01月28日
一、今日完成情况
- dify继续创建工作流, B站高质量视频筛选，筛选出收藏播放比更高的视频链接进行查看
- 1、需要一个API，把视频进行基本信息的批量提取，找出满足要求视频流的基本信息 已经实现且部署到服务器上
- 2、需要ObsidianAPI，负责把这些信息全部保存到本地的数据库当中
- 3、需要一个AI工作流，可以访问我的数据库，根据我的要求筛选出满足条件的视频信息。
- 师兄说的两个术语继续去快速上手 50%
- 预定–Java梳理一下怎么开一个新坑，从简单的项目开始上手 未完成
二、今日感悟
- 核心业务数据：
- 简单了解prompt提示词的配置，常用的分类
- B站视频链接的链接批量爬取，API本地和部署到服务器快速配置
- 使用ssh vultr快速连接云服务器完成配置
- 工作流完成基本的判断逻辑学习和json格式转化为markdown格式。
- 使用AI帮我把B站API服务项目部署到github上，还挺方便的，
- 今日工作总结：
- 工作比较零散，不过还是有迹可循的，眼睛比较疲惫的，这就是为什么我要买电纸书。
- 明日工作计划：
- 继续完成notion或者Obsidian的数据导入，我个人偏向于notion的导入，因为是云端数据库不占存储，适用于大批量，并且notion是按照数据库的快装来存储的，便于数据的管理。所以说Obsidian和notion各有特点。
- 今日学习成长：
- B站API访问部署到服务器上，现在越来越熟练了。
三、备注
- 无
四、dify的ReAct机制
https://dify.ai/blog/dify-agent-node-introduction-when-workflows-learn-autonomous-reasoning
这是dify的一个工作模式，用于复杂推理：
| 策略名称 | 作用特点 | 适用场景 |
|---|---|---|
| Function Calling | 精准直接。利用模型原生的函数调用能力，直接输出结构化指令。 | 适合 GPT-4、Claude 3.5 等强模型，追求高成功率和速度。 |
| ReAct (Reason+Act) | 边想边做。模型会按照“思考 -> 行动 -> 观察”的步骤循环，过程透明。 | 适合需要复杂逻辑推理、或模型本身不支持原生函数调用的场景。 |
| 传统的对话机器人是线性的（问一句答一句），而加载了策略插件的 Agent 可以实现： |
- 自主推理： 根据你的任务，拆解出需要执行的步骤。
- 工具调度： 自动判断现在该用哪个工具，并提取出工具需要的参数。
- 迭代循环： 如果第一次执行结果不理想，它会根据反馈进行自我修正，直到完成任务或达到尝试上限。
所以有了这个插件之后，就和我的vscode cline工具解决问题的逻辑一样了，可以通过迭代不停地修复问题，我现在就琢磨一下如何配置和使用。
五、Bilibili API dify 访问配置
今天干的事情，笔记没有怎么导出，是我疏忽了。
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 kipleyarch@gmail.com
