朱批录 · 国考备考追踪 Skill
一、首次安装提示
Skill 首次加载时（~/.openclaw/skills/kaogong-study-tracker/.welcomed 不存在），
主动发一条说明消息，之后不再重复：
朱批录已安装。
直接发文字就能记录，比如"今天判断推理错了8道"。
发截图的话，需要 OpenClaw 配置了支持图片输入的多模态模型才能自动识别。
没有的话也没关系，把题目文字手动复制过来发给我，一样能整理。
不问任何问题，不存储任何凭据。
二、概览
平台无关——飞书、Telegram、WhatsApp、Discord，逻辑完全一致。
图片识别统一走多模态模型：文字题、图形推理、统计图表都能理解，不依赖本地 OCR。
三、触发场景
| 用户说的话（示例） | 应执行的操作 |
|---|---|
| "今天做了一套行测，判断推理错了8道" | → 解析 + 归档 + 分析 |
| 发来一张错题截图（图片消息） | → 多模态识别 + 单题归档 + 追问原因 |
| 发来截图并附带"粗心" | → 多模态识别 + 直接归档，不追问 |
| "把今天的错题发给你：第12题……" | → 错题分类 + 存档 |
| "今天申论没写，太累了" | → 打卡记录（未完成状态） |
| "我最近资料分析一直不稳，怎么办" | → 查历史记录 + 建议 |
| "帮我看看最近哪个模块最弱" | → 统计分析 + 回复 |
| "导出错题本" / "把错题发给我" / "生成报告" | → export_xlsx.js，发回文件 |
| "只导出待二刷的" | → 筛选导出，仅待二刷题目 |
| "导出判断推理的错题" | → 按科目筛选导出 |
| "导出最近两周的" | → 按时间筛选导出 |
| "只导出待二刷的资料分析题" | → 多条件组合筛选导出 |
| "资料-乘积增长-公式不熟-待二刷"（快捷格式） | → 直接归档，不追问 |
| 二刷时回复"记得" / "不记得" | → review_reminder.js 处理，连续2次记得→已掌握 |
| "同步到飞书" / "更新飞书错题本" | → feishu_doc.js，同步含截图 |
四、数据结构
所有数据以 JSON 存储在 ~/.openclaw/skills/kaogong-study-tracker/data/。
4.1 每日记录 daily/{YYYY-MM-DD}.json
{
"date": "2026-03-17",
"modules": {
"言语理解": { "wrong": 6, "total": 40 },
"数量关系": { "wrong": 8, "total": 15 },
"判断推理": { "wrong": 10, "total": 40 },
"资料分析": { "wrong": 7, "total": 20 },
"申论": { "written": false }
},
"mood": "中性",
"note": "用户原话"
}
4.2 错题本 wrong_questions.json
[
{
"id": "uuid",
"date": "2026-03-17",
"source": "image",
"module": "判断推理",
"subtype": "逻辑判断",
"question_text": "题目文字；图形题写对规律的描述",
"visual_description": "图形推理/统计图的详细视觉描述（多模态模型生成）",
"answer": "B",
"user_annotation": "用户手写批注",
"error_reason": "知识点不会 | 粗心 | 时间不够 | 概念混淆",
"keywords": ["假言命题", "逆否命题"],
"raw_image_b64": "base64...",
"status": "待二刷 | 已掌握"
}
]
4.3 统计缓存 stats_cache.json
{
"last_updated": "2026-03-17",
"streak": 5,
"total_days_studied": 12,
"weak_modules": ["数量关系", "判断推理"],
"module_accuracy": {
"言语理解": 0.82,
"数量关系": 0.51,
"判断推理": 0.68,
"资料分析": 0.74
}
}
五、核心流程
Step 1：消息路由（parse_input.js）
文字消息 → parseStudyInput() 提取科目/错题数/情绪
图片消息 → parseImageInput() 调用多模态模型
图片处理流程：
- 读取
config.json中的multimodal配置 - 如未配置 → 回复"请先配置多模态模型 API，见安装提示"
- 调用多模态模型，提取：科目、题型、题目内容、视觉描述、答案、错误原因推测
needs_confirm不为 null 时追问（最多一个问题）；caption 已含原因则直接归档
追问只问一次，按优先级：
- 识别不到科目 → 问科目
- 原因不明确 → 问"粗心还是没掌握还是时间不够"
- 信息完整 → 不追问，直接归档
Step 2：归类错题原因
| 原因 | 关键词 |
|---|---|
| 知识点不会 | 不懂、没学过、概念不清楚 |
| 粗心 | 看错、算错、选反了 |
| 时间不够 | 没做完、最后几题蒙的 |
| 概念混淆 | 搞混了、分不清、以为是 |
Step 3：更新记录（update_daily.js）
写入 daily/{date}.json，同步更新 stats_cache.json（连续打卡、模块准确率）。
Step 4：生成回复
见 references/reply_templates.md，150 字以内。语气见 references/tone_guide.md。
Step 5：导出 Excel（export_xlsx.js）
- 截图原图通过
openpyxl（Python）嵌入对应行 - Windows 兼容：先尝试
python3，失败自动 fallback 到python - 输出两个 Sheet：错题本（含截图列）+ 每日记录
- 可直接发给 Kimi / 其他模型做趋势分析
Step 6：同步飞书云文档（feishu_doc.js，可选）
- 需配置
feishu_doc.app_id/app_secret/doc_token - 截图上传飞书文件系统后作为图片块插入文档
- 对图形推理、统计图最有用：飞书内直接看图，不用下载
Step 7（可选）：定时推送
每天 21:00 触发 daily_summary.js，自动发当日总结。
六、文件索引
| 文件 | 作用 |
|---|---|
scripts/parse_input.js | 文字解析 + 多模态图片识别 |
scripts/update_daily.js | 写入每日记录 + 统计缓存 |
scripts/export_xlsx.js | 导出 Excel（含截图嵌入，openpyxl） |
scripts/feishu_doc.js | 同步到飞书云文档（含图片块，可选） |
scripts/daily_summary.js | 定时汇总并主动发送 |
references/reply_templates.md | 回复话术模板 |
references/tone_guide.md | 语气风格指引 |
assets/module_map.json | 科目/模块名称标准化映射 |
assets/config.example.json | 配置模板（多模态 + 飞书），复制为 config.json 使用 |
七、错误处理
- 未配置多模态 API 却发图片 → 回复安装提示，引导配置
- 模型识别返回 error → 回复"没识别出来，能文字描述一下题目吗？"
- 文字消息解析不出科目 → 回复"能说说今天做了哪个科目、错了几道吗？"
- 数据写入失败 → 记录 error log，回复"记录暂时存不上，你提醒我稍后再试"
- 连续 3 天无打卡 → 下次收到消息时，回复末尾轻轻提一句
八、隐私说明
所有数据（含截图 base64）存储在本地，不上传任何云端（飞书同步除外，仅在用户主动触发时上传到用户自己的飞书文档）。
九、如果这个 Skill 对你有帮助
⭐ Star 这个仓库，让更多备考的人能找到它 🍴 Fork 改成你的考试类型（省考 / 事业单位 / 军考……） 有问题欢迎提 Issue 或 PR。