/tag/结构化

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

周日大放送再补一个面试备考小笔记。 刚看了一份“结构化面试综合分析题”的资料，主要讲积极类社会现象怎么答。这个类型很多人容易答成两种样子： 一种是全程夸，听起来很空；另一种是想显示辩证，结果一上来就说问题，反而把积极类题目的基调带偏了。 我按自己的理解整理成一个比较好记的框架： 一句话框架 积极类社会现象题，可以按这个顺序走： 亮明态度 → 分析意义 → 客观看短板 → 提出对策 → 结合自身/时代升华 重点不是背固定句子，而是每一步知道自己在干嘛。 1. 开头先定基调 积极类题，开头不要绕。可以先肯定这个现象的正面价值，再点一下它为什么值得讨论。 比如题目说某地推出便民服务、基层治理创新、数字化服务平台、志愿服务活动，都可以先说：这个做法回应了群众需求，也体现了治理方式或服务理念的转变。 开头的作用是把方向立住，让考官知道你没跑题。 2. 意义分析要分维度 不要只说“很好、很有意义”。可以从几个维度拆： 对群众：解决具体困难，增强获得感、幸福感、安全感； 对社会/行业：打破旧模式，激发活力，推动规范化发展； 对政府治理：转变工作作风，提升服务能力，拉近政民距离； 对时代/国家：契合基层治理现代化、数字经济、乡村振兴、共同富裕等大背景。 这里最重要的是“言之有物”。题目是什么领域，就往哪个领域靠，不要所有题都套同一套大词。 3. 客观看短板，但不要把基调打歪 积极类题也可以谈不足，但要注意语气：不是否定这个做法，而是说它在推进过程中还需要进一步完善。 常见短板可以这样想： 落实不到位：好政策停在纸面上； 覆盖不够广：部分地区、群体还没享受到； 配套不完善：制度、人员、资金、技术跟不上； 参与度不高：群众认知不足，主体协同不够； 长效机制不足：试点有亮点，推广和持续优化还要跟上。 这一段点到为止，别展开成负面题。 4. 对策要回答“谁来做、怎么做” 对策最怕空。可以按主体和动作拆： 宣传引导：线上线下讲清楚政策意义、参与方式和办理流程； 制度保障：明确责任分工、执行标准、考核要求，避免一阵风； 落地执行：压实责任，建立台账，定期督查，发现问题及时整改； 总结优化：收集群众反馈，把试点经验变成可复制、可推广的机制； 多方协同：政府、企业、社区、群众一起参与，形成合力。 答题时不用全说，挑 3 条最贴题的即可。 5. 结尾要回扣大局，也要落到自己 结尾可以有两种收法。 一种是大局升华：把这个做法放到基层治理现代化、服务型政府建设、共同富裕、中国式现代化等背景里。 另一种是岗位落点：作为未来基层工作者，要保持问题意识、服务意识和落实意识，把好做法真正做细、做实、做到群众心里。 一个练习版骨架 遇到积极类社会现象题，可以先这样打草稿： 我认为这一做法值得肯定，它回应了什么现实需求； 它对群众、社会、治理或时代发展有什么意义； 推进中可能还存在落实、覆盖、配套、参与、长效等短板； 下一步要从宣传、制度、执行、反馈、协同几方面完善； 最后回到基层工作或时代发展，说明要把好做法长期坚持下去。 我觉得这种框架的好处是：不会只会喊口号，也不会因为想“辩证”而把积极题答成消极题。真正上考场时，还是要根据题干里的具体对象换词、换例子、换重点。 2 个帖子 - 2 位参与者 阅读完整话题

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

``` - 帮助整理需求和边界 - 帮助生成结构化设计 - 帮助提升编码效率 - 帮助沉淀测试和发布文档 - 帮助减少跨角色协作的信息损耗 大家都用的什么 SKILL 怎么协作的能分享一下吗 ```

AI Memory Hub 企业 AI 知识资产平台。自动采集、智能关联、随时复用。 员工和 AI 的每一次对话，都是企业的知识资产。 人走，知识留下。 [Github]( https://github.com/Vincent-chao-lang/AIHub ) https://aihub.dabuside.top/ 一、产品定位 AI Memory Hub 是一个企业级 AI 知识资产管理平台。它自动采集、整理、关联员工与 AI （ ChatGPT 、Claude 、DeepSeek 等）的所有高质量对话，将其转化为可检索、可关联、可复用的结构化知识资产，实现 **"人走，知识留下，价值继续"**。 二、企业为什么需要它 2.1 一个新问题的出现 2023 年开始，你的员工每天都在和 AI 对话： 研发 → ChatGPT 讨论架构方案 运维 → Claude 解决部署故障 产品 → DeepSeek 做竞品分析 设计 → Gemini 找设计灵感 运营 → Kimi 写内容策略 这些对话里藏着： · 技术决策的推演过程 · 故障排查的完整思路链 · 对业务的深度思考 · 反复验证过的最佳实践 2.2 一个老问题的新形式 传统离职交接： 员工写一份交接文档（如果有的话） → 只记录了"结论"，丢失了"思考过程" → AI 对话中的试错、推演、对比全部消失 → 新人面对同样问题，从零开始和 AI 聊 结果： 张三用 AI 花 3 天解决了部署问题，离职了。 李四入职遇到同样的故障，再花 3 天从零开始。 知识在，但不可见。 经验在，但无法复用。 2.3 量化损失 假设一个 50 人的技术团队，每人每天和 AI 进行 5 次有价值的对话： 日均知识产出： 50 × 5 = 250 条 AI 决策/推演记录 月均知识产出： 250 × 22 = 5,500 条 年均知识产出： 5,500 × 12 = 66,000 条 如果 80% 随员工流动而不可检索，每年损失： → 约 52,800 条有价值的知识碎片 → 无数可复用的决策链、故障排查路径、方案对比 每一片碎片背后，都是员工花时间与 AI 碰撞出的认知成果。 三、解决方案 3.1 一句话说清楚 员工用 AI 的同时，系统自动记录、理解、关联每一次对话，构建企业自有 AI 知识图谱。 人来，知识自动汇聚；人走，知识结构化管理，随时被新人检索和复用。 3.2 核心能力 ┌──────────────────────────────────────────────────────┐ │ 自动采集（零门槛） │ │ 浏览器扩展静默运行，员工正常使用 AI ，对话自动入库。 │ │ 不需要手动粘贴，不需要额外操作，不改变工作习惯。 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 智能理解（结构化） │ │ 每条对话 → 自动生成标题、标签、摘要 │ │ 跨平台语义搜索 → 用自然语言找到任何历史对话 │ │ 知识图谱 → 自动发现对话之间的深层关联 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 知识复用（价值闭环） │ │ 新人遇到问题 → 搜索关键词 → 看到前辈的完整 AI 决策链 │ │ AI 回答时 → 注入历史上下文 → 基于团队知识积累来回答 │ │ 团队知识 → 按人/按项目/按主题 → 随时检索和复用 │ └──────────────────────────────────────────────────────┘ 四、关键场景 场景 1：新人入职 传统方式： 新人花 2-4 周熟悉项目，遇到问题问同事或自己摸索和 AI 对话 → 其实前辈早就和 AI 深入讨论过同样的问题 AI Memory Hub： 新人搜索"微服务部署" → 看到： · 张三 3 个月前与 ChatGPT 的完整架构讨论 · 李四 1 个月前与 Claude 的故障排查全过程 · 系统自动生成的关联对话：CI/CD 配置、容器化方案 → 新人在 AI 提问时，注入前辈的上下文 → AI 基于团队已有认知来回答，而非从零开始 效果：新人上手速度 2x 提升，避免重复踩坑 场景 2：员工离职 传统方式： 张三离职 → 写交接文档 → 文档里的结论，丢失了 90% 的思考过程 → 那场"和 AI 反复讨论了 3 个小时才搞定的故障排查"彻底消失 AI Memory Hub： 张三的所有 AI 对话早已自动归档，按主题分类，图谱关联完整 → 李四搜索同一问题 → 直接看到张三当时的完整认知链 → 不只是结论，还有： · 张三问了什么 · AI 给了哪些方案 · 张三做了什么取舍 · 最终为什么选了方案 A 而不是 B 效果：知识保留率从 10% → 95%，真正的"人走知识留" 场景 3：跨部门经验复用 传统方式： 研发团队用 AI 解决了性能问题 运维团队可能永远不知道这个方案 → 遇到类似问题各自重新摸索 AI Memory Hub： 搜索"数据库性能" → 跨部门、跨平台、跨时间维度的所有相关对话汇聚一处 → 研发的架构思路 + 运维的实战经验 + 产品的业务视角 → 知识自动缝合，打破信息孤岛 效果：团队越用越聪明，知识自适应组织 场景 4：企业 AI 审计与合规 传统方式： 员工和 AI 聊了什么 → 无从知晓 是不是把内部代码贴给了 ChatGPT → 无法审查 大模型使用有没有合规风险 → 没法管理 AI Memory Hub： 所有 AI 对话完整记录，按人、平台、时间可检索 → 管理员可以看到：谁、在什么平台、讨论了什么话题 → 敏感信息自动标记（可配置关键词告警） → 满足企业对 AI 使用的审计和合规需求 效果：AI 使用透明化，安全与效率兼得 五、5 分钟跑起来 git clone https://github.com/Vincent-chao-lang/AIHub.git cd AIHub ./start.sh # 加载浏览器扩展 Chrome → chrome://extensions → 开发者模式 → 加载已解压 → 选择 extension/ 目录 # 打开任意 AI 平台 → 正常聊天 → 点击 🧠 图标 → 检索记忆 # 或访问 http://localhost:5173 → Web 面板 数据完全在本地。 不注册、不联网、不上传。你拥有全部数据。 六、 部署模式 模式 适合 配置 个人本地 个人使用 零配置， ./ start.sh 局域网共享 团队 5-50 人 改 host 为 0.0.0.0 Docker 标准化部署 docker-compose up HTTPS + 反向代理 远程团队 Nginx + Let's Encrypt 详细部署指南 → USAGE.md 七、 存储与扩展 默认 SQLite + ChromaDB + 本地 BGE 模型，零配置开箱即用。 随着团队规模增长，可平滑升级： SQLite + ChromaDB → PostgreSQL + pgvector → Milvus 零配置 改一行 .env 独立集群 < 10 万条 10-100 万条 > 100 万条 Embedding 模型同样支持一行配置切换： 本地 BGE-small （ 512 维） → BGE-large / 其他本地模型 → OpenAI / 智谱 API 默认 改模型名 改 EMBEDDING_PROVIDER 切换 embedding 后运行 python backend/ rebuild_index.py 即可全量重建向量索引。 详细升级路径 → docs/STORAGE.md 八、 项目结构 AIHub/ ├── start.sh # 一键启动 ├── backend/ # FastAPI + SQLite + ChromaDB │ ├── api/routes.py # 10 个 API 端点 │ ├── db/ # 数据库 + 向量存储（ ChromaDB/pgvector ） │ ├── models/ # 数据模型 │ └── services/ # embedding · 摘要 · 搜索 · 上下文生成 ├── extension/ # Chrome 扩展 (Manifest V3) │ ├── content/ # 5 平台 DOM 监听 │ ├── sidepanel/ # 侧边栏 UI + 逻辑 │ └── options/ # 设置页 ├── frontend/ # React + Vite + TypeScript + D3.js │ └── src/pages/ # 时间线 · 项目 · 上下文 · 图谱 └── landing/ # 营销页面（中英双语） 九、API 方法 路径 说明 POST /messages 上传消息（自动 embedding + 摘要） GET /timeline 时间线（按对话聚合，支持 ?user_id= 筛选） GET /conversations/{id} 对话详情 GET /conversations/{id}/related 相关对话推荐 POST /search 语义搜索（向量 + 关键词回退） POST /context 图谱驱动上下文生成（含 max_tokens 智能截断） GET /projects 项目聚合 GET /graph 知识图谱数据 GET /stats 统计（总数/平台分布/用户统计/向量索引数/embedding 信息） 十、 设计原则 自动采集 — 知识管理成本从"人"转移到"系统"，员工无需额外操作 本地优先 — 数据 100% 归你，也支持服务器部署 企业级扩展 — SQLite → PostgreSQL ，ChromaDB → pgvector ，随规模平滑升级 零摩擦接入 — 不改现有系统，不要求切换 AI 平台，不改变工作习惯 图谱驱动 — 关联发现用本地算法，不依赖外部 LLM ，零成本零延迟 团队即知识 — 同一套系统，一人用是外脑，团队用是知识库

AI Memory Hub 企业 AI 知识资产平台。自动采集、智能关联、随时复用。 员工和 AI 的每一次对话，都是企业的知识资产。 人走，知识留下。 [Github]( https://github.com/Vincent-chao-lang/AIHub ) https://aihub.dabuside.top/ 一、产品定位 AI Memory Hub 是一个企业级 AI 知识资产管理平台。它自动采集、整理、关联员工与 AI （ ChatGPT 、Claude 、DeepSeek 等）的所有高质量对话，将其转化为可检索、可关联、可复用的结构化知识资产，实现 **"人走，知识留下，价值继续"**。 二、企业为什么需要它 2.1 一个新问题的出现 2023 年开始，你的员工每天都在和 AI 对话： 研发 → ChatGPT 讨论架构方案 运维 → Claude 解决部署故障 产品 → DeepSeek 做竞品分析 设计 → Gemini 找设计灵感 运营 → Kimi 写内容策略 这些对话里藏着： · 技术决策的推演过程 · 故障排查的完整思路链 · 对业务的深度思考 · 反复验证过的最佳实践 2.2 一个老问题的新形式 传统离职交接： 员工写一份交接文档（如果有的话） → 只记录了"结论"，丢失了"思考过程" → AI 对话中的试错、推演、对比全部消失 → 新人面对同样问题，从零开始和 AI 聊 结果： 张三用 AI 花 3 天解决了部署问题，离职了。 李四入职遇到同样的故障，再花 3 天从零开始。 知识在，但不可见。 经验在，但无法复用。 2.3 量化损失 假设一个 50 人的技术团队，每人每天和 AI 进行 5 次有价值的对话： 日均知识产出： 50 × 5 = 250 条 AI 决策/推演记录 月均知识产出： 250 × 22 = 5,500 条 年均知识产出： 5,500 × 12 = 66,000 条 如果 80% 随员工流动而不可检索，每年损失： → 约 52,800 条有价值的知识碎片 → 无数可复用的决策链、故障排查路径、方案对比 每一片碎片背后，都是员工花时间与 AI 碰撞出的认知成果。 三、解决方案 3.1 一句话说清楚 员工用 AI 的同时，系统自动记录、理解、关联每一次对话，构建企业自有 AI 知识图谱。 人来，知识自动汇聚；人走，知识结构化管理，随时被新人检索和复用。 3.2 核心能力 ┌──────────────────────────────────────────────────────┐ │ 自动采集（零门槛） │ │ 浏览器扩展静默运行，员工正常使用 AI ，对话自动入库。 │ │ 不需要手动粘贴，不需要额外操作，不改变工作习惯。 