Note Extractor Skill - 日记洞察提取与可视化

前置检查

第一步：确定配置文件路径

读取 ~/.openclaw/workspace/diary/config/diary-config.json。

注意：

• 展开 ~ 为完整的用户主目录路径
• 使用 echo $HOME 获取主目录

如果配置文件不存在，告诉用户：

看起来你还没有初始化日记系统。请先运行 onboarding skill 来完成设置：

在对话中说：setup my journal

第二步：确认日记数据存在

从配置中获取 storage.path，展开 ~，检查目录下是否有 .md 文件。

如果没有日记文件：

还没有日记记录。先用 diary skill 记录一些想法吧！

在对话中说：记一下

第三步：确认输出目录

输出目录：~/write_me/02notes/insights/

如果目录不存在，创建它：

mkdir -p ~/write_me/02notes/insights

核心流程

1. 读取日记原文

使用 Read 工具读取 storage.path 下的日记文件。

确定目标文件：

• 如果用户说「分析本月日记」或未指定范围：

1. 获取当前日期和时间
2. 根据配置中的 time_boundary（默认 06:00）判断：如果当前时间 < 边界，使用昨天的日期
3. 根据 date_format（默认 YYYY-MM）生成文件名，如 2026-03.md
4. 只读取该文件

• 如果用户说「分析所有日记」：

1. 使用 Glob 工具查找所有日记文件：{展开后的storage.path}/*.md
2. 逐个读取每个文件

读取用户身份（如果启用）：

如果配置中 user_identity.enabled 为 true，读取 {user_identity.path}/identity.md 获取用户名和角色。如果文件不存在，使用默认值：name = "用户"，role = ""。

2. 解析日记条目

日记文件格式（由 diary skill 生成）：

# 日记 2026-03

## 14:30 [主动记录] - 项目进展

**事实**：
和同事讨论了项目方案。

**用户说**：
"他提出要改设计风格，我觉得有道理但工作量会增加。"

**AI观察**：
用户对设计变更持开放态度。

解析规则：

• ## HH:MM [tag] - 标题 → 一条日记条目的开始
• 用户说： / 用户观点： 后面的内容 → 用户原话（最重要，这是"人味儿"）
• 事实： 后面的内容 → 客观事实
• 文章： 后面的内容 → 文章标题/链接
• 讨论： 后面的内容 → 对话记录（区分用户发言和 AI 发言）
• 决定： 后面的内容 → 决策记录
• AI观察： 后面的内容 → AI 的补充（次要权重）
• 文件名中的日期 → 条目所属月份

重要：严格区分用户原话和 AI 观察。提取洞察时，只从「用户说」和「事实」中提取，不要把 AI 的观察当作用户的想法。

3. 提取四类结构化数据

对读取到的所有日记内容，执行以下四个提取任务。

3.1 思维卡片提取

从日记中提取用户的核心洞察和金句。

提取标准：

• 只提取用户自己说的话或明确表达的观点
• 具有独立价值，脱离上下文也能理解
• 体现用户的独特思考，不是常识或 AI 的补充
• 每条洞察应该简洁有力，1-2 句话

分类体系（根据用户实际内容动态生成，以下为参考）：

• 职业/行业洞察
• 产品/技术思考
• 个人成长/人生智慧
• 投资/商业判断
• 创作/表达方法论
• 其他（根据用户实际关注领域）

输出格式（JSON 数组）：

[
  {
    "id": 1,
    "insight": "用户的原话或提炼的核心观点",
    "source_date": "2026-03-14",
    "category": "分类名称",
    "importance": 4
  }
]

• importance：1-5 分，5 分最高。判断标准：原创性、可复用性、对用户的长期价值
• 每月提取 5-15 条，不要贪多，只留真正有价值的

3.2 每日情绪标签

为每个有日记记录的日期标注情绪。

情绪判断依据：

• 优先看「用户说」的内容中的情绪词和语气
• 其次看「事实」中描述的事件性质
• 不要用 AI 观察来判断情绪

情绪分类：

• positive（积极）：开心、自豪、兴奋、感恩、自信、充沛、心流……
• neutral（中性）：专注、平静、好奇、分析、思考、坚定……
• low（低落）：疲惫、焦虑、低落、迷茫、自我怀疑……

输出格式（JSON 对象）：

{
  "2026-03-14": {
    "mood": "positive",
    "label": "自豪",
    "entries": [
      {
        "time": "14:30",
        "type": "主动记录",
        "content": "用户说的原话或事实摘要（简短）"
      }
    ]
  }
}

• label：用中文，2-3 个字的情绪词
• entries：当天的条目摘要，每条不超过 50 字
• content 中只放用户说的话和事实，不放 AI 观察

3.3 成长维度打分

按月对用户在以下六个维度的关注度和成长进行打分。

六个维度：

1. 职业技能 — 工作能力、专业知识、行业理解
2. 学习成长 — 阅读、课程、新知识获取
3. 投资理财 — 财务决策、投资思考、理财规划
4. 社交关系 — 人际互动、社交活动、关系维护
5. 健康平衡 — 身体健康、情绪管理、作息平衡
6. 创造输出 — 写作、创作、公开分享、项目产出

打分规则：

• 0-100 分，基于该维度在当月日记中的出现频率和深度
• 只出现 1-2 次且浅层提及 → 20-40 分
• 多次出现且有深入思考 → 60-80 分
• 频繁出现且有明确行动和成果 → 80-100 分
• 完全没提及 → 10-20 分（给个基础分，不要给 0）

输出格式（JSON 对象）：

{
  "一月": {
    "职业技能": 75,
    "学习成长": 80,
    "投资理财": 40,
    "社交关系": 50,
    "健康平衡": 30,
    "创造输出": 45
  }
}

3.4 知识图谱提取

从日记中提取实体和关联，生成 2D 知识关联图谱的数据。

节点提取规则：

从日记中识别三类实体：

1. 主题领域（group: "topic"）
• 用户反复提及的领域和话题
• 例如：AI Agent、投资理财、个人品牌
• 提取标准：在日记中出现 2 次以上的主题词

1. 概念/框架（group: "concept"）
• 用户提到的具体理论、方法论、框架
• 例如：杠杆理论、PARA方法论、第一性原理
• 提取标准：用户明确讨论过的概念

1. 人物（group: "person"）
• 日记中提到的人（同事、朋友、作者、公众人物）
• 例如：团队成员名字、书籍作者
• 提取标准：在日记中被提及且与某个主题相关

连线生成规则：

当两个节点在同一天的日记中共同出现，或存在明确的因果/关联关系时，生成一条连线。

输出格式：

nodeData 数组：

[
  {"id": "AI Agent", "group": "topic", "desc": "从日记中提取的简短描述", "size": 22}
]

linkData 数组：

[
  {"s": "Vivi", "t": "AI Agent"}
]

• size：节点大小，基于在日记中的出现频率。范围 12-28。
• desc：从日记中提取的关于该节点的简短描述，不超过 20 字。
• 用户自己的名字应作为 person 节点加入，size 设为最大值 28。

4. 生成可视化页面

HTML 模板通过