中文 · English

🧰 Chubby Skills

信息流会忘，知识库会记，Agent 会用。

生态定位：为什么不是又一个 skill 集合

Agent Skills 生态已有 140 万+ 技能包，但绝大多数是泛化开发技能；垂直领域（中文内容采集 → 知识库）至今没有事实标准。Chubby Skills 要占据的，就是这个位置。

采集工具有很多，知识库工具也有很多。但「中文全渠道采集 → 统一格式 → 知识库 → Agent 调用」的完整闭环、且完全本地可迁移的，只有 Chubby Skills。

完整对比与生态定位图见 docs/comparison.md。

这是什么

Chubby Skills 是一套面向个人知识库和 AI Agent 的内容采集、整理、检索工具。

你可以把它理解成三层：

1. 采集层：把 B站、YouTube、抖音、小红书、公众号、X、播客等内容转成统一 Markdown。
2. 知识层：把 Markdown 入库到 Obsidian / 本地 vault，支持索引、搜索、语义检索、归档和知识卡片。
3. Agent 层：通过 Agent Skills 和 MCP server，让 Claude Code、Codex、OpenCode、OpenClaw、Hermes 等 Agent 真正读取你的知识库完成任务。

一句话：把你每天刷到、听到、读到的好内容，变成可复用、可检索、可被 Agent 调用的个人知识资产。

适合谁

• 内容创作者：把爆款笔记、视频、播客、公众号文章沉淀成选题库。
• 学习者：把视频和播客转成文字，再生成笔记、闪卡和知识点。
• 研究者：搭一个能被 Agent 检索的本地资料库。
• Agent 用户：把 skill、CLI、MCP 和 vault 串成可复用工作流。
• 开源贡献者：按统一平台定义和输出协议扩展更多内容源。

现在有什么

当前版本：0.11.0

60 秒开始

git clone https://github.com/chubbyguan/chubbyskills.git
cd chubbyskills
python3 tools/chubby.py quickstart

quickstart 是离线首跑验收，不会抓真实平台内容。它会检查：

• 配置和运行目录是否可写
• X 链接 dry-run 路由是否正确
• 示例 Markdown 是否符合输出协议
• 平台定义和站点模板是否完整
• 示例 vault 是否能索引和语义检索
• MCP 依赖是否可用

发布级验收：

python3 tools/chubby.py --version
python3 tools/platform_smoke.py --mode all --check
python3 tools/golden_outputs.py examples/outputs
python3 tools/mcp_workflow_demo.py

更多发布检查见 docs/release.md。

安装方式

推荐：分档安装

bash setup.sh          # 默认 light：轻量能力
bash setup.sh video    # 视频转录重依赖
bash setup.sh podcast  # 播客转录
bash setup.sh wechat   # 公众号/PDF 处理
bash setup.sh all      # 全部依赖
bash setup.sh doctor   # 只做环境体检

轻量模式可直接使用：X 图文、小红书图文、公众号基础处理、行业情报雷达、知识库健康检查、content-enrich。视频和播客转录才需要 ffmpeg、yt-dlp、funasr、torch、faster-whisper 等重依赖。

手动安装

pip install -r requirements.txt
pip install -r podcast-transcribe/requirements.txt

每个 skill 都是独立目录，也可以只安装你需要的那个。

Agent 安装

在 Claude Code、Codex、OpenClaw、Hermes 等支持 Skill 的 Agent 里，可以直接说：

帮我安装这个 skill：https://github.com/chubbyguan/chubbyskills/tree/main/<skill-name>

Gitee 镜像：https://gitee.com/chubbyguan/chubbyskills

平台能力

平台状态页：docs/platform-status.md

失败分型和 fallback 指南：docs/platform-fallbacks.md

常用工作流

1. 单条链接采集

python3 tools/chubby_ingest.py "https://www.bilibili.com/video/BVxxxx" -o output/
python3 tools/chubby_ingest.py "https://x.com/user/status/123" -o output/
python3 tools/chubby_ingest.py "https://mp.weixin.qq.com/s/xxx" -o output/

