在自己电脑上跑跨平台内容发现 Agent（OpenBiliClaw）

你在 B 站看了三年机械键盘，小红书并不知道；小红书种草的咖啡器具，B 站也从来不推。各平台推荐系统把点击率、完播率、停留时长、留存、广告收入等十几个目标加权成一个分数排序，权重由平台定，用户满意度在其中只是达成留存与变现的手段。

OpenBiliClaw 用 Python 写后端，是一个本地优先的内容发现 Agent，读取你授权的平台账号与反馈，跨平台找出你可能感兴趣的内容。

它的形态分两半：浏览器插件复用已登录的平台会话，负责抓取平台内信号与展示推荐卡片；本地后端负责画像、检索与排序，默认监听本机 8420 端口，行为、推荐与对话数据写在本机 SQLite。项目从只支持 B 站起步，自 v0.3.0 起扩展为跨平台，当前覆盖 B 站、小红书、抖音、YouTube、X、知乎、Reddit、Linux.do、Bangumi、V2EX、微博、GitHub 与开放 Web。源码仓库是 whiteguo233/OpenBiliClaw，MIT 许可证，主要语言 Python。

主要功能

功能沿数据流向展开，从平台信号进入本机，到画像沉淀，再到推荐输出。

• 跨平台信号接入。覆盖 B 站、小红书、抖音、YouTube、X、知乎、Reddit、Linux.do、Bangumi、V2EX、微博、GitHub 与开放 Web。其中 Linux.do、Bangumi、V2EX、微博与 GitHub 可以公开发现；需要账号态的来源，复用已安装的浏览器插件；GitHub 由后端官方 REST API 匿名读取公开 repository，可用公开用户名把 starred repositories 当作初始化信号，PAT 只是可选的提额与身份校验方式。
• 五层灵魂画像。行为信号逐层沉淀为「事件 → 偏好 → 觉察 → 洞察 → 灵魂」五层结构，并推断 MBTI、认知风格与深层心理需求。画像既有自然语言描述的版本，也有 MBTI、核心特质、深层需求这类结构化特质视图。
• 主动探索。系统依据画像猜测你可能感兴趣、但从未接触过的领域，猜对升级为正式兴趣，猜错则退出。协同过滤推不出「没人从这条路径走过」的内容，这一层是用来补这个缺口的。
• 反馈调教。推荐卡片上有 喜欢 / 不感兴趣 / 稍后 / 收藏 / 聊一聊 几个入口，也可以在对话里直接说想看什么。反馈会改变后续推荐结果。
• 本地优先与自带密钥。行为、推荐与对话数据留在本机 SQLite，配置、画像、凭据与缓存也只保存在本机文件。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。项目没有官方云端账号。
• 多端入口。桌面端 Web 在 /web，移动端 Web 在 /m，另有独立仓库的原生 Flutter 客户端 OpenBiliClaw-mobile，覆盖 Android / iOS / Web / 桌面；还有把同一套面板搬进 DeepSeek Harness 的 DSH 插件，常驻第四栏并注册 22 个 Agent Bridge 工具。
• 应用内 Tailnet 远程访问。不在同一局域网时，可让电脑端 OpenBiliClaw 自己加入同一 tailnet。入口默认关闭、只在 tailnet 私网可见，不启用 Funnel/Serve。凭据只在本机私有暂存到下一次启动，不进入 config.toml、API 回显或日志。
• Skill 扩展。仓库有 skills/ 目录与 config.example.toml 配置模板，支持换 LLM、改画像、写 Skill。

安装与依赖

普通用户走四步，源码与 Docker 属于备用路径。浏览器插件从 Chrome 应用商店一键安装、自动更新，或从 Latest Release 下载 zip 手动安装；商店版可能滞后几天，最新功能先到手动包。

后端从同一个 Latest Release 下载桌面安装包，macOS 用 .dmg，Windows 用 .exe，装完常驻菜单栏或托盘。每个平台有两种包：精简版默认，首次启动自动下载向量模型 bge-m3；-with-embedding 完整版内置 bge-m3（约 1.1GB），离线开箱即用，网络差的选它。

源码部署没有提供 Shell 脚本，README 给的做法是把一段说明粘给 Claude Code、Codex CLI、Cursor 这类 AI 编程助手，让它按 docs/agent-install.md 执行。后端是 Python 项目，仓库根目录有 pyproject.toml 与 uv.lock；Tailnet helper 的构建需要 Go 1.26.6。仓库里另有 Dockerfile 与 docker-compose.yml、docker-compose.prebuilt.yml、docker-compose.https.yml 三个 compose 文件，README 把 Docker 归在备用部署路径。桌面安装包目前是实验性的，未签名也未公证。

最短能跑通的用法

# 1. 装浏览器插件（Chrome 应用商店，或 Latest Release 的 zip 手动安装）
# 2. 从 Latest Release 下载并安装桌面后端（.dmg 或 .exe）
# 3. 在装了插件的浏览器登录 B 站（或改选其他来源）
# 4. 打开桌面 Web 界面
http://127.0.0.1:8420/web

后端启动后，浏览器直接打开 http://127.0.0.1:8420/ 会自动跳转到桌面端首页。手机在同一局域网里扫插件二维码，用 http://<电脑局域网 IP>:8420/m/ 打开移动端，保存到主屏幕可以当 App 用。首次启动会进入初始化画像与推荐池的流程。

