Menu
用于从 Obsidian 笔记库中筛选可发布内容，选择博客主题，或把已有笔记转换成博客草稿。 用户提出「选一篇笔记发博客」「写博客」「博客选题」「从笔记里找文章」或 "note to blog" 时立即使用。不用于从零撰写新文章、校对已有博客草稿或整理普通笔记。
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional SOC
Use this skill to audit, review, or validate Claude Code skills (.md files in .claude/commands/). Invoke when user wants to check skill quality, cross-platform compatibility, cross-agent compatibility, prerequisite declarations, or description triggering accuracy. Triggers on: 审查 skill, review skill, 检查 skill 质量, skill 兼容性检查, validate skill, audit skill. This skill delegates structure validation to validate.sh, content quality to skill-creator, and handles compatibility auditing itself. Do NOT use for general code review, reviewing PRs, or reviewing CLAUDE.md.
用于收集和整理个人双周记或周记的素材。用户提出「收集双周记素材」「准备周记」 「周记素材」「双周记」「最近发生了什么」「整理素材写周记」、"biweekly materials" 或 "gather journal materials" 时立即使用。从日记、Pinboard、豆瓣、Telegram、 Calendar、Reminders、照片、RSS 摘要和 plrom diff 中收集最近 2～4 周的原始材料， 并按周记模板整理，但不代写最终正文。工作周报使用 weekly-report。
用于个人写作，包括从零构思新文章，以及审校、润色已有文章。用户分享文章并要求反馈、 希望改善写作风格、不知道写什么、需要组织游记、TIL 或个人随笔，或要求检查中文质量时 立即使用。触发词包括「帮我改文章」「检查一下」「润色」「校对」「不知道写什么」 「帮我构思」「写游记」「记录 TIL」「写点什么」。不用于正式商务沟通。
仅适用于 macOS。用于生成结构化的软件研发周报，适用于「周报」「软件研发周报」 「本周工作总结」「写周报」、weekly report、end-of-week summary，以及需要向主管或 团队提交工作总结的情况。不用于个人日记、月度回顾、OKR 总结、会议记录或季度回顾。
Use this skill to rewrite any text or idea in the voice of Aoi Miko (葵井巫女子) from the Zaregoto series — her signature style of absurdist analogies using the pattern 「就好像『[everyday situation], 可是[absurd contrast]』耶！」. Invoke when the user explicitly asks for 巫女子风格, 戏言风格, zaregoto style, or requests character voice conversion to this specific style. Also invoke when the user shows content and asks "巫女子会怎么说" or "用巫女子的口吻". Do NOT invoke for general style rewrites, translations, humor writing, or other character voices.
Use this skill immediately when the user needs to: set up markdownlint-cli2 and pre-commit hooks in a repository, fix or batch-repair markdownlint errors like MD013/MD040/MD060, configure .markdownlint.json rules, remove horizontal rules from markdown files while preserving YAML frontmatter, or run markdown format checking in a monorepo. Trigger on: markdownlint 报错, 设置 markdown lint, 格式化 markdown, 检查 md 格式, 设置 pre-commit, markdownlint error, MD013/MD040/MD060 violations. Do NOT use for general article proofreading, writing new markdown content, or YAML/JSON linting.
