random-thinking

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）：

1. 04_Knowledge/00_Cards/ — 原子化知识卡片
2. 04_Knowledge/01_Topics/ 下的长期主题地图
3. 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：

1. 内容本身的新奇性（反直觉观点、罕见术语）
2. 跨领域的意外连接（看似无关的主题有共同点）
3. 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：

1. 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
2. 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
3. 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：

• 告知用户，并询问知识库的正确路径

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）