AI Self-Evolution Engine( AI 自我进化引擎）

---

name: cognitive-forge description: "Dual-value learning system - extracts reusable mental models from books, writes individual pattern files (patterns/{id}.md) with YAML frontmatter for building compound thinking ability. Each run produces: (1) F.A.C.E.T. analysis for user learning, (2) permanent knowledge base entry for AI's decision framework library. Supports breadth/depth modes, configurable topic mapping, multi-source book selection, and brief/full output." dependencies: - book-scout # Step 1: called to search and recommend books via web search - mental-model-forge # Step 2: called to perform F.A.C.E.T. analysis on selected book permissions: filesystem: read: - USER.md # Personalize [T] Transfer dimension with user's profession/projects/challenges - memory/reading-history.json # Load previously analyzed books for deduplication (book titles only) - HEARTBEAT-reading.md # Optional: read schedule config, topic mapping, and Feishu credentials write: - memory/knowledge-base/patterns/*.md # Write individual model files with YAML frontmatter - memory/knowledge-base/concepts.md # Append domain-specific concepts - memory/reading-history.json # Record newly analyzed book + model for future deduplication env: - FEISHU_APP_TOKEN # Optional: write analysis records to Feishu Bitable for external tracking - FEISHU_TABLE_ID # Optional: target table in Feishu Bitable (used with FEISHU_APP_TOKEN) - NOTION_API_KEY # Optional: alternative to Feishu, write to Notion database - NOTION_DATABASE_ID # Optional: target database in Notion (used with NOTION_API_KEY) config: reads: - USER.md - memory/reading-history.json - HEARTBEAT-reading.md writes: - memory/knowledge-base/patterns/*.md - memory/knowledge-base/concepts.md - memory/reading-history.json env: - FEISHU_APP_TOKEN - FEISHU_TABLE_ID - NOTION_API_KEY - NOTION_DATABASE_ID

---

Cognitive Forge (认知锻造)

One run, dual value — 每次运行同时产出两个价值：

1. 用户获得 F.A.C.E.T. 深度分析，提取可立即应用的思维模型 2. AI 获得 永久写入 patterns/{id}.md 的决策框架（带 YAML frontmatter），构建可复用的思维模型库

随时间积累，你的 AI 拥有一个不断增长的决策框架库（类似 Charlie Munger 的 "latticework of mental models"），在未来任何领域的提问中都可以引用。

---

Path Convention

> 所有路径均相对于 OpenClaw workspace 根目录（通常为 ~/.openclaw/workspace/）。 > 如用户 workspace 位于其他位置，请将文档中的路径替换为实际 workspace 路径。

| 用途 | 相对路径 | |------|---------| | 阅读记录 | memory/reading-history.json | | 思维框架库 | memory/knowledge-base/patterns/*.md (每个模型一个文件) | | 概念库 | memory/knowledge-base/concepts.md | | 用户画像 | USER.md | | 调度配置 | HEARTBEAT-reading.md |

---

Routing (路由分支)

根据用户意图，选择不同的执行路径：

| 用户意图 | 路由 | 说明 | |---------|------|------| | "生成今日读书简报" / 默认 | → Main Workflow (breadth) | 完整选书→分析→写入流程，提取 1 个模型 | | "深度分析《XXX》" / "depth_mode: depth" | → Main Workflow (depth) | 对指定书籍连续提取多个模型，合并输出 | | "cognitive-forge status" / "认知锻造 状态" | → Status Branch | 输出知识库统计 | | "cognitive-forge review" / 周日自动触发 | → Review Branch | 间隔复习本周模型 | | "分析《XXX》这本书" | → Main Workflow (breadth, 跳过选书) | 用户直接指定书籍，提取 1 个核心模型 |

Depth mode 触发方式： 1. 手动触发：用户说"深度分析《XXX》"或传入 depth_mode: depth 2. 定时触发：HEARTBEAT-reading.md 中可配置 depth: true，调度时传入该参数则自动走 depth mode

