Wiseflow im Tiefenblick: Vom Information-Mining-Tool zum Allround-Marketing-Agent

Der Wegbereiter im Zeitalter der Informationsüberflutung

Jeden Tag werden 2,5 Quintillionen Bytes an Daten erzeugt, aber wirklich wertvolle Informationen machen vielleicht weniger als 1% aus. Die zentrale Herausforderung für Entwickler, Unternehmer und Marketingverantwortliche ist nicht „Informationen nicht finden können", sondern „nicht in der Lage zu sein, aus dem massiven Rauschen actionable intelligence zu destillieren".

Das Wiseflow-Projekt trat ursprünglich als „AI Chief Intelligence Officer" in Erscheinung – ein agiles Open-Source-Information-Mining-Tool, das aus Websites, WeChat Official Accounts, sozialen Plattformen und anderen Quellen nach definierten Schwerpunkten Informationen extrahiert, automatisch mit Tags versieht und in Datenbanken hochlädt. Inzwischen hat sich dieses Projekt zu xiaobei (小贝) weiterentwickelt – einem Self-Media-Kundenakquise-Agenten, der maßgeschneidert ist für OPCs und KMUs. Die zugrundeliegende Architektur basiert auf openclaw und hat über 8.400 Stars auf GitHub erreicht.

Dieser Artikel analysiert tiefgehend die technische Architektur, Kernfähigkeiten, praktische Bereitstellung und die Integration von Wiseflow/xiaobei als dynamische Wissensbasis in Ihre eigenen Agent-Projekte.

Kernfunktionen im Überblick

Multi-Source Smart Search: 18 Informationsquellen ohne Konfiguration

Eine der Kernfähigkeiten von Wiseflow ist das integrierte Smart-Search-System, das folgende 18 Quellenkategorien abdeckt:

Entscheidender Vorteil: Kein API-Key erforderlich, komplett kostenlos. Dies steht im starken Kontrast zu herkömmlichen Informationsüberwachungstools, bei denen für jede Plattform separat API-Zugang beantragt werden muss.

Fokusgetriebene Extraktions-Engine

Anders als einfache Crawler oder RSS-Aggregatoren setzt Wiseflow auf einen fokusgetriebenen Informations-Extraktionsansatz:

1. Schwerpunkte definieren: Themen, Schlüsselwörter und Entitäten festlegen, die Sie interessieren
2. Intelligente Extraktion: Die LLM-Engine extrahiert aus Rohinhalten die zu Ihren Schwerpunkten passenden Informationen
3. Automatische Kategorisierung: Basierend auf semantischem Verständnis automatisch taggen und klassifizieren
4. Strukturierte Speicherung: Extrahierte Ergebnisse werden in eine Datenbank hochgeladen und unterstützen nachfolgende Abfragen und Analysen

Der Kernwert dieses Ansatzes liegt darin, „nur das zu extrahieren, was Sie interessiert", wodurch das Informationsrauschen erheblich reduziert wird.

Multi-Agent-Kollaborationsarchitektur

xiaobei verwendet eine Multi-Agent-Kollaborationsarchitektur mit vier spezialisierten Crews:

crews/
├── main/              # Haupt-Agent: Self-Media-Betrieb/Startup-Partner
├── it-engineer/       # IT-Ingenieur: Backend-Ops + Fehlersuche
├── content-producer/  # Content-Ersteller: Video-/Visual-Produktion
└── sales-cs/          # Vertrieb & Kundenservice: Kundenkontakt (bei Bedarf aktivierbar)

Jede Crew verfügt über eine eigene SOUL.md (Persönlichkeitsdefinition), IDENTITY.md (Identitätskonfiguration), MEMORY.md (Gedächtnissystem) und einen Skill-Satz. Die Zusammenarbeit wird über das openclaw-Framework realisiert.

