微信读书笔记智能消化 / WeRead Note Digest

Layer 2 skill — depends on weread skill for raw data. This skill provides the AI processing layer.

把微信读书的划线+想法，变成有洞察的输出。不扩展 weread 的 API 能力，而是在已有数据上做 AI 加⼯。

前置依赖 / Prerequisites

本技能依赖 weread skill 的数据导出功能。执行任何操作前，先确保：

1. weread skill 已安装且 Cookie 已配置
2. 已运行过至少一次全量导出：python3 ~/.openclaw/workspace/skills/weread/scripts/export_notes.py

数据文件位于：

~/.weread/
├── books.json          # 书籍索引
├── notes/              # 单书笔记文件（\x3CbookId>.json）
└── notes_index.json    # 全量笔记索引（按时间排序）

快速检查

python3 ~/.openclaw/workspace/skills/weread/scripts/export_notes.py --stats

如果报错"未导出"，先帮用户配置 Cookie 并运行全量导出。

核心功能 / Core Features

功能一：阅读统计 / Reading Stats

触发

"读书统计"、"reading stats"、"看看我的阅读数据"

工作流

1. 检查 ~/.weread/books.json 和 ~/.weread/notes_index.json 是否存在
2. 如果不存在 → 运行 python3 ~/.openclaw/workspace/skills/weread/scripts/export_notes.py
3. 读取两个 JSON 文件
4. 提取并展示：

📚 书架总览
  总计 X 本 | 读完 Y 本 | 在读 Z 本 | 未读 W 本
⏱ 总阅读时长：XX 小时 XX 分钟
✏️ 总笔记数：N 条（M 本有笔记的书）
📅 最近阅读：[最近读过且有进度的书 1-3 本]

📊 笔记最多的书 TOP 5：
  1. 《XXX》 — N 条笔记
  2. ...

📅 笔记时间分布：
  2026: XX 条
  2025: XX 条
  ...

用 emoji 和简洁的排版，适合快速浏览。

功能二：周期读书报告 / Reading Digest

触发

• "本周读书报告" / "weekly reading digest"
• "这个月的读书回顾" / "monthly reading review"
• "最近两周的读书情况"
• 也可以指定任意日期范围："看看 5 月份的读书报告"

工作流

Step 1: 确定时间范围

• "本周" = 本周一到今天
• "上周" = 上周一到上周日
• "本月" = 本月 1 号到今天
• "上月" = 上月 1 号到最后一天
• 用户指定日期时按指定范围

Step 2: 获取数据

1. 读取 ~/.weread/notes_index.json，筛选时间范围内的笔记
2. 读取 ~/.weread/books.json，获取相关书籍的元信息
3. 如果需要更详细的阅读数据，运行 python3 ~/.openclaw/workspace/skills/weread/scripts/weread_api.py shelf

Step 3: 生成报告

报告结构（Markdown 格式）：

# 📰 [时间段] 读书报告
> 生成时间：YYYY-MM-DD

## 📊 概览
- 阅读 X 本书 | 新增 Y 条笔记 | 读完 Z 本
- 累计阅读时长约 XX 小时

## 📖 阅读书目
| # | 书名 | 作者 | 笔记数 | 状态 |
|---|------|------|--------|------|
| 1 | 《XXX》 | 作者 | N 条 | 在读/读完 |
（按笔记数降序排列，只列有笔记的书）

## 💡 本周精华笔记（精选 5-8 条）
> 从本期所有笔记中挑选最有深度、最具启发性的内容

1. 📖「《书名》」
   > 原文：...
   > 💭 我的想法：...（如有）

2. 📖「《书名》」
   > 原文：...