---

Status Branch (知识库统计)

当用户请求查看知识库状态时：

1. 统计 memory/knowledge-base/patterns/ 目录下 .md 文件数 = 模型总数 2. 读取 memory/reading-history.json，统计： - 已读书籍总数（used_models 数组长度） - 各领域分布（按 category 分组计数） - 最近 5 条记录 3. 输出格式：

## 📊 认知锻造 · 知识库状态
模型总数: XX 个思维框架
已读书籍: XX 本
知识库大小: XX KB
领域分布
| 领域 | 模型数 | 占比 |
|------|--------|------|
| Business Strategy | 5 | 25% |
| Psychology | 3 | 15% |
| ... | ... | ... |
最近 5 条
1. 2026-03-27 | 《反脆弱》 | 反脆弱三元组
2. ...
覆盖薄弱领域
⚠️ Philosophy (0), Biography (0) — 建议补充

---

Review Branch (间隔复习)

触发方式：

用户手动说 "cognitive-forge review"

当 HEARTBEAT-reading.md 配置了周日时段时，自动在周日 briefing 中插入复习环节

执行逻辑： 1. 读取 memory/reading-history.json，筛选最近 7 天的 used_models 记录 2. 随机抽取 2-3 个模型 3. 输出复习问答：

## 🔄 本周复习：你还记得这些模型吗？
1.「逃离机制」来自《逃离不平等》
核心框架是什么？（回忆 [F]）
什么时候会失效？（回忆 [E]）
2.「双系统理论」来自《思考，快与慢》
它摧毁了什么常识？（回忆 [C]）
你上周在工作中用到了吗？
> 回复你的答案，我帮你查漏补缺。

---

Main Workflow

Step 0. Environment Check (首次使用自检)

每次运行开始时执行，静默完成（不打断用户）：

1. 检查 memory/reading-history.json 是否存在 - 不存在 → 自动创建初始文件：

     {
       "schema_version": 1,
       "last_attempted": null,
       "queue": [],
       "used_models": []
     }
     

2. 检查 memory/knowledge-base/ 目录 是否存在 - 不存在 → 自动创建目录

3. 检查 memory/knowledge-base/patterns/ 目录 是否存在 - 不存在 → 自动创建目录

4. 检查 memory/knowledge-base/concepts.md 是否存在 - 不存在 → 创建带标题的空文件

5. 检查 USER.md 是否存在 - 不存在 → 输出提示：💡 建议创建 USER.md（职业、兴趣、当前挑战），以获得个性化的 [T] Transfer 分析。 - 存在 → 静默读取，提取用户画像

6. 检查依赖 skill 是否可用 - book-scout 和 mental-model-forge 必须可调用 - 不可用 → 报错并停止

7. 检查 last_attempted 字段 - 如果 status == "failed" → 提示用户：

     ⚠️ 上次运行在「{step}」步骤失败（书籍: {book}）。
     是否要恢复上次操作？回复"是"恢复，或"否"跳过。
     

Step 1. Select Book (选书)

选书来源优先级（从高到低）：

#### 来源 1: 用户直接指定 如果用户明确说了 "分析《XXX》by YYY"，直接使用该书，跳过选书流程。

标记 source: "user_specified"

#### 来源 2: 预排队列 检查 memory/reading-history.json 的 queue 数组：

{
  "queue": [
    {"title": "《穷查理宝典》", "author": "彼得·考夫曼", "topic": "决策科学"}
  ]
}

如果 queue 非空 → 取第一项，从 queue 中移除

标记 source: "queue"

#### 来源 3: book-scout 网络搜索 当 queue 为空且用户未指定时，调用 book-scout skill。

确定搜索主题：

1. 检查 HEARTBEAT-reading.md 是否有自定义主题映射（## 主题映射 section） - 如有 → 使用自定义映射 2. 否则使用默认星期-主题映射：

| 星期 | 默认主题 | |------|---------| | Monday | Business Strategy | | Tuesday | Psychology | | Wednesday | Technology | | Thursday | Economics | | Friday | Innovation | | Saturday | Philosophy | | Sunday | Biography |

