name	personalized-reading
description	为用户构建个性化阅读画像，通过问卷或飞书数据采集生成 reading_habit.md + persona.md，持续根据行为反馈进化，最终实现个性化文章推荐。
argument-hint	[user-id]
version	1.0.0
user-invocable	true
allowed-tools	Read, Write, Edit, Bash

个性化阅读推荐 Skill

前置条件

使用本 skill 前，需要安装 uv（Python 环境管理工具，一次性安装）：

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# 或通过 Homebrew
brew install uv

安装后无需其他操作，后续所有 Python 脚本由 uv 自动管理隔离的虚拟环境。

触发条件

当用户说以下任意内容时，进入初始化模式：

/personalized-reading
"帮我初始化阅读画像"
"创建我的阅读偏好"
"新建用户画像"

初始化前必须先检查：若 users/{user_id}/profile.json 已存在，说明画像已初始化过，直接告知用户已有画像，询问是查看画像还是进入推荐模式，不应再次触发问卷。

当用户说以下内容时，进入推荐模式：

"给我推荐文章"
"推荐一些 {topic} 相关的内容"

当用户说以下内容时，进入行为反馈模式：

"感兴趣"、"喜欢这篇"、"不错"
"不感兴趣"、"屏蔽这类"

当用户说以下内容时，进入画像进化模式：

"我有新的飞书数据"
"更新我的画像"

工具使用规则

任务	使用工具
检查用户是否存在	`Bash` → `ls ${CLAUDE_SKILL_DIR}/users/`
读取用户画像文件	`Read` 工具
写入、更新画像文件	`Write`、`Edit` 工具
初始化用户画像	`Bash` → `uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/profile_writer.py`
记录行为信号	`Bash` → `uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/behavior_tracker.py`
飞书 CLI 数据采集	`Bash` → `uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/feishu_cli_collector.py`
个性化推荐查询	`Bash` → `uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/personalized_archivist_agent.py`

Python 环境：所有 Python 脚本必须通过 uv run --project ${CLAUDE_SKILL_DIR} 执行，uv 自动在项目目录内维护隔离的 venv，依赖声明在 pyproject.toml，不得使用系统 Python 或手动 pip install。

基础目录：用户画像写入 ./users/{user_id}/（相对于本项目目录）。

主流程：初始化用户画像

Step 1：问卷采集

参考 ${CLAUDE_SKILL_DIR}/prompts/intake.md 的问题序列，依次问 6 个问题：

核心关注的主题与子主题（必填）
偏好的信息类型（新闻、深度分析、教程、案例、工具发布、讨论）
偏好的内容风格与密度（理性、犀利、技术化、高密度、轻松浏览）
偏好的数据源与新鲜度（HN、arxiv、GitHub Trending、Twitter、Reddit、突发、近期、常青）
热度与领域深度偏好（大众热点、小众深水区、入门、中级、专业）
主动关注/屏蔽的关键词

每个问题均可跳过。收集完后汇总确认，再进入下一步。

Step 2：原材料导入（可选，用于丰富初始画像）

询问用户是否有飞书数据，展示两种方式：

是否有飞书数据用于丰富画像？（可跳过，仅凭问卷生成）

  [A] 飞书 CLI 采集（推荐）
      前置：lark-cli auth login（选择 im + docs）
      默认采集全部消息和文档
      如需限制数量，请告诉我：消息最多采集多少条？文档最多采集多少篇？

  [B] 跳过
      仅凭问卷答案生成初始画像

选 A（飞书 CLI 采集）：

前置授权（一次性）：

lark-cli auth login
# 选择业务域：im（消息）+ docs（文档）

执行采集（初始化和增量更新使用同一命令，脚本自动判断）：

# 默认采集全部消息和文档（推荐先用全量，如数据量过大再自行限定）
uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/feishu_cli_collector.py \
  --user-id {user_id} \
  --base-dir ${CLAUDE_SKILL_DIR}/users

# 如需限定采集数量，加上 --msg-limit 和 --doc-limit
uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/feishu_cli_collector.py \
  --user-id {user_id} \
  --base-dir ${CLAUDE_SKILL_DIR}/users \
  --msg-limit 100 \
  --doc-limit 30

采集完成后：

users/{user_id}/raw_data/messages.txt → 新增消息记录
users/{user_id}/raw_data/docs.txt → 新增文档内容
users/{user_id}/raw_data/batches.json → 分批数据（供 LLM 分批处理）
users/{user_id}/sync_state.json → 自动更新，记录本次采集位置

分批处理规则：读取 batches.json，若 total_batches > 1，则对每批分别调用 LLM（merger prompt），收集所有批次的信号后再合并写入画像。若 total_batches == 1 或无新数据，直接单次调用。

Step 3：分析原材料

将问卷答案 + 飞书数据（如有）汇总，按两条线分析：

线路 A（阅读偏好）：

参考 ${CLAUDE_SKILL_DIR}/prompts/reading_habit_analyzer.md 中的提取维度
提取：高频主题、偏好信息类型、内容风格、数据源偏好、新鲜度/热度/深度偏好、屏蔽信号

