1870個文件喂給AI，我挖出了6個隱藏技能

你有多久沒審視過自己的AI使用習慣了？上周我翻遍了近兩年的Claude Code記錄，發現了一個尷尬的事實：我反復在做的某些事，系統根本不知道。

1870個JSONL文件，904MB數據，45個項目目錄。這是我過去一段時間與AI協作留下的全部痕跡。最初只是想回答一個簡單問題——"看看這些數據，推薦些新技能"——但手動扒完一遍后，我意識到這事根本沒法常做。太耗時，太瑣碎，太依賴記憶。

于是那個凌晨兩點，我決定把它變成管道。

從一次性分析到可復用系統

數據清洗是第一道坎。1870個文件里，真正的用戶輸入只有2752條——大量是系統日志、自動補全、空響應。我需要過濾出"人話"，也就是我親手敲進去的提示詞。

接下來是對照現有技能庫：9個用戶自定義技能，47個插件技能，總共56個。每條有效提示都要過一遍匹配檢查，找出系統還沒覆蓋的重復模式。

排名邏輯用Python寫的，核心很簡單：算頻率，算相關性，取前12。第一輪跑出12個候選，6個直接上線。三個典型例子：

? narrative-docs-update：文檔級寫作標準，30個項目里出現147次
? whats-next：會話重啟時的狀態簡報，62次以上
? 另外四個針對特定重復任務

整個管道跑在我自己的服務器上，Node.js負責文件解析，Python做排名，輸出直接寫成可加載的配置。本地計算，成本可控。

那些沒寫在代碼里的妥協

第一版漏了東西。有些提示因為格式不統一，被當成噪音過濾掉了。我凌晨兩點爬起來改過濾邏輯，手動把邊緣案例撈回來。

另一個限制更根本：這是批處理，不是實時流。數據是靜態快照，想持續更新得等v2。目前它和Nexus、ARIA綁在一起，下一步是接進Nexus做連續更新。

這件事的真正價值

不是那6個新技能。是把"手動苦力活"變成"跑一次腳本"。

做AI工具的應該都有同感：某種分析你做了十遍，第十一遍才想起來該自動化。我這次省下的時間是按"每次會話"算的，項目越多，邊際成本越趨近于零。

你現在在重復做什么？有沒有已經值得管道化的事？