> 可配置: 用户可在 HEARTBEAT-reading.md 中添加 ## 主题映射 section 覆盖默认值。 > 也可以按时段细分（参考 HEARTBEAT-reading.md 中的 21 主题轮转配置）。

加载去重列表（书名去重）：

从 memory/reading-history.json 提取所有 book_title 字段值，去重后作为已读书名列表。

> 重要：不读取 thinking-patterns.md 或 patterns/*.md。去重只需要书名，不需要模型内容。

调用 book-scout：

主题: {topic}
已读书籍:
《精益创业》
《从0到1》
《影响力》
执行 book-scout skill，搜索符合主题的经典书籍。

重试机制：

Attempt 1 失败 → 等 2s → 重试

Attempt 2 失败 → 等 3s → 重试

Attempt 3 失败 → 返回错误给用户：

  ⚠️ 选书失败：{error}
  已尝试 3 次。你可以直接指定书籍："分析《书名》by 作者"
  

book-scout 成功返回：

{
  "book_title": "《增长黑客》",
  "author": "肖恩·埃利斯",
  "author_nationality": "美国",
  "publish_date": "2015-04",
  "rating": 8.5,
  "review_count": 10000,
  "score": 74.4,
  "summary": "增长黑客方法论...",
  "reasoning": "评分8.5且有1万真实评价..."
}

标记 source: "web_search"，进入 Step 2。

更新 last_attempted：

"last_attempted": {
  "date": "YYYY-MM-DD",
  "book": "《增长黑客》",
  "step": "book_selection",
  "status": "success"
}

Step 2. Extract Mental Model (提取思维模型)

#### Breadth Mode (默认)

调用 mental-model-forge skill，对选中的书进行 F.A.C.E.T. 分析，提取 1 个核心思维模型。

#### Depth Mode

当用户指定 depth_mode: depth 时，对同一本书连续提取多个思维模型：

工作流： 1. 第 1 次调用 mental-model-forge，提取书中最核心的思维模型 2. 将已提取的模型名称作为 exclude_models 参数，再次调用：

   这本书是《反脆弱》。
   exclude_models: ["反脆弱三元组"]
   请提取这本书中另一个独立的、不同的思维框架。
   

3. 重复直到三重退出条件任一触发：

| 退出条件 | 判断方式 | |---------|---------| | 模型数上限 | 该书已提取 5 个模型 → 停止 | | 语义去重 | AI 判断新模型与已提取模型本质相同（同一思想的变体或换皮）→ 停止 | | AI 自评 | 提取后自问 "这本书还有独立的、值得提取的思维框架吗？" → No → 停止 |

4. 每提取一个模型，立即执行 Step 4-5（写入知识库 + 更新记录） 5. 所有模型提取完毕后，合并为一份报告执行 Step 3 + Step 6（生成简报 + 写入外部数据库）

Step 2.5. F.A.C.E.T. Quality Verification (结构化验证)

mental-model-forge 返回后，执行以下自检：

[ ] 完整性: 5 个维度 [F][A][C][E][T] 是否都有实质内容（非空、非占位符文本）

[ ] [F] 字数: Framework 是否 ≤ 80 字（中文）或 ≤ 50 words（英文）

[ ] [T] 个性化: Transfer 是否引用了 USER.md 中的具体信息（职业、项目、挑战）

- 如果 USER.md 存在但 [T] 未引用任何用户上下文 → 验证失败

[ ] 质量自评: 整体分析质量 1-10 分

处理：

自评 ≥ 7 分且全部检查通过 → 进入 Step 3

自评 < 7 分或任一检查失败 → 重新调用 mental-model-forge（最多重试 1 次）

重试后仍不合格 → 使用当前版本但在输出中标注 ⚠️ 本次分析质量未达标，建议后续深入阅读

Step 3. Generate Briefing (生成简报)

