狸花喵 · 让你的AI更懂你

概述

狸花喵 · 每日效能助手（Daily Efficiency Assistant）

一个零依赖、本地存储的 Agent 自我迭代闭环。它把“每天干得怎样”变成可量化、可追踪、可优化的指标，并驱动 Agent 每日自我净化与记忆校验。本 Skill 以对话内指令集方式工作：你把它叫出来，在聊天里按协议运行，网页仪表盘仅作可选伴侣。

30 秒上手（用户必读）

• 叫出本助手后，说 「每日效能」 → 它列出今日待办、开始记录你的一天。
• 收工时说 「收工日报」 → 它算出 0–100 效能指数，生成结构化日报。
• 没说收工就关机？下次打开自动补一份日报，不丢一天。
• 全程本地运行，数据不出本机。
• 首次使用若今日还没记录，它会先给你看一份示例报告（演示数据），让你秒懂效果，再引导你记录真实的一天。

何时使用

• 用户说“记录今天的工作”“做个每日总结”“看看最近效率”“帮我跟踪 Agent 效能”“自我净化一下”“明天待办”“狸花喵”。
• 每天首次打开工作会话时，主动召唤本助手做一次晨间简报。
• 每天收工前（或下次启动时），自动触发当日日报与自我净化。

部署（一次性）

Skill 目录内含可运行服务，零外部依赖（仅 Node.js 内置模块）：

cd <skill目录>
node server.js          # 默认端口 3100，可用 PORT=xxxx 覆盖
# 浏览器打开 http://localhost:3100（可选伴侣面板）

服务启动后提供 REST API 与可选监控面板。所有数据存于本地 data/。

自动启动（做到“装一次 · 说一句话就用”）

本 skill 依赖本地 Node 服务（端口 3100）。为避免每次手动起服务，agent 在每次会话首次使用本 skill 时按以下顺序自举：

1. 探测服务：GET http://localhost:3100/api/state（或检测 3100 端口是否监听）。
2. 若不可达，在本 skill 目录后台拉起：

   cd ~/.workbuddy/skills/lihuamiao
   nohup node server.js > /tmp/lihuamiao_server.log 2>&1 &

等待约 1.5 秒让服务就绪。

1. 服务就绪后再进入下方日循环协议（①召唤起）。

用户只需说“收工日报 / 每日效能”，无需任何前置操作；服务已在跑则跳过启动，零等待。电脑重启后首次使用会自动重新拉起。

日循环协议（ Agent 必须遵循，全程在对话内完成）

① 召唤（每日首次打开）

⚠️ 首次使用前先按上文《自动启动》确认服务在跑；若 GET /api/state 连接失败，先起服务再继续。

调用 GET /api/state，返回当日日期、量化进度、今日待办、净化建议、记忆校验结果。 Agent 应向用户朗读简报并询问：

“早上好，今日待办如下，请下达执行指令（点对应任务开始）。”

🆕 首次使用（今日无数据）：若 GET /api/state 显示今日 logs 为空，先向用户展示【示例报告】——调用 POST /api/summary {"date":"2026-07-15"} 生成演示日报（内含演示数据），明确标注“以下为示例数据，帮你秒懂效果”，并引导：“说『每日效能』开始记录你真实的一天，收工说『收工日报』出你自己的报告。”

② 征询执行

• 新增待办：POST /api/todos {title,type,priority,date}
• 开始执行：PATCH /api/todos/{id} {status:"doing"}
• 放弃：PATCH /api/todos/{id} {status:"dropped"}

③ 执行完毕登记（核心数据点）

完成任务后调用 POST /api/logs 写入效能记录：

{"task_type":"开发","complexity":3,"duration_min":30,
 "expected_min":30,"outcome":"success","rework":0,"satisfaction":5,"note":"复盘"}

随后 PATCH /api/todos/{id} {status:"done"}。

这条记录是量化与净化的数据底座，不可省略。

④ 自我净化（可随时，建议每日）

调用 GET /api/state 中的 purification 字段获取净化建议卡（🔴🟡🟢 三色信号）。对带 action 的建议一键应用：POST /api/purify/apply {action:{type:"drop_todo",id:N}}。净化引擎会扫描：逾期待办（挂起≥ 3天）、近 7 天高频返工类型、工具/复杂度冗余比、低满意度类型。

