From a349dea5566efbe1aeb76bb1faa4b24c0549997e Mon Sep 17 00:00:00 2001 From: "github-actions[bot]" Date: Tue, 31 Mar 2026 08:20:36 +0000 Subject: [PATCH] chore: rebuild dist/openclaw from source --- dist/openclaw/SKILL.md | 215 ++++++++++++++++----------- dist/openclaw/VERSION | 2 +- dist/openclaw/scripts/learn_edits.py | 138 ++++++++++++++++- dist/openclaw/toolkit/publisher.py | 44 ++++++ 4 files changed, 306 insertions(+), 93 deletions(-) diff --git a/dist/openclaw/SKILL.md b/dist/openclaw/SKILL.md index 92b7e48..cc6ff9d 100644 --- a/dist/openclaw/SKILL.md +++ b/dist/openclaw/SKILL.md @@ -1,7 +1,7 @@ --- name: wewrite description: | - 微信公众号内容全流程助手：热点抓取 → 选题 → 框架 → 写作 → SEO/去AI痕迹 → 视觉AI → 排版推送草稿箱。 + 微信公众号内容全流程助手：热点抓取 → 选题 → 框架 → 内容增强 → 写作 → SEO → 视觉AI → 排版推送草稿箱。 触发关键词：公众号、推文、微信文章、微信推文、草稿箱、微信排版、选题、热搜、 热点抓取、封面图、配图、写公众号、写一篇、主题画廊、排版主题、容器语法。 也覆盖：markdown 转微信格式、学习用户改稿风格、文章数据复盘、风格设置、 @@ -36,30 +36,31 @@ description: | **辅助功能**（按需加载，不在主管道内）： - 用户说"重新设置风格" → `读取: {baseDir}/references/onboard.md` -- 用户说"学习我的修改" → `读取: {baseDir}/references/learn-edits.md` +- 用户说"学习我的修改" → `读取: {baseDir}/references/learn-edits.md`。支持两种来源： + - **本地修改**（默认）：用户在 `output/` 的 markdown 文件中修改 + - **微信草稿箱同步**：`python3 {baseDir}/scripts/learn_edits.py --from-wechat`，自动从草稿箱拉回最新内容，与本地原文做纯文本 diff - 用户说"看看文章数据" → `读取: {baseDir}/references/effect-review.md` -- 用户说"诊断配置"/"检查反AI"/"为什么AI检测没过" → 执行以下流程： - 1. `python3 {baseDir}/scripts/diagnose.py --json` - 2. 如果有 fail 项 → 直接报告，建议修复 - 3. 如果全 pass 或仅 warn → 继续 LLM 深度分析： - - 读取 `style.yaml` 的 tone/voice 与 writing_persona，判断是否矛盾 - - 读取 `writing-config.yaml`（如存在），检查是否有 AI 特征参数（emotional_arc: flat、paragraph_rhythm: structured、closing_tendency: summary） - - 读取 `history.yaml` 最近 5 篇，检查 persona 使用和 web_search 降级情况 - 4. 综合输出自然语言报告 + 按优先级排序的改进建议 -- 用户说"优化写作参数"/"优化参数"/"跑优化" → 执行以下流程： - 1. 读取 `{baseDir}/writing-config.yaml`（不存在则从 `writing-config.example.yaml` 复制） - 2. 用户可指定迭代次数（默认 3），如"优化参数跑 5 轮" - 3. **迭代循环**（每轮）： - a. 用当前 writing-config.yaml 参数写一篇 500 字测试短文（主题：用户指定或"AI Agent 行业观察"） - b. 保存到 `{baseDir}/output/optimize-test.md` - c. `python3 {baseDir}/scripts/humanness_score.py {baseDir}/output/optimize-test.md --json --tier3 {agent_tier3_score}` - d. Agent 做 Tier 3 分析（读测试短文，评估风格漂移/密度波浪/连贯性打破/整体人感，输出 0-1 分数传入 --tier3） - e. 解析 JSON 中 `param_scores`，找到得分最低的 1-2 个参数 - f. 调整 writing-config.yaml 中对应参数（方向：让该维度更"人类"） - g. 记录本轮：迭代编号、composite_score、调整的参数、旧值→新值 - 4. 循环结束后，保留 composite_score 最低（最人类）的 writing-config.yaml - 5. 输出优化报告：起始分 → 最终分，每轮调整，最终参数 - 6. 提示："参数已优化。下次写文章时自动使用新参数。" +- 用户说"检查一下"/"自检"/"这篇文章怎么样" → 对最近一篇生成的文章（或用户指定的文章）执行自检，输出生成报告： + + **第一部分：生成档案**（告诉用户这篇文章是怎么来的） + 1. 读取 `history.yaml` 最近一条记录，提取： + - 使用的框架类型 + 写作人格 + - 激活的维度随机化组合 + - 素材采集来源（web_search 还是降级到 LLM） + - 内容增强策略（角度发现/密度强化/细节锚定/真实体感） + - 范文风格库是否命中（用了哪几篇 exemplar，还是 fallback 到种子） + - playbook 中生效的规则条数 + 2. 