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 智能理解（结构化） │ │ 每条对话 → 自动生成标题、标签、摘要 │ │ 跨平台语义搜索 → 用自然语言找到任何历史对话 │ │ 知识图谱 → 自动发现对话之间的深层关联 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 知识复用（价值闭环） │ │ 新人遇到问题 → 搜索关键词 → 看到前辈的完整 AI 决策链 │ │ AI 回答时 → 注入历史上下文 → 基于团队知识积累来回答 │ │ 团队知识 → 按人/按项目/按主题 → 随时检索和复用 │ └──────────────────────────────────────────────────────┘ 四、关键场景 场景 1：新人入职 传统方式： 新人花 2-4 周熟悉项目，遇到问题问同事或自己摸索和 AI 对话 → 其实前辈早就和 AI 深入讨论过同样的问题 AI Memory Hub： 新人搜索"微服务部署" → 看到： · 张三 3 个月前与 ChatGPT 的完整架构讨论 · 李四 1 个月前与 Claude 的故障排查全过程 · 系统自动生成的关联对话：CI/CD 配置、容器化方案 → 新人在 AI 提问时，注入前辈的上下文 → AI 基于团队已有认知来回答，而非从零开始 效果：新人上手速度 2x 提升，避免重复踩坑 场景 2：员工离职 传统方式： 张三离职 → 写交接文档 → 文档里的结论，丢失了 90% 的思考过程 → 那场"和 AI 反复讨论了 3 个小时才搞定的故障排查"彻底消失 AI Memory Hub： 张三的所有 AI 对话早已自动归档，按主题分类，图谱关联完整 → 李四搜索同一问题 → 直接看到张三当时的完整认知链 → 不只是结论，还有： · 张三问了什么 · AI 给了哪些方案 · 张三做了什么取舍 · 最终为什么选了方案 A 而不是 B 效果：知识保留率从 10% → 95%，真正的"人走知识留" 场景 3：跨部门经验复用 传统方式： 研发团队用 AI 解决了性能问题 运维团队可能永远不知道这个方案 → 遇到类似问题各自重新摸索 AI Memory Hub： 搜索"数据库性能" → 跨部门、跨平台、跨时间维度的所有相关对话汇聚一处 → 研发的架构思路 + 运维的实战经验 + 产品的业务视角 → 知识自动缝合，打破信息孤岛 效果：团队越用越聪明，知识自适应组织 场景 4：企业 AI 审计与合规 传统方式： 员工和 AI 聊了什么 → 无从知晓 是不是把内部代码贴给了 ChatGPT → 无法审查 大模型使用有没有合规风险 → 没法管理 AI Memory Hub： 所有 AI 对话完整记录，按人、平台、时间可检索 → 管理员可以看到：谁、在什么平台、讨论了什么话题 → 敏感信息自动标记（可配置关键词告警） → 满足企业对 AI 使用的审计和合规需求 效果：AI 使用透明化，安全与效率兼得 五、5 分钟跑起来 git clone https://github.com/Vincent-chao-lang/AIHub.git cd AIHub ./start.sh # 加载浏览器扩展 Chrome → chrome://extensions → 开发者模式 → 加载已解压 → 选择 extension/ 目录 # 打开任意 AI 平台 → 正常聊天 → 点击 🧠 图标 → 检索记忆 # 或访问 http://localhost:5173 → Web 面板 数据完全在本地。 不注册、不联网、不上传。你拥有全部数据。 六、 部署模式 模式 适合 配置 个人本地 个人使用 零配置， ./ start.sh 局域网共享 团队 5-50 人 改 host 为 0.0.0.0 Docker 标准化部署 docker-compose up HTTPS + 反向代理 远程团队 Nginx + Let's Encrypt 详细部署指南 → USAGE.md 七、 存储与扩展 默认 SQLite + ChromaDB + 本地 BGE 模型，零配置开箱即用。 随着团队规模增长，可平滑升级： SQLite + ChromaDB → PostgreSQL + pgvector → Milvus 零配置 改一行 .env 独立集群 < 10 万条 10-100 万条 > 100 万条 Embedding 模型同样支持一行配置切换： 本地 BGE-small （ 512 维） → BGE-large / 其他本地模型 → OpenAI / 智谱 API 默认 改模型名 改 EMBEDDING_PROVIDER 切换 embedding 后运行 python backend/ rebuild_index.py 即可全量重建向量索引。 详细升级路径 → docs/STORAGE.md 八、 项目结构 AIHub/ ├── start.sh # 一键启动 ├── backend/ # FastAPI + SQLite + ChromaDB │ ├── api/routes.py # 10 个 API 端点 │ ├── db/ # 数据库 + 向量存储（ ChromaDB/pgvector ） │ ├── models/ # 数据模型 │ └── services/ # embedding · 摘要 · 搜索 · 上下文生成 ├── extension/ # Chrome 扩展 (Manifest V3) │ ├── content/ # 5 平台 DOM 监听 │ ├── sidepanel/ # 侧边栏 UI + 逻辑 │ └── options/ # 设置页 ├── frontend/ # React + Vite + TypeScript + D3.js │ └── src/pages/ # 时间线 · 项目 · 上下文 · 图谱 └── landing/ # 营销页面（中英双语） 九、API 方法 路径 说明 POST /messages 上传消息（自动 embedding + 摘要） GET /timeline 时间线（按对话聚合，支持 ?user_id= 筛选） GET /conversations/{id} 对话详情 GET /conversations/{id}/related 相关对话推荐 POST /search 语义搜索（向量 + 关键词回退） POST /context 图谱驱动上下文生成（含 max_tokens 智能截断） GET /projects 项目聚合 GET /graph 知识图谱数据 GET /stats 统计（总数/平台分布/用户统计/向量索引数/embedding 信息） 十、 设计原则 自动采集 — 知识管理成本从"人"转移到"系统"，员工无需额外操作 本地优先 — 数据 100% 归你，也支持服务器部署 企业级扩展 — SQLite → PostgreSQL ，ChromaDB → pgvector ，随规模平滑升级 零摩擦接入 — 不改现有系统，不要求切换 AI 平台，不改变工作习惯 图谱驱动 — 关联发现用本地算法，不依赖外部 LLM ，零成本零延迟 团队即知识 — 同一套系统，一人用是外脑，团队用是知识库

AI Memory Hub 企业 AI 知识资产平台。自动采集、智能关联、随时复用。 员工和 AI 的每一次对话，都是企业的知识资产。 人走，知识留下。 [Github]( https://github.com/Vincent-chao-lang/AIHub ) https://aihub.dabuside.top/ 一、产品定位 AI Memory Hub 是一个企业级 AI 知识资产管理平台。它自动采集、整理、关联员工与 AI （ ChatGPT 、Claude 、DeepSeek 等）的所有高质量对话，将其转化为可检索、可关联、可复用的结构化知识资产，实现 **"人走，知识留下，价值继续"**。 二、企业为什么需要它 2.1 一个新问题的出现 2023 年开始，你的员工每天都在和 AI 对话： 研发 → ChatGPT 讨论架构方案 运维 → Claude 解决部署故障 产品 → DeepSeek 做竞品分析 设计 → Gemini 找设计灵感 运营 → Kimi 写内容策略 这些对话里藏着： · 技术决策的推演过程 · 故障排查的完整思路链 · 对业务的深度思考 · 反复验证过的最佳实践 2.2 一个老问题的新形式 传统离职交接： 员工写一份交接文档（如果有的话） → 只记录了"结论"，丢失了"思考过程" → AI 对话中的试错、推演、对比全部消失 → 新人面对同样问题，从零开始和 AI 聊 结果： 张三用 AI 花 3 天解决了部署问题，离职了。 李四入职遇到同样的故障，再花 3 天从零开始。 知识在，但不可见。 经验在，但无法复用。 2.3 量化损失 假设一个 50 人的技术团队，每人每天和 AI 进行 5 次有价值的对话： 日均知识产出： 50 × 5 = 250 条 AI 决策/推演记录 月均知识产出： 250 × 22 = 5,500 条 年均知识产出： 5,500 × 12 = 66,000 条 如果 80% 随员工流动而不可检索，每年损失： → 约 52,800 条有价值的知识碎片 → 无数可复用的决策链、故障排查路径、方案对比 每一片碎片背后，都是员工花时间与 AI 碰撞出的认知成果。 三、解决方案 3.1 一句话说清楚 员工用 AI 的同时，系统自动记录、理解、关联每一次对话，构建企业自有 AI 知识图谱。 人来，知识自动汇聚；人走，知识结构化管理，随时被新人检索和复用。 3.2 核心能力 ┌──────────────────────────────────────────────────────┐ │ 自动采集（零门槛） │ │ 浏览器扩展静默运行，员工正常使用 AI ，对话自动入库。 │ │ 不需要手动粘贴，不需要额外操作，不改变工作习惯。 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 智能理解（结构化） │ │ 每条对话 → 自动生成标题、标签、摘要 │ │ 跨平台语义搜索 → 用自然语言找到任何历史对话 │ │ 知识图谱 → 自动发现对话之间的深层关联 │ └──────────────────────────┬───────────────────────────┘ │ ┌──────────────────────────┴───────────────────────────┐ │ 知识复用（价值闭环） │ │ 新人遇到问题 → 搜索关键词 → 看到前辈的完整 AI 决策链 │ │ AI 回答时 → 注入历史上下文 → 基于团队知识积累来回答 │ │ 团队知识 → 按人/按项目/按主题 → 随时检索和复用 │ └──────────────────────────────────────────────────────┘ 四、关键场景 场景 1：新人入职 传统方式： 新人花 2-4 周熟悉项目，遇到问题问同事或自己摸索和 AI 对话 → 其实前辈早就和 AI 深入讨论过同样的问题 AI Memory Hub： 新人搜索"微服务部署" → 看到： · 张三 3 个月前与 ChatGPT 的完整架构讨论 · 李四 1 个月前与 Claude 的故障排查全过程 · 系统自动生成的关联对话：CI/CD 配置、容器化方案 → 新人在 AI 提问时，注入前辈的上下文 → AI 基于团队已有认知来回答，而非从零开始 效果：新人上手速度 2x 提升，避免重复踩坑 场景 2：员工离职 传统方式： 张三离职 → 写交接文档 → 文档里的结论，丢失了 90% 的思考过程 → 那场"和 AI 反复讨论了 3 个小时才搞定的故障排查"彻底消失 AI Memory Hub： 张三的所有 AI 对话早已自动归档，按主题分类，图谱关联完整 → 李四搜索同一问题 → 直接看到张三当时的完整认知链 → 不只是结论，还有： · 张三问了什么 · AI 给了哪些方案 · 张三做了什么取舍 · 最终为什么选了方案 A 而不是 B 效果：知识保留率从 10% → 95%，真正的"人走知识留" 场景 3：跨部门经验复用 传统方式： 研发团队用 AI 解决了性能问题 运维团队可能永远不知道这个方案 → 遇到类似问题各自重新摸索 AI Memory Hub： 搜索"数据库性能" → 跨部门、跨平台、跨时间维度的所有相关对话汇聚一处 → 研发的架构思路 + 运维的实战经验 + 产品的业务视角 → 知识自动缝合，打破信息孤岛 效果：团队越用越聪明，知识自适应组织 场景 4：企业 AI 审计与合规 传统方式： 员工和 AI 聊了什么 → 无从知晓 是不是把内部代码贴给了 ChatGPT → 无法审查 大模型使用有没有合规风险 → 没法管理 AI Memory Hub： 所有 AI 对话完整记录，按人、平台、时间可检索 → 管理员可以看到：谁、在什么平台、讨论了什么话题 → 敏感信息自动标记（可配置关键词告警） → 满足企业对 AI 使用的审计和合规需求 效果：AI 使用透明化，安全与效率兼得 五、5 分钟跑起来 git clone https://github.com/Vincent-chao-lang/AIHub.git cd AIHub ./start.sh # 加载浏览器扩展 Chrome → chrome://extensions → 开发者模式 → 加载已解压 → 选择 extension/ 目录 # 打开任意 AI 平台 → 正常聊天 → 点击 🧠 图标 → 检索记忆 # 或访问 http://localhost:5173 → Web 面板 数据完全在本地。 不注册、不联网、不上传。你拥有全部数据。 六、 部署模式 模式 适合 配置 个人本地 个人使用 零配置， ./ start.sh 局域网共享 团队 5-50 人 改 host 为 0.0.0.0 Docker 标准化部署 docker-compose up HTTPS + 反向代理 远程团队 Nginx + Let's Encrypt 详细部署指南 → USAGE.md 七、 存储与扩展 默认 SQLite + ChromaDB + 本地 BGE 模型，零配置开箱即用。 随着团队规模增长，可平滑升级： SQLite + ChromaDB → PostgreSQL + pgvector → Milvus 零配置 改一行 .env 独立集群 < 10 万条 10-100 万条 > 100 万条 Embedding 模型同样支持一行配置切换： 本地 BGE-small （ 512 维） → BGE-large / 其他本地模型 → OpenAI / 智谱 API 默认 改模型名 改 EMBEDDING_PROVIDER 切换 embedding 后运行 python backend/ rebuild_index.py 即可全量重建向量索引。 详细升级路径 → docs/STORAGE.md 八、 项目结构 AIHub/ ├── start.sh # 一键启动 ├── backend/ # FastAPI + SQLite + ChromaDB │ ├── api/routes.py # 10 个 API 端点 │ ├── db/ # 数据库 + 向量存储（ ChromaDB/pgvector ） │ ├── models/ # 数据模型 │ └── services/ # embedding · 摘要 · 搜索 · 上下文生成 ├── extension/ # Chrome 扩展 (Manifest V3) │ ├── content/ # 5 平台 DOM 监听 │ ├── sidepanel/ # 侧边栏 UI + 逻辑 │ └── options/ # 设置页 ├── frontend/ # React + Vite + TypeScript + D3.js │ └── src/pages/ # 时间线 · 项目 · 上下文 · 图谱 └── landing/ # 营销页面（中英双语） 九、API 方法 路径 说明 POST /messages 上传消息（自动 embedding + 摘要） GET /timeline 时间线（按对话聚合，支持 ?user_id= 筛选） GET /conversations/{id} 对话详情 GET /conversations/{id}/related 相关对话推荐 POST /search 语义搜索（向量 + 关键词回退） POST /context 图谱驱动上下文生成（含 max_tokens 智能截断） GET /projects 项目聚合 GET /graph 知识图谱数据 GET /stats 统计（总数/平台分布/用户统计/向量索引数/embedding 信息） 十、 设计原则 自动采集 — 知识管理成本从"人"转移到"系统"，员工无需额外操作 本地优先 — 数据 100% 归你，也支持服务器部署 企业级扩展 — SQLite → PostgreSQL ，ChromaDB → pgvector ，随规模平滑升级 零摩擦接入 — 不改现有系统，不要求切换 AI 平台，不改变工作习惯 图谱驱动 — 关联发现用本地算法，不依赖外部 LLM ，零成本零延迟 团队即知识 — 同一套系统，一人用是外脑，团队用是知识库

