| name | log-memory-searcher |
| description | 智能日志回忆与搜索助手 - 当需要回忆过去事件、查找历史记录或整理某段时间的工作时使用。通过元数据索引快速定位相关日志文件。支持做梦模式，模拟人类做梦整理记忆的效果。支持入梦提示集管理，维护可复用的分析视角和一次性续梦提示。 |
| version | 2.0.0 |
| tags | ["log","memory","search","recall","metadata","dream"] |
| author | Assistant |
| license | MIT |
Log Memory Searcher - 日志回忆与搜索助手
触发条件
在以下场景自动使用此 skill：
- 回忆请求：用户询问"你还记得xx吗？"、"你回忆一下xx"，但你没有相关记忆或记忆不准确时
- 历史查找：用户要求查找某些事情的记录、某个功能的实现过程、某个问题的解决方案等
- 时间回顾：用户想了解某段时间做过的事情、某个项目的进展历程等
- 信息整理：需要整理分散在多天的相关工作记录时
- 做梦模式：用户说"做个梦"、"dream"、"整理一下记忆"等，触发做梦模式，模拟人类做梦整理记忆的效果
- 入梦提示管理：用户说"添加入梦提示"、"管理入梦提示"、"查看入梦提示"等，触发入梦提示集的维护
核心能力
- 📚 智能检索：基于 YAML front matter 元数据快速筛选相关日志
- 🔍 多维度搜索：支持关键词、时间范围、类型、标签等多条件组合
- 🔗 关联探索：自动追踪日志中引用的其他文档或日志
- 📊 结构化输出：按时间线或主题整理相关信息
- 🧠 做梦模式：模拟人类做梦整理记忆，无目标自由联想，发现隐藏关联，迭代提炼经验
工作流程
第一步：分析用户需求
理解用户想要回忆/查找的内容，提取关键信息：
- 关键词：涉及的技术、功能、问题等
- 时间范围：大概的时间段（如果用户提供）
- 上下文：相关的背景信息
第二步：构建搜索策略
根据需求选择合适的搜索参数：
场景 1：已知关键词
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--search <关键词1> <关键词2> \
--fields title description file_path created type tags
场景 2：指定时间范围
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--recent-days 7 \
--fields title description file_path created
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--from-date 2026-03-01 \
--to-date 2026-03-31 \
--fields title description file_path created
场景 3：OR 逻辑搜索（多个同义词）
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--search "weread|微信读书|wxread" \
--fields title description file_path created
场景 4：混合逻辑（A或B）且 C
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--search "weread|微信读书" \
--search debug \
--fields title description file_path created
场景 5：浏览所有日志（无明确关键词）
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--fields title description file_path created type \
--limit 20
第三步：执行搜索并分析结果
- 运行脚本：执行
<skill_dir>/scripts/extract-log-metadata.py 获取元数据索引
- 查看索引文件：读取脚本输出的索引文件（脚本会显示准确的文件路径）
- 初步筛选：根据标题、描述、标签判断哪些日志可能相关
- 调整策略：如果结果不理想，调整搜索参数重新执行
第四步：深入阅读相关日志
对于筛选出的相关日志：
-
读取完整内容：使用适当的工具读取日志全文
-
提取关键信息：关注问题解决过程、技术方案、经验教训等
-
"用进废退"原则：如果认为日志有用、有价值，则添加或更新 YAML front matter 元数据中的last_accessed 字段，让该日志不容易随时间而被遗忘，无用的日志则会随时间的推移而被遗忘
- 获取当前真实时间（ISO 8601 format with timezone），精确到秒，不要毫秒！
- 如果存在
last_accessed 字段，更新其值
- 如果不存在
last_accessed 字段，添加该字段
- ⚠️ 重要：必须使用系统当前时间，不要猜测
-
评估充分性：如果已获得足够信息，可以停止；如有必要，再按以下方法追踪关联文档：
追踪关联文档方法：日志正文中可能包含 [[]] 双向链接（wikilink）指向其他日志或文件。追踪步骤如下：
- 提取链接：从当前日志正文找出所有
[[]] 格式的 wikilink
- 统一用
fd 验证，不做预先分类（如未安装 fd，需先安装）：
- Windows:
winget install sharkdp.fd
- macOS:
brew install fd
- Linux: 检查包管理器中的
fd-find 或从 GitHub releases 下载
fd -p "(\\|/)path(\\|/)to(\\|/)file.md$" <workspace> --hidden --no-ignore --max-results 5
- 根据结果自然分流：
- 0 匹配 → 目标文件不存在，可能是概念/主题型前向引用，跳过该链接 ❌
- 1 匹配 → 链接有效且唯一，读取目标文档 ✅
- 2+ 匹配 → 歧义！立即修复源日志中的 wikilink，改为更具体的路径（如将
[[SKILL]] 改为 [[gh-cli/SKILL]]），确保唯一性后再继续 ⚠️
- 递归深入：对确认存在的关联文档重复上述过程，直到信息充分或无更多可追踪的文件引用
第五步：整理并回答
将找到的信息整理成清晰的回答：
- 时间线：按时间顺序梳理事件发展
- 关键点：突出重要的决策、发现、解决方案
