weread-anki

name	weread-anki
description	微信读书划线转 Anki 卡片，自动上传 CSV 到 GitHub 仓库。当用户说"把划线做成Anki卡片"、"微信读书笔记转Anki"、"导出Anki"、"帮我制卡"、"划线复习卡片"时触发。支持两种输入：自动拉取微信读书划线（需 WEREAD_API_KEY），或用户手动粘贴划线文本。生成的 CSV 自动推送到 Nickilism/Skills 仓库。

WeRead → Anki 卡片生成器

将微信读书划线内容转为 Anki 可导入的 pipe 分隔 CSV 文件。

前置条件

• 自动拉取模式：需设置 WEREAD_API_KEY 环境变量。未设置时提示用户 设置环境变量
• 本 skill 依赖 weread skill 的 API 能力和 notes.md 文档（/var/minis/skills/weread/notes.md）

条件	状态	处理
WEREAD_API_KEY 未设置	退化	自动切换手动模式，提示用户粘贴划线文本
/var/minis/skills/weread/notes.md 不存在	降级	Step 2A 使用本文档中的 curl 命令（已内联）
minis-model-use 不可用	中止	告知用户无法调用模型制卡，建议手动编辑
GITHUB_TOKEN 未设置	降级	Step 6 上传跳过，仅本地输出 CSV

工作流

Step 1：确定输入来源

检测 WEREAD_API_KEY 是否可用：

• 已设置：询问用户书名，走 API 自动拉取模式
• 未设置：请用户粘贴划线原始文本，走手动模式

🔴 CHECKPOINT · 确认模式后继续。

Step 2A：API 模式 — 拉取划线

参考 /var/minis/skills/weread/notes.md 中的接口规范。若该文件不存在，使用以下内联命令。

重要：用户导入的书 bookId 带 CB_ 前缀，/store/search 可能搜不到或返回商店版。必须优先从 /user/notebooks 匹配书名。

1. 获取用户笔记本列表，按书名匹配（优先用脚本）：

python3 /var/minis/skills/weread-anki/weread_anki.py search-notebooks "书名关键词"

若脚本不可用，手动请求：

curl -s -X POST "https://i.weread.qq.com/api/agent/gateway" \
  -H "Authorization: Bearer $WEREAD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"api_name":"/user/notebooks","count":200,"skill_version":"1.0.3"}'

在返回的 books 数组中按书名关键词匹配。如有翻页（hasMore=1），用最后一条的 sort 继续请求。

🔴 CHECKPOINT · 展示匹配结果，让用户确认是哪本书。

如果 notebook 列表中未找到，再 fallback 到 /store/search：

curl -s -X POST "https://i.weread.qq.com/api/agent/gateway" \
  -H "Authorization: Bearer $WEREAD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"api_name":"/store/search","keyword":"书名","count":5,"skill_version":"1.0.3"}'

🔴 CHECKPOINT · 让用户确认搜索结果中的书。若仍未找到 → 切换手动模式（Step 2B）。

2. 拉取划线和想法（优先用脚本）：

python3 /var/minis/skills/weread-anki/weread_anki.py fetch <bookId>
# 输出 JSON 元信息 + 保存划线到 /tmp/weread_lines.txt

若脚本不可用，手动请求：

# 划线
curl -s -X POST "https://i.weread.qq.com/api/agent/gateway" \
  -H "Authorization: Bearer $WEREAD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"api_name":"/book/bookmarklist","bookId":"<bookId>","skill_version":"1.0.3"}'
# 想法
curl -s -X POST "https://i.weread.qq.com/api/agent/gateway" \
  -H "Authorization: Bearer $WEREAD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"api_name":"/review/list/mine","bookid":"<bookId>","count":100,"skill_version":"1.0.3"}'

