unprocessed-ingest

name	unprocessed-ingest
description	处理 `1 - unprocessed/` 中的所有可 ingest 的文件 — screenpipe dump、对话导出（json）、笔记（md/txt）、PDF、图片等。完整的 unprocessed → raw → wiki ingestion pipeline。

处理 1 - unprocessed/ 中的所有有信息价值的文件。不限文件格式 — 只要 Claude 能读出内容、且对 wiki 有价值，就 ingest。

如果 1 - unprocessed/ 是空的（或所有文件都是噪音 / 已知应 skip 的类型），直接报告 "1 - unprocessed/ 为空，无需处理" 并结束。

Before starting, read examples/good-raw-excerpt.md in this skill's directory. It shows the correct output format for a screenpipe raw file — scene-by-scene with establishing shots, dwell time, deltas, and a separate Conversations Captured section with verbatim text. Use it as your quality bar for screenpipe-type sources. Other source types have their own format (see Step 7 below).

全自动 — 永不打断 Zelin

This skill is fully autonomous. From scan to log, never ask Zelin a question, never wait for confirmation, never emit ⚠️ should I...? prompts. Decide and act on every fork:

• 不确定一个 scene 该怎么 attribute → 自己选最合理的，写进 raw + 在 change-summary 里说明
• 不确定一段内容是 personal life context 还是真 secret → 按 vault CLAUDE.md 的 Privacy posture 判断（identifier vs authenticator）
• 不确定一个新 entity 是否值得建 wiki page → 默认建（最小模板也行），后续可由 Zelin lint 时合并/删除
• 不确定 freshness audit 中的 stale page 是否该改 → 直接改，理由进 change-summary
• 唯一例外：raw 文件物理读不出来（corrupted、permission error）→ 在 log.md 记一行错误然后跳过该文件

最终输出永远是：raw 文件 + change-summary + wiki 更新 + log.md 一行 + chat 里给 Zelin 一个简短摘要。不带问题。

