Базы знаний из YouTube-роликов и научных статей для агента OpenClaw
Автор подключил своему агенту OpenClaw инструменты для пересказа YouTube-роликов и сжатия научных статей. Получились две базы знаний в Markdown с поиском, одна по видео, другая по статьям.
Что сделали
На Mac mini, где работает OpenClaw, автор поставил youtube-summariser через pip и QMD от Тоби через bun. Пакеты и API-ключи к LLM он настроил сам. Потом попросил агента по имени Eve освоить оба инструмента и собрать собственную базу знаний по YouTube. Ещё он подключил свой paper-fluff-cutter, который сохраняет суть научной статьи в Markdown, а QMD может это проиндексировать.
Что получилось
В итоге получились две плотные базы знаний с поиском, одна по видео, другая по статьям. На вопросы по базе YouTube агент отвечал хорошо. Цифр и замеров в источнике нет.
На что обратить внимание
Именно формат Markdown позволяет QMD легко индексировать содержимое и искать по нему. Пакеты автор ставил вручную, а не поручал это агенту.
Пояснение
QMD это инструмент локального поиска по Markdown-файлам. pip и bun это менеджеры пакетов для Python и JavaScript. Markdown это простой текстовый формат разметки, который удобно читать и людям, и программам.
Кому пригодится
Тем, кто много смотрит лекций и читает статьи и хочет, чтобы агент отвечал по накопленному материалу.
Попробуйте сами с OpenClaw
Сделай мне две базы знаний в Markdown, одну для видео, другую для научных статей. Когда я присылаю [ссылку на YouTube или PDF и ссылку на статью], перескажи материал в [200-300] словах с главными выводами, сохрани .md-файл в нужную папку и обнови файл-индекс с названием, датой и тегами. После каждого сохранения пиши путь к файлу и спрашивай, прежде чем удалить или перезаписать существующий файл.
Нужна помощь с запуском? Вступайте в сообщество AI Pack ↗
Источник: notesfromzero.substack.com ·