今天在 GitHub Trending 上看到一个有意思的项目：OpenBiliClaw，一个本地运行的跨平台内容推荐 AI Agent——先深度理解你，再带着对你的理解主动跨平台搜寻你会喜欢的内容，支持 B 站、小红书、抖音、YouTube、X、知乎、Reddit 等 12 个平台，数据 100% 留在本地。

一、项目概述

现代推荐系统本质上是"中间商"——平台站在海量内容和海量用户之间做匹配分发，权重由平台决定，优化目标是留存和变现，用户满意度只是手段而非目的。结果是推荐越来越像你已经看过的东西，信息茧房越裹越紧。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。

OpenBiliClaw 反过来。 它是一个本地运行的 AI Agent，先深度理解用户，再根据理解跨平台主动探索内容，从 B 站起步，现已扩展为通用跨平台方案：

  • 本地优先：核心行为、推荐和对话数据存在本地 SQLite，不上云
  • 跨平台覆盖：B 站 · 小红书 · 抖音 · YouTube · X · 知乎 · Reddit · Linux.do · Bangumi · V2EX · 微博 · 开放 Web
  • 可调教：喜欢/不感兴趣、聊天反馈都会持续更新画像
  • 多种接入方式：Chrome 插件、桌面 Web 界面（/web）、移动端 Web（/m）、Flutter 原生 App（独立仓库）、DeepSeek Harness 插件

二、技术原理

2.1 五层心理画像系统

OpenBiliClaw 的核心是一个五层灵魂画像引擎，逐层抽象用户心理特征：

事件层（Events）→ 偏好层（Preferences）→ 觉察层（Awareness）→ 洞察层（Insights）→ 灵魂层（Soul）

这不是简单的标签系统，而是通过 LLM 从用户行为和对话中持续提炼深层心理需求，理解的是"你这个人"，不只是"你的点击记录"。例如：一个关注机械表的人可能也会喜欢建筑美学，一个看量子物理科普的人可能对哲学感兴趣——系统用心理学桥接逻辑主动出击。

2.2 主动探索 vs 被动匹配

传统协同过滤只推荐"从这条路径走过的人最终都去了哪里"的内容，无法推给你"没人从这条路径走过"的内容。OpenBiliClaw 的探索策略则不同：基于对你的理解主动猜测可能感兴趣但从未接触过的领域，猜对了升级为正式兴趣，猜错了安静退出，不打扰用户。

2.3 架构设计

┌──────────────────────────────────────────────────────┐
│                    Chrome 插件                         │
│   （平台交互 · Cookie 同步 · 平台任务调度）            │
└──────────────────┬───────────────────────────────────┘
                   │  HTTP / WebSocket
┌──────────────────▼───────────────────────────────────┐
│              本地 FastAPI 后端（:8420）                │
│  ┌──────────────┬────────────────────────────────┐   │
│  │  画像引擎   │  跨平台内容发现引擎              │   │
│  │  Profile    │  Discovery                      │   │
│  └──────┬──────┴──────────────┬─────────────────┘   │
│         │                      │                      │
│  ┌──────▼──────────────────────▼───────────────┐     │
│  │              LLM 层                         │     │
│  │  （OpenAI / Anthropic / Gemini / 本地 Ollama）│     │
│  └────────────────────────────────────────────┘     │
│  ┌────────────────────────────────────────────┐     │
│  │          本地 SQLite 数据库                  │     │
│  │   信号 · 画像 · 推荐 · 配置 · 缓存           │     │
│  └────────────────────────────────────────────┘     │
└──────────────────────────────────────────────────────┘

后端基于 FastAPI + Pydantic v2，依赖管理使用 pyproject.toml（Hatch 构建系统），版本 0.3.205：

# 核心依赖（pyproject.toml）
dependencies = [
    "httpx[socks]>=0.27",
    "scrapetube>=2.1",          # YouTube 抓取
    "yt-dlp>=2024.1.0",        # 多平台视频下载/元数据
    "bilibili-api-python>=16",  # B 站 API
    "openai>=1.0",
    "anthropic>=0.40",
    "google-genai>=1.66",
    "websockets>=13",           # 实时推送
    "Pillow>=10.0",
    "fastapi>=0.115",
    "rich>=13",
    "typer>=0.12",
    "pydantic>=2.0",
    "apscheduler>=3.10",
    "uvicorn>=0.32",
]

