Friend 开源项目实战用 GPT-4o 构建 Smart Facts Collector将非结构化笔记智能提取并写入 OMI 记忆 API【免费下载链接】FriendAI that sees your screen, listens to your conversations and tells you what to do项目地址: https://gitcode.com/GitHub_Trending/fr/Friend本文以 Friend 仓库中 plugins/import/manual-import 的 Smart Facts Collector 为对象讲解如何用 Flask GPT-4o 搭建一个移动端友好的事实采集器它能把读书笔记、会议纪要、学习日志等杂乱文本自动提炼成有上下文、带来源归属的简洁记忆并逐条提交到 OMI 的/v2/integrations/{app_id}/user/facts记忆接口。读完本文你将掌握该工具的环境搭建、Omi App 外部集成配置、AI 提取与规则提取双通道降级逻辑以及完整的源码级运行原理。工具定位为什么需要一个手动导入事实采集器FriendOMI的核心产品理念是AI 看到你的屏幕、听到你的对话并告诉你该做什么。在这个过程中除了实时对话流用户往往还希望把线下积累的知识读书笔记、会议纪要、个人学习日志、灵感清单沉淀进 OMI 的记忆体系。Smart Facts Collector 正是这样一个手动导入通道它提供一个移动端优化的 Web 页面单文件 index.html在任何手机浏览器上都能打开使用后端 app.py 接收原始文本先用 GPT-4o 智能提炼提炼失败或未配置 API Key 时自动降级到基于正则的规则提取提取出的每条记忆通过 OMI 外部集成 API 单独提交写入用户自己的记忆库供 OMI 后续检索与使用。从仓库结构看plugins 目录下还包含大量基于同一套/v2/integrations外部集成 API 构建的插件如 hume-ai、notifications、zapier 等Smart Facts Collector 与它们共享相同的集成鉴权与提交模型是理解 OMI 插件生态最直观的入门示例。环境搭建从依赖安装到服务启动1. 安装依赖项目依赖集中在 requirements.txt 中版本被精确锁定pip install -r requirements.txt依赖清单与源码 import 一一对应依赖版本用途Flask3.1.3Web 服务与/submit-memoriesAPI 路由requests2.34.2向 OMI API 提交事实requests.postopenai1.3.0调用 GPT-4o 完成智能提取openai.OpenAI(...)httpx0.23.0, 0.25.0为 OpenAI 客户端提供显式 HTTP 连接池与超时配置2. 配置 OpenAI API KeyAI 提取必需在 app.py 中API Key 从环境变量读取这是推荐的安全做法# Linux/macOS export OPENAI_API_KEYyour_openai_api_key_here # Windows set OPENAI_API_KEYyour_openai_api_key_here源码还通过load_dotenv()支持.env文件方式加载环境变量因此你也可以在项目目录创建.env文件写入OPENAI_API_KEY...避免每次手动 export。若只是本地测试也可直接修改 app.py 中的占位值但不建议在生产中硬编码密钥。值得说明的是OpenAI 客户端在这里被显式配置为不依赖系统代理httpx.Client(limitshttpx.Limits(max_keepalive_connections5, max_connections10), timeouthttpx.Timeout(timeout30.0))即最多 5 个保持连接、10 个并发连接、30 秒超时——这是为了规避常见代理环境导致 OpenAI 调用失败的问题。3. 在 Omi App 中创建外部集成应用这是与 Friend 生态对接的关键一步原文档给出如下操作路径前往 App Store 安装 Omi AI App在 App 内创建一个新应用选择external integration capability外部集成能力并勾选允许facts权限进入设置页复制你的App ID并生成private key私钥回到 app.py将生成好的 App ID 填入APP_ID、private key 填入API_KEY。源码中的对应常量如下APP_ID 01JPP8Y2PA2YWQPTMDAFHXWX8E # 替换为你自己的 App ID API_KEY get_this_api_key_in_omi_app # 替换为你生成的 private key其中API_URL会基于 App ID 动态拼出提交地址API_URL fhttps://api.omi.me/v2/integrations/{APP_ID}/user/facts这一 URL 模式在仓库内被多个插件复用例如 plugins/composio/src/omi_api.py 中的create_fact使用完全相同的f{API_BASE_URL}/{APP_ID}/user/facts?uid{user_id}结构可见它是 OMI 外部集成写入记忆的标准端点。4. 启动服务并访问python app.py启动后终端会打印配置摘要API URL、App ID、GPT-4o 提取是否启用等服务监听http://localhost:5001。由于app.run(host0.0.0.0, port5001, debugTrue)绑定了0.0.0.0同一局域网内的手机也可以直接通过http://电脑IP:5001访问这正是移动端优化的实际落地方式。关键访问方式页面通过 URL 参数?uidYOUR_USER_ID识别当前用户例如http://localhost:5001/?uidYOUR_USER_ID启动日志中也会打印该提示Access with: http://localhost:5001/?uidYOUR_USER_ID。uid会随请求动态传给 OMI API而不是硬编码在服务端这是源码中特意注释的改进USER_ID is now extracted dynamically from requests。使用流程从粘贴文本到记忆入库打开页面在文本框中粘贴内容——支持各种非结构化格式读书笔记、会议纪要、个人学习日志、要点列表等点击Extract Submit Memories按钮应用依次执行若 AI 提取开启默认开启且已配置 OpenAI API Key使用 GPT-4o 智能识别与合并事实若 AI 被关闭或不可用自动降级为规则提取展示提取出的每条记忆逐条提交到 OMI API 并展示提交结果成功/失败及错误信息。前端 index.html 的几个交互细节值得注意页面顶部显示当前User ID可通过Change按钮随时切换会同步更新 URL 的uid参数若 URL 中没有uid页面会弹出醒目警告框No User ID detected!