线路 B（用户风格）：

参考 ${CLAUDE_SKILL_DIR}/prompts/persona_analyzer.md 中的提取维度
提取：表达风格、阅读动机、推荐理由偏好、对热门/争议内容的态度

Step 4：生成并预览

参考 ${CLAUDE_SKILL_DIR}/prompts/reading_habit_builder.md 生成 reading_habit.md 内容。参考 ${CLAUDE_SKILL_DIR}/prompts/persona_builder.md 生成 persona.md 内容。

向用户展示摘要，询问确认：

reading_habit 摘要：
  - 核心关注：{xxx}
  - 偏好来源：{xxx}
  - 内容深度：{xxx}
  - 屏蔽关键词：{xxx}

persona 摘要：
  - 阅读动机：{xxx}
  - 推荐理由格式：{xxx}
  - 对热门内容的态度：{xxx}

确认生成？还是需要调整？

Step 5：写入文件

用户确认后，准备三个文件内容，然后调用 profile_writer.py 写入：

1. 将生成的内容分别写入临时文件（用 Write 工具）：

/tmp/reading_habit_draft.md → reading_habit.md 内容
/tmp/persona_draft.md → persona.md 内容
/tmp/profile_draft.json → profile.json 内容（根据问卷答案构建）

profile.json 结构：

{
  "user_id": "{user_id}",
  "tag_scores": { "{子主题}": 3.0, "{关注关键词}": 3.0 },
  "source_prefs": [0, 2, 3],
  "block_sources": [],
  "block_keywords": ["{屏蔽关键词}"],
  "content_type_prefs": ["{偏好信息类型}"],
  "freshness_pref": "recent",
  "hotness_pref": "niche",
  "depth_pref": "expert",
  "version": 1,
  "updated_at": "{ISO时间}"
}

source_prefs 映射：0=hacker_news, 1=twitter, 2=arxiv, 3=github_trending, 5=hugging_face, 7=reddit

2. 调用 profile_writer.py 写入（用 Bash）：

uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/profile_writer.py \
  --action create \
  --user-id {user_id} \
  --reading-habit /tmp/reading_habit_draft.md \
  --persona /tmp/persona_draft.md \
  --profile /tmp/profile_draft.json \
  --base-dir ${CLAUDE_SKILL_DIR}/users

告知用户：

✅ 阅读画像已创建！

文件位置：users/{user_id}/
  - reading_habit.md（阅读偏好）
  - persona.md（风格画像）
  - profile.json（机器可读画像，含 tag_scores）

触发推荐：给我推荐文章
记录行为：感兴趣 / 不感兴趣

行为反馈模式

用户表达"感兴趣"或"不感兴趣"时，调用 behavior_tracker.py：

uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/behavior_tracker.py \
  --user-id {user_id} \
  --article '{"title":"{文章标题}","tags":["{tag1}","{tag2}"]}' \
  --behavior {like|dislike} \
  --reason "{用户理由，可选}" \
  --base-dir ${CLAUDE_SKILL_DIR}/users

行为说明：

行为	权重	说明
like	+2.0	感兴趣（强正信号）
dislike	-3.0	不感兴趣（强负信号，自动加入屏蔽词）

--reason 可选，用于记录用户感兴趣或不感兴趣的理由，帮助 LLM 理解偏好变化
累积 ≥5 次强信号后，自动触发 LLM 增量更新画像

画像进化模式

用户提供新飞书数据时：

执行增量采集（与初始化同一命令，脚本自动读取 sync_state 只拉新数据）：

uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/feishu_cli_collector.py \
  --user-id {user_id} \
  --base-dir ${CLAUDE_SKILL_DIR}/users

读取 users/{user_id}/raw_data/batches.json，检查 total_batches：
- = 0：无新数据，告知用户无需更新
- = 1：单批，直接进入步骤 3
- > 1：多批，对每批分别执行步骤 3，收集所有批次的 patch 后统一写入
用 Read 读取现有 users/{user_id}/reading_habit.md 和 persona.md
参考 ${CLAUDE_SKILL_DIR}/prompts/merger.md 分析当前批次内容
调用 profile_writer.py 写入更新版本：

uv run --project ${CLAUDE_SKILL_DIR} python ${CLAUDE_SKILL_DIR}/tools/profile_writer.py \
  --action update \
  --user-id {user_id} \
  --reading-habit-patch /tmp/reading_habit_patch.md \
  --base-dir ${CLAUDE_SKILL_DIR}/users

管理命令

/list-users：

ls ${CLAUDE_SKILL_DIR}/users/

查看用户画像版本：

ls ${CLAUDE_SKILL_DIR}/users/{user_id}/versions/

回滚到历史版本：

# 手动复制 versions/v{n}/ 下的文件到 users/{user_id}/
cp ${CLAUDE_SKILL_DIR}/users/{user_id}/versions/v{n}/reading_habit.md \
   ${CLAUDE_SKILL_DIR}/users/{user_id}/reading_habit.md

name	personalized-reading
description	为用户构建个性化阅读画像，通过问卷或飞书数据采集生成 reading_habit.md + persona.md，持续根据行为反馈进化，最终实现个性化文章推荐。
argument-hint	[user-id]
version	1.0.0
user-invocable	true
allowed-tools	Read, Write, Edit, Bash