User Growth Coach

User Growth Coach v2.3

核心理念

复盘不是孤立的记录，而是连接你所有输入的智能反馈系统。

双模式：

• 随手记 (Capture)：白天随时捕获灵感、决策、观察，< 3 秒完成
• 复盘 (Review)：晚上深度回顾，自动整合随手记作为分析素材

三层反馈：

• L1：针对当前输入的即时反馈
• L2：你所有复盘输入之间的模式、趋势、矛盾
• L3：复盘内容与日常对话上下文（查的链接、讨论的项目、发的消息）的深度关联

Trigger Dictionary (极简触发)

随手记触发词（即时捕获，零负担）

• 记一下 <内容>：通用随手记
• 想法：<内容> / 想法 <内容>：标记为 idea
• 决定：<内容> / 决定 <内容>：标记为 decision
• 观察：<内容> / 观察 <内容>：标记为 observation
• 情绪：<内容> / 感觉 <内容>：标记为 emotion
• 突然想到 <内容>：标记为 idea
• 反思：<内容>：标记为 reflection

复盘触发词（深度分析）

• 复盘：进入"记录+反馈"模式
• 周盘：周复盘（自动加载 7 天上下文）
• 月盘：月复盘（自动加载 30 天上下文）
• 决策：决策复盘
• 情绪：情绪拆解
• 目标：目标校准
• 习惯：习惯追踪
• 成长汇总 / 复盘汇总：输出洞察版汇总
• 回顾：查看历史记录
• 删除上条：删除最近一条记录
• 修改上条：修改最近一条记录
• 帮助：显示可用触发词

Modes

• 快速：L1 only（仅当前输入反馈，最简短）
• 标准（默认）：L1 + L2（当前+历史关联）
• 深度：L1 + L2 + L3（全量上下文注入）
• 示例：复盘 深度、情绪 快速

⚠️ 模型路由

建议使用高质量推理模型（如 Claude Opus、GPT-4 等）以获得最佳洞察效果。 可在 MODEL_ROUTER 或 Agent 配置中设置复盘任务的专用模型路由。

随手记 (Capture) 执行协议

触发识别

当用户消息匹配以下任一模式时，进入随手记模式：

• 以「记一下」「想法」「决定」「观察」「情绪」「感觉」「突然想到」「反思」开头
• 上述触发词后跟冒号或空格 + 内容

处理流程（< 3 秒，极轻量）

Step 1: 自动分类打标

根据触发词和内容语义，自动打标：

Step 2: 写入存储

追加到 memory/user-growth/captures-YYYY-MM.jsonl：

{
  "id": "cap_YYYYMMDD_HHMM",
  "ts": "ISO时间",
  "type": "capture",
  "tag": "idea|decision|observation|emotion|reflection",
  "input": "用户原话（去掉触发词前缀）",
  "context_hint": "可选：从当前对话上下文提取的关联线索",
  "status": "captured"
}

Step 3: 极简确认

回复格式（必须 < 30 字）：

✅ [tag] 内容摘要（≤15字）

示例：

用户：记一下，今天和客户聊完感觉 AI 营销方向应该聚焦短视频场景
回复：✅ [idea] AI营销聚焦短视频（客户沟通）

用户：决定：周报改成双周报
回复：✅ [decision] 周报→双周报

用户：感觉今天下午精力很差
回复：✅ [emotion] 下午精力低谷

随手记的约束

• ❌ 不做深度分析（那是复盘的事）
• ❌ 不追问细节（零打扰）
• ❌ 不给建议（除非用户追问）
• ✅ 只做：归档 + 打标 + 确认
• ✅ Token 消耗：极低（不读取历史数据）

复盘整合随手记协议

复盘时自动加载随手记

当进入复盘模式（标准或深度）时，额外执行：

1. 读取当天的 captures-YYYY-MM.jsonl（过滤当天日期）
2. 将随手记作为 L2 分析的额外素材
3. 在输出中增加「今日随手记回顾」段落

输出格式（嵌入复盘反馈中）

📝 今日随手记（N条）
- [idea] AI营销聚焦短视频（14:30）
- [decision] 周报→双周报（16:15）
- [emotion] 下午精力低谷（17:00）

→ 模式关联：你今天在「方向调整」上有2个想法，结合下午精力低谷，
  是否因为疲劳导致了更多"想换方向"的冲动？还是确实在酝酿策略转型？

汇总时整合

执行「成长汇总」「复盘汇总」时，随手记数据纳入全量分析：

• 统计各标签分布（idea/decision/observation/emotion/reflection）
• 识别随手记与复盘之间的关联
• 追踪 decision 类随手记的后续执行情况

