OpenBiliClaw 深度实操：一个真正「为你」跑的内容发现 Agent，而不是给平台的 DAU 打工

现在的B站、小红书、抖音等国内内容平台的推荐系统，就像看一个老朋友慢慢跑偏。

早期推荐是雪中送炭——你不知道看什么，平台帮你找。后来变成了什么？变成了平台的 DAU 增长机器。算法优化的不是「你喜不喜欢」，而是「你点不点、待多久、能不能多看一条广告」。结果是啥？信息茧房越来越厚——你点过一次健身视频，接下来三个月全平台都在给你推蛋白粉。

这还不是最糟的。更致命的是：

跨平台的内容孤岛。 我在 B 站看技术评测，在小红书刷家居改造，在 X 上追开源动态——这些兴趣分布在完全不相通的黑盒子里。没有任何一个推荐系统知道我「同时」对这三个方向感兴趣。平台的推荐只在自家一亩三分地里转。

推荐是黑箱，你没有话语权。 你没法告诉推荐系统「最近我对这个腻了」「今天心情不好不想看悲剧」「这个方向我想深挖」。你只能被动地刷，点或不点。

最后一点：你的数据不属于你。 平台知道你最隐秘的阅读偏好、情绪周期、认知倾向——这些数据在它们的服务器上，用来优化广告收入，而不是服务你。

这就是 OpenBiliClaw 要解决的问题。它不是又一个推荐引擎——它是一个完全为你一个人跑的内容发现 Agent。

二、上手实操——从装到用，我完整走了一遍

第一步：装插件 + 跑后端

我选了桌面安装包路线，Windows 系统：

下载 .exe 安装包（我选了带 embedding 的完整版，~1.1GB，内置 bge-m3）。装完之后系统托盘多了一个图标，双击打开，浏览器访问 http://127.0.0.1:8420/web。

实操注意： 如果你不想下那个 1.1GB 的完整包，精简版 + 后面通过 openbiliclaw setup-embedding 也能补上本地 embedding 能力，只是多一步配置。

然后装 Chrome 插件——直接从 Chrome 网上应用店搜 OpenBiliClaw，正常安装。

这一步让我觉得舒服的是：插件只负责采集行为信号 / Cookie 同步，所有数据写回本地后端的 SQLite，不存在「插件把数据发到别人服务器」这回事。隐私上没心理负担。

第二步：连接内容源——把平台串起来

装好插件后，在已登录的浏览器里依次打开了：

• B 站（已登录状态，插件自动捕获会话）
• 小红书（同样自动）
• YouTube（同样）
• X/Twitter

每个平台在后端的「来源管理」页面上显示为一个独立卡片，有证据强度标记——绿色的 live_probe 表示活跃会话。

实操感受： 这个「来源管理」页面的设计很产品——每个来源的接入状态、心跳健康度、最近活跃时间一目了然。不像某些工具全塞在一个黑箱配置里，连哪个源断了自己都不知道。

第三步：初始化——让它「懂」我

这一步是最有意思的。我跑了：

openbiliclaw init

这个命令干三件事：拉取我的历史行为数据、生成初始心理画像、跑第一轮内容发现。

跑完之后我去看了画像：

openbiliclaw profile

输出的内容让我有点意外——它猜了我的 MBTI（给了 INTJ，置信度 72%），还列出了几个猜出来的兴趣方向：分子料理、建筑美学、开源 LSP 协议实现。

实操感受： 它不是简单地统计我点了什么视频标签，而是基于行为模式去做「推测」。它发现我在 B 站反复看技术底层原理类内容，在小红书看了不少设计细节分析，然后跨平台做了交叉推断。这种「5 层灵魂引擎」的画像架构——事件→偏好→觉察→洞察→灵魂——在底层设计上是扎实的。

最让我惊喜的是它推了一个叫「制表工艺」的兴趣探针。我确实对机械表芯结构感兴趣，但我从来没在任何平台搜索或点赞过相关内容。它说：

「我注意到你在多个平台上关注精密机械结构类内容（相机镜头、CPU 微架构、钟表拆解图鉴），推测你可能对制表工艺感兴趣，猜对了吗？」

这是跨平台兴趣融合在真实起作用。

第四步：日常使用——怎么和它交互

我试了几个核心操作流程：

4.1 刷推荐主页

打开 http://127.0.0.1:8420/web，首页是「惊喜推荐 Hero」卡片 + 推荐网格。第一个 Hero 推的是一个 B 站的 Rust 异步运行时实现讲解视频，推荐理由写的是：

