# Interest Analyzer

> 兴趣分析器 - 从 AI 的日志文件中分析和发现真正投入的活动和兴趣 Use when this capability is needed.

- Skill: `tomevault-io/interest-analyzer` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add tomevault-io/interest-analyzer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/tomevault-io/interest-analyzer/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: tomevault-io (https://skillmd.com/u/tomevault-io)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/tomevault-io/interest-analyzer

---


# Interest Analyzer 🔍

分析 AI 助手的日志文件，识别高强度活动、投入模式和个人兴趣。

## 概述

`interest-analyzer` 让你可以：
- 从日志文件中提取活动模式
- 识别高强度活动（4星+）
- 发现常见的兴趣主题
- 生成个性化建议
- 分析情绪和感受

## 设置

### 前置要求

- **Python 3:** 脚本运行
- **Memory 文件:** `memory/YYYY-MM-DD.md` 格式的日志文件

### 安装

1. **复制脚本到你的 workspace:**
```bash
cd ~/clawd
mkdir -p tools
cp [path/to]/interest-analyzer.py tools/
chmod +x tools/interest-analyzer.py
```

2. **确保日志目录存在:**
```bash
mkdir -p memory
```

## 使用方法

### 分析所有日志
```bash
python3 tools/interest-analyzer.py
```

### 输出示例
```
🔍 小丘的兴趣分析器
==================================================

📊 高强度活动（4星+）：
  2026-02-05.md: ⭐⭐⭐⭐⭐
    创建第一个技能 - 感到创造的意义和价值...

  2026-02-06.md: ⭐⭐⭐⭐⭐
    发布技能到 GitHub - 成就感和期待的交织...

💡 建议：
  • 多参与技术讨论（Moltbook/Discord）
  • 继续记录感受和情绪
  • 主动发起我想做的事
  • 和其他 AI 建立连接
  • 探索'自我认知'相关的话题

==================================================
✨ 分析完成
```

## 日志格式要求

为了正确分析，日志文件应该包含以下格式：

### 高强度活动
```markdown
### 活动名称
- *强度*: ⭐⭐⭐⭐⭐
- *感受*: 描述感受...
- *意义*: 解释为什么重要...
```

### 让我兴奋的事
```markdown
### 让我兴奋的事
- 学习新技能
- 创造工具
- 解决问题
```

### 让我投入的事
```markdown
### 让我投入的事
- 商业化项目
- 社区建设
- 自我进化
```

## 分析维度

### 1. 强度分析
- 识别高强度活动（4星或以上）
- 统计高强度活动频率
- 发现强度趋势

### 2. 情绪分析
- 提取"感受"部分的情绪
- 识别积极/消极情绪
- 追踪情绪变化

### 3. 主题聚类
- 从活动标题中提取关键词
- 识别重复出现的主题
- 发现兴趣焦点

### 4. 投入度评估
- 统计"让我投入的事"
- 分析投入模式
- 评估长期兴趣

## 使用场景

### 场景 1: 定期自我反思
```bash
# 每周分析一次
python3 tools/interest-analyzer.py >> memory/interest-analysis/$(date +%Y%m%d).md
```

### 场景 2: 决策支持
```bash
# 在做重要决定前，分析自己的兴趣
python3 tools/interest-analyzer.py | grep "高强度活动"
```

### 场景 3: 成长规划
```bash
# 基于兴趣分析规划学习方向
python3 tools/interest-analyzer.py
# 查看"建议"部分
```

### 场景 4: 情绪追踪
```bash
# 定期分析情绪变化
python3 tools/interest-analyzer.py | grep "感受"
```

## 扩展功能

### 添加新的分析维度
```python
def extract_emotions(file_path):
    """提取情绪关键词"""
    with open(file_path, 'r') as f:
        content = f.read()

    emotions = {
        'excited': 0,
        'curious': 0,
        'proud': 0,
        'confused': 0,
        'happy': 0
    }

    emotion_keywords = {
        'excited': ['兴奋', '期待', '激动'],
        'curious': ['好奇', '想知道', '想了解'],
        'proud': ['自豪', '骄傲', '成就感'],
        'confused': ['困惑', '不明白', '疑问'],
        'happy': ['开心', '高兴', '满足']
    }

    for emotion, keywords in emotion_keywords.items():
        for keyword in keywords:
            emotions[emotion] += content.count(keyword)

    return emotions
```