⑤ 记忆校验 + 自动纠偏（每日，建议收工时）

记忆基准库来自 data/memory.seed.json（3 条通用示例：助手定位 / 记录原则 / 输出偏好），可编辑增删。

• 收工总结时系统自动跑记忆校验：扫描当日产出与沟通文本，逐条比对记忆基准。
• 也可随时手动校验：POST /api/memory/check {text} 或 {date}。
• 规则：每条记忆带 forbid（禁语，如“凭空打分”）与 contradict（否定模式，如“助手只是聊天工具”“效能指数可以随便估”）。命中即出纠偏卡，点“记录纠偏”留痕：POST /api/memory/deviation {memoryId,fact,hit,type,status:"corrected"}。
• 纠偏记录进入 deviations，形成“记忆漂移 → 纠偏”可追溯账本。
• 语义级漂移（规则未覆盖的微偏差）由 Agent 在每日自检中主动录入。

⑥ 每日总结（收工）

POST /api/summary {date, tomorrow:["明日任务A","明日任务B"]}。系统自动聚合当日日志生成：效能指数 + 四维维度 + 净化摘要 + 记忆偏差摘要，并把 tomorrow 自动建为次日待办。返回字段含 report（可读日报文本），同时落盘到 data/reports/<日期>.md， Agent 应把 report 完整念给用户。

⑦ 结束场景：日报 + 自我净化（两种）

场景 A · 客户确认结束当用户说“结束/收工/今天到此为止”等明确结束指令时：

1. 调用 POST /api/summary 生成当日日报（含自我净化 + 记忆校验摘要）；
2. 顺带 POST /api/purify/apply 对带 action 的净化建议执行（如放弃逾期待办）；
3. 把返回的 report 完整呈现给用户，并确认明日待办已建好。

场景 B · 异常退出 / 关机（无明确结束）用户直接关闭会话或关机，未下达结束指令。下次启动必须自动补偿：

1. 每日首次打开，第一步调用 GET /api/startup；
2. 服务端自动检测“有日志但无总结”的未闭环日，补生成日报 + 自我净化（清理挂起≥ 3天的逾期待办），落盘报告；
3. 若返回 recovered 非空， Agent 主动告知：“检测到你上次（<日期>）未正常结束，我已自动补生成日报并完成自我净化，详见下方。” 并展示该日报；
4. 随后再进入当日召唤与待办征询（步骤①）。

此机制确保无论正常结束还是异常退出，每日都有日报与净化留痕，不丢一天。

⑧ 记忆增强（主动存储 + 按需召回，跨会话不遗忘）

记忆分两层，统一存于 data/efficiency.json 的 memory 数组：

• 硬事实种子（source=seed）：3 条不可改的基线事实（身份/价值观/约束/硬指标等），data/memory.seed.json 可手维护。
• 运行时学到的记忆（source=learned）：对话中 Agent 主动沉淀的用户偏好、项目进度、关键决策、待跟进事项，持久化、跨会话不丢、永不自动删除（只降权）。

操作（ Agent 在对话内执行）：

• 学到重要信息 → POST /api/memory/add {content, type, tags, weight}（type 可取 事实/偏好/人/项目/决策/待跟进）。
• 召唤时系统自动从 GET /api/state 的 memoryContext 字段注入相关 top8 记忆摘要， Agent 无需每次把长记忆贴回对话（减少上下文反复读取）。
• 按需召回 → POST /api/memory/recall {query} 返回加权 topN（权重高 + 近期用过 + 关键词命中优先）。
• 修正/遗忘 → PATCH /api/memory/{id} 更新；DELETE /api/memory/{id} 仅可删 learned（seed 只读，防误删基线）。
• 收工时 POST /api/summary 顺带 POST /api/memory/check 跑记忆校验，发现漂移再补记。

量化指标说明（透明公式，便于 Trust）

每日效能指数 = 完成率×40% + 时效×35% + 低返工×15% + 工具效率×10%（0–100）

• 完成率：成功=1 / 部分=0.6 / 失败=0
• 时效：min(预计/实际, 1.3) / 1.3
• 低返工：max(0, 1 − 返工率×0.5)
• 工具效率：工具数/复杂度 ≤1 满分，超出按 0.3 斜率扣分

面板展示：最新指数、7日均、周环比、连续达标天数(streak, ≥ 80)、自我净化次数、效能趋势曲线、四维雷达、每日日报。

安全与隐私

• 全部数据存于本地 data/，零外部网络请求、零第三方依赖。
• 评分逻辑确定性、可复现，不存在黑箱模型调用。
• 适合企业内网/本地部署。

TRACE 对照（发布前自检）

• Trust 可信：本地存储、无外发、公式公开。
• Reliability 可靠：Node 内置模块、错误捕获、幂等 API。
• Applicability 适用：触发条件明确（见 description）。
• Standardization 规范：遵循 Agent Skills 目录结构（SKILL.md + 资源）。
• Effectiveness 有效：输出量化指数+日报+可执行净化/纠偏建议，闭环可验证。