项目名称：MarketClaw—— 你的私人产品营销助理

团队博客总览：https://blog.csdn.net/2401_83356673?type=blog

本阶段时间：2026 年 4 月 28 日 — 2026 年 5 月 3 日

一、引言

继上一阶段完成OpenClaw 框架部署、小红书自动化基础能力搭建、Nanobot 框架研读、大模型微调技术储备后，我们团队进入全链路功能闭环攻坚的关键阶段。本期团队博客汇总四位成员第三期个人博客成果，内容覆盖：

·张桐：完成飞书机器人接入 DeepSeek 大模型，打通商品输入→文案生成→飞书回复最小对话闭环；

·商玉雷：深耕小红书内容生态与账号预热策略，补齐内容生成与账号冷启动两大核心短板；

·张垿赫：全栈开发 PPT-Maker 自动化技能，实现小红书图文内容创作→封面生成→自动化发布全流程；

·许泽榕：深度解析 LLM+Wiki 五大开源项目架构，为营销智能体知识管理与防幻觉提供底层方案。

四位成员围绕营销对话、内容生产、自动化执行、知识架构四大核心方向协同发力，成功搭建起 MarketClaw 从指令输入→内容生成→自动化执行→知识沉淀的完整能力闭环，为智能体后续规模化落地奠定坚实基础。

二、张桐：飞书机器人接入 DeepSeek，实现商品营销对话闭环

2.1 工作背景

上一阶段完成 OpenClaw 本地部署与环境调试后，本阶段核心目标是为 MarketClaw 搭建轻量化对话入口，让用户无需切换复杂系统，在飞书日常聊天场景中即可完成营销文案生成，实现 “商品描述输入→小红书文案输出” 的极简交互。

2.2 方案设计

采用飞书长连接 + DeepSeek API组合方案：

飞书选择长连接模式接收事件，无需公网 IP 即可本地开发调试；·大模型选用 DeepSeek，依托其快速响应、结构化 JSON 输出能力，稳定生成标题 + 正文 + 标签的标准化小红书文案；整体流程：用户飞书发消息→长连接推送事件→解析商品信息→调用大模型生成文案→飞书回复用户。

2.3 飞书应用配置

我首先在飞书创建 MarketClaw 企业自建应用并开启机器人功能，创建完成后配置单聊消息接收与机器人消息发送两项核心权限，再将事件接收方式设置为长连接，并添加 im.message.receive_v1 消息接收事件，最后发布应用版本使权限与事件配置正式生效，完成飞书配置。

2.4 本地环境搭建

1. 创建MarketClaw-bot项目目录，搭建 Python 虚拟环境；
2. 安装核心依赖：lark-oapi（飞书 SDK）、requests、python-dotenv；
3. 新建.env文件，存储飞书 AppID、AppSecret 与 DeepSeek API Key。

2.5 核心代码实现

1. 长连接启动：基于WsClient与事件分发器，注册消息接收回调；
2. 消息解析：从事件中提取用户open_id与商品描述文本；
3. 文案生成：构造 Prompt 要求大模型返回 JSON 格式，调用 DeepSeek API 生成小红书文案；
4. 消息回复：通过飞书 API 将生成文案发送给用户；
5. 防重复优化：增加(open_id, 消息内容, 时间窗口)去重机制，避免重复回复。

2.6 问题与解决方案

问题	解决方案
Message 类导入失败	从lark_oapi.api.im.v1导入CreateMessageRequest
open_id 获取错误	修正路径为event.event.sender.sender_id.open_id
receive_id_type缺失	将参数移至 URL 请求参数中
飞书重推导致重复回复	增加 5 分钟内容级去重逻辑
大模型返回非标准 JSON	正则提取纯 JSON 对象，修复解析失败

2.7 成果与总结

我这周成功实现飞书机器人最小闭环：用户发送商品 + 卖点信息，机器人 3 秒内返回完整小红书营销文案。后续我将集成热点采集能力，让文案结合时事热点进一步提升营销效果。