Vollständige Content-Produktionspipeline

Von der Informationssammlung bis zur Content-Veröffentlichung deckt xiaobei den kompletten Workflow ab:

• Informationssammlung: Smart Search über 18 Quellenkategorien
• Content-Erstellung: WeChat-Artikel, Xiaohongshu-Grafiktexte, Kurzvideo-Skripte
• Visual-Design: Poster-Generierung, Grafiklayout, Video-Thumbnails
• Videoproduktion: Kurzvideo-Erstellung, Talking-Head-Videoschnitt, Highlight-Extraktion
• Multi-Plattform-Distribution: WeChat Video Accounts, Douyin, Xiaohongshu, Bilibili, Kuaishou, Twitter/X u.a.
• Daten-Review: Automatische Erfassung von Veröffentlichungsdaten, Content-Bewertung, Strategieoptimierung

Technische Architektur im Detail

Informationssammlungsschicht

Die Sammlungsschicht von Wiseflow basiert auf einem Anti-Fingerprint-Browser-Stack, der auf einem Fork von camoufox-cli aufbaut:

Sammlungsschicht-Architektur
├── camoufox-cli (forked)    # Anti-Fingerprint-Firefox-Browser-Automatisierung
│   ├── Persistente Session   # Genau eine Session pro Plattform
│   ├── Cookie+UA-Double-Export # Login-Status vollständig erhalten
│   └── Headed/Headless-Umschaltung # Login im Headed-Modus, Automatisierung headless
├── login-manager            # Zentrales Login-Status-Management
│   └── ~/.openclaw/logins/  # Plattformübergreifende Cookie-Speicherung
└── Plattformspezifische Skills # Erfassungslogik pro Plattform gekapselt

Designprinzipien: - Eine persistente Session pro Plattform, um zu vermeiden, dass mehrere Sessions Risikokontrollen auslösen - Strenges Verbot des Cookie-Imports für neue Sessions (Device-Fingerprint-Mismatch löst Plattformerkennung aus) - Bei verlorenem Profil: Neu erstellen + erneuter Login, niemals alte Cookies importieren

LLM-Extraktions-Engine

Das Herzstück der Informationsextraktion ist die LLM-Engine, die verschiedene Modelle unterstützt:

Empfohlene Konfiguration: Alibaba Cloud Bailian Token Plan (Lite-Version 39 ¥/Monat, Standard-Version 139 ¥/Monat) – ein Key deckt Hauptmodell, visuelles Modell und Ersatzmodell ab.

Tag-Klassifizierungssystem

Extrahierte Informationen werden durch semantisches Verständnis automatisch kategorisiert:

1. Entitätserkennung: Erkennung von Personennamen, Firmennamen, Produktnamen, Fachbegriffen
2. Themenklassifizierung: Automatische Kategorisierung basierend auf vordefiniertem Tag-System
3. Sentiment-Analyse: Bestimmung der emotionalen Tendenz von Informationen (positiv/negativ/neutral)
4. Relevanzbewertung: LLM bewertet die Relevanz der Information zu den definierten Schwerpunkten

Datenspeicherung

Extrahierte Ergebnisse unterstützen verschiedene Speichermethoden:

• SQLite: Lokale, leichtgewichtige Speicherung, geeignet für Single-Server-Bereitstellungen
• PostgreSQL: Empfohlen für Produktionsumgebungen, unterstützt parallele Abfragen
• Vektordatenbank: Optional anbindbar, unterstützt semantische Suche

Datenstrukturbeispiel:

CREATE TABLE extracted_info (
    id INTEGER PRIMARY KEY,
    source_type VARCHAR(50),      -- Quelltyp
    source_url TEXT,              -- Ursprungslink
    title TEXT,                   -- Titel
    content TEXT,                 -- Extrahierter Inhalt
    focus_points JSON,            -- Übereinstimmende Schwerpunkte
    tags JSON,                    -- Automatische Tags
    sentiment VARCHAR(20),        -- Sentiment-Tendenz
    relevance_score FLOAT,        -- Relevanzbewertung
    extracted_at TIMESTAMP,       -- Extraktionszeitpunkt
    metadata JSON                 -- Erweiterte Metadaten
);

Praxisnahe lokale Bereitstellung

Hardwareanforderungen

Wiseflow/xiaobei hat sehr geringe Hardwareanforderungen und kann vollständig lokal ohne GPU betrieben werden:

Hinweis: Windows 10 1803+ benötigt Git Bash oder WSL2. Der Entwicklermodus sollte aktiviert werden, um Symlinks zu unterstützen.

