就在你电脑上的个人推荐智能体

现代社交网络中的推荐算法早已不再为用户服务。平台优化的是用户留存率、观看时长和广告展示量。如果你看了几个关于修理咖啡机的视频，你的推荐页在接下来两周都会被这类内容淹没。更糟糕的是，数据是碎片化的：你在 Reddit 上读的内容或 YouTube 上看的视频，与你在其他网站上的个人资料毫无关联。

最近偶然发现了一个有趣的项目——OpenBiliClaw。作者最初为哔哩哔哩构建了一个解析器和推荐系统，但很快将这个想法发展成了更引人入胜的东西：一个本地 AI 智能体，从数十个平台聚合你的兴趣，构建心理画像，并独立在网上搜索内容。

它是如何工作的

整个系统以本地优先为原则运行。核心是一个本地 Python 服务器、一个 SQLite 数据库，以及通过本地 Ollama 运行 bge-m3 模型实现的向量搜索。

浏览器扩展拦截你在支持网站上的反应、书签和历史记录。数据不会发送到任何地方：它保存在本地数据库中。支持的平台列表令人印象深刻：YouTube、Reddit、X（Twitter）、Bilibili、小红书、抖音、知乎、Linux.do、Bangumi、V2EX，以及普通网页。

该智能体不依赖基于词汇重叠的简单标签匹配，而是构建了一个五级兴趣模型（事件、偏好、注意力模式、洞察和整体人格画像）。该模型尝试判断你的信息感知风格，甚至推断你的 MBTI 类型。

引起我注意的关键特性

尝试猜测隐藏的兴趣

常规推荐系统遵循协同过滤的老路。如果几百个人在看完视频 A 后都看了视频 B，你就会看到视频 B。

OpenBiliClaw 的工作方式不同。该智能体尝试构建关联桥梁。如果你在研究机械表的工作原理，系统可能会建议你关注参数化建筑或工业设计。它会将这类发现以「假设」标签混入你的信息流中。如果你反应积极，该主题就会被锁定到你的个人资料中。如果没有，智能体就会停止推荐。

人类可读的推荐解释

对于每个内容卡片，智能体都会生成自然语言解释。它不会写标准的「你可能喜欢这个」，而是写一条详细的评论，比如：「你上周在探索宏观经济，这个视频的作者用土地拍卖的例子分析了债务周期。」

对话式校准

你可以通过内置聊天与智能体交流。如果推荐跑偏了，只需用文字描述出来。智能体以苏格拉底式风格提出澄清问题，弄清细节后立即重建数据库中候选内容的评分。

完全自主和隐私保护

服务端不需要项目作者提供的第三方云账户。所有 30 天的浏览历史、书签和个人资料都存储在一个 SQLite 文件中。对于推理，你可以连接自己的 API 密钥到 OpenAI、Claude、DeepSeek、Gemini，或通过 Ollama 部署本地 LLM。

如何部署和体验

对于基本启动，开发者为 macOS 和 Windows 提供了包含嵌入式 Ollama 的现成二进制文件，以及自动化安装脚本。

如果你习惯通过终端控制一切，可以通过 uv 或标准 venv 启动项目：

# Клонируем репозиторий
git clone https://github.com/whiteguo233/OpenBiliClaw.git
cd OpenBiliClaw

# Ставим зависимости через uv
uv sync

# Копируем и настраиваем конфиг
cp config.example.toml config.toml
vim config.toml

在 config.toml 文件中配置 LLM 密钥或本地推理服务器地址。然后运行初始化并启动后台服务：

# Настройка локальных эмбеддингов
uv run openbiliclaw setup-embedding

# Первичный сбор данных и построение портрета
openbiliclaw init

# Запуск фонового демона и веб-интерфейса
openbiliclaw start

启动后，Web 界面可在 http://127.0.0.1:8420/web 访问。对于移动设备，有一个自适应版本在 /m/，作者正在另一个仓库中构建 Flutter 客户端。

对于与 OpenClaw、Hermes 或 Cursor 等外部 AI 智能体的集成，仓库中包含一个 Agent Bridge 适配器。另一个智能体可以通过 CLI 或 WebSocket 查询 OpenBiliClaw，直接将有趣的文章发送到你的工作聊天中。

总结

这个项目有明确的地域重点：很大一部分中文来源（哔哩哔哩、小红书、知乎）可能不会引起俄语开发者的兴趣，除非你在学习语言或关注亚洲市场。

另一方面，该架构是开放的，可以扩展。Reddit、YouTube 和任意网页的模块已经可以在这里工作。把推荐算法从公司手中拿回来放到你自己的电脑上，用本地语言模型控制它的想法感觉很新鲜，而且可行。如果你厌倦了信息流中的垃圾内容，想尝试个人智能体，这个项目绝对值得克隆和探索。