如果 history.yaml 无记录或用户指定了外部文章 → 跳过此部分，提示"这篇文章不是 WeWrite 生成的，只做质量检查" + + **第二部分：质量检查**（告诉用户哪里还能改） + 1. `python3 {baseDir}/scripts/humanness_score.py {article_path} --json` + 2. Agent 解读 JSON 中每项得分，翻译为用户可操作的建议，格式： + - 每条建议定位到具体段落或句子（"第 3 段连续 4 句长度接近"） + - 给出具体改法（"建议把第 3 句拆成两个短句"、"这里可以加一句你自己的感受"） + - 按影响度排序，最多 5 条 + 3. 如果所有项得分都不错 → "这篇文章质量不错，建议在编辑锚点处加入你的个人内容就可以发了。" + + **输出格式**：自然语言报告，不输出 JSON 或分数（用户不需要看数字） - 用户说"更新"/"更新 WeWrite"/"升级" → 在 `{baseDir}` 执行 `git pull origin main`，完成后告知版本变化 --- @@ -133,7 +134,7 @@ python3 {baseDir}/scripts/fetch_hotspots.py --limit 30 **降级**：脚本报错 → web_search "今日热点 {topics第一个垂类}" -**2.2 历史去重 + SEO**： +**2.2 历史分析 + SEO**： ``` 读取: {baseDir}/history.yaml（不存在则跳过） @@ -143,18 +144,27 @@ python3 {baseDir}/scripts/fetch_hotspots.py --limit 30 python3 {baseDir}/scripts/seo_keywords.py --json {关键词} ``` -**降级**：SEO 脚本报错 → LLM 判断 +历史分析（有 stats 数据时）： +- 统计哪种 `framework` 的文章表现最好（阅读量/分享率）→ 推荐框架时加权 +- 统计哪种 `enhance_strategy` 的文章表现最好 → 增强策略选择时参考 +- 近 7 天已写的关键词降分（去重） -**2.3 生成 10 个选题**： +**降级**：SEO 脚本报错 → LLM 判断；history 无 stats → 跳过效果分析，仅做去重 + +**2.3 生成选题**： ``` 读取: {baseDir}/references/topic-selection.md ``` -每个选题含标题、评分、点击率潜力、SEO 友好度、推荐框架。近 7 天已写的关键词降分。 +生成 **10 个选题**，其中： +- **7-8 个热点选题**：基于 2.1 的热点，按 topic-selection.md 规则评分 +- **2-3 个常青选题**：不依赖热点，从用户的 `topics` 领域生成长尾内容（教程/方法论/经验总结/工具推荐），标注为"常青"。适合 content_style 为干货型/测评型的用户 + +每个选题含标题、评分、点击率潜力、SEO 友好度、推荐框架。 - 自动模式 → 选最高分 -- 交互模式 → 展示 10 个，等用户选 +- 交互模式 → 展示全部，等用户选 --- @@ -166,20 +176,30 @@ python3 {baseDir}/scripts/seo_keywords.py --json {关键词} 读取: {baseDir}/references/frameworks.md ``` -5 套框架（痛点/故事/清单/对比/热点解读），自动选推荐指数最高的。 +7 套框架（痛点/故事/清单/对比/热点解读/纯观点/复盘），自动选推荐指数最高的。 -**3.2 素材采集（关键——决定能否通过 AI 检测）**： - -纯 LLM 生成的内容无论技巧多好，底层 token 分布仍是 AI 的。通过检测的文章都建立在真实外部信息源之上。 +**3.2 素材采集 + 内容增强**（合并执行，共用搜索结果）： ``` -web_search: "{选题关键词} site:36kr.com OR site:mp.weixin.qq.com OR site:zhihu.com" -web_search: "{选题关键词} 数据 报告 2025 2026" +读取: {baseDir}/references/content-enhance.md ``` -采集 5-8 条真实素材（具名来源 + 具体数据/引述/案例）。**禁止编造**。 +根据 3.1 选定的框架类型，一次搜索同时完成素材采集和内容增强： -**降级**：web_search 无结果或不可用 → 用 LLM 训练数据中可验证的公开信息。但需告知用户："素材采集未能使用 web_search，文章的 AI 检测通过率会降低。建议在编辑锚点处多加入你自己的内容。" +| 框架 | 搜索策略 | 从结果中提取 | +|------|---------|-------------| +| 热点解读 / 纯观点 | `"{关键词} site:mp.weixin.qq.com OR site:36kr.com"` + `"{关键词} 观点 OR 评论"` | 真实素材（数据/引述）**+** 已有文章的主流观点（供角度发现） | +| 痛点 / 清单 | `"{关键词} 教程 OR 工具 OR 实操"` + `"{关键词} 数据 报告"` | 真实素材 **+** 具体工具名/步骤/参数（供密度强化） | +| 故事 / 复盘 | `"{人物/事件} 采访 OR 专访 OR 细节"` + `"{关键词} 数据 报告"` | 真实素材 **+** 时间锚/数字锚/对话锚/感官锚（供细节锚定） | +| 对比 | `"{方案A} vs {方案B} 评测 OR 体验"` + `"{方案A OR 方案B} 踩坑 OR 缺点 site:v2ex.com OR site:zhihu.com"` | 真实素材 **+** 真实用户评价和踩坑信息（供真实体感） | + +每次搜索 2 轮，从结果中**同时**提取： +1. **素材**：5-8 条真实素材（具名来源 + 具体数据/引述/案例）。