来自Anthropic、Google、Meta、NVIDIA、Microsoft、OpenAI、IBM、AWS、DeepLearning.AI、Hugging Face等头部组织 +- 学习路径可从基础概念（DeepLearning.AI/Hugging Face）到专业认证（AWS Skills Builder/IBM SkillsBuild）全覆盖 ## Key Quotes -> "Learn AI for free directly from top companies." — Leonard Rodman (@RodmanAi) +> "Learn AI for free directly from top companies." — @RodmanAi，2026-04-15，号召社区收藏分享 +> "Must bookmark for future reference." — @RodmanAi，强调资源的长期参考价值 ## Key Concepts -- [[AI教育]] -- [[免费学习资源]] -- [[企业级AI培训]] +- [[AI免费学习]]：通过官方免费课程和培训平台获取AI知识和技能 ## Key Entities -- [[Anthropic]]：AI 安全与对齐研究公司，提供 skilljar.com 免费培训平台 -- [[Google]]：提供 grow.google/ai 免费 AI 学习路径 -- [[Meta]]：提供 ai.meta.com/resources/ 开源 AI 学习资源 -- [[NVIDIA]]：提供 developer.nvidia.com/cuda 免费 CUDA 课程 -- [[Microsoft]]：提供 Microsoft Learn 免费技术培训平台 -- [[OpenAI]]：提供 academy.openai.com 免费课程 -- [[IBM]]：通过 SkillsBuild 提供免费 AI 技能培训 -- [[AWS]]：通过 Skill Builder 提供免费学习平台 -- [[DeepLearning.AI]]：吴恩达创立的免费 AI 课程平台 -- [[Hugging Face]]：提供 huggingface.co/learn 免费学习路径 +- [[Anthropic]]：AI安全公司，提供 Claude 官方培训课程 +- [[Google]]：提供 Google AI 学习平台 (grow.google/ai) +- [[Meta]]：提供 AI 资源中心 (ai.meta.com) +- [[NVIDIA]]：提供 CUDA 开发者学习资源 +- [[Microsoft]]：提供 Azure AI 和机器学习培训 +- [[OpenAI]]：提供 OpenAI Academy 课程 +- [[IBM]]：提供 SkillsBuild 免费技能培训 +- [[AWS]]：提供 AWS Skills Builder 免费学习平台 +- [[DeepLearning.AI]]：吴恩达创办的深度学习教育平台 +- [[Hugging Face]]：提供开源机器学习学习资源 ## Connections -- [[AI教育]] ← 资源来源 ← [[Anthropic]] / [[Google]] / [[Meta]] / [[NVIDIA]] / [[Microsoft]] / [[OpenAI]] / [[IBM]] / [[AWS]] / [[DeepLearning.AI]] / [[Hugging Face]] -- [[免费学习资源]] ← 涵盖 ← [[Claude Prompt Library]]（Anthropic 官方提示词库） +- [[DeepLearning.AI]] ← provides ← [[AI免费学习]] resources +- [[Hugging Face]] ← provides ← [[AI免费学习]] resources +- [[AWS Skills Builder]] ← provides ← [[AI免费学习]] resources +- [[IBM SkillsBuild]] ← provides ← [[AI免费学习]] resources ## Contradictions - 无已知冲突 diff --git a/wiki/sources/obsidian-必装-skills.md b/wiki/sources/obsidian-必装-skills.md index 87e7f942..b112d991 100644 --- a/wiki/sources/obsidian-必装-skills.md +++ b/wiki/sources/obsidian-必装-skills.md @@ -2,63 +2,64 @@ title: "Obsidian 必装 Skills" type: source tags: [obsidian, skills, claude-code, openclaw, hermes] -date: 2026-04-21 +date: 2026-04-28 --- ## Source File -- [[raw/Skills/Obsidian 必装 Skills.md]] +- [[Skills/Obsidian 必装 Skills]] ## Summary（用中文描述） -- 核心主题：Obsidian 笔记软件与 AI Agent 集成的必装 Skills 全景图，涵盖网页清洗、笔记操作、图表可视化、学术研究、插件配置五大方向 -- 问题域：如何让 AI Agent 高效操作 Obsidian 笔记库，实现知识管理自动化 -- 方法/机制：官方 CLI / OpenClaw Skills / 第三方插件，三层技术路径 -- 结论/价值：推荐 defuddle / obsidian-cli / obsidian-bases / obsidian-canvas-creator / mermaid-visualizer / excalidraw-diagram / tutor-skills / scholar-skill；obsidian-skill / json-canvas 不推荐 +- 核心主题：Obsidian 生态中值得安装的 AI Agent Skills 全景盘点与配置指南 +- 问题域：如何在 Obsidian 中借助 AI Agent 实现知识管理自动化、内容创作加速 +- 方法/机制：通过 Skill 分类推荐（官方/第三方）、插件安装方案、依赖配置与使用示例 +- 结论/价值：为 Obsidian 用户提供完整的 AI Skills 选型地图，按推荐度标注，节省探索时间 ## Key Claims（用中文描述） -- defuddle 能将杂乱网页转换为纯净 Markdown，大幅减少 AI Token 消耗，且支持 YouTube 字幕获取 -- obsidian-cli 让 AI Agent 直接调用 Obsidian 官方 CLI，实现笔记的增删改查，需 Obsidian 1.12+ 并开启 CLI 开关 -- obsidian-bases 通过 .base 文件创建动态数据库视图，支持公式系统和 Frontmatter 属性过滤 -- obsidian-canvas-creator 内置径向布局算法，自动计算节点坐标并处理连线，比 json-canvas 更智能 -- tutor-skills 实现"输入-内化-检测"完整闭环，tutor-setup 解析文档/代码库生成 StudyVault，tutor 生成互动式测验 -- scholar-skill 通过 L1/L2/L3 分级阅读策略深度解构论文，支持长达 2.5 小时的异步挂机任务 -- claudian 和 obsidian-agent-client 是 Obsidian 第三方插件，分别适配 Claude Code 和多 Agent（Claude Code / Codex / Gemini CLI / OpenCode / Qwen Code） +- Obsidian CEO @kepano 官方发布的 defuddle（网页清洗）、obsidian-cli（CLI 操作）、obsidian-bases（数据库视图）、obsidian-markdown（规范写作）四个 Skills 中，前三者推荐安装 +- obsidian-cli 是让 AI Agent 直接调用 Obsidian 官方 CLI 的核心技能，可实现笔记增删改查、日记自动生成 +- Axton 的 obsidian-canvas-creator 通过径向/自由布局算法解决节点重叠问题，优于官方 json-canvas skill +- tutor-skills 通过"输入-内化-检测"闭环将文档/代码库转化为结构化学习金库（StudyVault） +- scholar-skill 通过 L1/L2/L3 分级阅读策略将论文转化为双链笔记，适合学术研究场景 +- claudian 和 obsidian-agent-client 是让主流 AI Agent（Claude Code、Codex、OpenCode 等）接入 Obsidian 的关键插件 ## Key Quotes -> "defuddle 主要用来抓取网页里的核心正文。它会自动删掉导航条、侧边栏和广告等干扰元素，只留下干净的 Markdown 内容。" — 核心功能描述 -> "scholar-skill 是一个深度的个人知识管理与文献解构工作流。它通过分级标准（L1 分发/L2 标准阅读/L3 深度解构），将原始论文转化为 Obsidian 中的双链卡片、MOC 以及系统性的反思报告。" — 学术研究工作流描述 -> "tutor-skills 构成了一个'输入-内化-检测'的完整闭环：将文档或代码库一键转化为结构化的 Obsidian 知识库，之后通过无提示的交互式测验不断暴露出你的知识盲区并记录学习轨迹。" — 学习闭环描述 +> "defuddle 主要用来抓取网页里的核心正文。它会自动删掉导航条、侧边栏和广告等干扰元素，只留下干净的 Markdown 内容。" — defuddle 功能说明 +> "obsidian-cli 让 AI Agent 能够直接调用 Obsidian 官方的命令行工具，从而实现对笔记、任务、属性的增删改查。" — obsidian-cli 功能说明 +> "tutor-skills 构成了一个'输入-内化-检测'的完整闭环：将文档或代码库一键转化为结构化的 Obsidian 知识库，之后通过无提示的交互式测验不断暴露出你的知识盲区并记录学习轨迹。" — tutor-skills 功能说明 +> "scholar-skill 通过分级标准（L1分发/L2标准阅读/L3深度解构），将原始论文转化为 Obsidian 中的双链卡片、MOC及系统性反思报告。" — scholar-skill 功能说明 ## Key Concepts -- [[Obsidian-Skill]]：让 AI Agent 能够创建、编辑和管理 Obsidian 笔记的 Skill 体系 -- [[Defuddle]]：网页内容清洗工具，将杂乱的 HTML 转换为干净的 Markdown -- [[Obsidian-CLI]]：Obsidian 官方命令行接口，允许 AI 增删改查笔记 -- [[Obsidian-Bases]]：通过 .base 文件创建 Obsidian 动态数据库视图的 Skill -- [[Canvas]]：Obsidian 的 JSON 格式白板文件，用于可视化节点布局 -- [[Mermaid]]：文本转图表的标记语言，Obsidian 内置渲染支持 -- [[Excalidraw]]：手绘风格图表工具，Obsidian Excalidraw 插件提供集成 -- [[StudyVault]]：结构化 Obsidian 学习知识库，包含双链、MOC 和复习题 -- [[Scholar-Skill]]：学术论文分级阅读与知识内化工作流（L1/L2/L3） -- [[Claudian]]：Obsidian 第三方插件，适配 Claude Code Agent -- [[Obsidian-Agent-Client]]：Obsidian 第三方插件，支持多 Agent 集成 +- [[defuddle]]：网页内容清洗工具，剔除广告和导航栏，保留纯净 Markdown，降低 AI 处理时的 Token 消耗 +- [[obsidian-cli]]：Obsidian 官方命令行工具的 AI Agent 调用接口，支持笔记 CRUD 和日记生成 +- [[obsidian-bases]]：通过 .base 文件创建类似 Notion 数据库的动态视图，支持公式和条件过滤 +- [[obsidian-canvas-creator]]：加强版 Canvas skill，内置径向布局和自由排版算法，自动计算节点坐标避免重叠 +- [[tutor-skills]]："输入-内化-检测"三阶段学习闭环工具，含 tutor-setup（构建 StudyVault）和 tutor（互动复习） +- [[scholar-skill]]：基于 OpenClaw 框架的学术论文分级阅读工作流（L1/L2/L3） +- [[claudian]]：适配 Claude Code 的 Obsidian 第三方插件，支持自定义 AI 模型（如 GLM/DeepSeek） +- [[obsidian-agent-client]]：适配多主流 Agent（Claude Code、Codex、OpenCode、Qwen Code）的 Obsidian 插件 ## Key Entities -- [[kepano]]：Obsidian CEO，发布了 defuddle / obsidian-cli / obsidian-bases / obsidian-markdown / json-canvas 等 Skills -- [[Axton]]（@回到Axton）：博主，发布了 obsidian-canvas-creator / mermaid-visualizer / excalidraw-diagram Skills -- [[OpenClaw]]：开源 AI Agent 框架，支持 Obsidian Skill 集成 -- [[BRAT]]：Obsidian Beta 插件管理工具，用于安装未上架市场的第三方插件 -- [[ClawHub]]（clawhub.ai）：OpenClaw Skill 市场 -- [[YishenTu]]：Claudian 插件作者，GitHub: `YishenTu/claudian` -- [[RAIT-09]]：obsidian-agent-client 插件作者，GitHub: `RAIT-09/obsidian-agent-client` -- [[Choi Wontak]]：tutor-skills 作者，GitHub: `RoundTable02/tutor-skills` -- [[EESJGong]]：scholar-skill 作者，GitHub: `EESJGong/scholar-skill` +- [[kepano]]（Obsidian CEO）：官方 Skills 仓库 kepano/obsidian-skills 的维护者，发布 defuddle、obsidian-cli、obsidian-bases 等核心工具 +- [[Axton]]（回到Axton博主）：obsidian-canvas-creator 和 mermaid-visualizer 等可视化 Skills 的作者 +- [[OpenClaw]]：Agent 框架，scholar-skill 基于其构建，支持 MCP 工具集成 +- [[BRAT]]：Obsidian 第三方插件管理器，支持 Beta 插件自动更新，是安装 claudian 的推荐方式 +- [[ClawHub]]：OpenClaw 的 Skill 市场，托管第三方 Obsidian Skills ## Connections -- [[obsidian-高效指南]] ← related_to ← [[obsidian-必装-skills]]（Obsidian 插件配置相关） -- [[obsidian-最有必要安装的10款插件]] ← related_to ← [[obsidian-必装-skills]]（Obsidian 插件生态） -- [[养虾日记3]] ← depends_on ← [[obsidian-必装-skills]]（持久化笔记系统的插件依赖） -- [[claude-code调用方法总结]] ← related_to ← [[obsidian-必装-skills]]（Claude Code 与 Obsidian 集成） -- [[Second Brain]] ← related_to ← [[obsidian-必装-skills]]（Obsidian 作为 Second Brain 工具） -- [[Quartz]] ← extends ← [[obsidian-必装-skills]]（Obsidian → Quartz 发布链条） +- [[obsidian-cli]] ← 依赖 ← [[kepano]] +- [[defuddle]] ← 依赖 ← [[kepano]] +- [[obsidian-bases]] ← 依赖 ← [[kepano]] +- [[obsidian-canvas-creator]] ← 基于 ← [[json-canvas]]（改进） +- [[tutor-skills]] ← 依赖 ← [[OpenClaw]] +- [[scholar-skill]] ← 依赖 ← [[OpenClaw]] +- [[claudian]] ← 安装方式 ← [[BRAT]] +- [[obsidian-agent-client]] ← 安装方式 ← [[BRAT]] +- [[obsidian-高效指南-我常用的插件与实用技巧]] ← 相关 ← [[claudian]]（同一插件不同场景） +- [[dataview-让我从笔记黑洞里逃出来的-obsidian-神器-1]] ← 相关 ← [[obsidian-bases]]（同类数据库视图工具） +- [[obsidian-tasks-插件-这可能是最适合懒人的任务管理方式]] ← 相关 ← [[obsidian-cli]]（任务管理能力） ## Contradictions -- 无明显内容冲突。该文档与 wiki 中已有 Obsidian 相关文档（obsidian-高效指南、obsidian-最有必要安装的10款插件、dataview神器）从不同角度（Skills 生态 vs 插件推荐 vs 笔记方法）覆盖 Obsidian，形成互补而非冲突。 +- 与 [[养虾日记3-用-obsidian-gitea-为-ai-助手构建持久化笔记系统]] 的 obsidian-skill 方案冲突： + - 冲突点：obsidian-skill（OpenClaw 官方）通过文件系统直接读写 .md 文件，与 obsidian-cli（官方 CLI）方案的选择 + - 当前观点：推荐使用 obsidian-cli（官方 API，更稳定），obsidian-skill 过时且 Token 消耗大 + - 对方观点：obsidian-skill 不依赖 Obsidian 客户端运行状态，文件系统直写更灵活（尤其在 iCloud 同步场景） diff --git a/wiki/sources/scrapy-playwright-抓取tiktok-shop-data.md b/wiki/sources/scrapy-playwright-抓取tiktok-shop-data.md index 27e2fab2..2661e9e0 100644 --- a/wiki/sources/scrapy-playwright-抓取tiktok-shop-data.md +++ b/wiki/sources/scrapy-playwright-抓取tiktok-shop-data.md @@ -1,49 +1,50 @@ --- title: "Scrapy + Playwright 抓取TikTok Shop Data" type: source -tags: [playwright, scrapy, tiktok-shop, python, docker, 爬虫] -date: 2026-04-24 +tags: [playwright, scrapy, tiktok-shop, python, docker] +date: 2026-04-28 --- ## Source File - [[raw/跨境电商/Scrapy + Playwright 抓取TikTok Shop Data.md]] ## Summary（用中文描述） -- 核心主题：使用 Scrapy + Playwright 技术栈抓取 TikTok Shop 商家数据的环境配置与运行指南 -- 问题域：TikTok Shop 跨境电商数据采集的工程实现 -- 方法/机制：通过 Python venv 虚拟环境隔离依赖，使用 scrapy-playwright 集成包驱动 Chromium 浏览器执行动态页面渲染，再通过 Docker 容器化部署 -- 结论/价值：提供了完整的开发环境搭建流程和生产级 Docker 部署配置，是跨境电商数据采集项目的技术基座 +- 核心主题：使用 Scrapy + Playwright 抓取 TikTok Shop 店铺数据的技术配置与实践指南 +- 问题域：TikTok Shop 跨境电商数据采集的 Python 环境搭建与依赖安装 +- 方法/机制： + - 创建 Python 虚拟环境（venv）并激活 + - 在虚拟环境中安装 `scrapy` 和 `scrapy-playwright` + - 安装 Playwright Chromium 浏览器 + - 通过 `scrapy runspider` 命令行运行爬虫并传入店铺 URL 参数 + - Docker 环境下需在 Dockerfile 中预配置 Python 虚拟环境路径 + - 验证 Playwright 安装成功的测试脚本 +- 结论/价值：提供了完整的开发环境配置流程，覆盖本地开发和 Docker 容器两种部署场景 ## Key Claims（用中文描述） -- **虚拟环境隔离是首选方案**：通过 `python3 -m venv` 创建独立虚拟环境，安装 Scrapy + scrapy-playwright 依赖，相比 Docker 直接安装更适合开发调试 -- **Playwright Chromium 是渲染引擎**：通过 `playwright install chromium` 安装无头浏览器，负责处理 TikTok Shop 的 JavaScript 动态加载内容 -- **Docker 部署需配置 venv 环境变量**：在 Dockerfile 中添加 `RUN python3 -m venv /app/venv ENV PATH="/app/venv/bin:$PATH"`，使容器内 Python 命令使用虚拟环境 -- **可用命令行参数指定目标店铺**：通过 `scrapy runspider tiktok_shop_spider.py -a shop_url="..."