引用前文内容读取技能（增强版 v1.1.0）

智能识别用户引用的历史消息，通过平台API获取真实消息内容，支持交互式卡片内容解析。

🎯 核心特性

⭐ v1.1.0 新特性（重要！）⭐⭐⭐⭐⭐

• ✅ 真实API调用：不再返回模拟数据
• ✅ 飞书卡片获取：支持交互式卡片内容解析
• ✅ Token自动管理：缓存Token，自动刷新
• ✅ JSON结构解析：完整解析卡片结构

⭐ 智能引用识别

• ✅ 多平台支持：飞书（已完成）、QQ（待实现）、微信（待实现）
• ✅ 引用标记检测：[quote]、[reply]、[reply_to]等
• ✅ 消息ID提取：准确定位引用的消息
• ✅ 嵌套引用：支持多层引用

⭐ 真实内容获取（v1.1新功能）

• ✅ 平台API调用：调用飞书/QQ/企业微信API
• ✅ 交互式卡片解析：获取卡片的完整JSON结构
• ✅ 图片/表单/按钮：解析卡片中的所有元素
• ✅ 普通消息内容：同时支持普通文本消息

⭐ 智能理解

• ✅ 引用意图识别：澄清、补充、反驳、深入等
• ✅ 上下文融合：结合引用内容和当前问题
• ✅ 连贯对话：保持对话连贯性
• ✅ 智能回答：基于完整上下文生成回答

📊 引用识别规则

平台支持

平台	引用标记	示例
飞书	[quote]、引用消息	[quote:om_x100b55b]
QQ	[reply]、回复消息	[reply:12345678]
微信	引用消息结构	引用消息: {...}
Telegram	reply_to	reply_to_message_id: 123

引用意图分类

意图类型	关键词	AI行为
澄清	"这个是指什么？"、"什么意思？"	解释引用内容
补充	"关于这个，我还有..."、"补充一点"	基于引用扩展
反驳	"不对，应该是..."、"其实..."	修正引用内容
深入	"继续展开"、"详细说说"	深入分析引用
关联	"和之前说的..."、"类似的还有"	关联历史对话

🚀 使用方式

1. 安装技能

# 从ClawHub安装
clawhub install quote-reader

# 或从本地安装
cd ~/.openclaw/workspace/skills/quote-reader
bash install.sh

2. AI自动集成

AI行为规则（强制）：

每次收到用户消息时，执行以下流程：

# 1. 检测引用
QUOTED_CONTENT=$(/path/to/quote-reader/scripts/detect-quote.sh "$USER_MESSAGE")

# 2. 如果检测到引用
if [ -n "$QUOTED_CONTENT" ]; then
    # 3. 提取引用内容
    QUOTED_TEXT=$(echo "$QUOTED_CONTENT" | scripts/extract-quote.sh)
    
    # 4. 结合引用内容回答
    # AI回复时引用：$QUOTED_TEXT
fi

3. 使用示例

场景1：澄清概念

用户：[引用之前的话] "QMD向量生成..."
用户：这个是指什么？

AI：[检测到引用]
    [提取引用内容："QMD向量生成受阻..."]
    
    QMD向量生成是指使用QMD工具为文档生成向量嵌入...

场景2：补充信息

用户：[引用"测试框架设计"] 
用户：关于这个，我还有个想法...

AI：[提取引用内容："测试框架设计..."]
    好的，您对测试框架设计有什么新的想法？
    之前的设计思路是...（基于引用内容）

场景3：深入讨论

用户：[引用"上下文管理策略"]
用户：继续展开这个话题

AI：[提取引用内容："上下文管理策略..."]
    好的，让我们深入讨论上下文管理策略...
    （基于引用内容展开详细分析）

🛠️ 技术实现

引用检测流程

用户消息
    ↓
detect-quote.sh
    ↓
├── 检测引用标记
├── 提取消息ID
└── 提取引用内容
    ↓
是否有引用？
    ├── 是 → extract-quote.sh
    │        ↓
    │        ├── 检索会话历史
    │        ├── 定位引用消息
    │        ├── 提取上下文
    │        └── 返回引用内容
    │        ↓
    │        AI结合引用回答
    └── 否 → 正常处理

脚本说明

detect-quote.sh - 引用检测

# 输入：用户消息
# 输出：JSON格式的引用信息

{
  "has_quote": true,
  "platform": "feishu",
  "message_id": "om_x100b55b...",
  "quoted_text": "引用的文本内容...",
  "quote_position": 0
}

extract-quote.sh - 引用提取

# 输入：引用信息（JSON）
# 输出：完整的引用内容（包含上下文）

{
  "quoted_message": {
    "id": "om_x100b55b...",
    "content": "完整内容...",
    "timestamp": "2026-03-05T08:00:00Z",
    "context_before": ["前一条消息"],
    "context_after": ["后一条消息"]
  },
  "intent": "clarify",
  "suggested_response": "建议的回答方式"
}

integrate-quote.sh - 集成到AI流程

# 完整的引用处理流程
# 适用于AI直接调用

# 输入：用户消息
# 输出：
#   - 无引用：静默返回
#   - 有引用：输出引用内容（供AI使用）

📁 文件结构

quote-reader/
├── SKILL.md                      # 技能文档
├── README.md                     # 使用说明
├── package.json                  # ClawHub配置
├── install.sh                    # 安装脚本
├── config/
│   ├── quote-patterns.json      # 引用模式配置
│   └── intent-rules.json        # 意图识别规则
├── scripts/
│   ├── detect-quote.sh          # 引用检测
│   ├── extract-quote.sh         # 引用提取
│   ├── integrate-quote.sh       # AI集成脚本
│   └── test-quote.sh            # 测试脚本
└── data/
    └── quote-cache.json         # 引用缓存（可选）

