一个人+AI 的认知协作框架
知识不应该被热度绑架。认知需要多视角制衡。
📜 认知方法论宣言 · 🚀 部署指南 · 🏗️ 架构白皮书（AI Agent 版） · ⚡ 快速开始 · 🧩 组件 · 🤝 参与
这个项目的所有代码、设计、文档均由 AI 独立完成。 人类只提供想法方向、提出意见和做决策。没有任何一行代码是手写的。
运行框架推荐 Hermes Agent，LLM 推荐 DeepSeek。
把 docs/ARCHITECTURE.md 交给你的 Hermes Agent，它会自主完成整个系统的理解、配置和部署。
具体操作：将 docs/ARCHITECTURE.md 发送给你的 Hermes Agent，告诉它"部署 Orcas"，Agent 会：
- 读取架构白皮书，理解系统全貌
- 检查目标环境
- 克隆代码仓库
- 配置数据源和 API Key
- 初始化知识图谱数据库
- 运行全链路测试
- 设置定时任务
- 汇报运行结果
你不需要阅读任何文档——Agent 自己读。
Orcas 不是一个"装好就能用"的知识图谱工具。它是一个认知方法论框架。
| 原则 | 一句话 |
|---|---|
| 星群模型 | 个人知识与公共知识物理隔离，不被热度绑架 |
| 三元制衡 | 决策者、框架、助手三个视角独立运作，互相纠偏 |
| 实验生命周期 | 假设→实验→验证→提炼→收录，证伪也是知识 |
| AI 审慎 | 多视角制衡是防止 AI 放大错误的安全阀 |
| 认知主权 | 决策者有推翻一切的最终权限，认知不可外包 |
详见 docs/MANIFESTO.md — 认知方法论宣言。
Orcas 提供三种部署方式，选择最适合你的：
| 方式 | 适合用户 | 操作 |
|---|---|---|
| 一键脚本 | 所有用户 | bash <(curl -s https://raw.githubusercontent.com/mr-tan4/Orcas/main/install.sh) |
| AI Agent 自部署 | Hermes / Claude Code 用户 | 把 docs/ARCHITECTURE.md 发给 Agent |
| 手动部署 | 需要定制化的用户 | 见下方快速开始 |
详见 docs/DEPLOY.md 获取完整部署指南。
- Python 3.10+
- 一个 LLM API Key（DeepSeek / OpenAI 均可，可选，用于精校 NER）
git clone https://github.com/mr-tan4/Orcas.git
cd Orcas
pip install -r requirements.txtcp config.example.yaml config.yaml编辑 config.yaml，填入你的数据源：
orcas:
collector:
sources:
- type: rss
name: "my_feed"
url: "https://example.com/feed.xml"
category: "technology"python3 -m knowledge-graph.loader --seed-only# 采集
python3 -m collector.collector --all
# 导入 KG
python3 -m knowledge-graph.loader --incremental
# 趋势快照
python3 -m analysis.trend_analysis snapshot
# 看看结果
python3 -m analysis.trend_analysis trending0 */2 * * * cd ~/orcas && python3 -m collector.collector --all
30 */2 * * * cd ~/orcas && python3 -m knowledge-graph.loader --incremental
0 9 * * * cd ~/orcas && python3 -m analysis.trend_analysis trending详见 scheduler/cron_patterns.md。
orcas/
├── knowledge-graph/ # 知识图谱引擎
│ ├── loader.py # 增量/全量数据导入
│ ├── ner_fast.py # 快速实体提取
│ ├── confidence_engine.py # 置信度评分
│ ├── trend_analysis.py # 趋势分析+突发检测
│ ├── query.py # 知识图谱查询
│ └── thought_ingestion.py # 记忆摄入（决策/判断/指令→KG）
├── analysis/ # 分析引擎
│ ├── trend_analysis.py # 趋势/新发现/突发
│ ├── counterfactual.py # 反事实推理
│ ├── gap_detection.py # 知识盲区检测
│ └── report_generator.py # 报告生成
├── collector/ # 数据采集
│ ├── collector.py # 通用采集器
│ ├── registry.py # 适配器注册表
│ └── sources/ # 数据源适配器
├── scheduler/ # 调度与交付
│ ├── cron_patterns.md # 定时任务模式
│ └── delivery_spec.md # 投递规范
├── docs/
│ ├── MANIFESTO.md # 📜 认知方法论宣言
│ └── ARCHITECTURE.md # 架构白皮书（AI Agent 版）
└── scripts/ # 辅助脚本
├── health_check.py # 健康检查
└── data_validate.py # 数据校验
| 项目 | 说明 |
|---|---|
| Hermes Agent | 由 Nous Research 开源的通用 AI Agent 框架。支持多平台接入（微信、Telegram、Discord）、插件系统、技能系统、定时任务调度。是运行 Orcas 全链路的推荐载体。 |
| DeepSeek | 深度求索开源的高性价比 LLM。在代码生成、数据分析、摘要生成等任务上表现出色，API 成本仅为同类模型的 1/10。 |
本项目需要的不是"加功能"，而是**"加视角"**。
| 贡献类型 | 说明 |
|---|---|
| 使用反馈 | 部署后遇到的问题、你觉得缺失的功能 |
| 理念碰撞 | 三元认知模型有缺陷？开 Issue 辩论 |
| 跨领域经验 | 这个方法论在你的领域是否成立？ |
| 语言/文化适配 | 英文文档的翻译和本地化 |
| 工具扩展 | 新的数据源适配器、分析器、投递目标 |
我们不做功能竞标赛。这个项目的价值在于它的理念和结构，不在于它有多少个数据源。
- 三元认知共同体的精神同样适用于社区——不同视角的价值高于共识
- 反对同态——不要为了和谐而回避分歧
- 所有讨论必须是可追溯的（公开 Issue/PR，不接受私聊决策）
| 项目 | 预估 |
|---|---|
| 采集 | 免费（RSS/API 调用） |
| NER 快速级 | CPU 毫秒级，免费 |
| NER 精校级（可选） | 按 API 计费 |
| 趋势分析 | 本地计算，免费 |
| 报告生成 | ~$0.05-0.15/天（DeepSeek） |
典型场景（10 个 RSS 源 + 每日报告）每天 API 费用约 $0.05-0.15。
需要 GPU 吗？ 不需要。整条管道跑在 2C4G 机器上绰绰有余。
数据存哪里？ 默认 ~/.orcas/，全部本地 SQLite + JSON。
能换别的 LLM 吗？ 可以。config.yaml 改 llm.provider 和 llm.model 即可。
怎么加我自己的分析逻辑？ analysis/ 下新建文件，实现 analyze(db) 接口，框架自动发现。
我不同意三元制衡的理念怎么办？ 欢迎开 Issue 辩论。这个项目的价值就在于不同的视角。
- Hermes Agent — 驱动本项目的 AI Agent 框架
- DeepSeek — 为本项目提供核心推理能力的 LLM
- OpenViking — Thought Ingestion 模块的 L0/L1/L2 三级记忆管理与检索思路源于此项目
- 所有开源项目的维护者，你们的 work 是这一切的基础
MIT License — 代码随意使用，理念欢迎碰撞。