（挑选标准：笔记长度适中、观点鲜明、有独立价值）

## 🧠 AI 洞察
> 基于本周期笔记内容的综合分析

- **阅读主题**：本期主要集中在 [领域A]、[领域B] 等话题
- **思维模式**：[观察到的阅读倾向，如偏爱案例、关注方法论等]
- **一个收获**：[最值得带走的一个核心观点]

## 📈 趋势
- 与上期对比：[笔记增减、阅读时长变化]
- 连续阅读天数：X 天

精选笔记的挑选原则：

• 优先选择有"想法"（用户自己写的）而非仅有划线的笔记
• 内容有一定长度（至少 20 字），避免无上下文的短句
• 覆盖不同书籍，每本书最多 2 条
• 优先选择近期笔记

如果时间范围内没有笔记：

📭 [时间段] 没有新增读书笔记。
最近一次笔记：YYYY-MM-DD（《XXX》）
要不要看看更早的？试试"上月读书报告"或"全部读书回顾"。

功能三：单书笔记摘要 / Book Note Synthesis

触发

• "总结《XXX》的笔记" / "summarize my notes on XXX"
• "帮我整理一下《XXX》的划线"
• "《XXX》我都划了什么"

工作流

Step 1: 定位书籍

1. 读取 ~/.weread/books.json，模糊匹配书名
2. 如果匹配到多本，列出让用户选
3. 如果没找到 → 可能还没导出该书笔记，尝试运行 export_notes.py --incremental 或提示用户

Step 2: 获取该书笔记

1. 读取 ~/.weread/notes/\x3CbookId>.json
2. 确认有多少条笔记（highlights + thoughts）

Step 3: 生成摘要

报告结构：

# 📖 《书名》— 笔记摘要
> 作者 | 阅读进度：XX% | 笔记 N 条 | 读完/在读

## 🏷️ 核心主题
（AI 将笔记按主题归类，3-6 个主题，每个 1-2 句话概括）

- **主题A**：...
- **主题B**：...
- **主题C**：...

## 📝 精华笔记（按主题整理）

### 主题A
1. > 原文：...
   💭 我的想法：...（如有）
2. > 原文：...

### 主题B
...

## 🎯 关键收获
（3-5 句话总结这本书给你留下的核心观点，基于笔记而非全书）

## 📌 行动建议
（基于笔记内容，提炼 1-3 条可付诸实践的建议）

如果笔记很多（>50 条）：

• 先做主题归类，每个主题挑 3-5 条最有代表性的笔记
• 告知用户总数和展示数，如"共 87 条笔记，展示精选 25 条"

如果笔记很少（\x3C5 条）：

• 逐条展示，不做归类
• 提示："笔记较少，可能刚开始读，建议多划线加深理解"

如果该书没有任何笔记：

📭 《XXX》暂无划线或笔记。
当前进度：XX%。要不要先去微信读书划线一些内容？

功能四：跨书主题串联 / Cross-Book Theme Explorer

触发

• "我的笔记里有哪些共同主题"
• "跨书主题分析"
• "帮我找找不同书的笔记有什么关联"
• "我的阅读关键词是什么"

工作流

Step 1: 扫描全量笔记

1. 读取 ~/.weread/notes_index.json
2. 提取所有笔记的 content（想法）和 highlight（划线原文）

Step 2: AI 分析

对全量笔记进行主题聚类，输出：

# 🔗 跨书阅读主题地图
> 基于 N 本书、M 条笔记的分析

## 🗺️ 你的阅读关键词

🏷️ [关键词1] — X 本书 Y 条笔记
🏷️ [关键词2] — X 本书 Y 条笔记
🏷️ [关键词3] — X 本书 Y 条笔记
...

## 📚 主题 × 书籍矩阵

| 主题 | 《书A》 | 《书B》 | 《书C》 |
|------|--------|--------|--------|
| 认知偏见 | 5条 | — | 8条 |
| 决策方法 | 3条 | 12条 | 2条 |
...

（只展示出现 ≥2 本书的主题）

## 🔗 有趣的连接

1. 《书A》和《书B》都在讨论 [共同话题]，但角度不同：
   - 《书A》认为：...
   - 《书B》认为：...

2. ...

