让 AI 主动看懂你的工作MineContext 上下文感知 AI 完整上手指南【免费下载链接】MineContextMineContext is your proactive context-aware AI partnerContext-EngineeringChatGPT Pulse项目地址: https://gitcode.com/GitHub_Trending/mi/MineContext如果你已经受够了每次提问都要手动粘贴文档、补充背景的 AI 助手MineContext 或许会给你带来不一样的体验。这是一个开源的上下文感知 AI 伙伴它通过持续采集你的屏幕、文档与项目状态把散落的工作信息沉淀为可检索的语义上下文再主动为你生成待办、提醒、摘要和活动记录。换句话说它关心的不是你问了什么而是你正在做什么。本文将从环境准备、核心配置、启动调试到常见排错带你一步步把它跑起来全程约十分钟。传统 AI 助手差在哪它看不见你的上下文先想一个场景你上午在处理一份合同下午切换到代码调试晚上整理会议纪要。传统的问答式 AI 需要你为每一次提问补齐背景——这是 XX 项目的需求文档请帮我……而这些背景恰恰是你刚刚亲手创建、却已忘在脑后的内容。MineContext 的不同之处在于主动感知这条链路采集屏幕截图、文件夹变动、文档变更被持续记录无需你手动喂料理解多模态内容经处理后被打上语义标签形成实体、活动、意图、语义、流程、状态六类上下文回报系统基于这些上下文主动推送待办、提示、日报而不是等你开口。一句话概括它把从数据到理解的脏活累活全部接管你只需专注于工作本身。拆开看看感知-处理-存储-消费四段流水线整套后端在opencontext/目录下按职责分层弄清楚这一结构后面调参会顺手很多context_capture/采集层负责截图、文件夹监控、文档监控等多个数据源context_processing/处理层负责分块、实体抽取、上下文合并与去重storage/存储层默认使用 ChromaDB 向量库加 SQLite可平滑切换 Qdrantcontext_consumption/消费层负责智能提示、待办、日报、活动摘要等内容的生成。前端则是基于 Electron React TypeScript 的桌面应用主进程、预加载脚本、渲染进程彼此隔离兼顾了安全性与可维护性。普通用户不必深究这些实现但了解后你会知道每个配置项到底改的是哪一段逻辑。小结MineContext 不是单点功能而是一条完整的上下文工程流水线理解分段有助于你精准调优。动手前先摸清 config 里的三组关键开关所有行为都集中在config/config.yaml部署前建议先确认三件事。第一系统看什么。默认只开启了基础能力截图与文件夹监控都是关闭的。想启用屏幕感知把 capture 段改为capture: screenshot: enabled: true capture_interval: 5 # 截图间隔单位秒 folder_monitor: enabled: true watch_folder_paths: - ${CONTEXT_PATH:.}/persist/Documents第二上下文存哪里。默认向量后端是本地模式 ChromaDB数据落在persist/chromadb若切换 Qdrant务必让vector_size与embedding_model.output_dim一致否则检索会报维度错误。第三内容怎么说。提示语言在prompts.language中设置默认zh内容生成节奏由content_generation段控制下文会细说。小结配置的总体思路是先本地跑通再逐步打开采集开关避免一上来就采集过量导致资源紧张。三步完成环境搭建并启动服务假设你已经有了 Python 环境按以下顺序操作即可git clone https://gitcode.com/GitHub_Trending/mi/MineContext cd MineContext pip install -r requirements.txt python -m opencontext.server服务默认绑定127.0.0.1:1733启动后浏览器访问http://localhost:1733即可看到管理后台。注意两个细节端口 1733 被占用会导致启动失败可用netstat -tulpn | grep 1733排查首次启动会初始化存储目录与日志文件稍等片刻再访问页面。小结后端是纯 Python 服务与桌面端解耦先跑通它后续调试桌面应用时才不至于两头抓瞎。给 AI 接上大脑API Key 与模型选择没有模型上下文就无从理解。MineContext 兼容 OpenAI API 协议因此你可以选择豆包、OpenAI或任何第三方/本地模型服务。考虑到成本与效果的平衡官方推荐豆包模型需要激活两个模型视觉语言模型VLMDoubao-Seed-1.6-flash负责看懂截图内容嵌入模型EmbeddingDoubao-embedding-vision负责把内容向量化用于检索。如果希望数据完全不出本机也可以用 LMStudio 运行本地模型再在设置里填入对应的服务地址与密钥。界面上的填写流程如下小结模型选择决定了看得懂与记得住的上限建议首次体验直接用官方推荐组合跑通后再换本地模型。授权屏幕录制让上下文开始累积上下文采集的核心依赖屏幕内容理解因此需要给应用开启屏幕录制权限。进入屏幕监控页面按引导授权完成后必须重启应用权限才会生效。重启后先在设置中框选你要监控的屏幕区域再点击开始录制。之后系统会按设定的间隔默认 5 秒持续采样采集一旦开始你就不必再盯着它了。