Ein-Klick-Installation (empfohlen)

macOS / Linux (GitHub-Route):

bash -c "$(curl -fsSL https://raw.githubusercontent.com/TeamWiseFlow/wiseflow/master/scripts/install.sh)"

macOS / Linux (atomgit-Route für China):

bash -c "$(curl -fsSL https://raw.atomgit.com/wiseflow/wiseflow/raw/master/scripts/install-atomgit.sh)"

Windows PowerShell (als Administrator ausführen):

# GitHub-Route
irm https://raw.githubusercontent.com/TeamWiseFlow/wiseflow/master/scripts/install.ps1 | iex

# atomgit-Route für China
irm https://raw.atomgit.com/wiseflow/wiseflow/raw/master/scripts/install-atomgit.ps1 | iex

Das Installationsskript führt automatisch folgende Schritte aus: 1. Herunterladen des vorgefertigten Tarballs (~140 MB) + Anti-Fingerprint-Firefox-Browser (~557 MB) 2. Entpacken nach ~/xiaobei/ (Programmverzeichnis) 3. Initialisieren von ~/.openclaw/ (Betriebsdatenverzeichnis) 4. Anzeigen eines QR-Codes zur WeChat-Bindung (einfach mit WeChat auf dem Smartphone scannen)

API-Key konfigurieren

Nach der Installation muss nur der LLM-API-Key manuell konfiguriert werden:

# Konfigurationsdatei bearbeiten
nano ~/.openclaw/daemon.env

# Alibaba Cloud Bailian Key hinzufügen
AWK_API_KEY=your_api_key_here

# Für Videogenerierung zusätzlich konfigurieren
MODELSTUDIO_API_KEY=your_modelstudio_key

Starten und Verwenden

# Haupt-Agent starten
cd ~/xiaobei
./bin/openclaw start main

# Oder direkt per WeChat chatten (bei der Installation gebunden)

Verzeichnisstruktur

~/xiaobei/              # Programmverzeichnis (bei Upgrade ersetzt)
├── openclaw/           # Upstream-Engine
├── crews/              # Crew-Vorlagen
├── skills/             # Gemeinsame Skills
├── scripts/            # Hilfsskripte
└── bin/openclaw        # Start-Wrapper

~/.openclaw/            # Betriebsdaten (Nutzerdaten, beim Upgrade beibehalten)
├── openclaw.json       # Konfigurationsdatei
├── daemon.env          # Umgebungsvariablen (API-Key)
├── workspaces/         # Arbeitsbereiche der einzelnen Crews
├── logins/             # Plattform-Login-Status
└── logs/               # Betriebsprotokolle

Praxisbeispiele

Beispiel 1: Technische Nachrichten überwachen

Szenario: Verfolgung der neuesten Entwicklungen in den Bereichen AI Agent, LLM, Open-Source-Tools.

Konfiguration:

{
  "focus_points": [
    "AI Agent Frameworks",
    "Neue LLM-Modellveröffentlichungen",
    "Open-Source-Tools GitHub Trending",
    "RAG-Technologie-Fortschritte"
  ],
  "sources": ["GitHub", "Twitter/X", "Zhihu", "WeChat Official Accounts"],
  "schedule": "every 6 hours",
  "output": "daily_digest"
}

Ergebnis: Täglich automatisch generierter Technik-Report, der irrelevante Inhalte herausfiltert und nur hochrelevante Informationen zu den definierten Schwerpunkten beibehält.

Beispiel 2: Wettbewerbsdynamik verfolgen

Szenario: Überwachung von Produktupdates, Marketingaktivitäten und Nutzerfeedback der Wettbewerber.

Konfiguration:

{
  "focus_points": [
    "Wettbewerber A – Neue Funktionen",
    "Wettbewerber B – Nutzerbewertungen",
    "Wettbewerber C – Preisänderungen"
  ],
  "sources": ["Twitter/X", "Xiaohongshu", "Weibo", "Produkt-Website"],
  "sentiment_analysis": true,
  "alert_threshold": 0.8
}

Ergebnis: Echtzeit-Erfassung von Wettbewerbsbewegungen, automatische Warnung bei negativen Bewertungen, schnelle Reaktion auf Marktveränderungen.

Beispiel 3: Dynamische Wissensbasis für Agenten aufbauen

Szenario: Wiseflow als Eingabemodul für ein Agent-Projekt nutzen, um eine dynamische Wissensbasis aufzubauen.

