企业官网建设流程全解析

OpenBiliClaw架构解析：Agent编排、灵魂画像、五层记忆与发现引擎全景图

【免费下载链接】OpenBiliClaw本地私有、开源的自进化跨平台 AI 内容发现 Agent：先理解你，再主动从 B站、小红书、抖音、YouTube、X、知乎、Reddit、微博等平台与开放 Web 寻找内容。（支持 deepseek harness 插件） | Local-first open-source cross-platform AI content discovery agent: understands you, then proactively finds content across Bilibili, Xiaohongshu, Douyin, YouTube, X, Zhihu, Reddit, Weibo and the open web.（support deepseek harness plugin）项目地址: https://gitcode.com/gh_mirrors/op/OpenBiliClaw

OpenBiliClaw 是一个本地私有、开源的自进化跨平台 AI 内容发现 Agent。它先理解你，再主动从 B 站、小红书、抖音、YouTube、X、知乎、Reddit、微博等平台寻找内容。本文将从Agent 编排、灵魂画像、五层记忆与发现引擎四个维度，完整拆解它的架构设计。

一、整体架构：7 层协作，各司其职

OpenBiliClaw 采用分层架构，从上到下依次为（详见 docs/architecture.md 与 docs/architecture-overview.md）：

二、Agent 编排层：系统的"总指挥"

Agent 核心层是整个系统的大脑，源码位于 src/openbiliclaw/agent/，它负责三件事：

• 任务调度— 决定何时做发现、何时更新画像、何时生成推荐文案，并严格管控 LLM 并发（交互任务与后台任务分车道排队）
• Skill 系统— 技能以 Markdown 描述 + JSON 工具注册表的形式声明，支持内置技能与用户自定义技能覆盖
• 「聊一聊」Agent Loop— 多跳工具调用循环：Agent 可以连续调用读取画像、搜索内容、提交建议等工具，并通过L2 审批门保护敏感写操作——任何"硬写入"都会先弹出审批卡片，用户点头后才执行

💡 对新手来说，你可以把编排层理解为一个"值班管家"：它自己不干具体活，但知道谁该干活、什么时候干、干之前要不要先问一嘴。

对外集成走协议中立的 src/openbiliclaw/integrations/，其他 Agent 宿主可以通过能力协商（capabilities manifest）直接读取推荐、回答问题、闭环学习，而无需触碰内部数据库。

三、灵魂画像：理解"你这个人"，而不是"你的点击"

灵魂画像由 Soul Engine 驱动（源码在 src/openbiliclaw/soul/，文档见 docs/modules/soul.md）。它是 OpenBiliClaw 与普通推荐系统最本质的区别。

传统推荐理解的是标签；灵魂画像理解的是人。它会推断：

• MBTI 与认知风格— 你的信息处理方式
• 核心特质— 例如"追求深度理解、耐心但挑剔"
• 价值观与审美倾向— 你真正在意的东西
• 深层未被满足的需求— 为什么你会被某些内容吸引

更妙的是它的可修正性：

1. 用户覆盖层— 你手动编辑的画像会存在独立文件中，叠加在 AI 画像之上，AI 重建画像时绝不覆盖你的修改
2. 苏格拉底式对话— 系统会通过追问来验证假设（"你刷游戏实况是为了放松，还是为了学习？"）
3. 兴趣探针— 它敢主动猜测"你可能没接触过、但会喜欢"的领域，猜对升级为正式兴趣，猜错安静退出
4. 疑惑机制— 读不懂你的行为时，它不会乱猜，而是明确向你提问澄清

画像还带有完整的变更台账（soul_changelog.md），每一次更新的时间、来源、变化摘要都可追溯、可回滚。

四、五层记忆系统：像朋友一样"记住"你

记忆系统（src/openbiliclaw/memory/，设计文档 docs/memory-design.md）是整个 Agent 理解深度的基石。它不是简单的"标签 + 权重"，而是模仿人脑的分层网状结构：

三个关键设计让这套记忆"活"起来：

• 越往上越稳定— 一次偶然点击不会让人格画像抖动
• 双向网状关联— 不只是自底向上提炼，高层理解还会反过来指导解读新行为（一个"追求深度"的人快速划走视频，是"嫌太浅"而不是"不感兴趣"）
• 全程可解释— 任何一条画像结论都能向下追溯到具体事件，不是黑盒

在四层类型划分上（核心 / 情景 / 语义 / 工作记忆），核心记忆每次 LLM 调用都会自动注入，相当于"随身的对朋友的印象"；工作记忆只存在于当前会话，进程退出即消失。

