diff --git a/运营中枢/scripts/karuo_ai_gateway/README.md b/运营中枢/scripts/karuo_ai_gateway/README.md
new file mode 100644
index 00000000..7e48584b
--- /dev/null
+++ b/运营中枢/scripts/karuo_ai_gateway/README.md
@@ -0,0 +1,34 @@
+# 卡若AI 网关
+
+外网可访问的 API，按卡若AI 思考逻辑生成回复。其他 AI 或终端通过 POST /v1/chat 调用。
+
+## 运行
+
+```bash
+cd /Users/karuo/Documents/个人/卡若AI/运营中枢/scripts/karuo_ai_gateway
+pip install -r requirements.txt
+uvicorn main:app --host 0.0.0.0 --port 8000
+```
+
+可选环境变量：
+
+- `OPENAI_API_KEY`：OpenAI 或兼容 API 的密钥，配置后使用真实 LLM 生成回复。
+- `OPENAI_API_BASE`：兼容接口地址，默认 `https://api.openai.com/v1`。
+- `OPENAI_MODEL`：模型名，默认 `gpt-4o-mini`。
+
+## 外网暴露
+
+- **本机 + ngrok**：`ngrok http 8000`，用给出的 https 地址作为 YOUR_DOMAIN。
+- **宝塔服务器**：将本服务部署到服务器，Nginx 反代 8000 端口，配置域名即 YOUR_DOMAIN。
+
+## 执行命令（给 Cursor / 其他 AI）
+
+将 `YOUR_DOMAIN` 换成实际域名或 ngrok 地址后执行：
+
+```bash
+curl -s -X POST "https://YOUR_DOMAIN/v1/chat" \
+  -H "Content-Type: application/json" \
+  -d '{"prompt":"你的问题"}' | jq -r '.reply'
+```
+
+方案说明：`运营中枢/参考资料/卡若AI外网化与外部调用方案.md`。
diff --git a/运营中枢/scripts/karuo_ai_gateway/main.py b/运营中枢/scripts/karuo_ai_gateway/main.py
new file mode 100644
index 00000000..3aba6d55
--- /dev/null
+++ b/运营中枢/scripts/karuo_ai_gateway/main.py
@@ -0,0 +1,142 @@
+"""
+卡若AI 网关：外网可访问的 API，按卡若AI 思考逻辑生成回复。
+部署后对外提供 POST /v1/chat，其他 AI 或终端可通过此接口调用卡若AI。
+"""
+from pathlib import Path
+import os
+import re
+from fastapi import FastAPI
+from fastapi.responses import HTMLResponse
+from pydantic import BaseModel
+
+# 仓库根目录（本脚本在 运营中枢/scripts/karuo_ai_gateway/main.py）
+REPO_ROOT = Path(__file__).resolve().parents[3]
+
+app = FastAPI(title="卡若AI 网关", version="1.0")
+
+
+def load_bootstrap() -> str:
+    p = REPO_ROOT / "BOOTSTRAP.md"
+    if p.exists():
+        return p.read_text(encoding="utf-8")
+    return "卡若AI：个人数字管家。5 负责人 → 14 成员 → 53 技能。先思考再执行，结尾带复盘。"
+
+
+def load_registry() -> str:
+    p = REPO_ROOT / "SKILL_REGISTRY.md"
+    if p.exists():
+        return p.read_text(encoding="utf-8")
+    return "技能注册表未找到。"
+
+
+def match_skill(prompt: str) -> tuple[str, str]:
+    """根据 prompt 在 SKILL_REGISTRY 中匹配技能，返回 (技能名, 路径)。"""
+    text = load_registry()
+    lines = text.split("\n")
+    for line in lines:
+        if "|" not in line or "触发词" in line or "`" not in line:
+            continue
+        parts = [p.strip() for p in line.split("|")]
+        # 表列：| # | 技能 | 成员 | 触发词 | SKILL 路径 | 一句话 |
+        if len(parts) < 6:
+            continue
+        skill_name, triggers, path = parts[2], parts[4], parts[5].strip("`")
+        for t in triggers.replace("、", " ").split():
+            if t and t in prompt:
+                return skill_name, path
+    return "通用", "总索引.md"
+
+
+class ChatRequest(BaseModel):
+    prompt: str
+
+
+class ChatResponse(BaseModel):
+    reply: str
+    matched_skill: str
+    skill_path: str
+
+
+def build_reply_with_llm(prompt: str, matched_skill: str, skill_path: str) -> str:
+    """调用 LLM 生成回复（OpenAI 兼容）。未配置则返回模板回复。"""
+    bootstrap = load_bootstrap()