解决什么问题 刷 B 站 / YouTube 学技术,1 小时的硬核内容 (e.g. JavaScript 源码解读、 李沐讲论文、Andrej Karpathy 的 LLM 公开课),不想从头看一遍。 丢链接进去 → 1-3 分钟 → 拿到一份结构化 markdown 笔记。 主要功能 多平台:B 站 / YouTube / 抖音 / 快手 / 小宇宙(podcast 也能笔记化) 笔记里自动插入视频截图 + 时间戳跳转链接 多种风格模板:详细笔记 / 教程指南 / 学术论文 / 思维导图 大纲 批量任务:粘贴一堆链接 UP 主、收藏列表、视频合集,一次跑完 合集:把同主题笔记归到一个合集 + 一键融合成总结 导出 PDF / DOCX / PPTX / HTML 4 种格式 视频理解(VIP):抽关键帧 → Vision AI 看画面,适合实操类视频 (软件 demo 、菜谱、健身动作 这种纯靠音频抽不到信息的) 邀请系统上线 V 站福利 带邀请码注册:200 积分(普通 100) 不用邀请码直接进首页注册也行,只是少 100 积分。 注册地址： https://www.bilinote.app/ V2EX-WWTN75WG V2EX-ZGM834XJ V2EX-QPWMSGK2 V2EX-JGYC78PF V2EX-DR4CTKXJ V2EX-QQK6HD9F V2EX-SD9YKZTE V2EX-RF0WFP63 V2EX-32XRB3YH V2EX-YH713MBZ V2EX-21KAV6Q8 V2EX-GX17C49E V2EX-FFA6169Z V2EX-59YFPDTG V2EX-5XA1CDHM V2EX-RY5NY871 V2EX-G1X5VCNS V2EX-4YQ80DWH V2EX-0TY5AEP5 V2EX-FZ1HADJS

[开源] 一个 URL → 结构化 JSON：自动识别文章页 / 列表页，详情出 Markdown ，列表出 items 做 RAG 、AI 资讯聚合或内容监控时，常见痛点是： 详情页要正文 Markdown ，列表页要标题、链接、摘要——往往要写两套爬虫 纯 HTTP 抓不到 SPA ，Playwright 又要自己处理反爬、登录态 返回一堆 HTML ，Token 耗费严重，下游还要再洗一遍 开源了 crawl-serve （ npm 包名 html-to-markdown ）： 丢一个 URL ，拿一份统一结构的 JSON ；服务会自动判断这是「单篇文章」还是「文章列表」，并走对应管线。 GitHub： https://github.com/NearImba/hammer3 它能做什么？ 页面类型 自动识别后返回 文章详情页 title + 正文 ** markdown **（ Readability 抽正文 + Turndown 转 MD ） 文章列表页 title + ** items[] **（标题、摘要、链接、日期、标签） mode 支持 auto （默认）、 article 、 feed ，也可手动指定。 返回结构固定，方便直接接 LangChain 、n8n 、自研流水线，不必再写 XPath/CSS 模板。 工具特点 1. 一个接口覆盖两种页面形态 不用为「博客详情」和「首页资讯流」维护两套解析逻辑； auto 会自动路由到 article / feed 管线。 2. 真浏览器渲染，且可接你自己的 Chrome 抓取走 Playwright ，通过 CDP 连接你手动启动的真实 Chrome ，可复用： 已登录的 Cookie / Session 已通过的人机验证状态 对需要登录才能看的站内页、或反爬较严的站点，比 headless 裸连更稳。同站还有 并发节流 （默认每 hostname 最多 2 个并发），降低触发风控的概率。 3. 输出是「能用的数据」，不是原始 HTML 文章：Mozilla Readability 抽正文 + GFM Markdown 列表：基于 重复兄弟节点 的启发式，从 DOM 结构里抽卡片，不绑死某个站点的 class 名 适合谁用？ RAG / 知识库 ：批量把资讯站、博客详情页转成干净 Markdown 入库 资讯聚合 / 监控 ：定时抓列表页 items[] ，再按需深入详情 自动化工作流 ：n8n 、Dify 、自研 Agent 里加一个「网页 → 结构化 JSON 」节点 不想绑商业爬虫 API ：自托管、可控、MIT 协议，数据不出自己的机器 我在掘金、36 氪等站上测过 auto 模式，列表和详情都能正确分流 ** 不是万能反爬方案，而是专注「网页 → 结构化内容」 这一件事 ** 大伙帮忙看看有没有搞头 使用示例： # 命中 feed 流模式 curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/","mode":"auto"}' # 返回 items curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/","mode":"auto"}' {"title":"36 氪_让一部分人先看到未来","mode":"feed","items":[{"title":"为什么“看”是 AI 的切入口？","link":"https://36kr.com/p/3814264992407809","summary":"","date":"6 分钟前","tag":[]},{"title":"双人套餐 398 元，海底捞开“火锅电影院”了？","link":"https://36kr.com/p/3814223817891842","summary":"来自主题：关于消费的一切|红餐网 17 分钟前","date":"17 分钟前","tag":[]},{"title":"老佛爷百货中国首店，5 月 27 日从西单离场","link":"https://36kr.com/p/3814257221344776","summary":"来自主题：新居住时代|未来可栖 24 分钟前","date":"24 分钟前","tag":[]},{"title":"巨型背包火出圈，迪卡侬做对了什么？","link":"https://36kr.com/p/3814207928425984","summary":"来自主题：营销广告人又干什么了|Morketing26 分钟前","date":"26 分钟前","tag":[]},{"title":"苹果到底需要什么？ 2026 年 4 月 21 日，苹果官宣库克（ Tim Cook ）将卸任 CEO ，由约翰·特努斯（ John Ternus ）接手。与此同时，长期掌管苹果芯片业务的约翰尼·斯鲁吉（ Johny Srouji ）将出任首席硬件官。一时间，关于苹果公司未来发展的预测纷至沓来，但没有人能给出一个明确的答案，可能连约翰自己也不能。","link":"https://36kr.com/topics/3777702636639493","summary":"36 氪 2025 年度透视“透视图”栏目在年终特别策划了“36 氪年度总结”系列，用数据透视 2025 全年趋势，以图片呈现今年商业世界中不可错过的要点。持续更新中 >>","date":"","tag":[]},{"title":"头部商场的招商逻辑，变了？","link":"https://36kr.com/p/3814246318907137","summary":"来自主题：未来地产|Mall 先生 28 分钟前","date":"28 分钟前","tag":[]},{"title":"氪大事 | 赚的太多了，韩国准备给全体国民撒钱啦？","link":"https://36kr.com/v-video/3810414861115651","summary":"","date":"4 小时前","tag":[]},{"title":"曾濒临破产，被 CEO 赖掉 17 亿奖金，他们做出了 12 小时收入超 2 亿的爆款","link":"https://36kr.com/p/3813258514226690","summary":"来自主题：游戏圈大事件|游戏葡萄 28 分钟前","date":"28 分钟前","tag":[]},{"title":"TCL 站枪手 VS 海尔挺 PSG：欧冠决赛连续第二年“中国家电德比”","link":"https://36kr.com/p/3813423008603652","summary":"来自主题：体育健身新趋势|懒熊体育 31 分钟前","date":"31 分钟前","tag":[]},{"title":"MiniMax 10x Team 背后，产业 AI 撞上的不是技术瓶颈，而是真实世界的责任链条","link":"https://36kr.com/p/3814245621833474","summary":"来自主题：人工智能·AI|36 氪的朋友们 36 分钟前","date":"36 分钟前","tag":[]},{"title":"史上最贵世界杯，全球游客去不起了","link":"https://36kr.com/p/3814235757780487","summary":"","date":"36 分钟前","tag":[]},{"title":"2:41 科技圈大佬集体抛弃皮鞋，背后藏着什么逻辑？个人观点仅供参考","link":"https://36kr.com/v-video/3811262844624896","summary":"2:09 为什么在欢迎晚宴上，这些中国企业家和黄仁勋、库克坐一桌？","date":"2:09","tag":[]},{"title":"当一套制度能够让普通人敢于拥抱不确定性，奇迹就会成为大概率事件。","link":"https://36kr.com/p/3814130976268034","summary":"来自主题：商业人物追踪|复旦《管理视野》 55 分钟前","date":"55 分钟前","tag":[]},{"title":"美国游客疯狂涌入中国，中国游客悄悄远离美国","link":"https://36kr.com/p/3814219841854983","summary":"","date":"56 分钟前","tag":[]},{"title":"广州国企豪掷 30 亿下场收房。","link":"https://36kr.com/p/3814219526921736","summary":"","date":"1 小时前","tag":[]},{"title":"郑裕彤家族卖长浏高速回血，上海国资接盘做 REITs","link":"https://36kr.com/p/3814214828678663","summary":"","date":"1 小时前","tag":[]},{"title":"12 亿美元收购，礼来加码 NLRP3 系统炎症靶点，布局慢病新范式","link":"https://36kr.com/p/3812627824353029","summary":"","date":"1 小时前","tag":[]},{"title":"全球最大豪华酒店业主，快把手里酒店卖光了","link":"https://36kr.com/p/3814148131725317","summary":"来自主题：房地产下半场|酒管财经 1 小时前","date":"1 小时前","tag":[]},{"title":"20 年来，他用极端的方式，拍下 1000 个名流巨星的私密时刻","link":"https://36kr.com/p/3814039837531911","summary":"来自主题：新生活 LIFESTYLE|一条 1 小时前","date":"1 小时前","tag":[]},{"title":"北京二手房价连涨三月，一线二手房价连续两月普涨","link":"https://36kr.com/p/3814201195437826","summary":"房价数据出炉！北京二手房价连续 3 个月上涨","date":"1 小时前","tag":[]},{"title":"AI ，开始悄悄砸掉景区旅拍饭碗","link":"https://36kr.com/p/3814201997647369","summary":"","date":"1 小时前","tag":[]},{"title":"美制裁催生华为成汽车业强势推手，催生对手改变格局。","link":"https://36kr.com/p/3812657254752004","summary":"不造车的华为，正以 Tier0.5 影响全行业","date":"1 小时前","tag":[]},{"title":"小核酸药物商业化拐点至，上游卖水人业绩大涨隐现产能风险","link":"https://36kr.com/p/3812627203759873","summary":"销售额翻 7 倍、加速扩产能，这个赛道“卖水人”涨疯了","date":"1 小时前","tag":[]},{"title":"世界杯在即：国产彩电的出海故事还讲得通吗？","link":"https://36kr.com/p/3811759120637443","summary":"来自主题：关于消费的一切|锌刻度 1 小时前","date":"1 小时前","tag":[]},{"title":"拿捏育儿焦虑年入 30 亿，泰兰尼斯却栽在“送礼广告”？","link":"https://36kr.com/p/3814085466119685","summary":"来自主题：关于消费的一切|定焦 One1 小时前","date":"1 小时前","tag":[]},{"title":"杀疯了，云南小伙花 3000 块手搓 AI 短片，火遍全球","link":"https://36kr.com/p/3813482781662726","summary":"来自主题：人工智能·AI|科技狐 1 小时前","date":"1 小时前","tag":[]},{"title":"三年再造一个拼多多，Temu 迎来海外监管危机","link":"https://36kr.com/p/3813593136979972","summary":"来自主题：拼多多下沉记|司库商业 1 小时前","date":"1 小时前","tag":[]},{"title":"CoWoS 高增值率凸显台积电优势，重构台湾半导体产业格局","link":"https://36kr.com/p/3814125492461320","summary":"来自主题：芯片领域新鲜事|半导体行业观察 1 小时前","date":"1 小时前","tag":[]},{"title":"十年野蛮生长，终于迎来国标落地","link":"https://36kr.com/p/3811836569313287","summary":"来自主题：关于消费的一切|螺旋实验室 1 小时前","date":"1 小时前","tag":[]},{"title":"合法直销变味，金天国际涉嫌传销虚假宣传，监管趋严行业正本清源。","link":"https://36kr.com/p/3812765485932546","summary":"祖明军与金天国际：一张直销牌照的灰色狂欢","date":"1 小时前","tag":[]},{"title":"独立咖啡占 81%，成都“新式小店”模式凭什么全国第二？","link":"https://36kr.com/p/3812710084288008","summary":"","date":"1 小时前","tag":[]},{"title":"中产最新「电子镣铐」：动态血糖仪","link":"https://36kr.com/p/3812685997366792","summary":"来自主题：关于消费的一切|凤凰周刊 1 小时前","date":"1 小时前","tag":[]},{"title":"这届年轻人整顿完职场，又开始“整顿”博物馆了","link":"https://36kr.com/p/3814187921891079","summary":"来自主题：新居住时代|36 氪的朋友们 1 小时前","date":"1 小时前","tag":[]},{"title":"专柜买不到的爱马仕，我在广东鬼市“配货”才抢到","link":"https://36kr.com/p/3814073834954499","summary":"来自主题：关于消费的一切|显微故事 1 小时前","date":"1 小时前","tag":[]},{"title":"当第一批丁克住进医院，关键时刻谁来签字？","link":"https://36kr.com/p/3814080828759554","summary":"","date":"1 小时前","tag":[]},{"title":"半导体顶流，联手投了上海量子新锐","link":"https://36kr.com/p/3814073665068809","summary":"","date":"1 小时前","tag":[]},{"title":"3 月至今，上海的二手房屡创新高。","link":"https://36kr.com/p/3814185172950531","summary":"来自主题：未来地产|丁祖昱评楼市 1 小时前","date":"1 小时前","tag":[]},{"title":"第二增长曲线开卷：本土酒店集团开打“度假王牌”","link":"https://36kr.com/p/3814145866342660","summary":"","date":"1 小时前","tag":[]},{"title":"重卡新势力里唯一既有氢又有电，坚信 L4 智驾只有车云一体才有未来，对底层安全有着极致敬畏的一家企业。","link":"https://36kr.com/p/3814174288289540","summary":"载合卡车完成 10 亿元级战略融资，开创车云一体 AI 重卡全新赛道","date":"1 小时前","tag":[]}]} curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/p/3808474045292288","mode":"auto"}' {"title":"对话 OpenClaw 核心团队：中国的大公司把业务直接跑在 OpenClaw 上，这并不常见-36 氪","mode":"article","items":[],"markdown":"# 对话 OpenClaw 核心团队：中国的大公司把业务直接跑在 OpenClaw 上，这并不常见\n\n[硅星人 Pro]( https://36kr.com/user/17325558)*·*2026 年 05 月 14 日 13:49\n\n 中国的速度比硅谷更快，比欧洲更疯\n\n5 月 11 日，在 MU Shanghai 组织的 ClawCon 活动上，OpenClaw 的社区核心成员自己飞过来，在阿里中心的会议室里，面对着从全国各地赶来的开发者、创业者和用户，和他们一线交流。