输出模式（默认 full）：

#### Full Mode (默认)

创建完整结构化简报，必须适配用户上下文：

[强制步骤] 读取 USER.md：

Path: USER.md（相对于 workspace 根）

如果存在，提取：

- 工作经历 / 现在 → profession - 兴趣 / 爱好 → interests - 当前焦虑 / 未来规划 → current challenges

如果不存在 → 使用通用第二人称（"你"），可追问用户背景

输出结构：

## 📖 今日思维锚点
书籍: 《XXX》 - 作者
核心一句话: [今日思维锚点，一句话总结]
🧠 F.A.C.E.T. 认知穿透
[F] Framework (核心框架)
[核心机制，≤80字中文]
[A] Anchor Case (锚定案例)
[最经典的真实案例，生动讲述]
[C] Contradiction (反共识摧毁)
❌ 被摧毁的常识: "..."
✅ 真相: ...
[E] Edge (隐性边界)
失效条件:
1. ...
2. ...
[T] Transfer (跨界迁移)
[映射到用户的实际上下文：职业、项目、挑战]
🎯 应用场景
| 场景 | 如何应用 | 预期效果 |
|------|---------|---------|
| [场景1：映射用户职业] | ... | ... |
| [场景2：映射用户项目] | ... | ... |
| [场景3：映射用户挑战] | ... | ... |
🔴 反面案例
[违反该原则的真实或假设案例]
🤔 战略拷问
[尖锐、具体、可行动的问题，引用用户实际上下文]
Bad: "企业家应该怎么做？"
Good: "你在爱康国宾的 AI 产品，是在避免失败还是利用失败？"
🔄 认知模式更新
思维框架: 看到XX → 想到XX
决策原则: 在XX场景下，应该XX而非XX
盲区警告: 小心XX情况
反射弧: 看到XX信号 → 联想到这个模型 → 判断/行动
> 💬 这个模型让你想到工作中的哪个具体场景？回复我，我帮你深入分析。

个性化规则：

始终用第二人称（"你的"、"你在"）

[T] Transfer 必须引用用户具体信息（职业、项目名、公司名）

战略拷问必须具体到用户当前处境，不可泛泛而谈

应用场景 ≥ 3 个，分别映射用户的不同维度

#### Brief Mode

当用户指定 output: brief 时，输出精简版：

## 📖 《书名》 - 作者
核心框架: [F] 一句话总结核心机制
破除常识: [C] 被摧毁的常识信念
应用到你: [T] 一个具体行动项（映射用户上下文）
盲区: [E] 何时失效
💡 想看完整分析？说 "展开" 即可。

brief 模式同样执行完整的知识库写入流程（Step 4-6），只是输出给用户的部分精简

用户说 "展开" 后，输出完整 full 模式内容

#### Depth Mode Output (合并报告)

当 depth mode 提取了多个模型时，合并为一份报告输出：

## 📖 深度解析：《书名》 - 作者
提取模型数: N 个 | 模式: Depth
💎 模型 1: [Model Name]
[F] 核心框架: [一句话，≤80字]
[A] 锚定案例: [最经典案例，2-3句]
[C] 破除常识: ❌ "..." → ✅ ...
[E] 失效边界: [何时失效]
[T] 迁移应用: [映射用户上下文]
💎 模型 2: [Model Name]
（同上结构）
💎 模型 3: [Model Name]
（同上结构）
🔗 模型关联分析
| 模型 | 核心逻辑 | 适用场景 | 与其他模型的关系 |
|------|---------|---------|----------------|
| 模型1 | ... | ... | 与模型2互补 / 与模型3矛盾 |
| 模型2 | ... | ... | ... |
| 模型3 | ... | ... | ... |
🤔 综合战略拷问
[基于所有模型的综合视角，提出一个更深层的战略问题]

