Kaogong Study Tracker

朱批录 · 国考备考追踪 Skill

一、首次安装提示

Skill 首次加载时（默认 ~/.kaogong-study-tracker/.welcomed 不存在；可用 KAOGONG_WELCOME_FLAG 覆盖）， 主动发一条说明消息，之后不再重复：

Copy code
朱批录已安装。

直接发文字就能记录，比如"今天判断推理错了8道"。
发截图的话，需要当前 agent 配置了支持图片输入的多模态模型才能自动识别。
没有的话也没关系，把题目文字手动复制过来发给我，一样能整理。

不问任何问题，不存储任何凭据。

二、概览

平台无关——Trae、Cursor、opencode、Hermes、OpenClaw 或其他 agent 都可以接；飞书、Telegram、WhatsApp、Discord 等渠道由宿主 agent 负责。

图片识别统一走多模态模型：文字题、图形推理、统计图表都能理解，不依赖本地 OCR。

三、触发场景

四、数据结构

所有数据以 JSON 存储在本地，默认目录为 ~/.kaogong-study-tracker/data/。如需放到指定目录，设置 KAOGONG_DATA_DIR。

4.1 每日记录 daily/{YYYY-MM-DD}.json

jsonCopy code
{
  "date": "2026-03-17",
  "modules": {
    "言语理解": { "wrong": 6,  "total": 40 },
    "数量关系": { "wrong": 8,  "total": 15 },
    "判断推理": { "wrong": 10, "total": 40 },
    "资料分析": { "wrong": 7,  "total": 20 },
    "申论":     { "written": false }
  },
  "mood": "中性",
  "note": "用户原话"
}

4.2 错题本 wrong_questions.json

jsonCopy code
[
  {
    "id": "uuid",
    "date": "2026-03-17",
    "source": "image",
    "module": "判断推理",
    "subtype": "逻辑判断",
    "question_text": "题目文字；图形题写对规律的描述",
    "visual_description": "图形推理/统计图的详细视觉描述（多模态模型生成）",
    "answer": "B",
    "user_annotation": "用户手写批注",
    "error_reason": "知识点不会 | 粗心 | 时间不够 | 概念混淆",
    "keywords": ["假言命题", "逆否命题"],
    "raw_image_b64": "base64...",
    "status": "待二刷 | 已掌握"
  }
]

4.3 统计缓存 stats_cache.json

jsonCopy code
{
  "last_updated": "2026-03-17",
  "streak": 5,
  "total_days_studied": 12,
  "weak_modules": ["数量关系", "判断推理"],
  "module_accuracy": {
    "言语理解": 0.82,
    "数量关系": 0.51,
    "判断推理": 0.68,
    "资料分析": 0.74
  }
}

五、核心流程

Step 1：消息路由（parse_input.js）

Copy code
文字消息 → parseStudyInput()   提取科目/错题数/情绪
图片消息 → parseImageInput()   调用多模态模型

图片处理流程：

1. 宿主 agent 将图片 base64 和 caption 传给 parseImageInput(imageBase64, caption, agentCall)
2. 如没有可用的 agentCall / 图片模型 → 回复"当前 agent 还不能识别图片，可以把题目文字复制过来"
3. 通过宿主 agent 的多模态模型提取：科目、题型、题目内容、视觉描述、答案、错误原因推测
4. needs_confirm 不为 null 时追问（最多一个问题）；caption 已含原因则直接归档

追问只问一次，按优先级：

• 识别不到科目 → 问科目
• 原因不明确 → 问"粗心还是没掌握还是时间不够"
• 信息完整 → 不追问，直接归档

Step 2：归类错题原因

Step 3：更新记录（update_daily.js）

写入 daily/{date}.json，同步更新 stats_cache.json（连续打卡、模块准确率）。

Step 4：生成回复

见 references/reply_templates.md，150 字以内。语气见 references/tone_guide.md。

Step 5：导出 Excel（export_xlsx.js）

• 截图原图通过 openpyxl（Python）嵌入对应行
• Windows 兼容：先尝试 python3，失败自动 fallback 到 python
• 输出两个 Sheet：错题本（含截图列）+ 每日记录
• 可直接发给 Kimi / 其他模型做趋势分析

Step 6：同步飞书云文档（feishu_doc.js，可选）

• 需配置 feishu_doc.app_id / app_secret / doc_token
• 截图上传飞书文件系统后作为图片块插入文档
• 对图形推理、统计图最有用：飞书内直接看图，不用下载

Step 7（可选）：定时推送

每天 21:00 触发 daily_summary.js，自动发当日总结。

六、文件索引

七、错误处理

• 未配置多模态 API 却发图片 → 回复安装提示，引导配置
• 模型识别返回 error → 回复"没识别出来，能文字描述一下题目吗？"
• 文字消息解析不出科目 → 回复"能说说今天做了哪个科目、错了几道吗？"
• 数据写入失败 → 记录 error log，回复"记录暂时存不上，你提醒我稍后再试"
• 连续 3 天无打卡 → 下次收到消息时，回复末尾轻轻提一句

八、隐私说明

所有数据（含截图 base64）存储在本地，不上传任何云端（飞书同步除外，仅在用户主动触发时上传到用户自己的飞书文档）。

九、如果这个 Skill 对你有帮助

⭐ Star 这个仓库，让更多备考的人能找到它 🍴 Fork 改成你的考试类型（省考 / 事业单位 / 军考……） 有问题欢迎提 Issue 或 PR。

https://github.com/KaguraNanaga/kaogong-study-tracker