WeRead Reading Recommender

Overview

This is a local-first skill for exporting 微信读书 (WeRead) records from a cookie stored on the user's machine, normalizing those records into a recommendation-friendly JSON file, and using that data to analyze reading preferences or recommend what to read next.

Use this skill when the user wants to:

- 根据微信读书记录推荐书
分析自己的阅读偏好或阅读画像
结合“最近想学的主题”与微信读书历史一起做推荐
导出、刷新、归一化本地微信读书数据

Trigger Cases

Activate this skill for requests like:

- “根据我的微信读书记录推荐书”
“分析我的阅读偏好”
“我最近想系统学 AI Agent，结合微信读书记录推荐 5 本书”
“帮我导出 / 刷新 / 归一化微信读书数据”
“基于我的阅读历史，推荐下一本最适合现在读的书”
“分析我的阅读偏好，并给我 3 本稳妥推荐 + 2 本探索推荐”

Workflow

Follow this sequence:

1. Check whether a normalized JSON file already exists.
If normalized data is missing, or the user explicitly wants fresh data, check whether a local WeRead cookie is already available.
Look for a local cookie source in this order:

- a cookie file path explicitly provided by the user - WEREAD_COOKIE - another env var name passed through --env-var

4. If no local cookie source exists, ask the user to set one locally and stop there. Do not tell the user to edit SKILL.md.
If a local cookie source exists, run the export script.
Run the normalize script on the raw export.
Read the normalized JSON and identify strong signals:

- high-engagement books - recent books - unfinished books with momentum - repeated categories or lists

8. If the user provides a current goal, weight goal fit first.
If the user does not provide a goal, produce a reading-profile summary plus safe and exploratory recommendations.

Recommendation Guidance

When the user provides a current goal, weight approximately:

- 60% goal fit
40% history fit

When the user provides no goal, weight approximately:

- 70% history fit
20% recency
10% exploration/diversity

For each recommendation, explain:

- why it fits the user's current goal or history
which past books it resembles
what gap it fills
whether it is a safe pick or an exploration pick
whether it is a good fit right now

Suggested response structure:

- 阅读画像 / Reading profile
推荐结果 / Recommendations
为什么适合现在 / Why now
暂缓推荐 / Skip for now (optional)

Local Data Workflow

1. Check local cookie availability first

Before asking the user to set anything, first check whether a local cookie is already available through:

- a cookie file path the user provided
INLINECODE3
another env var name passed through INLINECODE4

If none of these exist, ask the user to set the cookie locally, then continue.

2. Export raw WeRead data

If a local cookie is already available, export directly:

CODEBLOCK0

Optional variants:

CODEBLOCK1

If the user does need to set one manually, keep it local. For example:

CODEBLOCK2

3. Normalize the raw export

CODEBLOCK3

4. Use the normalized file for recommendation turns

After normalization, this skill should reason primarily from the normalized JSON, not from a live cookie session, unless the user explicitly asks for a refresh.

Security Boundary

This skill is local-first. Enforce these rules:

- Cookie is for local use only.
Never write the cookie into SKILL.md, scripts, assets, logs, or exported JSON.
Never echo the cookie back in responses.
Prefer checking existing local cookie sources before asking the user to set one again.
Do not rely on CookieCloud or any third-party cookie sync service by default.
Do not suggest remote cookie hosting as the normal path.
Recommendation work should use the normalized JSON whenever possible.

Files

Use these project files as the main references:

- INLINECODE6
INLINECODE7
INLINECODE8
INLINECODE9
INLINECODE10
INLINECODE11
INLINECODE12

Example Requests

- 结合我的微信读书记录，我最近想系统学 AI Agent，推荐 5 本书
基于我的阅读历史，推荐下一本最适合现在读的书
分析我的阅读偏好，并给我 3 本稳妥推荐 + 2 本探索推荐
帮我刷新微信读书数据，然后按最近在读主题推荐下一批书

WeRead 阅读推荐器

概述

这是一个本地优先的技能，用于从用户机器上存储的 cookie 中导出微信读书 (WeRead) 记录，将这些记录归一化为便于推荐的 JSON 文件，并利用这些数据分析阅读偏好或推荐下一步阅读内容。