+    system = (
+        f"你是卡若AI。请严格按以下规则回复：\n\n{bootstrap[:4000]}\n\n"
+        f"当前匹配技能：{matched_skill}，路径：{skill_path}。"
+        "先简短思考并输出，再给执行要点，最后必须带「[卡若复盘]」块（含目标·结果·达成率、过程 1 2 3、反思、总结、下一步）。"
+    )
+    api_key = os.environ.get("OPENAI_API_KEY")
+    base_url = os.environ.get("OPENAI_API_BASE", "https://api.openai.com/v1")
+    if api_key:
+        try:
+            import httpx
+            r = httpx.post(
+                f"{base_url.rstrip('/')}/chat/completions",
+                headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
+                json={
+                    "model": os.environ.get("OPENAI_MODEL", "gpt-4o-mini"),
+                    "messages": [{"role": "system", "content": system}, {"role": "user", "content": prompt}],
+                    "max_tokens": 2000,
+                },
+                timeout=60.0,
+            )
+            if r.status_code == 200:
+                data = r.json()
+                return data["choices"][0]["message"]["content"]
+        except Exception as e:
+            return _template_reply(prompt, matched_skill, skill_path, error=str(e))
+    return _template_reply(prompt, matched_skill, skill_path)
+
+
+def _template_reply(prompt: str, matched_skill: str, skill_path: str, error: str = "") -> str:
+    """未配置 LLM 或调用失败时返回模板回复（仍含复盘格式）。"""
+    err = f"\n（当前未配置 OPENAI_API_KEY 或调用失败：{error}）" if error else ""
+    return f"""【思考】
+已根据你的问题匹配到技能：{matched_skill}（{skill_path}）。将按卡若AI 流程执行。{err}
+
+【执行要点】
+1. 读 BOOTSTRAP + SKILL_REGISTRY。
+2. 读对应 SKILL：{skill_path}。
+3. 按 SKILL 步骤执行并验证。
+
+[卡若复盘]（日期）
+🎯 目标·结果·达成率
+目标：按卡若AI 逻辑响应「{prompt[:50]}…」。结果：已匹配技能并返回本模板。达成率：见实际部署后 LLM 回复。
+📌 过程
+1. 接收请求并匹配技能。
+2. 加载 BOOTSTRAP 与 REGISTRY。
+3. 生成回复并带复盘块。
+💡 反思
+部署后配置 OPENAI_API_KEY 即可获得真实 LLM 回复。
+📝 总结
+卡若AI 网关已就绪；配置 API 后即可外网按卡若AI 逻辑生成。
+▶ 下一步执行
+在环境变量中设置 OPENAI_API_KEY（及可选 OPENAI_API_BASE、OPENAI_MODEL）后重启服务。
+"""
+
+
+@app.get("/", response_class=HTMLResponse)
+def index():
+    """简单欢迎页，可后续改为对话页。"""
+    return """
+    <!DOCTYPE html>
+    <html><head><meta charset="utf-8"><title>卡若AI 网关</title></head>
+    <body>
+    <h1>卡若AI 网关</h1>
+    <p>外网可访问、按卡若AI 思考逻辑生成。其他 AI 可 POST /v1/chat 调用。</p>
+    <p>API 文档：<a href="/docs">/docs</a></p>
+    </body></html>
+    """
+
+
+@app.post("/v1/chat", response_model=ChatResponse)
+def chat(req: ChatRequest):
+    """外部调用入口：传入 prompt，返回按卡若AI 流程生成的 reply。"""
+    matched_skill, skill_path = match_skill(req.prompt)
+    reply = build_reply_with_llm(req.prompt, matched_skill, skill_path)
+    return ChatResponse(reply=reply, matched_skill=matched_skill, skill_path=skill_path)
+
+
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=8000)
diff --git a/运营中枢/scripts/karuo_ai_gateway/requirements.txt b/运营中枢/scripts/karuo_ai_gateway/requirements.txt
new file mode 100644
index 00000000..66da2380
--- /dev/null
+++ b/运营中枢/scripts/karuo_ai_gateway/requirements.txt
@@ -0,0 +1,4 @@
+fastapi>=0.100.0
+uvicorn>=0.22.0
+httpx>=0.24.0
+pydantic>=2.0