\n\n 我们拿到了两个独家对话的机会，受访者是 OpenClaw 核心维护者 Josh ，以及 OpenClaw Foundation 核心成员 Vincent Koc 。\n\nJosh 是 OpenClaw 最早期的贡献者之一。2025 年 11 月，这个项目还没几个人知道的时候，他提交了第 39 和第 40 号 Pull Request——现在这个数字已经超过 8 万个。他不是 OpenClaw 的员工，不拿工资，本职在一家大厂。\n\n\n\n 正是他一手搭起了 Discord 社区，在 10 万人一夜涌入时稳住了局面，也是他第一个开始关注中国用户：把文档翻译成中文、接入飞书、在 Discord 里做了实时中英翻译 bot 。他自己的解释很简单：\"在正确的时间遇到了一个正确的想法。\"\n\nVincent 来自刚成立两周的 OpenClaw Foundation 。Foundation 接过了 OpenClaw 的技术治理和社区运营，Vincent 是这个新组织里直接面对开发者的主要负责人。\n\n\n\n 我们和他们讨论了在这半年中，真正困扰用户的问题：**CLI 的交互方式会不会变？安全谁在负责？ Token 账单怎么才能不失控？以及，OpenClaw 在中国到底打算做什么？**\n\n 以下是完整访谈实录。\n\n**1 、OpenClaw 最初是给谁设计的？面对涌入的非技术用户，你们会做什么？除了 CLI 之外还会有别的交互方式吗？**\n\n**Josh**：说实话，这个项目从来不是为大众而生的。它最初只是我想解决自己问题的一次尝试——我想让某个有意思的软件能在自己的手机和电脑上跑，然后我把它分享到了网上，没想到就长成了今天这个样子。它不是为大众设计的，是为一个用户设计的，那个用户就是我自己。\n\n 看到这么多非技术背景的用户涌进来，我是真的觉得很神奇。能让这么多人第一次接触到人工智能，这本身就已经很了不起了。\n\n 我个人认为，AI 应该以你想要的任何方式工作——终端、手机消息、在家里用，哪里方便就在哪里。这才是最好的 AI 交互方式。\n\n 但也正因为如此，这件事非常有挑战。我们在支持一个几乎涵盖所有人的生态，没法只针对某一类特定用户去做优化。CLI 之外具体会走向哪里，我现在还没法给你一个明确的答案。\n\n**2 、对没有 Coding 背景的普通用户来说，安全是有盲区的。OpenClaw 在 safety 方面接下来打算做什么？**\n\n**Vincent**：这确实是一个值得认真对待的问题。我们这几个月在安全方面做了大量工作——确保 OpenClaw 在启动和运行时是安全的，包括沙盒化等具体手段。\n\n 与此同时，我们也在和一些科技公司、模型公司合作，他们提供的方案已经内置了正确的安全配置，普通用户不需要自己去操心这些。\n\n 因为代码是开源的，任何人都可以看到它怎么工作。我们从全球社区得到了大量贡献，大家一起帮我们把安全做得更好。开源本身，反而是一种安全保障。\n\n 这是开源模式真正的优势之一——漏洞很难藏着，因为所有人都在看。\n\n**追问：主要是你们在做，还是 OpenAI 的 Safety 部门在做？**\n\n**Vincent**：安全是整个社区和维护者共同在承担。\n\n**3 、OpenClaw 的账单对用户来说基本不可控。接下来会做工程层面的优化，让用户用更少 Token 完成更多事情吗？**\n\n**Josh**：我把这个问题看作一个暂时性问题。说实话，我自己的策略有点\"特权\"——我就是尽可能多花钱买 token ，来得到我想要的结果，然后赌 token 成本会下降。\n\n 我自己消耗的 token 数量是很夸张的：几十亿级别，而且大部分不是 OpenClaw ，是写代码。我点一下按钮，token 就消失了，额度降下去，然后我就得切到另一个账号，不停登录、退出、再登录，体验很糟糕。\n\n**如果 OpenAI 的人在看，请做一个原生的账号切换器，这样我就能付给你们更多钱了。**\n\n 关于长期趋势，我有物理学背景，所以我的判断是：随着中国等国家在可再生能源上大量投入，算力成本会持续走低，token 价格也会跟着下来。18 世纪钢铁越多能造的东西越多，今天是同一个道理。\n\n 我就是尽可能多花钱买 token ，来得到我想要的结果，然后赌 token 成本会下降。这是我的个人看法，对于现在正在花钱的人来说，这显然不是一个很好的答案\n\n**不过他也有一个对所有用户都实用的建议：你写提示词的方式，直接决定了你花多少 token 。**\n\n 我累的时候经常就这么写：'你能把这个东西修好吗？我只想让它能跑起来，别的我不管。'以我的经验，这样通常会得到很差的结果——又贵又没用。但如果我认真组织提示词、把上下文喂进去，结果好很多，消耗也更可控。没那么好玩，工作量也大很多，但值得。\n\n**Vincent**：从工程层面，我们这几个月很多工作都在专注于精度和准确性，这在某种程度上是以 token 消耗为代价的——某些场景下大量使用 token 是不可避免的。但我们也在持续推进，让 Agent 不要在同一个问题上反复耗费时间。\n\n 我们也看到模型公司（包括中国的）在大量改善模型效率，订阅计划等方式也在出现，来帮助用户控制总成本。这个领域会持续改善，我们对此有信心。\n\n**4 、应用公司做了大量工程化工作，但每次模型更新就被覆盖了。你们怎么看应用和模型之间的边界？ OpenClaw 自己怎么应对？**\n\nVincent： 我们从一开始就把 OpenClaw 设计成一个支持几乎所有主流模型的底层核心系统。我们不针对某一个特定模型去做优化——我们和整个生态合作，让模型公司自己来决定他们的模型怎么在我们这里呈现最佳效果，他们可以直接向我们贡献代码。这是我们觉得最好的方式。\n\n 我们不会去绑定某一个模型。我们和生态系统合作，这是最好的方法。\n\n 但我也坦承，有一个具体的挑战我们还在研究：如果你有一个 Skill 在某个模型上效果很好，换了另一个模型就不行了——当你切换模型的时候，这些信息怎么能同样好用？这个问题没有简单的答案。\n\n 不过这个项目才存在几个月，还非常早期。但我们会持续看到这个领域的改善，我对此有信心。\n\n**5 、技术趋势从通用 Agent 走向主动式 Agent ，但经济账依然算不过来。你觉得下一代 Agent 会进化成什么样？如果用一个词定义？**\n\n**Vincent**： 这是个有挑战性的问题。老实说，模型公司在做什么我没法控制。我能说的是，我们会尽力确保 OpenClaw 以最好的方式运行。但这本身就是挑战——我们有太多不同的模型选项，要让它对每个人都完美是不可能的。我可以对 OpenClaw 做一个改动，对某人来说效果很好，但对另一个人体验就很差。这在定义上就是个挑战。\n\n 下一代 Agent 是什么？**如果要用一个词来定义下一代 Agent——我的答案是：Self-evolving ，自我迭代。**\n\n 我觉得我们已经在用了。如果你把 OpenClaw 想成一个脚手架应用：你在看某个问题，发现问题，它可以创建代码，可以修改自身。对我来说，这就是自我迭代的定义。不是未来时，是现在时。\n\n**6 、如果中国的能源成本持续下降，假设 Token 无限接近于免费，中国的 Agent 生态会走出一条完全不同的路吗？**\n\n**Josh**：在美国，OpenClaw 给我的感觉非常偏消费者，大多数人用它做个人 bot ，管理自己的生活和事务；围绕 OpenClaw 做产品的公司，也是在把它卖给个人用户。而在中国，是很多大公司把业务直接跑在 OpenClaw 上。这是他在其他地方不太常见的。\n\n 中国非常快、非常快、非常快。如果缺了什么功能，中国用户当天就会 hack 进去把它做出来。这种发展速度真的令我大开眼界。在欧洲，这种事绝对不可能发生。\n\n 还有一个让我印象非常深刻的是深圳市政府在帮助市民部署 OpenClaw ，老人、年轻人在街区外排队，让拿着笔记本电脑的人帮他们安装。\n\n 中国对它感兴趣的人群非常多元，更像普通人，是一个很宽的社会横截面。硅谷是某一种旧金山式的人群：在创业公司或科技行业工作，这只是社会中很小的一部分。\n\n 我兄弟住在俄亥俄州托莱多，我不觉得你能在那儿找到很多 OpenClaw 用户。但在中国，我觉得你可能去很多不同的地方，都会遇到一些你没想到会用 OpenClaw 的人。\n\n**7 、你们在中国的下一步是什么？打算和开源社区合作、还是云公司、还是企业？有没有具体的计划？**\n\n**Josh**：我没法告诉你任何具体的东西——我不能说我们下一个要谈的是哪家公司。为什么？因为这不是我能决定的事，也不是我现在能做主的。我不是官方代表，我不来自基金会，我不是在替他们发言。\n\n 但有几件事我可以说。第一，我们注意到中国有一个很实际的问题：很多大公司拿了某一天的最新版本，就一直跑那个版本。一旦做了 hard fork ，之后的更新就非常困难。我们来这里，很重要的一个目的就是和他们交流，了解这些问题，改进我们的流程。\n\n 我们希望给大家提供长期 LTS 版本，也就是长期支持版本，这样它足够稳定，大家能长期基于它构建，而不是接口协议一直变化。\n\n 第二，我们注意到中国用户非常分散——有很多微信群，但没有一个统一的地方。我们希望找到一个中心化的位置，能在一个地方和整个社区交流，这样改进产品会容易很多。\n\n 第三，关于更大的组织层面：OpenClaw Foundation 大约两周前才刚成立，正在招人，在和公司、实验室建立连接，尝试把这些流程正式化。\n\n 我不太清楚那边具体发生了什么，Vincent 更清楚。但对话在继续，这对大家都有好处。我希望每个人都能有同等的高质量体验，能在这上面构建出有意思的产品。\n\n**8 、Discord 刚开的时候一下子涌进来 10 万人，完全是混乱的。你从那段经历里学到了什么？如果现在有人想做开源社区，你会给他什么建议？**\n\n**Josh**：我加入 OpenClaw 的时候，PR 编号是 39 和 40——那真的是非常早期。现在项目已经有大概 8 万个 PR 了。我不是 OpenClaw 的员工，也没有拿钱，我来这里只是因为觉得它很酷。\n\n1 月 1 日前后，Peter 邀请我加入，我成了维护者和 Discord 管理员。那简直是一片混乱——一个月内大概就有 10 万人涌进来了。\n\n 那完全不是有意为之的。我们没有说'来，我们要搞个大事情'——它就那么发生了，我们自己也完全懵了。前一千人进来的时候，我就已经觉得很疯狂了；然后一万，然后两万……你盯着那个数字，还是没法相信。\n\n 关于建议，核心判断是：网上 95%的人都是善意的，但总有人来捣乱。所以你必须行动——清晰地说出社区的初衷，透明、开放，把对的人在对的时间连接在一起，想清楚社区和项目真正的需求是什么。\n\n 整个项目没有社区就什么都不是。你可能有了不起的技术，但终究还是看人。\n\n 现在，我们已经在用 OpenClaw 来维护 OpenClaw 本身。\n\n 系统知道它自己怎么工作，知道大家在抱怨什么，知道哪里坏了。我们八个核心维护者之间有共享记忆机制，来保证它能更好的工作。\n\n 本文来自微信公众号[“硅星人 Pro”]( https://mp.weixin.qq.com/s/H2qrjgVxlm7N3YLEUtHyuQ)，作者：Yoky ，36 氪经授权发布。"

[开源] 一个 URL → 结构化 JSON：自动识别文章页 / 列表页，详情出 Markdown ，列表出 items 做 RAG 、AI 资讯聚合或内容监控时，常见痛点是： 详情页要正文 Markdown ，列表页要标题、链接、摘要——往往要写两套爬虫 纯 HTTP 抓不到 SPA ，Playwright 又要自己处理反爬、登录态 返回一堆 HTML ，Token 耗费严重，下游还要再洗一遍 开源了 crawl-serve （ npm 包名 html-to-markdown ）： 丢一个 URL ，拿一份统一结构的 JSON ；服务会自动判断这是「单篇文章」还是「文章列表」，并走对应管线。 GitHub： https://github.com/NearImba/hammer3 它能做什么？ 页面类型 自动识别后返回 文章详情页 title + 正文 ** markdown **（ Readability 抽正文 + Turndown 转 MD ） 文章列表页 title + ** items[] **（标题、摘要、链接、日期、标签） mode 支持 auto （默认）、 article 、 feed ，也可手动指定。 返回结构固定，方便直接接 LangChain 、n8n 、自研流水线，不必再写 XPath/CSS 模板。 工具特点 1. 一个接口覆盖两种页面形态 不用为「博客详情」和「首页资讯流」维护两套解析逻辑； auto 会自动路由到 article / feed 管线。 2. 真浏览器渲染，且可接你自己的 Chrome 抓取走 Playwright ，通过 CDP 连接你手动启动的真实 Chrome ，可复用： 已登录的 Cookie / Session 已通过的人机验证状态 对需要登录才能看的站内页、或反爬较严的站点，比 headless 裸连更稳。同站还有 并发节流 （默认每 hostname 最多 2 个并发），降低触发风控的概率。 3. 输出是「能用的数据」，不是原始 HTML 文章：Mozilla Readability 抽正文 + GFM Markdown 列表：基于 重复兄弟节点 的启发式，从 DOM 结构里抽卡片，不绑死某个站点的 class 名 适合谁用？ RAG / 知识库 ：批量把资讯站、博客详情页转成干净 Markdown 入库 资讯聚合 / 监控 ：定时抓列表页 items[] ，再按需深入详情 自动化工作流 ：n8n 、Dify 、自研 Agent 里加一个「网页 → 结构化 JSON 」节点 不想绑商业爬虫 API ：自托管、可控、MIT 协议，数据不出自己的机器 我在掘金、36 氪等站上测过 auto 模式，列表和详情都能正确分流 ** 不是万能反爬方案，而是专注「网页 → 结构化内容」 这一件事 ** 大伙帮忙看看有没有搞头 使用示例： # 命中 feed 流模式 curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/","mode":"auto"}' # 返回 items curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/","mode":"auto"}' {"title":"36 氪_让一部分人先看到未来","mode":"feed","items":[{"title":"为什么“看”是 AI 的切入口？","link":"https://36kr.com/p/3814264992407809","summary":"","date":"6 分钟前","tag":[]},{"title":"双人套餐 398 元，海底捞开“火锅电影院”了？","link":"https://36kr.com/p/3814223817891842","summary":"来自主题：关于消费的一切|红餐网 17 分钟前","date":"17 分钟前","tag":[]},{"title":"老佛爷百货中国首店，5 月 27 日从西单离场","link":"https://36kr.com/p/3814257221344776","summary":"来自主题：新居住时代|未来可栖 24 分钟前","date":"24 分钟前","tag":[]},{"title":"巨型背包火出圈，迪卡侬做对了什么？","link":"https://36kr.com/p/3814207928425984","summary":"来自主题：营销广告人又干什么了|Morketing26 分钟前","date":"26 分钟前","tag":[]},{"title":"苹果到底需要什么？ 2026 年 4 月 21 日，苹果官宣库克（ Tim Cook ）将卸任 CEO ，由约翰·特努斯（ John Ternus ）接手。