` 传递 TikTok Shop 店铺 URL 参数 +- scrapy-playwright 插件可实现 Scrapy 爬虫与 Playwright 浏览器自动化协同工作 +- 在 Docker 容器中运行需要通过 Dockerfile 预先配置 Python venv 环境变量 +- Playwright Chromium 是驱动动态页面渲染的核心依赖 +- `python -c "from playwright.sync_api import sync_playwright; print('Playwright OK')"` 可验证安装成功 ## Key Quotes -> "最推荐：创建虚拟环境 (venv) 并安装 Scrapy + Playwright" — 文档作者推荐的最佳实践方案 - -> "source venv/bin/activate" — venv 激活命令 - -> "RUN python3 -m venv /app/venv ENV PATH=\"/app/venv/bin:$PATH\"" — Docker 中配置 Python venv 的标准写法 - -> "python -c \"from playwright.sync_api import sync_playwright; print('Playwright OK')\"" — Playwright 验证命令 +> "pip install scrapy scrapy-playwright" — 核心依赖安装命令 +> "scrapy runspider tiktok_shop_spider.py -a shop_url=\"https://www.tiktok.com/shop/store/xxxx/xxxxxxxxxxxx\"" — 爬虫运行命令示例 +> "RUN python3 -m venv /app/venv && ENV PATH=\"/app/venv/bin:$PATH\"" — Docker 虚拟环境配置 ## Key Concepts -- [[Scrapy]]：Python 爬虫框架，负责请求调度、数据解析和管道存储 -- [[Playwright]]：Microsoft 开发的无头浏览器自动化工具，支持 Chromium/Firefox/WebKit 多引擎，用于渲染 JavaScript 动态页面 -- [[scrapy-playwright]]：连接 Scrapy 与 Playwright 的集成包，使 Scrapy Spider 能够执行浏览器自动化操作 -- [[venv]]：Python 内置虚拟环境工具，用于隔离项目依赖，避免版本冲突 -- [[Docker]]：容器化平台，用于生产环境部署 -- [[Chromium]]：Google 浏览器引擎，Playwright 的默认渲染引擎 +- [[WebScraping]]：通过 Scrapy + Playwright 组合实现 TikTok Shop 动态网页数据抓取 +- [[BrowserAutomation]]：Playwright 提供浏览器自动化能力，用于渲染 JavaScript 动态内容 +- [[VirtualEnvironment]]：Python venv 隔离项目依赖，避免包冲突 ## Key Entities -- [[TikTok Shop]]：字节跳动旗下的电商平台，本文档的数据采集目标 -- shenwei：文档作者，提供实际操作笔记 +- [[TikTok Shop]]：数据采集的目标电商平台 +- [[Scrapy]]：Python 爬虫框架，提供网页抓取基础设施 +- [[Playwright]]：微软开源浏览器自动化工具，支持 Chromium/ Firefox/WebKit +- [[Docker]]：容器化部署平台，文中涉及 Dockerfile 配置 ## Connections -- [[TikTok Shop Apache Superset Dashboard]] ← uses ← [[Scrapy-Playwright-TikTok-Shop-Data]] -- [[做tk跨境思路不对努力白费]] ← related_to ← [[Scrapy-Playwright-TikTok-Shop-Data]] +- [[可自动化、可扩展、AI增强的电商数据采集与处理系统]] ← related_to ← [[Scrapy + Playwright 抓取TikTok Shop Data]] +- [[TikTok Shop - Apache Superset Dashboard设计思路]] ← related_to ← [[Scrapy + Playwright 抓取TikTok Shop Data]] ## Contradictions -- 无已知冲突内容 +- 无明显内容冲突 diff --git a/wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md b/wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md index 415ceb93..02e5b568 100644 --- a/wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md +++ b/wiki/sources/tiktok-shop-apache-superset-dashboard设计思路.md @@ -1,53 +1,48 @@ --- title: "TikTok Shop - Apache Superset Dashboard设计思路" type: source -tags: ["TikTok电商", "数据可视化", "Apache Superset", "选品分析", "BI仪表盘"] -date: 2026-04-18 +tags: ["TikTok Shop", "Apache Superset", "跨境电商", "选品分析", "数据可视化"] +date: 2026-04-28 --- ## Source File -- [[raw/跨境电商/TikTok Shop - Apache Superset Dashboard设计思路.md]] +- [[跨境电商/TikTok Shop - Apache Superset Dashboard设计思路.md]] ## Summary（用中文描述） -- 核心主题：Apache Superset 在 TikTok Shop 电商选品分析场景的完整 Dashboard 设计方案 -- 问题域：TikTok Shop 跨境电商卖家如何通过数据可视化系统发现爆品、识别类目机会、监控竞品店铺 -- 方法/机制：基于 Scrapy + Playwright 抓取的 TikTok Shop 产品数据（products 表、product_reviews 表、product_variations 表），通过 SQL View 预处理 JSON 字段，设计 4-Tab 专业 Dashboard（爆品雷达 / 类目洞察 / 店铺监控 / 评论分析），结合动态过滤器实现选品决策自动化 -- 结论/价值：提供了一套"可长期演进的专业选品分析系统"的完整设计蓝图，从数据准备→指标体系→可视化图表→Dashboard 布局→高阶选品评分 SQL，均有可直接落地的方案 +- 核心主题：使用 Apache Superset 构建 TikTok Shop 电商选品分析 Dashboard 的完整设计指南 +- 问题域：TikTok Shop 跨境电商选品决策支持、竞品监控、价格策略分析 +- 方法/机制：通过 SQL View 预处理数据（JSON 字段提取），设计多 Tab Dashboard（爆品雷达、类目洞察、店铺监控、评论分析），提供 25-30 个图表的详细配置方案及可导入 Superset 的 JSON 模板 +- 结论/价值：提供一套"低价高销量"、"高客单价爆品"、"蓝海类目"的自动化选品评分模型，结合交互过滤器实现动态选品系统 ## Key Claims（用中文描述） -- Apache Superset 不会自动解析 JSON 字段，必须通过 SQL View 预先提取 rating、rating_count 等数值字段，才能构建 KPI 卡、Heatmap 等图表 -- 核心选品目标为"找出热卖产品 + 高评分 + 低竞争 + 高折扣"，Dashboard 应支持动态过滤器实现交互式选品决策 -- SQL 选品评分公式：score = sold × 0.4 + rating × 15 + discount_percent × 0.5 + rating_count × 0.2，可根据业务需求自定义权重 -- 推荐 4-Tab Dashboard 结构：爆品雷达（KPI总览）→ 类目机会洞察（热力图/箱线图）→ 店铺监控（时序图）→ 评论分析（评分趋势） +- 通过 `JSON_EXTRACT` 将 `prodct_rating`、`videos` 等 JSON 字段预处理为数值列，Superset 才能直接计算 numeric metrics +- 选品评分模型 = `sold * 0.4 + rating * 12 + rating_count * 0.2 + discount_percent * 0.5`，权重可自定义 +- 气泡图（X=final_price, Y=sold, Size=rating, Color=category）可一眼识别"低价高销量类"和"高客单价爆品" +- 类目竞争度分析：`COUNT(*)` 少但 `SUM(sold)` 大的类目 = 典型蓝海类目 +- 竞争对手监控：利用 `timestamp` 字段追踪店铺上新趋势，判断哪家店最近疯狂上新或做活动冲 GMV ## Key Quotes > "找出热卖产品 + 高评分 + 低竞争 + 高折扣 → 决定选哪些产品卖" — 选品 Dashboard 核心目标 -> "Superset 不会自动解析 JSON，你需要创建 SQL View 预先提取数值字段" — 数据准备关键步骤 -> "这样整个 Dashboard 变成一个动态选品系统" — 动态过滤器的价值定位 +> "Superset 支持将整个 Dashboard 导出成 JSON，Settings → Import Dashboard → 选择 JSON 即可一键导入完整成品 Dashboard" — Superset 可导出/导入机制 +> "创建 `view_products_cleaned` 只需要一次，之后所有图表都基于此 View" — 数据预处理一次性完成原则 ## Key Concepts -- [[Apache Superset]]：开源 BI 可视化平台，支持 SQL 查询、多样化图表和仪表盘构建，本文档中使用 Docker 容器化部署 -- [[KPI Card]]：关键绩效指标卡片，展示总产品数、热卖产品数、平均评分、平均价格等核心数字 -- [[选品评分公式]]：加权多维度评分公式，权重可自定义（sold × 0.4 + rating × 15 + discount × 0.5 + rating_count × 0.2） -- [[Scatter Plot]]（散点图）：用于分析销量 vs 价格关系，气泡大小代表评分，颜色代表类目 -- [[Box Plot]]（箱线图）：用于分析类目价格带分布，找出"利润空间大但竞争低"的类目 -- [[Heatmap]]（热力图）：用于类目评分 vs 销量交叉分析 -- [[SQL View]]：在数据库层面预处理 JSON 字段（如 JSON_EXTRACT），使 Superset 能直接计算数值指标 -- [[Dynamic Filter]]（动态过滤器）：支持 Category/Store Name/价格范围/时间范围等交互式筛选，使 Dashboard 具备实时分析能力 -- [[GMV]]（商品交易总额）：final_price × sold，用于产品排名 +- [[选品评分模型]]：通过加权公式（销量×0.4 + 评分×12 + 评分数量×0.2 + 折扣比例×0.5）对产品进行综合排名，用于自动化推荐值得跟卖的产品 +- [[蓝海类目]]：指产品数量少但总销量大的细分市场，竞争度低但需求旺盛，适合新卖家切入 +- [[价格带分析]]：通过气泡图、箱线图分析不同价格区间与销量的关系，找出最优价格带 +- [[GMV分析]]：`total_gmv = final_price * sold`，用于衡量店铺/产品的整体成交额 +- [[竞品监控]]：通过追踪目标店铺的上新节奏、价格策略变化、评分趋势来进行竞争情报分析 ## Key Entities -- [[TikTok Shop]]：字节跳动旗下电商平台，本文档数据抓取的目标平台 -- [[tiktok_products 数据库]]：包含 products、product_reviews、product_variations 三张核心表的数据库结构 -- [[products 表]]：存储产品基础信息（id/title/sold/price/rating/category/store_name/timestamp/position） -- [[product_reviews 表]]：存储用户评论数据（rating/review_date/review_text/product_id） -- [[product_variations 表]]：存储 SKU 层变体数据（sku/stock/final_price/discount_percent） +- [[TikTok Shop]]：目标电商平台，数据来源；通过爬虫抓取 `tiktok_products` 数据库 +- [[Apache Superset]]：开源 BI 可视化工具，支持 SQL 查询、多图表类型、交互过滤器、Dashboard 导入导出 +- [[tiktok_products]]：存储 TikTok Shop 商品数据的数据库表，包含 products、product_reviews、product_variations 三张核心表 ## Connections -- [[Scrapy + Playwright 抓取TikTok Shop Data]] ← upstream_data_source ← [[TikTok Shop Apache Superset Dashboard设计思路]] -- [[TikTok PM - Python Django 项目]] ← shares_database_schema ← [[TikTok Shop Apache Superset Dashboard设计思路]] -- [[Apache Superset]] ← tool ← [[TikTok Shop Apache Superset Dashboard设计思路]] -- [[用Docker安装Apache Superset]] ← prerequisite ← [[TikTok Shop Apache Superset Dashboard设计思路]] +- [[Scrapy + Playwright 抓取TikTok Shop Data]] ← depends_on ← [[TikTok Shop - Apache Superset Dashboard设计思路]]（前者提供数据源，后者消费数据做分析） +- [[做TK跨境思路不对努力白费]] ← extends ← [[TikTok Shop - Apache Superset Dashboard设计思路]]（前者提供宏观跨境策略，后者提供数据驱动选品工具） +- [[选品评分模型]] ← part_of ← [[TikTok Shop - Apache Superset Dashboard设计思路]] ## Contradictions -- 与 [[电商如何选品-如何找到爆款-选品策略]]：后者侧重选品策略理论（市场调研/竞争对手分析/利润测算），前者侧重数据驱动的可视化执行工具（Apache Superset Dashboard）。两者互补而非冲突——策略指导选品方向，Dashboard 提供实时数据验证。 +- 与 [[Scrapy + Playwright 抓取TikTok Shop Data]] 无冲突：两者互补，前者专注数据采集，后者专注数据可视化分析 +- 与 [[电商如何选品-如何找到爆款选品策略]] 无冲突：本文侧重"如何用 BI 工具落地选品分析"，策略层面一致但工具方法不同 diff --git a/wiki/sources/tk美国面单授权及操作流程.md b/wiki/sources/tk美国面单授权及操作流程.md index 004bdabf..526c0ad2 100644 --- a/wiki/sources/tk美国面单授权及操作流程.md +++ b/wiki/sources/tk美国面单授权及操作流程.md @@ -1,36 +1,37 @@ --- title: "TK美国面单授权及操作流程" type: source -tags: ["tiktok", "跨境电商", "物流", "面单", "美国"] +tags: ["TikTok", "跨境电商", "美国面单", "物流授权"] date: 2025-12-19 --- ## Source File -- [[raw/跨境电商/TK美国面单授权及操作流程.md]] +- [[跨境电商/TK美国面单授权及操作流程.md]] ## Summary（用中文描述） -- 核心主题：TikTok美国市场面单授权配置与操作流程 -- 问题域：跨境电商物流履约中的面单打印与授权管理 -- 方法/机制：通过截图教程演示TK美国面单的授权步骤和操作流程 -- 结论/价值：帮助跨境卖家完成TikTok美国站的面单系统配置 +- 核心主题：TikTok Shop 美国站点的面单授权配置与操作流程 +- 问题域：跨境电商卖家在 TikTok 美国市场发货所需的物流面单授权环节 +- 方法/机制：通过 6 张截图展示了 TK 美国面单授权的具体操作步骤，包括进入授权界面、填写凭证、确认绑定等流程 +- 结论/价值：帮助跨境卖家快速完成 TikTok 美国站点的物流面单授权，为正式发货做好准备 ## Key Claims（用中文描述） -- TikTok美国站需要完成面单授权才能进行订单履约 -- 面单授权流程包含多个配置步骤（截图展示具体操作界面） +- TK美国卖家需通过平台授权流程完成面单服务绑定，方可使用平台面单进行发货 ## Key Quotes -> 图片教程来源：Zipline图床备份，包含6张操作截图 +> "Image Backups — Backup created at 2025-12-19 14:43" — 记录了6张 TK 美国面单授权操作截图的备份时间与来源 ## Key Concepts -- [[TikTokShop]]：TikTok电商平台，支持美国市场 -- [[面单授权]]：跨境物流系统中打印官方物流面单的必要授权流程 -- [[跨境电商物流]]：涉及国际运输、清关、最后一公里配送的电商履约体系 +- [[美国面单]]：跨境电商平台提供的本地化物流面单服务，美国站点特指 USPS 体系下的面单授权与打印 +- [[物流授权]]：卖家在平台侧完成第三方物流服务商账号绑定与授权的流程 ## Key Entities -- [[TikTok美国站]]：TikTok Shop的美国市场站点，商家在此开展跨境销售 +- [[TikTok Shop]]：字节跳动旗下跨境电商平台，覆盖美国等多个市场 +- [[TikTok 美国站]]：TikTok Shop 的美国市场站点，对卖家有本地化物流要求 ## Connections -- [[做tk跨境思路不对努力白费]] ← related_to ← [[TK美国面单授权及操作流程]] +- [[做TK跨境思路不对努力白费]] ← relates_to ← [[TK美国面单授权及操作流程]] +- [[电商如何选品-如何找到爆款选品策略]] ← relates_to ← [[TK美国面单授权及操作流程]] +- [[Scrapy + Playwright 抓取TikTok Shop Data]] ← extends ← [[TK美国面单授权及操作流程]] ## Contradictions -- 暂无冲突记录 +- 无已知冲突内容 diff --git a/wiki/sources/做tk跨境思路不对努力白费.md b/wiki/sources/做tk跨境思路不对努力白费.md index 6bf7acaf..b26046bf 100644 --- a/wiki/sources/做tk跨境思路不对努力白费.md +++ b/wiki/sources/做tk跨境思路不对努力白费.md @@ -1,45 +1,49 @@ --- title: "做TK跨境思路不对努力白费" type: source -tags: [tiktok, 跨境电商] -date: 2026-04-18 +tags: [tiktok, 跨境电商, 选品策略, 市场选择, 短视频营销] +date: 2026-04-28 --- ## Source File -- [[raw/跨境电商/做TK跨境思路不对努力白费.md]] +- [[跨境电商/做TK跨境思路不对努力白费.md]] ## Summary（用中文描述） -- 核心主题：TikTok 跨境电商全流程实战指南，从市场选择到团队建设的完整攻略 -- 问题域：个人或小团队如何从零开始在 TikTok 平台开展跨境电商业务 -- 方法/机制：市场选择 → 账号准备 → 选品策略 → 店铺运营 → 流量获取 → 仓储物流 → 团队建设 -- 结论/价值：提供了一套完整的 TikTok 跨境电商执行框架，强调"思路正确"是成功的前提 +- 核心主题：TikTok 跨境电商全流程实战指南，从市场选择、账号运营、选品策略到团队建设 +- 问题域：跨境电商入门者或中小卖家如何系统性地在 TikTok 平台开展跨境业务 +- 方法/机制：市场选择优先发达国家→账号运营看直播学习→办理执照合规经营→选品软件数据分析→流量跟踪优化→短视频+达人营销→海外仓储保障物流→团队协作分工明确 +- 结论/价值：形成完整的 TK 跨境电商闭环流程，强调思路（方向选择）比努力更重要 ## Key Claims（用中文描述） -- 跨境卖家应优先选择发达国家市场（如美区、日本），避免竞争激烈且利润低的东南亚市场 -- 选品是跨境电商的核心竞争力，应使用数据软件分析市场环境，确定单一垂直类目 -- 店铺运营需要持续监控流量数据，及时下架表现不佳的商品，优化商品列表 -- 短视频营销和达人合作是获取流量、提升转化的关键手段 -- 随着业务规模扩大，应招聘合适人才分担日常任务，确保业务持续增长 +- 跨境电商用户增长面临三大挑战，需通过正确思路应对而非蛮力 +- 优先选择发达国家市场（美区、日本）而非东南亚，因消费能力强、利润更高 +- 通过 TikTok 账号观看直播了解跨境流程和政策是高效入门路径 +- 选品应使用数据分析软件，聚焦单一类目深耕，而非盲目跟风 +- 持续监控店铺流量和销售数据，及时下架表现不佳商品 +- 短视频营销与达人合作是提升曝光率和转化率的核心手段 +- 海外仓储与海运补货策略可确保持续供应和物流稳定性 +- 团队协作与分工明确是电商业务持续增长的基础 ## Key Quotes -> "市场选择：优先考虑发达国家市场，如美区和日本，避免东南亚。" — 强调市场定位的重要性 -> "选品策略：使用数据软件分析市场环境，确保选择适合的单一类目。" — 聚焦垂直领域 -> "团队协作：成功的电商运营需要团队的配合与沟通，分工明确才能高效运作。" — 组织能力 +> "在选品上应考虑到行业的发展趋势与消费者需求，而不是盲目跟风" — 创新思维在选品中的体现 +> "数据分析能有效反映市场变化，帮助做出快速决策" — 数据驱动运营的核心价值 +> "成功的电商运营需要团队的配合与沟通，分工明确才能高效运作" — 团队建设的重要性 ## Key Concepts -- [[跨境电商]]：通过互联网平台进行跨国商品交易的商业模式 -- [[选品策略]]：通过数据分析确定适合目标市场的商品类目 -- [[TikTok电商]]：基于 TikTok 平台的短视频+直播带货模式 -- [[达人营销]]：与平台 KOL 合作推广商品的营销方式 +- [[市场选择策略]]：优先消费能力强、高利润的发达国家市场，避免竞争激烈且利润低的市场 +- [[选品策略]]：使用数据软件分析市场环境，选择适合的单一类目进行深耕 +- [[流量运营分析]]：持续监控店铺流量，优化商品列表，分析销售数据并调整策略 +- [[短视频营销]]：通过短视频内容和达人合作提升品牌曝光和转化率 +- [[跨境电商闭环]]：从选区、选品到运营、团队建设的完整业务流程 ## Key Entities -- [[TikTok Shop]]：TikTok 平台的电商功能，支持短视频带货和直播带货 -- [[美区]]：美国 TikTok 市场，消费能力强，利润空间大 -- [[日本]]：发达国家市场，目标用户购买力强 +- [[TikTok Shop]]：跨境电商核心平台，提供直播带货和短视频营销基础设施 +- [[TikTok]]：字节跳动旗下短视频社交平台，TK 跨境的流量入口 ## Connections -- [[电商如何选品-如何找到爆款-选品策略]] ← related_to ← [[做tk跨境思路不对努力白费]] -- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] ← related_to ← [[做tk跨境思路不对努力白费]] +- [[电商如何选品-如何找到爆款选品策略]] ← related_to ← [[做TK跨境思路不对努力白费]]（均为电商选品主题） +- [[TK美国面单授权及操作流程]] ← depends_on ← [[做TK跨境思路不对努力白费]]（先有运营思路，再完成面单授权操作） +- [[电商视频Prompt库]] ← supports ← [[做TK跨境思路不对努力白费]]（短视频内容生产依赖 Prompt 库） ## Contradictions -- 暂无已知冲突内容 +- 与现有 Wiki 页面暂无明显内容冲突 diff --git a/wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md b/wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md index b882bb89..0e11f4c6 100644 --- a/wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md +++ b/wiki/sources/可自动化-可扩展-ai增强的电商数据采集与处理系统.md @@ -1,70 +1,53 @@ ---- -title: "可自动化、可扩展、AI增强的电商数据采集与处理系统" -type: source -tags: [] -date: 2025-11-11 ---- - -## Source File -- [[raw/Others/可自动化、可扩展、AI增强的电商数据采集与处理系统.md]] - -## Summary（用中文描述） -- 核心主题：基于 Docker + Ubuntu + n8n 构建可自动化、可扩展、AI增强的电商数据采集与处理系统 -- 问题域：电商数据爬取效率低、AI处理缺失、缺乏自动化管线 -- 方法/机制：三层架构（爬虫层→AI处理层→存储展示层）；Scrapy+Playwright组合抓取动态页面；n8n工作流编排自动化；Docker Compose容器化部署 -- 结论/价值：提供完整的开源技术栈方案，实现从爬取到AI分析的全链路自动化 - -## Key Claims（用中文描述） -- Scrapy 负责结构化抓取、分页调度、媒体下载；Playwright 负责加载动态页面；两者通过 Docker Compose 容器化，输出 JSON/CSV 供 n8n 消费 -- n8n 工作流可实现定时启动爬虫→读取JSON→调用LLM提取属性→写入数据库→生成报表通知的全链路自动化 -- AI 处理任务包括：内容摘要分类、多语言翻译、特征提取（品牌/价格/类别）、异常检测（异常价格/缺图产品）、结构化JSON输出 -- 本地可使用 Ollama（Mistral/Llama3）通过 HTTP Request 调用本地 API，无需外部 API Key -- 防封策略：User-Agent轮换、代理池（BrightData/ScraperAPI）、下载延迟+随机化访问、分布式调度（Scrapyd/Scrapy集群） - -## Key Quotes -> "Scrapy + Playwright（或 Crawlee + Playwright）" — 推荐爬虫工具组合 -> "在 n8n 中可以通过 workflow 实现整个管线自动化" — n8n 自动化核心理念 -> "可以本地使用 Ollama (Mistral, Llama3) 模型，通过 n8n 的 HTTP Request 调用本地 http://localhost:11434/api/generate" — 本地AI处理方案 - -## Key Concepts -- [[Scrapy]]：Python 爬虫框架，擅长结构化抓取、分页调度和媒体下载 -- [[Playwright]]：浏览器自动化工具，支持 JS 渲染页面和无头模式 -- [[scrapy-playwright]]：让 Scrapy 调用 Playwright 渲染动态页面的插件 -- [[n8n]]：开源工作流自动化平台，支持 Trigger/Action/AI 节点编排 -- [[Docker Compose]]：容器化编排工具，定义和运行多容器应用 -- [[Ollama]]：本地 LLM 运行框架，支持 Mistral/Llama3 等模型 -- [[LangChain]]：结合 Vector DB（Qdrant/Milvus）存储产品语义信息 -- [[Bright Data]]：商业代理池服务，用于爬虫防封 -- [[Scrapyd]]：Scrapy 分布式部署集群管理工具 -- [[MinIO]]：S3 兼容对象存储，用于存储图片和视频 -- [[Grafana]]：可视化平台，生成电商趋势与分析报表 -- [[Metabase]]：开源 BI 工具，连接数据库生成分析报表 -- [[FastAPI]]：Python Web 框架，用于暴露 REST API 给前端或 BI 工具 - -## Key Entities -- [[Amazon]]：电商平台示例，Scrapy 爬虫的目标站点 -- [[JD]]（京东）：电商平台示例 -- [[Taobao]]（淘宝）：电商平台示例 -- [[Shopee]]：电商平台示例，提供公开 API -- [[Scrapy]] 社区：开源爬虫框架生态 - -## Connections -- [[Scrapy]] ← 核心爬虫 ← [[scrapy-playwright]] -- [[scrapy-playwright]] ← 集成 → [[Playwright]] -- [[n8n]] ← 编排自动化 ← [[Docker Compose]] -- [[Docker Compose]] ← 容器化 ← [[Scrapy]] + [[Playwright]] -- [[Ollama]] ← 本地 LLM ← [[n8n HTTP Request Node]] -- [[Bright Data]] ← 代理池 ← 防封策略 -- [[Metabase]] ← 数据可视化 ← PostgreSQL/SQLite -- [[MinIO]] ← 对象存储 ← 图片/视频存储 - -## Contradictions -- 无已知冲突内容 - -## 起步路径 -1. 在 Ubuntu 上安装 Docker + Docker Compose -2. 启动基础环境：scrapy + playwright + n8n -3. 选择 1–2 个电商站点（Amazon / JD / Taobao） -4. 构建 Scrapy 爬虫模板 -5. 用 n8n 处理数据并测试 AI 工作流 -6. 逐步扩展至全自动管线 +--- +title: "可自动化、可扩展、AI增强的电商数据采集与处理系统" +type: source +tags: [] +date: 2025-11-11 +--- + +## Source File +- [[raw/Others/可自动化、可扩展、AI增强的电商数据采集与处理系统.md]] + +## Summary（用中文描述） +- 核心主题：基于 Docker + Ubuntu + n8n 构建可自动化、可扩展、AI增强的电商数据采集与处理系统 +- 问题域：电商平台产品信息采集、清洗、AI处理、存储与可视化 +- 方法/机制：三层架构（采集层→处理层→存储层），Scrapy + Playwright 组合抓取，n8n 自动化工作流编排，LLM API 进行内容摘要/分类/翻译/特征提取 +- 结论/价值：提供完整开源技术栈的电商数据采集方案，支持容器化部署和 AI 增强处理 + +## Key Claims（用中文描述） +- Scrapy + Playwright 组合是电商爬虫的最佳实践（Scrapy 负责结构化抓取，Playwright 处理动态页面） +- n8n 可通过工作流实现整个数据管线自动化（定时触发→执行爬虫→读取JSON→调用AI→存入数据库） +- Ollama 本地部署可替代外部 OpenAI API，降低成本并保护数据隐私 + +## Key Quotes +> "Scrapy + Playwright（或Crawlee + Playwright）" — 推荐爬虫技术组合，Scrapy 负责结构化抓取、分页调度、媒体下载；Playwright 负责加载动态页面 +> "用 n8n 的 HTTP Request 调用本地 http://localhost:11434/api/generate" — 本地 Ollama 调用方式 +> "使用 User-Agent轮换、代理池、下载延迟 + 随机化访问" — 防封策略核心三要素 + +## Key Concepts +- [[网页爬虫]]：自动化抓取网页数据的程序或脚本 +- [[自动化工作流引擎]]：通过可视化编排实现业务流程自动化的平台 +- [[防封技术]]：防止爬虫被目标网站封禁的技术手段（UA轮换、代理池、延迟访问） +- [[Docker容器化]]：使用 Docker 将爬虫和服务打包部署的技术 +- [[LLM API集成]]：调用大语言模型进行内容处理（摘要、分类、翻译） +- [[向量数据库]]：存储语义信息用于 AI 检索（Qdrant、Milvus） + +## Key Entities +- [[Scrapy]]：Python 爬虫框架，适合结构化数据抓取和分布式部署 +- [[Playwright]]：微软开源的浏览器自动化工具，支持动态页面渲染 +- [[n8n]]：开源工作流自动化平台，支持 API 集成和定时任务 +- [[Ollama]]：本地 LLM 运行时，支持 Mistral、Llama3 等模型 +- [[Docker Compose]]：Docker 容器编排工具，用于多服务协同部署 +- [[PostgreSQL]]：开源关系型数据库，适合结构化数据存储 +- [[MinIO]]：S3 兼容的对象存储，用于图片和视频存储 +- [[Grafana]]：开源数据可视化平台，用于监控仪表盘 + +## Connections +- [[Scrapy]] ← 依赖 → [[Playwright]] +- [[n8n]] ← 消费数据 → [[Scrapy]] +- [[n8n]] ← 调用 → [[Ollama]] +- [[Scrapy]] ← 写入 → [[PostgreSQL]] + +## Contradictions +- 暂无内容冲突 + diff --git a/wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md b/wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md index b25920cc..4478c4fd 100644 --- a/wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md +++ b/wiki/sources/在-ubuntu-安装-ollama-并运行-qwen2-5‑coder-7b.md @@ -1,53 +1,52 @@ --- -title: "在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B" +title: 在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B type: source -tags: [ollama, qwen, qwen-coder, ubuntu, 本地大模型] -date: 2026-04-18 +tags: [ollama, qwen, qwen-coder, ubuntu, 本地大模型, ai-coding] +date: 2026-04-28 --- ## Source File -- [[raw/AI/在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B.md]] +- [[AI/在 Ubuntu 安装 Ollama 并运行 Qwen2.5‑Coder 7B]] ## Summary（用中文描述） -- 核心主题：在 Ubuntu 系统上通过官方安装脚本部署 Ollama 本地大模型运行框架，并下载运行 Qwen2.5-Coder 7B 代码生成模型 -- 问题域：本地 AI 推理环境搭建、大模型私有部署、本地 API 服务暴露 -- 方法/机制：通过官方 install.sh 脚本一键安装 Ollama；使用 systemd 管理服务；通过 `OLLAMA_HOST=0.0.0.0` 开放远程 API；CUDA 自动 GPU 加速 -- 结论/价值：3 条命令完成安装部署；Qwen2.5-Coder 7B 因其 Tool usage 能力强、Shell/Python/SQL 理解强、Repo 级代码理解强，比普通 qwen2.5:7b 更适合工程任务 +- 核心主题：在 Ubuntu 系统上通过 Ollama 本地部署 Qwen2.5-Coder 7B 代码大模型，并支持 REST API 和多语言 SDK 调用 +- 问题域：本地 AI 推理环境搭建、代码助手部署 +- 方法/机制：Ollama 作为本地大模型运行时，通过 systemd 服务管理，支持 GPU 加速，提供 REST API 和 Python/NodeJS SDK +- 结论/价值：3 条命令完成安装部署，适合开发者本地 AI Coding 基础设施搭建 ## Key Claims（用中文描述） - Ollama 官方安装脚本自动完成 CLI 安装、systemd 服务创建和 API 启动 -- qwen2.5-coder:7b 模型大小约 4.5GB，推荐配置为 8+ CPU cores + 16GB RAM + NVIDIA GPU -- 默认 Ollama API 仅监听 127.0.0.1（本地），需修改 systemd 服务配置 `OLLAMA_HOST=0.0.0.0` 才能开放远程访问 -- 若系统安装了 CUDA，Ollama 会自动使用 GPU 加速，无需额外配置 -- 小型机器可选择 qwen2.5-coder:3b 替代 7B 以降低资源需求 -- 推荐搭配工具：Open WebUI（ChatGPT UI）、n8n（AI 自动化）、LangChain（Agent framework）、OpenClaw（AI coding agent） +- qwen2.5-coder:7b 模型约 4.5GB，最低 8GB RAM 推荐 16GB，无需 GPU 也可运行 +- Ollama 默认仅监听 127.0.0.1，通过 OLLAMA_HOST=0.0.0.0 环境变量开放远程 API 访问 +- 安装 CUDA 后 Ollama 自动使用 NVIDIA GPU 加速，无需额外配置 +- qwen2.5-coder:7b 在 Tool usage、Shell/Python/SQL 理解和 Repo 级代码理解方面优于普通 qwen2.5:7b ## Key Quotes -> "qwen2.5-coder:7b 因为 Tool usage 能力强、Shell / Python / SQL 理解强、Repo 级代码理解强，比普通 qwen2.5:7b **更适合工程任务**" — 选型建议 - -> "如果安装了 CUDA，Ollama 会 **自动使用 GPU**，无需额外配置" — GPU 加速机制 - -> "最简安装流程：curl -fsSL https://ollama.com/install.sh | sh && ollama pull qwen2.5-coder:7b && ollama run qwen2.5-coder:7b" — 3 条命令完成部署 +> "qwen2.5-coder:7b" — 模型推荐，适用于 DevOps automation、SQL Agent、Kubernetes troubleshooting、n8n workflow AI +> "curl -fsSL https://ollama.com/install.sh | sh" — 最简安装命令，一条命令完成 Ollama 安装 +> "Ollama 默认提供 REST API: http://localhost:11434" — API 端点说明 ## Key Concepts -- [[Ollama]]：开源本地 LLM 运行框架，支持 macOS/Windows/Linux/Docker，`ollama run ` 一键运行大语言模型 -- [[Qwen2.5-Coder]]：阿里通义千问团队开发的代码生成模型，7B 版本约 4.5GB，在 Tool usage、Shell/Python/SQL 理解和 Repo 级代码理解方面优于通用版 Qwen2.5 -- [[本地大模型部署]]：在自有硬件上运行 AI 模型，数据完全私有、无需 API Key、无网络依赖 -- [[GPU 加速推理]]：Ollama 自动检测 CUDA 环境并调用 NVIDIA GPU 加速推理，无需手动配置 -- [[REST API]]：Ollama 默认提供 localhost:11434 REST API 接口，支持 JSON 格式的对话请求 +- [[Ollama]]：本地大模型运行时，通过单一命令安装，支持 systemd 管理，提供 REST API 和多语言 SDK +- [[Qwen2.5-Coder]]：通义千问代码大模型系列，7B 参数规模约 4.5GB，擅长 Tool usage、代码理解和生成 +- [[本地大模型部署]]：在本地机器而非云端运行 LLM，适合隐私敏感和离线场景 +- [[GPU 加速]]：通过 NVIDIA CUDA 自动加速 Ollama 推理性能 +- [[REST API]]：Ollama 提供的 HTTP API，可被 n8n、WebUI、Agent 等外部工具调用 ## Key Entities -- [[Open WebUI]]：开源大模型 Web 界面，支持 Ollama/OpenAI API 接入，可配置 RAG 本地知识库和联网搜索 -- [[n8n]]：开源工作流自动化平台，可通过 Webhook 与本地 Ollama API 集成实现 AI 驱动的自动化工作流 -- [[OpenClaw]]：AI coding agent，支持配置 `ollama/qwen2.5-coder:7b` 作为后端模型 -- [[LangChain]]：Agent framework，可与本地 Ollama API 集成构建复杂 AI 应用 +- [[Ollama]]：Ollama 公司开发的本地 LLM 运行时工具，安装地址 ollama.com +- [[Qwen2.5-Coder]]：阿里云通义千问团队开发的代码专用大模型 +- [[Open WebUI]]：开源的 ChatGPT 风格 Web 界面，可搭配 Ollama 使用 +- [[n8n]]：开源工作流自动化平台，可通过 API 调用 Ollama 实现 AI 自动化 +- [[LangChain]]：Agent 开发框架，可集成 Ollama 作为 LLM 后端 +- [[OpenClaw]]：AI Coding Agent，可配置使用 ollama/qwen2.5-coder:7b 作为后端 ## Connections -- [[Ollama]] ← 基础平台 ← [[详细-离线部署大模型-ollama-deepseek-open-webui安装使用方法及常见问题解决-1]] -- [[Open WebUI]] ← 依赖 ← [[Ollama]] -- [[n8n]] ← 可调用 ← [[Ollama API]] -- [[OpenClaw]] ← 可配置 ← [[Qwen2.5-Coder]] -- [[Qwen2.5-Coder]] ← 特定版本 ← [[Ollama]] +- [[Ollama]] ← runs ← [[Qwen2.5-Coder]] +- [[Open WebUI]] ← connects_to ← [[Ollama]] API +- [[n8n]] ← calls ← [[Ollama]] REST API +- [[LangChain]] ← uses ← [[Ollama]] as LLM backend +- [[OpenClaw]] ← configured_with ← [[Qwen2.5-Coder]] ## Contradictions -- 暂无冲突内容 +- 暂无发现与其他 Wiki 页面的冲突内容。 diff --git a/wiki/sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md b/wiki/sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md index 65cff65b..242a1a05 100644 --- a/wiki/sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md +++ b/wiki/sources/我做了个-skill-让-ai-帮你生成-logo-和图标.md @@ -1,43 +1,51 @@ ---- -title: "我做了个 Skill：让 AI 帮你生成 Logo 和图标" -type: source -tags: [] -date: 2026-04-23 ---- - -## Source File -- [[raw/Skills/我做了个 Skill：让 AI 帮你生成 Logo 和图标.md]] - -## Summary（用中文描述） -- 核心主题：介绍一个名为 baoyu-imagine 的 Claude Code Skill，用于通过 AI 生成 Logo 和图标设计 -- 问题域：设计师和创作者需要快速生成 Logo、图标、吉祥物等品牌视觉资产，传统的 AI 生图工具缺乏针对 Logo 场景的专业提示词优化 -- 方法/机制：baoyu-imagine 通过 npm 安装（`npx baoyu-imagine`），提供 Logo 专用的提示词构建策略，支持风格关键词（扁平化/渐变/几何/手绘等）、颜色规范、格式要求（SVG/PNG）等多种参数配置，生成后自动保存到本地目录 -- 结论/价值：让非设计师也能快速产出专业级品牌视觉资产，降低品牌创建的门槛和成本 - -## Key Claims（用中文描述） -- baoyu-imagine Skill 通过结构化提示词策略，可生成扁平化、几何、手绘、渐变等多种风格的专业 Logo -- 安装方式为 `npx baoyu-imagine`，无需手动配置环境，Claude Code 中直接调用 -- 支持导出 SVG（矢量格式，适合缩放）和 PNG（位图格式，适合直接使用）两种格式 -- 生成的 Logo 可通过描述品牌名称、行业属性、风格偏好等信息定制化生成 - -## Key Quotes -> "用 AI 做 Logo / 图标" — baoyu-imagine 的核心定位 - -## Key Concepts -- [[baoyu-imagine]]：Claude Code Skill，通过结构化提示词策略驱动 AI 生图工具生成专业 Logo 和图标 -- [[Claude-Code-Skill]]：Claude Code 的可复用提示词模板扩展，以 .skill 文件形式封装专业领域的工作流和提示词规范 -- [[AI-Logo-Generation]]：使用人工智能工具自动生成品牌标识、图标、吉祥物等视觉资产的设计方式 - -## Key Entities -- [[baoyu]]：baoyu-imagine Skill 的作者/发布者，专注于 AI 图像生成工具链的开发者 - -## Connections -- [[Claude-Code]] ← uses ← [[baoyu-imagine]] -- [[AI-Logo-Generation]] ← enables ← [[品牌视觉资产创建]] -- [[prompt-engineering]] ← applied_in ← [[baoyu-imagine]] - -## Contradictions -- 与通用 AI 生图工具（如 Midjourney）相比： - - 冲突点：通用工具的 Logo 生成质量不稳定，需要大量迭代 - - 当前观点：baoyu-imagine 通过 Logo 专用提示词策略提升生成质量 - - 对方观点：通用工具覆盖范围更广，但 Logo 场景专业化程度不足 +--- +title: "我做了个 Skill：让 AI 帮你生成 Logo 和图标" +type: source +tags: [] +sources: [] +last_updated: 2026-04-28 +--- + +## Source File +- [[Skills/我做了个 Skill：让 AI 帮你生成 Logo 和图标]] + +## Summary（用中文描述） +- 核心主题：开源 Logo Generator Skill——用 AI 生成 SVG Logo + 高级展示图的完整工作流 +- 问题域：开发者/独立创作者快速获取专业品牌视觉资产 +- 方法/机制：AI 生成可编辑 SVG 基础 → AI 生成高级展示图，两步工作流替代图片模型直出 +- 结论/价值：降低设计门槛，让每个人都能快速获得"够用的好 Logo"，定位是"快速可用"而非"替代设计师" + +## Key Claims（用中文描述） +- AI 生成 SVG Logo 优于直接用图片模型生成 Logo：SVG 可编辑、可导入 Figma 精修、可做动效、矢量无损 +- Logo Generator Skill 三步工作流（信息收集→6+ 设计变体→高级展示图）可让无设计背景的人快速获得专业视觉资产 +- 12 种专业背景风格（暗色 6 种 + 亮色 6 种）适配不同产品类型 +- WebGL 动态背景（6 种）适合官网首页和交互场景 +- 最终交付物：SVG 文件 + 多尺寸 PNG 导出 + 展示图 + 交互式网页 + +## Key Quotes +> "Gemini 真是做设计的一把好手，尤其是用 SVG 画 logo 只要给一些适当的引导就可以画的很好" — @op7418 +> "好的设计来自理解，而不是随机生成" — Skill 核心原则 +> "AI 生成基础，人工精修细节" — 核心工作流理念 +> "工具应该是开放的，让更多人能用上 AI 的设计能力" — 开源理念 +> "Canva 没有替代设计师，而是让更多人能做出'够用的海报'一样" — Skill 的定位类比 + +## Key Concepts +- [[AI生成SVG设计]]：用 AI 生成可编辑的 SVG 矢量 Logo，优于图片模型直出，支持导入 Figma 精修 +- [[LogoGeneratorSkill]]：三步 Logo 生成 Skill（信息收集→设计变体→展示图），推荐在 Gemini CLI 或 Claude Code 中使用 +- [[AI设计工作流]]：AI 生成基础 + 人工精修细节，两步结合保证可控性和专业视觉效果 +- [[SVG-vs-图片生成]]：SVG 可精确控制参数、可编辑、可做动效、矢量无损；图片模型控制精度差、无法编辑、位图放大失真 + +## Key Entities +- [[@op7418]]（归藏/guizang.ai）：Skill 作者，CodePilot 项目维护者，Gemini 深度用户 +- [[CodePilot]]：开源项目，Gemini 生成新 Logo 的实践案例 +- [[Nano Banana]]（Gemini 图片生成）：Skill 中用于生成高级展示图的工具，支持 12 种专业背景 +- [[logo-generator-skill]]（GitHub）：开源 Skill，地址 https://github.com/op7418/logo-generator-skill + +## Connections +- [[Claude Skills]] ← is_type_of ← [[LogoGeneratorSkill]] +- [[Gemini]] ← powers ← [[Nano Banana]] +- [[Vibe Coding]] ← design_asset_needs ← [[LogoGeneratorSkill]] +- [[AI生成SVG设计]] ← enables ← [[Figma精修流程]] + +## Contradictions +- 无与其他 Wiki 页面的实质性内容冲突 diff --git a/wiki/sources/电商如何选品-如何找到爆款-选品策略.md b/wiki/sources/电商如何选品-如何找到爆款-选品策略.md index 6bdd929d..c9714b64 100644 --- a/wiki/sources/电商如何选品-如何找到爆款-选品策略.md +++ b/wiki/sources/电商如何选品-如何找到爆款-选品策略.md @@ -1,55 +1,49 @@ --- title: "电商如何选品 - 如何找到爆款选品策略" type: source -tags: [] -date: 2026-04-18 +tags: ["跨境电商", "选品策略", "电商运营"] +date: 2026-04-28 --- ## Source File -- [[raw/跨境电商/电商如何选品 如何找到爆款 选品策略.md]] +- [[跨境电商/电商如何选品 如何找到爆款 选品策略]] ## Summary（用中文描述） -- 核心主题：电商选品策略与爆款发现方法论，聚焦跨境电商（Tk Shop / Etsy 平台） -- 问题域：电商创业者如何系统化找到高潜力产品，降低试错成本，实现年销售额数百万美元 -- 方法/机制：20 种选品策略 + 情境配对 + 季节性规划 + POD 低成本测款 + 工具辅助分析（Salesmartly / Erank / Pinterest / Etsy 趋势） -- 结论/价值：未来品牌需针对细分市场而非大众市场；多工具组合使用可提升客户转化率和选品效率 +- **核心主题**：电商选品策略与爆款产品发现方法 +- **问题域**：跨境电商卖家如何选择有市场潜力的产品，包括初学者入门和进阶卖家的选品思路 +- **方法/机制**： + - 20种选品策略（细分市场、情境配对、节日趋势等） + - 工具辅助：Salesmartly（订单管理）、Erank（竞品分析）、Pinterest/Etsy趋势报告 + - POD（Print on Demand）低成本测试市场模式 +- **结论/价值**：通过系统化选品策略结合数据工具，可有效提升电商销售转化率，降低库存风险 ## Key Claims（用中文描述） -- 细分市场定位比大众市场更有增长潜力，未来品牌需针对 LGBTQ、特定人群等细分群体 -- 情境配对的产品组合（如露营三件套）比单品更具吸引力，能提升客单价 -- POD（Print on Demand）模式允许创业者以极低成本测试市场需求，降低库存风险 -- 季节性和节日趋势是选品的关键时机，需提前规划布局 -- Erank 等工具可分析竞争对手销售情况，提高产品上市效率 -- 跨平台订单管理工具（如 Salesmartly）可提升多渠道运营效率 +- 细分市场（针对特定人群如LGBTQ）的产品具有较大市场成长潜力 +- 情境配对产品（如露营三件套）比单品更具吸引力，可提升客单价 +- POD模式允许低库存风险测试市场需求，适合初创卖家 +- 季节性和节日趋势是选品的重要时间窗口，需提前布局 +- 工具辅助（Erank、Salesmartly）可显著提升选品效率和客户转化率 ## Key Quotes -> "未来品牌需针对细分市场" — 视频核心观点，强调细分人群定位的战略价值 -> "POD模式让创业者可以低风险测试市场需求" — 降低创业门槛的关键方法 -> "关注Pinterest和Etsy的季度趋势报告，便于掌握热门关键词与产品上市时机" — 趋势洞察工具推荐 +> "未来品牌需针对细分市场进行产品选择" — 强调细分市场的重要性 +> "具有情境的产品组合比单独产品更具吸引力" — 情境配对选品逻辑 ## Key Concepts -- [[电商选品策略]]：系统化评估和选择电商平台销售产品的决策框架，涵盖市场需求分析、竞争度评估、利润空间计算 -- [[爆款产品]]：在特定市场 Segment 中获得高销量和高利润的产品，通常具有差异化竞争力和稳定供应链 -- [[POD模式]]（Print on Demand）：按需印刷模式，创业者无需囤货，有订单再生产，大幅降低库存风险和启动成本 -- [[情境配对]]：将多个互补产品组合为使用场景套装，通过提升整体价值感知来提高客单价和转化率 -- [[季节性选品]]：根据节假日、季节变化、消费趋势预测提前规划产品线，最大化流量高峰期销售 -- [[细分市场定位]]：针对特定人群（如LGBTQ、特定年龄层、特定兴趣圈）开发差异化产品，避免大众市场竞争 +- [[选品策略]]：通过系统化方法筛选具有市场潜力的产品线的过程 +- [[细分市场]]：聚焦特定人群或垂直领域的产品定位策略 +- [[情境配对]]：将互补产品组合形成使用场景的产品开发方式 +- [[POD模式]]：Print on Demand，按需打印，低库存风险的产品测试模式 +- [[季节性选品]]：根据节假日和季节变化提前规划产品线的策略 ## Key Entities -- [[Salesmartly]]：跨平台订单管理和客户沟通工具，支持多渠道消息聚合，提升电商运营效率 -- [[Erank]]：Etsy 平台关键词和竞争分析工具，帮助评估产品市场潜力和搜索排名 -- [[TikTok Shop]]：字节跳动旗下短视频电商平台，本视频重点运营渠道之一 -- [[Etsy]]：手工/创意类 C2C 电商平台，适合 POD 产品和创意商品销售 -- [[Pinterest]]：图片分享社交平台，其趋势报告是选品和内容营销的重要参考数据源 +- [[Salesmartly]]：跨平台订单和客户管理工具 +- [[Erank]]：Amazon/Etsy关键词和竞品分析工具 +- [[Etsy]]：手工艺品和创意产品电商平台 +- [[Pinterest]]：趋势发现和灵感来源平台 ## Connections -- [[电商视频Prompt库]] ← 同一作者/系列 ← 电商选品内容创作 -- [[做TK跨境思路不对努力白费]] ← 依赖 ← 选品策略（本文）作为上游输入 -- [[可自动化-可扩展-ai增强的电商数据采集与处理系统]] ← 关联 ← 电商选品工具链 +- [[做TK跨境思路不对努力白费]] ← related_to ← [[电商如何选品-如何找到爆款-选品策略]]（均涉及跨境电商运营） +- [[电商视频prompt]] ← related_to ← [[电商如何选品-如何找到爆款-选品策略]]（均服务于电商内容创作） ## Contradictions -- 与 [[做TK跨境思路不对努力白费]] 潜在冲突： - - 冲突点：选品的具体平台优先级 - - 当前观点：Etsy/Pinterest 趋势是重要参考，适合 POD 和创意类产品 - - 对方观点：优先美区/日本 TikTok Shop，避开东南亚，需数据软件分析 - - 注：两者针对的产品类型不同（Etsy 手工艺/POD vs TikTok 快消品），可互补而非冲突 +- 暂无发现与其他 Wiki 页面的内容冲突 diff --git a/wiki/sources/电商视频prompt.md