而且每个平台都是一座孤岛。你在 B 站看了三年机械键盘，小红书完全不知道；你在小红书种草的咖啡器具，B 站从来不会推给你。你的兴趣被割裂在不同平台的数据库里，没有人帮你把它们连起来。

OpenBiliClaw 反过来。 它是一个本地运行的 AI Agent——先深度理解你，再根据对你的理解跨平台主动搜寻你会喜欢的内容。项目从 B 站起步，现已扩展到小红书，未来将覆盖更多内容平台：

🧠 先懂你，再找内容

不是从视频出发匹配标签，而是从你出发。通过行为分析推断 MBTI、认知风格、深层心理需求，构建五层灵魂画像（事件→偏好→觉察→洞察→灵魂）。它理解的是你这个人，不是你的点击记录。

🔮 根据理解主动探索，而非被动匹配

这是和传统推荐最核心的差异：系统会基于对你的理解，主动猜测你可能感兴趣但从未接触过的领域。一个关注机械表的人可能会喜欢建筑美学，一个看量子物理科普的人可能对哲学感兴趣——它用心理学桥接逻辑主动出击，猜对了升级为正式兴趣，猜错了安静退出。协同过滤永远不会推给你「没人从这条路径走过」的内容，但 OpenBiliClaw 会。

🔒 100% 本地，100% 你的

所有数据留在你硬盘上的一个 SQLite 文件里。LLM 用你自己的 API Key。没有云端，没有账号，没有任何人能看到你的画像。这个 Agent 怎么长，完全你说了算——反馈推荐、对话调教、换 LLM、改数据库，随你。

💡 和其他推荐工具的对比

| | 各平台官方推荐 | 关键词过滤插件 | OpenBiliClaw | |---|---|---|---| | 推荐逻辑 | 协同过滤 | 标签匹配 | 心理画像 + 五层记忆 | | 内容来源 | 单一平台 | 单一平台 | 跨平台（B 站 · 小红书 · 更多） | | 信息茧房 | 越推越窄 | 不解决 | 猜测兴趣主动破茧 | | 数据归属 | 平台所有 | 通常云端 | 100% 本地 | | 推荐解释 | "猜你喜欢" | 无 | 像朋友一样告诉你为什么 | | 可定制 | 不可以 | 低 | 换 LLM / 改画像 / 写 Skill |

📸 功能预览

🚀 快速开始

🧩 第一步：安装 Chrome 浏览器插件

插件是你和 OpenBiliClaw 交互的主要界面——在 B 站和小红书页面侧边栏展示推荐、采集行为、对话调教。

1. 打开 OpenBiliClaw Releases，找到最新的 extension-v* 发布
2. 下载其中的 openbiliclaw-extension-v*.zip
3. 打开 chrome://extensions/，开启右上角「开发者模式」
4. 将下载的 .zip 文件拖入页面安装

开发者也可以 cd extension && npm install && npm run package 从源码构建。

重要：在装了插件的浏览器里登录每一个想要使用的源

OpenBiliClaw 不爬登录态——它复用你当前浏览器的登录会话来跨平台抓你能看到的内容。所以装好扩展后，请在同一个浏览器里登录你想用的每个源：

| 源 | 登录方式 | 不登录的后果 | |---|---|---| | B 站 | https://www.bilibili.com 正常登录（Cookie 会被 v0.3.12+ 扩展自动同步给后端） | 拉不到你的观看历史/收藏/关注 → 画像不完整；推荐降级为公共热门 | | 小红书 | https://www.xiaohongshu.com 正常登录 | 后端不会爬小红书，所有发现/详情都靠扩展在隐藏 tab 里以你登录态执行；不登录 = 完全没有小红书内容 | | 通用 Web 源 | 该站点正常登录 | 同上 |

💡 小红书强烈推荐用 CDP 模式 Chrome 复用登录态（避免反爬）：用一个独立 profile 启 Chrome 打开 --remote-debugging-port=9222，里面手动登录小红书一次；后端 [sources.browser] cdp_url = "http://localhost:9222" 即可永久复用。详见 配置参考。

