AI 命令（语义搜索 / 智能摘要）
内置 AI 能力：Embedding 向量化 + 语义搜索（RAG）与 LLM 文章摘要，供 AI Agent 或人类通过同一套 CLI 使用。
bash
sip --init # 首次配置 AI（模型 + API Key，交互式）
sip --config # 查看/修改 AI 配置
sip --index # 对文章做 Embedding 向量化（交互式选择源）
sip --reindex # 更换 Embedding 模型后重新向量化
sip --search "LLM Agent" # 语义搜索（返回命中文章 + 相似度）
sip --search "RAG" --feed 1 --json # 限定订阅源搜索，JSON 输出
sip --grep "关键词" # 全文搜索（标题/正文/摘要，不依赖 AI）
sip --summary 12 # 为文章 12 生成摘要（保存到数据库）
sip --summary feed:3 # 为订阅源 3 的全部文章生成摘要
sip --summary-all # 为所有未生成摘要的文章生成摘要命令总表
| 命令 | 说明 |
|---|---|
--init | 交互式首次配置：选择 Embedding 提供方、LLM 提供方，并录入 API Key（stdin 被重定向时自动降级为普通输入，不崩溃） |
--config | 打印当前 AI 配置（不含密钥）及配置文件路径 |
--index | 为选中订阅源的文章批量生成 Embedding 向量 |
--reindex | 更换 Embedding 模型（维度变化）后，清除旧向量并全量重建 |
--search <查询> | 语义搜索；可选 --feed 编号、--threshold 0.7、--json。⚠️ 性能提示：跨全源搜索是向量全量扫描，优先用 --grep（SQL LIKE 精确匹配）；需要语义扩展时用 --feed 编号 限定单源，或调 --threshold 减少候选。⚠️ 全文向量命中分通常比标题向量低 0.1~0.2，搜「正文独有概念」时结果偏少可适当降阈值 |
--grep <关键词> [--feed 编号] | 全文搜索（FTS5 + trigram，≥3 字符走索引、短词自动回退 SQL LIKE，不依赖 AI）；可选 --feed 编号 限定单个源；默认输出「编号+标题+出现次数+±50 字符片段」，有上限（--feed N / --limit N / --max-snippets N / --json / --full）。%/_ 按字面匹配；命中但仅落在链接/HTML 属性（可见文本 0 处）时提示「(仅命中链接/属性，未计入可见文本)」 |
--summary <编号> | 为单篇文章调用 LLM 生成摘要（--json 结构化）；feed:<编号> 为该源全部文章逐个生成 |
--summary-all | 为所有 Summary 为空的文章生成摘要 |
API Key 存操作系统原生凭据库（Windows 凭据管理器 / macOS 钥匙串 / Linux Secret Service），不写入任何文件；非敏感配置存 readwithhotsoup/ai_config.json（键名大小写不敏感，端点缺 http(s):// 协议头时自动补全；"allowPrivateNet": true 可放行内网全文抓取）。
给 AI Agent / 脚本的初始化提醒
默认未配置模型、未做向量化——直接用 --search 会报「AI 未配置」或「尚无向量索引」。AI 应先 sip --config 确认已初始化，缺配置跑 sip --init、缺索引跑 sip --index、换过模型跑 sip --reindex。输出一律 UTF-8。
检索策略（Agent 使用建议）
- 先用全文搜索确认命中：
--grep是精确关键字匹配（标题/正文/摘要），不依赖 AI、无阈值问题。默认就是安全的片段模式（每篇只出「编号+标题+出现次数+±50 字符片段」，上限 20 篇 × 10 段），不会把大源正文灌进上下文；命中太多加--limit N，要结构化结果用--json，要某篇完整正文用--show <编号> --json。 - 再用语义搜索扩展：
--search按语义相似度找「意思相近但字面不同」的文章；跨全源是向量全量扫描，数据量大时会明显变慢——优先--grep，确需语义扩展再用--search，并配合--feed 编号限源、--threshold调阈值。 - 多次换关键词：围绕主题拆出 3~6 个不同的关键词/短语/同义词/英文原文，逐个检索，合并去重。
- 留意阈值：默认 0.7。0~2 条结果 → 降到 0.5~0.6；噪声多 → 升到 0.75~0.8；本地 bge-m3 常落在 0.5~0.6，建议 0.5；命中来自抓取全文的文章时，分普遍比标题向量低 0.1~0.2，可降阈值重试。
- 读全文：用
sip --show <编号> --json（AI 一律带--json，裸跑会进全屏阅读界面）；有全文缓存时 JSON 带fulltext字段，优先用它。
错误码说明
AI 命令失败时统一上报结构化错误码，--json 模式下错误以 {"error": {"code": "...", ...}} 形式返回：MODEL_UNAVAILABLE / INVALID_RESPONSE / INVALID_JSON / EMPTY_RESPONSE / API_KEY_INVALID / NETWORK_ERROR / NO_INDEX / FEED_NOT_FOUND / ITEM_NOT_FOUND / EMPTY_QUERY。
ai skill
代码里的 .opencode/skills/sip-rss 内含一份 skill，直接喂给 AI 即可。也可以直接从 Releases 下载 sip-skill.zip（与各平台单文件一起提供）。