后台会陆续产出活动记录、待办与提示积累到一定量后价值会越来越明显——这正是忘了它策略的意义采集得越久上下文越完整。把节奏交给后台自动化参数与调试面板后台的产出频率都可以在content_generation段微调content_generation: activity: interval: 900 # 活动摘要建议 900-1800 秒 tips: interval: 3600 # 智能提示建议 3600-7200 秒 todos: interval: 1800 # 待办更新建议 1800-3600 秒 report: time: 08:00 # 每日日报生成时间如果觉得推送太频繁或太稀疏改这里的数字即可不必动业务代码。想要可视化地观察系统运行则访问后台调试页http://localhost:1733这里能看到 Token 消耗分布、各任务执行间隔以及系统提示词的在线编辑界面在提示词编辑页可以调整系统如何评价你的工作状态、给出规划建议——相当于给主动推送这件事业制定行为准则改完点击保存即可生效。小结调优的本质是喂给 AI 的上下文数量与AI 回馈内容的频率之间的平衡参数都集中在 config 与调试页两处。常见坑位排雷四个高频问题一次说清端口 1733 被占用。多为上次进程未退出lsof -i:1733找到进程结束后重试。屏幕权限授权后仍无画面。授权后忘记重启应用是最常见原因重启一次即可。生成响应慢。通常是批处理参数过小或图片过大可调低processing.document_processor.batch_size、调大batch_timeout并限制screenshot_processor.max_image_size。存储膨胀。向量数据累积在persist/目录定期清理临时文件、或为 ChromaDB 配置自动清理策略即可缓解。写在最后回到开头的场景当 AI 能看见你的一整天它就不再是被动应答的工具而更像一个了解你工作节奏的搭档。MineContext 的起步门槛并不高——一个后端服务、两个模型、一次权限授权之后的事交给时间。建议你从基础的文件夹监控开始跑通后再逐步打开屏幕采集与内容生成让这套上下文感知系统慢慢适应你的节奏而不是反过来。【免费下载链接】MineContextMineContext is your proactive context-aware AI partnerContext-EngineeringChatGPT Pulse项目地址: https://gitcode.com/GitHub_Trending/mi/MineContext创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 让 AI 主动看懂你的工作：MineContext 上下文感知 AI 完整上手指南
让 AI 主动看懂你的工作MineContext 上下文感知 AI 完整上手指南【免费下载链接】MineContextMineContext is your proactive context-aware AI partnerContext-EngineeringChatGPT Pulse项目地址: https://gitcode.com/GitHub_Trending/mi/MineContext如果你已经受够了每次提问都要手动粘贴文档、补充背景的 AI 助手MineContext 或许会给你带来不一样的体验。这是一个开源的上下文感知 AI 伙伴它通过持续采集你的屏幕、文档与项目状态把散落的工作信息沉淀为可检索的语义上下文再主动为你生成待办、提醒、摘要和活动记录。换句话说它关心的不是你问了什么而是你正在做什么。本文将从环境准备、核心配置、启动调试到常见排错带你一步步把它跑起来全程约十分钟。传统 AI 助手差在哪它看不见你的上下文先想一个场景你上午在处理一份合同下午切换到代码调试晚上整理会议纪要。传统的问答式 AI 需要你为每一次提问补齐背景——这是 XX 项目的需求文档请帮我……而这些背景恰恰是你刚刚亲手创建、却已忘在脑后的内容。MineContext 的不同之处在于主动感知这条链路采集屏幕截图、文件夹变动、文档变更被持续记录无需你手动喂料理解多模态内容经处理后被打上语义标签形成实体、活动、意图、语义、流程、状态六类上下文回报系统基于这些上下文主动推送待办、提示、日报而不是等你开口。一句话概括它把从数据到理解的脏活累活全部接管你只需专注于工作本身。拆开看看感知-处理-存储-消费四段流水线整套后端在opencontext/目录下按职责分层弄清楚这一结构后面调参会顺手很多context_capture/采集层负责截图、文件夹监控、文档监控等多个数据源context_processing/处理层负责分块、实体抽取、上下文合并与去重storage/存储层默认使用 ChromaDB 向量库加 SQLite可平滑切换 Qdrantcontext_consumption/消费层负责智能提示、待办、日报、活动摘要等内容的生成。前端则是基于 Electron React TypeScript 的桌面应用主进程、预加载脚本、渲染进程彼此隔离兼顾了安全性与可维护性。普通用户不必深究这些实现但了解后你会知道每个配置项到底改的是哪一段逻辑。小结MineContext 不是单点功能而是一条完整的上下文工程流水线理解分段有助于你精准调优。动手前先摸清 config 里的三组关键开关所有行为都集中在config/config.yaml部署前建议先确认三件事。第一系统看什么。默认只开启了基础能力截图与文件夹监控都是关闭的。