AI养虾实战笔记:从 OpenClaw 到专属知识库

1. 筑基：四份核心配置文件

OpenClaw 的行为主要由四份文件定义，理解它们是"养虾"的第一步：

💡 心得：这四份文件是"龙虾"的基因。配置越精细，AI 越能理解你的上下文和偏好。相当于给 AI 装了一套"你是谁 + 它该怎么做"的操作系统。

🔗 OpenClaw: github.com/openclaw/openclaw

2. 装技能：Skill 体系

OpenClaw 的能力通过 Skill 插件扩展，每个 Skill 是一个独立的能力包。

书镜（Book-Mirror）实践

• 功能：上传一本书，AI 快速生成核心要点解读

• 效果：几分钟读完一本书的精华，提取关键方法论

• 沉淀：解读结果对接 AIWiki，形成可检索的专属知识库

💡 心得：一本书读完不是终点，把精华结构化沉淀到知识库才是。书镜解决"输入"，AIWiki 解决"留存"。

🔗 书镜（Book-Mirror）：github.com/garrytan/gbrain/tree/master/skills/book-mirror

3. 上规模：从情报到知识图谱的闭环

单本书的沉淀很好，但真正的知识体系需要"自动生长"。核心是这条链路：

Sembr（情报采集）→ AI Wiki（知识结构化）→ LLM Wiki Desktop（桌面浏览）

3.1 Sembr — 自动情报采集

• 定位：自托管的"意图雷达"（Reverse RAG）

• 原理：不等人问——持续轮询 RSS/API 信源，按预设意图匹配文章

• 技术栈：Python + Qdrant + BGE-M3 向量模型 + LLM 摘要

• 特点：71 个内置信源 + 可自定义 RSS 订阅，自动语义匹配 → 摘要生成 → 推送通知

信息来源（RSS/API）  ↓ 自动采集（60min 轮询）Qdrant 向量库（BGE-M3 嵌入）  ↓ 语义匹配（threshold 0.55）意图匹配 → LLM 摘要生成  ↓飞书通知 / 自动入库

🔗 Sembr: github.com/Peakstone-Labs/sembr

3.2 AI Wiki — 知识结构化

• 定位：让零散信息变得可检索、可复用

• 流程：Sembr 采集的文章 → 自动摘要 → 按主题分类 → 结构化入库

• 价值：从"看过就忘"变成"随时可查的结构化知识"

🔗 AIWiki：github.com/iTradingAI/aiwiki

3.3 LLM Wiki Desktop — 桌面知识图谱

• 定位：知识库的应用层与浏览入口

• 核心功能：以知识图谱方式呈现领域全貌，展示概念之间的关联

• 独特价值：快速建立对一个陌生领域的体系化认知——普通搜索和碎片化阅读无法替代

传统方式：搜索 → 碎片信息 → 自行拼图LLM Wiki：打开 → 知识图谱 → 一目了然

🔗 LLMWiki Desktop: github.com/nashsu/llm_wiki

一句话：Sembr 自动扫 → AI Wiki 自动存 → LLM Wiki 桌面看。你只需要偶尔在飞书里扔链接，知识库自己长。

4. 案例展示：资本周期观察池

知识库不是终点，应用才是。以资本周期观察池项目为例：

• 输入：Sembr 自动采集相关领域资讯

• 处理：AI Wiki 结构化沉淀

• 输出：LLM Wiki 桌面端呈现领域全景

• 价值：从情报到洞察的完整闭环，支持行业研究与决策

💡 心得：工具链的价值在"串联"。单独每个工具都有用，但串起来才能从"信息过载"变成"洞察产出"。

5. 关键收获

1. 配置先行：花时间打磨 USER.md / SOUL.md / AGENTS.md，后续体验差异巨大

2. 能力插件化：Skill 体系让能力可插拔，按需加载，不臃肿

3. 闭环 > 单点：Sembr → AI Wiki → LLM Wiki 串联，才是真正的知识自动增长系统

4. 知识图谱是杀手应用：体系化认知是碎片化搜索无法替代的价值

5. 从工具到产品：最终产出不是"用了什么工具"，而是"产出了什么洞察"（如资本周期观察池）

6. 相关项目速览

📝 养虾不易，但虾大有用。从配置到技能，从单本书到知识图谱，再到行业洞察——一只小龙虾串起了"个人 AI 工作流"的完整链路。