关键参数

仓库给出 config.example.toml（48.2 KB）作为配置模板，实际运行时用 config.toml；凭据不会写进 config.toml，也不进 API 回显与日志。模板里的具体字段以该文件为准。

• 监听端口。后端默认 8420，桌面 Web 在 /web，移动 Web 在 /m。
• LLM。默认使用你自己的 API Key。
• 安装包两档。精简版首启下载 bge-m3；-with-embedding 完整版内置该模型。
• Tailnet。在网页「设置 → 通用 → 应用内 Tailnet 远程访问」里开启，凭据可以留空走网页登录，或填 tskey-auth-… Auth Key，或填带授权设备 tag 的 tskey-client-… OAuth Client Secret。源码安装先跑 openbiliclaw tailnet build-helper（需要 Go 1.26.6），再跑 openbiliclaw tailnet enable 并重启。
• 访问密码。源码安装可执行 openbiliclaw set-password，网页设置里也能开启应用密码。
• 源码常量。Issue 里有用户为适配 qwen3.8-27B 在 24G 显存上的上下文长度，手动改了 src/openbiliclaw/soul/cognition_cycle.py 里的 _AWARENESS_EVENT_BATCH_SIZE 等常量。

结果在哪里看

推荐结果和画像都在本机，几个入口读的是同一份数据。

• 桌面端 Web：http://127.0.0.1:8420/web，大屏推荐首页，包含惊喜推荐 Hero、推荐网格与朋友式的推荐理由。
• 移动端 Web：http://<电脑局域网 IP>:8420/m/。
• 浏览器插件：在平台页面内展示推荐卡片，同时负责 Cookie 同步和平台任务。
• Flutter 客户端：独立仓库 OpenBiliClaw-mobile 覆盖 Android / iOS / Web / 桌面，在设置里填后端地址即可连同一后端。
• DSH 插件：面板常驻 DeepSeek Harness 第四栏。

数据落盘位置是本机 SQLite，配置文件、画像、凭据与缓存都是本机文件。

实际使用中的坑

仓库当前有 27 个开放 Issue，挑几条有代表性的。

• 初始化卡在 49%。有用户使用 Windows 0.3.165 安装包，卡在初始化画像和推荐池两个小时，进度一直停在 49%。该 Issue 状态为已解决，15 条评论。
• 偏好只能被动推断。有用户反馈软件只能靠行为推断偏好，不能由用户主动选择偏好，导致一开始推荐就是错的，怎么点不喜欢都没用；通知部分只有点赞和点踩按钮，没有「确认避雷」「喜欢」「不喜欢」「搁置避雷」这类文字提示，容易点错。该 Issue 状态为已解决。
• 小红书图片 502。有用户第一天正常，之后图片全部挂掉，GET /api/image-proxy?url=... 返回 502 Bad Gateway，浏览器保持登录也没用。该 Issue 状态为已解决。
• ZeroTermux 环境启动失败。在 Android 16 的 ZeroTermux 里手动部署后无法启动，报 cryptography 缺少 PyExc_Warning 符号。该 Issue 状态为已解决。
• 两个功能请求仍待解决。一是「深潜研究」/「专题探索」，希望支持用户主动发起某一方向的定向搜索与聚合；二是抓取 B 站 /x/player/v2 的官方 CC 字幕 JSON 来增强内容理解，维护者已确认全栈 ASR、切帧、OCR 对个人用户成本太高，字幕这条算是折中方案。

和同类放在一起看

这三者能解决部分相同的问题，重合点在推荐这件事本身，不重合的地方在于它们不抓取平台内容、不做个人画像、也不提供现成的界面。要说 OpenBiliClaw 明显不如对比项的地方：如果你想训练或评测自己的推荐模型，它帮不上忙——画像与推荐由 LLM 加本地 SQLite 记忆承担，仓库里没有模型训练与离线评测的流程。

授权与合规前提

OpenBiliClaw 通过浏览器插件复用已登录的平台会话读取内容，也会抓取平台接口数据，合规责任落在使用者身上。它只适合用在你自己拥有、或已获得明确授权的账号与目标上。用他人的账号会话运行，或者把抓取到的内容对外再分发，可能违反平台服务条款，也可能触及法律风险，账号本身存在被限制或封禁的可能。项目不运营云端服务，也没有替你向任何平台申请授权。

适合谁

适合同时刷多个平台、希望推荐逻辑围绕自己而不是围绕平台留存来转的人；适合在意数据归属，愿意把行为与画像留在本机 SQLite 的人；也适合手上已有 LLM API Key、接受自己调配置的开发者。

不适合想开箱即用、完全不碰配置的用户，桌面包目前未签名也未公证，macOS 首次打开可能被系统拦截。不适合只想在单一平台内提升推荐质量的场景，那种需求用平台自带推荐加关键词过滤就够了。不想承担 LLM 调用成本、又不接受本地小模型效果损失的人，要先想清楚这一点再动手。

焚评：这个项目的量化评分

本项目的选题来自 焚.com（一个按公开公式给 GitHub 项目打分的站）。焚评当前总分 9.6 分（满分 10）。下表是各维度的得分：

评分口径、权重与计算方式见焚.com 的评分方法页；数据随 GitHub 指标刷新，具体数值以焚.com 当前页面为准。本文正文为诀.com 独立撰写，评分数据由焚.com 授权引用。