- 引用来源：注明信息来源的日志文件
- 关联信息：如果有相关文档，一并提供
使用示例
示例 1：回忆某个功能的实现
用户："你还记得微信读书的章节提取是怎么实现的吗？"
执行：
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--search weread chapter extract \
--fields title description file_path created tags
分析：查看索引文件，找到相关日志如：
- "WeRead Chapter Extraction via Outline API"
- "WeRead DOM-based Content Extraction"
然后读取这些日志文件获取详细实现方案。
示例 2：查找某段时间的工作
用户："我上个月做了哪些工作？"
执行：
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--from-date 2026-03-01 \
--to-date 2026-03-31 \
--fields title description file_path created type
分析：查看所有日志，按类型分类整理（learning、log、analysis 等）。
示例 3：查找问题的解决过程
用户："之前遇到的编码问题是怎么解决的？"
执行：
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--search encoding decode garbled \
--fields title description file_path created tags
分析：找到相关日志，读取详细内容了解解决方案。
示例 4：追踪某个技术的发展历程
用户："CDP 插件系统是怎么一步步开发出来的？"
执行：
python <skill_dir>/scripts/extract-log-metadata.py \
--path <workspace>/.log/ \
--search cdp plugin \
--oldest-first \
--fields title description file_path created
分析：按时间顺序（从旧到新）查看所有相关日志，梳理发展历程。
🧠 做梦模式
做梦模式模拟人类做梦时整理记忆的效果：用户不给出具体指令或目标，Agent 自主在日志间自由联想游走，发现隐藏关联，提炼经验与模式。
触发词："做个梦"、"dream"、"整理一下记忆"
📖 完整工作流程、输出模板、关系类型参考表、约束详情：见 [[references/dream-mode.md]]
最佳实践
1. 优先使用元数据过滤
- ✅ 先用
--fields 限制返回字段，减少数据量
- ✅ 用
--limit 限制结果数量，避免信息过载
- ✅ 结合
--search 精准定位
2. 灵活调整搜索策略
- 如果第一次搜索结果太少 → 放宽关键词或使用 OR 逻辑
- 如果搜索结果太多 → 增加关键词或使用 AND 逻辑
- 如果找不到相关内容 → 尝试同义词或相关概念
3. 善用时间范围
- 用户提到"最近" → 使用
--recent-days 7 或 --recent-days 30
- 用户提到具体月份 → 使用
--from-date 和 --to-date
- 不确定时间 → 先不限制时间，从结果中判断
4. 适度探索关联内容
- 日志中提到的关联文档（双向链接） → 根据需要决定是否查看
- 技术方案的演进 → 如果当前信息已足够，不必追溯所有历史
- 问题的根因分析 → 优先查看直接相关的日志
- 重要原则：避免无限深入，当信息足够回答问题时即可停止
5. 及时更新时间戳
- 何时更新：阅读日志后认为其内容对当前任务有实质价值（"用进废退"原则）
- 如何更新：获取当前真实时间（ISO 8601 format with timezone），在 YAML front matter 中更新或添加
last_accessed 字段
- 重要原则：必须使用系统当前时间，严禁猜测时间
- 目的：保持元数据的准确性，便于后续按访问时间排序和筛选
- ⚠️ "修改了日志"不等于"日志有用"——修改只是操作行为，不代表日志内容本身有实质贡献。
last_accessed 的判断标准是内容价值，不是是否碰过这个文件。
6. 输出格式选择
- 默认 MD 格式：适合人类阅读，结构清晰
- JSON 格式：适合程序处理，使用
--format json
注意事项
⚠️ 路径配置：
- 默认日志路径为
<workspace>/.log/
- 必须使用
--path 参数指定路径
- 可以使用相对路径（相对于当前工作目录）或绝对路径
⚠️ 性能考虑：
- 日志文件较多时，先用
--limit 限制数量
- 复杂搜索可以先缩小时间范围
- 避免一次性加载所有日志的完整内容
⚠️ 信息准确性：
- 元数据中的
title 和 description 可能不够详细
- 重要信息需要阅读日志全文确认
- 注意日志的时间戳（created vs last_accessed）
⚠️ 时间戳更新：
- 阅读或编辑日志后，如果认为其内容对当前任务有实质价值，更新或添加 YAML front matter 中的
last_accessed 字段
- 必须获取系统当前真实时间（ISO 8601 format with timezone）
- 严禁猜测时间或使用过期时间
附录：<skill_dir>/scripts/extract-log-metadata.py 参数速查
--path, -p 指定扫描的日志目录路径
--fields 指定要提取的字段（默认：title, description, file_path）
--all, -a 提取所有字段
--search, -s 搜索关键词（支持多个，AND 逻辑）
使用 | 分隔符实现 OR 逻辑
--recent-days, -r 最近 N 天
--from-date 起始日期（YYYY-MM-DD）
--to-date 结束日期（YYYY-MM-DD）
--oldest-first 从旧到新排序（默认从新到旧）
--limit, -l 限制结果数量（默认 50，0 表示不限制）
--format 输出格式：md（默认）或 json
--debug, -d 显示详细处理过程
--help 显示帮助信息
相关技能
- [[agent-logger/SKILL]]：记录新的 agent 日志
- [[everything-search/SKILL]]：根据关键词搜索文档所在路径，仅适用于Windows