想启用屏幕感知把 capture 段改为capture: screenshot: enabled: true capture_interval: 5 # 截图间隔单位秒 folder_monitor: enabled: true watch_folder_paths: - ${CONTEXT_PATH:.}/persist/Documents第二上下文存哪里。默认向量后端是本地模式 ChromaDB数据落在persist/chromadb若切换 Qdrant务必让vector_size与embedding_model.output_dim一致否则检索会报维度错误。第三内容怎么说。提示语言在prompts.language中设置默认zh内容生成节奏由content_generation段控制下文会细说。小结配置的总体思路是先本地跑通再逐步打开采集开关避免一上来就采集过量导致资源紧张。三步完成环境搭建并启动服务假设你已经有了 Python 环境按以下顺序操作即可git clone https://gitcode.com/GitHub_Trending/mi/MineContext cd MineContext pip install -r requirements.txt python -m opencontext.server服务默认绑定127.0.0.1:1733启动后浏览器访问http://localhost:1733即可看到管理后台。注意两个细节端口 1733 被占用会导致启动失败可用netstat -tulpn | grep 1733排查首次启动会初始化存储目录与日志文件稍等片刻再访问页面。小结后端是纯 Python 服务与桌面端解耦先跑通它后续调试桌面应用时才不至于两头抓瞎。给 AI 接上大脑API Key 与模型选择没有模型上下文就无从理解。MineContext 兼容 OpenAI API 协议因此你可以选择豆包、OpenAI或任何第三方/本地模型服务。考虑到成本与效果的平衡官方推荐豆包模型需要激活两个模型视觉语言模型VLMDoubao-Seed-1.6-flash负责看懂截图内容嵌入模型EmbeddingDoubao-embedding-vision负责把内容向量化用于检索。如果希望数据完全不出本机也可以用 LMStudio 运行本地模型再在设置里填入对应的服务地址与密钥。界面上的填写流程如下小结模型选择决定了看得懂与记得住的上限建议首次体验直接用官方推荐组合跑通后再换本地模型。授权屏幕录制让上下文开始累积上下文采集的核心依赖屏幕内容理解因此需要给应用开启屏幕录制权限。进入屏幕监控页面按引导授权完成后必须重启应用权限才会生效。重启后先在设置中框选你要监控的屏幕区域再点击开始录制。之后系统会按设定的间隔默认 5 秒持续采样采集一旦开始你就不必再盯着它了。后台会陆续产出活动记录、待办与提示积累到一定量后价值会越来越明显——这正是忘了它策略的意义采集得越久上下文越完整。把节奏交给后台自动化参数与调试面板后台的产出频率都可以在content_generation段微调content_generation: activity: interval: 900 # 活动摘要建议 900-1800 秒 tips: interval: 3600 # 智能提示建议 3600-7200 秒 todos: interval: 1800 # 待办更新建议 1800-3600 秒 report: time: 08:00 # 每日日报生成时间如果觉得推送太频繁或太稀疏改这里的数字即可不必动业务代码。想要可视化地观察系统运行则访问后台调试页http://localhost:1733这里能看到 Token 消耗分布、各任务执行间隔以及系统提示词的在线编辑界面在提示词编辑页可以调整系统如何评价你的工作状态、给出规划建议——相当于给主动推送这件事业制定行为准则改完点击保存即可生效。小结调优的本质是喂给 AI 的上下文数量与AI 回馈内容的频率之间的平衡参数都集中在 config 与调试页两处。常见坑位排雷四个高频问题一次说清端口 1733 被占用。多为上次进程未退出lsof -i:1733找到进程结束后重试。屏幕权限授权后仍无画面。授权后忘记重启应用是最常见原因重启一次即可。生成响应慢。通常是批处理参数过小或图片过大可调低processing.document_processor.batch_size、调大batch_timeout并限制screenshot_processor.max_image_size。存储膨胀。向量数据累积在persist/目录定期清理临时文件、或为 ChromaDB 配置自动清理策略即可缓解。写在最后回到开头的场景当 AI 能看见你的一整天它就不再是被动应答的工具而更像一个了解你工作节奏的搭档。MineContext 的起步门槛并不高——一个后端服务、两个模型、一次权限授权之后的事交给时间。建议你从基础的文件夹监控开始跑通后再逐步打开屏幕采集与内容生成让这套上下文感知系统慢慢适应你的节奏而不是反过来。【免费下载链接】MineContextMineContext is your proactive context-aware AI partnerContext-EngineeringChatGPT Pulse项目地址: https://gitcode.com/GitHub_Trending/mi/MineContext创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考