与此同时，长期掌管苹果芯片业务的约翰尼·斯鲁吉（ Johny Srouji ）将出任首席硬件官。一时间，关于苹果公司未来发展的预测纷至沓来，但没有人能给出一个明确的答案，可能连约翰自己也不能。","link":"https://36kr.com/topics/3777702636639493","summary":"36 氪 2025 年度透视“透视图”栏目在年终特别策划了“36 氪年度总结”系列，用数据透视 2025 全年趋势，以图片呈现今年商业世界中不可错过的要点。持续更新中 >>","date":"","tag":[]},{"title":"头部商场的招商逻辑，变了？","link":"https://36kr.com/p/3814246318907137","summary":"来自主题：未来地产|Mall 先生 28 分钟前","date":"28 分钟前","tag":[]},{"title":"氪大事 | 赚的太多了，韩国准备给全体国民撒钱啦？","link":"https://36kr.com/v-video/3810414861115651","summary":"","date":"4 小时前","tag":[]},{"title":"曾濒临破产，被 CEO 赖掉 17 亿奖金，他们做出了 12 小时收入超 2 亿的爆款","link":"https://36kr.com/p/3813258514226690","summary":"来自主题：游戏圈大事件|游戏葡萄 28 分钟前","date":"28 分钟前","tag":[]},{"title":"TCL 站枪手 VS 海尔挺 PSG：欧冠决赛连续第二年“中国家电德比”","link":"https://36kr.com/p/3813423008603652","summary":"来自主题：体育健身新趋势|懒熊体育 31 分钟前","date":"31 分钟前","tag":[]},{"title":"MiniMax 10x Team 背后，产业 AI 撞上的不是技术瓶颈，而是真实世界的责任链条","link":"https://36kr.com/p/3814245621833474","summary":"来自主题：人工智能·AI|36 氪的朋友们 36 分钟前","date":"36 分钟前","tag":[]},{"title":"史上最贵世界杯，全球游客去不起了","link":"https://36kr.com/p/3814235757780487","summary":"","date":"36 分钟前","tag":[]},{"title":"2:41 科技圈大佬集体抛弃皮鞋，背后藏着什么逻辑？个人观点仅供参考","link":"https://36kr.com/v-video/3811262844624896","summary":"2:09 为什么在欢迎晚宴上，这些中国企业家和黄仁勋、库克坐一桌？","date":"2:09","tag":[]},{"title":"当一套制度能够让普通人敢于拥抱不确定性，奇迹就会成为大概率事件。","link":"https://36kr.com/p/3814130976268034","summary":"来自主题：商业人物追踪|复旦《管理视野》 55 分钟前","date":"55 分钟前","tag":[]},{"title":"美国游客疯狂涌入中国，中国游客悄悄远离美国","link":"https://36kr.com/p/3814219841854983","summary":"","date":"56 分钟前","tag":[]},{"title":"广州国企豪掷 30 亿下场收房。","link":"https://36kr.com/p/3814219526921736","summary":"","date":"1 小时前","tag":[]},{"title":"郑裕彤家族卖长浏高速回血，上海国资接盘做 REITs","link":"https://36kr.com/p/3814214828678663","summary":"","date":"1 小时前","tag":[]},{"title":"12 亿美元收购，礼来加码 NLRP3 系统炎症靶点，布局慢病新范式","link":"https://36kr.com/p/3812627824353029","summary":"","date":"1 小时前","tag":[]},{"title":"全球最大豪华酒店业主，快把手里酒店卖光了","link":"https://36kr.com/p/3814148131725317","summary":"来自主题：房地产下半场|酒管财经 1 小时前","date":"1 小时前","tag":[]},{"title":"20 年来，他用极端的方式，拍下 1000 个名流巨星的私密时刻","link":"https://36kr.com/p/3814039837531911","summary":"来自主题：新生活 LIFESTYLE|一条 1 小时前","date":"1 小时前","tag":[]},{"title":"北京二手房价连涨三月，一线二手房价连续两月普涨","link":"https://36kr.com/p/3814201195437826","summary":"房价数据出炉！北京二手房价连续 3 个月上涨","date":"1 小时前","tag":[]},{"title":"AI ，开始悄悄砸掉景区旅拍饭碗","link":"https://36kr.com/p/3814201997647369","summary":"","date":"1 小时前","tag":[]},{"title":"美制裁催生华为成汽车业强势推手，催生对手改变格局。","link":"https://36kr.com/p/3812657254752004","summary":"不造车的华为，正以 Tier0.5 影响全行业","date":"1 小时前","tag":[]},{"title":"小核酸药物商业化拐点至，上游卖水人业绩大涨隐现产能风险","link":"https://36kr.com/p/3812627203759873","summary":"销售额翻 7 倍、加速扩产能，这个赛道“卖水人”涨疯了","date":"1 小时前","tag":[]},{"title":"世界杯在即：国产彩电的出海故事还讲得通吗？","link":"https://36kr.com/p/3811759120637443","summary":"来自主题：关于消费的一切|锌刻度 1 小时前","date":"1 小时前","tag":[]},{"title":"拿捏育儿焦虑年入 30 亿，泰兰尼斯却栽在“送礼广告”？","link":"https://36kr.com/p/3814085466119685","summary":"来自主题：关于消费的一切|定焦 One1 小时前","date":"1 小时前","tag":[]},{"title":"杀疯了，云南小伙花 3000 块手搓 AI 短片，火遍全球","link":"https://36kr.com/p/3813482781662726","summary":"来自主题：人工智能·AI|科技狐 1 小时前","date":"1 小时前","tag":[]},{"title":"三年再造一个拼多多，Temu 迎来海外监管危机","link":"https://36kr.com/p/3813593136979972","summary":"来自主题：拼多多下沉记|司库商业 1 小时前","date":"1 小时前","tag":[]},{"title":"CoWoS 高增值率凸显台积电优势，重构台湾半导体产业格局","link":"https://36kr.com/p/3814125492461320","summary":"来自主题：芯片领域新鲜事|半导体行业观察 1 小时前","date":"1 小时前","tag":[]},{"title":"十年野蛮生长，终于迎来国标落地","link":"https://36kr.com/p/3811836569313287","summary":"来自主题：关于消费的一切|螺旋实验室 1 小时前","date":"1 小时前","tag":[]},{"title":"合法直销变味，金天国际涉嫌传销虚假宣传，监管趋严行业正本清源。","link":"https://36kr.com/p/3812765485932546","summary":"祖明军与金天国际：一张直销牌照的灰色狂欢","date":"1 小时前","tag":[]},{"title":"独立咖啡占 81%，成都“新式小店”模式凭什么全国第二？","link":"https://36kr.com/p/3812710084288008","summary":"","date":"1 小时前","tag":[]},{"title":"中产最新「电子镣铐」：动态血糖仪","link":"https://36kr.com/p/3812685997366792","summary":"来自主题：关于消费的一切|凤凰周刊 1 小时前","date":"1 小时前","tag":[]},{"title":"这届年轻人整顿完职场，又开始“整顿”博物馆了","link":"https://36kr.com/p/3814187921891079","summary":"来自主题：新居住时代|36 氪的朋友们 1 小时前","date":"1 小时前","tag":[]},{"title":"专柜买不到的爱马仕，我在广东鬼市“配货”才抢到","link":"https://36kr.com/p/3814073834954499","summary":"来自主题：关于消费的一切|显微故事 1 小时前","date":"1 小时前","tag":[]},{"title":"当第一批丁克住进医院，关键时刻谁来签字？","link":"https://36kr.com/p/3814080828759554","summary":"","date":"1 小时前","tag":[]},{"title":"半导体顶流，联手投了上海量子新锐","link":"https://36kr.com/p/3814073665068809","summary":"","date":"1 小时前","tag":[]},{"title":"3 月至今，上海的二手房屡创新高。","link":"https://36kr.com/p/3814185172950531","summary":"来自主题：未来地产|丁祖昱评楼市 1 小时前","date":"1 小时前","tag":[]},{"title":"第二增长曲线开卷：本土酒店集团开打“度假王牌”","link":"https://36kr.com/p/3814145866342660","summary":"","date":"1 小时前","tag":[]},{"title":"重卡新势力里唯一既有氢又有电，坚信 L4 智驾只有车云一体才有未来，对底层安全有着极致敬畏的一家企业。","link":"https://36kr.com/p/3814174288289540","summary":"载合卡车完成 10 亿元级战略融资，开创车云一体 AI 重卡全新赛道","date":"1 小时前","tag":[]}]} curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/p/3808474045292288","mode":"auto"}' {"title":"对话 OpenClaw 核心团队：中国的大公司把业务直接跑在 OpenClaw 上，这并不常见-36 氪","mode":"article","items":[],"markdown":"# 对话 OpenClaw 核心团队：中国的大公司把业务直接跑在 OpenClaw 上，这并不常见\n\n[硅星人 Pro]( https://36kr.com/user/17325558)*·*2026 年 05 月 14 日 13:49\n\n 中国的速度比硅谷更快，比欧洲更疯\n\n5 月 11 日，在 MU Shanghai 组织的 ClawCon 活动上，OpenClaw 的社区核心成员自己飞过来，在阿里中心的会议室里，面对着从全国各地赶来的开发者、创业者和用户，和他们一线交流。\n\n 我们拿到了两个独家对话的机会，受访者是 OpenClaw 核心维护者 Josh ，以及 OpenClaw Foundation 核心成员 Vincent Koc 。\n\nJosh 是 OpenClaw 最早期的贡献者之一。2025 年 11 月，这个项目还没几个人知道的时候，他提交了第 39 和第 40 号 Pull Request——现在这个数字已经超过 8 万个。他不是 OpenClaw 的员工，不拿工资，本职在一家大厂。\n\n\n\n 正是他一手搭起了 Discord 社区，在 10 万人一夜涌入时稳住了局面，也是他第一个开始关注中国用户：把文档翻译成中文、接入飞书、在 Discord 里做了实时中英翻译 bot 。他自己的解释很简单：\"在正确的时间遇到了一个正确的想法。\"\n\nVincent 来自刚成立两周的 OpenClaw Foundation 。Foundation 接过了 OpenClaw 的技术治理和社区运营，Vincent 是这个新组织里直接面对开发者的主要负责人。\n\n\n\n 我们和他们讨论了在这半年中，真正困扰用户的问题：**CLI 的交互方式会不会变？安全谁在负责？ Token 账单怎么才能不失控？以及，OpenClaw 在中国到底打算做什么？**\n\n 以下是完整访谈实录。\n\n**1 、OpenClaw 最初是给谁设计的？面对涌入的非技术用户，你们会做什么？除了 CLI 之外还会有别的交互方式吗？**\n\n**Josh**：说实话，这个项目从来不是为大众而生的。它最初只是我想解决自己问题的一次尝试——我想让某个有意思的软件能在自己的手机和电脑上跑，然后我把它分享到了网上，没想到就长成了今天这个样子。它不是为大众设计的，是为一个用户设计的，那个用户就是我自己。\n\n 看到这么多非技术背景的用户涌进来，我是真的觉得很神奇。能让这么多人第一次接触到人工智能，这本身就已经很了不起了。\n\n 我个人认为，AI 应该以你想要的任何方式工作——终端、手机消息、在家里用，哪里方便就在哪里。这才是最好的 AI 交互方式。\n\n 但也正因为如此，这件事非常有挑战。我们在支持一个几乎涵盖所有人的生态，没法只针对某一类特定用户去做优化。CLI 之外具体会走向哪里，我现在还没法给你一个明确的答案。\n\n**2 、对没有 Coding 背景的普通用户来说，安全是有盲区的。OpenClaw 在 safety 方面接下来打算做什么？**\n\n**Vincent**：这确实是一个值得认真对待的问题。我们这几个月在安全方面做了大量工作——确保 OpenClaw 在启动和运行时是安全的，包括沙盒化等具体手段。\n\n 与此同时，我们也在和一些科技公司、模型公司合作，他们提供的方案已经内置了正确的安全配置，普通用户不需要自己去操心这些。\n\n 因为代码是开源的，任何人都可以看到它怎么工作。我们从全球社区得到了大量贡献，大家一起帮我们把安全做得更好。开源本身，反而是一种安全保障。\n\n 这是开源模式真正的优势之一——漏洞很难藏着，因为所有人都在看。\n\n**追问：主要是你们在做，还是 OpenAI 的 Safety 部门在做？**\n\n**Vincent**：安全是整个社区和维护者共同在承担。\n\n**3 、OpenClaw 的账单对用户来说基本不可控。接下来会做工程层面的优化，让用户用更少 Token 完成更多事情吗？**\n\n**Josh**：我把这个问题看作一个暂时性问题。说实话，我自己的策略有点\"特权\"——我就是尽可能多花钱买 token ，来得到我想要的结果，然后赌 token 成本会下降。\n\n 我自己消耗的 token 数量是很夸张的：几十亿级别，而且大部分不是 OpenClaw ，是写代码。我点一下按钮，token 就消失了，额度降下去，然后我就得切到另一个账号，不停登录、退出、再登录，体验很糟糕。\n\n**如果 OpenAI 的人在看，请做一个原生的账号切换器，这样我就能付给你们更多钱了。**\n\n 关于长期趋势，我有物理学背景，所以我的判断是：随着中国等国家在可再生能源上大量投入，算力成本会持续走低，token 价格也会跟着下来。18 世纪钢铁越多能造的东西越多，今天是同一个道理。\n\n 我就是尽可能多花钱买 token ，来得到我想要的结果，然后赌 token 成本会下降。这是我的个人看法，对于现在正在花钱的人来说，这显然不是一个很好的答案\n\n**不过他也有一个对所有用户都实用的建议：你写提示词的方式，直接决定了你花多少 token 。**\n\n 我累的时候经常就这么写：'你能把这个东西修好吗？