Easel

Easel 是由浙江大学 REAL Lab 与北京大学 OpenDCAI Lab 联合发起并持续维护的开源 AI 社交媒体智能体，核心定位是“一个覆盖发现、策划、创作、发布、归因五层完整内容工作流的社媒运营系统——不是一个只给建议的写作工具，而是一个能记住账号定位、真实执行多模态制作、发布到七个平台并把反馈沉淀回画像的持续进化搭档”。它不满足于做一份简单的文案生成器或零散的自动化脚本，而是将六维账号画像、112 个可组合技能、多模态任务编排、真实平台发布、跨任务反馈归因整合于一套完整的系统中，全部配有 easel web 一键启动 Web 工作台、easel chat 终端多轮对话、easel skill 直接调用技能，以及 Apache-2.0 开源协议。

一、Easel 是什么

Easel 采用“画像驱动 + 技能执行 + 反馈闭环”三位一体的架构，通过 GitHub 完全开源发布，采用 Apache-2.0 许可证。项目由浙江大学 REAL Lab 与北京大学 OpenDCAI Lab 联合发起并持续维护，技术上基于 OpenClaw Agent 搭建，Python 3.10 以上即可运行，支持 Linux、macOS 和 Windows。用户可以通过 Web 前端（推荐）获得完整的会话、素材、账号、画像、内容库和发布管理能力，也可以通过 CLI 在终端中直接使用。

Easel 的运作机制与市面常见的“AI 写作助手”或“社媒排期工具”有本质区别。它不是一个“你问它答”的被动工具，而是一套以账号画像为长期上下文、以 112 个技能为执行单元、以真实平台反馈为学习信号的持续运行系统。每个账号有独立的画像目录 profiles/<名字>/，包含定位、风格、受众、平台、偏好与红线、长期记忆六个维度。Agent 在新任务中读取相关上下文，无需每次重新建立对账号的理解。长期记忆则承接交互中形成的新经验——Agent 会筛选可复用的偏好、制作方法与效果发现，经用户确认后增量写入，临时规格和一次性参数不会直接成为长期规则。

二、Easel 能做什么

Easel 的核心能力可以精炼地概括为：发、策、创、布、归，围绕这五大维度提供了从热点发现到经验沉淀的完整闭环，覆盖社媒内容创作与运营的全方位需求，具体包括：

发现（发） ——不是“手动刷热榜”，而是“全网热搜聚合 + 垂类趋势研究 + 适合性筛选”。Easel 的发现层聚合微博、抖音、知乎、B站、百度和头条等平台热榜，支持内容缺口分析、节日与事件日历、平台算法动态、竞品分析、跨平台差异、RSS 聚合和 UGC 发现。Agent 不只是“找到热点”，而是筛选真正适合当前账号定位的机会。

策划（策） ——不是“随便想个选题”，而是“账号定位分析 + 选题矩阵 + 内容日历”。策划层覆盖账号定位分析、受众画像、人设与声音构建、账号诊断、选题评分、热点结合、系列内容规划、标题与 Hook、分镜脚本、跨平台复用和营销活动方案。所有策划结果写入内容日历，统一管理选题、草稿、待发、已发和平台活动。

创作（创） ——不是“生成一段文字就结束”，而是“真实执行的多模态制作”。创作层涵盖文案、短视频与中长视频脚本、小红书笔记、长文、去 AI 感改写、论文解读、金句卡、海报、信息图、数据图表、思维导图；音频与视频侧覆盖文字转语音、多角色配音、声音克隆、AI 音乐、降噪、AI 视频、AI 短剧、字幕与翻译、视频剪辑、长视频切片、绿幕换背景。每一类技能都配有可运行脚本，成品写入 outputs/ 目录。

发布（布） ——不是“给你一段文案你自己贴”，而是“平台适配 + 发布前检查 + 真实发布”。发布层支持小红书、抖音、快手、知乎、B站、微信视频号、微信公众号七个平台的登录、格式适配和发布。每一条内容在发布前经过发布质量门禁、敏感与版权风险检查、平台搜索优化和发布 Checklist。项目特别提示：小红书平台可能检测自动化操作，建议使用预览与发布前检查，并由用户确认后手动发布。

归因（归） ——不是“发完就结束”，而是“读取真实表现 + 提炼可复用经验 + 写回画像”。归因层读取播放、互动、评论和内容表现，分析内容复盘、评论洞察和 ROI，把有效结构和偏好沉淀回账号画像，供下一次创作使用。这种“任务交互产生反馈 → 反馈被提炼为候选经验 → 经确认后进入长期上下文”的机制，让系统越用越贴合真实账号。

三、Easel 适合谁用

Easel 的内容设计使其适配各类希望用 AI 系统化运营社交媒体账号的创作者与团队，核心聚焦那些“内容创作全流程分散在多个工具中、账号定位与历史经验无法跨任务积累”的人群，主要涵盖以下几类：

个人内容创作者与自媒体运营者——一个人同时运营多个平台账号，需要在热点发现、选题策划、多模态制作和发布之间反复切换。Easel 的“一个 Agent 贯穿完整链路”和画像驱动机制，让创作者可以将精力集中在判断和选择上，而非重复的搬运和格式转换。

