10 秒看懂 OpenBiliClaw

一个纯本地、私有、开源的自进化跨平台内容发现 Agent：从你的跨平台使用、反馈和对话中持续深化心理画像，带着对你的理解主动去 B 站、小红书、抖音、YouTube、X 等来源找内容。

安装浏览器插件 · 让 AI 助手部署后端

_{喜欢这个方向？欢迎 Star 支持项目继续适配更多平台。}

快速开始

普通用户先走这四步；Firefox、Docker 和手动部署等备用路径保留在后面的 安装与部署详情。

1. 安装浏览器插件：推荐从 Releases 下载最新 extension-v* 的 zip 手动安装（版本最新）；也可从 Chrome 应用商店一键安装（自动更新，但受审核排期影响，版本可能滞后于 Releases）。
2. 部署后端（两种方式，按需选一，都推荐）：
   • 🖥️ 下载桌面安装包（最省事）：到 Releases 下载 macOS .dmg / Windows .exe，装好双击即用 —— 自带本地 embedding、常驻菜单栏/托盘。当前为未签名的实验性预发布，首次打开需绕过系统拦截，详见 安装与部署详情。
   • 🤖 让 AI 助手部署（想改源码 / 深度定制选它）：把下面整句粘给 Claude Code、Codex CLI、Cursor、Windsurf 或其他 AI 编程助手。

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)

3. 在同一个浏览器登录内容平台：至少登录 B 站，需要多源信号时再登录 小红书 / 抖音 / YouTube / X。
4. 打开桌面端或移动端 Web：后端启动后访问 http://127.0.0.1:8420/web；手机可扫插件二维码打开 http://<电脑局域网 IP>:8420/m/。

为什么需要 OpenBiliClaw？

名字起源于 B 站（Bili = Bilibili，Claw = 爪子），项目最早只支持 B 站。从 v0.3.0 起已扩展为通用跨平台 Agent —— 已落地 B 站 / 小红书 / 抖音 / YouTube / X 初始化信号、抖音 search / hot / feed 与 X 服务端内容发现和通用 Web 多类源，持续接入更多内容平台。

推荐系统本质上是一个中间商——平台站在海量内容和海量用户之间做匹配分发。现代推荐系统远比「优化点击率」复杂：它同时权衡点击率、完播率、点赞/投币概率、停留时长、用户留存、创作者生态健康、广告收入等十几个目标，把它们加权压成一个分数来排序。听起来很科学，但问题在于：这些权重是平台定的，优化目标归根结底是平台的——用户满意度只是被当作留存和变现的手段，而非目的本身。你以为你在挑内容，其实是中间商在替你决定你能看到什么。结果就是：推荐越来越像你已经看过的东西，偶尔的惊喜全靠运气。

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、抖音、YouTube 和 X（Twitter），后续还会覆盖更多内容平台：

🧠 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 默认用你自己的 API Key，也可实验性复用本机 Codex CLI 的 ChatGPT OAuth 凭据。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 · 抖音 · YouTube · X · 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

核心入口现在有三个：浏览器插件负责平台内交互和登录会话，桌面端 Web（/web）提供大屏推荐首页，移动端 Web（/m）适合手机使用。桌面端和移动端都只调用本地 API，Cookie 同步和平台任务仍由插件承担。

智能推荐 像朋友一样解释为什么你会喜欢

灵魂画像 自然语言描述的深度人格分析

结构化特质 MBTI · 核心特质 · 深层需求

对话调教 聊天告诉它你想看什么

🖥️ 桌面端 Web 预览

启动后端后访问 http://127.0.0.1:8420/web（或直接 http://127.0.0.1:8420/，会自动跳转），即可在浏览器大屏上使用推荐首页。

桌面推荐首页 惊喜推荐 Hero · 为你推荐网格 · 朋友式推荐理由	推荐卡片网格 封面 + 推荐理由 · 喜欢 / 不感兴趣 / 稍后 / 收藏 / 聊一聊
画像 + 实时看板 侧栏 Runtime 看板 + 后台动态 · 人格素描 · 核心特质 · MBTI 推断

