Coco-AI 集成语雀作为语料库进行检索

说在前面，这个功能需要在语雀后台申请 Personal Access Token。使用的需要超级会员的（不是邀请新用户给的专业会员），所以需要付费使用。 https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai  <!-- more --> 然后在语雀后台，也就是https://www.yuque.com/settings/tokens处可以看见申请token的地方，如果你没有超级会员，这个是没办法用的。  点击新建，创建 token 分发权限，我这边给了所以的权限，语雀和 Notion 不同，这里给了权限就够了，其他地方无需在给权限。（手动@Notion 还要在文档或者文件夹授权）  点击查看详情可以看到 token，这里的 token 是可以反复查看的，由此语雀这一侧的设置完毕。  回到 coco-AI,我这边使用的是这个镜像，这里添加了对个人版本语雀的支持。 ```bash infinilabs/coco:0.3.2_NIGHTLY-20250417 ``` 启动命令如下： ``` docker run -d --name cocoserver -p 9000:9000 infinilabs/coco:0.3.2_NIGHTLY-20250417 ``` 然后进入后台初始化模型，我这里使用的本地部署的 deepseek：  点击数据源，选择 yuque connector  配置的地方很简单，填入数据源名称和 Token 和刷新时间。  然后我们就可以看到刷新的数据了 

Coco-AI × Amazon S3：秒搜你的云端文件

随着企业和个人数据量的激增，如何高效管理与搜索云端资料，成为提升工作效率的关键。 **Coco-AI** 新增的 **S3 对象存储连接器**，可以将 **Amazon S3** 存储桶直接接入智能检索系统，实现秒级搜索、即时访问，让云端文件像本地文档一样触手可及。 本篇将详细介绍如何通过 **Docker 快速部署 Coco Server**，并配置 S3 连接器，完成与亚马逊云科技的无缝集成。 ### 一、快速部署 Coco Server Coco Server 是连接器功能的运行核心，部署好它后才能接入 S3。 生产环境建议使用持久化存储方式，避免数据丢失。 在应用商店中下载 https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai --- ### 二、配置 AI 模型 创建用户后，我选择 **Ollama** 作为模型提供商： - 地址：`http://localhost:11434` - 模型：`deepseek-r1:7b`  在「模型提供商」界面可以看到默认开启的 **Coco AI**，它会直接调用我配置的 Ollama，也支持其他兼容 OpenAI API 的 LLM。   --- ### 三、数据源概览 Coco-AI 默认内置官方文档和 Hacker News 数据源，近期新增三类连接器：  - **S3 连接器**（本篇重点） - 本地文件连接器 - RSS 连接器  --- ### 四、接入 Amazon S3 1. **选择 S3 对象存储连接器** 填写 **Endpoint**（例：东京区 `s3.ap-northeast-1.amazonaws.com`）、**Bucket 名称**、**亚马逊云科技凭证（Access Key ID / Secret Access Key）**，刷新间隔建议保持 **1 分钟** 默认值。  2. **获取亚马逊云科技访问凭证** - 登录 **亚马逊云科技 IAM 控制台** - 创建访问密钥（Access Key ID / Secret Access Key） - 为用户分配最小化 S3 访问权限（推荐遵循最小权限原则）  这里选择访问密钥 - 创建访问密钥，然后保存 Access Key ID / Secret Access Key 就好。  创建过程中会出现最佳实践提示，不影响后续配置，下载密钥即可使用。 其他的凭证方式虽然有 IAM Role 和 Role anywhere，但是我们这次不会用到。  确保这个用户有访问 S3 的权限，如果是生产的环境的话，确保要采用最小权限原则来防止不必要的麻烦。如果你在存储桶上配置了对应桶策略也可以。  3. **对象前缀（Prefix）配置** 这个是我在 S3 上的对象存储，放了一些 markdown 文件上去。 还是这张图，我使用的是东京区的存储桶 dify233，所以 endpoint 是 s3.ap-northeast-1.amazonaws.com。  这里的对象前缀可以理解为目录，在 S3 设置之初会把所有文件夹的名称当作前缀加到文件名前面，所以也有 S3 是扁平化管理一说。  --- ### 五、集成效果 完成连接后，S3 中的 Markdown 文件可被 Coco-AI **实时索引与检索**，点击搜索结果即可跳转到 S3 公网访问链接，例如： ``` https://<bucket>.s3.<region>.amazonaws.com/<对象名> ``` 不仅支持标题关键词搜索，还可结合 LLM 实现**语义检索**，极大提升信息获取效率。  添加完成后可以看到我同时接入了 S3、本地文件和 RSS，我们这里主要开介绍关于 S3 的连接器。  使用 Coco-AI 搜索时，能快速检索到 s3 中的 markdown 文件。  点击搜索结果可直接跳转到对应链接。  也支持把地址复制出来：https://dify233.s3.ap-northeast-1.amazonaws.com/对象名，其实就是S3的https 链接了。  ### 六、适用场景 - **企业内部知识库**：研发文档、政策文件、培训资料统一存放于 S3 - **个人云端资料管理**：博客、项目资料随时调用 - **跨团队协作**：多地访问，实时共享 通过 **Coco-AI S3 连接器**，只需几步，即可让 ** Amazon S3** 成为高效智能检索系统的云端引擎。 无论是个人开发者，还是大型企业团队，都能快速构建**跨云端、本地、第三方数据源的统一知识平台**。