三、商玉雷：小红书内容生态与账号预热策略，完善运营闭环

3.1 实验背景与目标

在前序阶段已基于Chrome 扩展 + WebSocket实现小红书搜索、发布等自动化操作，但目前仍存在两大核心问题：

1. 内容生成能力缺失，仅能执行发布无法创作内容；
2. 新账号冷启动易被风控限流，无成熟养号策略。

本阶段目标是集成内容生成技能、制定账号预热策略、开发自动化养号脚本、验证全链路可行性。

3.2 内容生成技能选型与集成

1.选型标准

以小红书适配度、标题生成能力、文案框架覆盖、去 AI 味能力为核心评估维度，筛选高质量技能。

2.集成技能清单

·cn-content-factory：选题、内容、标题、润色全流程生成；

·copywriting-zh-pro：内置 AIDA/PAS/FAB 等五大营销文案框架；

·humanize-zh：消除 AI 文本机械感，增加口语化表达；

·copywriting-rewriter：商业文案轻量化重构；

·chinese-writing-polish：全场景文案润色。

3.技能协同工作流

选题生成→文案创作→标题优化→去AI味处理→自动化发布，全程 2 分钟完成一篇小红书笔记生成与发布。

3.3 小红书账号预热策略

针对新账号容易被风控限流、无法正常获得流量的问题，我探索搭建了一套四阶段递进式账号预热体系。在基础养号期，通过模拟真人行为进行浏览、搜索、点赞、收藏等操作，让账号建立起正常真实的用户画像；进入内容发布期后，发布三篇不包含任何广告的干货内容，完成创作者身份认证；在信任建立期，以软植入方式少量加入产品相关信息，占比控制在 20% 以内；最后进入流量测试期，发布同主题笔记，检验账号是否恢复正常自然流量。

3.4 自动化养号脚本迭代优化

最开始的脚本版本比较简单，就是按固定顺序一步步执行浏览、搜索、点赞、收藏这些操作。后来我加了关键词白名单，只互动相关内容，防止账号标签乱掉。又做了优化，在首页信息流就能提前判断内容要不要点，不用每个都打开，能少七成多余页面跳转。同时加了更像真人的操作，比如随机停顿、滑动多图、翻翻评论区。还修复了点赞时重复跳转页面的问题，避免被平台判定违规。最后也不断扩充关键词，现在已经有 80 多个，覆盖技术、求职、副业这些方向，让脚本更贴合实际使用场景。

3.5 实验总结与展望

目前已完成内容生成流水线、预热策略文档、自动化养号脚本、关键词体系四大产出，后续将完善状态恢复逻辑，实现预热 + 内容发布全自动化。

四、张垿赫：PPT-Maker 技能全栈开发，打造可视化营销物料生成工具

4.1 顶层架构设计

这次开发没有采用所有代码写在一个文件里的耦合方式，而是采用了四层分离的架构设计，让整个工具更稳定、更容易维护和升级。四层结构分别为：数据规范层负责统一内容格式，把自由文本转换成规范的结构化内容；图形渲染层专门用于封面生成，与业务逻辑分开；浏览器自动化层只处理小红书的页面操作与发布；流程调度层负责把各个模块串起来，统一管理版本、运行状态和异常处理。整体遵循职责单一、模块间无强依赖、支持异常降级、跨平台通用的设计思路。