我只想让它能跑起来，别的我不管。'以我的经验，这样通常会得到很差的结果——又贵又没用。但如果我认真组织提示词、把上下文喂进去，结果好很多，消耗也更可控。没那么好玩，工作量也大很多，但值得。\n\n**Vincent**：从工程层面，我们这几个月很多工作都在专注于精度和准确性，这在某种程度上是以 token 消耗为代价的——某些场景下大量使用 token 是不可避免的。但我们也在持续推进，让 Agent 不要在同一个问题上反复耗费时间。\n\n 我们也看到模型公司（包括中国的）在大量改善模型效率，订阅计划等方式也在出现，来帮助用户控制总成本。这个领域会持续改善，我们对此有信心。\n\n**4 、应用公司做了大量工程化工作，但每次模型更新就被覆盖了。你们怎么看应用和模型之间的边界？ OpenClaw 自己怎么应对？**\n\nVincent： 我们从一开始就把 OpenClaw 设计成一个支持几乎所有主流模型的底层核心系统。我们不针对某一个特定模型去做优化——我们和整个生态合作，让模型公司自己来决定他们的模型怎么在我们这里呈现最佳效果，他们可以直接向我们贡献代码。这是我们觉得最好的方式。\n\n 我们不会去绑定某一个模型。我们和生态系统合作，这是最好的方法。\n\n 但我也坦承，有一个具体的挑战我们还在研究：如果你有一个 Skill 在某个模型上效果很好，换了另一个模型就不行了——当你切换模型的时候，这些信息怎么能同样好用？这个问题没有简单的答案。\n\n 不过这个项目才存在几个月，还非常早期。但我们会持续看到这个领域的改善，我对此有信心。\n\n**5 、技术趋势从通用 Agent 走向主动式 Agent ，但经济账依然算不过来。你觉得下一代 Agent 会进化成什么样？如果用一个词定义？**\n\n**Vincent**： 这是个有挑战性的问题。老实说，模型公司在做什么我没法控制。我能说的是，我们会尽力确保 OpenClaw 以最好的方式运行。但这本身就是挑战——我们有太多不同的模型选项，要让它对每个人都完美是不可能的。我可以对 OpenClaw 做一个改动，对某人来说效果很好，但对另一个人体验就很差。这在定义上就是个挑战。\n\n 下一代 Agent 是什么？**如果要用一个词来定义下一代 Agent——我的答案是：Self-evolving ，自我迭代。**\n\n 我觉得我们已经在用了。如果你把 OpenClaw 想成一个脚手架应用：你在看某个问题，发现问题，它可以创建代码，可以修改自身。对我来说，这就是自我迭代的定义。不是未来时，是现在时。\n\n**6 、如果中国的能源成本持续下降，假设 Token 无限接近于免费，中国的 Agent 生态会走出一条完全不同的路吗？**\n\n**Josh**：在美国，OpenClaw 给我的感觉非常偏消费者，大多数人用它做个人 bot ，管理自己的生活和事务；围绕 OpenClaw 做产品的公司，也是在把它卖给个人用户。而在中国，是很多大公司把业务直接跑在 OpenClaw 上。这是他在其他地方不太常见的。\n\n 中国非常快、非常快、非常快。如果缺了什么功能，中国用户当天就会 hack 进去把它做出来。这种发展速度真的令我大开眼界。在欧洲，这种事绝对不可能发生。\n\n 还有一个让我印象非常深刻的是深圳市政府在帮助市民部署 OpenClaw ，老人、年轻人在街区外排队，让拿着笔记本电脑的人帮他们安装。\n\n 中国对它感兴趣的人群非常多元，更像普通人，是一个很宽的社会横截面。硅谷是某一种旧金山式的人群：在创业公司或科技行业工作，这只是社会中很小的一部分。\n\n 我兄弟住在俄亥俄州托莱多，我不觉得你能在那儿找到很多 OpenClaw 用户。但在中国，我觉得你可能去很多不同的地方，都会遇到一些你没想到会用 OpenClaw 的人。\n\n**7 、你们在中国的下一步是什么？打算和开源社区合作、还是云公司、还是企业？有没有具体的计划？**\n\n**Josh**：我没法告诉你任何具体的东西——我不能说我们下一个要谈的是哪家公司。为什么？因为这不是我能决定的事，也不是我现在能做主的。我不是官方代表，我不来自基金会，我不是在替他们发言。\n\n 但有几件事我可以说。第一，我们注意到中国有一个很实际的问题：很多大公司拿了某一天的最新版本，就一直跑那个版本。一旦做了 hard fork ，之后的更新就非常困难。我们来这里，很重要的一个目的就是和他们交流，了解这些问题，改进我们的流程。\n\n 我们希望给大家提供长期 LTS 版本，也就是长期支持版本，这样它足够稳定，大家能长期基于它构建，而不是接口协议一直变化。\n\n 第二，我们注意到中国用户非常分散——有很多微信群，但没有一个统一的地方。我们希望找到一个中心化的位置，能在一个地方和整个社区交流，这样改进产品会容易很多。\n\n 第三，关于更大的组织层面：OpenClaw Foundation 大约两周前才刚成立，正在招人，在和公司、实验室建立连接，尝试把这些流程正式化。\n\n 我不太清楚那边具体发生了什么，Vincent 更清楚。但对话在继续，这对大家都有好处。我希望每个人都能有同等的高质量体验，能在这上面构建出有意思的产品。\n\n**8 、Discord 刚开的时候一下子涌进来 10 万人，完全是混乱的。你从那段经历里学到了什么？如果现在有人想做开源社区，你会给他什么建议？**\n\n**Josh**：我加入 OpenClaw 的时候，PR 编号是 39 和 40——那真的是非常早期。现在项目已经有大概 8 万个 PR 了。我不是 OpenClaw 的员工，也没有拿钱，我来这里只是因为觉得它很酷。\n\n1 月 1 日前后，Peter 邀请我加入，我成了维护者和 Discord 管理员。那简直是一片混乱——一个月内大概就有 10 万人涌进来了。\n\n 那完全不是有意为之的。我们没有说'来，我们要搞个大事情'——它就那么发生了，我们自己也完全懵了。前一千人进来的时候，我就已经觉得很疯狂了；然后一万，然后两万……你盯着那个数字，还是没法相信。\n\n 关于建议，核心判断是：网上 95%的人都是善意的，但总有人来捣乱。所以你必须行动——清晰地说出社区的初衷，透明、开放，把对的人在对的时间连接在一起，想清楚社区和项目真正的需求是什么。\n\n 整个项目没有社区就什么都不是。你可能有了不起的技术，但终究还是看人。\n\n 现在，我们已经在用 OpenClaw 来维护 OpenClaw 本身。\n\n 系统知道它自己怎么工作，知道大家在抱怨什么，知道哪里坏了。我们八个核心维护者之间有共享记忆机制，来保证它能更好的工作。\n\n 本文来自微信公众号[“硅星人 Pro”]( https://mp.weixin.qq.com/s/H2qrjgVxlm7N3YLEUtHyuQ)，作者：Yoky ，36 氪经授权发布。"

[开源] 一个 URL → 结构化 JSON：自动识别文章页 / 列表页，详情出 Markdown ，列表出 items 做 RAG 、AI 资讯聚合或内容监控时，常见痛点是： 详情页要正文 Markdown ，列表页要标题、链接、摘要——往往要写两套爬虫 纯 HTTP 抓不到 SPA ，Playwright 又要自己处理反爬、登录态 返回一堆 HTML ，Token 耗费严重，下游还要再洗一遍 开源了 crawl-serve （ npm 包名 html-to-markdown ）： 丢一个 URL ，拿一份统一结构的 JSON ；服务会自动判断这是「单篇文章」还是「文章列表」，并走对应管线。 GitHub： https://github.com/NearImba/hammer3 它能做什么？ 页面类型 自动识别后返回 文章详情页 title + 正文 ** markdown **（ Readability 抽正文 + Turndown 转 MD ） 文章列表页 title + ** items[] **（标题、摘要、链接、日期、标签） mode 支持 auto （默认）、 article 、 feed ，也可手动指定。 返回结构固定，方便直接接 LangChain 、n8n 、自研流水线，不必再写 XPath/CSS 模板。 工具特点 1. 一个接口覆盖两种页面形态 不用为「博客详情」和「首页资讯流」维护两套解析逻辑； auto 会自动路由到 article / feed 管线。 2. 真浏览器渲染，且可接你自己的 Chrome 抓取走 Playwright ，通过 CDP 连接你手动启动的真实 Chrome ，可复用： 已登录的 Cookie / Session 已通过的人机验证状态 对需要登录才能看的站内页、或反爬较严的站点，比 headless 裸连更稳。同站还有 并发节流 （默认每 hostname 最多 2 个并发），降低触发风控的概率。 3. 输出是「能用的数据」，不是原始 HTML 文章：Mozilla Readability 抽正文 + GFM Markdown 列表：基于 重复兄弟节点 的启发式，从 DOM 结构里抽卡片，不绑死某个站点的 class 名 适合谁用？ RAG / 知识库 ：批量把资讯站、博客详情页转成干净 Markdown 入库 资讯聚合 / 监控 ：定时抓列表页 items[] ，再按需深入详情 自动化工作流 ：n8n 、Dify 、自研 Agent 里加一个「网页 → 结构化 JSON 」节点 不想绑商业爬虫 API ：自托管、可控、MIT 协议，数据不出自己的机器 我在掘金、36 氪等站上测过 auto 模式，列表和详情都能正确分流 ** 不是万能反爬方案，而是专注「网页 → 结构化内容」 这一件事 ** 大伙帮忙看看有没有搞头 使用示例： # 命中 feed 流模式 curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/","mode":"auto"}' # 返回 items curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/","mode":"auto"}' {"title":"36 氪_让一部分人先看到未来","mode":"feed","items":[{"title":"为什么“看”是 AI 的切入口？","link":"https://36kr.com/p/3814264992407809","summary":"","date":"6 分钟前","tag":[]},{"title":"双人套餐 398 元，海底捞开“火锅电影院”了？","link":"https://36kr.com/p/3814223817891842","summary":"来自主题：关于消费的一切|红餐网 17 分钟前","date":"17 分钟前","tag":[]},{"title":"老佛爷百货中国首店，5 月 27 日从西单离场","link":"https://36kr.com/p/3814257221344776","summary":"来自主题：新居住时代|未来可栖 24 分钟前","date":"24 分钟前","tag":[]},{"title":"巨型背包火出圈，迪卡侬做对了什么？","link":"https://36kr.com/p/3814207928425984","summary":"来自主题：营销广告人又干什么了|Morketing26 分钟前","date":"26 分钟前","tag":[]},{"title":"苹果到底需要什么？ 2026 年 4 月 21 日，苹果官宣库克（ Tim Cook ）将卸任 CEO ，由约翰·特努斯（ John Ternus ）接手。与此同时，长期掌管苹果芯片业务的约翰尼·斯鲁吉（ Johny Srouji ）将出任首席硬件官。一时间，关于苹果公司未来发展的预测纷至沓来，但没有人能给出一个明确的答案，可能连约翰自己也不能。","link":"https://36kr.com/topics/3777702636639493","summary":"36 氪 2025 年度透视“透视图”栏目在年终特别策划了“36 氪年度总结”系列，用数据透视 2025 全年趋势，以图片呈现今年商业世界中不可错过的要点。持续更新中 >>","date":"","tag":[]},{"title":"头部商场的招商逻辑，变了？","link":"https://36kr.com/p/3814246318907137","summary":"来自主题：未来地产|Mall 先生 28 分钟前","date":"28 分钟前","tag":[]},{"title":"氪大事 | 赚的太多了，韩国准备给全体国民撒钱啦？","link":"https://36kr.com/v-video/3810414861115651","summary":"","date":"4 小时前","tag":[]},{"title":"曾濒临破产，被 CEO 赖掉 17 亿奖金，他们做出了 12 小时收入超 2 亿的爆款","link":"https://36kr.com/p/3813258514226690","summary":"来自主题：游戏圈大事件|游戏葡萄 28 分钟前","date":"28 分钟前","tag":[]},{"title":"TCL 站枪手 VS 海尔挺 PSG：欧冠决赛连续第二年“中国家电德比”","link":"https://36kr.com/p/3813423008603652","summary":"来自主题：体育健身新趋势|懒熊体育 31 分钟前","date":"31 分钟前","tag":[]},{"title":"MiniMax 10x Team 背后，产业 AI 撞上的不是技术瓶颈，而是真实世界的责任链条","link":"https://36kr.com/p/3814245621833474","summary":"来自主题：人工智能·AI|36 氪的朋友们 36 分钟前","date":"36 分钟前","tag":[]},{"title":"史上最贵世界杯，全球游客去不起了","link":"https://36kr.com/p/3814235757780487","summary":"","date":"36 分钟前","tag":[]},{"title":"2:41 科技圈大佬集体抛弃皮鞋，背后藏着什么逻辑？个人观点仅供参考","link":"https://36kr.com/v-video/3811262844624896","summary":"2:09 为什么在欢迎晚宴上，这些中国企业家和黄仁勋、库克坐一桌？","date":"2:09","tag":[]},{"title":"当一套制度能够让普通人敢于拥抱不确定性，奇迹就会成为大概率事件。","link":"https://36kr.com/p/3814130976268034","summary":"来自主题：商业人物追踪|复旦《管理视野》 55 分钟前","date":"55 分钟前","tag":[]},{"title":"美国游客疯狂涌入中国，中国游客悄悄远离美国","link":"https://36kr.com/p/3814219841854983","summary":"","date":"56 分钟前","tag":[]},{"title":"广州国企豪掷 30 亿下场收房。","link":"https://36kr.com/p/3814219526921736","summary":"","date":"1 小时前","tag":[]},{"title":"郑裕彤家族卖长浏高速回血，上海国资接盘做 REITs","link":"https://36kr.com/p/3814214828678663","summary":"","date":"1 小时前","tag":[]},{"title":"12 亿美元收购，礼来加码 NLRP3 系统炎症靶点，布局慢病新范式","link":"https://36kr.com/p/3812627824353029","summary":"","date":"1 小时前","tag":[]},{"title":"全球最大豪华酒店业主，快把手里酒店卖光了","link":"https://36kr.com/p/3814148131725317","summary":"来自主题：房地产下半场|酒管财经 1 小时前","date":"1 小时前","tag":[]},{"title":"20 年来，他用极端的方式，拍下 1000 个名流巨星的私密时刻","link":"https://36kr.com/p/3814039837531911","summary":"来自主题：新生活 LIFESTYLE|一条 1 小时前","date":"1 小时前","tag":[]},{"title":"北京二手房价连涨三月，一线二手房价连续两月普涨","link":"https://36kr.com/p/3814201195437826","summary":"房价数据出炉！