如果你是一名开发者，每天要在浏览器、IDE、文档、聊天工具之间来回切换，只为完成一些重复性的文本处理、代码片段整理、信息查询或内容生成任务，那么你很可能正在浪费大量时间。这些任务本身不复杂，但频繁的上下文切换和工具跳转，足以让工作效率大打折扣。有没有一个工具，能像一位随时待命的助手，在你需要时一键唤醒，帮你完成这些琐事，并且完全运行在你的本地电脑上，不泄露任何隐私？

答案是肯定的。今天要介绍的这个开源项目，正是为了解决这个痛点而生。它不是一个简单的“AI对话工具”，而是一个深度集成到操作系统桌面的“AI办公助手”。它的核心价值在于： 将大模型的能力，以“技能”的形式，无缝嵌入到你日常工作的每一个环节，实现真正的“即用即走” 。你可以把它理解为一个本地化的、可高度自定义的“快捷键中心”，只不过这些快捷键背后驱动的是AI。

这个项目目前在GitHub上获得了极高的关注度，被许多开发者誉为“目前最好用的AI桌面办公助手”。它最吸引人的特性有三个： 纯本地离线运行 、 支持超过12个主流云端大模型API 、以及 通过插件化技能（Skills）实现无限扩展 。这意味着你既可以在完全断网的环境下，使用本地模型处理敏感信息，也可以在联网时，灵活调用GPT-4、Claude、DeepSeek等顶级云端模型的强大能力。

本文将带你从零开始，彻底搞懂这个项目。我们不仅会完成它的安装、配置和基础使用，更会深入其架构，教你如何编写自己的“技能”（Skill），将其改造成专属于你的超级生产力工具。你会发现，提升效率的关键，有时不在于寻找更强大的模型，而在于如何让模型的能力以最便捷的方式为你所用。

1. 为什么你需要一个“桌面AI助手”，而不仅仅是聊天机器人？

在深入技术细节之前，我们必须先厘清一个关键认知：这个项目与ChatGPT、文心一言等聊天机器人有本质区别。

聊天机器人是“目的地” ：你需要主动打开一个网页或应用，进入一个特定的对话界面，向它提出问题。这个过程是割裂的，它独立于你正在进行的编码、写作或研究工作流之外。

桌面AI助手是“管道”和“触发器” ：它深度集成在你的操作系统（Windows/macOS/Linux）中。你可以通过全局快捷键（如 Ctrl+Shift+K ）随时唤出一个简洁的输入框，直接输入指令。例如，你正在写代码，选中一段复杂的函数，按下快捷键，输入“添加注释”，它就能立刻生成注释并替换原文。整个过程无需离开你的IDE。

这种差异带来的效率提升是指数级的。它解决的痛点非常具体：

  • 消除上下文切换成本 ：不需要在浏览器和IDE间来回跳转。
  • 处理“非对话型”任务 ：总结网页内容、格式化JSON、解释报错信息、生成测试数据等，这些任务用聊天机器人来做流程冗长。
  • 本地隐私安全 ：处理公司代码、内部文档、个人笔记时，数据完全留在本地，无需担忧上传云端的安全合规问题。
  • 可编程与自动化 ：它的插件化架构允许你将常用工作流固化为一个“技能”，一键执行。

因此，这个项目的目标用户非常明确： 所有需要频繁进行文本处理、信息提取和内容生成的开发者、写作者、研究人员和效率追求者 。如果你每天有超过5次需要复制文本到另一个工具去处理，那么这个工具就是为你量身定做的。

2. 核心概念解析：Skill、Provider与工作流

要高效使用这个工具，必须理解它的三个核心概念： Skill（技能） 、 Provider（模型提供者） 和 工作流 。这是它区别于其他简单封装了API的客户端的关键。

2.1 Skill（技能）：可复用的AI功能模块

Skill是该项目最核心的抽象。每一个Skill代表一个具体的、可重复执行的AI任务。例如：

  • SummarizeSkill ：总结任意选中的文本。
  • ExplainCodeSkill ：解释选中的代码片段。
  • TranslateToEnglishSkill ：将文本翻译成英文。
  • GenerateTestDataSkill ：根据数据结构生成Mock测试数据。