知识科普与论文解读博主——需要将学术论文转化为小红书知识卡、金句卡、信息图或视频脚本。Easel 内置 paper-explainer 技能，解析 arXiv/PDF 论文，提炼核心内容并生成视频分镜或图文稿件，支持结构化资产复用。

MCN 机构与多账号运营团队——需要为不同账号维护独立的定位、风格和受众画像。Easel 的画像目录结构和跨平台复用能力，让多账号管理有了统一的系统支撑。

AI Agent 研究者与系统开发者——希望研究“Agent 如何在真实社交场景中持续适应”这一前沿问题。Easel 将内容创作组织为一个能够积累上下文与经验的交互过程，为探索 Self-Evolving 的社媒 Agent 提供了具体的系统基础。

四、Easel 的应用场景是什么

基于其内容设计与定位，Easel 的应用场景主要围绕个人多平台内容运营、论文解读与知识科普、多账号矩阵管理和 AI 社媒 Agent 研究，覆盖从个人创作到系统研究的多个场景，具体包括：

个人多平台内容运营场景——创作者有一个想法，需要完成从热点验证到多平台发布的全流程。Easel 提供了一条“画像读取 → 热点雷达筛选 → 选题评分 → 内容创作 → 多平台格式适配 → 发布前检查 → 真实发布 → 归因写回画像”的完整路径。同一份母版内容可以改写成小红书卡片、短视频、知乎长文或短帖，并遵循不同平台的格式和字数要求。

论文解读与知识科普场景——博主看到一篇有价值的论文，希望快速产出小红书知识卡、视频脚本和配套配音字幕。Easel 的 paper-explainer 技能先提炼研究问题、方法与关键证据，再组织文章、知识卡片或视频脚本，随后完成配图、配音、字幕与合成——同一组结构化材料支撑不同表达，减少各模态独立理解原文带来的信息偏移。

多账号矩阵运营场景——运营团队管理多个不同定位的账号（科技、生活、财经）。每个账号有独立的 profiles/<名字>/ 目录，包含六维画像。Agent 在切换账号时读取对应画像，输出风格和选题判断随之适配，无需每次重新交代账号背景。

AI 社媒 Agent 研究与实验场景——研究者需要观察“任务内反馈”和“跨任务反馈”如何影响 Agent 的后续决策。Easel 的长期记忆机制提供了一条可审视的适应路径——任务交互产生反馈，反馈被提炼为候选经验，经用户确认后进入长期上下文。这种“用户确认使记忆更新具有可审视性”的设计，为研究经验的筛选、保留与更新提供了具体的系统基础。

五、Easel 为什么值得关注

Easel 之所以值得关注，核心在于它将“社媒内容创作从碎片化的工具拼装升级为以账号画像为长期上下文的持续运行系统”，并具备“五层工作流闭环、112 个技能真执行、六维画像与可确认记忆、七平台真实发布”的独特价值，具体体现在以下几点：

从“生成草稿”到“执行全链路”的能力跃迁。大多数 AI 写作工具停在草稿——给你文字，也许给一个图片提示词，然后留下最困难的部分让你自己做。Easel 的立场不同：它把 OpenClaw Agent、账号画像、内容技能和真实的媒体工具接在一起，让 Agent 不只回答“应该怎么做”，而是直接把内容做出来并归档，且可实现直接或按需发布。发现、策划、创作、发布、归因在同一个工作流中完成。

六维画像与可确认记忆——让 Agent 越用越像“你的”账号。每个账号有独立的定位、风格、受众、平台、偏好和记忆。长期记忆的写入不是自动的——Agent 会筛选可复用的偏好、制作方法与效果发现，经用户确认后增量写入，临时规格和一次性参数不会直接成为长期规则。这种“用户确认使记忆更新具有可审视性”的设计，在自动化与可控性之间取得了平衡，也为纠正错误总结保留了入口。

112 个技能——多模态任务编排的工程化落地。Easel 当前内置 112 个 Skills，覆盖发现、策划、制作、发布、归因及基础能力，将执行流程、领域知识和工具调用方式组织为可组合的能力单元。Agent 根据任务目标选择技能，按需读取流程与参考资料，再协调文字、图像、语音和视频工具执行。复杂任务被拆解为具有依赖关系的步骤，各步骤共享上游结果。这种“技能即工程资产”的设计，让多模态编排从“概念验证”落地为“可复用系统”。

七平台真实发布 + 归因闭环——从“内容生产”到“运营学习”的延伸。Easel 支持小红书、抖音、快手、知乎、B站、微信视频号、微信公众号七个平台的登录、适配和发布，并可回收账号数据。发布后的播放、互动和评论数据被用于归因分析，有效结构沉淀回画像。这种“发布 → 反馈 → 学习 → 下一次创作”的闭环，让系统不是“写完就结束”，而是在真实受众反馈中持续调整。

“从研究走向真实生活”——学术系统论文的工程化实践。Easel 明确声明“是我们将研究成果应用到真实社媒创作场景的一次实践”，后续将继续研究 AI 在社媒场景中的社交智能。项目的学术关切在于：Agent 能否从执行过的任务中积累经验，并在持续交互中改进后续行为。这种“系统论文级的工程实现 + 开源可验证”的组合，让研究者可以在真实系统中检验自进化 Agent 的假设，而非停留在仿真环境。