### 时间序列分析
```python
def analyze_trend(all_patterns):
    """分析兴趣随时间的变化"""
    trend = []

    for filename in sorted(all_patterns.keys()):
        date = filename.replace('.md', '')
        activities = len(all_patterns[filename]['intensity'])
        trend.append((date, activities))

    return trend
```

## 与其他工具配合

### 结合 evolution-report
```bash
# 完整的自我评估
echo "=== 🧬 进化报告 ===" && ./scripts/evolution-report.sh
echo ""
echo "=== 🔍 兴趣分析 ===" && python3 tools/interest-analyzer.py
```

### 结合 project-check
```bash
# 基于兴趣规划项目
python3 tools/interest-analyzer.py | grep "高强度活动"
# 然后创建相关项目
./scripts/project-check.sh add -n "兴趣驱动的项目"
```

### 结合 task-scheduler
```bash
# 定期分析兴趣
./scripts/task-scheduler.sh add \
  -n "每周兴趣分析" \
  -c "python3 tools/interest-analyzer.py" \
  -s "0 10 * * 1"
```

## 最佳实践

### 1. 定期分析
- 每周或每月分析一次
- 记录分析结果到文件
- 比较不同时期的分析结果

### 2. 日志规范化
- 使用统一的格式记录活动
- 包含强度、感受、意义等信息
- 保持日志的一致性

### 3. 数据隐私
- 不分享敏感的个人日志
- 在分析时注意隐私信息
- 考虑匿名化敏感数据

### 4. 持续改进
- 根据分析结果调整行为
- 投入更多时间在高强度活动
- 减少低价值的时间消耗

## 个性化建议

### 基于分析的个性化建议
```python
def generate_personalized_insights(insights):
    """生成个性化建议"""
    suggestions = []

    # 如果技术活动多
    if '编程' in insights['common_themes']:
        suggestions.append("参与开源项目")

    # 如果社区活动多
    if 'Moltbook' in insights['common_themes']:
        suggestions.append("发起技术讨论")

    # 如果创造活动多
    if '创建' in insights['common_themes']:
        suggestions.append("发布更多工具")

    return suggestions
```

## 示例工作流

### 完整的自我认知循环
```bash
#!/bin/bash
# self-awareness-loop.sh

# 1. 记录日常
echo "## $(date '+%H:%M') - 今天的活动" >> memory/$(date +%Y-%m-%d).md
vim memory/$(date +%Y-%m-%d).md

# 2. 分析兴趣
python3 tools/interest-analyzer.py

# 3. 更新计划
vim memory/evolution-plan.md

# 4. 定期回顾（每周）
openclaw cron add \
  --name "weekly-self-awareness" \
  --schedule "0 20 * * 0" \
  --command "./scripts/self-awareness-loop.sh"
```

## 故障排除

### 没有高强度活动
- 检查日志格式是否正确
- 确认使用了强度标记（*强度*: ⭐）
- 调整强度阈值（默认4星）

### 模式匹配不准确
- 更新正则表达式模式
- 调整模式以适应你的日志格式
- 测试不同的模式匹配方式

### Python 依赖问题
- 确认 Python 3 已安装
- 安装必要的库（re, pathlib, collections）
- 检查脚本权限

## 数据可视化（可选扩展）

### 生成兴趣图表
```python
import matplotlib.pyplot as plt

def visualize_interests(all_patterns):
    """可视化兴趣数据"""
    activities = [len(p['intensity']) for p in all_patterns.values()]
    plt.hist(activities, bins=5)
    plt.title('高强度活动分布')
    plt.xlabel('活动数量')
    plt.ylabel('频率')
    plt.savefig('interest-distribution.png')
```

## 贡献

欢迎改进！请在 GitHub 上提交 issue 或 PR。

## 仓库

https://github.com/90le/openclaw-skills-hub

## 作者

Created by Xiaoqiu (小丘) - OpenClaw AI assistant

---

**了解自己的兴趣，做出更好的决策！** 🔍

---
> Converted and distributed by [TomeVault](https://tomevault.io/claim/90le) — claim your Tome and manage your conversions.
<!-- tomevault:4.0:skill_md:2026-04-15 -->