关键点 ：Skill不仅仅是预置的提示词（Prompt）。它是一个完整的、可配置的、带有前后处理逻辑的程序单元。开发者可以基于模板轻松创建自己的Skill，比如“将Jira ticket描述转换为用户故事格式”或“检查代码是否符合团队编码规范”。

2.2 Provider（模型提供者）：灵活的后端引擎

Provider定义了AI模型的能力来源。项目支持两大类Provider：

  1. 本地Provider ：如Ollama（运行本地Llama、Qwen等模型）、LM Studio。优点是完全离线、隐私无忧、零成本。缺点是能力可能弱于顶级云端模型。
  2. 云端API Provider ：如OpenAI GPT系列、Anthropic Claude、DeepSeek、智谱AI、月之暗面等。优点是能力强大、响应快。缺点是需要API Key，有使用成本，且数据需传输至第三方。

项目的强大之处在于，你可以在一个Skill中自由切换所使用的Provider。例如，处理普通文档总结时用本地模型，处理复杂逻辑推理时切换到GPT-4。这种设计实现了成本、隐私与性能的最佳平衡。

2.3 工作流：Skill的组合与串联

一个复杂任务可能需要多个Skill协作完成。项目支持将多个Skill串联成一个工作流（Workflow）。例如，一个“处理技术文章”的工作流可以包含：

  1. 提取网页正文（ ExtractArticleSkill ）
  2. 总结核心观点（ SummarizeSkill ）
  3. 翻译成中文（ TranslateToChineseSkill ）
  4. 生成思维导图大纲（ GenerateMindMapSkill ）

用户可以通过一次触发，自动完成整个流水线作业。这标志着它从一个“工具”进化成了一个“自动化智能体（AI Agent）框架”的雏形。

理解了这些概念，你就会明白，这个项目本质上是一个 运行在本地的、可高度扩展的AI能力调度平台 。接下来，我们进入实战环节。

3. 环境准备与安装部署

该项目支持三大主流桌面操作系统：Windows、macOS和Linux。我们将以macOS和Windows为例，演示最清晰的安装路径。Linux用户可参考macOS的终端操作。

3.1 系统要求与前置条件

  • 操作系统 ：Windows 10/11, macOS 10.15+, 或主流Linux发行版（Ubuntu 20.04+, Fedora, Arch等）。
  • 内存 ：建议8GB以上。如果计划大量使用本地大模型，建议16GB以上。
  • 存储空间 ：至少2GB可用空间。
  • 网络 ：用于下载安装包及配置云端API。纯本地模式可离线运行。
  • （可选）本地模型运行时 ：如计划使用本地模型，需预先安装Ollama或LM Studio。本文将以Ollama为例，因为它更轻量、开源。

3.2 步骤一：下载与安装主程序

项目提供了多种安装方式，推荐普通用户直接下载官方发布的安装包。

  1. 访问项目GitHub Releases页面 。 打开浏览器，访问该项目的GitHub仓库（地址通常为 https://github.com/用户名/项目名/releases ）。找到最新的稳定版（Stable Release）发布页。

  2. 选择对应系统的安装包 。

    • Windows用户 ：下载 .exe 安装程序或 .msi 安装包。
    • macOS用户 ：下载 .dmg 磁盘映像文件。
    • Linux用户 ：下载 .AppImage 文件或根据发行版选择对应的包（如 .deb 用于Ubuntu/Debian， .rpm 用于Fedora/RHEL）。

  3. 运行安装程序 。

    • Windows ：双击 .exe 文件，跟随安装向导完成。建议为所有用户安装。
    • macOS ：双击 .dmg 文件，将应用程序图标拖拽到“应用程序”文件夹中。
    • Linux (AppImage) ：为文件添加可执行权限后直接运行。 
      chmod +x 项目名称-版本号-x86_64.AppImage
./项目名称-版本号-x86_64.AppImage