并禁用提交按钮从交互层面强制先完成用户身份配置提交期间按钮被禁用并显示加载动画防止重复提交每条提取结果以卡片形式展示成功为绿色边框 Success 徽章失败为红色边框 Failed 徽章并附错误原文文本框中预置了示例输入MrBeast / Made to Stick 两个带标题的要点块方便首次体验。源码深读双通道提取与记忆合并策略app.py 的核心处理链路由/submit-memories路由承载其设计亮点在于AI 优先、规则兜底、合并上下文三件事。GPT-4o 智能提取主通道extract_memories_with_gpt是主提取函数它的系统提示词system prompt浓缩了整套提取哲学按标题合并识别带标题的内容块如 MrBeast、Made to Stick把该标题下的要点合并为一条记忆而不是碎片化成多条来源归属开头每条记忆以From MrBeast: ...或From Made to Stick: ...这类短语开头保留知识来源直白具体、去填充词明确禁止 The user has learned that...、It appears that... 等空话并给出 BAD/GOOD 输出对照示例长度硬约束要求每条记忆500 字符以内。调用参数同样服务于事实性优先response client.chat.completions.create( modelgpt-4o, messages[{role: system, content: system_prompt}, {role: user, content: user_prompt}], temperature0.2, # 低温保证输出更事实、更稳定 max_tokens2000, # 响应总 token 上限 )返回内容按空行\n\n拆分为多条记忆过短20 字符的记忆被丢弃超长记忆被截断到MAX_MEMORY_LENGTH 500字符并追加...。源码中该常量从 2000 调整为 500 并附注释Reduced from 2000 to 500 characters per memory说明设计者有意控制单条记忆体量以适配 OMI 记忆系统的检索与展示粒度。规则提取兜底通道当 AI 关闭、API Key 未配置或调用抛异常时extract_memories_consolidated接手。它同样遵循合并上下文思路核心是一个三级递进的解析策略识别标题 要点结构用正则([^\n-])(?:\n\s*[-*•]\s*[^\n])匹配类似标题\n- 要点1\n- 要点2的段落将要点以From {title}:前缀合并成一条记忆若合并后超过 500 字符则按标题拆分为多条续接记忆退化为段落提取若无结构化小节则按空行切分段落跳过 50 字符的短段落超长段落按 500 字符切块兜底整段切块若以上都无结果直接把整段文本按 500 字符切块作为记忆。这套规则通道保证工具在没有 OpenAI Key 时依然完全可用只是提取质量从语义理解降级为结构切分。提交环节的细节动态用户标识user_id data.get(uid)从请求中提取缺失时返回 400Please include uid in your request.记忆元数据每条记忆以{text: memory, text_source: other, text_source_spec: learning_notes}提交。text_source为 OMI 约定的来源枚举如email、social_post、othertext_source_spec记录更细的来源说明这里是learning_notesplugins/composio/src/omi_api.py 中同样强调text_source必须是email/social_post/other之一可在自定义来源时把真实来源写进text_source_spec鉴权头{Authorization: fBearer {API_KEY}, Content-Type: application/json}简单限流从第二条记忆起每条请求前time.sleep(0.5)即 0.5 秒间隔防止瞬时打爆 OMI APIREADME 的 Technical Details 中明确提到 Basic rate limiting is implemented to prevent API overload逐条统计每条请求独立记录status_code与success以 200 为准最后汇总成功/失败数、总处理耗时并在终端打印完整请求体与响应体便于排障。排查指南端口冲突与 AI 提取失效原文档的 Troubleshooting 部分归纳了两类最常见问题端口冲突修改 app.py 末行的app.run(host0.0.0.0, port5001, debugTrue)把port换成空闲端口macOS 上 5000 端口常被AirPlay Receiver隔空播放接收器占用可在系统设置 通用 隔空播放与接力中关闭该服务README 给出的是 System Preferences Sharing 路径。AI 提取不工作确认OPENAI_API_KEY已正确设置可检查启动日志若显示GPT-4o extraction: DISABLED则说明未生效查看终端中是否有 API 报错extract_memories_with_gpt的异常会打印❌ Error using GPT...并自动降级临时切换到规则提取通道继续使用或检查是否因代理/网络导致 OpenAI 请求超时源码已通过显式httpx.Client规避常见代理问题。扩展思考把手动导入接入更大的记忆体系从源码层面可以推断这套工具的提交目标user/facts端点与 OMI 的记忆memories体系直接打通前端把use_ai: true与原始文本一并 POST 到本地 Flask 服务服务端完成提取后逐条写入 OMI之后这些记忆即可被 OMI 的对话与记忆检索能力所使用。仓库中 plugins/iq_rating/main.py、plugins/composio/src/omi_api.py 分别展示了/memories、/conversations等相邻端点如果你想进一步扩展可以让 Smart Facts Collector 支持批量导入、定时同步或把text_source_spec从固定值改为携带书籍/会议/日期等结构化信息从而让 OMI 的记忆检索获得更丰富的上下文。总结Smart Facts Collector 是一个麻雀虽小、五脏俱全的 OMI 插件示例它把Flask 服务、GPT-4o 提示工程、正则规则引擎、外部集成鉴权、限流与错误降级完整串在一起。即使不配置任何 OpenAI Key它也能以规则模式独立运行配置 Key 后则能获得按来源合并、去填充词、500 字上限的高质量记忆产出。对于想快速把自有知识沉淀进 Friend 记忆体系或想学习 OMI/v2/integrations集成 API 的开发者这是仓库中可以直接运行、逐行读懂的最佳起点。【免费下载链接】FriendAI that sees your screen, listens to your conversations and tells you what to do项目地址: https://gitcode.com/GitHub_Trending/fr/Friend创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考