北京二手房价连续 3 个月上涨","date":"1 小时前","tag":[]},{"title":"AI ，开始悄悄砸掉景区旅拍饭碗","link":"https://36kr.com/p/3814201997647369","summary":"","date":"1 小时前","tag":[]},{"title":"美制裁催生华为成汽车业强势推手，催生对手改变格局。","link":"https://36kr.com/p/3812657254752004","summary":"不造车的华为，正以 Tier0.5 影响全行业","date":"1 小时前","tag":[]},{"title":"小核酸药物商业化拐点至，上游卖水人业绩大涨隐现产能风险","link":"https://36kr.com/p/3812627203759873","summary":"销售额翻 7 倍、加速扩产能，这个赛道“卖水人”涨疯了","date":"1 小时前","tag":[]},{"title":"世界杯在即：国产彩电的出海故事还讲得通吗？","link":"https://36kr.com/p/3811759120637443","summary":"来自主题：关于消费的一切|锌刻度 1 小时前","date":"1 小时前","tag":[]},{"title":"拿捏育儿焦虑年入 30 亿，泰兰尼斯却栽在“送礼广告”？","link":"https://36kr.com/p/3814085466119685","summary":"来自主题：关于消费的一切|定焦 One1 小时前","date":"1 小时前","tag":[]},{"title":"杀疯了，云南小伙花 3000 块手搓 AI 短片，火遍全球","link":"https://36kr.com/p/3813482781662726","summary":"来自主题：人工智能·AI|科技狐 1 小时前","date":"1 小时前","tag":[]},{"title":"三年再造一个拼多多，Temu 迎来海外监管危机","link":"https://36kr.com/p/3813593136979972","summary":"来自主题：拼多多下沉记|司库商业 1 小时前","date":"1 小时前","tag":[]},{"title":"CoWoS 高增值率凸显台积电优势，重构台湾半导体产业格局","link":"https://36kr.com/p/3814125492461320","summary":"来自主题：芯片领域新鲜事|半导体行业观察 1 小时前","date":"1 小时前","tag":[]},{"title":"十年野蛮生长，终于迎来国标落地","link":"https://36kr.com/p/3811836569313287","summary":"来自主题：关于消费的一切|螺旋实验室 1 小时前","date":"1 小时前","tag":[]},{"title":"合法直销变味，金天国际涉嫌传销虚假宣传，监管趋严行业正本清源。","link":"https://36kr.com/p/3812765485932546","summary":"祖明军与金天国际：一张直销牌照的灰色狂欢","date":"1 小时前","tag":[]},{"title":"独立咖啡占 81%，成都“新式小店”模式凭什么全国第二？","link":"https://36kr.com/p/3812710084288008","summary":"","date":"1 小时前","tag":[]},{"title":"中产最新「电子镣铐」：动态血糖仪","link":"https://36kr.com/p/3812685997366792","summary":"来自主题：关于消费的一切|凤凰周刊 1 小时前","date":"1 小时前","tag":[]},{"title":"这届年轻人整顿完职场，又开始“整顿”博物馆了","link":"https://36kr.com/p/3814187921891079","summary":"来自主题：新居住时代|36 氪的朋友们 1 小时前","date":"1 小时前","tag":[]},{"title":"专柜买不到的爱马仕，我在广东鬼市“配货”才抢到","link":"https://36kr.com/p/3814073834954499","summary":"来自主题：关于消费的一切|显微故事 1 小时前","date":"1 小时前","tag":[]},{"title":"当第一批丁克住进医院，关键时刻谁来签字？","link":"https://36kr.com/p/3814080828759554","summary":"","date":"1 小时前","tag":[]},{"title":"半导体顶流，联手投了上海量子新锐","link":"https://36kr.com/p/3814073665068809","summary":"","date":"1 小时前","tag":[]},{"title":"3 月至今，上海的二手房屡创新高。","link":"https://36kr.com/p/3814185172950531","summary":"来自主题：未来地产|丁祖昱评楼市 1 小时前","date":"1 小时前","tag":[]},{"title":"第二增长曲线开卷：本土酒店集团开打“度假王牌”","link":"https://36kr.com/p/3814145866342660","summary":"","date":"1 小时前","tag":[]},{"title":"重卡新势力里唯一既有氢又有电，坚信 L4 智驾只有车云一体才有未来，对底层安全有着极致敬畏的一家企业。","link":"https://36kr.com/p/3814174288289540","summary":"载合卡车完成 10 亿元级战略融资，开创车云一体 AI 重卡全新赛道","date":"1 小时前","tag":[]}]} curl -X POST http://localhost:3000/crawl \ -H 'content-type: application/json' \ -d '{"url":"https://36kr.com/p/3808474045292288","mode":"auto"}' {"title":"对话 OpenClaw 核心团队：中国的大公司把业务直接跑在 OpenClaw 上，这并不常见-36 氪","mode":"article","items":[],"markdown":"# 对话 OpenClaw 核心团队：中国的大公司把业务直接跑在 OpenClaw 上，这并不常见\n\n[硅星人 Pro]( https://36kr.com/user/17325558)*·*2026 年 05 月 14 日 13:49\n\n 中国的速度比硅谷更快，比欧洲更疯\n\n5 月 11 日，在 MU Shanghai 组织的 ClawCon 活动上，OpenClaw 的社区核心成员自己飞过来，在阿里中心的会议室里，面对着从全国各地赶来的开发者、创业者和用户，和他们一线交流。\n\n 我们拿到了两个独家对话的机会，受访者是 OpenClaw 核心维护者 Josh ，以及 OpenClaw Foundation 核心成员 Vincent Koc 。\n\nJosh 是 OpenClaw 最早期的贡献者之一。2025 年 11 月，这个项目还没几个人知道的时候，他提交了第 39 和第 40 号 Pull Request——现在这个数字已经超过 8 万个。他不是 OpenClaw 的员工，不拿工资，本职在一家大厂。\n\n\n\n 正是他一手搭起了 Discord 社区，在 10 万人一夜涌入时稳住了局面，也是他第一个开始关注中国用户：把文档翻译成中文、接入飞书、在 Discord 里做了实时中英翻译 bot 。他自己的解释很简单：\"在正确的时间遇到了一个正确的想法。\"\n\nVincent 来自刚成立两周的 OpenClaw Foundation 。Foundation 接过了 OpenClaw 的技术治理和社区运营，Vincent 是这个新组织里直接面对开发者的主要负责人。\n\n\n\n 我们和他们讨论了在这半年中，真正困扰用户的问题：**CLI 的交互方式会不会变？安全谁在负责？ Token 账单怎么才能不失控？以及，OpenClaw 在中国到底打算做什么？**\n\n 以下是完整访谈实录。\n\n**1 、OpenClaw 最初是给谁设计的？面对涌入的非技术用户，你们会做什么？除了 CLI 之外还会有别的交互方式吗？**\n\n**Josh**：说实话，这个项目从来不是为大众而生的。它最初只是我想解决自己问题的一次尝试——我想让某个有意思的软件能在自己的手机和电脑上跑，然后我把它分享到了网上，没想到就长成了今天这个样子。它不是为大众设计的，是为一个用户设计的，那个用户就是我自己。\n\n 看到这么多非技术背景的用户涌进来，我是真的觉得很神奇。能让这么多人第一次接触到人工智能，这本身就已经很了不起了。\n\n 我个人认为，AI 应该以你想要的任何方式工作——终端、手机消息、在家里用，哪里方便就在哪里。这才是最好的 AI 交互方式。\n\n 但也正因为如此，这件事非常有挑战。我们在支持一个几乎涵盖所有人的生态，没法只针对某一类特定用户去做优化。CLI 之外具体会走向哪里，我现在还没法给你一个明确的答案。\n\n**2 、对没有 Coding 背景的普通用户来说，安全是有盲区的。OpenClaw 在 safety 方面接下来打算做什么？**\n\n**Vincent**：这确实是一个值得认真对待的问题。我们这几个月在安全方面做了大量工作——确保 OpenClaw 在启动和运行时是安全的，包括沙盒化等具体手段。\n\n 与此同时，我们也在和一些科技公司、模型公司合作，他们提供的方案已经内置了正确的安全配置，普通用户不需要自己去操心这些。\n\n 因为代码是开源的，任何人都可以看到它怎么工作。我们从全球社区得到了大量贡献，大家一起帮我们把安全做得更好。开源本身，反而是一种安全保障。\n\n 这是开源模式真正的优势之一——漏洞很难藏着，因为所有人都在看。\n\n**追问：主要是你们在做，还是 OpenAI 的 Safety 部门在做？**\n\n**Vincent**：安全是整个社区和维护者共同在承担。\n\n**3 、OpenClaw 的账单对用户来说基本不可控。接下来会做工程层面的优化，让用户用更少 Token 完成更多事情吗？**\n\n**Josh**：我把这个问题看作一个暂时性问题。说实话，我自己的策略有点\"特权\"——我就是尽可能多花钱买 token ，来得到我想要的结果，然后赌 token 成本会下降。\n\n 我自己消耗的 token 数量是很夸张的：几十亿级别，而且大部分不是 OpenClaw ，是写代码。我点一下按钮，token 就消失了，额度降下去，然后我就得切到另一个账号，不停登录、退出、再登录，体验很糟糕。\n\n**如果 OpenAI 的人在看，请做一个原生的账号切换器，这样我就能付给你们更多钱了。**\n\n 关于长期趋势，我有物理学背景，所以我的判断是：随着中国等国家在可再生能源上大量投入，算力成本会持续走低，token 价格也会跟着下来。18 世纪钢铁越多能造的东西越多，今天是同一个道理。\n\n 我就是尽可能多花钱买 token ，来得到我想要的结果，然后赌 token 成本会下降。这是我的个人看法，对于现在正在花钱的人来说，这显然不是一个很好的答案\n\n**不过他也有一个对所有用户都实用的建议：你写提示词的方式，直接决定了你花多少 token 。**\n\n 我累的时候经常就这么写：'你能把这个东西修好吗？我只想让它能跑起来，别的我不管。'以我的经验，这样通常会得到很差的结果——又贵又没用。但如果我认真组织提示词、把上下文喂进去，结果好很多，消耗也更可控。没那么好玩，工作量也大很多，但值得。\n\n**Vincent**：从工程层面，我们这几个月很多工作都在专注于精度和准确性，这在某种程度上是以 token 消耗为代价的——某些场景下大量使用 token 是不可避免的。但我们也在持续推进，让 Agent 不要在同一个问题上反复耗费时间。\n\n 我们也看到模型公司（包括中国的）在大量改善模型效率，订阅计划等方式也在出现，来帮助用户控制总成本。这个领域会持续改善，我们对此有信心。\n\n**4 、应用公司做了大量工程化工作，但每次模型更新就被覆盖了。你们怎么看应用和模型之间的边界？ OpenClaw 自己怎么应对？**\n\nVincent： 我们从一开始就把 OpenClaw 设计成一个支持几乎所有主流模型的底层核心系统。我们不针对某一个特定模型去做优化——我们和整个生态合作，让模型公司自己来决定他们的模型怎么在我们这里呈现最佳效果，他们可以直接向我们贡献代码。这是我们觉得最好的方式。\n\n 我们不会去绑定某一个模型。我们和生态系统合作，这是最好的方法。\n\n 但我也坦承，有一个具体的挑战我们还在研究：如果你有一个 Skill 在某个模型上效果很好，换了另一个模型就不行了——当你切换模型的时候，这些信息怎么能同样好用？这个问题没有简单的答案。\n\n 不过这个项目才存在几个月，还非常早期。但我们会持续看到这个领域的改善，我对此有信心。\n\n**5 、技术趋势从通用 Agent 走向主动式 Agent ，但经济账依然算不过来。你觉得下一代 Agent 会进化成什么样？如果用一个词定义？**\n\n**Vincent**： 这是个有挑战性的问题。老实说，模型公司在做什么我没法控制。我能说的是，我们会尽力确保 OpenClaw 以最好的方式运行。但这本身就是挑战——我们有太多不同的模型选项，要让它对每个人都完美是不可能的。我可以对 OpenClaw 做一个改动，对某人来说效果很好，但对另一个人体验就很差。这在定义上就是个挑战。\n\n 下一代 Agent 是什么？**如果要用一个词来定义下一代 Agent——我的答案是：Self-evolving ，自我迭代。**\n\n 我觉得我们已经在用了。如果你把 OpenClaw 想成一个脚手架应用：你在看某个问题，发现问题，它可以创建代码，可以修改自身。对我来说，这就是自我迭代的定义。不是未来时，是现在时。\n\n**6 、如果中国的能源成本持续下降，假设 Token 无限接近于免费，中国的 Agent 生态会走出一条完全不同的路吗？**\n\n**Josh**：在美国，OpenClaw 给我的感觉非常偏消费者，大多数人用它做个人 bot ，管理自己的生活和事务；围绕 OpenClaw 做产品的公司，也是在把它卖给个人用户。而在中国，是很多大公司把业务直接跑在 OpenClaw 上。这是他在其他地方不太常见的。\n\n 中国非常快、非常快、非常快。如果缺了什么功能，中国用户当天就会 hack 进去把它做出来。这种发展速度真的令我大开眼界。在欧洲，这种事绝对不可能发生。\n\n 还有一个让我印象非常深刻的是深圳市政府在帮助市民部署 OpenClaw ，老人、年轻人在街区外排队，让拿着笔记本电脑的人帮他们安装。\n\n 中国对它感兴趣的人群非常多元，更像普通人，是一个很宽的社会横截面。硅谷是某一种旧金山式的人群：在创业公司或科技行业工作，这只是社会中很小的一部分。\n\n 我兄弟住在俄亥俄州托莱多，我不觉得你能在那儿找到很多 OpenClaw 用户。但在中国，我觉得你可能去很多不同的地方，都会遇到一些你没想到会用 OpenClaw 的人。\n\n**7 、你们在中国的下一步是什么？打算和开源社区合作、还是云公司、还是企业？有没有具体的计划？**\n\n**Josh**：我没法告诉你任何具体的东西——我不能说我们下一个要谈的是哪家公司。为什么？因为这不是我能决定的事，也不是我现在能做主的。我不是官方代表，我不来自基金会，我不是在替他们发言。\n\n 但有几件事我可以说。第一，我们注意到中国有一个很实际的问题：很多大公司拿了某一天的最新版本，就一直跑那个版本。一旦做了 hard fork ，之后的更新就非常困难。我们来这里，很重要的一个目的就是和他们交流，了解这些问题，改进我们的流程。\n\n 我们希望给大家提供长期 LTS 版本，也就是长期支持版本，这样它足够稳定，大家能长期基于它构建，而不是接口协议一直变化。\n\n 第二，我们注意到中国用户非常分散——有很多微信群，但没有一个统一的地方。我们希望找到一个中心化的位置，能在一个地方和整个社区交流，这样改进产品会容易很多。\n\n 第三，关于更大的组织层面：OpenClaw Foundation 大约两周前才刚成立，正在招人，在和公司、实验室建立连接，尝试把这些流程正式化。\n\n 我不太清楚那边具体发生了什么，Vincent 更清楚。但对话在继续，这对大家都有好处。我希望每个人都能有同等的高质量体验，能在这上面构建出有意思的产品。\n\n**8 、Discord 刚开的时候一下子涌进来 10 万人，完全是混乱的。你从那段经历里学到了什么？如果现在有人想做开源社区，你会给他什么建议？**\n\n**Josh**：我加入 OpenClaw 的时候，PR 编号是 39 和 40——那真的是非常早期。现在项目已经有大概 8 万个 PR 了。我不是 OpenClaw 的员工，也没有拿钱，我来这里只是因为觉得它很酷。\n\n1 月 1 日前后，Peter 邀请我加入，我成了维护者和 Discord 管理员。那简直是一片混乱——一个月内大概就有 10 万人涌进来了。\n\n 那完全不是有意为之的。我们没有说'来，我们要搞个大事情'——它就那么发生了，我们自己也完全懵了。前一千人进来的时候，我就已经觉得很疯狂了；然后一万，然后两万……你盯着那个数字，还是没法相信。\n\n 关于建议，核心判断是：网上 95%的人都是善意的，但总有人来捣乱。所以你必须行动——清晰地说出社区的初衷，透明、开放，把对的人在对的时间连接在一起，想清楚社区和项目真正的需求是什么。\n\n 整个项目没有社区就什么都不是。你可能有了不起的技术，但终究还是看人。\n\n 现在，我们已经在用 OpenClaw 来维护 OpenClaw 本身。\n\n 系统知道它自己怎么工作，知道大家在抱怨什么，知道哪里坏了。我们八个核心维护者之间有共享记忆机制，来保证它能更好的工作。\n\n 本文来自微信公众号[“硅星人 Pro”]( https://mp.weixin.qq.com/s/H2qrjgVxlm7N3YLEUtHyuQ)，作者：Yoky ，36 氪经授权发布。"