b/wiki/sources/电商视频prompt.md index 530bf4e5..57d8d5ba 100644 --- a/wiki/sources/电商视频prompt.md +++ b/wiki/sources/电商视频prompt.md @@ -1,45 +1,48 @@ --- -title: "电商视频Prompt库" +title: "电商视频Prompt库（宠物用品/宠物衣服）" type: source -tags: [ai, image-to-video, prompt, text-to-video] -date: 2026-04-23 +tags: [ai, prompt, image-to-video, text-to-video] +date: 2026-04-28 --- ## Source File -- [[raw/跨境电商/电商视频Prompt.md]] +- [[跨境电商/电商视频Prompt.md]] ## Summary（用中文描述） -- 核心主题：AI 生成宠物用品电商视频的模块化 Prompt 库 -- 问题域：TikTok Shop / 跨境电商宠物用品视频内容生产 -- 方法/机制：7 大模块化 Prompt（产品展示 / 宠物动作 / 衣服防穿帮 / 场景变化 / Negative Prompt / 卖货文案 / 全流程示例），通过"拼积木"方式组合使用 -- 结论/价值：**低翻车率 + 高真实感**的视频生成方案，服务 TikTok 带货，可扩展到 1 个产品 → 3 条视频 → 6 条文案 → A/B 测试的全链路自动化 +- 核心主题：AI 图生视频（Image-to-Video）Prompt 模块化库，专为 TikTok 电商宠物用品带货场景设计 +- 问题域：电商卖家需要低成本、高真实感、低翻车率的商品展示视频，用于 TikTok 带货 +- 方法/机制：7 大模块化 Prompt 组件（产品展示、宠物动作、服装防穿帮、场景变化、Negative Prompt、卖货文案、全流程合成），通过"拼积木"方式组合使用 +- 结论/价值：实现"图片 → 自动生成 3 条视频 → 自动生成 6 条文案 → A/B 测试"的半自动化电商内容生产流水线 ## Key Claims（用中文描述） -- 模块化 Prompt 组合策略能够**降低 AI 视频翻车率、提高真实感**，专为电商带货场景设计 -- 宠物衣服类视频必须使用**"防穿帮"专用 Prompt**（Clothing Alignment 模块），否则衣服会出现滑动、漂浮、变形 -- 场景变化 Prompt 应作为**加法模块叠加**，不应在初始 Prompt 中写死，以实现一条视频模板覆盖多场景 -- 一套产品可生成**3 条差异化视频**（细节展示版 / 宠物日常版 / 情绪共鸣版），配合 6 条文案进行 A/B 测试 +- 模块化 Prompt 库可使 AI 图生视频翻车率显著降低，同时保持高真实感 +- 宠物衣服类视频必须使用服装防穿帮（Anti-Clipping）模块，否则极易出现衣物漂浮或穿帮 +- 一个产品可同时产出 3 条视频模板（细节展示版 / 宠物日常版 / 情绪共鸣版），满足 A/B 测试需求 +- Negative Prompt（统一防翻车列表）应作为标准配置降低各类视频生成场景的通用错误率 ## Key Quotes > "低翻车率 + 高真实感 + 为 TikTok 带货服务" — 整体设计目标 > "场景一定是加法模块，不要一开始就写死" — 场景变化模块使用原则 -> "一个产品 = 3 条视频模板 → 自动生成 6 条文案 → A/B 测试" — 进阶自动化愿景 +> "图片 → 自动生成 3 条视频 → 自动生成 6 条文案 → A/B 测试" — 进阶自动化愿景 ## Key Concepts -- [[Prompt库设计原则]]：模块化（Modular）、变量化（Variable）、可组合（Composable） -- [[Negative Prompt]]：反向提示词，统一放置以降低翻车率，排除卡通风格/畸形解剖/水印等干扰 -- [[Image-to-Video]]：以产品图片为输入，生成动态展示视频（核心工作流） -- [[TikTok电商内容自动化]]：图片 → 视频 → 文案 → A/B 测试的全链路自动化 +- [[模块化Prompt库]]：将视频生成 Prompt 拆分为可独立复用、可自由组合的功能模块，降低使用门槛 +- [[NegativePrompt]]：通过声明"不要生成什么"来约束 AI 行为，是降低翻车率的核心手段 +- [[防穿帮Prompt]]：针对宠物衣服类视频的特殊模块，确保衣物随宠物身体自然运动而不漂浮或变形 +- [[电商视频流水线]]：图片 → AI 视频 → 卖货文案 → A/B 测试的半自动化内容生产闭环 ## Key Entities -- [[TikTok Shop]]：目标平台，该 Prompt 库的视频专为 TikTok Shop 带货场景设计 -- [[宠物用品]]：核心品类，以宠物衣服为典型案例（防穿帮、衣服合身问题） -- [[TikTok]]：短视频/电商平台，卖货文案生成模块（TikTok E-commerce Copywriter）以该平台用户为受众 +- [[TikTok]]：目标发布平台，电商带货场景的核心载体 +- [[TikTok Shop]]：电商转化路径的终点 +- [[Sora]]：AI 图生视频工具之一（由 [[如何利用Sora接口实现视频自动化生成工作流]] 文档补充） ## Connections -- [[电商如何选品-如何找到爆款-选品策略]] ← complements ← [[电商视频prompt]] -- [[14个免费的AI图生视频工具-用AI让图片动起来]] ← related_to ← [[电商视频prompt]] -- [[二创视频必不可少-2025年最热门AI工具推荐合集-AI配音-声音克隆]] ← related_to ← [[电商视频prompt]] +- [[电商如何选品]] ← 支撑 ← 本文档（视频内容服务于选品） +- [[文字生成视频网站推荐]] ← 关联 ← [[14个免费的AI图生视频工具]] ← 同类主题 +- [[二创视频必不可少！2025年最热门AI工具推荐合集]] ← 关联 ← AI 视频工具生态 ## Contradictions -- 暂无发现与 Wiki 中其他页面的实质冲突 +- 与 [[如何利用Sora接口实现视频自动化生成工作流]] 在工具选择上可能存在差异： + - 冲突点：本文档未指定具体视频生成工具（通用 Prompt），后者聚焦 Sora 接口调用 + - 当前观点：采用通用模块化 Prompt 策略，可在多个图生视频工具间迁移使用 + - 对方观点：Sora 是实现视频自动化流水线的核心工具，需要专门的 API 调用方案 diff --git a/wiki/sources/超达物流定价.md b/wiki/sources/超达物流定价.md index 7bbec8db..b9362e31 100644 --- a/wiki/sources/超达物流定价.md +++ b/wiki/sources/超达物流定价.md @@ -6,47 +6,40 @@ date: 2025-12-19 --- ## Source File -- [[raw/跨境电商/超达物流定价.md]] +- [[跨境电商/超达物流定价]] ## Summary（用中文描述） -- 核心主题：超达物流（ChaoDa Logistics）跨境电商定价规则与操作注意事项 -- 问题域：TikTok Shop 美国市场跨境发货的物流计费与面单管理 -- 方法/机制： - - 计费重量取申报重量、实重、材积重三者最大值 - - UIN渠道提供预上网服务，申请单号后24-48小时推送轨迹 - - TK平台面单跟踪号以"TKM"开头的为无效单号 - - 发货截止时间每天12点，美区周日不发货 -- 结论/价值：掌握超达物流计费规则，避免因申报重量或面单问题导致额外费用 +- 核心主题：超达物流服务渠道的定价规则与操作注意事项，聚焦 TikTok Shop 美国市场发货场景。 +- 问题域：跨境电商物流成本控制、面单操作规范、轨迹追踪管理。 +- 方法/机制：UIN 渠道提供预上网服务满足 TK 平台轨迹上传需求；申报重量取最大值收费（申报重量、实重、材积三取一）；美区发货截止每天 12 点，周日休息。 +- 结论/价值：为 TikTok 跨境卖家提供超达物流渠道的操作规范与成本注意事项。 ## Key Claims（用中文描述） -- 超达物流对申报重量、实重、材积取最大值收费，申报重量应低于或等于收费重量 -- UIN渠道申请单号后24-48小时产生轨迹上网，需控制好申请单号的时间 -- TK平台"TKM"开头的跟踪号为无效单号，需联系客服处理 -- 草稿订单状态的单号不会推送轨迹上网，需及时处理 -- UIN渠道：未推送轨迹取消单号不收费，已推送则收取全额挂号费 -- TK平台面单：未推送轨迹取消单号不收费，已推送收取10元/票操作费 -- 选错渠道后期修改均收取10元/票操作费 -- 每天12点前到仓的货物当天打包发走，美区周日休息不发货 +- 超达物流 UIN 渠道提供预上网服务，满足 TikTok 上传轨迹需求，申请单号后 24-48 小时左右有轨迹上网。 +- 物流收费按申报重量、实重、材积三者最大值计算，申报重量应低于收费重量以避免多付运费。 +- 申报重量和实重/材积差距尽量不要超过 0.1Kg。 +- UIN 渠道取消单号：未推送轨迹不收操作费，已推送轨迹需收取全额挂号费。 +- TK 平台面单取消单号：未推送轨迹不收操作费，已推送轨迹收取 10 元/票操作费。 +- 发货时间：每天 12 点前到仓当天发走；美区周日休息不发货，周一晚上发。 +- 选错渠道修改收取 10 元/票操作费。 ## Key Quotes -> "申报重量、实重、材积取最大值收费，请务必注意。" — 超达物流核心计费原则 +> "申报重量、实重、材积取最大值收费，请务必注意。" — 超达物流收费核心原则 +> "每天12点之前到仓的，都会当天打包发走。美区周日休息不发货，周一晚上发。" — 发货时效说明 ## Key Concepts -- [[计费重量原则]]：申报重量、实际重量、材积重量三者取最大值作为收费依据 -- [[轨迹推送机制]]：UIN渠道在收到单号后24-48小时内推送上网轨迹 -- [[取消单号收费]]：以轨迹是否推送为分界，未推送免费，已推送根据渠道收取操作费 +- [[物流预上网服务]]：渠道提前推送物流轨迹，满足平台追踪要求 +- [[材积重]]：根据包装尺寸计算的虚拟重量，与实重比较取大者计费 +- [[挂号费]]：物流单号的注册/追踪服务费用，取消时可能全额收取 ## Key Entities -- [[超达物流]]：跨境电商物流服务商，提供UIN渠道和TK平台面单服务 -- [[TikTok Shop]]：主要销售平台，本文档涉及美国市场发货操作 -- [[UIN渠道]]：超达物流提供的预上网渠道，支持24-48小时轨迹推送 +- [[超达物流]]：提供跨境电商物流服务的渠道商 +- [[TikTok Shop]]：本文涉及的跨境电商平台 +- [[UIN 渠道]]：超达物流提供的支持预上网服务的发货渠道 ## Connections -- [[TikTok Shop]] ← 使用 ← [[超达物流]] -- [[超达物流定价]] ← relates_to ← [[TK美国面单授权及操作流程]] +- [[TK美国面单授权及操作流程]] ← relates_to ← [[超达物流定价]] +- [[做TK跨境思路不对努力白费]] ← theme ← [[超达物流定价]] ## Contradictions -- 与 [[TK美国面单授权及操作流程]]： - - 冲突点：两份文档均涉及超达物流与TikTok美国市场，但本文档专注于定价规则，前者专注于授权配置 - - 当前观点：定价规则与授权配置可独立存在，互为补充 - - 对方观点：授权文档侧重系统配置步骤 +- 无已知内容冲突。