**禁止编造**。 +2. **增强材料**：按 content-enhance.md 对应策略的要求提取（角度/密度要点/细节/用户声音）。 + +两者并入框架大纲，一起传入 Step 4 写作。 + +**降级**：web_search 不可用 → 用 LLM 训练数据中可验证的公开信息。但需告知用户："素材采集未能使用 web_search，建议在编辑锚点处多加入你自己的内容。"密度强化不依赖搜索，始终执行。 --- @@ -188,33 +208,36 @@ web_search: "{选题关键词} 数据 报告 2025 2026" ``` 读取: {baseDir}/references/writing-guide.md 读取: {baseDir}/playbook.md（如果存在，按 confidence 分级执行） -读取: {baseDir}/writing-config.yaml（如果存在，作为写作参数） -读取: {baseDir}/history.yaml（最近 3 篇的 dimensions 字段） +读取: {baseDir}/history.yaml（最近 3 篇的 dimensions + closing_type 字段） 读取: {baseDir}/references/exemplars/index.yaml（如果存在） ``` -**4.1 历史最佳参数参考**（有 history.yaml 且包含 composite_score 时执行）： +**4.1 维度随机化**： -读取 history.yaml 中有 `composite_score` 和 `writing_config_snapshot` 的文章，找到得分最低（最人类）的一篇。如果该篇得分比当前 writing-config.yaml 的默认参数对应的历史平均分更好，在写作时**参考**其参数组合（不是覆盖 writing-config.yaml，而是作为"上次这组参数效果好"的提示）。 +从以下维度池随机激活 2-3 个维度，让每篇文章的表达方式不同。如果 history.yaml 有最近 3 篇的 `dimensions` 字段，避免使用相同组合。 -具体：如果历史最佳文章的某个参数值与当前 writing-config 不同，在写作时倾向使用历史最佳值。如果没有历史数据，跳过此步。 +| 维度 | 选项 | +|------|------| +| 叙事视角 | 第一人称亲历 / 旁观者分析 / 对话体 / 自问自答 | +| 时间线 | 正序 / 倒叙 / 插叙 | +| 类比域 | 体育 / 做饭 / 军事 / 恋爱 / 游戏 / 电影 / 建筑 / 医学 | +| 情绪基调 | 克制冷静 / 热血激动 / 讽刺吐槽 / 温暖治愈 / 焦虑警示 | +| 节奏 | 短句密集 / 长叙述慢推 / 长短急切交替 / 慢开头快收尾 | -**4.2 维度随机化**：从 writing-guide.md 规则 3.4 维度池随机激活 2-3 个维度，对比历史去重。 - -**4.3 加载写作人格**： +**4.2 加载写作人格**： ``` 读取: {baseDir}/personas/{style.yaml 的 writing_persona 字段}.yaml 如果 style.yaml 没有 writing_persona 字段 → 默认 midnight-friend ``` -人格文件定义了：语气浓度、数据呈现方式、情绪弧线、段落节奏、不确定性表达模板等。作为 4.4 的硬性约束执行。 +人格文件定义了：语气浓度、数据呈现方式、情绪弧线、段落节奏、不确定性表达模板等。作为写作的硬性约束执行。 -**优先级**：playbook.md（confidence ≥ 5 的规则）> persona > 范文风格 > writing-guide.md。writing-guide 是底线（禁用词等），范文提供风格示范（句长节奏、情绪表达方式），persona 在此基础上特化风格参数（语气浓度、数据呈现），playbook 中高置信度规则是用户个性化的最终覆盖。playbook 中 confidence < 5 的规则作为软性参考。 +**优先级**：playbook.md（confidence ≥ 5 的规则）> persona > 范文风格 > writing-guide.md。writing-guide 是底线（基础写作规范），范文提供风格示范（句长节奏、情绪表达方式），persona 在此基础上特化风格参数（语气浓度、数据呈现），playbook 中高置信度规则是用户个性化的最终覆盖。playbook 中 confidence < 5 的规则作为软性参考。 -**4.4 范文风格注入**（有 `references/exemplars/index.yaml` 时执行）： +**4.3 范文风格注入**（有 `references/exemplars/index.yaml` 时执行）： -从 index.yaml 筛选 category 匹配当前框架类型的范文，按 humanness_score 升序（越低越人类）取 top 3。读取对应 .md 文件的片段内容。 +从 index.yaml 筛选 category 匹配当前框架类型的范文，取 top 3。读取对应 .md 文件的片段内容。 在写作 prompt 中注入： @@ -236,10 +259,10 @@ Category 映射规则： | 框架类型 | exemplar category | |----------|-------------------| -| 痛点型/深度解读 | tech-opinion | -| 故事型 | story-emotional | -| 清单型/对比型 | list-practical | -| 热点解读型 | hot-take | +| 痛点型 | tech-opinion | +| 故事型 / 复盘型 | story-emotional | +| 清单型 / 对比型 | list-practical | +| 热点解读型 / 纯观点型 | hot-take | | 其他 | general | 如果匹配到的范文不足 3 篇，用 general category 补足。 @@ -258,26 +281,31 @@ Category 映射规则： 建库命令：`python3 {baseDir}/scripts/extract_exemplar.py article.md` -**4.5 写文章**： +**4.4 写文章**： - H1 标题（20-28 字） + H2 结构，1500-2500 字 -- 真实素材锚定：Step 3.2 的素材分散嵌入各 H2 段落 -- **写作人格**：按 4.3 加载的人格参数写作（数据呈现方式、个人声音浓度、不确定性表达等） -- **收尾方式**：persona 的 `closing_tendency` 仅作为倾向参考。根据文章内容和情绪弧线自行判断最自然的收尾方式（参见 writing-guide.md 收尾多样性表）。如果 history.yaml 中最近 3 篇有 `closing_type` 字段，避免使用相同的收尾类型 -- 3 层反检测规则（统计/语言/内容）在初稿阶段全部生效 +- **素材 + 增强约束**：Step 3.2 的素材和增强材料分散嵌入各 H2 段落。增强策略的核心输出（角度/密度要点/细节/用户声音）必须贯穿全文，不只装饰性出现一次 +- **写作人格**：按 4.2 加载的人格参数写作（数据呈现方式、个人声音浓度、不确定性表达等） +- **收尾方式**：persona 的 `closing_tendency` 仅作为倾向参考。根据文章内容和情绪弧线自行判断最自然的收尾方式。如果 history.yaml 中最近 3 篇有 `closing_type` 字段，避免使用相同的收尾类型 +- **写作规范**：writing-guide.md 中的基础规则（禁用词、句长方差、词汇混用等）在初稿阶段生效 - 2-3 个编辑锚点：`` - 可选容器语法：`:::dialogue`、`:::timeline`、`:::callout`、`:::quote` 保存到 `{baseDir}/output/{date}-{slug}.md` -**4.6 快速自检**（写完后立即执行，减少 Step 5 重写概率）： +**4.5 快速自检**（写完后立即执行，减少 Step 5 重写概率）： -对初稿做 3 项最易不达标的快速扫描，**当场修复**，不留到 Step 5： +对初稿做 5 项快速扫描，**当场修复**，不留到 Step 5： -1. **禁用词扫描**：检查 writing-guide.md 2.1 的禁用词列表，命中的直接替换（最常见的问题，修复成本最低） -2. **句长方差检查**：粗略扫描是否有连续 3 句以上长度接近的段落，有则拆句或加短句 -3. **负面情绪检查**：全文是否有 ≥ 2 处真实负面表达，不够则在编辑锚点附近补充 +**写作层面**： +1. **禁用词扫描**：检查 writing-guide.md 2.1 的禁用词列表，命中的直接替换 +2. **句长方差**：是否有连续 3 句以上长度接近的段落，有则拆句或加短句 -这 3 项检查不需要调用脚本，LLM 自行完成即可。目标是让初稿在进入 Step 5 前已经消除最明显的问题。 +**内容层面**： +3. **开头钩子**：前 3 句是否制造了悬念/冲突/好奇心？如果是平铺直叙的背景介绍，重写开头 +4. **增强贯穿**：增强策略的核心输出是否只出现在一段？如果是，在其他 H2 中补充 +5. **金句检查**：全文是否有至少 1 句可独立截图转发的句子？如果没有，在情绪高点处补一句 + +LLM 自行完成，不需要调用脚本。 --- @@ -289,36 +317,43 @@ Category 映射规则： **5.1 SEO**：3 个备选标题 + 摘要（≤54 字）+ 5 标签 + 关键词密度优化 -**5.2 去 AI 逐层验证**（writing-guide.md 自检清单，每项必须通过）： +**5.2 质量验证**（两个维度，每项逐一检查）： -| 层级 | 检查项 | 标准 | 规则 | -|------|--------|------|------| -| 统计 | 句长方差 | 最短与最长句相差 ≥ 30 字 | 1.1 | -| 统计 | 词汇温度 | 任意 500 字 ≥ 3 种温度 | 1.2 | -| 统计 | 段落节奏 | 无连续 2 个相近长度段落 | 1.3 | -| 统计 | 情绪极性 | 负面情绪 ≥ 2 处，无平铺直叙 | 1.4 | -| 统计 | 副词密度 | 无连续两句以副词开头 | 1.5 | -| 统计 | 风格漂移 | 不同 H2 语气/正式度有差异 | 1.6 | -| 语言 | 禁用词 | 命中数 = 0 | 2.1 | -| 语言 | 破句 | ≥ 3 处 | 2.2 | -| 语言 | 意外用词 | ≥ 1 处非常规但说得通的表达 | 2.3 | -| 语言 | 连贯性 | ≥ 1 处跑题再拉回 | 2.4 | -| 内容 | 真实锚定 | 每个 H2 ≥ 1 条真实素材，零编造 | 3.1 | -| 内容 | 具体性 | 每 500 字 ≥ 2 处具体细节 | 3.2 | -| 内容 | 密度波浪 | 高密度段后跟低密度段 | 3.3 | -| 内容 | 维度贯穿 | 激活维度全文可见 | 3.4 | +**A. 写作质量**（writing-guide.md 基础规则）： + +| 检查项 | 标准 | 规则 | +|--------|------|------| +| 句长方差 | 最短与最长句相差 ≥ 30 字 | 1.1 | +| 词汇温度 | 任意 500 字 ≥ 3 种温度 | 1.2 | +| 段落节奏 | 无连续 2 个相近长度段落 | 1.3 | +| 情绪极性 | 负面情绪 ≥ 2 处，无平铺直叙 | 1.4 | +| 禁用词 | 命中数 = 0 | 2.1 | +| 真实锚定 | 每个 H2 ≥ 1 条真实素材，零编造 | 3.1 | +| 具体性 | 每 500 字 ≥ 2 处具体细节 | 3.2 | + +**B. 