五、发现引擎：主动"找货"，而不是被动"等货"

发现引擎（src/openbiliclaw/discovery/，文档 docs/modules/discovery.md）解决的核心问题是：带着对你的理解，去 12 个平台主动找内容。

它的流水线可以概括为四步：

灵魂画像 → 关键词规划 → 多源抓取 → 候选评估 → 入池

① 关键词规划— 统一的 KeywordPlanner 管理所有搜索词的"生命周期"。它还有一个会自我学习的灵感轴库：每条轴按历史产出回填收益分，高产轴被优先复用，低产轴自动沉底甚至退役——系统的搜索策略本身就在进化。

② 多源适配— src/openbiliclaw/sources/ 把"内容从哪里来"与"怎么挑"彻底解耦。B 站四策略（搜索 / 热点 / 关联链 / 探索）、小红书、抖音、YouTube、X、知乎、Reddit、Linux.do、Bangumi、V2EX、微博、GitHub 全部通过统一的 SourceAdapter 协议挂载，按可配置的来源比例（默认5:1:1:1:...）分配配额。

③ 统一候选池— 所有来源的原始内容先落到discovery_candidates待评估池，由 LLM 批量评估"与这个用户的相关性"，同时输出时效三态（新鲜 / 待复审 / 已过期）。达标者才进入正式推荐池content_cache。

④ 负样本锚定— 你最近踩过的雷会被抽取为"负例"，直接喂给评估器，让系统在候选阶段就学会避开你不喜欢的方向。

六、推荐引擎：五维打分 + 朋友式表达

最后一步，推荐引擎（src/openbiliclaw/recommendation/，文档 docs/modules/recommendation.md）从池中挑出最该推的几条：

• PoolCurator 五维评分— 相关性、时效加成、主题疲劳、来源单调度、惊喜度，共同决定最终排序
• MMR 多样性— 用向量余弦把"话题看着不同、其实是一类"的内容打散，一批推荐里不同方向更多
• 双轴疲劳抑制— 你最近反复看过的主题会被快速降权，count=2 即触发强抑制
• 朋友式文案— 推荐理由由 LLM 按你的语气风格生成，像老朋友告诉你"为什么你会喜欢这个"，而不是冷冰冰的"猜你喜欢"

推荐完成后，你的每一次点赞、踩、划走都会回流到记忆系统，形成自进化闭环——这就是"自进化 Agent"名字的由来。

七、本地优先：数据 100% 属于你

架构的底座是 src/openbiliclaw/storage/ 的 SQLite 存储：行为事件、画像 JSON、候选池、推荐历史全部留在本机。核心承诺：

• 没有 OpenBiliClaw 运营的云端账号
• LLM 默认使用你自己的 API Key（也支持本地 Ollama，可完全离线）
• 支持冷备份、完整性检查与跨机器迁移（导出.obcbackup→ 新机器导入，失败自动回滚）

八、快速上手

想亲眼看看这套架构如何运转？只需四步：

1. 装插件— 从 Chrome 应用商店一键安装浏览器插件
2. 装后端— 下载 macOS / Windows 桌面安装包，开箱即用
3. 连接来源— 在装了插件的浏览器登录 B 站（或选择其他平台）
4. 打开界面— 访问http://127.0.0.1:8420/web即可开始

源码安装则可直接对 AI 编程助手说"按 docs/agent-install.md 部署"，几分钟完成环境配置。

总结

OpenBiliClaw 的架构可以浓缩成一条主线：

行为事件 → 五层记忆提炼 → 灵魂画像理解 → 发现引擎主动找货 ↑ ↓ └──────── 推荐反馈 · 对话学习 · 探针确认 ←── 朋友式推荐

它用Agent 编排管理节奏，用灵魂画像理解人，用五层记忆沉淀理解，用发现引擎主动破茧——所有数据留在你的硬盘上，这个 Agent 怎么长，完全你说了算 🦀

【免费下载链接】OpenBiliClaw本地私有、开源的自进化跨平台 AI 内容发现 Agent：先理解你，再主动从 B站、小红书、抖音、YouTube、X、知乎、Reddit、微博等平台与开放 Web 寻找内容。（支持 deepseek harness 插件） | Local-first open-source cross-platform AI content discovery agent: understands you, then proactively finds content across Bilibili, Xiaohongshu, Douyin, YouTube, X, Zhihu, Reddit, Weibo and the open web.（support deepseek harness plugin）项目地址: https://gitcode.com/gh_mirrors/op/OpenBiliClaw