---

File type dispatch

按文件名 / 扩展名派发处理方式。未知类型 → 默认按通用文本读取并 ingest，不要 skip。

Pattern	Source type	Reader	Cleaning	Output naming
screenpipe_*.md	screenpipe dump (audio + OCR)	Read tool	Steps 3-5 (audio + OCR detective)	2 - raw/YYYY-MM-DD-screenpipe-{slug}.md
conversations.json	Claude Desktop / Web 对话导出	Read + json parse	按 conversation 拆分（每个一段），保留 user/assistant 全文，去掉无关 metadata	2 - raw/YYYY-MM-DD-claude-export-{conv-title}.md（每个对话一个文件，或合成一个 monthly 文件按时间分段）+ 原件 2 - raw/YYYY-MM-DD-conversations.json
memories.json / projects.json / users.json	Claude account dumps	Read + json parse	提取 schema-relevant fields，删 timestamp/uuid 噪音；按主题分组	2 - raw/YYYY-MM-DD-claude-{kind}.md + 原件 2 - raw/YYYY-MM-DD-claude-{kind}.json
其他 *.json 数据导出	结构化数据 dump	Read + json parse	识别 schema，提取语义字段；按主题分组	2 - raw/YYYY-MM-DD-json-{slug}.md + 原件 2 - raw/YYYY-MM-DD-{slug}.json（结构化数据 markdown summary 是 lossy，rerun 不同 query 需要原 json）
*.md、*.txt（非 screenpipe）	普通笔记 / 文章 / 粘贴文本	Read tool	删除 boilerplate（footer、cookie banner、share button 等），保留正文	2 - raw/YYYY-MM-DD-{slug-from-title-or-filename}.md（单份 — 抽取版 ≈ 原件，无需双份）
*.pdf	论文 / 合同 / 收据	Read tool（pages 参数，>10 页必须分段读）	抽 text；丢 page header/footer；保留 figures/tables 的描述	2 - raw/YYYY-MM-DD-pdf-{slug}.md + 原件 2 - raw/YYYY-MM-DD-{slug}.pdf（PDF 常是法律 / 财务证据 — 签名、印章、Document ID 嵌入图、表单原始排版 markdown 抽不出，必须留原件）
*.docx / *.xlsx / *.pptx	Office 文档	Read tool（必要时先用 pandoc / textutil 转 markdown）	抽 body text + tables；公式 / track changes / 嵌入图标注存在但无法完整重建	2 - raw/YYYY-MM-DD-office-{slug}.md + 原件 2 - raw/YYYY-MM-DD-{slug}.{docx,xlsx,pptx}（xlsx 公式、docx track changes、pptx 嵌入媒体 markdown 抽不出，必须留原件）
*.png / *.jpg / *.jpeg / *.webp / *.gif / *.heic / *.tiff	截图 / 照片 / 图表	Read tool（vision）	描述 image 内容；如果有文字（截图、whiteboard、收据）抄出来；保存原图到 2 - raw/ 并在 raw 里 ![[...]] 嵌入	2 - raw/YYYY-MM-DD-image-{slug}.md + 原图 2 - raw/YYYY-MM-DD-{slug}.{ext}
*.epub / *.mobi	电子书	Read tool（or 用 pandoc 转 markdown）	抽正文 + 章节结构；保留 TOC	2 - raw/YYYY-MM-DD-ebook-{slug}.md + 原件 2 - raw/YYYY-MM-DD-{slug}.{epub,mobi}
*.html / *.htm	网页保存	Read tool	抽正文；删 nav/sidebar/ads	2 - raw/YYYY-MM-DD-web-{slug}.md（单份；若是 "Save Page As complete" 带 _files/ 资源目录，整目录留在 unprocessed，目前不处理）
*.csv / *.tsv	数据表	Read tool	< 50 行：保留全部；≥ 50 行：保留 header + 前 N 行 + 总行数	2 - raw/YYYY-MM-DD-data-{slug}.md；≥ 50 行时额外保留 2 - raw/YYYY-MM-DD-{slug}.{csv,tsv}（小表抽取版 = 原件无需双份；大表抽取丢了 actual data，必须留原件）
*.eml / 邮件导出	邮件	Read tool	抽 from/to/date/subject/body；删 quote chain 重复部分	2 - raw/YYYY-MM-DD-email-{slug}.md + 原件 2 - raw/YYYY-MM-DD-{slug}.eml（DKIM / Received chain / Message-ID / 附件 markdown 抽不出，反钓鱼 + 法律证据靠原件）
*.srt / *.vtt / 视频字幕	字幕	Read tool	保留 timestamps（不要合并掉时间戳）；可合并连续 30s segments，但每段标头注明时间范围	2 - raw/YYYY-MM-DD-transcript-{slug}.md（单份 — 抽取版若保留时间戳即等价原件）
*.mp3 / *.wav / *.m4a 等纯音频	录音	Skip — 当前没有 audio reader。在 log 里记一行 "skipped: no audio reader"，留在 unprocessed	—
*.mp4 / *.mov 等视频	视频	Skip — 同上	—
.DS_Store / .gitkeep / 系统文件	噪音	Skip silently	—

判断"该不该 ingest"的默认 rule：能用 Read tool 读出有意义内容（不是乱码 / 二进制 / 系统文件） → ingest。宁可多写一个无聊的 raw 文件也别漏掉一份信息。

原件保留规则（preserve-original）

上表标注 "+ 原件 2 - raw/..." 的类型在创建 raw markdown 之外还要把原件 copy 到 2 - raw/。理由：这些类型的 markdown 抽取是 lossy（二进制格式、签名 / formula / DKIM / DOM / 嵌入媒体抽不出，或者数据量大到只能存 summary），关键场景下需要原件。

执行细节：

• 命名：2 - raw/YYYY-MM-DD-{slug}.{原扩展名}，与 raw 文件 slug 对齐
• 时序：先 cp 到 2 - raw/，确认成功，再让 Step 8 从 1 - unprocessed/ 删除原文件。绝不能在 2 - raw/ 复制完成前删除原件。
• raw markdown frontmatter 加一行 original: 2 - raw/YYYY-MM-DD-{slug}.{ext}，方便回查
• 不需要保留原件的类型（md / txt / 短 csv / html / srt-vtt / 已粘贴文本）：直接走原本流程，Step 8 删除即可

