shield_lock
金大哥
← 返回 Skill 列表
extension
分类: AI Agent 能力无需 API Key

文件记忆管家

一个本地优先的文件记忆与分析 Skill。支持扫描本地文件夹，生成 Markdown 报告与 JSON 记忆索引，并基于自然语言完成模糊回忆式搜索、数据文件查询和日志异常初筛。默认优先使用本地 Ollama 的 qwen3.6:35b-a3b 做摘要与重排，并支持 Intel AI PC / OpenVINO / GPU / NPU 自动检测与回退。 文件记忆管家 是一个本地优先的文件记忆与分析 Skill，面向“记得内容和场景，但忘了文件名”的真实工作场景设计。它可以扫描一个或多个本地文件夹，提取文件元数据、文本预览和结构化特征，为每个文件建立“记忆卡片”，并自动生成 memory_index.json 与 folder_report.md。在此基础上，用户可以通过自然语言执行模糊回忆式搜索，例如按时间、主题、用途、文件类型来找回曾经写过的报告、笔记、代码、表格或日志文件，而不需要记住精确文件名。 这个 Skill 不只是做文件检索，还增强了两类高价值本地场景：一是数据文件查询，会针对 csv / xlsx / json 自动提取工作表、列名、字段名和样例内容，识别哪些文件更像实验结果表、指标表或分析资产；二是日志异常初筛，会对 log 文件做本地规则分析，识别 error / warning / timeout / connection reset / exception / oom 等模式，输出异常计数、高频问题和原因提示，帮助用户在不上传日志的情况下先完成第一轮排查。

person作者: DrpenghubModelScope
open_in_new仓库download下载资源包

文件记忆管家

本 Skill 用于在本地建立“文件记忆索引”，帮助用户在多个文件夹中快速找回曾经写过的报告、笔记、代码片段或分析文件。

它不会归档、移动或重命名用户文件，只会：

  1. 扫描文件夹
  2. 提取文件元数据与文本片段
  3. 生成 Markdown 报告
  4. 建立 JSON 记忆索引
  5. 根据自然语言描述进行模糊回忆式搜索
  6. 对本地数据文件进行自然语言查询与概览
  7. 对本地日志文件进行异常扫描与归因提示
  8. 自动检测 Intel AI PC / OpenVINO / GPU / NPU 环境，为轻量 NLP 任务选择最合适后端

适用场景

  • “6 月 26 号我写过一份数据分析报告，但我忘了文件名”
  • “好像和仿真模拟、PPO 有关，帮我在几个目录里找”
  • “最近一周我整理过哪些文档”
  • “帮我把项目文件夹做成一份可读的索引报告”

核心能力

1. 文件夹分析报告

扫描指定文件夹，生成 folder_report.md，内容包括：

  • 文件夹概览
  • 文件类型统计
  • 文件用途分类统计
  • 数据文件识别与概览
  • 最近活跃文件
  • 很早但可能仍有价值的“记忆冒泡文件”
  • 高价值候选文件
  • 每个文本类文件的摘要、标签、用途猜测

2. 记忆索引

为每个文件建立一条“记忆卡片”，内容包括：

  • 路径
  • 文件类型
  • 修改时间
  • 文件大小
  • 文本摘录
  • 自动标签
  • 主题推测
  • 搜索别名
  • 文件年龄
  • 数据文件画像（如列名、工作表、样例内容）

3. 模糊回忆式搜索

用户可以输入自然语言，例如：

  • “6月26号左右写的一份数据分析报告，跟仿真模拟和 PPO 有关”
  • “最近我写过哪些会议纪要”
  • “找一个讲强化学习实验结果的 markdown”

Skill 会综合以下信息进行排序：

  • 文件名
  • 路径
  • 时间
  • 文件类型
  • 文本摘录
  • 自动标签
  • 可选的本地 LLM 重排

4. 数据分析视角

Skill 会额外分析：

  • 文件夹里“都是什么类型的文件”
  • 哪些是报告、代码、笔记、表格、数据文件
  • 哪些文件很久没看过，但可能值得重新回忆
  • 哪些 CSV / XLSX / JSON 更像“数据分析资产”

5. 数据文件自然语言查询

用户可以对已经扫描出的数据文件发出自然语言查询，例如：

  • “哪些表格和 PPO 实验奖励有关”
  • “帮我找最近修改过的数据文件”
  • “这个目录里有哪些像指标表、实验结果表的文件”

Skill 会输出：

  • 最相关的数据文件
  • 工作表 / 列名 / 字段名
  • 样例行
  • 推荐后续查看顺序

6. 日志异常归因

用户可以对日志文件发出指令，例如：

  • “帮我看看这几个日志里最近有什么异常”
  • “找出报错最多的日志文件”
  • “分析一下和 timeout、connection reset、oom 相关的问题”

Skill 会输出：

  • 命中的日志文件
  • 错误/告警/异常行统计
  • 高频异常模式
  • 可能原因提示
  • 建议优先排查的文件

推荐目录结构

local-file-memory/
  SKILL.md
  README.md
  requirements.txt
  scripts/
    run.ps1
    smoke_test.ps1
    status.ps1
  src/
    main.py
    file_memory/
      extractors.py
      indexer.py
      search.py
      reporter.py
      ollama_client.py