内容质量**（基于 Step 3.2 的增强策略检查）： + +| 检查项 | 标准 | 适用框架 | +|--------|------|---------| +| 增强贯穿 | 增强策略的核心输出（角度/密度/细节/体感）在全文可见，不只出现在一段 | 所有 | +| 开头钩子 | 前 3 句能制造悬念、冲突或好奇心（不是背景铺垫） | 所有 | +| 金句密度 | 至少 1 处可独立截图转发的句子 | 所有 | +| 操作密度 | 每个 H2 有可操作要点（工具/步骤/参数） | 痛点/清单 | +| 角度锐度 | 核心观点能引发同意或反对，不是"两面都有道理" | 热点解读/纯观点 | +| 场景感 | 至少 2 处有时间/地点/对话等画面细节 | 故事/复盘 | +| 真实声音 | 至少 1 处引用真实用户评价或体验 | 对比 | 不通过 → **定向修复**：只替换不达标的具体句子/段落，不动已通过的部分。每轮最多改 3 处，改完立即重新检查该项。2 轮仍不过 → 标注跳过，继续下一项。 -**5.3 脚本验证**（补充逐项检查）： +**5.3 脚本辅助验证**（补充 5.2 的逐项检查）： -Agent 在 5.2 逐项检查时同步完成 Tier 3 评估（风格漂移、密度波浪、连贯性打破、整体人感），产出 0-1 分数。 +Agent 在 5.2 检查过程中同步完成综合评估（各 H2 之间的语气差异度、信息密度的高低交替、段落间的节奏变化、整体阅读流畅度），产出 0-1 分数。 ```bash python3 {baseDir}/scripts/humanness_score.py {article_path} --json --tier3 {agent_tier3_score} ``` -解读 JSON 中 `composite_score`： +解读 JSON 中 `composite_score`（0=质量高, 100=问题多）： - < 30 → 通过，继续 Step 6 - 30-50 → 查看 `param_scores` 中最低分的 1-2 项，只修复对应的具体句子（不重写整段），改完重新打分。1 轮即可 - \> 50 → 取 `param_scores` 最低的 2-3 项，逐项定向修复（每项只改最相关的 1-2 处），最多 2 轮。仍 > 50 则标记 DONE_WITH_CONCERNS 继续 @@ -385,14 +420,16 @@ python3 {baseDir}/toolkit/cli.py preview {markdown} --theme {theme} --no-open -o title: "{标题}" topic_source: "热点抓取" # 或 "用户指定" topic_keywords: ["{词1}", "{词2}"] + output_file: "{output 文件路径}" # e.g. output/2026-03-31-zhangxue-slow-accumulation.md framework: "{框架}" + enhance_strategy: "{增强策略}" # angle_discovery/density_boost/detail_anchoring/real_feel word_count: {字数} media_id: "{id}" # 降级时 null writing_persona: "{人格名}" dimensions: - "{维度}: {选项}" closing_type: "{收尾类型}" # trailing_off/unanswered/scene_revert/abrupt_stop/anti_conclusion/image - composite_score: {Step 5.3 的 composite_score} # 0=人类, 100=AI + composite_score: {Step 5.3 的 composite_score} # 0=质量高, 100=问题多 writing_config_snapshot: # 本次使用的关键参数（从 writing-config.yaml 提取） sentence_variance: {值} paragraph_rhythm: "{值}" @@ -408,8 +445,7 @@ python3 {baseDir}/toolkit/cli.py preview {markdown} --theme {theme} --no-open -o **8.2 回复用户**： - 最终标题 + 2 备选 + 摘要 + 5 标签 + media_id -- 编辑建议："文章有 2-3 个编辑锚点，建议花 3-5 分钟加入你自己的话，效果更好。" -- 飞轮提示："编辑完成后说**'学习我的修改'**，下次初稿会更接近你的风格。" +- 编辑建议："文章有 2-3 个编辑锚点，建议加入你自己的话。你可以在本地 markdown 里改，也可以直接在微信草稿箱改——改完后说**'学习我的修改'**，WeWrite 都能学到你的风格。" **8.3 后续操作**： @@ -422,10 +458,9 @@ python3 {baseDir}/toolkit/cli.py preview {markdown} --theme {theme} --no-open -o | 看看有什么主题 | `python3 {baseDir}/toolkit/cli.py gallery` | | 换成 XX 主题 | 重新渲染 | | 看看文章数据 | `读取: {baseDir}/references/effect-review.md` | -| 学习我的修改 | `读取: {baseDir}/references/learn-edits.md` | +| 学习我的修改 | `读取: {baseDir}/references/learn-edits.md`。