📱 移动端 Web 预览

手机推荐页 惊喜推荐 + 池子状态 · 朋友式推荐原因 看看 / 喜欢 / 稍后 / 收藏 / 不感兴趣 / 聊一聊

手机画像页 人格素描 · 核心特质 · 深层需求 · MBTI

手机对话页 与插件共享主聊天历史

更多截图

推荐反馈 点赞 / 多来点 / 少来点 / 没兴趣

价值偏好与兴趣 内在驱动力 · 猜测兴趣方向

认知风格 信息处理偏好 · 内容口味

最近更新

最新版本：v0.3.116 / extension v0.3.75: 惊喜推荐生命周期闭环（2026-06-10）。完整变更详见 docs/changelog.md。

• 点喜欢的惊喜不再消失 —— 喜欢过的惊喜推荐在重新打开后保留在队列里，并恢复「已喜欢」状态。
• 浏览过即已读 —— 点「去看看」看过的惊喜下次不再重复出现；只是刷到没点开的会一直保留。
• 惊喜推荐与普通推荐不再重复 —— 被惊喜通道认领的内容不会再出现在普通推荐和「换一批」里。

用户交流群

QQ 用户群

微信用户群 二维码 7 天内有效，失效后会更新

安装与部署详情

普通用户的正常流程是：先安装浏览器插件，再把一句话发给 AI 助手安装后端，在同一个浏览器登录内容平台；如果要在手机上使用，再打开移动端 Web。脚本、Docker 和手动部署只作为备用路径，放在下面折叠区。

1. 安装浏览器插件

插件是主要入口：它会在 B 站、小红书、抖音、YouTube 和 X 页面显示侧边栏、采集你的反馈，并把浏览器登录态安全地交给本地后端使用。

插件基于 Manifest V3，支持所有兼容 Chrome 插件的浏览器，包括 Chrome、Edge、Brave、Arc、Vivaldi、Opera 等。

推荐方式 · 从 Releases 下载最新版手动安装（拿到最新功能与修复 —— Chrome 应用商店受审核排期影响，版本通常会滞后几天到一两周）：

1. 打开 OpenBiliClaw Releases，找到最新的 extension-v*
2. Chrome / Edge / Brave 下载 openbiliclaw-extension-v*.zip；Firefox 下载 openbiliclaw-extension-v*-firefox.zip
3. 打开扩展管理页面（Chrome：chrome://extensions/ · Edge：edge://extensions/ · Brave：brave://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

省事方式 · Chrome 应用商店一键安装（安装后由浏览器自动更新，适合不想手动升级的人；缺点是版本可能滞后于 Releases）：

👉 在 Chrome 应用商店安装 OpenBiliClaw —— 打开后点「添加至 Chrome」即可。

插件更新取决于安装渠道：Chrome Web Store / Edge Add-ons / AMO 安装的版本由浏览器自动更新；从 GitHub Release 下载 zip、开发者模式加载或 Firefox 临时加载的用户，需要下载新版 zip 并按同样方式重新加载。后端设置里的“自动更新”开关只更新本地后端源码，不会更新浏览器插件。

unzip openbiliclaw-extension-v*-firefox.zip -d openbiliclaw-firefox

# 或从源码构建
git clone https://github.com/whiteguo233/OpenBiliClaw.git
cd OpenBiliClaw/extension
npm install
npm run build:firefox          # 产出 dist-firefox/
# 或: npm run package:firefox   # 额外打成 openbiliclaw-extension-v*-firefox.zip

2. 部署后端（二选一）

普通用户直接用桌面安装包最省事；想改源码、换 LLM、深度定制就用 AI 一句话部署。

方式 A：下载桌面安装包（实验性，最省事）

到 Releases 下载对应系统的安装包：

• macOS：.dmg（区分 Apple 芯片 arm64 / Intel x64），打开后把 OpenBiliClaw 拖进「应用程序」。
• Windows：.exe 安装程序，双击安装。

安装包自带本地 Ollama + bge-m3 embedding，开箱即用；启动后常驻 macOS 菜单栏 / Windows 系统托盘，右键可「打开 Web 界面 / 查看运行日志 / 退出」。数据与 AI / 脚本安装复用同一个目录：~/OpenBiliClaw（macOS / Linux）/ %USERPROFILE%\OpenBiliClaw（Windows），升级或卸载不会动它；旧安装包曾写入的 ~/Library/Application Support/OpenBiliClaw / %LOCALAPPDATA%\OpenBiliClaw 会在新版本首次启动时非覆盖拷贝回来。