在 Coco AI 中接入 WordPress RSS，实现文章秒级搜索

随着内容创作者不断积累文章，如何让自己的内容被快速检索、精准找到，成为提升网站体验的重要一环。 尤其是对于使用 **WordPress** 搭建博客或官网的朋友来说，文章虽多，但用户往往需要翻页或依赖站内搜索才能找到所需内容。而如果能把 WordPress 的文章源接入 **Coco AI**，不仅能实现**秒级检索**，还可以**结合 AI 进行智能问答、聚合分析**，让你的内容价值成倍提升。 今天我就来分享一下，如何用 **WordPress 自带的 RSS 功能**，把文章无缝接入到 Coco AI 中，实现一键搜索全站文章。 ### 1. 准备工作 在开始之前，你需要： * 已经安装好的 **WordPress 网站**（如果不会安装，可以参考我之前的文章） 👉 [WordPress 安装教程](https://mp.weixin.qq.com/s/y-XqALLOhMYjkUZNXFvU7Q) 也可以在懒猫微服中直接安装 https://appstore.lazycat.cloud/#/shop/detail/dev.beiyu.wordpress * 有一个可用的 Coco AI 服务端（本地部署或云端均可） https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai ### 2. 获取 WordPress RSS 链接 WordPress 默认的 RSS 地址格式非常简单： ``` http(s)://你的域名/feed ```  为了确保 RSS 链接正常工作，你可以使用 **Fluent Reader** 这样的本地 RSS 阅读器测试一下。 如果能正常读取文章列表，说明 RSS 输出正常：  ### 3. 设置 RSS 输出数量与摘要长度 为了让 Coco AI 一次获取更多的文章，你可以在 WordPress 后台调整 RSS 输出数量： * **文章数量**：一次输出多少篇文章（根据需求设置，建议 20\~50 篇） * **摘要长度**：决定 AI 抓取的内容字数，摘要越长，AI 的理解能力越强  ## 4. 在 Coco AI 中添加 RSS 连接器 接下来进入 **Coco AI 管理后台**，新建一个 RSS 连接器： 1. 在“数据源”中选择 **RSS** 2. 填写刚刚获取的 **WordPress RSS 链接** 3. 设置刷新频率（例如每 5 分钟、15 分钟）  配置完成后，你会在连接器列表中看到刚添加的 WordPress RSS 源：  ### 5. 刷新并查看文章 等待 Coco AI 进行第一次数据抓取，稍后就能在文章列表中看到你的 WordPress 文章：  在 Coco AI 客户端的搜索栏中，直接输入关键词，就能实时搜索 WordPress 全站文章：  点击搜索结果，Coco AI 会直接跳转到对应的 WordPress 文章主页：  --- ### 6. 使用场景与优势 通过这种方式接入 RSS，你可以： * **快速检索**：秒级找到 WordPress 上的历史文章 * **跨平台聚合**：和其他数据源一起接入 Coco AI，实现跨网站统一搜索 * **AI 智能问答**：基于你的网站内容，直接生成读者提问的答案 * **知识库构建**：将博客内容沉淀为长期可用的知识库 只需几个步骤，就能让 WordPress 与 Coco AI 打通，实现全站文章的**智能化搜索与访问**。 如果你的网站内容很多、更新频繁，这种方法能极大提升读者和你的检索效率，让你的文章真正“活”起来。