自动识别平台失败时，可以显式指定：

python3 tools/chubby_ingest.py "<链接>" --skill youtube -o output/

2. 采集后加工摘要和标签

export DEEPSEEK_API_KEY="..."
python3 tools/chubby_ingest.py "<链接>" -o output/ --enrich

content-enrich 会补摘要、要点、标签、领域和价值判断，并保留原文。

3. 入库到 Obsidian / vault

python3 tools/chubby_ingest.py "<链接>" --vault ~/Documents/Obsidian/Inbox

也可以使用完整管线：

python3 tools/chubby.py init
python3 tools/chubby.py ingest "<链接>"
python3 tools/chubby.py status --latest
python3 tools/chubby.py retry --all-failed

tools/chubby.py 会记录：

• .chubby/runs.jsonl：每条 source 的状态、错误、输出路径、run_id
• runs/YYYY-MM-DD.md：每日运行报告
• schema v1 元数据：run_id、source_hash、captured_at、processed_at、content_type、assets

4. 批量队列

把链接逐行放进 inbox/links.txt：

https://x.com/user/status/123
https://mp.weixin.qq.com/s/xxx
https://www.bilibili.com/video/BVxxxx

运行：

python3 tools/chubby.py run
python3 tools/chubby.py status --failed
python3 tools/chubby.py retry --all-failed

空行和 # 注释会被忽略。

5. 建立本地知识库索引

python3 tools/vault_index.py index ~/Documents/ObsidianVault
python3 tools/vault_index.py search "AI Agent"
python3 tools/vault_index.py semantic "内容策略"
python3 tools/vault_index.py recent --limit 10
python3 tools/vault_index.py stats

读取某篇笔记：

python3 tools/vault_index.py read "10_Sources/x/example.md" --vault ~/Documents/ObsidianVault

6. 使用真实 embedding provider

默认语义检索是零依赖 semantic-lite。如果你想用真实向量：

OpenAI：

export OPENAI_API_KEY="..."
python3 tools/vault_index.py embed ~/Documents/ObsidianVault --provider openai
python3 tools/vault_index.py semantic "内容策略" --provider openai

本地模型：

python3 -m pip install sentence-transformers
python3 tools/vault_index.py embed ~/Documents/ObsidianVault --provider local
python3 tools/vault_index.py semantic "内容策略" --provider local

更多说明见 docs/knowledge-automation.md。

7. 自动归档和知识卡片

默认 dry-run，不会移动文件：

python3 tools/vault_curator.py archive ~/Documents/ObsidianVault

确认后真正执行：

python3 tools/vault_curator.py archive ~/Documents/ObsidianVault --apply
python3 tools/vault_curator.py card ~/Documents/ObsidianVault "10_Sources/x/example.md" --apply

归档规则：

• 00_Inbox/**/*.md 是待处理区。
• 有 summary、archive_status: processed、processed / evergreen 标签的笔记进入 20_Processed/。
• 其它笔记进入 10_Sources/<platform>/。
• 生成知识卡片时会保留来源、平台、source、tags 和关键要点。

8. 让 Agent 通过 MCP 使用你的 vault

启动 MCP server：

pip install mcp
VAULT_DIR=~/Documents/ObsidianVault python3 knowledge-base-management/scripts/mcp_server.py

MCP 工具：

• search_vault
• semantic_search_vault
• read_kb_note
• list_recent_notes
• reindex_vault
• vault_index_stats

示例工作流：

python3 tools/mcp_workflow_demo.py

这个 demo 会用 fixtures/mcp-vault 完成一次“检索 vault → 读取原文 → 带来源回答”的 Agent 任务。详细配置见 docs/mcp-workflow.md。

质量保障

这个仓库现在不是只提供脚本，也提供可复现的验收层。

live smoke 是显式 opt-in，因为真实平台会受 cookie、地区、风控、重依赖和链接有效期影响：

export CHUBBY_SMOKE_X_SOURCE='https://x.com/<user>/status/<id>'
python3 tools/platform_smoke.py --mode live --check

输出协议

所有采集类 skill 都输出带 frontmatter 的 Markdown，基础字段包括：