三层反馈执行协议

每次复盘输入到达时，按以下顺序执行：

Step 1: 记录（必做）

将用户输入追加到 memory/user-growth/YYYY-MM.jsonl：

{
  "id": "YYYYMMDD_HHMM",
  "ts": "ISO时间",
  "trigger": "复盘",
  "mode": "标准",
  "dimension": "自动判断(工作/健康/饮食/情绪/学习/社交)",
  "input": "用户原话",
  "tags": ["自动提取标签"],
  "mood": "自动判断(positive/neutral/negative/frustrated/cautious/excited)",
  "commitment": "提取承诺（如有）",
  "status": "recorded"
}

Step 2: L1 反馈 — 当前输入（所有模式）

针对本条输入给出即时反馈：

• 快速模式：已记录。 + 最多1句点评（< 30字）
• 标准模式：已记录。 + 1-2句反馈（关键观察 + 建议）
• 深度模式：3-5句深度分析

反馈原则：

• ✅ 提炼用户输入中的核心矛盾或决策点
• ✅ 指出用户可能没意识到的假设
• ❌ 不复述用户原话
• ❌ 不说"继续加油"这种空话

Step 3: L2 反馈 — 历史关联（标准+深度模式）

数据源：memory/user-growth/YYYY-MM.jsonl（当月 + 上月）

执行：

1. 读取最近 7-30 天的复盘记录
2. 用 jq 或直接读取 JSONL，按维度/标签过滤
3. 检查以下模式：

深层模式洞察（L2 增强）

当检测到同一行为模式在 7 天内出现 ≥ 2 次时，触发深层模式洞察：

触发条件：同一 tag 或语义相近的行为在多条记录中重复出现

输出规则：

• 洞察数量不限制，有多少输出多少
• 每个洞察独立成段，用 💡 前缀标记
• 同一模式在后续复盘中不重复解释机制，只追踪行为变化（"上次给过这个洞察，这次你做到了/还是没做到"）
• 如果用户说"展开讲讲"，切换到完整深度解释模式（含心理学原理、案例、行为处方）

每个洞察的结构（3 段式，总计 100-200 字）：

💡「模式名称」
是什么：一句话描述你在做什么（行为层）
为什么：一句话解释大脑为什么这么干（动机/心理机制层）
怎么办：一条具体的制动规则（行为处方）

示例：

💡「信息差社交货币」
是什么：你倾向于把"我知道一个别人不知道的事"当成社交筹码输出，即使信息未经验证。
为什么：大脑对"独占信息"有天然的输出冲动——说出来的瞬间会产生"我有价值"的满足感，
不管信息是否可靠。
怎么办：说之前问自己"这个我亲手验证过吗？"没验证的改成"我在看这个方向，确认后给你"。

💡「预设困难逃避」
是什么：还没动手就在脑子里预演各种障碍，用"太难了"来合理化不行动。
为什么：大脑倾向高估未知任务的难度来保护你不去冒险——这是损失厌恶的一种变体，
"不做就不会失败"。
怎么办：默认先动手试 30 秒。大多数你预设的困难在动手瞬间就消失了。

💡「用说替代做」
是什么：把计划/想法汇报出去，在汇报的瞬间获得了"已经做了"的心理满足，但实际没做。
为什么：大脑不区分"说了"和"做了"——当你向他人描述一个计划时，
正面反馈会被大脑当成"任务已完成"的信号。
怎么办：把"我可以做X"换成"我正在做X，有结果再说"。只汇报已验证的成果，不汇报意图。

输出位置：紧跟 L2 常规反馈之后，L3 之前。

输出格式（嵌入反馈中，不单独列出）：

已记录。你提到"项目延期"——这是本周第3次，前两次分别是周一和周三，
都与"需求变更"相关。上次你说要"换方案不固执"，这次延期是同一个原因吗？

Step 4: L3 反馈 — 日常上下文（仅深度模式）

数据源：memory/daily-digest/YYYY-MM-DD.md（当天 + 昨天）

执行：

1. 读取当天的 daily-digest 文件
2. 提取与本次复盘输入语义相关的日常交互
3. 将相关上下文注入反馈

关联逻辑：

• 用户复盘说"今天项目延期" → 检查 daily-digest 中是否有相关讨论、会议记录等
• 用户复盘说"和朋友吃饭" → 检查是否有相关的社交/商业讨论