---

核心原则

两层架构

层	文件位置	职责	Dedup 规则
Raw	2 - raw/	每个 session 的独立完整记录。保留所有细节，去除杂质。	不做 cross-source dedup。 即使同一段对话在其他 raw 文件里已有，本文件照样完整保留。
Change Summary	3 - change-summary/	二次精炼。标注 overlap、提取 net-new、索引优化。	在这里做 cross-source dedup。 标注 "内容 X 与 [[Source - Y]] 重叠；net-new: Z。"

Raw 文件的标准

• Standalone — 只读这一个 raw 文件就能理解这个 session 发生了什么
• Complete — 所有对话逐字保留、所有有意义的屏幕内容保留
• Clean — 去掉了 OCR 重复帧、系统噪音、garbled text
• Immutable — 创建后不再修改

---

Pipeline（10 步）

1. Scan

ls -la "1 - unprocessed/" 列出所有文件（不限扩展名）。记录快照 — 后续步骤只处理这个快照里的文件，不处理扫描后新到的文件。

按 File type dispatch 表给每个文件标 source type。看不出类型的（罕见）→ 默认按 *.md/*.txt 处理。

2. Read

按 source type 派发：

• screenpipe：Read 整个文件，识别 ## Audio Transcriptions / ## Screen OCR sections → 走 Steps 3-5
• conversations.json (Claude 对话导出)：文件可能上百 MB。先用 head / jq 查 schema，再分对话提取 user/assistant turns。每个对话独立处理。不要一次性 Read 整个文件，会爆 context。可用 Bash + jq 拆分到临时小文件再 Read
• 其他 json：Read + 识别 schema，提取语义字段
• md / txt / html：Read 全文
• pdf：Read 时带 pages 参数。>10 页必须分段，每段最多 20 页
• image：Read 触发 vision，描述内容 + 抄出文字
• csv / tsv：Read 全文（如果 < 几 MB），否则 head + 总行数

读完后跳到 Step 6（Security Redaction），跳过 Steps 3-5 — 那些是 screenpipe 专用。

---

Steps 3-5 只对 screenpipe 类型执行。其他类型直接跳到 Step 6。

3. Clean Audio (screenpipe-only)

• 按时间排序
• 合并连续 30-second segments 为连贯段落
• 按 topic 分段：时间 gap > 5 min = new segment
• 去转录噪音（garbled text、OCR-in-audio bleed）

4. Speaker Attribution (screenpipe-only)

• 能从 context 识别说话人（提到名字、会议角色、声音模式）→ 用 [[Name]]
• 不能确定 → (anon)
• 有猜测 → (anon, likely Name)

5. Clean Screen OCR — Detective Notebook Approach (screenpipe-only)

Screenpipe OCR 每隔几秒截一帧。屏幕不动时，连续帧几乎一模一样。动一点点时，变化可能重要也可能不重要。像侦探审查监控录像一样读：

Scene Detection

按 (app, window_title) 分组连续帧。一个 scene = 在同一个 app/window 上的不间断停留。

First Frame = Establishing Shot

每个 scene 的第一帧：提取完整清洗内容。保留所有可读文本 — 对话、数据表格、代码输出、UI 状态。

Unchanged Frames → Time Range

Scene 内后续无变化的帧，压缩为时间跨度：

[14:30:21 – 14:32:30] (still viewing, no content change)

Small Changes → Flag Delta

帧间有小变化（新消息 badge、scroll 显示新内容、光标移动、popup 出现），明确标注：

[14:31:15] Slack notification badge appeared on sidebar
[14:32:10] Scrolled down — new rows now visible: (引用新内容)

Substantive Text — Always Verbatim

对话（Slack DM、chat）、terminal/CLI 输出、代码、error message、表单内容 → 清理 OCR artifacts 但保留全文。绝不 summarize 对话。

