新闻详情

新闻详情

首页 / 资讯中心 / 详情

WeWrite 3种安装方式实战:Claude Code、Codex、OpenClaw全平台快速上手

发布时间:2026/11/13 8:25:24来源:尧图网络
WeWrite 3种安装方式实战:Claude Code、Codex、OpenClaw全平台快速上手
WeWrite 3种安装方式实战Claude Code、Codex、OpenClaw全平台快速上手【免费下载链接】wewrite公众号内容全流程 Skill从热点抓取到微信草稿箱一句话跑完整条内容管道项目地址: https://gitcode.com/gh_mirrors/wew/wewriteWeWrite 是一个公众号内容全流程 Skill一句话完成选题、素材、写作和审稿还能按需追加配图、18 主题排版和微信草稿箱推送。这篇文章带你用 3 种安装方式在 Claude Code、Codex、OpenClaw 等 Agent 平台上快速上手5 分钟内跑通整条内容管道。 安装前 1 分钟WeWrite 是什么WeWrite 采用「prompt 负责判断Python 负责确定性」的三层架构层位置职责Prompt 层skills/ 下 10 个自包含 skill选题、写作、审稿等判断类工作Runtime 层wewriteCLIpip 包评分、转 HTML、调微信 API 等确定性操作State 层~/.wewrite/凭证、风格、历史、学习产物全部在仓库外三层解耦意味着skill 目录复制到哪都能用CLI 独立安装升级换机器只需带走~/.wewrite/目录见 src/wewrite/paths.py 的状态目录解析逻辑。 方式一一键安装推荐两条命令装好 CLI 全部 10 个 skillgit clone --depth 1 https://gitcode.com/gh_mirrors/wew/wewrite ~/wewrite cd ~/wewrite bash install.shinstall.sh幂等可重复运行它自动完成三件事装wewriteCLI优先uv tool install其次pipx都没有则回退仓库内 venv editable 安装绕过 macOS PEP 668详见 install.sh链接 skill把 skills/ 下的主入口和各wewrite-*模块符号链接到~/.claude/skills/与~/.agents/skills/检测到 OpenClaw~/.openclaw或 Codex~/.codex时会一并链接无需额外操作见 install.sh迁移旧状态v2.1 及之前留在仓库根的用户状态自动迁到~/.wewrite/见 install.sh。⚠️ 环境要求Python 3.11pyproject.toml 声明。装完后单独激活示例/wewrite-topic选题、/wewrite-review自检、/wewrite-rewrite多平台改写。 方式二skills.sh 按需挑模块不想全量安装skill 目录自包含、复制即用按需取模块npx skills add imraywang/wewriteCLI 单独装一条即可它是不依赖任何 Agent 的独立工具层可当排版/发布/评分工具用uv tool install wewrite # 或 pipx install wewrite这种组合适合「只要某一段能力」的场景只用/wewrite-visual做封面、只用wewrite preview做排版。 方式三让 AI 自己装对任意 Agent 说一句请帮我安装 https://gitcode.com/gh_mirrors/wew/wewrite 这个 skill跑仓库里的 install.shAgent 会自己 clone 仓库、执行安装脚本、验证环境。装好直接开聊即可。 OpenClaw / Codex / Hermes 手动安装方式一的install.sh会自动检测这三家并链接如需手动安装因为三家均原生支持 folder-per-skill无需构建转换OpenClaw / Codex目标目录不同for s in ~/wewrite/skills/wewrite*; do ln -sfn $s ~/.openclaw/skills/$(basename $s); done # Codex 同理目标换成 ~/.codex/skills/Hermes自带技能管理器hermes skills install imraywang/wewrite⚠️ 各家都要求wewriteCLI 在 PATH 中uv tool install wewrite。✅ 装好之后验证与可选配置环境自检一条命令检查依赖、配置、风格文件wewrite diagnose # 或 wewrite diagnose --json wewrite home # 查看状态目录可选配置写作本身不需要任何 API 配置只有推草稿箱和 AI 配图才需要cp config.example.yaml ~/.wewrite/config.yaml填入微信公众号appid/secretconfig.example.yaml推送需要和图片 API key生图需要支持 10 个 provider 自动 fallback。配了WEWRITE_WRITER_API_KEY则正文可路由给独立写作模型成本可控。首次上手常用指令对 Agent 直接说你说效果写一篇公众号文章审过的本地成稿默认不生图、不发布完整制作一篇公众号文章成稿 配图 本地预览推到公众号草稿箱明确授权后才发布今天写什么只要 10 个评分排序的选题改写成小红书多平台改写学习我的修改编辑飞轮越用越像你完整指令表见 README.md。⬆️ 升级对 Agent 说「更新」或手动执行脚本幂等随时重跑cd ~/wewrite git pull bash install.sh3 种方式任选其一Claude Code、Codex、OpenClaw 全平台通吃。装完说「写一篇公众号文章」从热点抓取到成稿交付一句话跑完整条内容管道 ✍️【免费下载链接】wewrite公众号内容全流程 Skill从热点抓取到微信草稿箱一句话跑完整条内容管道项目地址: https://gitcode.com/gh_mirrors/wew/wewrite创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