3. 提取信息：

   • 从 chapters 数组构建 chapterUid → 章节名映射
   • 从 updated 数组提取每条划线的 markText，通过 chapterUid 关联章节
   • 合并想法/点评（reviews[].review.content + reviews[].review.chapterName）
   • 去重（同一 markText 可能出现在划线和想法中）

4. 格式化为制卡输入（每条一行）：

◆ [章节名] 划线原文内容

想法/点评格式：

◆ [章节名] 💭 想法内容（对应划线：划线原文前20字...）

5. 收集书籍元信息：书名、作者、bookId（用于构造 weread 链接）

触发条件	一线修复	仍失败兜底
API 返回错误码或超时	重试 1 次（间隔 3 秒）	告知用户 API 暂不可用，切换手动模式
updated 数组为空（无划线）	检查 bookId 是否正确，确认用户是否真的有划线	告知用户该书无划线数据，建议手动粘贴
chapters 数组为空	章节名留空，只用划线原文	正常继续，标签用书名代替 书名::章节名
store search 也搜不到（CB_ 书）	让用户提供 bookId 或手动粘贴	切换手动模式

🔴 CHECKPOINT · 展示提取到的划线条数和前 3 条预览，让用户确认内容正确。

Step 2B：手动模式 — 解析粘贴文本

用户粘贴的微信读书笔记通常格式为：

章节名
◆ 划线内容1
◆ 划线内容2
...

解析逻辑：

• 识别章节标题行（非 ◆ 开头的行）
• 每段以 ◆ 开头的内容作为一条独立摘录
• 保留完整摘录，不做拆分
• 如果格式不清晰，直接按 ◆ 分割，章节信息留空

触发条件	一线修复	仍失败兜底
粘贴文本中无 ◆ 标记	尝试按空行分段，每段作为一条摘录	告知用户格式无法识别，请重新粘贴或手动整理
解析后 0 条摘录	检查编码问题（如全角/半角 ◆）	告知用户解析失败

🔴 CHECKPOINT · 展示解析结果条数和前 3 条预览，让用户确认。

Step 3：分批

将所有摘录按顺序分成每批最多 40 条。记录总批次数。

如果提取到 0 条摘录 → 🛑 STOP：告知用户没有可制卡的内容，终止流程。

Step 4：逐批生成卡片

对每一批：

1. 读取制卡规则：file_read /var/minis/skills/weread-anki/card-rules.md
2. 构造输入 JSON，调用 minis-model-use 生成卡片：

minis-model-use run --model <模型名> --input /tmp/anki_batch_N.json

输入 JSON 结构：

{
  "messages": [
    {
      "role": "system",
      "content": "<card-rules.md 的完整内容>"
    },
    {
      "role": "user",
      "content": "请为以下划线内容生成 Anki 卡片：\n\n书名：XXX\n作者：YYY\n书籍链接：<链接>\n\n以下是划线摘录：\n\n◆ [章节A] 划线内容...\n◆ [章节B] 划线内容..."
    }
  ]
}

3. 解析模型输出为 CSV 行：

   • 模型应返回每行格式：问题|回答|作者|书名|微信读书链接|原文摘录|书名::章节名
   • 解析策略：按行分割输出 → 每行按 | 分割为 7 个字段 → 检查字段数是否为 7
   • 若字段数不对：尝试智能修复（合并多余 | 到第 6 字段"原文摘录"中），修复失败则丢弃该行并记录警告
   • 字段中的 | 转义为 \|，换行替换为空格
   • 跳过空行和明显非卡片行（如模型的开头说明文字）

4. 将每批结果写入 /tmp/anki_batch_N.csv

触发条件	一线修复	仍失败兜底
minis-model-use 调用失败/超时	重试 1 次	跳过该批次，记录到警告列表，继续下一批
模型输出非 CSV 格式（如返回 Markdown/解释文字）	用正则提取 pipe 分隔行，忽略其他内容	丢弃该批次，告知用户该批制卡失败
某批次所有行解析失败	降低 batch_size 到 20 重试	告知用户该批制卡失败，请手动处理