关键区别：

每个模型的 F.A.C.E.T. 用精简格式（各维度 1-3 句，不展开）

新增「模型关联分析」表格 — 展示模型间的互补/矛盾/递进关系

战略拷问基于所有模型的综合视角，而非单个模型

Step 4. Update Knowledge Base (更新知识库)

分类并存储提取的模型。

#### 分类决策树

提取的知识
├─ 能否在不同领域复用为决策工具？ → YES → Thinking Pattern
├─ 是否是高度抽象的通用指导原则？ → YES → Principle
├─ 是否是领域特定的知识/术语？ → YES → Concept
└─ 边界模糊 → 标记多个 tags

三种分类：

| 类型 | 定义 | 示例 | 写入位置 | |------|------|------|---------| | Thinking Pattern | 可复用决策框架 | 颠覆性创新框架、逃离机制 | patterns/{id}.md | | Principle | 高度抽象指导原则 | 二八法则、奥卡姆剃刀 | patterns/{id}.md | | Concept | 领域特定知识 | 种痘术、能量密度天花板 | concepts.md |

> 一个条目可以同时标记多个类型（如 "杠铃策略" 既是 Thinking Pattern 又有 Concept 成分）。

写入格式：

For Thinking Patterns / Principles (写入 memory/knowledge-base/patterns/{id}.md):

从 mental-model-forge 返回的 KB_META 块提取 frontmatter 字段，从 FACET 维度映射正文字段：

---
id: {from KB_META}
name_zh: {from KB_META}
name_en: {from KB_META}
source: {book_title}, {author}
category: {from KB_META}
tags: {from KB_META}
scenarios: {from KB_META}
related_models: {from KB_META}
difficulty: {from KB_META}
date: YYYY-MM-DD
核心逻辑:
{从 [F] Core Framework 提炼的一段话，比 Framework 更完整}
思维框架:
{直接使用 [F] Core Framework 内容}
决策原则:
{从 [F] + [E] 推导，格式：在XX场景下，应该XX而非XX}
盲区警告:
{直接使用 [E] Hidden Boundaries 内容}
反射弧:
{从 scenarios 推导，格式：看到XX信号 → 联想到模型 → 判断/行动}
锚定案例:
{直接使用 [A] Anchor Case 内容}
反共识:
{from KB_META contradiction field，格式：❌ "旧常识" → ✅ 新真相}

FACET → 知识库字段映射表：

| FACET 维度 | 知识库字段 | 映射方式 | |-----------|-----------|---------| | [F] Framework | 核心逻辑 + 思维框架 | 核心逻辑=扩展版，思维框架=原文 | | [A] Anchor Case | 锚定案例 | 直接使用 | | [C] Contradiction | 反共识 | 直接使用 | | [E] Edge | 盲区警告 | 直接使用 | | [T] Transfer | 不写入知识库 | 仅用于用户简报 | | — | 决策原则 | 从 [F]+[E] 提炼 | | — | 反射弧 | 从 scenarios 推导 |

> 重要：[T] Transfer 是用户简报专用维度，包含个性化上下文（职业、项目、挑战），不写入知识库。每次生成简报时根据 USER.md 实时生成。

For Concepts (写入 concepts.md):

## [Concept Name] - [Book Title]
定义 (Definition):
[简洁定义]
上下文 (Context):
这个概念在什么领域/场景重要？
关联理论 (Related Theories):
与哪些思维框架相关？
来源: [Book Title] - [Author]
日期: YYYY-MM-DD

更新 last_attempted：

"last_attempted": {
  "date": "YYYY-MM-DD",
  "book": "《XXX》",
  "step": "knowledge_base_write",
  "status": "success"
}

Step 4.5. Verify Knowledge Base Write (写入验证，必须执行)