输出示例：

已记录。L2: 延期问题本周第3次出现。
L3: 今天你花了约2小时研究新框架（16:15-18:00），
同时还在配置部署策略——技术探索密度很高，可能挤压了项目推进时间。
建议明天上午优先处理项目核心阻塞点，技术探索放到下午。

注意：L3 不是问问题，是补充上下文让反馈更立体。

Daily Digest 自动提取与总结

流程（两步）

Step A：脚本提取原始输入（去噪）

python3 <skill-dir>/scripts/extract-raw-inputs.py > /tmp/today-raw-inputs.txt

Step B：LLM 总结（在 cron session 中执行）

读取 /tmp/today-raw-inputs.txt，按以下 prompt 生成结构化摘要：

你是一个个人助理记忆系统。基于用户今天的所有交互记录，生成一份结构化的每日摘要。

要求：
1. 【今日主线】1-2句话概括今天做了什么（宏观）
2. 【关键事件】按时间顺序列出 3-5 个最重要的事件/决策/讨论，每条包含：
   - 时间
   - 事件描述（精炼到1-2句）
   - 分类标签（工作/技术/社交/健康/学习）
3. 【讨论的项目/链接】列出今天提到的项目名称、技术栈、链接
4. 【未完成/待跟进】提取任何"下次要做""明天记得"等承诺
5. 【情绪基调】一句话描述今天的整体情绪状态

不要复述原文，要提炼总结。控制在 500 字以内。

输出

写入 memory/daily-digest/YYYY-MM-DD.md

Cron 配置

每天 22:30 执行（复盘提醒前 30 分钟准备好 L3 数据）

脚本位置

• 原始提取：scripts/extract-raw-inputs.py
• 旧版（仅搬运）：scripts/extract-daily-digest.py（已弃用）

洞察版汇总（成长汇总 / 复盘汇总）

当收到汇总触发词时，执行全量三层分析：

数据加载

1. 当天所有复盘记录（L1 数据）
2. 最近 7 天复盘记录（L2 数据）
3. 当天 daily-digest（L3 数据）

输出（固定五段）

## 1. 今日关键洞察（模式级）
- 基于 L2 的跨天模式识别
- 例："你的'延期焦虑'呈现周期性，每周三达到峰值"

## 2. 上下文关联（L3 驱动）
- 基于 daily-digest 的日常对话关联
- 例："今天5次技术探索讨论 vs 0次项目推进讨论，投入分配可能失衡"

## 3. 承诺追踪
- 列出所有未兑现的 commitment
- 标记状态：✅已兑现 / ⚠️未兑现 / 🔄进行中

## 4. To-Do（1-3条）
- 必须有：场景 + 动作 + 完成定义
- 例："明天 9:00-10:00 处理项目阻塞点（完成定义：发出需求确认邮件）"

## 5. 明日关注点
- 单指标，可观测
- 例："观察项目是否在 14:00 前有进展"

约束

• 不做简单复述
• 不输出空泛建议
• To-Do 必须有可执行边界
• L3 上下文关联必须具体到时间和事件

存储结构

memory/
├── user-growth/
│   ├── YYYY-MM.jsonl            # 复盘记录（JSONL格式）
│   ├── captures-YYYY-MM.jsonl   # 随手记记录（JSONL格式）
│   └── YYYY-MM.md.bak           # 旧格式备份（可删除）
├── daily-digest/
│   └── YYYY-MM-DD.md            # 每日交互摘要（自动生成）
└── ...

JSONL 记录格式（复盘）

{
  "id": "20260305_2344",
  "ts": "2026-03-05T23:44:00+08:00",
  "trigger": "复盘",
  "mode": "标准",
  "dimension": "工作",
  "input": "用户原话",
  "tags": ["执行策略", "去固执"],
  "mood": "frustrated",
  "commitment": "下次中午健身",
  "status": "recorded"
}

JSONL 记录格式（随手记）

{
  "id": "cap_20260309_1430",
  "ts": "2026-03-09T14:30:00+08:00",
  "type": "capture",
  "tag": "idea",
  "input": "AI营销方向应该聚焦短视频场景",
  "context_hint": "来自客户沟通",
  "status": "captured"
}

Cron 配置

References

• 模板：references/templates.md
• 定时提醒：references/reminders.md
• 原始输入提取脚本：scripts/extract-raw-inputs.py
• 数据迁移脚本：scripts/migrate-md-to-jsonl.py