2.4 容器化部署

项目提供了多架构 Docker 镜像（linux/amd64、linux/arm64、linux/arm/v7），可在树莓派、Mac M 系列、x86 Linux、Windows Docker Desktop 上无缝运行：

FROM python:3.11-slim
WORKDIR /app
COPY pyproject.toml ./
RUN python -c "..." \
    && pip install -r /tmp/requirements.txt
COPY README.md config.example.toml ./
COPY src ./src
RUN pip install --no-deps .
EXPOSE 8420
CMD ["python", "-m", "openbiliclaw.docker_runtime", "serve-api", "--host", "0.0.0.0", "--port", "8420"]

三、安装与快速开始

3.1 环境要求

  • Python 3.11+
  • Docker（可选，用于容器化部署）
  • Chrome 浏览器（安装插件）

3.2 最简安装（桌面安装包）

  1. 从 Latest Release 下载桌面安装包（macOS .dmg / Windows .exe）
  2. 安装后自动在菜单栏/托盘运行，无需手动启动后端
  3. 从 Chrome 应用商店安装 浏览器插件

3.3 AI 助手部署后端

把下面这句话粘给 Claude Code / Codex CLI / Cursor 等 AI 编程助手即可自动部署：

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）

3.4 Docker 部署

# 多架构镜像一行启动
docker run -d \
  --name openbiliclaw \
  -p 8420:8420 \
  -v ~/.openbiliclaw:/data \
  ghcr.io/whiteguo233/openbiliclaw:latest

3.5 连接来源并初始化

  1. 在浏览器登录 B 站（默认初始化来源），或改选其他平台
  2. 打开 http://127.0.0.1:8420/web 访问桌面端界面
  3. 手机扫码访问 http://<电脑局域网IP>:8420/m/（移动端 Web）

四、使用方法与实战

4.1 智能推荐

系统基于画像主动推送内容，每条推荐都附带"像朋友一样"的推荐理由，而非简单的"猜你喜欢"：

# 推荐请求（内部逻辑示意）
async def generate_recommendation(user_profile: Profile, platforms: list[str]) -> list[ContentItem]:
    # 1. 基于画像生成探索意图
    intent = profile_engine.generate_exploration_intent(user_profile)
    # 2. 跨平台并行发现
    results = await asyncio.gather(
        *[platform.discover(intent) for platform in platforms]
    )
    # 3. LLM 排序并生成推荐理由
    ranked = llm.rank_and_explain(user_profile, flatten(results))
    return ranked

4.2 对话调教

通过自然语言对话持续更新画像：

用户：我最近对东方美学很感兴趣
系统：好的，已记录。你的画像新增「东方美学」这一探索方向，
     我会主动在 B 站、知乎、小红书等平台为你发现相关内容。

4.3 反馈机制

  • 👍 喜欢 / 👎 不感兴趣：直接影响后续推荐
  • 收藏 / 稍后再看 / 30 天历史：全部保留在本地

五、常见问题与解决方案

Q: 首次启动后端连接失败？ 确保端口 8420 未被占用，后端支持 --host 和 --port 参数自定义：

openbiliclaw serve-api --host 0.0.0.0 --port 8420

Q: 推荐质量不高？ 画像需要时间积累。初期多通过对话和反馈（喜欢/不感兴趣）调教，系统会在 1-2 周后显著提升推荐精准度。

Q: 如何更换 LLM 提供商？ 配置文件支持 OpenAI / Anthropic / Google Gemini / 本地 Ollama，修改 config.toml 中的 llm.backend 字段即可。

Q: Docker 部署内存占用高？ 精简版安装包首次启动会自动下载 bge-m3 向量模型（~1GB），如网络条件允许可选择 -with-embedding 完整版离线运行。

Q: 想接入更多平台？ 项目采用插件化架构，新平台接入可参考现有平台实现（位于 src/openbiliclaw/sources/）。

六、总结

OpenBiliClaw 是一次对"推荐系统权力关系"的翻转实验——不是让平台决定你看什么，而是让 AI Agent 基于对你的理解主动去找。12 个平台的数据汇聚在一个本地 SQLite 中，用心理学画像而非协同过滤来破茧，全程无需上云。这个思路本身，比项目本身更值得关注。