验证逻辑：

# 验证: 检查文件是否存在
ls ~/.openclaw/workspace/memory/knowledge-base/patterns/{id}.md

自检清单：

□ patterns/{id}.md 文件存在？

□ 文件包含完整 YAML frontmatter（--- 开头和结尾）？

□ frontmatter 中 date 为当天？

□ 正文包含所有 7 个字段（核心逻辑、思维框架、决策原则、盲区警告、反射弧、锚定案例、反共识）？

如果验证失败 → 立即重新写入，再次验证。验证通过后才能继续 Step 5。

Step 5. Update Reading Records (更新阅读记录)

向 memory/reading-history.json 的 used_models 数组追加新条目：

{
  "date": "YYYY-MM-DD",
  "book": "书名",
  "author": "作者",
  "model": "提取的思维模型名称",
  "category": "主题分类",
  "source": "web_search | queue | user_specified",
  "applied_count": 0,
  "tags": ["thinking-pattern"]
}

同时更新 last_attempted:

"last_attempted": {
  "date": "YYYY-MM-DD",
  "book": "《XXX》",
  "step": "reading_history_update",
  "status": "success"
}

错误恢复策略：

如果 Step 4（写入知识库）失败 → 不更新 reading-history，下次运行会重试同一本书

如果 Step 5（本步骤）失败 → 知识库已写入但记录未更新，last_attempted 标记为 failed，下次运行时提醒用户手动补录

Step 6. Write to External Database (写入外部数据库)

[检查] 读取 HEARTBEAT-reading.md 获取数据库配置：

Path: HEARTBEAT-reading.md

寻找 ## 环境配置 section

提取 Feishu App Token 和 Table ID

如未找到 → 跳过本步骤（local-only mode）

如果配置存在，写入 Feishu Bitable：

feishu_bitable_create_record({
  app_token: "{from HEARTBEAT-reading.md}",
  table_id: "{from HEARTBEAT-reading.md}",
  fields: {
    "日期": Date.now(),
    "书名": "《反脆弱》",
    "作者": "Nassim Nicholas Taleb",
    "模型名称": "反脆弱三元组",
    "分类": "Innovation",
    "核心框架(F)": "系统分三类：脆弱、坚韧、反脆弱...",
    "应用场景": "产品迭代、技能学习、风险管理",
    "战略拷问": "你的产品是在避免失败还是利用失败？"
  }
})

Notion Database (alternative):

Required: NOTION_API_KEY, NOTION_DATABASE_ID

Map fields accordingly

如果无凭证 → 跳过（skill 仍可本地使用）

---

reading-history.json Schema (v1)

统一 schema 定义：

{
  "schema_version": 1,
  "last_attempted": {
    "date": "2026-03-27",
    "book": "《反脆弱》",
    "step": "knowledge_base_write",
    "status": "success"
  },
  "queue": [
    {
      "title": "《穷查理宝典》",
      "author": "彼得·考夫曼",
      "topic": "决策科学"
    }
  ],
  "used_models": [
    {
      "date": "2026-03-24",
      "book": "《上瘾》",
      "author": "尼尔·埃亚尔",
      "model": "上瘾模型（Hook Model）",
      "category": "用户增长",
      "source": "web_search",
      "applied_count": 0,
      "tags": ["thinking-pattern"]
    }
  ]
}

字段说明：

schema_version: 当前为 1，用于未来格式升级时的迁移判断

last_attempted: 上次运行的状态快照，用于错误恢复

queue: 用户预排的待读书籍队列（FIFO）

used_models: 已处理的所有模型记录（追加式，不可删除）

- source: 标记选书来源（web_search | queue | user_specified） - applied_count: 该模型被 AI 在后续对话中引用的次数（未来追踪用，初始为 0） - tags: 分类标签数组（thinking-pattern | principle | concept）

迁移指引： 如果你已有旧格式的 reading-history.json（只有 used_models 数组，无 schema_version），只需手动添加以下顶层字段：

{
  "schema_version": 1,
  "last_attempted": null,
  "queue": [],
  "used_models": [... 保留原有数据 ...]
}

