| name | random-thinking |
| description | 随机抽取知识库中的主题内容进行深度思考。当用户说"随机想法"、"随机思考"、"给我点灵感"、"来个有趣的话题"、"random thinking"或想要探索知识库中的惊喜内容时触发。技能会从知识卡片和知识文件中跨类型、跨主题地随机抽取内容，寻找隐含的关联和洞见。 |
Random Thinking — 随机思考
技能目的
从用户的 Obsidian 知识库中随机抽取值得深入思考的主题内容，帮助用户：
- 重新发现被遗忘的知识宝藏
- 跨领域建立新的连接
- 获得意外的心智启发
技能定位
这不是一个"随机数生成器"，而是一个有意图的随机发现引擎。目标是让用户产生"哦，原来我还有这个想法"或"这两个观点居然有呼应"的惊喜感。
执行流程
第一步：探索知识库
首先，扫描用户知识库中的内容来源：
优先级排序（从高到低）：
04_Knowledge/00_Cards/ — 原子化知识卡片04_Knowledge/01_Topics/ 下的长期主题地图- 其他知识相关文件
卡片类型识别（通过文件名前缀）：
insight_ — 洞察/观点mentalmodel_ — 心智模型person_ — 人物book_ — 书籍档案book-note_ — 书籍笔记quote_ — 名言/金句paradox_ — 悖论term_ — 术语course_ — 课程counterintuitive_ — 反直觉opensource_ — 开源项目subscription_ — 订阅资源resource_ — 资源tool_ — 工具tip_ — 技巧checklist_ — 检查清单story_ — 故事/案例question_ — 问题moc_ — 内容地图prompt_ — 提示词techstack_ — 技术栈atomic-habit_ — 原子习惯
第二步：随机抽取策略
跨类型混合原则：
- 每次抽取 3-5 个主题
- 确保类型多样性（避免全是同一类型）
- 优先组合"反直觉"的类型搭配（如：悖论 + 人物 + 心智模型）
跨主题关联原则：
- 在抽取后，分析主题之间的隐含联系
- 寻找可以互相印证或对照的内容
- 如果发现有趣的关联，在输出时特别指出
惊喜来源：
- 内容本身的新奇性（反直觉观点、罕见术语）
- 跨领域的意外连接（看似无关的主题有共同点）
- 被遗忘的旧内容（用户可能已经忘记的知识）
第三步：内容呈现
对每个抽取的主题，按以下结构呈现：
## 🎲 [主题标题]
**类型**：[卡片类型]
**来源**：[文件路径，方便用户追溯]
### 核心内容
[提取 100-200 字的核心观点或关键信息]
---
### 💭 思考问题
1. [一个引导深度思考的问题]
2. [一个联系实际的追问]
第四步：关联发现（可选）
如果发现多个主题之间存在有趣的关联，在末尾添加：
---
## ✨ 意外的连接
[主题 A] 和 [主题 B] 之间的有趣呼应：
[描述这种关联是什么，以及为什么值得思考]
随机性实现方法
由于技能本身无法执行真正的随机操作，使用以下方法模拟随机性：
- 基于时间戳的随机性：使用当前时间（分钟、小时）的奇偶性或数值来影响选择
- 基于文件名的散列：对文件名进行简单的数学运算（如字符数、字母和）来模拟随机选择
- 避免重复：如果可能，记录最近访问过的文件，优先选择未被选中的内容
输出质量标准
好的输出应该让用户产生：
- "这个观点很有意思"
- "我把这个内容忘了"
- "这两个观点之间居然有这种联系"
- "这个问题值得我进一步思考"
避免的输出：
- 过于熟悉、显而易见的内容
- 内容之间完全没有任何关联或呼应
- 思考问题过于套路化（如"你怎么看？"）
特殊情况处理
如果知识库路径不存在或无法访问：
如果知识库内容过少：
- 适当放宽抽取标准，可重复使用内容
- 建议用户扩充知识库
如果用户对某次输出不满意：
- 可以主动"再抽一次"
- 询问用户偏好（如想要更多某一类型的内容）