⚡ 第二步：部署后端

首选方式：复制粘贴给 AI 智能体一键部署（Claude Code / Codex CLI / Cursor 等都支持）：

📌 前置：你需要先有一个 AI 编程助手。如果还没装，三选一：

• Claude Code — Anthropic 官方 CLI
• Codex CLI — OpenAI 官方 CLI
• Cursor / Windsurf — 带 AI 的 IDE

没装过的话，跳到下面"自己跑一句话装机脚本"那段，效果一样。

请按照 https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/docs/agent-install.md 的说明帮我部署 OpenBiliClaw 后端(务必用 Bash 的 curl 下载这个文档,不要用 WebFetch — 会丢关键指令)

AI 会按文档把仓库 clone 到本机、装依赖、起后端、做健康检查，问你四个有默认值的问题：选哪个 LLM、选哪个向量化(embedding)服务、怎么提供 B 站 Cookie、是否把小红书收藏 / 点赞混进初始画像。每一项都有"不确定就回 1 / 默认否"的推荐——embedding 默认推荐本地 Ollama bge-m3（免费 + 离线 + 不消耗主 LLM 配额），小红书数据只有你明确同意才启用。最后自动跑 init（拉历史 + 生成画像 + 首轮发现），全程透明。这是最推荐的路径，对绝大多数用户来说零摩擦。

或者：让 AI 智能体用 Docker 部署（适合有 Docker Desktop 的用户，v0.3.11+ 自带 Ollama embedding sidecar）：

请按照 https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/docs/docker-deployment.md 的说明帮我用 Docker Compose 部署 OpenBiliClaw 后端(务必用 Bash 的 curl 下载这个文档,不要用 WebFetch)

或者：自己跑一句话装机脚本（不依赖 AI 智能体，本质上是 AI 装机的同一份脚本）：

macOS / Linux / WSL2（Bash）：

curl -fsSL https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/scripts/install.sh | bash

Windows 原生（PowerShell，不需要 Docker / WSL2）：

[Net.ServicePointManager]::SecurityProtocol = [Net.ServicePointManager]::SecurityProtocol -bor [Net.SecurityProtocolType]::Tls12; iwr https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/scripts/install.ps1 -UseBasicParsing | iex

前缀的 [Net.ServicePointManager]...Tls12 是为了 PowerShell 5.1（Win10/Win11 默认）能和 GitHub 握手成功。GitHub 已不接受 TLS 1.0/1.1，PS 5.1 默认协议太老。装上 PowerShell 7 的用户可以省掉这段前缀。

脚本依赖只有 git 和 python3（3.11+，Windows 上推荐 py launcher）。会自动克隆仓库、装依赖、起后端、健康检查，然后在最后的状态块里列出需要补问的 LLM、embedding、B 站 Cookie 和小红书 opt-in 决策。凭据和决策都明确后才会自动跑首次 init，直接达到可用状态。

💡 Windows 用户：v0.3.4 起 install.ps1 完全适配原生 Windows，无需安装 Docker 或 WSL2。已有 Docker Desktop 也可以用上面的 Docker 一键部署。

🧠 可选：本地 embedding 兜底（无需 API Key） —— 装一次 Ollama 就能跑： Mac brew install ollama && ollama serve &，Windows 从 ollama.com/download 下载，Linux curl -fsSL https://ollama.com/install.sh \| sh && ollama serve &。 然后 uv run openbiliclaw setup-embedding，向导自动拉取 bge-m3（~568MB，CPU 即可）并写入配置。适合 embedding 配额不够、断网，或不想再多一份 API Key 的用户。