Pure Noise — Discard

Activity Monitor 进程列表、system tray 细节、garbled OCR（无法辨认含义的）、重复的 sidebar/menu chrome。

Dwell Time = Behavioral Signal

记录用户在每个 scene 停留的时间。[14:30 – 14:35] 5 min on Eval Harness page 和 [14:33:41] 2 sec glance at Slack DM 传递的信息完全不同。

6. Security Redaction

这是个人电脑、私人 vault — personal life context（财务、租房、健康、人际、家庭、行程等）保留，照常写进 raw 和 wiki。

只 redact 真正的 secrets（即使个人 vault 也不该明文存 — vault 可能 sync 到 iCloud / Git / 备份）：

• 密码、API token、API key、access token、refresh token
• 2FA / OTP 验证码
• 1Password / Bitwarden 等密码管理器里 unlock 出来的内容
• 银行卡号、CVV、SSN 全号（末四位 OK）

保留（在私人 vault 里有 context 价值）：

• IP 地址、email、电话、住址
• 财务数字、账单、合同细节
• 健康记录、就医笔记
• 人际关系、家庭事务
• 任何其他 personal life context

API key 如需引用，链接到本地 secrets 存放位置（如 config/secrets/<file>），不要把 key 本体抄进 wiki。

7. Compose Raw File(s)

输出文件名按 File type dispatch 表的 "Output naming" 列。所有 raw 文件落在 2 - raw/ flat 目录下。

Screenpipe 格式

• 按 session 拆分：时间 gap > 5 min = 分成多个 raw 文件
• 保存到 2 - raw/YYYY-MM-DD-screenpipe-{slug}.md

# Screenpipe Session — YYYY-MM-DD (Topic/Meeting Name)

## Meeting Transcript
(cleaned audio, chronological. Omit if no audio.)

## Screen Activity
(scene-by-scene record: first frame full content + dwell time + deltas)

## Conversations Captured
(each Slack DM / chat / terminal session as a clean verbatim block)

• ## Screen Activity = 侦探笔录：时间线 + 每个 scene 的 establishing shot + dwell time + deltas
• ## Conversations Captured = 把所有对话/terminal/chat 的干净原文从时间线里抽出来单独放，方便搜索和引用。每段对话标注来源（哪个 Slack DM、哪个 terminal session）

Claude 对话导出 (conversations.json) 格式

每个 conversation 一个 raw 文件：2 - raw/YYYY-MM-DD-claude-export-{conv-title-slug}.md（YYYY-MM-DD = conversation 的 created date）。

---
source_export: conversations.json
conversation_id: <uuid>
title: <original title>
created: YYYY-MM-DDTHH:MM:SSZ
updated: YYYY-MM-DDTHH:MM:SSZ
---
# <conversation title>

## User
<turn 1 user content>

## Assistant
<turn 1 assistant content, including tool_use / artifacts inline>

## User
<turn 2>

...

如果 conversations.json 有几百个对话，按 created date 月份分组到多个 raw 文件也可以（2 - raw/YYYY-MM-claude-export-batch.md），每段对话用 --- 分隔。重要的对话（长、有引用价值）单独成文件；短的 / 试探性的合并。

普通笔记 / 文章 / 网页 格式（不需保留原件）

---
source_file: <原文件名>
source_type: note | article | webpage
ingested: YYYY-MM-DD
---
# <Title — 从 H1 / 文件名 / metadata 提取>

<cleaned body, 保留原结构（headings、lists、code blocks、tables）>

PDF / Office / eml / ebook / 大 csv / 通用 json 格式（必须保留原件）

原件先复制到 2 - raw/YYYY-MM-DD-{slug}.{ext}，raw frontmatter 加 original: 字段链回：

---
source_file: <原文件名>
source_type: pdf | docx | xlsx | pptx | email | ebook | data | json
ingested: YYYY-MM-DD
original: 2 - raw/YYYY-MM-DD-{slug}.{ext}
---
# <Title — 从 H1 / 文件名 / metadata 提取>

