告别算法推荐，OpenBiliClaw 让你私密掌控内容发现

一、你有多久没主动找过内容了？

先想一个场景。

早上起床刷了 40 分钟小红书，中午吃饭刷了半小时抖音，晚上睡前又刷了 1 小时 B站。一天下来感觉看了很多，关上手机仔细一想——**刚才到底看了啥？**一条都记不住。

更麻烦的是：你明明只是想搜一下”周末去哪玩”，结果刷了 20 分钟搞笑视频。你点开了一篇 AI 文章，接下来三天推荐页全是 AI 内容。你只是点了一下，平台就替你决定了你感兴趣什么。

这不是你的问题。这是推荐算法的运行逻辑——它的目标不是让你看到想看的内容，而是让你停留更久。停留越久，广告展示越多，平台赚得越多。至于你是不是陷入了信息茧房、是不是只看得到同质化的内容，那不在它的考核指标里。

那我问你一个问题：如果让你自己来决定想看什么，而不是让算法替你决定，你做得到吗？

大部分人的答案是：做不到。因为我们没有选择权——只能被动接受平台推给我们的东西。但最近我试了一个开源项目，它提供了一种新的思路：

OpenBiliClaw，一个本地私有、开源的 AI 内容发现 Agent。它不替你做决定，它帮你找回主动选择的能力。

图：OpenBiliClaw 跨平台内容发现演示，展示从不同平台聚合推荐结果（来源：GitHub 官方仓库)

---

二、它到底是什么？——不是另一个 App，是私人内容管家

先一句话说清楚：

OpenBiliClaw 会先深度理解你的偏好，然后主动从 11 个以上的平台和开放 Web 帮你找内容，整理成一份你可能喜欢的清单，投递给你。

它的逻辑和所有平台推荐算法完全相反：

对比维度	平台推荐算法	OpenBiliClaw
优化目标	让你停留更久、看更多广告	让你看到合口味的内容
数据归属	平台服务器，你无法控制	你的本地电脑，你说了算
推荐逻辑	基于你点过什么，给你推类似的	先理解你是什么样的人，再主动探索
内容来源	单一平台内部	跨 11+ 平台和开放 Web

它不是下一个抖音或另一个 B站。它不以”刷”为核心，不需要你不停地往下划。它更像一个私人内容管家——你告诉它你喜欢什么，它去全网帮你找，把结果整理好递给你。

运作方式也不复杂：一个本地运行的 Python 后端服务 + 一个 Chrome 浏览器插件 + 一个图形化的初始化引导界面。装好之后，它常驻在系统菜单栏或托盘里，你随时可以打开看一眼今天的推荐。

图：OpenBiliClaw 桌面端推荐首页，跨平台内容聚合展示（来源：GitHub 官方仓库)

---

三、最特别的部分：先懂你，再找你

这是 OpenBiliClaw 和市面上所有聚合阅读器最大的区别。

五层灵魂画像是什么？

项目内置了一个叫”五层灵魂画像”的机制，从浅到深有四层：

事件 -> 偏好 -> 觉察 -> 洞察 -> 灵魂

听起来很玄乎对吧？我第一反应也是这什么读心术？

但客观说清楚：它不是什么超自然的东西。这是一套偏好建模的比喻式命名，不是玄学读心术。 它的逻辑是通过以下几个方面来逐步构建对你的理解：

图：OpenBiliClaw 五层灵魂画像界面，展示对用户偏好的结构化分析（来源：GitHub 官方仓库)

• 你主动告诉它的话（对话式引导，它会在初始化时问你一些问题）
• 你的行为信号（点了什么、收藏了什么、跳过什么）
• 你的反馈（“这个喜欢”、“这个不喜欢”）

然后它把这些信息综合起来，推断出你的认知风格、偏好倾向、深层需求，以及——它可能还会主动猜你还喜欢什么。

兴趣探针：反信息茧房的设计

这里有一个很巧妙的设计，叫”兴趣探针”。

普通的推荐算法只会不断强化你已有的偏好：你点过健身视频，它就一直给你推健身。但 OpenBiliClaw 会主动猜测你可能感兴趣的未知领域，试探性地给你推荐一些超出你已知偏好范围的内容。

比如你平时只看科技和效率类内容，它可能会突然推给你一条关于独立游戏开发或者城市漫步的内容。这个猜不一定准，但它的存在本身就是一种反信息茧房的设计。 而且如果你不喜欢，点一下”换一批”就好了——响应很快，大约 0.6 秒，而且默认会做去重处理，不会反复推同样的东西。