打造智能语料库：通过Coco AI Server 实现 Notion 笔记

## CoCo Server 部署 RAG，使用 Notion 作为语料库（上） https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai 1. 启动 Easysearch，这里把 Easysearch 作为语料库，把 notion 的素材存在 Easysearch 2. 启动 ollama，使用 LLM 进行推理 3. 启动 Coco Server，端口在 9000 <!-- more -->  Coco App 连接 Sever，输入输入  登录自己 server，依旧使用 Github 登录  Github 登录之后的重定向，我们目前需要抓取最后的, 后面用这个 token 换取访问 Coco Server AI 的 key： ``` coco://oauth_callback?code=cupibub55o1cfqbveps0q804ai6aj14in3u91xjhvuk8s7ixirjsq2j9mmyyeut91nmgjwz0b494ngpk&request_id=eb94762b-f054-4710-9c6cf20889d3&provider=coco-cloud ```  认证步骤如下： 第一步: http://localhost:9000/sso/login/github?provider=coco-cloud&product=coco&request_id=dd9825e1-ebd3-4c84-9e3f-7ccb0421c508 会返回一个 Token,记录下来,这个是只是临时的, 如 XXABC 第二步: curl -H'X-API-TOKEN: XXABC' "http://localhost:9000/auth/request_access_token?request_id=dd9825e1-ebd3-4c84-9e3f-7ccb0421c508" 返回的才是你要的 Token 在 postman 中换 token，得到 access_token 和过期时间：  ```python import requests def parse_oauth_callback(url): query_params = {param.split('=')[0]: param.split('=')[1] for param in url.split('?')[1].split('&')} code = query_params.get("code") request_id = query_params.get("request_id") return code, request_id def request_access_token(code, base_url, request_id): url = f"{base_url}/auth/request_access_token?request_id={request_id}" headers = {"X-API-TOKEN": code} response = requests.get(url, headers=headers) return response.json() # 示例输入 oauth_callback_url = """ coco://oauth_callback?code=cupibub55o1cfqbveps0q804ai6aj151wu4in3u91xjhvuk8s7ixirjsq2j9mmyyeut91nmgjwz0b494ngpk&request_id=eb94762b-f054-4710-9c6a-0cf2088729d3&provider=coco-cloud """ base_url = "http://localhost:9000" # 解析 code 和 request_id code, request_id = parse_oauth_callback(oauth_callback_url) # 发送请求 token_response = request_access_token(code, base_url, request_id) print(token_response) ``` 可以用 access_key 查看用户信息：  ```python import requests url = "http://localhost:9000/account/profile" payload = {} headers = { 'X-API-TOKEN': 'cupichb55o1cfqbveq90zwomyxs791ul3esbxxt480c8dzgvdtjtvmcnsld4a5v0wvx9l9ofcf1' } response = requests.request("GET", url, headers=headers, data=payload) print(response.text) ``` 注册 Notion connector： ```python import requests import json def update_connector(base_url, api_token, connector_name, data): url = f"{base_url}/connector/{connector_name}?replace=true" headers = { "X-API-TOKEN": api_token, "Content-Type": "application/json" } response = requests.put(url, headers=headers, data=json.dumps(data)) return response.json() base_url = "http://localhost:9000" api_token = "<token>" notion_data = { "name": "Notion Docs Connector", "description": "Fetch the docs metadata for notion.", "icon": "/assets/connector/notion/icon.png", "category": "website", "tags": ["docs", "notion", "web"], "url": "http://coco.rs/connectors/notion", "assets": { "icons": { "default": "/assets/connector/notion/icon.png", "web_page": "/assets/connector/notion/icon.png", "database": "/assets/connector/notion/database.png", "page": "/assets/connector/notion/page.png" } } } response_notion = update_connector(base_url, api_token, "notion", notion_data) print(response_notion) ``` 修改 Notion 配置文件，激活检索 Notion：  在 Notion 这个网站申请 API key，https://www.notion.so/profile/integrations  配置完成之后，设置权限和展示 apikey  配置 Notion Connector，这里需要用到 Notion 的 API Key: ```python import requests import json def create_datasource(base_url, api_token, data): url = f"{base_url}/datasource/" headers = { "X-API-TOKEN": api_token, "Content-Type": "application/json" } response = requests.post(url, headers=headers, data=json.dumps(data)) return response.json() # 示例输入 base_url = "http://localhost:9000" api_token = "<api-key>" datasource_data = { "name": "My Notion", "type": "connector", "connector": { "id": "notion", "config": { "token": "<notion token>" } } } # 发送 POST 请求 response = create_datasource(base_url, api_token, datasource_data) print(response) ``` 需要在 Notion 中设置集成，这样 Coco Server 才会搜索到：  Coco server 日志中可以检索到 notion 了：  终于可以在搜索栏检索到了。 