⚠️ 首次打开要绕过系统拦截（应用尚未签名 / 公证）：

• macOS：先拖进「应用程序」，再右键图标 →「打开」→ 在弹窗里再点「打开」；或到「系统设置 → 隐私与安全性」点「仍要打开」。若仍提示“已损坏”，确认包来自本项目 Releases 后执行：

  APP="/Applications/OpenBiliClaw.app"
  xattr -dr com.apple.quarantine "$APP"
  codesign --force --deep --sign - "$APP"
  open "$APP"

• Windows：SmartScreen 弹窗点「更多信息 → 仍要运行」。

这是实验性预发布：未签名、随后端版本滚动更新，适合只想最快试用、不碰命令行的人。要二次开发 / 改源码请用下面的方式 B。

方式 B：AI 一句话部署（可定制 / 可改源码）

把下面整句粘给 Claude Code、Codex CLI、Cursor、Windsurf 或其他 AI 编程助手即可。括号里的限制是给 AI 助手看的，你不用理解。

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 助手会克隆仓库、安装依赖、用局域网可访问的默认绑定启动后端（0.0.0.0:8420）、做健康检查，并问几个有默认值的问题。自动初始化前会真实验证 LLM provider 和 embedding 服务；有一个不通就先停下让你修配置，不会硬跑出空画像。看不懂就选默认；小红书、抖音、YouTube 和 X 数据只有你明确同意才会进入初始画像。

Chrome Web Store / AMO 发布包默认只声明本机后端权限，插件侧建议保持 127.0.0.1 / localhost。如果要让手机访问移动端 Web，可继续用 openbiliclaw start --host 0.0.0.0 --port 8420 启动后端，插件二维码会优先展示电脑的局域网 IP。让插件直接连接局域网另一台机器或远程域名，需要带对应 host 权限的开发者构建，或等待后续可选授权开关。

3. 在同一个浏览器登录内容平台

至少登录 B 站，OpenBiliClaw 会用它生成第一版画像和推荐。想接入小红书、抖音、YouTube 或 X 时，再在装了插件的同一个浏览器里登录 小红书 / 抖音 / YouTube / X。

4. 打开桌面端或移动端 Web

后端启动后会同时托管桌面端和移动端 Web，都只调用本地 API，不做 Cookie 同步或平台登录。

openbiliclaw start

• 桌面端：浏览器直接访问 http://127.0.0.1:8420/web（或 http://127.0.0.1:8420/，自动跳转）。大屏两栏布局，推荐流、画像、聊天、消息和设置全在一页。
• 移动端：点击插件顶部的手机图标扫二维码，或手动输入 http://<电脑局域网 IP>:8420/m/。适合手机上刷推荐、看画像、和阿B聊天。

首次运行 openbiliclaw init 时会询问是否允许局域网访问（默认 Y）。如果选了 N 或想改回来，编辑 config.toml 的 [api].host（0.0.0.0 = 局域网可达，127.0.0.1 = 仅本机）。

页面包含「推荐 / 稍后 / 收藏 / 画像 / 对话」五个底部 Tab：推荐页支持「换一批 / 加载更多 / 喜欢 / 不感兴趣 / 稍后再看 / 收藏 / 写一句 / 聊一聊」，稍后和收藏页管理「稍后再看 / 收藏」列表，画像页展示人格素描、核心特质、兴趣和认知更新，对话页与插件共享主聊天历史。

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

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

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)

# macOS
brew install ollama && ollama serve &

# Linux
curl -fsSL https://ollama.com/install.sh | sh && ollama serve &

uv run openbiliclaw setup-embedding

# 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]"

# 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

# 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 作为独立 embedding provider（无需额外 API Key）
openbiliclaw setup-embedding