<cleaned body / extracted text / structured summary>

PDF / Office / eml 等必须保留原件 — markdown 抽取版是 lossy。 见上方 "原件保留规则"。Step 8 删除 unprocessed 之前必须确认 2 - raw/ 已有对应 copy。

Image 格式

原图先复制到 2 - raw/YYYY-MM-DD-{slug}.{ext}，raw 文件嵌入：

---
source_file: <原文件名>
source_type: image
ingested: YYYY-MM-DD
---
# <描述性标题>

![[YYYY-MM-DD-{slug}.{ext}]]

## Description
<从 vision 抽出的描述>

## Text in image
<如果有任何文字，verbatim 抄出>

## Context
<如果能推断出场景：截图自哪个 app、是 whiteboard 照片、是收据、等>

JSON dumps（memories / projects / users）格式

---
source_file: <原文件名>
source_type: claude-account-dump
ingested: YYYY-MM-DD
---
# Claude <Memories | Projects | Users> Export — YYYY-MM-DD

<按主题/项目分组，每组一个 section，列出 fields。删掉 timestamps / uuids 等 noise，除非有引用价值>

通用（fallback）格式

任何不在上面列举的类型，至少给出：

---
source_file: <原文件名>
source_type: <best guess>
ingested: YYYY-MM-DD
---
# <Title>

<cleaned content>

8. Delete Processed Files

删除 step 1 快照内的 1 - unprocessed/ 文件。不删除扫描后新到的文件。

Preserve-original 类型 (PDF / Office / eml / ebook / 大 csv / 通用 json / image) — 在删除 unprocessed 副本之前，必须先 verify 2 - raw/YYYY-MM-DD-{slug}.{ext} 已存在且大小匹配。验证失败 → 不删 unprocessed 原件，在 log.md 记一行 original-copy-failed: <filename> 并跳过删除。这是数据丢失防护：宁可 unprocessed 多留一份等下次跑，也别两边都没了。

9. Ingest

9a. Agent 端：端到端处理

Sub-agent 在写完所有 raw file 后，全权完成以下工作（Opus 1M context 足以容纳 raw + 相关 wiki 页面）：

1. 对比 raw 和 wiki

   • 从 raw 中提取关键 topics（人名、项目、系统、决策、状态变化）
   • Grep 4 - wiki/ 找出每个 topic 对应的 wiki 页面（包括 4 - wiki/people/）
   • 读相关 wiki 页面，对比 raw 内容：哪些是新的？哪些已有？哪些有矛盾？

2. 更新 wiki 页面

   • 新人物（有名字 + 角色） → 创建 person page（即使只有两行，见下方最小模板）
   • 已有页面缺失新事实 → 添加，bump updated 日期
   • 已有页面有矛盾 → 更新（保留 %% ... %% 用户注释）
   • 个人生活内容（财务、租房、健康、家庭、人际等） → 照常入 wiki，按主题建独立页面（type 可用 concept / learning / decision，或新增明确的页面如 Apartment Lease.md、Health Log.md、Personal Finance.md）。这是私人 vault，personal life context 是有价值的知识。

3. Page-internal consistency sweep — 对 Step 2 直接触及的每个 wiki 页面做一次 internal-consistency 检查:

   • 重新整页 Read（或对刚加的 fact 在页内 Grep 关键词）
   • 找: 新加的内容是否跟页面其他 section 矛盾？是否还残留旧工具名、旧 cadence、被新 fact 推翻的 claim、过期的 deadline、已 deprecated 的安装步骤、过时的代码块等 stale 描述？
   • 找到矛盾 → 在同一次 update 里顺手改完，不要留给主线程 9b QA 兜底。
   • 范围只限本次直接修改过的页，不延伸到全 wiki — 那是 Step 10 Freshness Audit 的事。
   • 为什么必要: Step 10 Freshness Audit 找的是"7+ 天没动的相关页对比新 source"，当前正在被改的页永远不在 stale 列表里。但 sub-agent 倾向于"只加新 section, 不回头审旧 section"——结果就是页面自相矛盾。典型案例: [[Learning - Auto LLM Wiki]] Apr 27 ingest 加了"主 Mac launchd → cron pivot"段, 但页面架构图、文件清单、安装步骤、核心代码块还是 launchd 时代描述, 撕裂被主线程 QA 兜住但 sub-agent 应当自己捕获。