Coco-AI 接入 Google drive

https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai 在 Coco-AI 最早的版本就提供了接入 Google drive 的视频，今天我终于实现了，而且借着全图形化的优势更加方便了。 参考这个文档新建 google SSO（好像也没啥参考性） https://developers.google.com/workspace/drive/api/quickstart/go?hl=zh-cn <!-- more --> 创建客户端  填入信息，  然后在数据访问中添加权限 - 缺少的权限加在这里（如图），https://www.googleapis.com/auth/drive  在 coco-sever 更新 google drive 的信息  然后在 coco-server 中连接  跳转 google sso  由于是测试账户，所以会有这个弹窗，继续就好  再次进行测试  获取权限  显示登陆成功  然后可以在数据源中看到对应数据 

Coco AI 全新升级：全图形化 RAG 配置，一键开启智能知识管理！

https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai # Coco AI 再升级，全图形化配置 RAG 在《Coco AI APP 初体验：开启智能知识管理新篇章》和《打造智能语料库：通过 Coco AI Server 实现 Notion 笔记 RAG 检索功能》中，我介绍了 Coco AI 的第一个版本 ，我们我需要调用服务端的接口来手动添加数据源和配置登录信息，见那么在 0.2 的版本中，极限科技又开发了一个管理页面用来处理这些繁琐的信息。 同时这次更新也带来了全平台的支持，当然如果你愿意也可以自己编译源代码。 <!-- more -->  我们先来用 Docker 启动服务端，一行命令搞定，不需要再传递负载的命令行参数，也无需在启动 Easysearch。 ``` docker run -d --name cocoserver -p 9000:9000 infinilabs/coco:0.2.1-1998 ``` 服务启动在 9000 端口，那么在浏览器中打开欢迎页面：  创建账户，选择模型，和之前一样，我还是选择本地部署的 ollama 并且使用 deepseek 模型。 设置完成后我们看到主页面，我们的目的是添加数据源，这样就不用使用复杂的请求。  可以进一步设置 LLM 推理后端：  AI 助手这个功能还在开发中，后续可以期待一下。  连接数据源这里我认为是最大的亮点之一，不用再想之前改配置文件了，需要做的事情简单，以 Notion 为例简单填入 Token 和设置刷新时间即可。后按与 Notion 数据源的详细配置，可以回看之前写的《打造智能语料库：通过 Coco AI Server 实现 Notion 笔记 RAG 检索功能》  过了一会就可以在数据源中刷新出来的文档了，目前 Notion 只导入了标题，后期后导入具体内容的计划。  甚至还可以在这里进行搜索，小小的站内搜索吧。  然后回到客户端，进行登录，同时也支持暂时关闭不再需要的数据源。  登录这里不再需要手动抓 token 了，直接重定向，很方便。  登录之后，和之前一样检索，总体来说比之前省心很多。  我之前使用的是 0.1 的版本，再登录之后会遇到这个错误，只要重新安装最新版本的客户端就好了。  升级之后同样这个 chat 也进化了，还支持深度思考。由于这里我只导入了文档的标题，所以它也只给我回了文档。  这次更新体验直接提升了一大截，精简了很多配置，也简化了登录信息。感觉差不多下一步可以把这个服务部署到 NAS 上做日常使用了。

