OpenBiliClaw 自进化内容发现 Agent

Fully local · private · open source

自进化的跨平台内容发现 Agent。

OpenBiliClaw 从跨平台使用、项目内反馈与对话中持续深化心理画像, 让 Agent 带着越来越准确的用户理解,主动去 B 站、小红书、抖音等来源寻找你会喜欢的内容。

纯本地 画像、候选池和推荐历史留在你的机器上
自进化 使用、反馈、聊天都会推动理解继续变深
跨平台 B 站、小红书、抖音和通用 Web 来源合流
主动发现 不是等你刷到,而是带着画像出去找
OpenBiliClaw 浏览器侧边栏推荐界面
Install prompt below

Start

把这句话交给 AI 编程助手,让它在本机帮你部署。

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。

一句话安装提示
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)
不用 AI 助手时的脚本
curl -fsSL https://raw.githubusercontent.com/whiteguo233/OpenBiliClaw/main/scripts/install.sh | bash

插件是主要入口

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

推荐顺序反过来:先理解人,再找内容。

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。

01 Private

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。

02 Self-improving

画像会随使用演化

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。

03 Proactive

主动去找,而不是等你刷

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。

04 Explainable

推荐理由能看懂

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

自进化不是口号,而是一条闭环。

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。

01

跨平台使用行为

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。

02

项目内反馈与对话

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。

03

心理画像持续深化

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”。

04

Agent 带着理解主动寻找

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。

05

推荐继续反哺理解

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

你的兴趣不该被单个平台切碎。

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。

Bilibili

B 站

历史、收藏、关注、搜索、趋势、关联链和跨域探索共同提供候选。

Xiaohongshu

小红书

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。

Douyin

抖音

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。

Web

通用 Web

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

用户看到的是一个浏览器侧边栏。

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。

推荐卡片和反馈按钮截图

推荐与反馈

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。

价值偏好和兴趣方向画像截图

长期价值画像

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。

认知风格和内容口味画像截图

认知风格与内容口味

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。

侧边栏聊天截图

聊天校准

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

技术可以讲成四层:入口、记忆、理解、发现。

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。

01

浏览器扩展(Chrome / Edge / Brave / Arc 等)

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。

02

本地后端

运行在 127.0.0.1,接收事件、调度 discovery、提供 API 和实时状态。

03

Soul / Discovery / Recommendation

Soul 理解人,Discovery 找候选,Recommendation 挑内容并生成解释。

04

SQLite 私有记忆

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。

Build your own recommender

让推荐系统重新站到用户这一边。

纯本地、私有、开源、可解释、可反馈、会随你使用持续演化。