Step 5：合并与输出

1. 用 shell 合并所有批次 CSV（跳过空行），文件名带时间戳：

python3 /var/minis/skills/weread-anki/weread_anki.py merge 书名slug
# 输出：/var/minis/attachments/anki/书名slug_20260621_1430.csv

2. 统计总卡片数（行数）

3. 输出：

   • 告知用户生成了多少张卡片
   • 若有警告（失败批次），一并列出
   • 提供 CSV 下载链接：[书名_时间.csv](minis://attachments/anki/书名_时间.csv)
   • 提供 Anki 导入说明：文件 → 导入 → 选择文件 → 分隔符选自定义 "|"

Step 6：上传 CSV 到 GitHub

将生成的 CSV 文件推送到 Nickilism/Skills 仓库的 weread-anki/Anki/ 目录。

1. 使用脚本上传：

python3 /var/minis/skills/weread-anki/weread_anki.py upload "书名slug"
# 读取 GITHUB_TOKEN 环境变量
# 上传 /var/minis/attachments/anki/书名slug_*.csv 到 GitHub

2. 脚本内部逻辑（用 GitHub Contents API）：

   • 读取本地 CSV 文件内容，base64 编码
   • PUT 到 https://api.github.com/repos/Nickilism/Skills/contents/weread-anki/Anki/<filename>.csv
   • 如果文件已存在（409/422），先 GET 获取 SHA 再用 PUT 更新

3. 输出上传结果：

   • 成功：告知用户 GitHub 文件链接
   • 失败：仅警告，不影响本地 CSV 的可用性

触发条件	一线修复	仍失败兜底
GITHUB_TOKEN 未设置	跳过上传，仅告知用户	CSV 仍然本地可用
GitHub API 返回 401/403	检查 token 权限（需 repo scope）	跳过上传，告知用户 token 权限不足
GitHub API 返回 409（文件已存在）	先 GET 获取文件 SHA，再 PUT 更新	跳过，告知用户上传冲突
网络错误/超时	重试 1 次	跳过上传，告知用户网络问题

模型选择

• 默认：使用当前对话模型（主模型）
• 用户指定：运行 minis-model-use list 查看可用模型，让用户选择
• 选择策略：制卡任务需要强指令遵从 + 结构化输出能力。优先选择 claude-sonnet-4-20250514 或同级模型；若可用模型仅有推理型（如 o1/o3），也可使用但可能速度较慢

反例与黑名单

以下行为会降低卡片质量或破坏输出格式，必须避免：

#	不要做	为什么	应该做
1	合并多条摘录制一张卡	违反最小信息原则，卡片过于宽泛无法有效回忆	每条 ◆ 摘录独立制卡
2	修改摘录原文内容	摘录是学习素材，改动后失去溯源价值	原文摘录字段必须完整保留原始文本
3	在答案中加注释性副语言	如"值得注意的是""我们知道"等，增加认知噪音	答案只包含核心知识，去掉引导性废话
4	生成表头行	Anki 导入时表头会被当成一张卡片	输出不含表头，直接是数据行
5	用 Markdown 格式输出卡片	模型返回 ```csv 代码块会破坏解析	严格按 pipe 分隔纯文本输出，无代码块包裹
6	省略短内容不制卡	即使 2 字想法也有卡片价值（如作为观点卡片或填空题）	短内容转为简单记忆卡片，不跳过
7	在标签字段使用空格	Anki 标签中空格会分割标签	用 :: 分隔层级，不用空格

注意事项

• 每条 ◆ 摘录必须被遍历，不得遗漏（制卡完成后核对：生成卡片数 ≥ 摘录条数）
• 不跳过任何内容，即使短至 2 字的想法也要制卡（作为填空或观点卡片）
• 生成过程中显示进度（"正在处理第 2/5 批..."）
• CSV 中所有字段的 | 必须转义为 \|
• 每批之间无需表头，直接拼接即可