个人知识库（RAG）

痛点

你每天阅读文章、推文，观看视频，但永远找不到上周看到的那个东西。书签堆积如山，变得毫无用处。你的知识分散在浏览器标签页、聊天记录和笔记应用中，没有统一的搜索入口。

你可以做什么

• 投入任何 URL 到 Telegram 或 Slack，它会自动摄入内容（文章、推文、YouTube 转录、PDF）。
• 语义搜索 你保存的所有内容："我保存过哪些关于 agent memory 的东西？"— 返回排序结果和来源。
• 跨工作流集成：其他工作流（如视频创意流水线、会议准备）可以自动查询知识库获取相关已保存内容。
• 带引用的回答：每个响应都包含来源文档和相关摘录。

所需技能

• knowledge-base 技能（或自建基于嵌入的 RAG）
• web_fetch（内置）用于获取 URL 内容
• Telegram 频道或 Slack 频道用于内容摄入
• 向量存储用于语义搜索

如何配置

1. 选择摄入渠道

创建一个名为 "knowledge-base" 的 Telegram 频道（或使用 Slack 频道）。你将在这里投入 URL 以自动摄入。

2. 配置代理

使用上方的"基础版"提示词。代理将会：

• 监听你在频道中投入的 URL
• 自动获取并分块内容
• 连同元数据（标题、URL、日期、类型）存储嵌入
• 回复确认已摄入的内容

3. 查询知识库

在同一频道提问。代理执行语义搜索并返回最相关的结果，附带来源和摘录。

4. 连接其他工作流

真正的威力来自跨工作流集成。当其他代理需要研究资料（视频创意、会议准备、内容创作）时，它们可以自动查询你的知识库获取相关已保存内容。

5. 测试

投入几个 URL，然后提问如"我有哪些关于 LLM 记忆的内容？"来验证一切正常。

使用技巧

• 从单一摄入渠道开始，后续再扩展。
• 投入越多，价值越大 — 知识抽取会复利增长。
• 使用元数据过滤在特定内容类型（文章 vs 视频 vs PDF）中搜索。

通过 ShipClaw 部署

跳过繁琐配置 — 获取全托管 OpenClaw 实例，即可运行此用例。

快速开始

1. 选择方案 — 此用例推荐 Pro
2. 进入实例面板，点击部署新实例
3. 部署完成后，使用上方的示例提示词配置你的智能体
4. 根据需要自定义阈值、计划和数据源