kb-digest#

任何内容 → 结构化知识卡片。扔进去，出来就能用。

快速开始#

bash

cd /path/to/kb-digest
pip install -r requirements.txt
python handler.py --url "https://example.com/article"

OpenClaw 会自动注入 OPENCLAW_LLM_API_KEY、 OPENCLAW_LLM_BASE_URL、 OPENCLAW_LLM_MODEL，无需手动配置。

命令#

bash

# 从 URL 生成知识卡片（默认输出）
python handler.py --url "https://arxiv.org/abs/1706.03762"

# 从 PDF
python handler.py --pdf paper.pdf

# 从文字粘贴
python handler.py --text "把这段内容结构化..."

# 指定输出格式
python handler.py --url "..." --output card      # 知识卡片（默认）
python handler.py --url "..." --output mindmap   # 思维导图（Markdown）
python handler.py --url "..." --output qa        # Q&A 问答对
python handler.py --url "..." --output podcast   # 播客对话脚本
python handler.py --url "..." --output summary   # 纯摘要

# 保存到文件
python handler.py --url "..." --save output.md

# 推送到飞书（需设置 FEISHU_WEBHOOK_URL）
python handler.py --url "..." --push feishu

# 批量处理
python handler.py --batch urls.txt

输出示例（知识卡片）#

text

📚 知识卡片 | Attention Is All You Need

💡 一句话
  用纯自注意力机制替代 RNN/CNN，开创 Transformer 架构。

🔑 核心要点
  1. Self-Attention 允许序列中任意位置直接交互，无需逐步传递
  2. Multi-Head Attention 从多个子空间捕捉不同语义关系
  3. Positional Encoding 以正弦波注入位置信息
  4. 训练速度比 RNN 快 8 倍（可并行化）

❓ Q&A
  Q: 为什么比 RNN 快？
  A: RNN 必须串行处理，Transformer 全序列并行计算

🧠 思维导图
  Transformer
  ├── Encoder ×6
  │   ├── Multi-Head Self-Attention
  │   └── Feed-Forward Network
  └── Decoder ×6
      ├── Masked Self-Attention
      ├── Cross-Attention（看 Encoder）
      └── Feed-Forward Network

🔗 延伸阅读
  BERT | Vision Transformer (ViT)

来源: https://arxiv.org/abs/1706.03762
生成: 2026-04-11 18:05

环境变量#

变量说明必填OPENCLAW_LLM_API_KEY大模型 API Key✅（OpenClaw 自动注入）OPENCLAW_LLM_BASE_URL大模型 API 地址✅（OpenClaw 自动注入）OPENCLAW_LLM_MODEL大模型名称✅（OpenClaw 自动注入）FEISHU_WEBHOOK_URL飞书推送 Webhook推送用

支持的输入格式#

• URL: 网页文章、arXiv 论文、GitHub README
• PDF: 研究论文、报告、书籍章节
• 文本: 直接粘贴任意文字
• 批量: 一个文件列出多个 URL，逐条处理