# 手动触发内容发现
openbiliclaw discover

# 可选：抖音内容发现（需先启用 [sources.douyin]；search / hot / feed 用后台插件签名）
openbiliclaw discover --source douyin

# 可选：独立调试抖音 search / hot / feed 召回
openbiliclaw discover-douyin --keyword 机械键盘 --source search,feed --no-cache --no-evaluate

# 查看推荐
openbiliclaw recommend

# 查看用户画像
openbiliclaw profile

cd extension
npm install
npm run package

🤖 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
• 🧭 主动确认避雷 — 系统也会确认你可能想避开的内容形态，OpenClaw 可用 next-avoidance-probe / respond-avoidance-probe 完成确认；只有确认后才写入过滤偏好
• 💬 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，整理后回复）

整个闭环都是本地的——OpenClaw 只是调 CLI 桥接，画像和数据仍留在你自己的 SQLite 文件里，一条都不会上云。

📖 完整命令参考与常见问题，见 OpenClaw 接入指南。

✨ 核心特性

• 🧠 五层灵魂画像 — 事件→偏好→觉察→洞察→灵魂，推断 MBTI、认知风格和深层需求，像心理咨询师一样理解你
• 🔮 挑战式兴趣探针 — 基于心理学桥接逻辑主动猜测你可能喜欢的未知领域，按 near/lateral/bridge/wildcard 控制距离；普通池最多 5 条，挑战池单独最多 3 条，弱正向先进入短期 buffer，避免一次确认后短期刷屏
• 🧭 不喜欢领域探针 — 主动确认你可能想避开的内容形态、低质表达或风格边界；确认后写入 disliked_topics 并清理候选池，未确认前不影响推荐
• 🌐 跨平台内容源 — 从 B 站起步，已扩展到小红书、抖音、YouTube 初始化信号 / 抖音 search / hot / feed discovery / X（Twitter）服务端 cookie 重放发现 和通用 Web，架构支持持续接入更多平台。你的兴趣不再被单一平台割裂
• 🔍 多源发现策略 — B 站四策略（搜索 · 关联链 · 趋势 · 跨域探索）+ 小红书三层安全发现 + 抖音插件签名 search / hot / feed + X 搜索 / For-You / 关注作者，跨平台协同工作
• 🎯 智能多样性 — PoolCurator 五维评分 + 跨源跨轮主题配额（任意 topic ≤10% 池子占比） + share-aware 池子修剪保护小源；告别"一刷都是 AI"
• ⚡ "换一批"瞬间响应 — popup reshuffle ~0.6s（v0.3.0 从 2.6s 优化下来），连续刷不卡顿
• 💬 有温度的推荐 — 不是"因为你看过类似视频"，而是像朋友一样解释为什么你会喜欢
• 🔄 持续学习 — 苏格拉底式对话 + 行为分析 + 反馈即时生效，越用越懂你
• 🧩 浏览器插件（Chrome / Edge / Brave / Arc 等） — 侧边栏展示推荐、跨站行为采集（B 站 + 小红书 + 抖音 + YouTube + X）、对话交互、认知更新卡片推送，装上就能用
• 🚀 图形化引导初始化 — 不想进命令行也行：安装包首启 /setup/、桌面 Web /web 未初始化空态和插件「推荐」tab 都会列出前置清单（B 站登录 / LLM / embedding），点「开始初始化」就能一步步看着画像与首轮内容池建起来（命令行 openbiliclaw init 仍是等价入口）
• 🔬 自动化评测优化 — 5 个模块各有 LLM-as-judge 的 SGD/RL 自优化循环，prompt 质量随轮次自动提升，不需要人工调参
• 🔒 完全私有 — 所有数据本地 SQLite；LLM 用你自己的 Key；每个实例只为你一个人构建
• 🔌 本地 embedding provider — 可选 Ollama + bge-m3，不需要额外 embedding API Key 也能跑相似度计算（CPU 即可，跨 Mac/Win/Linux）
• 🔧 完全可控 — 给每个模块单独换 LLM、直接编辑画像、写自定义 Skill 扩展发现策略