| name | note-to-blog |
| description | 用于从 Obsidian 笔记库中筛选可发布内容，选择博客主题，或把已有笔记转换成博客草稿。 用户提出「选一篇笔记发博客」「写博客」「博客选题」「从笔记里找文章」或 "note to blog" 时立即使用。不用于从零撰写新文章、校对已有博客草稿或整理普通笔记。 |
从 Obsidian Note 仓库中筛选适合发布的笔记，评估适配性，批量选题，双通道处理（快速转换 / 深度研究），并行 Agent 派发。
| 工具 | 类型 | 必需 | 安装方式 |
|---|---|---|---|
| Python 3 | CLI | 是 | macOS 已预装 |
| PyYAML | CLI | 是 | pip install pyyaml |
| writing-assistant | skill | 否 | 由 personal plugin 提供 |
加载 skill 时不要主动检查这些工具。命令因缺少工具而失败时，再逐步引导完成安装和配置。
<skill-dir>/scripts/note-to-blog.py convert "<path>"writing-assistant所有确定性操作均由 Python 脚本处理：
<skill-dir>/scripts/note-to-blog.py (collect / convert / state subcommands)
路径配置位于 user-config.md。以下 Bash 示例中的
<PLACEHOLDER> 需要替换为该配置文件中的值。
步骤 1 步骤 2 步骤 3 步骤 4 步骤 5
收集 ──▶ 选择深度 ──▶ 按深度处理 ──▶ 执行 ──▶ 汇总
(script) (user) ├─ L1 浏览 (Agent Teams) (report)
├─ L2 推荐
└─ L3 深探
│
交互 ──▶ 分配处理通道 ──▶ 确认
使用 user-config.md 中的路径运行 collect：
python3 <skill-dir>/scripts/note-to-blog.py collect \
--note-repo "<NOTE_REPO>" \
--blog-content "<BLOG_CONTENT>" \
--project-paths <PROJECT_PATHS> \
--history-file "<HISTORY_FILE>"
脚本向标准输出写入一个 JSON 对象，包含：
candidates：所有符合条件的笔记，包含 title、summary、char_count 和 outgoing_linksclusters：具有 3 个以上入链的 wikilink 中心节点及相关笔记published_posts：现有博客文章的 title、tags 和 collectionsession_keywords：近期 Claude Code 会话的活动信号stats：total_scanned、filtered_out 和 candidates_count读取 JSON 后进入步骤 2。
展示数据规模并提供 Level 选项：
collect 完成：
候选笔记: {candidates_count} 篇 (总扫描 {total_scanned}, 过滤 {filtered_out})
主题簇: {clusters_count} 个 (3+ 引用 hub)
可选深度:
Level 1 浏览 直接展示候选列表，手动选择 0 额外 token
Level 2 推荐 LLM 评估 + 主题簇分析 ~2k token ← 推荐
Level 3 深探 Level 2 + 读取 hub 笔记全文 ~5k+ token
选择 Level (1-3)?
| Level | 名称 | 评估方式 | 后续流程 |
|---|---|---|---|
| 1 | 浏览 | 无 LLM，候选按字数降序 | 用户直选 → 全部 fast track |
| 2 | 推荐 | LLM 评估摘要 + 主题簇 → 5-8 推荐 | fast/deep track 分配 |
| 3 | 深探 | Level 2 + 读取 hub 笔记全文 | fast/deep track，cluster 推荐更准确 |
| 候选数 | clusters | 推荐 |
|---|---|---|
| ≤ 10 | any | Level 1 |
| > 10 | 0 | Level 2 |
| > 10 | 1+ | Level 2 |
用户明确说「想发现主题」「有什么可以整合的」时 → 推荐 Level 3。
跳过 LLM 评估，按 char_count 降序展示候选项：
# 标题 字数 链接数
1 关于后LLM时代的代码Review 3200 5
2 SSH私钥加密 1200 2
3 Feed内容阅读姿势 1800 3
...