支持本地 markdown 修改和微信草稿箱同步（`--from-wechat`） | | 做一个小绿书/图片帖 | `python3 {baseDir}/toolkit/cli.py image-post img1.jpg img2.jpg -t "标题"` | -| 诊断配置 / 检查反AI / 为什么AI检测没过 | `python3 {baseDir}/scripts/diagnose.py --json` + LLM 交叉分析 | -| 优化写作参数 / 优化参数 | 迭代循环：写测试短文 → 打分 → 调参（见辅助功能） | +| 检查一下 / 自检 / 这篇文章怎么样 | 生成报告（生成档案 + 质量检查，见辅助功能） | | 导入范文 / 建范文库 | `python3 {baseDir}/scripts/extract_exemplar.py article.md` | | 查看范文库 | `python3 {baseDir}/scripts/extract_exemplar.py --list` | diff --git a/dist/openclaw/VERSION b/dist/openclaw/VERSION index 31e5c84..d0149fe 100644 --- a/dist/openclaw/VERSION +++ b/dist/openclaw/VERSION @@ -1 +1 @@ -1.3.3 +1.3.4 diff --git a/dist/openclaw/scripts/learn_edits.py b/dist/openclaw/scripts/learn_edits.py index 1b6ac67..543c0b6 100644 --- a/dist/openclaw/scripts/learn_edits.py +++ b/dist/openclaw/scripts/learn_edits.py @@ -16,7 +16,8 @@ The Agent uses this to write structured playbook.md rules. Usage: python3 learn_edits.py --draft path/to/draft.md --final path/to/final.md - python3 learn_edits.py --summarize # all lessons with confidence + python3 learn_edits.py --from-wechat # auto-sync from WeChat draft box + python3 learn_edits.py --summarize # all lessons with confidence python3 learn_edits.py --summarize --json # JSON output for agent """ @@ -48,6 +49,123 @@ def load_text(path: str) -> str: return Path(path).read_text(encoding="utf-8") +def markdown_to_plaintext(md: str) -> str: + """Strip markdown formatting to plain text for diff comparison.""" + text = md + # Remove HTML comments (editing anchors etc.) + text = re.sub(r"", "", text, flags=re.DOTALL) + # Remove markdown headers markers + text = re.sub(r"^#{1,6}\s+", "", text, flags=re.MULTILINE) + # Remove bold/italic markers + text = re.sub(r"\*{1,3}(.*?)\*{1,3}", r"\1", text) + # Remove inline code + text = re.sub(r"`([^`]+)`", r"\1", text) + # Remove link syntax [text](url) → text + text = re.sub(r"\[([^\]]+)\]\([^)]+\)", r"\1", text) + # Remove image syntax + text = re.sub(r"!\[([^\]]*)\]\([^)]+\)", r"\1", text) + # Collapse whitespace + text = re.sub(r"[ \t]+", " ", text) + text = re.sub(r"\n{3,}", "\n\n", text) + return text.strip() + + +def fetch_wechat_draft() -> tuple[str, str, str]: + """ + Fetch the latest draft from WeChat and find the corresponding local file. + Returns (draft_plaintext, final_plaintext, draft_path). + """ + # Load config + config_path = SKILL_DIR / "config.yaml" + if not config_path.exists(): + raise FileNotFoundError("config.yaml not found — need WeChat API credentials") + + with open(config_path) as f: + config = yaml.safe_load(f) + + wechat = config.get("wechat", {}) + appid = wechat.get("appid", "") + secret = wechat.get("secret", "") + if not appid or not secret: + raise ValueError("config.yaml missing wechat.appid or wechat.secret") + + # Load history to find latest article with media_id + history_path = SKILL_DIR / "history.yaml" + if not history_path.exists(): + raise FileNotFoundError("history.yaml not found — no articles to compare") + + with open(history_path) as f: + history = yaml.safe_load(f) or [] + + # Find most recent article with