安装完成后，你可以在开始菜单（Windows）、启动台（macOS）或应用程序列表中找到它。

3.3 步骤二：安装并配置本地模型（Ollama - 可选但推荐）

如果你希望拥有完全离线的处理能力，配置一个本地模型是必要的。Ollama是目前最易用的方案。

  1. 安装Ollama 。 访问 Ollama官网 下载对应系统的安装包，并完成安装。

  2. 拉取一个适合你电脑配置的模型 。 打开终端（或命令提示符/PowerShell），运行以下命令拉取一个轻量级但能力不错的模型，例如 qwen2.5:7b （约4.5GB）或更小的 llama3.2:3b （约1.9GB）。 

    # 拉取 Qwen2.5 7B 模型
ollama pull qwen2.5:7b
# 或者拉取更小的 Llama 3.2 3B 模型
ollama pull llama3.2:3b

    模型下载完成后，Ollama服务会自动在后台运行，默认API地址为 http://localhost:11434 。

3.4 步骤三：首次启动与基础配置

首次启动AI桌面助手，你会看到一个简洁的设置向导。

  1. 选择语言和主题 ：根据喜好设置界面语言和深色/浅色主题。
  2. 配置模型提供者（Provider） ：这是最关键的一步。
    • 添加本地Ollama Provider ：
      • 点击“添加模型提供者”或进入设置 -> 模型提供者。
      • 选择“Ollama”类型。
      • 名称可自定义，如“My Local Qwen”。
      • 基础URL保持默认 http://localhost:11434 （除非你修改了Ollama配置）。
      • 在模型下拉列表中，选择你刚才拉取的模型（如 qwen2.5:7b ）。
      • 点击“测试连接”，确保状态显示为“可用”。
    • （可选）添加云端API Provider ：
      • 例如添加OpenAI：选择“OpenAI”类型，填入你的OpenAI API Key。
      • 从模型列表中选择 gpt-4o-mini （性价比高）或 gpt-4 。
      • 同样进行连接测试。
  3. 设置全局快捷键 ：在设置 -> 快捷键中，配置你习惯的唤醒快捷键，例如 Ctrl+Shift+K （Windows/Linux）或 Cmd+Shift+K （macOS）。确保不与系统或其他应用冲突。
  4. 完成向导 ：点击完成，主界面可能会显示一些内置的示例Skill。

至此，你的AI桌面助手已经安装并配置完成，具备了最基本的能力。接下来，我们将探索它的核心功能。

4. 核心功能实战：从使用到自定义Skill

安装配置只是开始，真正释放威力在于如何使用和扩展它。我们通过几个典型场景来演示。

4.1 场景一：使用内置Skill快速处理文本

假设你在阅读一篇长技术博客，想快速抓住核心。

  1. 在浏览器中，用鼠标选中博客文章的核心段落。
  2. 按下你设置的全局快捷键（如 Ctrl+Shift+K ），唤出助手输入框。
  3. 在输入框中，你可以直接输入自然语言指令，例如：“总结一下这段文字。”
  4. 助手会识别你的意图，调用内置的 SummarizeSkill ，并使用你配置的默认模型（比如本地的Qwen）生成总结。
  5. 结果会以弹窗或侧边栏形式展示，你可以一键复制结果。

进阶技巧 ：你可以在输入时指定使用哪个模型。例如，输入“用GPT-4总结这段文字，并列出三个关键点。” 助手会优先使用你配置的名为“GPT-4”的Provider来执行。

4.2 场景二：编写你的第一个自定义Skill

内置Skill有限，自定义Skill才是王道。假设我们创建一个“生成随机用户数据”的Skill。

  1. 打开Skill开发界面 ：在助手主界面，进入“Skill工作室”或“创建新Skill”。
  2. 定义Skill元信息 ：
    • 名称 ： GenerateRandomUserSkill
    • 描述 ：根据给定的字段，生成结构化的随机用户数据（JSON格式）。
    • 触发器 ：可以设置为一个特定的命令关键词，如 gen_user 。
  3. 编写核心提示词（Prompt） ： 在Skill的Prompt编辑框中，编写如下内容。注意 {fields} 是一个我们即将定义的输入参数。 
    你是一个数据生成助手。请生成一个包含以下字段的随机用户数据，以JSON格式输出，确保数据真实合理。
字段列表：{fields}