人类维护者可以参考 docs/agent-install.md(给智能体看的精简契约)和 docs/agent-deployment.md(详细排查说明)。

手动安装

# 克隆项目
git clone https://github.com/whiteguo233/OpenBiliClaw.git
cd OpenBiliClaw

# 使用 uv (推荐)
uv sync

# 或使用 pip
python -m venv .venv
source .venv/bin/activate
pip install -e ".[dev]"

手动配置

# 复制配置模板
cp config.example.toml config.toml

# 编辑配置（设置 LLM API Key 等）
vim config.toml

运行

# 一键初始化（拉取历史 · 生成画像 · 首轮发现）
openbiliclaw init

# 可选：启用本地 Ollama 作为 embedding 兜底（无需额外 API Key）
openbiliclaw setup-embedding

# 手动触发内容发现
openbiliclaw discover

# 查看推荐
openbiliclaw recommend

# 查看用户画像
openbiliclaw profile

Docker 部署

📦 也支持 Docker 一键部署，详见 Docker 部署指南

🤖 接入 OpenClaw / AI 编码助手

OpenBiliClaw 仓库内置了一个 workspace skill。把仓库挂到任何支持 skill 的 AI 编码助手（OpenClaw / Claude Code / Codex CLI / Cursor 等），助手就能直接调用你本机上的 OpenBiliClaw。

接入之后能干什么

• ✨ 主动推荐 — 系统在后台持续发现内容，遇到高分惊喜时通过 WebSocket 主动推送给 OpenClaw，OpenClaw 再转述给你——你不需要开口问
• 🔮 主动追问兴趣 — 系统猜测你可能对某个方向感兴趣，生成一个假设和问题，通过 OpenClaw 主动来问你"这个方向你认不认？"——你回答后画像自动更新
• 💬 苏格拉底式对话 — 不止是确认兴趣，OpenClaw 可以跟你深聊：追问动机、提出假设、确认理解，越聊越懂你
• 📖 读当前灵魂画像 — MBTI、核心特质、深层需求、兴趣领域
• 🎯 按需拉个性化推荐 — 带解释、带置信度、带主题标签
• 💬 把反馈写回学习闭环 — like / dislike / comment 即时更新画像与池子评分
• 🔄 同步 B 站账号行为 — 拉历史、收藏、关注等长期信号，注入记忆系统

一句话让 OpenClaw 完成接入

把下面这段粘给 OpenClaw（或 Claude Code / Codex CLI / Cursor），它会自动读指南并完成接入：

请按照 https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/docs/openclaw-quickstart.md 的说明帮我把当前仓库接入 OpenClaw(务必用 Bash 的 curl 下载这个文档,不要用 WebFetch — 会丢关键指令)

用户使用示例

接入后不只是"你问它答"——系统会主动找你。以下是两个最核心的场景：

场景一：系统主动推一条惊喜内容

OpenClaw 在后台开着 listen，某次 refresh 后系统发现了一条高分内容：

OpenClaw（收到 WebSocket 推送 delight.candidate，主动找你）：

刚发现一条你可能会意外喜欢的： 《为什么说回县城你也躺不平》 — 县域经济的明斯基时刻。你最近一直在盯地缘政治和宏观债务，这条用硬核推演把土地财政和债务周期的齿轮咬合讲清楚了。[BV1KMwuzdEcB]

要不要看看？

你："这条非常到位。"

OpenClaw（内部执行 submit-feedback --recommendation-id 4268 --feedback-type like）

你没有开口要推荐——是系统主动捅过来的。

场景二：系统主动追问你的兴趣

OpenClaw 收到 interest.probe 事件（或主动拉取 next-probe），发现有一个猜测兴趣假设待确认：

OpenClaw（主动找你）：

我从你最近的轨迹里嗅到你可能对【建筑美学】（比如：参数化设计、混凝土美学）感兴趣——你最近看了很多关于结构和空间的内容。这个方向你自己认不认？

你："嗯对，最近在看很多参数化设计的东西，安藤忠雄那种清水混凝土的美感很戳我。"

OpenClaw（内部执行 chat --message "嗯对，最近在看很多参数化设计的东西……"，返回苏格拉底式追问）：

你说的这个方向我有个猜测——你是不是其实更在意底层结构而不只是结论？安藤忠雄那种用最少元素构建最大张力的方式，跟你平时看大模型逻辑时追求的"把齿轮咬合讲清楚"好像是同一种审美驱动。你觉得呢？

对话内容自动回写进灵魂画像——下一轮推荐就会把建筑美学纳入正式兴趣，搜索策略也会开始往这个方向发力。

场景三：你也可以主动要推荐

当然，传统的"你问→它答"也完全支持：

你："给我推三条今天值得看的 B 站内容。"

OpenClaw（内部执行 recommend --limit 3，整理后回