DailyAIWorkflowAnalyzer Skill

核心价值

从语音记录中提取深度战略洞察，揭示认知偏见和行为盲点

不只是数据汇总，而是：

🔍 识别行为模式 → 发现低效循环和回避策略
🧠 诊断认知偏见 → 揭示系统性思维错误
🎯 揭示战略盲点 → 指出用户自己意识不到的问题
💎 沉淀核心知识 → 提炼值得长期保留的原则
🛑 否定性指导 → 告诉你"停止做什么"比"开始做什么"更重要

何时使用

当你想从日常语音记录（微信、编程App、文档工具等）中提取有价值的模式
当你希望AI记住你的工作习惯、偏好和标准
当你想避免重复的沟通和低效的工作流
当你需要将经验转化为可复用的规则和配置

核心理念

知识沉淀 > 数据堆积

每次分析后：

✅ 得到可直接应用的规则
✅ 更新个人工作模式知识库
✅ 让AI越来越了解你的标准
❌ 不再是看完就忘的冗长报告

完整工作流（已优化）

一键分析所有应用

python3 /Users/douba/.claude/skills/daily-ai-workflow-analyzer/scripts/analyze_voice_workflow.py --days 1 --all

分析特定应用

python3 /Users/douba/.claude/skills/daily-ai-workflow-analyzer/scripts/analyze_voice_workflow.py --days 1 --app Antigravity

工作流程说明

步骤1：提取语音记录

从Typeless.app数据库提取最近N天的记录
按应用自动分组

步骤2：AI深度分析（核心改进）

识别重复出现的问题（≥2次）
提取新发现的原则和规则
生成可执行的行动清单
分析用户习惯和工作模式
根据App类型适配分析维度（聊天、编程、文档等）

步骤3：自动导出到Obsidian

生成结构化笔记到 知识体系/个人工作模式/
智能文件命名（根据App类型）：
- 微信 → 微信聊天记录_YYYY-MM-DD.md
- 编程App → Antigravity开发记录_YYYY-MM-DD.md
- 文档工具 → Alma使用记录_YYYY-MM-DD.md
自动更新知识库文件：
- [[用户习惯清单]]
- [[工作模式配置]]
- [[偏好设置]]

输出示例

知识体系/个人工作模式/
├── 微信聊天记录_2026-01-12.md          ← 每日分析结果
├── Antigravity开发记录_2026-01-12.md   ← 编程App分析
├── Alma使用记录_2026-01-12.md          ← 文档工具分析
├── 用户习惯清单.md                      ← 自动积累
├── 工作模式配置.md                      ← 自动积累
└── 偏好设置.md                          ← 自动积累

Phase 4: Visual Dashboard

Launch the interactive dashboard:

/Users/douba/.claude/skills/daily-ai-workflow-analyzer/scripts/start_dashboard.sh

Then visit: http://localhost:8080

Dashboard Features:

Overview statistics (total records, app count, time range, peak hours)
App list with record counts and analysis status
"AI Analyze" buttons to trigger deep analysis
"View Report" buttons to display reports in-page (modal)
Batch operations (analyze all, export all, refresh)
Data visualization (app distribution, time distribution charts)

Architecture

Static Framework (One-time creation)
├── analysis_dashboard.html (HTML structure, CSS, JS logic)
│   └── JavaScript: loadData() → fetch from API → renderDashboard()
└── Never regenerated, only data changes

Dynamic Service (Flask API)
├── analysis_server.py (lightweight backend)
│   ├── GET /api/data → Return all apps data
│   ├── POST /api/analyze → Trigger Python analysis
│   ├── GET /api/report/<app> → Return markdown report
│   └── GET /api/status → Real-time analysis status
└── Handles Python script execution and status polling

Data Processing (Python Scripts)
├── extract_voice_records.py (Query Typeless DB)
├── group_by_app.py (Group records by app)
├── generate_analysis_report.py (Generate structured reports)
└── analyze_voice_workflow.py (Master workflow controller)

Key Configuration

Paths

Typeless DB: ~/Library/Application Support/Typeless/typeless.db
Grouped Data: ~/Library/Application Support/alma/workspaces/temp-voice-extraction/by_app/*.json
Analysis Reports: ~/Library/Application Support/alma/workspaces/temp-voice-extraction/analysis_reports/
Dashboard Port: 8080 (changed from 5000 to avoid conflicts)

