微信读书扩展技能

基于微信读书官方 weread-skills 接口，实现三项核心能力，并维护一个本地 SQLite 语义知识库供增量检索。

依赖接口：

• /shelf/sync — 书架（含完读状态）
• /book/bookmarklist — 个人划线
• /review/list/mine — 个人批注/想法
• /book/bestbookmarks — 大众热门划线
• /book/similar — 相似书推荐
• /user/notebooks — 有笔记的书（笔记导出用）

---

能力一：每日阅读回顾

功能：当天新增划线 + 批注，附跨书呼应（jieba 分词 → 历史 LIKE 检索）

脚本：daily_review/daily_review.py

触发：cron weread-daily-review 每日 23:00 Asia/Shanghai

独立测试：

python3 ~/.openclaw/workspace/skills/wechat-reading-custom/daily_review/daily_review.py

输出：无新内容时静默；有内容时输出 [AGENT_DAILY_DATA] JSON，agent LLM 使用 prompts/daily_summary.md 合成。

JSON 结构：

{
  "date": "2026-05-31",
  "books_active": [{"title": "...", "author": "..."}],
  "new_highlights": [{"book_title": "...", "content": "...", "chapter_title": "..."}],
  "new_reviews":    [{"book_title": "...", "content": "..."}],
  "cross_book_echoes": [{"book_title": "...", "content": "...", "matched_kw": "...", "days_ago": 42}],
  "prompt_ref": "prompts/daily_summary.md"
}

---

能力二：读后总结

功能：检测新完读书籍（finishTime 出现），生成"这本书给了我什么"

脚本：book_summary/book_summary.py

触发：每日与 daily_review 同时运行；get_newly_finished_books() 检测未总结的完读书

独立测试：

python3 ~/.openclaw/workspace/skills/wechat-reading-custom/book_summary/book_summary.py

输出：无新完读书时静默；有则输出 [AGENT_BOOK_SUMMARY_DATA] JSON，agent LLM 使用 prompts/book_summary.md 合成。

JSON 结构：

{
  "book": {"title": "...", "author": "...", "category": "...", "finish_date": "..."},
  "my_highlights": [{"content": "...", "chapter_title": "..."}],
  "my_reviews":    [{"content": "..."}],
  "popular_highlights":   [{"content": "...", "total_count": 3200}],
  "popular_not_in_mine":  [{"content": "...", "total_count": 2100}],
  "similar_books": [{"title": "...", "author": "..."}],
  "prompt_ref": "prompts/book_summary.md"
}

---

能力三：笔记导出

功能：导出个人划线，支持关键词筛选

脚本：notes_export/notes_export.py

使用：

python3 ~/.openclaw/workspace/skills/wechat-reading-custom/notes_export/notes_export.py
python3 ~/.openclaw/workspace/skills/wechat-reading-custom/notes_export/notes_export.py "关键词"

输出文件：~/.openclaw/workspace/data/weread_notes_export.json

---

Agent 执行模型

脚本本身不调用 LLM。完整链路：

cron 触发
  → Python 脚本（拉数据 + 入库 + 检索）
  → stdout 输出 [AGENT_*_DATA] JSON
  → Agent 读取 JSON
  → Agent LLM 加载对应 prompts/*.md 作为合成指令
  → 输出总结推送给用户

prompt_ref 字段告诉 Agent 使用哪个 prompt 文件合成。Agent 的 LLM 能力即为 openclaw 自身，无需额外 API Key。

---

底座：本地语义知识库

位置：data/knowledge.db（SQLite，不提交 git）

表结构：books / highlights / reviews / concepts / summaries / sync_state

同步模块：lib/sync.py，增量拉取，每本书间隔 0.3s 限速

python3 ~/.openclaw/workspace/skills/wechat-reading-custom/lib/sync.py
python3 ~/.openclaw/workspace/skills/wechat-reading-custom/lib/sync.py --force

环境变量：

• WEREAD_API_KEY — API Key（优先级：env > .env > openclaw.json）
• WEREAD_KB_PATH — 自定义 DB 路径（默认 data/knowledge.db）

---

依赖

• Python 3.9+
• curl 命令行工具
• jieba（跨书呼应分词，已预装）
• WEREAD_API_KEY 已在 openclaw 中配置

---

首次安装

1. 前往 https://weread.qq.com/r/weread-skills 获取 WEREAD_API_KEY
2. 将 key 写入 skill 目录下的 data/api_key 文件（一行，仅 key 值）：

mkdir -p ~/.openclaw/workspace/skills/wechat-reading-custom/data
echo "your_key_here" > ~/.openclaw/workspace/skills/wechat-reading-custom/data/api_key

3. 全量同步阅读数据到本地知识库：

python3 ~/.openclaw/workspace/skills/wechat-reading-custom/lib/sync.py --force