不建 Hugo、不用 Hexo，纯 Markdown 文件也能接入 Coco-AI！

之前我们介绍过如何通过 Coco-AI 检索 Hugo 和 Hexo 的文件结构。这种方式虽然适合博客类内容，但对于一些**零碎的笔记**或者并非建站类的 Markdown 文件，显然不够灵活。 为了解决这个问题，我写了一个适配器（connector），并发布了对应的 Docker 镜像，来实现**任意 Markdown 文件目录的元数据整理与 API 暴露**： https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai <!-- more --> 👉 镜像地址：[https://hub.docker.com/r/cloudsmithy/flask-markdown-connector](https://hub.docker.com/r/cloudsmithy/flask-markdown-connector) ## 核心原理 该 connector 的主要逻辑是： 1. **递归扫描目录及子目录下的 Markdown 文件**； 2. **识别或补充元数据**（即 YAML Front Matter）； 3. **通过 RESTful API 暴露这些 Markdown 的结构信息和元数据内容**。 如下图所示，我们会在每个 Markdown 文件开头添加或提取出 YAML 元数据：  ## 一键部署 使用以下命令即可快速拉起服务： ```bash docker run -d --name markdown-connector \ -p 1313:5000 \ -v "$(pwd):/app/markdown" \ --restart always \ cloudsmithy/flask-markdown-connector ``` ### 参数说明： - `-d`：后台运行容器； - `--name markdown-connector`：指定容器名称； - `-p 1313:5000`：将宿主机的 1313 端口映射到容器的 5000 端口； - `-v "$(pwd):/app/markdown"`：将当前目录挂载进容器； - `--restart always`：配置容器异常退出后自动重启； - `cloudsmithy/flask-markdown-connector`：镜像名称。 ## API 一览 通过浏览器访问 `http://localhost:1313/apidocs` 即可打开内置 Swagger 文档。方便上层系统（如 Coco-AI）访问 Markdown 文件的元数据与内容。接口结构简洁直观，支持获取索引、刷新缓存、读取内容等功能。  ### 🔹 `GET /` **功能**：返回服务启动提示信息 **说明**：用于检查服务是否正常运行 **示例响应**： ```json { "message": "Markdown Connector is running." } ``` ### 🔹 `GET /api/posts` **功能**：获取生成的 `index.json`（缓存版） **说明**：返回 Markdown 文件的路径与元数据列表，从缓存中读取，响应速度快 **用途**：Coco Server 可用作索引加载入口 **示例响应**： ```json [ { "title": "Docker 学习笔记", "path": "dev/docker.md", "tags": ["docker", "学习"], "created": "2024-11-22" }, ... ] ``` ### 🔹 `GET /index.json` **功能**：实时渲染当前 Markdown 目录结构 **说明**：等价于 `/api/posts`，但是实时读取文件而非使用缓存，适合调试或手动使用 **用途**：确保数据为最新状态时使用 ### 🔹 `GET /api/refresh` **功能**：重新扫描并生成最新的 `index.json` 缓存 **说明**：用于强制刷新目录索引，适用于新增 / 修改了 Markdown 文件后 **响应示例**： ```json { "message": "Index cache refreshed." } ``` ### 🔹 `GET /posts/` **功能**：列出 Markdown 文件路径列表（不含元数据） **说明**：返回所有可访问的 Markdown 文件路径，用于构建下拉菜单、快速跳转 **响应示例**： ```json ["notes/linux.md", "dev/docker.md", "ideas/gpt-agent.md"] ``` ### 🔹 `GET /posts/{filename}` **功能**：获取指定 Markdown 文件的内容 **参数**： - `{filename}`：Markdown 文件路径（相对于挂载目录） **用途**：用于前端点击跳转后展示具体笔记内容 **响应示例**： ```json { "filename": "dev/docker.md", "content": "# Docker 学习笔记\n\n## 容器 vs 镜像 ..." } ``` - 用于 Coco Server，推荐使用 `/api/posts` 作为内容索引源； - 使用 `/api/refresh` 后再拉一次 `/api/posts` 可确保内容最新； - 若前端需要展示具体内容，可调用 `/posts/{filename}`； - 若用在其他 AI 项目中，也可用于构建轻量级 Markdown 知识检索接口。 ## 与 Coco Server 集成 在 Orbstack 中，我们可以清晰地看到本地 Markdown 文件已经映射到容器中：  接着我们将 connector 的服务地址填入 Coco Server 配置中：  你可以使用 `/api/posts` 或 `/index.json` 接口，它们返回的内容基本一致： - `/api/posts` 是来自缓存的接口； - `/index.json` 是实时渲染本地文件结构。 另外，通过 `/api/refresh` 还可以手动触发缓存刷新：  ## 效果演示 成功接入后，Coco Server 就可以读取 Markdown 文件的结构与元数据信息：  点击条目还可以跳转到对应的网页：  当然，和之前一样，也支持在搜索栏中直接搜索并跳转：  ## 小结 通过这个 Flask 版 Markdown Connector，我们可以将任意 Markdown 文件目录结构化暴露给 Coco-AI，实现： - 笔记内容统一索引 - 结构与元数据清晰可控 - 快速部署，无需 Hugo/Hexo 建站 这对于日常碎片化笔记管理来说，是一个非常轻量又灵活的解决方案。