Integrationsansatz:

# Pseudocode: Agent ruft Wiseflow ab, um aktuelle Informationen zu erhalten
class AgentWithWiseflow:
    def __init__(self):
        self.wiseflow_db = connect_to_wiseflow_db()

    def get_context(self, query: str):
        # Relevante Informationen aus der Wiseflow-Datenbank abrufen
        results = self.wiseflow_db.query(
            focus_points=[query],
            limit=10,
            min_relevance=0.7
        )
        return self.format_as_context(results)

    def respond(self, user_input: str):
        # Antwort generieren unter Einbeziehung der dynamischen Wiseflow-Informationen
        context = self.get_context(user_input)
        return self.llm.generate(user_input, context=context)

Vorteil: Der Agent ist nicht mehr auf statische Wissensbasen angewiesen, sondern kann auf Echtzeit-externe Informationen zugreifen.

Integration in Agent-Projekte

Als Wissensmodul

Die von Wiseflow extrahierten strukturierten Daten können direkt als Wissensbasis für Agenten dienen:

1. Direkte Datenbankanbindung: Agent fragt direkt die SQLite/PostgreSQL-Datenbank von Wiseflow ab
2. API-Schnittstelle: Aktuelle Informationen über die von Wiseflow bereitgestellte API abrufen
3. Vektorsuche: Extrahierte Ergebnisse in eine Vektordatenbank importieren, um semantische Suche zu ermöglichen

Kombination mit RAG

Wiseflow als Informationsquelle für RAG (Retrieval-Augmented Generation) nutzen:

Nutzerfrage → Agent empfängt
         ↓
Wiseflow durchsucht relevante Dokumente
         ↓
Angereicherten Prompt erstellen
         ↓
LLM generiert Antwort (basierend auf neuesten Informationen)

Multi-Agent-Kollaboration

Im openclaw-Framework können mehrere Crews von Wiseflow zusammenarbeiten, um komplexe Aufgaben zu bewältigen:

• main Agent: Nimmt Nutzeranforderungen entgegen, zerlegt Aufgaben
• content-producer: Generiert Inhalte basierend auf den von Wiseflow extrahierten Informationen
• it-engineer: Gewährleistet Systemstabilität, bearbeitet technische Probleme

Vergleich mit anderen Informationsüberwachungstools

Kernvorteile von Wiseflow: 1. Null-Konfiguration-Quellenanbindung: Smart Search erfordert keine API-Anmeldung pro Plattform 2. Fokusgetrieben: Kein einfaches Crawling, sondern bedarfsgerechte Extraktion 3. Vollständiger geschlossener Kreislauf: Von der Informationssammlung bis zur Content-Veröffentlichung alles aus einer Hand 4. Native Agent-Integration: Kann direkt als Wissensmodul für Agenten eingesetzt werden

Einschränkungen und Hinweise

Aktuelle Einschränkungen

1. Anti-Fingerprint-Browser-Abhängigkeit: camoufox-cli erfordert den Download eines ~557 MB großen Firefox-Browsers, die Erstinstallation ist relativ langsam
2. Plattform-Risikokontrolle: Häufiges Erfassen kann plattformeigene Risikokontrollen auslösen, die Frequenz sollte angemessen gesteuert werden
3. Login-Status-Wartung: Einige Plattformen erfordern regelmäßiges erneutes Anmelden, abgelaufene Cookies müssen manuell behandelt werden
4. Windows-Unterstützung: Git Bash oder WSL2 muss installiert werden, native Unterstützung ist schwach

Best Practices

1. Erfassungsfrequenz steuern: Hohe Frequenz vermeiden, um plattformseitige Risikokontrollen nicht auszulösen – empfohlen wird alle 6 Stunden
2. Schwerpunkte sinnvoll setzen: Je präziser die Schwerpunkte, desto besser die Extraktion und desto weniger Rauschen
3. Login-Status regelmäßig warten: Prüfen, ob Plattform-Cookies abgelaufen sind, und rechtzeitig neu anmelden
4. China-Route verwenden: Nutzer in China sollten die atomgit-Route verwenden, um GitHub-Zugriffsprobleme zu vermeiden
5. Betriebsdaten sichern: Das Verzeichnis ~/.openclaw/ regelmäßig sichern, um Datenverlust zu vermeiden