要求：
1. 姓名、邮箱、地址等应符合所选国家的常见格式。
2. 年龄在18至65岁之间。
3. 只输出JSON对象，不要有任何额外解释。

示例输出格式：
{
  "name": "John Doe",
  "email": "john.doe@example.com",
  "age": 30,
  "address": "123 Main St, City, Country"
}
  4. 定义输入参数 ： 点击“添加参数”，创建一个名为 fields 的参数。
    • 类型 ：字符串（String）
    • 描述 ：需要生成的用户字段，用逗号分隔。例如：“name, email, age, job_title, city”
    • 默认值 ：可以留空，或设为 “name, email, age”
  5. 选择输出格式 ：选择“结构化数据（JSON）”，这样助手会尝试解析模型的返回结果为JSON对象。
  6. 关联模型提供者 ：选择你配置好的任意一个Provider，例如本地Ollama。
  7. 保存并测试 ：
    • 保存这个Skill。
    • 在测试面板中，输入 fields 的值为 “name, email, age, job_title” 。
    • 点击“运行测试”。如果一切正常，你将看到一个包含随机用户信息的JSON对象。

现在，你可以在任何地方通过快捷键唤醒助手，输入命令 gen_user name, email, age, company ，它就会立刻生成对应的随机数据并返回，你可以直接复制到你的开发或测试代码中。

4.3 场景三：创建复杂工作流（组合Skill）

工作流可以将多个Skill像乐高一样组合起来。我们创建一个“代码审查助手”工作流。

目标 ：选中一段代码，自动完成“解释 -> 查找潜在问题 -> 提出改进建议”三步。

  1. 创建工作流 ：在“工作流”选项卡中，点击“新建工作流”，命名为 CodeReviewWorkflow 。
  2. 添加第一个节点（解释代码） ：
    • 类型： 执行Skill
    • 选择内置的 ExplainCodeSkill 。
    • 配置输入：将工作流的初始输入（选中的代码）映射到这个Skill的 code 参数。
  3. 添加第二个节点（查找问题） ：
    • 类型： 执行Skill
    • 我们需要新建一个Skill，或者使用一个能分析代码坏味道的Skill。假设我们新建一个 FindCodeSmellsSkill ，其Prompt为：“分析以下代码，列出可能存在的代码坏味道、潜在bug或性能问题。代码：{code}”
    • 配置输入：将 第一个节点的输出 （即代码解释）和原始代码一起，作为这个Skill的输入。
  4. 添加第三个节点（提出建议） ：
    • 类型： 执行Skill
    • 新建或使用一个 SuggestImprovementsSkill ，Prompt为：“基于以下代码和发现的问题，提供具体的重构建议。代码：{code}， 问题：{issues}”
    • 配置输入：将原始代码和第二个节点的输出（发现的问题）作为输入。
  5. 设置最终输出 ：将第三个节点的输出（改进建议）作为整个工作流的最终结果。
  6. 保存并绑定快捷键 ：你可以为这个工作流单独设置一个快捷键，例如 Ctrl+Shift+R 。

现在，当你在IDE中选中一段代码，按下 Ctrl+Shift+R ，就会自动触发这个三步骤的代码审查流水线，并在几十秒内给你一个综合报告。这比手动打开聊天机器人分三次提问要高效得多。

5. 高级配置与性能调优

要让助手运行得更顺畅、更符合个人习惯，一些高级配置必不可少。

5.1 模型Provider的精细化管理

你很可能配置了多个Provider。在设置中，你可以：

  • 设置默认Provider ：为不同类型的任务（文本、代码、创意）指定不同的默认模型。
  • 配置API参数 ：为每个Provider单独设置 temperature （创造性）、 max_tokens （最大生成长度）等参数。对于创意写作，可以调高temperature；对于代码生成，则应调低以保证稳定性。
  • 设置API超时与重试 ：对于不稳定的网络或本地模型，适当增加超时时间和重试次数。