Coco-AI 接入自定义数据源

https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai 之前使用 Hugo Connector 接入和 hexo 和任意 Markdown，后来官方也支持了对于任意数据源的支持，主要是开放了这个接口：  具体操作如下： <!-- more --> 设置 - conntor - 新增，让输入名称和描述等信息，新建出来 conntor  然后我们就能在数据源上的页面上看到刚刚添加的了 Customize Connector 了  点开提示，给了一个 API  然后我们去创建 token，如图  我这边使用 Postman 进行设置  如果你的请求没有带 token，就是这样的。  转成代码的是这样的，当然也可以开发自己的 agent。 ```python import requests import json url = "http://localhost:9000/datasource/d00eeolvf2xxx/_doc" payload = json.dumps({ "title": "I am just a Coco doc that you can search", "summary": "Nothing but great start", "content": "Coco is a unified private search engien that you can trust.", "url": "http://coco.rs/", "icon": "default" }) headers = { 'Content-Type': 'application/json' } response = requests.request("POST", url, headers=headers, data=payload) print(response.text) ```

Coco-AI 支持嵌入，让你的网站拥有 AI 搜索力

在之前的文章中，我们让 Hexo，hugo 博客 支持了 coco AI 检索，也就是说我们还得使用客户端来检索，那是不是把搜索放在博客上呢？ https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai Coco-AI 在 0.3 的版本中  --- 先找一个 html 来看个效果。 ```html <!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8" /> <title>搜索组件嵌入示例</title> <style> body { font-family: sans-serif; padding: 2rem; } #searchbox { margin-top: 20px; border: 1px solid #ccc; padding: 16px; border-radius: 8px; } </style> </head> <body> <h1>欢迎使用 Cloudsmithy 搜索组件</h1> <p>下面是通过 ES Module 引入的搜索框：</p> <div id="searchbox"></div> <script type="module"> import { searchbox } from "http://localhost:9000/integration/cvmhvjl92jog2dokvsd0/widget"; searchbox({ container: "#searchbox", }); </script> </body> </html> ``` ## 💡 原始代码： ```html <div id="searchbox"></div> <script type="module"> import { searchbox } from "http://localhost:9000/integration/cvmhvjl92jog2dokvsd0/widget"; searchbox({ container: "#searchbox" }); </script> ``` --- ## 🧩 每部分解析 ### 1. `<div id="searchbox"></div>` 这是一个空的 `div` 元素，作为**挂载容器**。你的 `searchbox` 组件会被渲染进这个 `div`。 - 就像 React 或 Vue 应用会挂载到 `<div id="app">` 一样 - 你在这里指定了 id 为 `searchbox`，用于后面初始化组件时绑定 --- ### 2. `<script type="module">` 这表示：这是一个 **ES Module 格式的 JavaScript 脚本**。 - 现代浏览器支持原生的模块化加载（无需打包器） - 可以使用 `import` 加载其他模块、组件 --- ### 3. `import { searchbox } from "http://localhost:9000/integration/cvmhvjl92jog2dokvsd0/widget";` 从远程地址（本地服务器）中导入 `searchbox` 函数： - 说明这个 URL 返回的是一个 JavaScript 模块，里面导出了 `searchbox` - 类似 Vue、React 中的组件库导入： ```js import { Button } from "element-plus"; ``` --- ### 4. `searchbox({container: "#searchbox"});` 调用 `searchbox` 函数，初始化组件，并挂载到页面中： - 参数是一个对象，指明组件要渲染在哪个 DOM 元素里 - `container: "#searchbox"` 通过 CSS 选择器指定了上面那个 `div` --- ## 🧠 通俗类比 就像你在网页上写： ```html <div id="chat"></div> <script type="module"> import { chatWidget } from "./chat.js"; chatWidget({ container: "#chat" }); </script> ``` 它就是在某个 `div` 中挂载一个聊天插件一样。你这段代码的本质就是嵌入并运行一个远程提供的 JS 组件。 --- ## ✅ 总结一句话： 这段代码的作用是： > **把远程加载的 `searchbox` 组件挂载到网页上的 `<div id="searchbox">` 中，完成动态插入功能。