xikus's blog

OpenClaw连接Discord中遇到的问题

Mon, 09 Mar 2026 00:00:00 GMT

AI正在重塑开发者的工作流：一次精准的Prompt，往往抵得上过去数小时的信息检索与反复试错。然而，面对OpenClaw这类新兴项目时，AI的短板也显露无疑：一方面，AI生成的内容同质化严重，面对冷门Bug缺少解决方案；另一方面，相比PyTorch、OpenCV等成熟生态，社区尚未沉淀出体系化的教程，而官方教程对于新手来说相对困难。这篇文章记录了我配置OpenClaw channels的经验，希望能帮后来者少踩几个我踩过的坑。

为什么选择Discord

（上图出处：https://open-claw.me/zh/channels）

在目前Openclaw支持的Channel中，可以看出，Discord的配置难度相对较低，功能丰富，支持文本、富文本等多种格式。
Telegram当然也是一个很好的选择，但由于现实的原因，其配置相对困难。

[!note] 参考教程：How to connect OpenClaw to Discord: Integration guide 大部分设置可以根据参考教程一步步来，下文是我在配置过程中遇到的问题与经验

如何查看Channel连接情况

使用openclaw channels status命令
- reachable：OpenClaw 网关服务本身在线，本地配置和基础网络没问题。
- enabled：允许 OpenClaw 启动 Discord 集成
- configured：找到了配置文件（token 等参数已填写）
- running：Discord 适配器进程已启动
- disconnected：实际未连接到 Discord 服务器
- token:config：Token 来源是配置文件（非环境变量）

是否设置allowlists

教程中有一步需要获取Sever ID（Guide ID）和Channel ID，目的是设置Bot可访问哪些Channel。如果是个人使用，则没必要设置allowllists，直接设置为open即可（如下图）。
当然，设置一下肯定也没有坏处。

设置DISCORD_BOT_TOKEN

这里本人使用环境变量会导致Discord not configured，即OpenClaw找不到环境变量里的Token，目前还没找到解决方案。最后是通过将DISCORD_BOT_TOKEN写入.openclaw/openclaw.json解决（如下图）。

Discord中BOT离线的解决方法

问题：完成 OpenClaw 配置后，Discord Bot 始终离线，无法响应指令。根因：Discord 网关依赖 WebSocket 长连接，对网络环境有特定要求。常规代理模式（HTTP/HTTPS 代理）仅覆盖浏览器或显式配置的应用层流量，而 OpenClaw 的底层连接可能未落入该范围。 解决方案：启用 TUN 模式（虚拟网卡层代理）。该模式在操作系统网络栈层面拦截流量，确保包括 WebSocket 在内的所有协议均被正确转发。验证：开启 TUN 后执行 openclaw channels status，disconnected 应变为 connected，Bot 状态同步更新为在线。

TIGER复现笔记

Tue, 20 Jan 2026 00:00:00 GMT

简介

TIGER是Google提出的一种生成式召回推荐系统。其核心思想是将推荐任务转化为自回归生成任务。 TIGER的工作流程分为三步：

语义嵌入：使用预训练模型（如BERT）将商品文本描述转化为高维稠密向量（例如768维）。
量化编码：通过RQ-VAE，将上述稠密向量压缩为一串简短、离散的语义ID（Semantic IDs）。
序列生成：在召回阶段，训练一个自回归模型（如T5），以用户历史行为序列为输入，直接生成下一个推荐商品的语义ID，从而实现端到端的推荐。

Semantic IDs

在传统的深度推荐模型（如DLRM）中，物品通常由一个简单的Item ID表示。这个ID经由哈希函数生成，主要用于在庞大的嵌入表中查找物品的Embedding 。然而，这种表示方法存在固有局限：

哈希碰撞：不同的物品可能映射到同一个ID，造成信息损失。
词汇表膨胀：每个新物品都需要一个新ID，导致模型参数剧烈增长。
冷启动困难：全新物品的ID缺乏历史交互数据，其嵌入难以训练。
语义缺失：DLRM依赖于User和Item的交互，模型无法利用物品本身的语义信息。

为解决这些问题，语义ID 应运而生。与单一ID不同，一个物品由一串有序的离散编码来表示，每个编码捕捉物品不同层级的语义信息（由粗到细）。这不仅极大地压缩了词汇表规模，还使模型能够理解物品之间的内在关联，增强泛化性。

RQ-VAE

介绍RQ-VAE之前，我们首先简要介绍VAE（自分编码器）。VAE是一种生成模型，它通过学习将输入数据编码到一个低维的、连续的“潜空间”，再从中解码重建数据，本质上是一个有损压缩过程。 RQ-VAE是VAE的一个变种，其核心创新在于引入了残差量化 和 离散码本。

离散码本：它是一个包含固定数量向量的“字典”。RQ-VAE的目标不是生成一个连续的潜变量，而是用码本中的一系列向量来组合表示原始输入。
残差量化：这个过程是迭代进行的。首先，用码本中一个最接近的向量来近似原始嵌入（产生第一个语义ID）。然后，计算近似后的残差，再用码本对残差进行量化（产生第二个语义ID）。如此重复，直到用一串ID（如[42, 15, 7]）来精确表示原物体。最终，一个商品的高维稠密嵌入，就被转化为了一串简短、可解释的语义ID。 RQ-VAE的生成过程契合由粗到细的规律，因此带来了一个关键优势：语义的层次化编码。最终得到的语义ID序列，其每个位置的token天然地对应着不同粒度的语义信息。（如：第一个token代表鞋，第二个token代表运动鞋，第三个token代表篮球鞋...)，这极大地增强了系统的泛化性，因为语义相似的物品（如“篮球鞋”和“足球鞋”），其语义ID的前缀必然相同或高度相似。同时，由于RQ-VAE利用的是Item的语义信息，冷启动问题被极大地缓解（新物品也有语义信息）。

