OpenBiliClaw：本地私有的跨平台 AI 内容发现 Agent
一个本地运行的 AI 内容发现 Agent，先深度理解你，再主动从多个平台为你寻找内容。
证据显示：插件默认仅声明本机后端权限，连接远程需用户授权；初始化时需用户明确同意才导入个人数据；数据流描述清晰（本地SQLite、Cookie同步、公开发现）；敏感数据处理有说明（不保存密码、Cookie值不上传）；依赖安全有基本检查（CI、Ruff、MyPy），但未发现依赖漏洞扫描；外部影响有控制（只读导入、写回需授权）；回滚机制有限（配置备份、数据不删除）；来源归属明确（各平台登录方式、数据用途）。扣分：依赖安全未发现漏洞扫描，回滚机制不完整。
证据显示：README与代码结构一致，版本号一致；依赖声明完整，CI覆盖测试；失败消息有设计（如未初始化提示、健康检查）。扣分：静态审查无法验证运行时可靠性，但未发现明显矛盾。
证据显示：明确目标用户（普通用户、开发者、AI助手），场景丰富（桌面、移动、插件）；能力边界清晰（各平台支持程度、登录要求）；触发机制明确（命令、事件）；环境适配良好（跨平台、Docker、HTTPS）。扣分：部分高级功能依赖外部服务（如Ollama），但文档有说明。
证据显示：信息架构清晰（README、docs、代码结构）；安装说明详细（多种方式）；命名稳定（版本号、命令）；示例和FAQ存在（文档、讨论帖）；已知限制有提及（未签名、实验性）；许可证明确（MIT）；版本变更记录存在（changelog）；维护责任明确（社区、GitHub）。扣分：部分文档为中文，可能影响非中文用户。
证据显示：输出可用（推荐、画像、对话）；边际价值高（跨平台、主动推荐）；成本效益合理（本地运行、自带模型）。扣分：静态审查无法验证实际效果，但设计合理。
证据显示：声明有文档支持（如功能描述对应代码）；跨来源佐证有限（仅内部测试）；事实与推断分离（画像推断有说明）。扣分：缺乏独立验证，但内部测试覆盖广。
- 发布者身份未验证，需谨慎对待。
- 依赖安全未发现漏洞扫描，建议自行检查。
- 回滚机制不完整，升级前建议备份数据。
- 部分文档为中文，可能影响非中文用户。
这个 Agent 能做什么，适合哪些场景？
OpenBiliClaw 是一个开源、本地优先的跨平台内容发现 Agent，旨在通过深度理解用户的兴趣和需求，主动从多个平台（如 B 站、小红书、抖音、YouTube、X、知乎等）发现和推荐内容。它的核心特色是五层灵魂画像，通过分析用户行为构建 MBTI、认知风格和深层需求，实现主动探索而非被动推荐。项目提供浏览器插件、桌面端和移动端 Web 界面，后端支持本地 SQLite 存储和多种 LLM 适配。用户可以通过桌面安装包、AI 助手一句话部署或 Docker 等多种方式快速搭建，并支持本地 OpenAI/Claude 等 API 或 Ollama 本地模型。项目着重隐私保护，所有数据默认留在本地，并可导出和迁移。OpenBiliClaw 也集成了 Agent Bridge，可与 OpenClaw 等宿主协同工作，实现主动推送和深度对话。
OpenBiliClaw 是一个自托管的本地 Agent，通过以下方式工作：首先，在用户许可下，它从用户已登录的平台（如 B 站、小红书）读取行为数据（历史、收藏、点赞等），通过 bilibili_adapter、xiaohongshu_adapter 等 SourceAdapter 接口捕获。然后，利用 LLM（如 Gemini、DeepSeek、OpenAI 等）处理这些数据，生成五层灵魂画像，推断 MBTI、认知风格和深层需求，存储在本地 SQLite 中。之后，它使用 discover 命令或后台 daemon 主动从各个平台搜索与画像匹配的内容，统一进入候选池，通过 evaluator 打分，并应用多样性和去重策略。最后，通过 Web 界面（/web 桌面端和 /m 移动端）、浏览器插件侧边栏或 Agent Bridge 推送推荐，并解释推荐理由。用户可以反馈（喜欢、不感兴趣等）来持续调整画像。
- 内容爱好者希望在多个平台（如 B 站、YouTube、小红书）中，不再被动接受平台算法，而是主动发现符合自己深层兴趣的跨领域内容。
- 研究人员或分析师需要从多个信息源（如知乎、V2EX、Linux.do）中高效获取与特定主题相关的深度讨论和文章。
- 对隐私敏感的用户希望推荐系统完全本地运行，所有数据保存在自己的设备上，不依赖云端服务。
- 有一定技术能力的用户希望通过命令行或 AI 编程助手快速部署，并根据自己的需求深度定制 Agent 的配置和推荐算法。