media_id + latest = None + for article in reversed(history): + if article.get("media_id"): + latest = article + break + + if not latest: + raise ValueError("No article with media_id found in history.yaml") + + media_id = latest["media_id"] + title = latest.get("title", "") + + # Find the local draft file + # Priority: output_file field → title slug match → largest file + date = latest.get("date", "") + output_dir = SKILL_DIR / "output" + draft_path = None + + # First try: exact path from history + output_file = latest.get("output_file", "") + if output_file: + candidate = SKILL_DIR / output_file if not Path(output_file).is_absolute() else Path(output_file) + if candidate.exists(): + draft_path = candidate + + if not draft_path and date: + candidates = sorted(output_dir.glob(f"{date}-*.md")) + if len(candidates) == 1: + draft_path = candidates[0] + elif len(candidates) > 1: + # Multiple files on same date — try to match by title keywords + title_lower = title.lower() + for c in candidates: + slug = c.stem.replace(date + "-", "").replace("-", " ") + # Check if slug words appear in title + if any(w in title_lower for w in slug.split() if len(w) > 1): + draft_path = c + break + if not draft_path: + # Fallback: use the largest file (likely the final version) + draft_path = max(candidates, key=lambda p: p.stat().st_size) + + if not draft_path or not draft_path.exists(): + raise FileNotFoundError( + f"Cannot find local draft for '{title}' (date={date}) in output/" + ) + + # Get access token and fetch draft from WeChat + sys.path.insert(0, str(SKILL_DIR / "toolkit")) + from wechat_api import get_access_token + from publisher import get_draft, html_to_plaintext + + token = get_access_token(appid, secret) + html = get_draft(token, media_id) + wechat_text = html_to_plaintext(html) + + # Convert local draft to plaintext + local_md = load_text(str(draft_path)) + local_text = markdown_to_plaintext(local_md) + + print(f"本地文件: {draft_path}") + print(f"微信草稿: media_id={media_id}") + print(f"文章标题: {title}") + print(f"本地字数: {len(local_text)}, 微信字数: {len(wechat_text)}") + + return local_text, wechat_text, str(draft_path) + + def split_sections(text: str) -> list[dict]: """Split markdown into sections by H2 headers.""" sections = [] @@ -276,6 +394,8 @@ def main(): parser = argparse.ArgumentParser(description="Learn from human edits") parser.add_argument("--draft", help="Path to AI draft") parser.add_argument("--final", help="Path to human-edited final") + parser.add_argument("--from-wechat", action="store_true", + help="Auto-fetch edited version from WeChat draft box") parser.add_argument("--summarize", action="store_true", help="Summarize all lessons") parser.add_argument("--json", action="store_true", help="JSON