4.2 技术选型

·开发语言：Python 3.10+；

·封面生成：Pillow（轻量无依赖，优于 OpenCV 与在线 API）；

·自动化发布：Chrome CDP 协议（抗风控，优于 Selenium）；

·数据配置：JSON+Markdown（结构化易解析）。

4.3 实现四大核心模块

1.数据规范层

基于JSON Schema设计结构化模板，固定标题、分段、标签、结尾格式，彻底解决文案解析混乱问题，Python 可直接json.loads读取。

2.图形渲染层（核心）

解决三大技术难题：

·线性渐变背景：自研 RGB 插值算法，逐行渲染无断层；

·跨平台中文字体：自动探测系统字体路径 + 兜底机制，解决中文乱码；

·智能文字换行：字符级实时计算宽度，100% 防排版溢出。

3.浏览器自动化层

实现持久化登录，通过复用本地浏览器 Cookie，实现一次登录永久有效；实现语义化定位，基于 WAI-ARIA 功能定位，使之能够抗小红书 UI 迭代；异常降级兜底，当自动化失败时自动切换手动发布，不中断流程。

4.流程调度层

通过SKILL.md与_meta.json管理技能元数据，实现模块化调用、串行执行、一步失败即停，支持单独调试任意模块。

4.4 技术总结与规划

已实现小红书图文创作→封面生成→自动化发布全流程 Skill，后续将接入 CV 视觉识别、批量定时发布、AI 内容增强能力。

五、许泽榕：LLM+Wiki 深度架构学习，夯实知识管理底层逻辑

5.1 核心思想解读

深度解析 Andrej Karpathy 提出的LLM Wiki思想，对比传统 RAG 缺陷：

• 传统 RAG：查询时临时提取知识，无积累、无关联；
• LLM Wiki：摄取时预构建结构化 Wiki，持久化、复合增长、可维护。

5.2 三层标准架构

·Raw Sources（原始资料层）：只读源文件，事实来源；

·Wiki（知识层）：LLM 生成维护的 Markdown 集合；

·Schema（规则层）：定义 Wiki 结构与维护规则。

5.3 五大开源项目深度对比

分析了claude-obsidian、llm_wiki、llm-wiki-agent、llm-wiki-compiler、llm-wiki-master五大项目，从摄取管线、查询策略、知识图谱、防幻觉、健康检查五大维度拆解实现方案。

5.4 核心技术要点

·Ingest 摄取：单次调用 / 两步链式 / 两阶段编译三种模式，增量编译避免重复工作；

·Query 查询：索引驱动 / 语义检索 / 图谱扩展，支持中文 Bigram 分词；

·知识图谱：确定性链接 + LLM 推断关联，社区检测发现知识聚类；

·防幻觉：源接地、置信度标注、矛盾标记、人类审阅、外部审计；

·健康检查：分层检查，先零成本结构校验，再语义分析。

5.5 对 MarketClaw 的启发

·构建营销知识 Wiki，沉淀爆款文案、热点数据、运营策略；

·采用结构化摄取，保障内容合规无幻觉；

·设计增量更新机制，提升知识沉淀效率；

·融入防幻觉体系，保证营销内容真实可靠。

六、团队共识与总结

本阶段（2026 年 4 月 28 日 —5 月 3 日），MarketClaw 团队完成四大核心能力突破：

1. 对话入口成型：飞书机器人 + DeepSeek 实现轻量化营销交互；
2. 运营闭环完善：内容生成 + 账号预热 + 自动化养号解决小红书冷启动；
3. 物料工具落地：PPT-Maker 实现营销 PPT / 小红书图文全自动生成；
4. 知识底座夯实：LLM+Wiki 架构为智能体知识管理提供最优方案。

团队将继续以个人博客 + 周度同步模式推进开发，下一阶段聚焦多技能协同、全流程自动化、知识 Wiki 落地，推动 MarketClaw 从功能模块向完整营销智能体演进。

项目代码：https://gitee.com/cusir666/MarketClaw

团队博客：https://blog.csdn.net/2401_83356673?type=blog

成员个人博客：

张桐：https://blog.csdn.net/2401_83356673

张垿赫：https://blog.csdn.net/x8688888

商玉雷：https://blog.csdn.net/2401_84216163

许泽榕：https://blog.csdn.net/2301_79938092