Analysis Framework

Located at: templates/analysis_framework.json

Dimensions（根据App类型自动适配）：

Scene Recognition:
- 编程App: 功能需求, 交互设计, 界面反馈, 问题反馈, 优化建议, 协作沟通
- 聊天App: 日常对话, 工作沟通, 信息分享, 问题讨论, 协作安排
- 文档工具: 知识整理, 信息记录, 搜索查询, 内容编辑
Workflow Stages:
- 编程App: 需求阶段, 设计阶段, 实现阶段, 测试阶段, 修复阶段
- 聊天App: 发起话题, 信息交流, 问题讨论, 达成共识
- 文档工具: 信息收集, 整理归纳, 查询使用
Collaboration Patterns:
- 编程App: 指令型, 建议型, 质疑型, 授权型, 期望型
- 聊天App: 信息型, 询问型, 分享型, 确认型
- 文档工具: 查询型, 记录型, 整理型

Resources

scripts/

extract_voice_records.py: Extract voice records from Typeless SQLite DB
group_by_app.py: Group records by focused_app_name into separate JSON files
generate_analysis_report.py: Generate structured analysis reports (markdown)
analyze_voice_workflow.py: Master workflow controller (orchestrates extraction, grouping, reporting)
analysis_server.py: Flask API server for dashboard
start_dashboard.sh: One-click startup script for dashboard

templates/

analysis_report_template.md: Standardized template for analysis reports
analysis_framework.json: Configuration for scene/stage/pattern recognition

references/

typeless_db_schema.md: Complete schema of Typeless.app SQLite database
obsidian_organization_guidelines.md: Guidelines for structuring Obsidian notes (future integration)

Usage Examples

Automated Analysis (Recommended)

When you ask AI to "analyze voice records" or "generate analysis report", it will:

Auto-start server (if not running)
Run complete analysis workflow
Display reports directly in conversation

Example commands:

"分析今天的语音记录"
"分析微信最近两天的聊天记录"
"生成语音记录分析报告"
"分析 Antigravity 的语音记录"

What AI does automatically:

# Check and start Flask server (background)
# Execute full analysis
python3 auto_analyze.py --all
# Read and display report content

You see:

Analysis progress (✓ steps complete)
Report summaries directly in chat
No manual steps required

Manual Analysis (Advanced)

If you want to use the visual dashboard:

Launch dashboard: start_dashboard.sh
Visit: http://localhost:8080
Review: Check app statistics and patterns
Decide: Click "AI Analyze" for apps with valuable insights
View: Click "View Report" to see detailed analysis in-page
Iterate: Use insights to improve workflows, then repeat

Command-Line Analysis

Analyze all apps:

python3 /Users/douba/.claude/skills/daily-ai-workflow-analyzer/scripts/auto_analyze.py --all

Analyze specific app:

python3 /Users/douba/.claude/skills/daily-ai-workflow-analyzer/scripts/auto_analyze.py --app Antigravity

Start dashboard only:

/Users/douba/.claude/skills/daily-ai-workflow-analyzer/scripts/start_dashboard.sh

Analysis Report Structure (v2.0 - 深度洞察版)

报告类型

App名称 + "深度洞察分析报告" + 日期
- 微信 → "微信深度洞察分析报告"
- 编程App → "App名称开发深度洞察分析报告"
- 文档工具 → "App名称使用深度洞察分析报告"