** --- 如果你希望我反向帮你写出那个 `searchbox` 模块怎么写，或者做成本地文件测试，也可以告诉我~ 下面是一个可以在任意网站自动嵌入你给出的 `<div>` 和 `<script>` 的油猴（Tampermonkey）脚本示例： --- ### ✅ 功能说明 - 在页面加载完成后，向 `<body>` 插入一个 `#searchbox` 的 `div` - 加载你的远程模块并初始化 `searchbox` 组件 --- 一开始打算在 hexo 的组件上改，但是在编译阶段有问题，索性使用油猴脚本来实现 ### 🐵 Tampermonkey 脚本示例 ```javascript // ==UserScript== // @name Searchbox Embedder // @namespace http://tampermonkey.net/ // @version 0.1 // @description 在任意网页中注入 searchbox 小部件 // @author You // @match *://*/* // @grant none // @run-at document-end // ==/UserScript== (function () { "use strict"; // 创建 searchbox 容器 const searchboxDiv = document.createElement("div"); searchboxDiv.id = "searchbox"; document.body.appendChild(searchboxDiv); // 动态加载模块脚本（ESM） const script = document.createElement("script"); script.type = "module"; script.textContent = ` import { searchbox } from "http://localhost:9000/integration/cvmhvjl92jog2dokvsd0/widget"; searchbox({ container: "#searchbox" }); `; document.body.appendChild(script); })(); ``` --- ### ⚠️ 注意事项 1. 浏览器必须支持 ES Module。 2. 若该域名不是 HTTPS，确保目标网页也是 HTTP，否则会被浏览器拦截跨协议内容。 3. 若需局部生效，请将 `@match` 改为具体的页面，例如：`https://example.com/*` --- --- ## 🌟 脚本整体作用 这个油猴脚本的作用是：**在任何网页上自动插入一个 `div#searchbox` 容器，并加载你提供的远程模块脚本，渲染搜索框组件**。 --- ## 📜 脚本逐行解析 ```javascript // ==UserScript== // @name Searchbox Embedder ``` - `@name` 是脚本的名字，显示在 Tampermonkey 的控制面板中。 ```javascript // @namespace http://tampermonkey.net/ ``` - 命名空间，可以用来区分多个脚本的作者或用途（不重要）。 ```javascript // @version 0.1 ``` - 脚本版本号。 ```javascript // @description 在任意网页中注入 searchbox 小部件 ``` - 简要说明这个脚本做什么。 ```javascript // @author You ``` - 作者名，可以改成你自己的。 ```javascript // @match *://*/* ``` - 匹配所有网站页面。如果你只想对某个特定网站注入，可将它改为： `// @match https://example.com/*` ```javascript // @grant none ``` - 没有使用 Tampermonkey 的特殊权限（如 GM\_\* 方法），所以可以写 `none`。 ```javascript // @run-at document-end ``` - 脚本在 DOM 加载完成后执行（类似 `DOMContentLoaded`）。 --- ## 💻 主体逻辑解析 ```javascript (function () { 'use strict'; ``` - 启用严格模式，避免某些低级错误。 ```javascript // 创建 searchbox 容器 const searchboxDiv = document.createElement("div"); searchboxDiv.id = "searchbox"; document.body.appendChild(searchboxDiv); ``` - 创建一个 `<div id="searchbox">` 并插入到 `<body>` 中，作为挂载点。 ```javascript // 动态加载模块脚本（ESM） const script = document.createElement("script"); script.type = "module"; ``` - 创建一个新的 `<script type="module">`，用来加载 ES 模块。 ```javascript script.textContent = ` import { searchbox } from "http://localhost:9000/integration/cvmhvjl92jog2dokvsd0/widget"; searchbox({ container: "#searchbox" }); `; ``` - 直接把模块内容写入 script 标签中： - 从你本地地址加载 `searchbox` 组件 - 调用 `searchbox({ container: "#searchbox" })` 初始化它 ```javascript document.body.appendChild(script); })(); ``` - 把这个 `<script type="module">` 插入到 `<body>` 中，触发模块加载和执行。 --- ## ✅ 总结 这个脚本做了三件事： 1. 在网页中插入一个 `div#searchbox` 2. 动态加载你本地的模块组件 3. 初始化这个组件并挂载到 `#searchbox` 上 --- 你如果希望它在某些页面不显示、加个按钮控制显示、支持浮窗、带样式等等，我也可以帮你升级脚本。需要的话告诉我你的想法~