「你最近研究了 Linux epoll 实现，又追了 Tokio 的源码分析，这篇把两条线串起来了。」

这个推荐理由的粒度，和「猜你喜欢」完全不是一个物种。它像是一个懂你的朋友在给你安利东西。

不满意可以点**「换一批」**——实测响应在 0.6 秒左右，瞬间刷新。

4.2 反馈闭环

每张卡片下面五个按钮：👍 / 👎 / ⏰ 稍后看 / 📌 收藏 / 💬 聊一聊。

我点了一个不感兴趣，左下角出现了一个 10 秒倒计时屏障——10 秒内可以撤销提交。这个设计很聪明：防止误操作，也防止情绪化的一票否决。

点「聊一聊」之后弹出了对话窗口，我问它为什么要推这个给我。它说：

「这条内容来自 X 上你关注的作者，他最新发的一篇 thread 和你上个月收藏的 B 站视频《LLM 推理加速》是同一个方向……我觉得你会喜欢这个角度的延伸。」

这个「为什么推荐」的透明性，是传统推荐系统打死都不会给你的。

4.3 对话调教

我试了直接和它聊：「最近想看看智能家居方向的深度评测。」

它不是直接去搜「智能家居评测」——它先反问了我几个问题：

「你对智能家居的哪个维度更感兴趣——协议层面（Matter / ZigBee）、产品体验（生态互联性）、还是供应链方案？」

我选了产品体验。然后它说：

「好，我理解你想要的是跨品牌生态互联的真实体验分析，而不是单品评测。我会从 B 站、小红书和 YouTube 三个源去找这类内容。」

然后过了一分钟左右，推荐列表里就多了一批智能家居生态横评的内容，来源分别来自三个平台。

实操感受： 这个「苏格拉底式追问」是灵魂引擎 + 发现引擎串起来在工作。对话不仅触发了内容发现，还把对话内容自动写回了灵魂画像——下一次推荐画像里会多一条「跨品牌生态互联→产品体验」的兴趣权重。

4.4 避雷探针

隔了一会儿，系统主动弹了一个问题：

「我注意到你最近避开了纯开箱评测类内容，是不是对这种 format 不太感兴趣？」

点确认之后，后续推荐里开箱评测类的内容权重明显下降了。这个主动确认而不是默认过滤的设计，避免了推荐系统常见的「误判一个负面信号就彻底切断一个兴趣方向」的问题。

三、到底有哪些真正有用的事

从我用了几天的实际体验来看，几个真正落地的场景：

1. 跨平台兴趣聚合
我同时追 GitHub 开源项目、B 站技术评测、小红书家居改造。以前需要在四个 App 之间切来切去。OpenBiliClaw 把这三个方向的推荐拉到同一个时间线里，而且能跨平台做关联——比如在小红书看到一篇家居改造帖，它关联推了 B 站上同一位 Up 主的完整装修 vlog。

2. 深度研究某个方向
当我想系统性地了解「AI 编程助手架构」这个方向时，不是搜一个关键词看一条视频。我告诉它想深入这个方向，它从 B 站搜教程、从 GitHub 找开源项目讨论、从 X 找相关作者的 thread、从 YouTube 找深度 talk——一个方向跨全平台搜罗。这个能力对于做技术调研的人来说价值极大。

3. 内容「祛茧」
我最直观的感受是：它推荐的很多内容如果只刷 B 站首页，我根本看不到。因为那些内容和我已有的兴趣有「距离」——平台算法不会冒这个险，但它会。它赌的是「我跨平台理解了你这个人」，而不是「你在本平台点过什么」。

4. 本地私有数据
所有数据都在 ~/.openbiliclaw/data/ 下的 SQLite 文件里。我可以随时导出、备份、甚至自己写脚本分析我的阅读行为模式。这在任何一个平台上都是不可能的——数据是你的，但平台不给你。

四、不是没有槽点

平心而论说几个问题：

1. 模型成本。 它的灵魂引擎、推荐理由生成、对话调教都需要 LLM 推理。我用 DeepSeek 的 API，一天重度使用的 API 费用大概在 2-3 块人民币。不多，但不是零成本。如果用闭源大模型会更贵。
2. 初始画像需要冷启动时间。 刚装上的头一两个小时的推荐质量一般，它需要积累足够的行为数据才能做跨平台画像融合。
3. 插件采集的范围需要更精确控制。 目前插件在后台读取浏览行为，虽然数据只写本地，但一开始我有点担心「它到底读了什么」。虽然项目文档说了只读「画像信号」不上传，但给用户一个精细化的采集范围配置面板会更好。

五、总结

OpenBiliClaw 这个项目给我的感觉是——它不是在做一个「更好的推荐算法」，而是在重新定义推荐系统这个产品形态本身。

传统推荐是 B2C 的：平台有内容，推荐给用户，优化的是平台的 KPI。
它做的是 C2B 的：用户有自己的 Agent，主动去各个平台找内容，优化的是用户的体验。

五层灵魂引擎的画像设计、跨平台兴趣融合、苏格拉底式对话调教、10 秒可撤销反馈屏障——这些设计都不是花架子，每一个都对应着一个真实的产品缺陷。

如果你也受够了被平台推荐算法喂到嘴里的内容，如果你想要一个真正为你服务、而不是为平台 DAU 服务的内容发现系统——这可能是目前最好的选择。

项目地址：https://github.com/whiteguo233/OpenBiliClaw