4. 写 change-summary 到 3 - change-summary/Source - <name>.md

   • Frontmatter: type=source-summary, tags, sources, created/updated
   • 变更记录: 每条说清楚 raw 里有什么 → wiki 怎么处理了 → 为什么。例：

     - Raw 有 Jordan 新消息 (Apr 24 11:58 AM) → [[Jordan Lee]] 已更新
     - Raw 有 fine-tuning doc 链接 → [[Fine-tuning Notes]] 已更新
     - Raw 有午餐闲聊对话 → wiki 已有，未更新
     - Raw 有租房合同 renewal 细节 → 创建 [[Apartment Lease]]（personal life context, 私人 vault 保留）
     - Raw 有 1Password unlock 出来的 vault token → redact，不入 raw 也不入 wiki
     - Step 3 sweep: 顺手清 [[Some Page]] 旧 section 的 stale 描述 (架构图过期 / 旧工具名 / cadence 错)
     

   • 关联: wikilinks to related pages

5. 更新 4 - wiki/index.md — 如果创建了新页面，加进去；如果只是更新已有页面，不需要改 index

6. Append to 4 - wiki/log.md — 一行 ≤ 200 字符。例：

   [2026-04-26] unprocessed-ingest | 1 file → raw + 2 wiki updates ([[Jordan Lee]], [[Fine-tuning Notes]])
   

Person page 最小模板

---
type: person
tags: []
sources: [raw/YYYY-MM-DD-xxx.md]
created: YYYY-MM-DD
updated: YYYY-MM-DD
---
# Name
Role / context. 首次出现在 [[Source - xxx]]。

9b. 主线程：审核

Agent 完成后，主线程做 QA review，不重做：

1. 读 change-summary — 看 agent 做了什么、为什么。这是审核的入口。
2. 抽查 raw 文件 — 检查对话是否逐字保留？scene 是否有 establishing shot？
3. 抽查 wiki 改动 — 对照 change-summary 提到的页面，确认更新合理：
   • 新事实是否真的来自 raw？（不是 agent 推断的）
   • 计划/承诺有没有被错写成事实？
   • %% ... %% 用户注释是否保留？
4. 发现问题 → 直接修。无论大小（措辞、格式、错误事实、漏掉关键信息）都自己修完，不问用户，不需要 ## QA Notes。

10. Freshness Audit

所有 ingest 完成后，做 wiki-wide staleness 检查：

1. Collect topics: 从本次 ingest 的所有 source 中提取 key entities 和 topics（项目名、人名、系统、决策）
2. Reverse lookup: Grep 4 - wiki/ 中所有非 source-summary 页，找出引用了这些 topics 的页面（"potentially affected"）
3. Date check: 对比每个 affected 页的 updated 和今天日期。7+ 天未更新 且有新相关信息 = candidate
4. Content check: 读 candidate 页，与新 source 对比，识别：
   • 矛盾 — 页面说 X，新 source 说 Y
   • 缺失 — 新 source 有重要 context 但页面没有
   • Stale timeline — deadline 已过、milestone 变化
   • Status drift — 页面说 "planned" 但实际已 "in progress" 或 "done"
5. Update — always autonomous, never ask:
   • 改动明确 → 直接更新页面，bump updated 日期
   • 改动大或 ambiguous → 仍然自己决定并更新。理由写进 change-summary，不要在页面里留 %% %% 标记（%% %% 只属于 Zelin）。
   • 绝不弹问题给用户、绝不输出 ⚠️ 让用户决定。Skill 是全自动的。
6. Report: 在本次 ingest 的 change-summary 页里列出：哪些页被更新、为什么、哪些检查后仍 current。log.md 一行总结。不打断 Zelin。