从零到用：RSS 接入 Coco-AI 实战指南

最近 Coco-AI 上线了几个新功能：**S3 连接器、本地文件连接器、RSS 连接器**。我会逐一介绍，本篇先重点讲 RSS 连接器的接入方法。 ### 一、安装 Coco Server 在应用商店中下载 https://appstore.lazycat.cloud/#/shop/detail/xu.deploy.coco-ai ### 二、模型配置 创建完用户后，我直接设置了 **Ollama** 作为模型提供商： - 地址：`http://localhost:11434` - 模型：`deepseek-r1:7b`  在「模型提供商」界面可以看到默认开启的 **Coco AI**，它会直接调用我配置的 Ollama，也支持其他兼容 OpenAI API 的 LLM。   --- ### 三、数据源概览 Coco-AI 默认植入了官方文档和 Hacker News 数据源，这次新增了三类连接器：  - S3 连接器 - 本地文件连接器 - RSS 连接器（本篇重点）  --- ### 四、添加 RSS 连接器 1. 选择 **RSS 连接器** 2. 输入 RSS 地址（这里我用的是我的博客）： ``` https://airag.click/atom.xml ``` 3. 刷新时间设为 **1 分钟**（默认即可）  添加完成后可以看到我同时接入了 S3、本地文件和 RSS：  ### 五、小插曲：RSS 条目数量限制 一开始我发现 Coco-AI 只能显示 **最近 20 条**，以为是 Coco Server 的限制，后来群友提醒才发现是 **RSS 服务端设置**的问题。  在博客服务端调整配置后，RSS 就能显示 **全部文章** 了。虽然很多 RSS 只显示最近内容，但其实可以通过配置让它输出完整数据。  --- ### 六、在 Coco App 中查看数据源 登录 Coco App 后，可以看到刚才添加的 S3、本地文件和 RSS 数据源：  --- ### 七、搜索效果 使用 Coco-AI 搜索时，能快速检索到 RSS 中的内容，效果比博客自带的好很多：  点击搜索结果可直接跳转到博客文章。我用的是 **Hexo 主题**，其他 RSS 源也一样适用。  ### 总结 通过 RSS 连接器，Coco-AI 可以实时抓取和索引博客内容，并与本地文件、S3 数据等统一搜索，非常适合做多源聚合知识库。 如果 RSS 输出有限，可以调整博客端的 RSS 配置，让它输出更多历史内容，发挥 Coco-AI 检索的最大价值。