感觉 26 年，社会上有一种结构化焦虑， 或者说这种焦虑被放大了， 工作缺乏安全感。 我觉得不仅仅是个人，就是经济不好， 失业的或者在岗， 都有焦虑。 所以大家正在做的解决办法是啥？ 想讨论下， 安抚下大多数人。 我先来， 散步。中午&晚上吃完饭独自一个人走走， 属于自己的放空时间， 又能晒晒太阳，吹吹风。

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 hello欸喂巴蒂 起因很简单------现在Cursor 用久了，工作区积累了一堆对话窗口，每次开新会话都要重新跟 AI 解释一遍背景。 前阵子数了一下，我一个工作区里有 37 个对话，涉及差不多 20 个项目。技术决策、为什么选这个方案、哪些地方不能动全都在里面，想找出来基本等于从头翻一遍。 然后做了这个工具。第一次跑，选了2 个对话提出了 519 条结构化记忆。 怎么用 先看看你有多少对话： npx ai-memory-cli list 然后选几个提取： npx ai-memory-cli extract --pick 3,2 工具自动检测你装了哪些 AI 编辑器（Cursor / Claude Code / Windsurf / Copilot / Codex 都支持），对选中的对话分块并行提取。 结果按类型分：决策 / 架构 / 约定 / TODO / Issue，每条是一个独立 Markdown 文件，放在 .ai-memory/ 下面，git 可追踪。 可视化界面： npx ai-memory-cli dashboard 提取出来能干什么 可以生成 AGENTS.md： npx ai-memory-cli rules --target agents-md 把提取出来的决策和约定写成 AGENTS.md，Cursor / Claude Code 开新会话会自动读这个文件，AI 就不用你再解释背景了。 也可以直接复制上下文给当前会话： npx ai-memory-cli context --copy 搜历史决策： npx ai-memory-cli recall "OAuth" Claude Code 用户还可以生成 Skills，按需动态加载，比 AGENTS.md 更省 token： npx ai-memory-cli rules --target skills 聊天记录里有 API key 或者内部域名的，加 --redact 会在发给 LLM 之前自动脱敏： npx ai-memory-cli extract --redact ai-memory 不需要改任何代码，聊天记录本来就在本地硬盘上，直接去读就好了。 不配 API Key 也能用 内置 DeepSeek-V4-Flash，限 2 个对话/次，体验完整流程够用： npx ai-memory-cli try # 试用，不改任何文件 npx ai-memory-cli extract GitHub： GitHub - hyxnj666-creator/ai-memory: Extract structured knowledge from Cursor & Claude Code conversations into git-trackable Markdown files · GitHub npm： npx ai-memory-cli （内置免费模型，不用配 API Key） MIT 协议 欢迎试用，有问题直接提 Issue 或评论区聊。 1 个帖子 - 1 位参与者 阅读完整话题

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： - 我的帖子已经打上 开源推广 标签： 是 - 我的开源项目完整开源，无未开源部分： 是 - 我的开源项目已链接认可 LINUX DO 社区： 是 - 我帖子内的项目介绍，AI 生成或润色部分已截图发出： 是 - 以上选择我承诺长期有效，并接受社区监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 【开源推广】不是让 AI 替你读论文，而是把论文一点点织进知识库：作为一名在读物理博士，我现在怎么用 Obsidian + Notemd 做论文深读与长期积累 ]( 【开源推广】不是让 AI 替你读论文，而是把论文一点点织进知识库：作为一名在读物理博士，我现在怎么用 Obsidian + Notemd 做论文深读与长期积累 ) 企业版的介绍，会更专注于技术层面与信息层面的探讨。 首先是解决以下三个企业级知识库构建与维护的方面： 你能不能把一堆资料里的关键信息深挖出来，而不是只做表层摘要 你能不能把这些信息压成稳定的知识单元、结构图和可复用节点 你能不能让强模型先把知识库打磨好，然后再让本地模型、小模型、便宜模型基于这些底层知识进行低成本应用 如果从这个角度看， Notemd 真正有意思是它在尝试把知识挖掘、知识结构化和知识本地化这三件事，做成一条可持续复用的工作流。 上次提过的先略过：这次重点看几条技术主线 上一篇已经讲过这些内容，这里不展开： 文件优先，知识直接落在 Obsidian vault 里 不强绑单一 SaaS 或单一模型供应商 支持多 provider、批处理、翻译和工作流按钮以及prompt自定义设置功能 有连接测试、开发者诊断、传输回退和错误时间线 这些还是重要，但这次我更想讲下面几条。 1. 它不是只会“搜一下然后总结”，而是更接近信息深挖器 很多知识库工具的“研究”能力，本质上还是： 搜索一下 抓几段内容 让模型写一段摘要 这当然有用，但如果你真的在做企业知识库、研究资料库、技术 SOP 库、论文资料库，这样是不够的。 Notemd 除了有“网页研究与摘要”这类泛化能力，还提供了一个很适合做证据级提取的能力： 提取特定原始内容 。 这个功能的意义其实很大。它允许你： 预先定义一组问题 让 AI 从当前笔记里逐字抽取能回答这些问题的原始内容 选择逐块处理，或者合并成单次查询 在保留原文的前提下再附加翻译 普通摘要是把内容压缩给你看，提取原始内容则可以用于证据挖掘、证据回填和定向索引。 如果把它放到企业知识库场景里，你会发现它很适合做这些事： 从一堆规范文档里抽出“权限边界”“接口约束”“回滚条件” 从会议纪要里抽出“拍板决定”“未决问题”“负责人” 从论文或研究笔记里抽出“方法假设”“实验条件”“局限性” 从操作手册里抽出“触发条件”“异常分支”“人工介入点” 也就是说，它不是只帮你“看懂”，还在帮你把原始资料里的可用信息挖出来，变成后续知识整理的原材料。 再加上它本来就有： 网页研究与摘要 根据标题生成内容 生成前可选先做网络研究 这让它更像一套“外部信息补充 + 内部原文证据提取”同时成立的工作流，而不是一个单纯的摘要按钮。 2. 它不是只给笔记加链接，而是在做知识点的“单元化” 很多人第一次看到 Notemd ，可能会把它理解成“给 Markdown 自动加 [[wiki-links]] 的工具”。但如果只这么看，其实低估了它。 它真正有价值的部分，在于它把知识点逐步拆成可以独立存在、独立维护、独立复用的单元。 这方面至少分四层： 第一层：自动链接 最直观的就是处理文档时自动识别核心概念，为原文补上 [[wiki-links]] 。 这一步看起来简单，但它做的是把原本一整块线性文本，先切出第一批潜在知识节点。 第二层：概念笔记生成 识别出概念以后，它还能自动创建概念笔记，并且支持： 只生成最简概念笔记 给概念笔记加“链接来源”反向链接 自定义概念笔记输出路径 不修改原文，只做 纯概念提取 这意味着你不是只能在原文上做标记，而是可以把知识点真正拆出来，变成自己的知识节点。 第三层：治理 知识点一旦开始自动生成，马上会出现另一个问题：重复、歧义、命名漂移。 Notemd 已经内置了相对务实的治理能力，比如： 重复概念检查 检查并删除重复概念笔记 可配置输出路径和命名 概念日志与错误日志 这类能力在长期维护的知识库里非常关键。"生成"没有"可控"重要，特别是支持针对特定知识库内进行选择性生成，这在进行知识库管理时尤为重要。 第四层：把知识进一步压成结构图 很多工具做到概念节点这一步就停了， Notemd 更进一步的地方在于，它不是只输出文字，还能把理解压成图结构。 它现在不只支持 Mermaid，还走到了更有意思的一步： Mermaid JSON Canvas Vega-Lite 而且这里最值得说的技术点不是“支持图表”，而是它的图表思路不是简单地让模型直接吐 Mermaid，而是 既针对Mermaid做了数百个测试的鲁棒性优化，又设计了 DiagramSpec 这种规格优先的结构层。 3. 规格优先的图表生成，是这个项目很容易被忽视的创新点 我自己比较在意这个点。 很多 AI 工具做知识结构图，逻辑都是： 给模型一段文本 让模型直接输出 Mermaid Mermaid 报错了再修 这当然能用，但它有个天然问题：模型的“理解结果”和“渲染语法”是耦合在一起的。一旦模型在语法层面出错，你很难判断问题到底出在理解还是出在表达。 Notemd 这里更工程的是： 先让 LLM 产出结构化的 DiagramSpec JSON 再由解析和渲染层去落成 Mermaid / Canvas / Vega-Lite 这件事的意义其实很大： 把“理解”与“渲染语法”解耦 把知识结构从某一种具体图语法里抽出来 让未来的结构迁移、结构复用和多渲染目标输出更自然 如果从知识库建设的角度看，这已经不是“AI 帮我画图”了，而是在做一种更稳定的知识结构表达中间层。 这也解释了为什么我会把它看作知识工程项目，而不是普通的 Obsidian AI 小插件。 另外这里我可以强调一下为什么要针对Mermaid做深入调优： 首先，我们后续的结构优化与设计都是为了做ai基建准备的，是面向LLM的，这是前提； 其次，我们知道，LLM的原生语言(面向人类)之一是Markdown，那么Mermaid就是结构化、图形化的原生语言(面向人类)，传统的图形格式对LLM会有多模态的要求，但Mermaid就是在文本上高质量地传递结构化思想，这是我觉得很值得投入工作优化的原因。 4. 它的“本地化”不只是支持中文，而是把知识尽量沉到本地工作台里 这里谈一下上个贴子中没有展开说的部分：很多人说本地化，第一反应是“有没有中文界面”“能不能翻译成中文”。 Notemd 当前支持数十种语言，除此之外： UI locale 和任务输出语言分离 为不同任务单独设语言 全文翻译和批量翻译 翻译 Mermaid 输出 非翻译任务保留原文语境 但更关键的是，它让知识的组织和继续加工尽量留在本地工作台： 输出回写到本地 vault 概念笔记、翻译稿、图表文件都保留为真实文件 provider 配置可以设备本地保存 可以接 Ollama 、 LM Studio 这类本地模型 也可以接各种 OpenAI Compatible 网关 这意味着什么？ 意味着你可以把“强模型做重活，本地模型做续航”这件事，真正放进同一套知识工作台里，而不是每次都重新搭环境。 5. 我最看重的一个点：它在工作流层面支持“强模型反补弱模型” 这里我想专门展开一下，因为这可能是这类项目里最容易被低估的价值。 先说清楚： Notemd 不是训练框架或参数蒸馏工具，不会直接帮你 finetune 小模型，也不是说你装完以后就自动拥有“蒸馏能力”。 但从工作流的角度看，它确实天然支持一种很实用的事情： 让强模型先把高质量知识语料打磨出来，再让弱模型或本地模型在这个基础上继续工作。 我把这个过程理解成一种“知识层蒸馏”或者“工作流层蒸馏”。甚至是一种针对LLM的反向知识挖掘： 第一步：让强模型干高认知负担的活 例如： 网页研究与摘要 从长文里抽概念并建立链接 生成较高质量的概念笔记 抽取原始证据段落 生成更稳定的结构化图表规格 做双语或多语的第一版知识整理 这一步最贵，但也最值钱。因为它决定了你的知识库起点质量。 第二步：把这些结果沉成可复用语料 沉淀下来的不是一次性的回答，而是： Markdown 原文和整理稿 概念笔记 反向链接 提取出的证据文本 Mermaid / Canvas / Vega-Lite 产物 双语版本或本地语言版本 这批东西某种意义上就是经过强模型“加工过的高质量语料”。 第三步：让弱模型或本地模型拓展后续低成本工作，让高质量语料反补模型 例如： 在已经结构化好的语料上继续做批量翻译 在已有概念节点上做增量整理 在本地知识库里做低成本问答和扩展生成 用本地模型继续维护、修补、格式化和轻量总结 为什么这样有意义？ 因为弱模型最怕的不是参数少，而是输入太乱、语境太差、结构太散。 当强模型已经先把资料变成较干净的知识节点、双语文本、结构图和概念网络以后，后面的弱模型其实是在更优质的地基上工作。 这并不是模型权重层面的蒸馏，但在实际使用里，效果经常和“把强模型的理解能力外化成可复用语料”很接近。 而 Notemd 的价值就在于：它把这个过程落成文件、流程和可持续维护的知识库，而不是停留在一次聊天结果里。 再加上它本来就支持： 不同任务用不同 provider / model 本地模型与云模型并存 输出路径、语言、日志和工作流可配置 所以这套“强模型先开荒，弱模型后续拓展”的思路，在它这里不是概念，而是比较自然能落地的。 更重要的是，在多人物游戏领域、移动端、本地部署等领域，对这类高质量语料反补弱模型是具有天然依赖性的，通过低成本高密度的结构化思想，利用轻量级或底层的多级RAG方案，实现agent世界的低成本优化与管理，这是具有极高价值的。 6. 从技术实现上看，它是有分层的知识处理系统 如果只看表面，很容易把这类插件理解成“几个 prompt + 一个侧边栏”。 但 Notemd 更扎实的地方在于，它其实已经有几层比较清楚的工程分层： 多 provider 注册与统一传输 任务级 provider / model 路由 重试、连接测试、协议感知流式回退 批处理并发、批次间隔、API 调用间隔控制 概念提取、研究摘要、翻译、Mermaid 修复等任务层 DiagramSpec -> Renderer 的结构层 这意味着它不是只在“提示词写得巧不巧”这一层做文章，而是在把知识处理链路本身做成可控制、可诊断、可拆分的系统。 这点对于企业知识库很重要。因为一旦你要处理的是持续增长的知识资产，而不是一两篇笔记，工程性迟早会变成核心问题。 最后 如果你想要的只是“让 AI 帮我写一段摘要”，那市面上选择很多。 但如果你想做的是下面这条链路： 资料 -> 深挖 -> 概念单元 -> 结构图 -> 双语/本地化 -> 持续维护 -> 本地或弱模型继续拓展与完善 那我觉得 Notemd 的方向是很值得看的。它真正专注的是，它在尝试把模型的理解能力，扩展为可维护、可迁移、可继续加工的知识工程系统，是知识库架构的底座，可以与知识库一起生长发展（MIT协议），如果有进一步讨论与需求，可以站内或者github联系我，欢迎提交PR和issue。 下一步的短期计划，完善CLI支持，支持更多图格式。 如果觉得喜欢有所收获就支持一下吧! 欢迎Star与讨论 项目地址： GitHub: notemd github项目 Obsidian Community Plugin: 搜索 Notemd credit.linux.do LINUX DO Credit Linux Do 社区积分服务平台 1 个帖子 - 1 位参与者 阅读完整话题

结构化饮食 早：花生酱抹全麦面包+泡熟鸡蛋的豆浆 中：一两面+蔬菜汤，肉包蛋与鸡胸肉交替加餐 晚：猪肘饭+蛋菜汤 细节 早：拿一张纸垫掰开的面包（抹刀切太慢与不平）用抹刀抹花生酱，合上后在上面抹剩下的酱，豆浆先接一点冷水，倒粉用抹刀初步搅拌，再接热水至2/3，放入熟鸡蛋，抹刀在面包上抹干净后放到包装袋，吃完面包用抹刀控制蛋入口以免呛到，吃蛋时顺便接水以免太干，并吃粒维生素 中：面汤不喝喝菜汤，菜汤多捞菜，加餐泡在菜汤里热一下，豌豆可以打，泡菜少打，回来买了黄瓜就吃一根 晚：饭不要卤汤，蛋菜汤多捞菜，肥肉不吃，猪皮可以吃，饭不吃完留1/5。狼牙土豆、炒河粉、凉面、油焖茄子、辣拌黄瓜尽量不吃，要吃限制三块或一小撮，有海带丝可以夹海带丝 1 个帖子 - 1 位参与者 阅读完整话题