ai-dailyreport

Daily Report

AI 驱动的个人日报记录与生成工具。用自然语言随手记录待办和已完成事项，它会自动识别意图、关联历史记录并联网检索，最后为你生成一份结构化的当日日报。

特性速览

• 自然语言优先：无需记忆命令，直接说「今天写完了周报」也能被正确识别意图
• 待办 ↔ 完成自动关联：记录完成事项时，自动匹配当日待办并建立「完成 → 待办」的对应关系
• 本地历史 + 联网双重检索：回答问题、给建议、写日报时，同时参考你的历史记录和实时网络信息
• 结构化日报：/report 输出「今日概要 / 工作详情 / 关联发现 / 明日计划」四段式日报
• 本地存储：数据以 JSON / Markdown 形式保存在 data/ 目录

快速开始

方式一：pip 安装（推荐）

pip install ai-dailyreport
dailyreport

首次运行会引导你配置 API Key（输入 dailyreport 后按提示操作即可），配置会保存在 ~/.config/ai-dailyreport/.env，之后在任意目录运行都能读到。支持任意 OpenAI 兼容接口（OpenAI / DeepSeek / Qwen 等）。之后随时可用 /config 命令查看或修改配置。

方式二：从源码运行

1. 配置环境变量（仅首次）

   cp .env.example .env
   # 编辑 .env，填入 OPENAI_API_KEY 等信息
   

   .env 支持任意 OpenAI 兼容接口（OpenAI / DeepSeek / Qwen 等），只需修改 OPENAI_BASE_URL 与 MODEL_NAME。

2. 启动

   • Windows：双击 dailyreport.bat
   • macOS / Linux：先执行 chmod +x dailyreport.command，之后双击或运行 ./dailyreport.command

   首次运行会自动创建虚拟环境并安装依赖，之后每次直接启动即可，无需手动激活虚拟环境。

   也可以手动运行：

   python main.py
   

命令详解

/plan 记录待办

把计划要做的事记下来。支持多行输入，以单独一行的 . 结束。

巧思：记录后不是简单存一条文本，而是先由 LLM 把计划解析成结构化事件（类型、标题、细节、优先级）和实体标签，再检索本地历史相关记录、联网搜索补充信息，最后给出 5–8 句「朋友式」建议——既结合你的过往，也附上外部资源链接。

/done 记录完成

把已经做完的事记下来。支持多行输入，以单独一行的 . 结束。

巧思：记录完成后，系统会用实体标签自动匹配当日待办（概念级 2 倍权重 + 词级 1 倍权重打分），并把「完成 ↔ 待办」的对应关系写回数据。这样日报里就能明确标注「✅ 对应待办已完成」。

/chat 自由对话

/chat <内容> 检索历史 + 联网信息后回答，也可以日常闲聊。

巧思：内部走「双路检索」——实体标签匹配 + 全文分词搜索，合并去重；同时带上联网搜索结果。多轮对话上下文只保留最近 8 轮，避免历史过长稀释模型对当前问题的注意力。

/report 生成日报

汇总当天全部记录，输出结构化 Markdown 日报。

巧思：日报不只是罗列条目，而是把「已完成 / 待办」分组、把已匹配的「完成 ↔ 待办」对应关系注入提示词，并跨日期检索历史关联记录（排除当日），让模型在「关联发现」里发现今日事项与过往的关联（同一个人、同一个项目、相似话题等），同时把已完成对应的待办从「明日计划」中排除。

/config 查看 / 修改 API 配置

查看当前配置（API Key 脱敏显示），并可交互式修改 API Key、Base URL、模型名称。修改后立即生效并保存到 ~/.config/ai-dailyreport/.env。

巧思：配置保存在用户目录而非项目目录，pip 安装后在任意目录运行都能读到；修改后无需重启程序，OpenAI 客户端会立即重建。

/status 与自然语言

/status 查看今日概况。此外，任何不以 / 开头的输入都会走「自然语言自动识别」：由 LLM 判断意图并分发到对应的处理逻辑。

巧思：auto_dispatch 会把 LLM 解析出的意图、事件、实体一并传给后续处理函数，避免同一句话被 LLM 重复解析两次。

架构与设计

意图识别

text_parser.py 用一次 LLM 调用把任意输入解析为 JSON：intent（plan / done / chat / report）、events（type / title / detail / priority）、entities（实体标签）。解析时 temperature=0.3，保证意图判断和结构化输出的稳定。

检索系统

retriever.py 是核心，围绕「精准 + 快速」设计：

• 分词：jieba 分词，过滤停用词、单字与标点，归一化为小写词表
• 两阶段加权：概念级匹配（实体标签，2 倍权重）+ 表述级匹配（分词结果，1 倍权重），加权排序取 top-k
• 倒排索引：entity → 条目 与 token → 条目 两套索引，检索时直接定位候选，避免全量扫描
• 缓存：用文件 mtime 做进程内失效判断，数据未变则直接命中内存缓存；_tokens 会持久化到 JSON，避免重复分词

联网搜索

web_search.py 基于 DuckDuckGo（ddgs）。其同步阻塞 API 被放进 ThreadPoolExecutor，通过 run_in_executor 桥接成异步，保证不阻塞事件循环。

多轮对话记忆

orchestrator.py 维护运行期内的 chat_history，user/assistant 交替追加，超出上限丢弃最旧，平衡上下文与注意力。

存储

storage.py 按日期组织数据：每日记录存 data/YYYY-MM-DD.json，日报存 data/reports/YYYY-MM-DD.md，/plan 建议存 data/plans/YYYY-MM-DD.md。

数据存储

所有数据保存在运行目录下的 data/ 中（即你在哪个目录敲 dailyreport，数据就存在哪）：

• data/YYYY-MM-DD.json：当日记录（待办 / 已完成，含结构化事件与实体标签）
• data/reports/YYYY-MM-DD.md：生成的日报
• data/plans/YYYY-MM-DD.md：/plan 保存的建议

配置（API Key 等）则独立存放在 ~/.config/ai-dailyreport/.env，与数据目录互不干扰。