back
loading skill details...
微信读书笔记智能消化技能。 AI-powered reading note digestion for WeRead (微信读书). Generates weekly/monthly reading reports, synthesizes book highlights into structured summ...
---
name: weread-digest
description: >
微信读书笔记智能消化技能。
AI-powered reading note digestion for WeRead (微信读书).
Generates weekly/monthly reading reports, synthesizes book highlights into structured summaries,
explores themes across books, surfaces reading stats, and archives concepts to knowledge bases.
触发词 / Triggers: "读书报告"、"reading digest"、"总结笔记"、"summarize my notes"、
"这周读了什么"、"reading report"、"微信读书报告"、"notebook summary"、"读书回顾"、
"reading review"、"reading stats"、"读书统计"、"跨书主题"、"cross-book theme"、
"整理进知识库"、"archive to knowledge base"、"同步笔记到知识库"、"入库"
metadata:
tags: [weread, reading, notes, digest, summary, knowledge-management, 微信读书]
---
# 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（<bookId>.json）
└── notes_index.json # 全量笔记索引（按时间排序）
```
### 快速检查
```bash
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 | 触发示例 | 说明 |
|---|------|---------|------|
| 1 | 📊 阅读统计 | "读书统计"、"reading stats" | 书架概览、阅读时长、笔记分布 |
| 2 | 📰 周期读书报告 | "本周读书报告"、"上月读书回顾" | 指定时间段的阅读摘要 + AI 洞察 |
| 3 | 📖 单书笔记摘要 | "总结《XXX》的笔记" | 一本书所有笔记的结构化摘要 |
| 4 | 🔗 跨书主题串联 | "我的笔记里有哪些共同主题" | 发现不同书之间的共同话题 |
| 5 | 🧠 知识库归档 | "把《XXX》整理进知识库" | 从划线/笔记中提炼概念，按规则入库 |
---
## 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）：
```markdown
# 📰 [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/<bookId>.json`
2. 确认有多少条笔记（highlights + thoughts）
**Step 3: 生成摘要**
报告结构：
```markdown
# 📖 《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（<5 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：
```markdown
# 🔗 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 < 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`：**
```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/<bookId>.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：
| 书籍类型 | 对应知识库文件夹 |
|---------|---------------|
| 经济学/宏观/微观 | `06-经济学/` |
| 投资/理财/K线 | `13-投资学/` |
| AI/计算机/编程 | `05-人工智能与基础设施/` 或 `00-计算机科学与技术/` |
| 哲学思想 | `09-哲学/` |
| 心理学/认知 | `11-心理学/` |
| 政治学 | `12-政治学/` |
| 社会学 | `16-社会学/` |
| 历史 | `22-历史学/` |
| 思想史 | `14-思想史/` |
| 文学/小说 | `19-文学/` |
| 法律 | `08-法律基础/` |
| 数据分析 | `10-数据分析/` |
| 亲密关系/人际关系 | `11-心理学/` |
| 个人成长/认知思维 | `11-心理学/` 或 `09-哲学/` |
> 📌 **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）：
```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
| | knowledge-digest | weread-digest 归档 |
|---|---|---|
| 场景 | 上完课归档 | 读完书归档笔记 |
| 数据源 | 课堂对话 | 微信读书划线 |
| 知识库规则 | 相同 | 相同 |
| 协同 | 共享知识库，去重互检 | 共享知识库，去重互检 |
---
## 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
| | weread skill | weread-digest skill |
|---|---|---|
| 获取书架 | ✅ | — |
| 获取划线/笔记 | ✅ | — |
| Cookie 管理 | ✅ | — |
| 导出笔记到本地 | ✅ | — |
| 浏览笔记内容 | — | ✅ |
| 生成阅读报告 | — | ✅ |
| AI 摘要和归类 | — | ✅ |
| 跨书主题分析 | — | ✅ |
| 阅读习惯洞察 | — | ✅ |
| 知识库归档 | — | ✅ |
---
## 错误处理 / Error Handling
| 情况 | 处理 |
|------|------|
| `~/.weread/` 目录不存在 | 提示先配置 weread skill 的 Cookie 并运行 `export_notes.py` |
| Cookie 过期 | 委托 weread skill 的 Cookie 更新流程，完成后重新导出 |
| 指定时间段无笔记 | 温和提示"这段时间没有笔记"，给出最近笔记时间 |
| 书名匹配不到 | 列出现有书籍让用户选，或提示是否增量导出 |
| 笔记文件损坏/格式异常 | 提示重新运行 `export_notes.py` |
| 用户没有想法只有划线 | 正常处理，标注"💭 无想法"即可 |
| 知识库未配置 | 首次触发 功能五 时自动引导配置 |
| 知识库路径不存在 | 提示确认路径，或帮用户创建目录结构 |
| 概念已存在 | 跳过新建，建立 wikilink + 补充内容到已有节点 |
| 书籍无法归类 | 列出候选文件夹让用户选，或创建新文件夹 |
don't have the plugin yet? install it then click "run inline in claude" again.