🏛️ 架构概览

┌─────────────────────────────────────────────────────────────┐
│                       Chrome Extension                       │
│        (行为采集 · 停留满意度 · 推荐展示 · 跨源点击信号 · 对话 · 探针) │
│        (Cookie 同步 · xhs/dy/yt 任务调度 · 初始化画像导入 · 自启动设置)│
└──────────────────────────┬──────────────────────────────────┘
                           │ REST API / WebSocket（presence + Cookie 同步 + 可换库存 + source-aware click + 探针）
                           │ + 移动/桌面 Web（/m · /web）· 可选 [api.auth] 密码门禁（本机免登录 / LAN 需密码）
┌──────────────────────────▼──────────────────────────────────┐
│                      Agent 编排层                            │
│              (Skill 系统 · 对话管理 · Runtime Gate · 账号同步)  │
├──────────┬──────────┬───────────┬────────────────────────────┤
│  Soul    │ Memory   │ Discovery │  Recommendation            │
│  Engine  │ System   │  Engine   │     Engine                  │
│(画像+探针)│ (五层+buffer)│(待评估池+负样本)│ (跨源混排+放大保护)       │
├──────────┴──────────┴───────────┴────────────────────────────┤
│       LLM 适配层(API Key/Codex OAuth) · B 站 API · 扩展代理发现   │
│       Runtime: Account Sync + producers + probe arbiter + autostart/Ollama │
│       Runtime status: pool_available/raw/pending/eval_count        │
│       SQLite: events · discovery_candidates · content_cache        │
│               recommendations · chat_turns · avoidance_state        │
│       Profile overrides: 画像编辑 -> profile_overrides.json 覆盖层      │
│               (get_profile/sync 读时叠加 · 抗画像重建 · 三端编辑)       │
└─────────────────────────────────────────────────────────────┘

内容发现引擎

多源适配架构——通过 SourceAdapter 协议统一接入不同平台，每个平台有自己的发现方式：

安全取数——B 站和通用 Web 由后端直连（B 站走 WBI 签名 API），小红书 / 抖音 / YouTube 则由浏览器扩展在你已登录的页面里读取数据：初始化画像默认不深滚、分批回传，后端既不直接爬取也不代登录，YouTube 还可用 Google Takeout 离线导入旧历史。X 则由后端用扩展同步来的 x.com cookie（auth_token+ct0）做服务端只读重放，扩展只负责同步 cookie 和捕获你自己的互动。日常补池时，抖音用登录浏览器的后台标签页签名取数、不抢你的前台焦点，YouTube 由后端按平台缺口直接补。

统一评估——各来源先把 raw candidates 写入 discovery_candidates，后端再按来源混合取样，统一用 Soul 画像和近期负反馈样本做 batch 评估。真正判断“你会不会喜欢”发生在这个共享 evaluator，而不是分散在每个平台自己的 producer 里。

多样性选择——通过评估的候选再经过 平台配额预留 → 主题去重 → 风格均衡 → 跨平台混排 → 数量封顶，避免“一刷都是 AI”。各平台保存配比默认 B 站 / 小红书 / 抖音 / YouTube / X = 5 / 1 / 1 / 1 / 1，可在 [scheduler.pool_source_shares] 调整；开箱只启用 B 站，其余平台需显式打开。

候选池计数——界面上的“可换”只统计 pool_available_count：已生成推荐文案、带分类与可跳转链接、且不在最近已看窗口内的内容；还在整理中的素材计入 pool_pending_count，其中 pool_pending_eval_count / pool_evaluated_pending_count 拆出待评估与已评估待入池阶段，插件 / 移动端 / 桌面端都不会把它显示成“可换”。

灵魂引擎

从用户行为中推断：

• 人格画像 — 自然语言描述的用户画像
• MBTI — 四维度 + 置信度
• 认知风格 — 信息处理偏好
• 深层需求 — 心理层面的内容驱动力
• 猜测兴趣 — 系统推测的潜在兴趣方向（分子料理、建筑美学、制表工艺...）