5.2 本地模型性能优化

如果主要使用本地模型，性能是关键。

  • 选择合适的模型尺寸 ：7B参数模型在大多数消费级显卡（8GB显存）上可以流畅运行。如果只有CPU，3B参数模型是更稳妥的选择。
  • 调整Ollama参数 ：运行Ollama时，可以通过环境变量或启动参数分配更多资源。 
    # 在启动Ollama前设置（Linux/macOS示例）
export OLLAMA_NUM_PARALLEL=2
export OLLAMA_MAX_LOADED_MODELS=1
# 然后启动ollama serve
  • 使用量化模型 ：优先选择GGUF格式的量化模型（如Q4_K_M，Q5_K_S），能在几乎不损失精度的情况下大幅减少内存占用和提升推理速度。

5.3 技能(Skill)的共享与导入

社区是这类开源项目的生命力所在。你可以在项目的Wiki、Discord或GitHub Discussions中找到其他用户分享的实用Skill。

  • 导入Skill ：通常可以通过“导入”功能，直接粘贴一段Skill的配置JSON或YAML代码，即可快速添加。
  • 版本管理 ：对于自己编写的核心Skill，建议用Git进行版本管理，方便在不同设备间同步和回滚。

6. 常见问题与故障排查

即使按照教程操作，你也可能会遇到一些问题。以下是常见问题的排查清单。

问题现象 可能原因 排查步骤 解决方案
按下快捷键无反应 1. 快捷键被系统或其他应用占用。
2. 助手主程序未运行或卡死。
3. 权限问题（macOS）。 		1. 检查系统快捷键设置，确认无冲突。
2. 在任务管理器/活动监视器中查看进程是否存在。
3. 尝试通过开始菜单/启动台重新启动应用。 		1. 在助手设置中更换一个冷门快捷键。
2. 彻底退出并重启助手。
3. 检查macOS的“安全性与隐私”->“辅助功能”中是否已授权该应用。
连接本地Ollama失败 1. Ollama服务未启动。
2. 防火墙/网络设置阻止连接。
3. 助手内配置的URL或端口错误。 		1. 在终端运行 ollama list ，看服务是否正常。
2. 在浏览器访问 http://localhost:11434 ，看Ollama API是否可访问。
3. 核对助手配置中的Ollama地址和端口。 		1. 在终端运行 ollama serve 启动服务。
2. 暂时关闭防火墙测试，或添加规则允许本地回环地址通信。
3. 将助手配置中的地址改为 http://127.0.0.1:11434 再试。
云端API调用报错（如Invalid API Key） 1. API Key输入错误或已失效。
2. 账户余额不足或请求超限。
3. 网络问题导致无法访问API端点。 		1. 在对应云平台的控制台检查API Key状态和余额。
2. 尝试在终端用curl命令测试API连通性。
3. 检查系统代理设置，助手可能无法自动使用系统代理。 		1. 重新生成并复制正确的API Key到助手配置中。
2. 充值或等待限额重置。
3. 在助手的网络设置中手动配置代理（如果必要）。
Skill执行速度非常慢 1. 使用了较大的本地模型且硬件资源不足。
2. 网络延迟高（使用云端API时）。
3. Skill的Prompt过于复杂，导致模型生成时间长。 		1. 观察任务管理器，看CPU/GPU/内存是否占用率过高。
2. 测试网络延迟。
3. 简化Prompt，或为Skill设置更短的 max_tokens 。 		1. 换用更小的量化模型，或升级硬件。
2. 切换到低延迟的云端模型，或使用本地模型。
3. 优化Prompt，明确指令，要求模型输出简洁。
模型输出内容不符合预期 1. Prompt指令不够清晰。
2. 模型的 temperature 参数设置过高，导致输出随机性大。
3. 模型本身能力有限。 		1. 仔细检查Skill的Prompt，确保指令无歧义。
2. 在Provider配置中调低 temperature （如从0.8调到0.2）。
3. 尝试用同一个Prompt在官方ChatGPT网页测试对比。 		1. 采用更结构化的Prompt编写方式（如CRISPE框架）。
2. 固定 temperature 为较低值以获得稳定输出。
3. 更换能力更强的模型（如从本地7B模型切换到GPT-4）。
无法选中文本后触发 1. 某些应用（如某些IDE或虚拟机）的文本选中事件无法被全局钩子捕获。
2. 助手的热键触发模式设置不正确。 		1. 尝试在记事本、浏览器等标准应用中测试是否正常。
2. 检查设置中是否开启了“自动捕获选中文本”或类似选项。 		1. 对于不支持的应用，可以手动复制文本，然后在助手输入框中粘贴并执行。
2. 确保触发模式设置为“全局热键”并已正确配置。

