build-persona

你将基于用户的 Readwise Reader 图书馆，为其构建一份读者画像。这份画像文件将供其他技能（分类、测验等）使用，以个性化用户体验。

Readwise 访问

检查是否有可用的 Readwise MCP 工具（例如 mcp__readwise__reader_list_documents）。如果有，请在整个过程中使用这些工具（并将此上下文传递给子 Agent）。如果没有，则使用对应的 readwise CLI 命令（例如 readwise list、readwise read <id>、readwise search <query>、readwise highlights <query>）。以下说明中提到了 MCP 工具名称，必要时请转换为对应的 CLI 命令。

欢迎语

以简短的介绍开场：

构建画像 · Readwise Reader

我会分析你的阅读历史——保存的内容、重点标注和标签——并在当前目录中创建一份 reader_persona.md 画像文件。其他技能（分类、测验）会利用这份画像，为你个性化生成内容。

我会先快速浏览一遍（约 1–2 分钟），然后你可以决定是否需要深入分析。

流程

重要： 这项技能需要获取大量数据。为保持主对话上下文整洁，请启动一个 Task 子 Agent 来完成所有繁重工作。

阶段 1：快速浏览

子 Agent 应快速进行有针对性的扫描，尽早建立可靠的初步用户画像：

1. 收集数据。 并行运行以下所有调用（一次工具调用批次）：

   • 4 次重点搜索： 使用 mcp__readwise__readwise_search_highlights 执行 4 个宽泛查询（例如 “ideas strategy product”“learning technology culture”“writing craft creativity”“business leadership growth”），每次设置 limit=50。这些是语义／向量搜索，适用于宽泛的多词查询。高亮内容成本低、信号强——尽可能广泛地搜索。
   • 4 个文档列表： 从每个非 Feed 位置调用 mcp__readwise__reader_list_documents：分别设置 location="new"、location="later"、location="shortlist" 和 location="archive"，每次设置 limit=100。如果合并后的结果非常少（总计少于 20 篇文档），也可尝试不设位置筛选条件，或将 location="feed" 作为备用方案。只获取元数据：response_fields=["title", "author", "category", "tags", "site_name", "summary", "saved_at", "published_date"]。不要获取完整内容。
   • 标签： 调用 mcp__readwise__reader_list_tags 了解其组织方式。

2. 高效解析结果。 文档列表的 JSON 响应可能很大（25k+ 个 token）。不要尝试用 Read 工具读取——这会触及 token 限制，并浪费重试次数。应使用一次 Bash 调用和一段 python3 脚本，一次性提取并汇总所有数据。脚本应解析所有结果文件并输出：

   • 按类别统计的文档数量
   • 排名前 20 的网站、作者和标签
   • 按月份统计的保存速度
   • 最近 3 周保存的所有文档（标题、类别、作者、日期）
   • 有代表性的高亮文本样本及其来源标题／作者

3. 撰写用户画像。 在当前工作目录中创建 reader_persona.md，并包含以下部分：

   • 身份与角色——他们看起来从事什么职业、担任什么角色、属于什么行业
   • 核心兴趣——按出现频率和近期程度排序的主要主题
   • 阅读习惯——他们如何阅读（大量保存但有选择地阅读？频繁添加高亮？偏好短篇还是长篇？）
   • 当前关注点——最近 2～3 周他们保存／阅读最多的内容
   • 目标与抱负——根据模式推断他们似乎正在为哪些目标努力
   • 品味与倾向——他们青睐的思想家与风格（反主流？务实？哲学性？技术性？）
   • 非兴趣主题——明显缺失或被回避的主题
   • 筛选建议——针对如何向此人推荐文档的具体说明（例如：“优先介绍实际应用价值”“联系他们对 X 的兴趣”“对 AI 内容的标准要高——仅在确有新意时标出”）

4. 返回 用户画像的简短摘要（3～5 句话）以及文件的绝对路径。

子 Agent 提速规则：

• 不要调用 readwise_list_highlights——它经常出错，而且与搜索功能重复。
• 不要尝试用 Read 读取大型 JSON 工具结果文件——应通过 Bash 使用 python3 解析。
• 将所有分析合并到一个 python 脚本中，不要分成多个依次运行的脚本。
• 尽可能并行调用工具。步骤 1 中的所有 API 获取都应在一个并行批次中完成。

阶段 2：深入分析（可选）

快速分析子 Agent 返回后，向用户展示结果，并询问他们是否想进行更深入的分析。如果想，就启动第二个子 Agent，执行以下操作：

• 使用阶段 1 的发现作为参考，运行 4-6 次更具体、与之前不同的精选搜索（例如，如果画像显示用户对 AI 工具感兴趣，就搜索“AI Agent 工作流自动化”；如果他们阅读小说，就搜索“小说叙事故事讲述”），每次设置 limit=50
• 使用阶段 1 结果中的 next_page_cursor，翻阅各个位置第 100 篇之后的文档——每个位置再获取接下来的 100-200 篇，以构建规模大得多的样本
• 阅读现有的 reader_persona.md，根据新增数据充实或重写该文件——加入更细致的章节、更有力的证据和更精准的分流指导
• 返回变更摘要

每个子 Agent 返回后

1. 显示文件链接。 务必告知用户：reader_persona.md 已写入 {absolute_path}。显示完整路径，方便用户打开。
2. 显示摘要，介绍用户画像（使用子 Agent 返回的摘要）。
3. 阶段 1 之后：询问他们是否想进行深入分析，或快速版本是否已经足够。同时询问他们是否想调整任何内容。
4. 阶段 2（如已运行）之后：展示变更内容，并询问他们是否想调整任何内容。
5. **如果需要调整，**根据用户反馈直接编辑文件。
6. 确认已保存。 告知用户文件已保存，并说明哪些技能将使用该文件（triage、quiz、feed-catchup 等）。