output (with --summarize)") args = parser.parse_args() @@ -284,8 +404,22 @@ def main(): summarize_lessons(as_json=args.json) return + if args.from_wechat: + local_text, wechat_text, draft_path = fetch_wechat_draft() + if local_text == wechat_text: + print("\n微信草稿与本地文件内容一致，没有修改。") + return + diff_result = compute_diff(local_text, wechat_text) + # Save with special marker for wechat source + lesson_file = save_lesson(diff_result, draft_path, f"wechat:{draft_path}") + print(f"\nLesson saved to: {lesson_file}") + print(f"\n检测到 {diff_result['lines_added']} 处新增, {diff_result['lines_deleted']} 处删除") + print(f"字数变化: {diff_result['char_diff']:+d}") + print(f"\nAgent 接下来读取 {draft_path} 和微信草稿内容，分析修改模式并写入 {lesson_file}") + return + if not args.draft or not args.final: - print("Error: --draft and --final required", file=sys.stderr) + print("Error: --draft and --final required (or use --from-wechat)", file=sys.stderr) sys.exit(1) draft = load_text(args.draft) diff --git a/dist/openclaw/toolkit/publisher.py b/dist/openclaw/toolkit/publisher.py index 28fc596..6248950 100644 --- a/dist/openclaw/toolkit/publisher.py +++ b/dist/openclaw/toolkit/publisher.py @@ -68,6 +68,50 @@ def create_draft( return DraftResult(media_id=data["media_id"]) +def get_draft(access_token: str, media_id: str) -> str: + """ + Get draft content from WeChat by media_id. + API: POST https://api.weixin.qq.com/cgi-bin/draft/get + Returns the HTML content of the first article. + """ + resp = requests.post( + "https://api.weixin.qq.com/cgi-bin/draft/get", + params={"access_token": access_token}, + json={"media_id": media_id}, + ) + resp.encoding = "utf-8" + data = resp.json() + + errcode = data.get("errcode", 0) + if errcode != 0: + errmsg = data.get("errmsg", "unknown error") + raise ValueError(f"WeChat get_draft error: errcode={errcode}, errmsg={errmsg}") + + articles = data.get("news_item", []) + if not articles: + raise ValueError(f"WeChat get_draft: no articles in draft {media_id}") + + return articles[0].get("content", "") + + +def html_to_plaintext(html: str) -> str: + """Extract plain text from WeChat HTML, stripping all tags and styles.""" + import re + # Remove script/style blocks + text = re.sub(r"<(script|style)[^>]*>.*?", "", html, flags=re.DOTALL | re.IGNORECASE) + # Replace block-level tags with newlines + text = re.sub(r"<(br|p|div|section|h[1-6])[^>]*>", "\n", text, flags=re.IGNORECASE) + # Remove all remaining tags + text = re.sub(r"<[^>]+>", "", text) + # Decode HTML entities + import html as html_module + text = html_module.unescape(text) + # Collapse whitespace + text = re.sub(r"[ \t]+", " ", text) + text = re.sub(r"\n{3,}", "\n\n", text) + return text.strip() + + def create_image_post( access_token: str, title: str,