RQ-VAE具体实现

RQ-VAE架构

K-Means Init

对于每一层VectorQuantizer，在第一次forward时，对来自上一级的输入进行K-Means聚类，然后用聚类簇的中心初始化码表

Loss函数

RQ-VAE使用三种Loss函数：
commitment_loss和codebook_loss在VectorQuantizer中使用。两者皆为输入embedding与距之最近的码表向量的“距离”，但是codebook_loss不对输入embedding进行反向传播，从而只优化码表；而commitment_loss不对码表向量进行反向传播，从而只优化编码器，使编码器输出向已选码本靠拢。

commitment_loss = F.mse_loss(x_q.detach(), x)
codebook_loss = F.mse_loss(x_q, x.detach())

reconstruction_loss：重建损失。

Sinkhorn-Knopp

问题：富者越富 (Rich get richer)

初始化时，某些码本向量可能离数据稍微近一点点。
这些“幸运”的码本会被大量样本选中，并在训练中不断更新，变得离数据更近。
其他码本因为从未被选中（或选中概率极低），永远得不到梯度更新，变成 “死码” (Dead Code)。
结果：虽然设定了 256 个码本，实际可能有 200 个都是空的，模型容量被浪费了

数学解释

给定一个非负矩阵 Q，我们要找到两个对角缩放矩阵 D1 和 D2，使得变换后的矩阵P=D1QD2 满足两个约束：

行和约束：每一行的和固定。
列和约束：每一列的和固定。

迭代公式

假设输入是相似度矩阵Q(0)，迭代过程如下：

Step 1: 行归一化 (Row Normalization)

使得每一行的和符合约束

$$Q_{ij}^{(t+0.5)} \leftarrow \frac{Q_{ij}^{(t)}}{\sum_{k} Q_{ik}^{(t)}}$$

Step 2: 列归一化 (Column Normalization)

使得每一列的和符合约束。

$$Q_{ij}^{(t+1)} \leftarrow \frac{Q_{ij}^{(t+0.5)}}{\sum_{l} Q_{lj}^{(t+0.5)}}$$

重复这两个步骤直到收敛。

效果

Sinkhorn 通过迭代归一化，强制要求每个码本在一个 Batch 中被分配到的总概率权重相等。这迫使模型去激活那些冷门的码本，最大化离散编码的熵。

实际上，我还没有太理解这个算法😂（2026.01.20）

sentence-t5模型训练

TIGER系统的最后一步，是利用编码好的语义ID训练一个Encoder-Decoder架构生成模型（如 sentence-T5）。这一过程的本质，是将推荐任务重构为一个Seq2Seq任务：

输入序列：用户近期交互过的物品（已转化为语义ID序列）。
输出序列：模型生成的、推荐给用户的下一个物品的语义ID。在推理（实际推荐）阶段，模型需要根据用户历史，生成最可能的下一个语义ID序列。这里，直接选择概率最高的单个输出（贪心搜索）容易陷入局部最优，导致推荐结果单一。为此，TIGER在推理时采用了Beam Search。

总结

作为早期的生成式推荐模型，TIGER的主要贡献在于：一方面，创新性地使用RQ-VAE为物品构建语义ID；另一方面，成功将自回归模型应用于召回阶段。 与后来OneRec等端到端推荐模型不同，TIGER的价值恰恰在于其结构简洁、复杂度低，，非常适合作为初学者入门该领域的首选模型。

后记

这是我的第一篇技术文章（应该勉强算是吧😂），下笔时往往感觉词不达意，内容空洞，此时才感到语文没学好的痛苦😭。无奈之下，只能求助于DeepSeek重写（重写的效果其实也不尽如人意）。慢慢来，希望以后我能写出更好的文章🤤

参考：

生成式推荐：RQ-VAE - 我不是算法工程师

麦理浩径路书

Sat, 03 Jan 2026 00:00:00 GMT

[ ] 交通路线与方式
- [ ] 去程
- [ ] 返程
[ ] 时间规划
[ ] 住宿
- [ ] 深圳站周边
[ ] 货币
- [ ] 过口岸后换汇
[ ] 天气、衣物、药物、食物
[ ] 证件与签注
- [ ] 在派出所办理签注

交通

去程

→深圳站
深圳站→罗湖口岸（步行）
罗湖→大学（东铁，27.1hkd）
大学b口→万宜水库东坝（打车，参考价格300hkd）

徒步路线

万宜水库东坝→破边洲→万宜水库东坝
万宜水库东坝→浪茄湾
浪茄湾→西湾山
西湾山→西湾亭

返程

一、美径巴士直达口岸

西湾亭→北潭涌（29R/NR29，需乘坐17：00那一趟，17：40前到北潭涌）
北潭涌→深圳湾（17：50美径巴士出发，99hkd）
注意：深圳湾口岸到罗湖口岸车程1h！

二、地铁东铁线返回

西湾亭→西贡总站（29R/NR29、19hkd）
1. 17：00、17：30、18：00三趟
西贡总站→沙田中心总站（299X、12hkd）
1. 19：00前15min一趟；19：00后20min一趟（周六）
2. search.kmb.hk/KMBWebSite/?action=routesearch&route=299X&lang=zh-cn![[Pasted image 20251230191749.png]]
沙田中心总站→罗湖站（东铁）

打车版

西湾亭→大学（参考价格300hkd）
西湾亭→福田口岸（参考价格500hkd）