别再复制粘贴了：开源社媒运营 Agent Easel，从追热点到发布全包

2026-09-28

导读浙江大学与北京大学开源的社媒内容工作台 Easel，基于 OpenClaw 提供 114 个可执行技能，覆盖发现、策划、创作、发布、归因五层闭环，支持小红书、抖音、知乎等 7 个平台直发，Apache-2.0 协议。

一个人做社媒，最耗人的从来不是"写一条文案"。

打开热搜找选题、评估哪个话题和自己账号匹配、想标题、写正文、做图、剪视频、按每个平台的规则改格式、登录一个个账号发布、第二天再回去看数据……这条链路里，真正的创作只占一小部分，剩下的全是切换、复制粘贴和重复交代背景。

通用 AI 助手帮不上太多：你问它"这条文案怎么改"，它能给出一段文字，但它不认识你的账号、不记得你的风格，更不可能登录平台帮你把内容发出去。最近浙江大学 ZJU-REAL 实验室（联合北京大学 OpenDCAI 实验室）开源的 Easel，想解决的就是这个问题——项目 8 月底上线，一个月左右在 GitHub 收获近 2000 Star。

Easel 是什么

Easel 自我定位是"你的私人、持续进化的社媒运营助手"。从工程上看，它是一个把四个东西接在一起的内容工作台：

OpenClaw Agent——负责理解任务、调度技能、执行多步工作流的 Agent 运行时；
账号画像（profiles/）——每个账号一份独立档案，包含定位、风格、受众、平台、偏好红线、长期记忆六个维度；
114 个内容技能——发现、策划、图文、音视频、发布、归因，每个技能都是一份 SKILL.md 加可运行脚本，而不是功能清单上的摆设；
React Web 工作台——会话、素材、账号、画像、内容库、发布中心统一管理，默认跑在 localhost:7860。

关键区别在于：通用 ChatBot 是"顾问"，只告诉你应该怎么做；Easel 是"搭档"，直接把内容做出来、写入 outputs/ 目录、登录平台发出去，再把发布后的数据带回来。

五层工作流：一个 Agent 贯穿全链路

Easel 把社媒运营拆成五个连续阶段，由同一个 Agent 带着同一份画像从头走到尾。

发现：聚合微博、抖音、知乎、B 站、百度、头条等平台热榜，叠加垂类趋势研究、竞品分析、内容缺口分析和 RSS，筛选真正适合当前账号的机会，而不是把热搜原样塞给你。
策划：把机会变成选题矩阵、标题 Hook、分镜脚本和内容日历，支持系列规划、直播策划和商单方案。
创作：社媒文案、小红书笔记、长文、小说、知识卡、海报、信息图、数据图表，以及配音、AI 音乐、AI 视频、AI 短剧、字幕剪辑等音视频内容。
发布：先过质量门禁（敏感与版权风险检查、平台 SEO、发布 Checklist），再按平台适配标题、画幅和媒体要求，分发到已登录账号。
归因：回收播放、互动、评论数据，做复盘和 ROI 分析，把"什么结构有效"沉淀回账号画像，供下一次创作使用。

闭环里最值得注意的是最后一步——归因结论会写回 profiles/<账号名>/memory.md。这意味着 Agent 的输出会随账号运营时间变得越来越贴合，而不是每次从零开始。

真实界面长什么样

账号画像：一个画像对应 profiles/ 下的一个目录，六个维度都可以在 Web 页面直接编辑，同一画像能跨多个平台和会话使用。

热点雷达：多平台热榜聚合，Agent 基于当前画像筛选选题，而不是无差别投喂。

内容日历：统一管理选题、草稿、待发、已发状态，结合节日节点排期。

发布中心：一份母版内容生成多平台版本，集中完成格式适配、附件管理、发布前检查和真实发布。

十分钟跑起来

环境要求：Linux、macOS 或 Windows 10/11，Python 3.10+、git；安装向导会检查 Node.js 22.19+、FFmpeg、Playwright/Chromium，缺什么给出引导。

git clone https://github.com/ZJU-REAL/Easel.git
cd Easel
bash setup.sh

Windows 原生环境（不需要 WSL）在 PowerShell 里执行：

git clone https://github.com/ZJU-REAL/Easel.git
cd Easel
Set-ExecutionPolicy -Scope Process Bypass
.\setup.ps1

setup.sh 是引导式、可重复运行的：创建项目内 .venv、安装或复用 OpenClaw 并使用独立的 easel profile（不会动你已有的 ~/.openclaw/）、装齐 Python/Node 依赖、构建 React 前端、安装 Chromium，最后引导配置 LLM。完成后：

source .venv/bin/activate
easel doctor          # 检查环境
easel ping            # 实测 gateway 与 Agent 连通
easel web             # 启动工作台，访问 http://localhost:7860

最小配置只需要一个可用的 LLM，在根目录 .env 里提供即可，Anthropic、OpenAI 或任意 OpenAI-compatible / Anthropic-compatible 服务都支持：

ANTHROPIC_API_KEY=你的_API_Key
CLAUDE_MODEL=anthropic/claude-sonnet-4-6

如果只配置聊天模型、没有独立 Embedding 服务，Easel 会显式退化为关键词记忆检索，不会反复请求不可用的 embedding 端点——这个细节在同类项目里经常踩坑。

一个工程层面的观察

翻完源码和 CHANGELOG，Easel 真正有意思的设计不是"114 个技能"这个数字，而是两点：

第一，账号画像是一等公民。 大部分 AI 内容工具把"人设"塞进一句系统提示词，用完即弃；Easel 把画像做成磁盘上的结构化目录，且归因系统有权限回写它。这才让"持续进化"从口号变成数据结构。

第二，技能是真执行，不是 MOCK。 从 pyproject.toml 的依赖可以直接看到执行栈：Playwright（浏览器自动化登录发布）、biliup（B 站投稿）、faster-whisper（本地语音转写）、edge-tts（配音）、librosa/OpenCV（音视频处理）、rembg（去背）。CHANGELOG 里也都是带数字的实测记录，比如 Web 对话从常驻网关直连后端到端延迟从 7.6s 降到 4.5s、B 站发布后要回读 API 对账才算成功。对想学习"Agent 技能工程化"的开发者来说，这个仓库本身就是一份参考实现。

谁该用，谁先等等

适合上手：

同时运营多个平台、被重复适配和搬运消耗大量时间的创作者或小团队；
想用本地私有部署、不愿把账号数据交给 SaaS 的人（Apache-2.0 协议）；
研究 Agent / Skill 工程的开发者，114 个带脚本的技能是很实在的学习样本。

建议先观望或注意：

只在手机上随手发内容的用户——Easel 是一套本地工作台，有部署和配模型的成本；
小红书自动发布要谨慎，官方明确提示平台可能检测自动化操作，存在验证、限流甚至风控风险，建议用预览+检查后手动确认发布；
AI 视频、音乐、云端配音等能力依赖第三方模型，重度使用会产生 API 费用，不过只配文本模型也不影响策划和图文创作；
项目还很年轻（v0.2.1），Windows 全链路兼容和安装简易化仍在 Roadmap 前两位。

项目地址：https://github.com/ZJU-REAL/Easel，产品主页：https://zju-real.github.io/Easel/。