依赖要求

  • Python 3.10+
  • 可读本地文件
  • 推荐：Ollama 已启动，默认 http://localhost:11434
  • 可选：本地模型已存在，例如 qwen3.6:35b-a3b
  • 可选：已安装 OpenVINO 运行时，以启用 Intel AI PC 后端自动检测与加速
  • 可选：若本地模型不可用，可通过兼容 API 环境变量作为备用模型提供方

工作流程

Step 1: 扫描文件夹

读取一个或多个根目录，递归收集文件。

Step 2: 过滤与提取

默认支持：

  • md
  • txt
  • pdf
  • docx
  • xlsx
  • json
  • csv
  • py
  • js
  • ts
  • tsx
  • jsx
  • yaml
  • yml

Step 3: 建立索引

输出：

  • memory_index.json
  • folder_report.md

Step 4: 模糊搜索

使用自然语言描述进行搜索，输出最可能的候选文件及命中原因。

Step 5: 数据查询

在已有 memory_index.json 基础上，对数据类文件进行自然语言查询。

Step 6: 日志分析

在已有 memory_index.json 基础上，对日志类文件进行异常关键词扫描、模式统计和归因提示。

运行命令

生成索引与报告

python src/main.py analyze --root "D:\Work" --root "D:\Notes" --output ".\output" --backend auto

启用本地 Ollama 增强摘要

python src/main.py analyze --root "D:\Work" --output ".\output" --use-ollama --model "qwen3.6:35b-a3b" --backend auto

模型调用优先级

Skill 的模型调用优先级如下：

  1. 优先使用本地 Ollama 的 qwen3.6:35b-a3b
  2. 若本地模型不可用或调用失败，则回退到兼容 API 提供方

可通过以下环境变量配置备用 API：

$env:FILE_MEMORY_API_BASE_URL="https://your-api-base/v1"
$env:FILE_MEMORY_API_KEY="your-key"
$env:FILE_MEMORY_API_MODEL="your-model"

模糊搜索

python src/main.py search --index ".\output\memory_index.json" --query "6月26号左右写的数据分析报告，涉及仿真模拟和PPO" --backend auto

查看本地 AI PC 环境状态

python src/main.py env-status --backend auto

数据文件查询

python src/main.py query-data --index ".\output\memory_index.json" --query "哪些表格和 PPO 奖励曲线有关"

日志异常分析

python src/main.py log-analyze --index ".\output\memory_index.json" --query "找出 error、timeout、connection reset 较多的日志，并给出可能原因"

OpenCode 命令式调用建议

如果通过 OpenCode 或其他 Agent 在 Windows 上调用，建议直接使用如下指令：

指令 1：环境检查

先执行 scripts/status.ps1，告诉我 Python、Ollama 和 qwen3.6:35b-a3b 是否可用。

指令 2：建立索引

扫描 D:\Work 和 D:\Notes，不要移动任何文件，输出到 .\output。
如果本地 Ollama 可用，就启用 qwen3.6:35b-a3b 做摘要增强。

指令 3：模糊回忆搜索

基于 .\output\memory_index.json 搜索：
“6月26号左右写的一份数据分析报告，涉及仿真模拟和PPO”
并把结果写成 Markdown 报告。

指令 4：数据文件查询

基于 .\output\memory_index.json 查一下：
“哪些数据文件和 PPO、reward、仿真模拟有关”
返回最相关的几个文件，并列出列名或工作表。

指令 5：日志异常归因

基于 .\output\memory_index.json 帮我分析日志文件：
“找出 error、timeout、connection reset 较多的日志，并给出可能原因”
输出 Markdown 报告。

错误处理

  • 文件无法读取时跳过并记录原因
  • PDF 无法提取时保留元数据
  • 未检测到 Ollama 时自动降级到本地规则模式
  • 查询过于模糊时，优先返回最近活跃且高相关的候选文件

本 Skill 不做的事

  • 不移动文件
  • 不删除文件
  • 不依赖云端 API
  • 不要求视觉模型
  • 不要求 GPU、NPU

验证建议

提交前至少验证：

  1. 扫描多个文件夹成功
  2. 成功输出 folder_report.md
  3. 成功输出 memory_index.json
  4. 能用自然语言找回至少一个“忘记标题”的文件
  5. 报告中能看到文件分类分析和“记忆冒泡文件”
  6. 能对至少一个 CSV / XLSX / JSON 数据文件做自然语言查询
  7. 能对至少一个日志文件做异常扫描与归因提示

赛事本地验证建议

建议在 Ollama + qwen3.6:35b-a3b 环境下至少跑下面 3 条指令：

python src/main.py analyze --root ".\sample_data" --output ".\contest_output" --use-ollama --model "qwen3.6:35b-a3b"
python src/main.py search --index ".\contest_output\memory_index.json" --query "6月26号左右写的数据分析报告，涉及仿真模拟和PPO" --use-ollama --model "qwen3.6:35b-a3b" --write-markdown
python src/main.py query-data --index ".\contest_output\memory_index.json" --query "哪些数据文件和 PPO reward 有关" --use-ollama --model "qwen3.6:35b-a3b" --write-markdown
python src/main.py log-analyze --index ".\contest_output\memory_index.json" --query "找出 error、timeout、connection reset 较多的日志，并给出可能原因" --use-ollama --model "qwen3.6:35b-a3b" --write-markdown