纯本地私有
数据落在本机 SQLite 与本地记忆文件里。你使用自己的模型配置和 API Key,不需要把画像交给新的云端服务。
Start
推荐先装浏览器插件(支持 Chrome、Edge、Brave、Arc 等),再让 Claude Code、Codex CLI、Cursor 或 Windsurf 按机器契约完成后端部署、健康检查和首次初始化。
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)
curl -fsSL https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/scripts/install.sh | bash
插件负责侧边栏推荐、行为采集、反馈、聊天,以及 B 站 / 小红书 / 抖音登录态任务桥。 安装后请在同一个浏览器里登录你想接入的内容平台。
Why it matters
平台推荐通常先有内容池,再预测你会点什么。OpenBiliClaw 先沉淀对你的理解,再让 Agent 带着这份理解跨平台主动寻找。
数据落在本机 SQLite 与本地记忆文件里。你使用自己的模型配置和 API Key,不需要把画像交给新的云端服务。
跨平台行为、推荐反馈、聊天表达、兴趣探针确认,都会进入学习闭环,让系统逐步更懂你的真实偏好。
Discovery 会把心理画像翻译成搜索、趋势、关联链、远域探索和多源任务,持续维护候选池。
每条推荐都带朋友式解释。你可以喜欢、不喜欢、补一句原因,反馈会继续影响后续发现和排序。
Learning Loop
OpenBiliClaw 不只是抓取历史再生成一次画像。它会在实际使用中持续吸收新的行为、反馈和对话,让理解和推荐一起更新。
B 站观看、收藏、关注,小红书收藏和喜欢,抖音发布 / 收藏 / 点赞 / 关注,以及通用 Web 页面信号进入同一事件层。
你对推荐卡片的喜欢、不感兴趣、评论,以及侧边栏聊天里的明确偏好,会成为新的长期理解候选。
Soul Engine 会把事件转成偏好、觉察、洞察和分层画像,不只记录“看了什么”,还判断“为什么会喜欢”。
Discovery Engine 把画像变成可执行的搜索、热点、关联、探索和多源任务,补进候选池并保持来源配比。
Recommendation Engine 选出内容、解释原因、接收反馈;下一轮画像和候选池会因此继续校准。
Sources
OpenBiliClaw 用统一候选池和来源配比把多个内容来源接进同一套理解、发现和推荐流程。
历史、收藏、关注、搜索、趋势、关联链和跨域探索共同提供候选。
通过浏览器插件任务桥读取收藏、喜欢和页面内容,不由后端直接爬取。
初始化信号、插件签名搜索、hot related 和首页 feed 都走已登录浏览器链路。
通过浏览器与 LLM 内容抽取接入更多站点,让非平台内容也进入画像。
Product
复杂的理解、发现和推荐链路藏在本地后端里;日常使用只需要在插件里看推荐、看画像、聊天和反馈。
换一批、继续看、喜欢、不感兴趣、写一句原因,反馈会回到学习闭环。
它会把“你在内容里长期寻找什么”沉淀成价值偏好、内在驱动力和兴趣方向。
画像不是一段玄学文字,而是能被查看、质疑和校准的结构化偏好。
有些偏好不必靠猜。直接告诉它你想看什么、避开什么、为什么没打中。
Architecture
没有云端账号体系,也不是又一个内容平台。它是一套跑在你电脑上的个人推荐系统。
侧边栏展示推荐、采集行为、同步登录态、执行小红书和抖音任务。
运行在 127.0.0.1,接收事件、调度 discovery、提供 API 和实时状态。
Soul 理解人,Discovery 找候选,Recommendation 挑内容并生成解释。
行为、画像、候选池和推荐历史留在本机,可备份、检查、清理和迁移。