核心理念

不只是数据汇总，而是深度战略洞察

报告采用"直面本质"的分析框架，旨在：

识别用户自己意识不到的行为模式
诊断认知偏见和思维惯性
揭示战略盲点和潜在风险
提供包含否定性指导的行动建议
提炼真正值得长期保留的知识

核心章节结构

1. ⚡ 执行摘要

核心发现：一句话概括最重要的洞察
关键问题：必须立即解决的1-2个问题
战略建议：优先级最高的行动方向

2. 🎯 行为模式识别

重复循环模式：识别"测试→修复→再测试"等低效循环
回避策略：指出用技术细节回避战略思考的行为
低效决策：对比实际决策和更优选择

3. 🧠 认知偏见诊断

识别已表现出的认知偏见（如：确认偏见、沉没成本谬误）
说明偏见的表现和后果
提供打破偏见的具体方法

4. 🔍 战略盲点揭示

揭示用户自己意识不到的核心问题
说明"为什么它是盲点"
分析潜在风险和解决方向

5. ❓ 真相检验问题

直击本质的开放性问题（无标准答案）
分为产品/项目、工作方式、个人成长三个层面
目的是引发深度思考，而非提供答案

6. 🛑 立即停止做（否定性指导）

今日立即停止：1-2个需要马上停止的行为
本周停止：需要调整的习惯或模式
每个停止项都附带"为什么"的说明

7. ✅ 立即开始做（正向行动）

今日/明日：1-2个紧急行动
本周：2-3个短期改进
本月：1-2个长期目标

8. ❓ 需要确认的问题

在继续工作前需要用户回答的关键问题
用于澄清意图、明确方向、消除歧义

9. 💎 可沉淀的核心知识

值得长期保留的原则：从具体场景中抽象出的通用原则
需要固化的工作偏好：用户明确表达过的工作方式和偏好
包含来源场景、适用范围、示例

10. 📊 数据快照（简化版）

只保留最关键的3-5个指标
详细数据放在附录，避免干扰核心洞察

11. 附录

采样记录与模式映射
报告反馈问卷

与v1.0版本的区别

对比维度	v1.0 (旧版本)	v2.0 (深度洞察版)
核心目标	数据汇总和行为描述	深度洞察和战略指导
分析深度	表面模式识别	认知偏见和战略盲点
行动指导	只有正向建议	包含否定性指导
价值产出	SOP和规则清单	原则和偏好固化
问题导向	"用户做了什么"	"用户为什么这么做"
反馈机制	简单评分	多维度评估和反馈闭环

报告质量控制标准

生成报告时必须满足：

✅ 至少识别1-2个重复循环模式或低效决策
✅ 至少揭示1个用户自己意识不到的盲点
✅ 至少提供1个"立即停止做"的否定性指导
✅ 至少提出3个直击本质的真相检验问题
✅ 至少提炼1-2个值得长期保留的核心原则
❌ 不提供泛泛而谈的建议（如"多学习新技术"）
❌ 不堆砌用户自己就能看到的数据统计

Feedback Mechanism

Each report includes a feedback section:

Overall value rating (1-5)
Most valuable part
Most in need of improvement

This feedback is collected to iteratively refine the analysis framework and report structure.

Integration with Obsidian (Future)

The generated analysis reports can be synced to Obsidian vault:

Daily analysis reports → Daily Notes
App-specific reports → Project pages
Extracted SOPs/Principles → Knowledge base

Currently in MVP phase—focus on report quality and value extraction before automation.

Notes

Port Conflict: Dashboard uses port 8080 (5000 was occupied)
Analysis Status: Polling every 3 seconds for real-time updates
Report Formats: Attempts multiple filename patterns (Final/standard)
MVP Approach: Start with manual review in dashboard, automate sync later
Value-First: Prioritize extracting actionable insights over storing raw data

迭代路线图

当前状态 (v2.0 - 深度洞察版)

✅ 数据提取和分组
✅ 深度战略洞察框架（行为模式、认知偏见、战略盲点）
✅ 否定性指导机制（"停止做什么"）
✅ 真相检验问题库（直击本质的开放性问题）
✅ 可沉淀知识提取（原则和偏好固化）
✅ 可视化仪表板和实时状态更新
⏳ AI驱动的深度分析（需要模型集成）
⏳ 与Obsidian的自动化同步
⏳ 跨时间段的趋势分析

v2.1 计划（增强AI分析能力）

集成Claude API：用模型自动生成深度洞察，而非手工填写
认知偏见库扩展：建立更全面的偏见识别框架
真相检验问题生成：根据用户行为模式自动生成定制化问题
行动建议优化：基于历史数据优化建议的准确性和可执行性

v2.2 计划（知识库集成）

Obsidian同步：自动将分析报告和提取的知识同步到Obsidian
用户画像持续更新：建立跨时间的用户行为模式档案
原则库管理：自动去重、版本化、更新核心原则
工作偏好配置：将固化的偏好转换为可应用的配置文件

v2.3 计划（趋势分析和预测）

跨报告对比：对比不同时间段的分析结果，识别改进趋势
偏见追踪：追踪特定认知偏见的出现频率和演变
模式演化分析：识别用户行为模式的系统性变化
预测性洞察：基于历史数据预测潜在问题和风险
Feedback Loop: Collect user ratings to refine analysis framework