实测感受

我用了三天，说一下真实感受：

第一次初始化的时候，它会引导你回答一些问题，关于你的职业、兴趣领域、日常关注的内容类型等。整个过程大概 5-10 分钟。之后它就开始推荐了。

说实话，第一天的推荐质量一般。 因为画像还没建立起来，它基本是靠你回答的那几句话在猜。但到了第二天和第三天，随着你点了”喜欢”和”不喜欢”，推荐质量开始明显提升。

跨平台后的统一口味感是最明显的。平时我在 B站看的内容、在小红书看的内容是完全不重叠的——B站看技术，小红书看探店。但 OpenBiliClaw 把来自不同平台的内容混排在一起后，我发现在 B站搜不到的小红书内容，恰恰有可能是我真正想看的。 这种跨域发现的体验，是任何一个单一平台都给不了的。

图：OpenBiliClaw 推荐卡片网格，多平台内容混排展示（来源：GitHub 官方仓库)

---

四、跨平台内容发现：它到底能看哪些平台？

这是它覆盖的内容源清单：

B站 / 小红书 / 抖音 / YouTube / X（Twitter）/ 知乎 / Reddit / 微博 / Linux.do / Bangumi / V2EX / 开放 Web

总共 11 个明确的内容源 + 开放 Web 搜索。

这些内容源不是简单罗列，它有几种不同的发现模式：

• 搜索发现：基于你的画像，主动搜索各平台的关键词
• 趋势发现：抓取各平台的热门趋势
• 关联链发现：从一条内容出发，顺藤摸瓜找到相关内容
• 跨域探索：把你在这个平台看不到的内容从另一个平台带出来

智能多样性是另一个亮点。它不会因为你在 B站看了 5 个科技视频就只给你推 B站科技内容，而是会做主题配额 + 跨平台混排 + 小源保护。那些内容量比较少的源（比如 V2EX、Linux.do），也能被带出来，不会永远被 B站和抖音的内容淹没。

但要诚实地说： 部分平台（B站历史、抖音、知乎）需要登录浏览器会话才能拿到完整的个人化信号。如果没有登录，会降级为公开内容发现——也就是搜公开内容，但比纯公开搜索还是更精准，因为画像还在。所以它的信号强弱取决于你的登录态，不是所有平台都能全通。

---

五、有温度的推荐 + 持续学习

推荐不是冷冰冰的列表

每一条推荐，OpenBiliClaw 都会附上一段推荐理由，告诉你为什么推给你这个。

我试了两天，摘几条真实的推荐理由给你们感受一下：

“根据你对独立开发和效率工具的关注，这个项目可能适合你——它用 Rust 重写了一个经典工具，性能提升明显，且社区活跃度很高。”

“你最近收藏了 3 篇关于信息管理的文章，这篇从认知科学角度切入，和你之前看过的内容视角不同，可能给你新的启发。”

推荐理由的质量取决于你配置的模型。 我用的是 DeepSeek，理由写得还算像人话。如果你用更强的模型（比如 Claude 或 GPT-4），理由会更自然。这个机制的意义在于：它不只是告诉你推荐了这个，还告诉你为什么。 哪怕推荐的内容你不感兴趣，你也能理解——哦，是因为我最近看了什么，所以它猜我喜欢这个。这种透明度，是任何一个平台推荐算法都不会给你的。

持续学习：即时生效

如果你告诉它”这个不喜欢”——

不是等下次更新，不是等明天，是即时生效。

30 天内的内容历史都可以回溯。你昨天看到一条感兴趣但没时间看的内容，今天打开历史记录就能找到。收藏和稍后看也都在本地，不经过任何平台和云服务。

而且它的学习维度不止于点没点。对话也是学习的一部分——你可以直接跟它说”最近对独立游戏开发感兴趣”，它下次推荐就会把这个维度纳入考虑。

图：OpenBiliClaw 对话界面，可通过对话反馈持续优化推荐质量（来源：GitHub 官方仓库)

---

六、隐私与部署：数据到底安不安全？

如果你和我一样，对”我的数据会不会被拿去喂模型”这件事很在意，这部分值得仔细看。

默认数据流向

默认情况下，OpenBiliClaw 的数据全部留在你的本地电脑上。 你的画像数据存在本机 SQLite 里，内容收藏、浏览历史、推荐记录——都不经过任何外部服务器。