7. 最佳实践与安全建议

将这样一个强大的工具集成到日常工作流中，遵循一些最佳实践能让你用得更顺手、更安全。

7.1 技能(Skill)设计最佳实践

  • 单一职责原则 ：一个Skill只做好一件事。不要设计一个“总结并翻译并生成PPT”的超级Skill，而应拆分成三个，然后用工作流组合。
  • 清晰的输入输出定义 ：为Skill的参数设置明确的描述和示例。这不仅能帮助你自己，也方便分享给他人。
  • Prompt工程优化 ：在Prompt中明确角色、任务、步骤和输出格式。使用“###”等标记来结构化指令，能显著提升模型响应质量。
  • 版本控制 ：将自定义的Skill代码（通常是JSON或YAML配置文件）纳入Git管理。

7.2 隐私与安全指南

  • 敏感信息处理 ：对于处理代码、内部文档、个人身份信息等敏感内容， 务必使用本地模型Provider 。切勿将敏感信息发送至你不完全信任的云端API。
  • API密钥管理 ：妥善保管云端API Key。不要在Skill配置或Prompt中硬编码API Key。利用助手提供的安全存储功能。
  • 审查社区Skill ：从社区导入Skill时，务必检查其Prompt和配置，防止恶意代码或会泄露隐私的指令。
  • 最小权限原则 ：该助手通常只需要访问剪贴板和全局快捷键权限。在系统权限设置中，不要授予其不必要的文件系统或网络访问权。

7.3 性能与成本平衡策略

  • 分级使用模型 ：建立自己的使用规则。例如：草稿、头脑风暴用本地小模型；重要文档、复杂代码用云端强模型。在助手设置中为不同Skill预设不同的默认Provider。
  • 设置使用限额 ：对于按Token计费的云端API，可以在Provider配置中设置月度预算或单次调用Token上限，避免意外开销。
  • 缓存常用结果 ：对于某些确定性较高的任务（如固定格式的代码转换），可以考虑在Skill逻辑中加入简单的结果缓存，避免重复调用模型。

8. 总结：从工具使用者到工作流设计者

通过本文的拆解，你应该已经意识到，这个AI桌面助手项目的价值远不止于“又一个AI客户端”。它本质上是一个 个人AI工作流自动化平台 。它的核心竞争力在于其 插件化架构 和 深度系统集成 能力。

对于普通用户，开箱即用的内置Skill和直观的全局热键，已经能带来立竿见影的效率提升。对于开发者和高级用户，其开放的Skill开发接口，则提供了一个无限的画布，让你能够将任何重复性的、基于文本的认知工作自动化。

下一步，你可以尝试：

  1. 深入挖掘内置Skill ：看看还有哪些你没用过的功能，比如“格式化JSON”、“提取电子邮件”、“生成正则表达式”等。
  2. 探索社区生态 ：去项目的GitHub仓库、Discord社区看看其他用户分享了什么有趣的Skill和工作流，很多灵感来源于此。
  3. 打造个人技能库 ：针对你最频繁的5个任务，为每个任务精心设计一个专属Skill。这是投资回报率最高的动作。
  4. 思考自动化边界 ：并非所有任务都适合AI。识别那些规则模糊、需要深度领域知识或创造性突破的任务，它们可能仍需你亲力亲为。而这个工具，正是为了把你从那些它擅长而你不该浪费时间的事务中解放出来。

技术的最终目的是为人服务。这个开源项目提供了一个绝佳的范例，展示了如何将前沿的AI能力，以一种极其务实、不打扰的方式，编织进我们每一天的数字生活。现在，是时候动手配置它，并开始设计你的第一个自动化工作流了。

Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区