Compliance-Hinweise

• Die Nutzungsbedingungen und robots.txt-Regeln der jeweiligen Plattformen einhalten
• Nicht zur Erfassung privater oder sensibler Daten verwenden
• Bei kommerzieller Nutzung die Urheberrechte beachten
• Hochfrequentes Erfassen kann zur IP-Sperrung führen, die Verwendung von Proxys wird empfohlen

Fazit und Bewertung

Wiseflow/xiaobei ist ein Erfolgsbeispiel für die Evolution vom Information-Mining-Tool zum Allround-Marketing-Agenten. Die Kernwerte liegen in:

Vorteile: - ✅ 18 Quellenkategorien ohne Konfiguration, Smart Search komplett kostenlos - ✅ Fokusgetriebene LLM-Extraktion, kein einfacher Crawler - ✅ Vollständige Content-Produktionspipeline: Informationssammlung → Erstellung → Veröffentlichung → Review - ✅ Multi-Agent-Kollaborationsarchitektur, stark erweiterbar - ✅ Lokale Bereitstellung, geringe Hardwareanforderungen, vollständige Datenkontrolle - ✅ Vollständig Open Source, aktive Community (8.400+ Stars)

Nachteile: - ⚠️ Anti-Fingerprint-Browser ist groß, Erstinstallation langsam - ⚠️ Plattform-Risikokontrollen erfordern eigene Frequenzsteuerung - ⚠️ Windows-Unterstützung erfordert zusätzliche Konfiguration

Geeignete Szenarien: - Self-Media-Betreiber: All-in-One-Content-Produktion + Multi-Plattform-Distribution - Gründer/Produktmanager: Wettbewerbsüberwachung, Marktanalyse - Entwickler: Technik-News-Verfolgung, Open-Source-Projekt-Monitoring - Agent-Entwickler: Dynamische Wissensbasis für Agenten bereitstellen

Empfehlungsbewertung: ⭐⭐⭐⭐⭐ (5/5)

Für Einzelpersonen oder kleine Teams, die von Grund auf ein Informationsüberwachungs- und Content-Produktionssystem aufbauen müssen, ist Wiseflow/xiaobei eine der vollständigsten Lösungen in der Open-Source-Community. Es löst nicht nur die Frage „Woher kommen die Informationen?", sondern auch „Wie können Informationen Wert schaffen".

Häufig gestellte Fragen (FAQ)

1. Was ist die Beziehung zwischen Wiseflow und xiaobei?

Wiseflow ist der ursprüngliche Projektname (hieß früher „AI Chief Intelligence Officer"), xiaobei (小贝) ist der aktuelle Markenname. Der zugrundeliegende Code ist derselbe, die Funktionen wurden von reiner Informationsextraktion zu einem vollständigen Self-Media-Kundenakquise-Agenten erweitert. Das GitHub-Repository heißt weiterhin TeamWiseFlow/wiseflow.

2. Ist Smart Search wirklich komplett kostenlos?

Ja, Smart Search erfordert keinerlei API-Key-Konfiguration und ist direkt nutzbar. Für die LLM-Extraktionsfunktion muss jedoch ein Modell-API-Key konfiguriert werden (z.B. Alibaba Cloud Bailian Token Plan, Lite-Version ab 39 ¥/Monat).

3. Kann ich nur die Informationsextraktion nutzen, ohne die Content-Produktion?

Ja. Die Kernfunktion der Informationsextraktion von Wiseflow ist unabhängig. Sie können nur Smart Search und Datenspeicherung konfigurieren und auf Content-Produktion und Veröffentlichung verzichten.

4. Wie vermeide ich plattformseitige Risikokontrollen?

• Erfassungsfrequenz steuern (empfohlen: alle 6 Stunden)
• Persistente Sessions verwenden, um häufiges Anmelden zu vermeiden
• Kein hochfrequentes Crawling einzelner Plattformen
• robots.txt und Nutzungsbedingungen der jeweiligen Plattformen einhalten

5. Kann ich es in bestehende Agent-Projekte integrieren?

Ja. Die von Wiseflow extrahierten Daten werden in SQLite/PostgreSQL gespeichert. Ihr Agent kann die Datenbank direkt abfragen oder über eine API-Schnittstelle aktuelle Informationen abrufen. Die extrahierten Ergebnisse können auch in eine Vektordatenbank importiert werden, um semantische Suche zu unterstützen.