技能介绍

要解决的问题

读完一本书后，你很难量化自己究竟吸收了多少。微信读书只记录阅读时长和笔记，不告诉你"这本书让你在哪个维度上变强了、哪个维度依然薄弱"。于是书架越堆越厚，能力增长却看不清轮廓。这个技能要解决的就是从"读完了"到"读到位"之间的测量缺口：把每本书的实测表现，与你预设的 7 维能力目标矩阵对标，让差距可见、可追踪、可纠偏。

它如何工作

技能把整个闭环拆成 9 个环节，数据与计算全部由本地脚本完成，LLM 只在三处介入：出题、解读差距、重算目标。

书架导入与解析
上游依赖微信读书助手 skill 的 gen_shelf_html.py 生成 weread_shelf.html（包含书名、作者、分类、有声书信息）。shelf_parser 只消费这个 HTML 快照，不直连微信读书接口——分类归并、维度对标、目标设定属于战略决策，必须由人来做。解析命令：cli.py parse [HTML路径]，输出结构化书架到 shelf.json。

出题与评分
每读完一本书，运行 cli.py quiz build 生成测验 prompt，LLM 据此产出 5-8 道客观+应用混合题（严格 JSON）。用户作答后写入 answers.json，再由 cli.py quiz grade 计算实测分并追加到 scores.jsonl。注意：微信读书原生没有计分测验，出题环节必须由 LLM 完成。

差距报告与深读建议
cli.py report 输出终端 7 维对比表与 report.html 看板。LLM 只读取摘要（约 1.5K token），撰写差距根因、推荐深读章节/概念、以及纠偏练习——不喂全量书目。

下一本路由与达标判定
cli.py next 从未测书中选出主攻维度 Top5 加各备选维度 2 本。cli.py loop 判定当前维度是否达标（gap ≤ 5 且覆盖率 ≥ 80%）。

跨轮趋势与目标重算
cli.py trend 生成能力爬坡图 trend.png。某维度达标且阅读环境变化时，走 capability-extract.md 模式 B 生成新的 targets JSON，再由 cli.py retarget 回写 shelf.json，轮次历史进入 rounds.jsonl。实测分保留跨轮，用于观察长期趋势。

适用边界与注意点

出题质量依赖笔记厚度：notes/ 目录下的读书笔记是出题素材，笔记越完整，题目越精准。缺笔记时脚本会提示补充。
初始数据需清理：scores.jsonl 当前含演示数据，真实起跑前建议执行 cli.py reset 清空。
新一轮需要手动重建书架：更新 curation.json 后，需重新运行 gen_shelf_html.py 和 cli.py parse，才能让闭环识别新书。
目标必须可测：每个能力单元要能落到应用题，否则 target 只是口号——脚本不会替你把模糊目标翻译成可量化指标。