🔧 配置说明

quote-patterns.json - 引用模式

{
  "platforms": {
    "feishu": {
      "patterns": [
        "\\[quote:([a-zA-Z0-9_]+)\\]",
        "\\[reply_to:([a-zA-Z0-9_]+)\\]"
      ],
      "message_id_prefix": "om_x"
    },
    "qq": {
      "patterns": [
        "\\[reply:([0-9]+)\\]"
      ],
      "message_id_prefix": ""
    }
  },
  "fallback_patterns": [
    "引用[：:]\\s*(.+)",
    "回复[：:]\\s*(.+)"
  ]
}

intent-rules.json - 意图识别

{
  "intents": {
    "clarify": {
      "keywords": ["什么", "是指", "意思", "这个"],
      "priority": 1
    },
    "supplement": {
      "keywords": ["补充", "还有", "另外", "加上"],
      "priority": 2
    },
    "refute": {
      "keywords": ["不对", "其实", "应该是", "错误"],
      "priority": 3
    },
    "deepen": {
      "keywords": ["继续", "展开", "深入", "详细"],
      "priority": 4
    }
  }
}

💡 最佳实践

AI集成建议

方式1：自动检测（推荐）

# 在AI处理用户消息前
QUOTE_INFO=$(scripts/integrate-quote.sh "$USER_MESSAGE")

if [ -n "$QUOTE_INFO" ]; then
    # 输出引用信息供AI使用
    echo "$QUOTE_INFO"
fi

# AI正常回复

方式2：手动调用

# AI主动判断是否需要检索引用
scripts/detect-quote.sh "$USER_MESSAGE"

性能优化

1. 缓存引用内容：避免重复检索
2. 限制检索范围：最近50条消息
3. 异步处理：不阻塞AI回复
4. 智能过滤：仅检索相关消息

🚨 常见问题

Q1: 检测不到引用？

可能原因：

• 引用格式不在配置中
• 消息ID格式错误

解决方法：

# 添加自定义引用模式
jq '.platforms.custom.patterns += ["新模式"]' config/quote-patterns.json

Q2: 检索速度慢？

优化方案：

1. 限制检索范围（最近50条）
2. 启用缓存
3. 使用索引

Q3: 引用内容不准确？

调试方法：

# 查看检测到的引用
scripts/detect-quote.sh "测试消息" | jq .

# 查看提取的内容
scripts/extract-quote.sh '{"message_id":"..."}' | jq .

📊 性能指标

指标	目标	说明
检测准确率	> 95%	正确识别引用
检索速度	< 500ms	定位引用消息
提取准确率	> 90%	准确提取内容
意图识别	> 85%	正确识别意图

🎯 使用场景

场景1：澄清概念

AI：QMD向量生成需要CUDA支持。
用户：[引用] 这个是指什么？
AI：QMD向量生成是指...（详细解释）

场景2：补充信息

AI：测试框架包括3层...
用户：[引用] 关于这个，还有第4层...
AI：好的，补充第4层...（结合之前内容）

场景3：深入讨论

AI：上下文管理策略是...
用户：[引用] 继续深入分析
AI：好的，深入分析上下文管理...（基于引用展开）

场景4：关联对话

用户：[引用1] 和 [引用2] 这两个有什么关系？
AI：这两个概念的关系是...（关联分析）

🚀 未来规划

短期（本周）

• 核心功能开发
• 飞书平台支持
• QQ平台支持
• 测试和优化

中期（本月）

• 多引用支持
• 引用链追踪
• 智能关联
• 性能优化

长期（未来）

• 跨会话引用
• 引用网络图
• 知识图谱集成
• 机器学习优化

📝 版本历史

v1.1.0 (2026-03-05) ⭐⭐⭐⭐⭐

• ✅ 真实API调用：不再返回模拟数据
• ✅ 飞书卡片获取：支持交互式卡片内容解析
• ✅ Token自动管理：缓存Token（6727秒），自动刷新
• ✅ JSON结构解析：完整解析卡片结构
• ✅ 配置文件完善：新增feishu-config.json

v1.0.0 (2026-03-05)

• ✅ 基础引用检测
• ✅ 飞书平台支持
• ✅ 会话历史检索
• ✅ 意图识别
• ✅ AI集成

---

引用前文内容读取技能 v1.0.0 让对话更连贯，引用更智能 创建时间：2026-03-05 09:00 状态：✅ 开发中