用户按编号选择。Level 1 的所有选项只进入 Fast track，不提供 Deep track。
选择后直接进入「确认并执行」。
使用 scoring-criteria.md 中的提示模板执行一次 LLM 评估。
输入：使用 collect JSON 中的 candidates、clusters、published_posts 和
session_keywords 生成评估提示。
输出：LLM 必须返回包含 5～8 条推荐的 JSON 数组。完整格式见 scoring-criteria.md。
响应不是有效 JSON 时，补充明确的格式要求并重试一次。
评估完成后进入「交互选择」。
处理方式与 Level 2 相同，但在调用 LLM 前，读取每个主题簇中心笔记的全文，并追加到评估提示中。
对 collect JSON 中 hub_path 不为空的每个 cluster：
## Hub 笔记全文 章节。Level 3 输入格式见
scoring-criteria.md。这样可以让 LLM 根据真实内容推荐主题簇，而不是只依赖元数据。
评估完成后进入「交互选择」。
使用混合表格展示推荐列表：
# 类型 标题 适配分 目标 工作量 活跃 重复风险
1 单篇 后LLM时代代码Review 92 blog 小 ★★★ 无
2 主题簇 优雅的哲学 (9篇关联) 88 blog 大 ★ 无
3 单篇 SSH私钥加密 85 til 小 ─ 无
...
| 操作 | 示例 | 结果 |
|---|---|---|
| 选择并分配通道 | "1 和 3 快速转换，2 走深度" | 按指定通道加入队列 |
| 覆盖 collection | "1 放 til" | 修改目标 collection |
| 批量跳过 | "4~6 跳过，reason: private" | 通过 state skip 标记为跳过 |
| 查看更多 | "还有别的吗" | 请求更多推荐 |
| 检查状态 | "状态" | 运行 state status |
跳过时立即运行：
python3 <skill-dir>/scripts/note-to-blog.py state skip "<path>" --reason "<reason>" \
--note-repo "<NOTE_REPO>"
| 通道 | 使用时机 | 处理方式 |
|---|---|---|
| Fast（快速） | 独立且基本完整的笔记 | 脚本转换 → Agent 审校 → 草稿 |
| Deep（深度） | 需要调研的主题簇或粗略笔记 | Agent 读取所有相关笔记 → 调研报告 |
默认规则：effort: "小" 进入 Fast；type: "cluster" 或 effort: "大" 进入
Deep。最终由用户决定。
所有 Level 都需要展示确认摘要：
确认选择：
Fast track:
1. 后LLM时代代码Review → blog/
3. SSH私钥加密 → til/
Deep track:
2. 优雅的哲学 (9篇关联) → blog/
开始处理？
等待用户确认后再派发任务。
使用 Task 工具并行派发 N 个 Agent，每个选中项对应一个任务。
其他 Agent 环境：以下 Fast/Deep track 任务相互独立，可按顺序依次执行。
总编 (Main Agent)
├── Task Agent 1: 文章 A (fast track)
├── Task Agent 2: 文章 B (fast track)
└── Task Agent 3: 主题簇 C (deep track)
在一条消息中启动全部 Agent。每个 Agent 使用 general-purpose 类型，并在提示中提供完成任务所需的全部信息。
Fast Track 和 Deep Track 的完整 Agent 提示模板见 agent-instructions.md。
各 Agent 不直接更新 .note-to-blog.json。全部任务完成后，由主 Agent 依次更新状态：
python3 <skill-dir>/scripts/note-to-blog.py state draft "<note_path>" \
--target "<collection>/<slug>.md" \
--note-repo "<NOTE_REPO>"
Deep track 项目不标记为 drafted，等待用户进一步决定。
全部 Agent 完成后，展示统一摘要：
Fast Track 完成：
✓ 后LLM时代代码Review → repos/bokushi/src/content/blog/llm-code-review.md
- 转换正常，无问题
✓ SSH私钥加密 → repos/bokushi/src/content/til/ssh-key-encryption.md
- 发现 1 个 TODO 标记需要手动处理
Deep Track 完成：
📋 优雅的哲学 (9篇关联)
- 研究报告已生成
- 下一步？ a) 按大纲写作 b) 修改大纲 c) 暂不处理
状态更新：
drafted: N 篇
草稿均为 hidden: true，需要手动 review 后改为 false 发布。
建议使用 `writing-assistant` 进行审校。
发布后运行:
python3 <skill-dir>/scripts/note-to-blog.py state publish "<note_path>" --note-repo "<NOTE_REPO>"