当用户想要以下操作时使用此技能：

- 根据微信读书记录推荐书籍
分析自己的阅读偏好或阅读画像
结合最近想学的主题与微信读书历史一起做推荐
导出、刷新、归一化本地微信读书数据

触发场景

针对以下请求激活此技能：

- 根据我的微信读书记录推荐书
分析我的阅读偏好
我最近想系统学 AI Agent，结合微信读书记录推荐 5 本书
帮我导出 / 刷新 / 归一化微信读书数据
基于我的阅读历史，推荐下一本最适合现在读的书
分析我的阅读偏好，并给我 3 本稳妥推荐 + 2 本探索推荐

工作流程

按以下顺序执行：

1. 检查归一化 JSON 文件是否已存在。
如果归一化数据缺失，或用户明确要求获取新数据，检查本地 WeRead cookie 是否可用。
按以下顺序查找本地 cookie 来源：

- 用户明确提供的 cookie 文件路径 - WEREAD_COOKIE - 通过 --env-var 传入的其他环境变量名

4. 如果没有本地 cookie 来源，要求用户在本地设置一个并停止。不要告诉用户编辑 SKILL.md。
如果存在本地 cookie 来源，运行导出脚本。
对原始导出数据运行归一化脚本。
读取归一化 JSON 并识别强信号：

- 高参与度书籍 - 近期阅读书籍 - 有阅读动力的未完成书籍 - 重复出现的类别或书单

8. 如果用户提供了当前目标，优先考虑目标匹配度。
如果用户未提供目标，生成阅读画像摘要以及稳妥推荐和探索推荐。

本地数据工作流程

1. 首先检查本地 cookie 可用性

在要求用户设置任何内容之前，先检查本地 cookie 是否已通过以下方式可用：

- 用户提供的 cookie 文件路径
WEREAD_COOKIE
通过 --env-var 传入的其他环境变量名

如果这些都不存在，要求用户在本地设置 cookie，然后继续。

2. 导出原始 WeRead 数据

如果本地 cookie 已可用，直接导出：

bash
python3 scripts/export_weread.py --out data/weread-raw.json

可选变体：

bash
python3 scripts/export_weread.py --cookie-file ~/.config/weread.cookie --out data/weread-raw.json
python3 scripts/exportweread.py --env-var WEREADCOOKIE --include-book-info --detail-limit 50 --out data/weread-raw.json

如果用户确实需要手动设置，请保持本地化。例如：

bash
export WEREADCOOKIE=wrskey=...; wr_vid=...; ...

3. 归一化原始导出数据

bash
python3 scripts/normalize_weread.py --input data/weread-raw.json --output data/weread-normalized.json

4. 使用归一化文件进行推荐轮次

归一化后，此技能应主要基于归一化 JSON 进行推理，而不是基于实时 cookie 会话，除非用户明确要求刷新。

安全边界

此技能是本地优先的。强制执行以下规则：

- Cookie 仅供本地使用。
切勿将 cookie 写入 SKILL.md、脚本、资源文件、日志或导出的 JSON 中。
切勿在回复中回显 cookie。
在要求用户再次设置 cookie 之前，优先检查现有的本地 cookie 来源。
默认不依赖 CookieCloud 或任何第三方 cookie 同步服务。
不建议将远程 cookie 托管作为常规路径。
推荐工作应尽可能使用归一化 JSON。

文件

使用以下项目文件作为主要参考：

- scripts/exportweread.py
scripts/normalizeweread.py
references/data-schema.md
references/privacy-model.md
references/recommendation-rubric.md
assets/sample-weread-raw.json
assets/sample-weread-normalized.json

示例请求

- 结合我的微信读书记录，我最近想系统学 AI Agent，推荐 5 本书
基于我的阅读历史，推荐下一本最适合现在读的书
分析我的阅读偏好，并给我 3 本稳妥推荐 + 2 本探索推荐
帮我刷新微信读书数据，然后按最近在读主题推荐下一批书

weread-reading-recommender微信读书推荐