🏗️ 项目结构

OpenBiliClaw/
├── src/openbiliclaw/          # Python 后端核心
│   ├── agent/                 # Agent 编排和 Skill 系统
│   ├── soul/                  # 用户灵魂引擎 (深度画像 · MBTI · 兴趣/避雷探针)
│   ├── memory/                # 多层网状记忆系统
│   ├── discovery/             # 内容发现引擎 (多源策略 · 待评估池 · 配额均分 · 多样性选择)
│   ├── recommendation/        # 推荐与表达引擎 (跨平台混排)
│   ├── sources/               # 多源适配层 (SourceAdapter 协议)
│   │   ├── bilibili_adapter   # B 站 (API 直连)
│   │   ├── xiaohongshu_adapter # 小红书 (扩展代理)
│   │   ├── xhs_tasks          # 小红书插件任务队列 / bootstrap_profile
│   │   ├── dy_tasks           # 抖音插件任务队列 / bootstrap_profile + search + hot + feed
│   │   ├── yt_tasks           # YouTube 插件任务队列 / bootstrap_profile
│   │   └── web_adapter        # 通用 Web (Playwright + LLM)
│   ├── youtube/               # YouTube Takeout 离线导入解析
│   ├── api/                   # 本地 FastAPI (配置回滚 / 降级模式 / popup API)
│   ├── runtime/               # 后台刷新、presence gate、autostart/Ollama、降级 RuntimeContext
│   ├── bilibili/              # B 站接入层 (WBI 签名 · 速率控制)
│   ├── llm/                   # 多模型 LLM 适配 + 结构化 JSON 容错
│   └── storage/               # 数据存储层
├── extension/                 # Chrome 浏览器插件 (B 站 + 小红书 + 抖音 + YouTube + X + 自启动/配置修复)
├── skills/                    # 内置 Skill 定义
├── docs/                      # 项目文档
└── tests/                     # 测试 (1900+)

🛠️ 技术栈

📖 文档

• 文档导航 — 一站式文档入口
• 项目规格说明书 — 完整的项目设计与规划
• 架构设计 — 系统架构详解
• 记忆系统设计 — 多层网状记忆架构
• 内容发现引擎 — 多源发现 + 平台配比 + 多样性选择
• 灵魂引擎 — 深度画像 + MBTI + 兴趣猜测
• CLI 参考 · 配置参考
• 开发指南 — 如何参与贡献

📜 更新日志

最新版本：v0.3.116 / extension v0.3.75: 惊喜推荐生命周期闭环（2026-06-10）。最近更新见上方摘要；完整历史见 docs/changelog.md。插件包和桌面安装包见 GitHub Releases，后端源码更新看 backend-v* tag。

🗺️ 后续规划

OpenBiliClaw 的目标是做你的全网个性化内容入口——从 B 站起步，已落地小红书、抖音、YouTube 初始化信号，抖音 search / hot / feed discovery、X（Twitter）服务端发现与通用 Web 适配器，下一步：

• 更多内容源 — 知乎、V2EX、微博、各类 BBS / 论坛……每个平台都是一个 SourceAdapter，架构已经验证可扩展
• 跨平台兴趣融合 — 你在 B 站看的机械键盘 + 小红书种草的咖啡器具 + 抖音点赞收藏的短视频偏好 + YouTube 长视频观看和订阅 + X 点赞收藏的资讯 = 一个完整的你。画像融合让推荐不再割裂
• 更智能的发现 — 跨平台关联推荐（"你在小红书关注了咖啡器具，B 站有个手冲咖啡纪录片你可能喜欢"，或用抖音 feed 口味补足短视频兴趣）
• 社区生态 — 用户自定义 SourceAdapter、共享发现策略、贡献平台适配器

🤝 贡献

欢迎贡献！请查看 开发指南 了解如何参与。

🙏 致谢

• 感谢 @addtion99 在 #8 提出浏览器插件后端地址 / 端口可配置需求，并给出 popup 侧实现思路。
• 感谢 @jiaobenhaimo 在 #53 贡献 Safari 扩展、稍后再看、YouTube 搬运检测、营销号过滤等功能设计与实现，其中 OR-join 去重修复和稍后再看功能已合入主线。

⭐ Star History

隐私速览

默认数据流向：浏览器插件 → 你配置的本地 OpenBiliClaw 后端 → 本机 SQLite。插件不会把数据发送到 OpenBiliClaw 开发者运营的服务器。若你配置云端 LLM / embedding，相关内容会按你的配置发送给对应服务商。详见 隐私政策。

📄 License

MIT