- 希望无缝接入 OpenClaw、Claude Code 等 Agent 宿主，让系统主动推送惊喜内容或进行苏格拉底式对话的开发者。
- 创作者或营销人员想要了解自己的内容在多个平台上的趋势和受众兴趣，以便调整内容策略。
这个 Agent 有哪些优点和局限？
- 真正的本地优先：所有数据（SQLite、配置、画像）默认留在本机，无云端账号，彻底解决隐私顾虑。
- 主动探索：不仅基于已有兴趣推荐，还通过兴趣探针主动猜测和发现用户可能喜欢的新领域，打破信息茧房。
- 跨平台整合：支持 12+ 主流内容平台，统一画像和推荐，弥补了各平台间的信息孤岛。
- 高度可定制：支持多种 LLM（OpenAI、Claude、Gemini等），可本地 Ollama，且每个模块可配置多个实例和降级链。
- 集成友好：提供 Agent Bridge 和技能，可无缝接入 OpenClaw、Claude Code 等宿主，实现主动推送和深度对话。
- 灵活的部署方式：桌面安装包、AI 一句话部署、Docker、脚本等多种安装路径，满足不同用户需求。
- 安装复杂度较高：普通用户需要同时安装插件和后端，且需要登录多个平台，有一定学习门槛。
- 依赖外部 LLM 或资源：虽然支持本地模型，但默认或高质量推荐仍需配置 LLM API Key（云端）或下载大模型，有额外成本。
- 桌面安装包为实验性发布：当前 macOS 包未签名，Windows 可能触发 SmartScreen，需要手动绕过安全警告。
- 插件兼容性限制：主要支持 Chrome 系浏览器，Firefox 支持仍在完善，Safari 未明确支持。
- 部分功能依赖插件在线：如平台登录态同步和任务执行，若插件离线，部分发现功能受限。
如何安装或部署这个 Agent？
- 安装浏览器插件：从 [Chrome 应用商店](https://chromewebstore.google.com/detail/cdfjfkdjjhdaccbldipkjhpibnfbiamg) 一键安装，或从 [Latest Release](https://github.com/whiteguo233/OpenBiliClaw/releases/latest) 下载 zip 手动安装（Chrome/Edge/Brave 等）。
- 部署后端：
- 方式 A（桌面安装包）：从 Latest Release 下载 macOS .dmg 或 Windows .exe 安装包，启动后常驻菜单栏/托盘。
- 方式 B（AI 一句话部署）：将以下指令粘贴给 Claude Code、Codex CLI 或 Cursor：
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)
- 配置内容源：在已安装插件的浏览器中登录需要的内容平台（至少一个），默认 B 站。
- 访问界面：后端启动后，访问
http://127.0.0.1:8420/web使用桌面端，或使用手机扫描二维码访问移动端。
如何使用这个 Agent？
安装完成后，使用以下命令或界面操作：
- 初始化：运行 openbiliclaw init，按向导选择内容源和 LLM 配置，生成画像并完成首次发现。
- 启动服务：使用 openbiliclaw start 启动后端，桌面端和移动端 Web 自动可用。
- 手动发现：运行 openbiliclaw discover 触发内容发现，或使用 openbiliclaw discover --source douyin 等指定平台。
- 查看推荐：openbiliclaw recommend 查看推荐结果。
- 查看画像：openbiliclaw profile 查看用户画像。
- 交互：在桌面端或移动端 Web 上浏览推荐，通过点赞、不感兴趣、对话等反馈调教 Agent。
- Agent Bridge 集成：将仓库挂载到 OpenClaw 等宿主，按文档接入后主机可主动推送推荐和交互。
这个 Agent 与同类方案有什么区别？
原文中与传统推荐系统对比：官方推荐和关键词过滤插件。OpenBiliClaw 采用心理画像 + 五层记忆，而官方推荐使用协同过滤，关键词插件使用标签匹配；内容来源上，官方和关键词插件都是单一平台，而 OpenBiliClaw 跨平台；在信息茧房问题上，官方越推越窄，关键词不解决，OpenBiliClaw 猜测兴趣主动破茧；数据归属上，官方平台所有，关键词通常云端，OpenBiliClaw 100% 本地；推荐解释上，官方“猜你喜欢”，关键词无，OpenBiliClaw 像朋友一样解释；可定制性上，官方不可，关键词低，OpenBiliClaw 可换 LLM / 改画像 / 写 Skill。