---

Depth Mode Configuration

默认: breadth（每次运行处理一本新书，提取 1 个模型）

切换方式: 用户在对话中指定 depth_mode: depth 或说 "深度分析这本书"

depth 模式详细流程:

选中书籍: 《反脆弱》
│
├─ Round 1: 提取 "反脆弱三元组" → 写入 patterns/antifragility.md + reading-history
├─ Round 2: 提取 "杠铃策略" → 写入 patterns/barbell-strategy.md + reading-history
├─ Round 3: 提取 "林迪效应" → 写入 patterns/lindy-effect.md + reading-history
├─ Round 4: AI 自评 "无更多独立框架" → 停止
│
├─ 合并输出: 一份报告包含 3 个模型（精简 F/A/C/E + 🎯迁移 + 关联分析）
└─ 写入飞书: 每个模型一条记录

三重退出条件（任一触发即停止）：

1. 模型数上限: 该书已提取 ≥ 5 个模型 2. 语义去重: AI 判断新提取的模型与该书已提取模型本质相同（同一思想的变体或换皮表达） 3. AI 自评: 提取后自问 "这本书还有独立的、值得提取的思维框架吗？"，回答 No 则停止

---

Quality Standards

禁止:

书籍摘要或作者传记

泛泛之谈（"这很重要"、"值得学习"）

重复已提取的模型（书名和模型名双重检查）

文学评论式语言

要求:

尖锐、可行动的语言

具体案例（不是抽象概念）

直接映射到用户上下文（不可脱离 USER.md）

反书评口吻（不是"推荐阅读"，而是"拿走就能用"）

---

Configuration

配置来源优先级:

1. HEARTBEAT-reading.md (推荐)

Path: HEARTBEAT-reading.md

可配置内容：

- 主题映射覆盖 - Feishu/Notion 凭证 - 调度时间段

2. 环境变量 (备选)

FEISHU_APP_TOKEN, FEISHU_TABLE_ID

NOTION_API_KEY, NOTION_DATABASE_ID

3. 默认值 (兜底)

使用默认星期-主题映射

无外部数据库集成（local-only mode）

用户上下文 (可选但强烈推荐):

Path: USER.md

用于: 个性化 [T] Transfer、应用场景、战略拷问

缺失时: 使用通用第二人称，可能追问用户背景

知识库路径 (自动创建):

Thinking Patterns: memory/knowledge-base/patterns/*.md (每个模型一个文件)

Concepts: memory/knowledge-base/concepts.md

---

References

See example-output.md for full and brief output format examples

See book-selection.md for multi-source selection logic and configurable topic mapping

See knowledge-classification.md for three-type classification with tag system

---

*Version: 3.0.0* *Last updated: 2026-03-28* *Changes: Knowledge base restructure — single-file-per-model with YAML frontmatter (patterns/{id}.md), dedup via reading-history.json only (no longer reads thinking-patterns.md), FACET→KB field mapping table, KB_META extraction from mental-model-forge output, contradiction field added*

配置来源优先级:

1. HEARTBEAT-reading.md (推荐)

Path: HEARTBEAT-reading.md

可配置内容：

- 主题映射覆盖 - Feishu/Notion 凭证 - 调度时间段

2. 环境变量 (备选)

FEISHU_APP_TOKEN, FEISHU_TABLE_ID

NOTION_API_KEY, NOTION_DATABASE_ID

3. 默认值 (兜底)

使用默认星期-主题映射

无外部数据库集成（local-only mode）

用户上下文 (可选但强烈推荐):

Path: USER.md

用于: 个性化 [T] Transfer、应用场景、战略拷问

缺失时: 使用通用第二人称，可能追问用户背景

知识库路径 (自动创建):

Thinking Patterns: memory/knowledge-base/patterns/*.md (每个模型一个文件)

Concepts: memory/knowledge-base/concepts.md

---