插件不会把数据发送到 OpenBiliClaw 开发者运营的服务器。 它不保存你的平台密码，也不代你登录，而是复用浏览器已有的登录会话。

但是——有一件事你必须知道

如果你配置了云模型（Gemini、DeepSeek、OpenAI、Claude、OpenRouter 等），相关的请求内容会发往对应服务商的服务器。

这不是项目的问题，是模型本身的架构决定的——云端推理必然需要把数据传到云端。

如果你追求完全本地，可以选 Ollama 作为模型后端，包括 Embedding（向量化索引）也用本地的 Ollama + bge-m3。这套组合可以做到真正的零外部依赖。但代价是：你的电脑需要跑本地模型，对硬件有一定要求，而且推理速度不如云端模型快。

一句话总结隐私边界：

• 默认数据流向：全部本地 —— 安全
• 配了云模型：数据会发给模型服务商 —— 需要了解并接受
• 纯 Ollama 方案：完全本地 —— 最安全，但有硬件门槛

部署方式：三条路

方式	适合人群	难度
桌面安装包（macOS .dmg / Windows .exe）	普通用户，开箱即用	低
Docker Compose	有 Docker 基础的技术用户	中
脚本安装 / 手动部署	开发者，想完全掌控	高

推荐普通用户用安装包方式。 下载 .dmg 或 .exe，双击安装，启动后会自动引导你完成初始化配置。

注意： 目前项目处于实验性预发布阶段（v0.3.207），安装包是 ad-hoc 签名，没有通过苹果和微软的官方公证。所以 macOS 会弹出无法验证开发者的提示，Windows 会有 SmartScreen 警告。这不是病毒，是签名流程没走完——需要你手动放行（右键打开 / 点击”仍然运行”）。

另外，.obcbackup 导出备份是明文，建议只在可信设备间传递，不要通过公开渠道传输。

---

七、适合谁？不适合谁？

适合你，如果：

• 你信息过载：每天刷好几个平台，感觉看过很多但什么都没记住
• 你在意隐私：不想让自己的浏览偏好被平台拿去喂广告模型
• 你希望跨平台统一信息流：不想在 B站、小红书、抖音之间来回切换
• 你愿意花半小时做初始配置：回答几个问题、配置 API 密钥
• 你是创作者或研究者：需要持续跟踪特定领域的内容，不想被平台茧房限制视野

可能不适合你，如果：

• 你不想做任何配置，只想装好就能用——它需要至少配一个模型密钥
• 你追求的是下一个抖音，想无脑刷——它不是为刷设计的
• 你对内容源账号依赖感到反感——部分平台需要登录态才能拿到完整信号
• 你是纯小白，不想接触任何 API 和密钥这类概念——虽然安装包降低了门槛，但配置模型依然需要一点理解

一句话建议

把它当私人发现助理，而不是平台替代品。 它不会取代你日常刷 B站和抖音的习惯，但可以成为你发现好内容的另一个通道——一个不受平台算法控制的、属于你自己的通道。

---

八、写在最后

OpenBiliClaw 目前 2.8k Star，在开源世界里不算大项目。MIT 协议，2950+ commits，还在快速迭代中。它不是完美的，但它的方向是对的。

推荐系统不应该替你定义世界是什么样子的。你每天看到的内容，应该由你决定，而不是由平台算法按照最优停留时长的公式计算出来。OpenBiliClaw 至少把选择权放回你手里了——至于你想不想用，那是你的选择。

如果你对它感兴趣，上手门槛其实不高：它原生支持 Gemini 和 DeepSeek 的免费额度（DeepSeek 注册送额度，Gemini 有免费层），配一个密钥就能开始用。 不需要先买付费 API，零成本可以试起来。

如果你担心配置麻烦，可以评论区告诉我，我考虑出一篇从零搭建的图文教程——从下载安装包到完成第一次个性化推荐，手把手走一遍。 想看的评论区扣 1。

最后问一句：你最想让 OpenBiliClaw 替你盯哪个平台的内容？ B站、小红书、抖音、还是别的？评论区聊聊，说不定你的答案能给别人启发。

---

本文为个人使用体验分享，OpenBiliClaw 为 MIT 开源项目，可自行到 GitHub 搜索了解。文中涉及的项目信息以官方 README 为准。