## 🧭 阅读偏好画像
- 你的阅读集中在 [领域]
- 你特别关注 [话题]
- 你较少涉猎 [领域]（可考虑拓展）

如果笔记 \x3C 10 条：

📭 笔记太少（当前仅 N 条），主题分析需要更多数据。
建议多读几本书、多划线，积累到 30+ 条笔记后再做跨书分析。

功能五：知识库归档 / Knowledge Base Archive

触发

• "把《XXX》的笔记整理进知识库" / "archive XXX to knowledge base"
• "把最近读的书全部入库" / "batch archive recent books"
• "同步微信读书笔记到知识库" / "sync reading notes to KB"
• "入库"

首次运行：配置引导 / First-Run Config

首次触发此功能时，检查 ~/.weread/kb-config.json 是否存在。若不存在，引导用户：

🧠 要把读书笔记转成知识库卡片，我需要知道：

1. 你用什么知识库？
   - Obsidian（默认，推荐）
   - 纯 Markdown 文件夹
   - Notion / Logseq / 其他

2. 知识库路径是什么？
   例：D:\\Obisidian\\MyVault\\

3. 有没有知识库规则文件？
   - 有的话给路径（如 WIKI-SCHEMA.md），我严格按规则执行
   - 没有的话我用内置默认规则

配置一次就行，以后说"入库"我就提取概念、列出清单等你确认。

配置文件 ~/.weread/kb-config.json：

{
  "version": "1.0",
  "knowledgeBase": {
    "tool": "obsidian",
    "path": "/path/to/vault/",
    "schemaPath": "/path/to/WIKI-SCHEMA.md",
    "language": "zh-en"
  }
}

工作流 / Workflow

Step 1: 获取书籍笔记

1. 从 ~/.weread/books.json 匹配书名 → bookId
2. 读取 ~/.weread/notes/\x3CbookId>.json 获取完整笔记
3. 如果笔记文件不存在 → 提示先运行 export_notes.py

Step 2: 识别书籍归属 / Classify Book

判断书籍属于哪个知识库学科分类：

📌 原则：优先匹配现有文件夹，无匹配时才新建。新建文件夹格式：{NN}-{学科名}/

Step 3: 概念提取与分流 / Extract & Route

逐条处理笔记，按以下逻辑分流：

• A. 核心概念（创建新节点）：书中定义的新术语、关键知识点、能独立成篇的洞见 → 创建 .md 文件
• B. 补充型内容（追加已有节点）：具体案例、实操清单、对已有概念的补充 → 追加到已有文件
• C. 纯摘录（不建节点）：仅划线无想法、过短、无独立概念价值 → 跳过或合入摘要

Step 3.5: 用户确认 / User Confirmation ⚠️ 强制步骤

在创建任何文件之前，必须先将提取结果展示给用户确认。

展示格式：

📋 《XXX》概念提取结果，请确认：

📁 归类：06-经济学/

🆕 新建概念（X 个）：
  1. 充分就业 — 宏观经济政策四大目标之一
     → 文件：06-经济学/宏观经济学/05-充分就业.md
  2. 理性人假设 — 所有市场参与者追求效用最大化
     → 文件：06-经济学/微观基础/03-理性人假设.md

📎 补充已有（Y 个）：
  1. GDP — 追加 GNP 与 GDP 的区别说明
     → 文件：06-经济学/宏观经济学/01-GDP.md

⏭️ 跳过（Z 条）：
  - "NI=NNP-间接税+企业补贴"（纯摘录无独立概念）
  - "微调？"（过于简短）

🔗 将建立的跨学科链接：
  - [[理性人假设]] ↔ [[09-哲学/西方哲学/01-理性主义|理性主义]] 💡 思维模型类比

---
确认以上操作？回复"确认"开始归档，或指出需要调整的地方。

规则：

• 用户说"确认"/"可以"/"OK" → 执行 Step 4-7
• 用户要调整 → 按反馈修改后重新展示
• 用户说"全部跳过" → 不创建任何文件
• 绝不跳过此步骤直接创建文件

