朱批录 · 国考备考追踪 Skill#

一、首次安装提示#

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

text

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 OpenClaw 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——飞书、Telegram、WhatsApp、Discord，逻辑完全一致。

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#

用户说的话（示例）应执行的操作"今天做了一套行测，判断推理错了8道"→ 解析 + 归档 + 分析发来一张错题截图（图片消息）→ 多模态识别 + 单题归档 + 追问原因发来截图并附带"粗心"→ 多模态识别 + 直接归档，不追问"把今天的错题发给你：第12题……"→ 错题分类 + 存档"今天申论没写，太累了"→ 打卡记录（未完成状态）"我最近资料分析一直不稳，怎么办"→ 查历史记录 + 建议"帮我看看最近哪个模块最弱"→ 统计分析 + 回复"导出错题本" / "把错题发给我" / "生成报告"→ export_xlsx.js，发回文件"只导出待二刷的"→ 筛选导出，仅待二刷题目"导出判断推理的错题"→ 按科目筛选导出"导出最近两周的"→ 按时间筛选导出"只导出待二刷的资料分析题"→ 多条件组合筛选导出"资料-乘积增长-公式不熟-待二刷"（快捷格式）→ 直接归档，不追问二刷时回复"记得" / "不记得"→ review_reminder.js 处理，连续2次记得→已掌握"同步到飞书" / "更新飞书错题本"→ feishu_doc.js，同步含截图

---

四、数据结构#

所有数据以 JSON 存储在 ~/.openclaw/skills/kaogong-study-tracker/data/。

4.1 每日记录 daily/{YYYY-MM-DD}.json#

json

{
  "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#

json

[
  {
    "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#

json

{
  "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）#

text

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. 读取 config.json 中的 multimodal 配置
2. 如未配置 → 回复"请先配置多模态模型 API，见安装提示"
3. 调用多模态模型，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#

原因关键词知识点不会不懂、没学过、概念不清楚粗心看错、算错、选反了时间不够没做完、最后几题蒙的概念混淆搞混了、分不清、以为是

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#

文件作用scripts/parse_input.js文字解析 + 多模态图片识别scripts/update_daily.js写入每日记录 + 统计缓存scripts/export_xlsx.js导出 Excel（含截图嵌入，openpyxl）scripts/feishu_doc.js同步到飞书云文档（含图片块，可选）scripts/daily_summary.js定时汇总并主动发送references/reply_templates.md回复话术模板references/tone_guide.md语气风格指引assets/module_map.json科目/模块名称标准化映射assets/config.example.json配置模板（多模态 + 飞书），复制为 config.json 使用

---

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