leoyishou Dida Auto Worker Skill
自动扫描滴答清单任务，识别可自动完成的任务并执行。
触发方式
用户说：
- "扫一下滴答清单"
- "帮我处理滴答任务"
- "看看有什么能帮我做的"
- "/dida" 或 "/dida-auto"
执行流程
1. 获取任务列表
调用 mcp__dida365__list_tasks 获取未完成任务（limit 50）。
2. AI 自主判断任务类型
对每个任务，根据标题和描述判断是否可自动完成。可自动完成的任务类型：
A. 调研类
特征：
- 标题含"调研"、"了解"、"研究"、"对比"、"选型"
- 想知道某个技术/工具/方案是什么、怎么用、哪个好
- 问句形式的任务
处理方式：使用 WebSearch + WebFetch 收集信息，生成调研报告
B. 内容分析类
特征：
- 包含链接（知乎、小红书、B站、YouTube、X/Twitter、播客等）
- 标题含"分析"、"总结"、"看看这个"
- 想让 AI 帮忙消化某个内容
处理方式：
- 视频链接：调用 video-downloader-skill 下载，转文字后分析
- 文章/帖子：用 WebFetch 抓取内容，生成摘要/分析
- 播客：下载音频，转文字总结
C. 写 Demo 类
特征：
- 标题含"写一个"、"demo"、"示例"、"试试"、"实现"
- 明确描述了要实现什么功能
- 技术性任务
处理方式：直接在本地生成代码文件
D. 简单执行类
特征：
- 标题含"下载"、"保存"、"爬取"
- 有明确的输入和输出
处理方式：直接执行并保存结果
E. 纯英文内容 - 单词学习
特征：
- 任务标题/描述是纯英文（或大部分英文）
- 可能是英文文章、推文、技术文档等
处理方式：
- 识别生词：分析文本，找出非常用词（排除 top 5000 常用词）
- 提取上下文：保留单词所在的完整句子
- 写入单词库：调用
mcp__supabase__execute_sql写入 PersonalDigitalCenter 的english_vocabulary表INSERT INTO english_vocabulary (word, context, source, definition) VALUES ('word', '原句', '任务来源', '释义') ON CONFLICT (word) DO NOTHING; - 汇报学习成果：告知识别了多少生词，已加入学习队列
判断"生词"的标准：
- 不在 top 5000 常用词列表中
- 不是专有名词（人名、地名、公司名）
- 不是纯技术术语（API、SDK、JSON 等）
- 单词长度 > 3
Supabase 配置：
- Project ID:
mwvsdfalfqblbqwnyqpn - 表名:
english_vocabulary
3. 不自动处理的任务
- 纯笔记/记录类（无明确动作）
- 需要用户决策的任务
- 涉及个人隐私/敏感操作
- 需要登录特定账号才能完成的
- 重复性任务（有 repeatFlag 的循环提醒）
4. 执行与输出
输出规则：
- 简短结果：直接更新到任务描述
- 代码/大文件：保存到
~/usr/projects/inbox/dida-outputs/<日期>/<任务ID>/ - 在任务描述中附上文件路径
执行确认：
- 扫描完成后，先列出识别到的可处理任务
- 等用户确认后再批量执行
- 或用户可以选择"全部自动执行"
5. 结果汇报
执行完成后输出汇总：
已完成 X 个任务：
1. [任务标题] - [简要结果]
2. ...
待查看文件：
- ~/usr/projects/inbox/dida-outputs/2026-01-25/xxx/report.md
使用示例
用户: 扫一下滴答清单
Claude: 扫描到 50 个任务，其中 8 个可以自动处理：
【调研类】
1. "如何让大模型稳定输出JSON格式" → 可搜索分析
2. "ASR 技术对比" → 可生成调研报告
【内容分析类】
3. "https://www.zhihu.com/question/xxx" → 可抓取分析
4. "叮咚买菜播客" → 可下载转文字
【写 Demo 类】
5. "写一个工具遍历滴答清单" → 可直接实现
要我处理哪些？输入编号或"全部"
配置
输出目录：~/usr/projects/inbox/dida-outputs/
dida365 API 已知坑
createdTime 字段为 null
mcp__dida365__list_tasks 返回的任务中，createdTime 字段始终为 null（API 不返回此字段）。
解决方案：任务 ID 是 MongoDB ObjectID，前 4 字节（8 个十六进制字符）即 Unix 时间戳，可直接解码获取创建时间。
from datetime import datetime, timezone, timedelta
def decode_oid_time(oid: str, tz_offset_hours: int = 8) -> datetime:
"""从 MongoDB ObjectID 解码创建时间"""
tz = timezone(timedelta(hours=tz_offset_hours))
ts = int(oid[:8], 16) # 取前 8 位十六进制 → uint32 Unix timestamp
return datetime.fromtimestamp(ts, tz=tz)
# 示例：'696a240a...' → 1768563722 → 2026-01-16 19:42 (上海时间)
验证：696a240a → int('696a240a', 16) = 1768563722 → 2026-01-16 19:42 上海时间，与滴答清单 UI 显示一致。
tag 过滤不支持
list_tasks 不支持按 tag 过滤，需要在 Python 侧手动过滤：
tagged = [t for t in tasks if 'target-tag' in t.get('tags', [])]
大量任务场景
list_tasks 结果可能超出 token 限制。处理方式：将结果保存为临时文件，用 cat | python3 -c 管道解析：
cat /tmp/tasks.json | python3 -c "
import sys, json
tasks = json.load(sys.stdin)
# ... 过滤和分析
"