每个概念文件格式（Obsidian / Plain Markdown）：

---
aliases:
  - EnglishName
  - 中文别名
---

# ConceptName / 概念名

> One-line summary. 一句话概述。
> 📖 来源：《书名》— 作者

## 核心内容 / Core Content

（AI 基于划线内容提炼的核心知识点，2-5 段）

## 💡 内容补充 / Supplements

（后续同一主题的补充内容追加到这里）

## 关联 / Related

- [[path/to/related|Related Concept]] — 关联说明

---

**创建日期**：YYYY-MM-DD

格式规则（严格遵循）：

1. 一个概念一个文件 — 绝不打包多个概念
2. 数字前缀文件名 — {NN}-{ConceptName}.md
3. YAML frontmatter 含 aliases — 英文名和中文别名
4. 中英双语（language=zh-en） — # English / 中文
5. Wikilink 规范：[[完整路径/文件名|显示名]]，| 两边无空格
6. 双向链接 — A↔B 互相引用
7. 来源标注 — 每文件标注来源书籍

Step 5: 去重检查 / Duplicate Detection

创建前强制检查：

1. 知识库中是否已有同名/相似概念（含 aliases）
2. 已存在 → 建 wikilink 不重复建
3. 部分重叠 → 补充到已有节点
4. 内容矛盾 → 标记 ⚠️ 待确认

Step 6: 更新索引与总纲

• 更新 00_概念索引.md
• 更新学科总纲（如 06-经济学总纲.md）
• 新学科文件夹 → 同时创建总纲文件
• 如果知识库有断链检查脚本 → 运行

Step 7: 完成汇报

🧠 《XXX》笔记已归档到知识库

📊 统计：处理 N 条 | 新建 X 个 | 补充 Y 个 | 跳过 Z 条
🆕 新建：充分就业、理性人假设…
🔗 链接：[[A]] ↔ [[B]], 💡 跨学科…
📋 索引已更新 | ⚠️ 0 个断链

批量归档 / Batch Archive

触发："把最近读的书全部整理进知识库"

1. 列出所有有笔记的书，逐本确认或全选
2. 逐本执行 Step 1-7

与 knowledge-digest 的分工

常见工作流 / Common Workflows

工作流 A：快速了解自己的阅读状况

用户："读书统计"
→ 直接展示统计信息（功能一）

工作流 B：每周回顾

用户："本周读书报告"
→ 如果 ~/.weread/ 数据不是最新的 → 先运行 export_notes.py
→ 生成周报（功能二）

工作流 C：深入消化一本书

用户："总结《思考，快与慢》的笔记"
→ 获取该书笔记 → 生成摘要（功能三）
→ 主动问："要导出到知识库吗？"（如有知识库配置）

工作流 D：发现阅读模式

用户："帮我看看最近读了什么"
→ 先展示统计 + 最近笔记（功能一 + 功能二精简版）
→ 主动问："想看看跨书主题分析吗？"（链接功能四）

工作流 E：阅读→知识库闭环

用户："把《西方思想史十二讲》整理进知识库"
→ 获取该书笔记 → 提取概念 → 按规则入库
→ 汇报新建/更新/链接情况
→ 断链检查 → 完成

设计原则 / Design Principles

1. AI 加工，非 API 扩展 — 不做新的 API 调用，所有数据来自 weread skill 的导出
2. 渐进深度 — 统计 → 报告 → 摘要 → 主题串联，由浅入深
3. 人类可读 — 输出用自然语言和 emoji，不丢 JSON 原文
4. 尊重隐私 — 笔记在本地处理，不上传第三方
5. 容错友好 — 数据不足时给明确提示，不报错崩溃
6. 保留出处 — 每条笔记都标注来源书籍，可追溯

与 weread skill 的分工 / Division of Labor

错误处理 / Error Handling