本地化AI阅读助手
在本地部署的 AI 系统，通过双层偏好建模读取你的历史阅读记录，对新书进行个性化内容提炼——让 AI 先读懂你，再帮你读书。
简介
本地化 AI 阅读助手是一套完整的个人知识工具方案，核心理念是：你的阅读历史是最被低估的资产，应该被 AI 利用来帮你更高效地读下一本书。与通用 AI 读书工具不同，它不是给所有人提供”平均水平的总结”，而是基于你独有的阅读偏好提供定制化的内容提炼。
这套方案的架构分为三部分：数据层（本地存储已读书籍和用户画像）、处理层（IDE 工具运行 Skill 执行分析）、输出层（结构化阅读报告 + 对话深读）。所有数据始终在本地，不上传到云端，符合数据主权原则。
关键信息
- 类型：概念 / 方案
- 领域：个人知识管理 / AI 应用 / 阅读方法论
- 相关概念：数据主权、双层偏好建模、Trae IDE、Skill 机制、个人知识库
核心特性
系统架构
数据层：
reading_resource/：已读并标注的电子书（PDF/Word/mobi/epub/Markdown）unreading_resource/：待精读的新书（每次放一本）notes/：读书笔记、摘要、批注截图等补充材料（可选）user_profile.md：用户画像主动申报文件preference_cache.md：偏好画像缓存（AI 自动生成）
处理层：
- 第一阶段：扫描 reading_resource/ 建立用户兴趣画像，缓存到 preference_cache.md
- 第二阶段：读取新书，按五层结构输出个性化分析
- 增量机制：检测文件夹变动，无变动使用缓存，有变动增量更新
输出层：
- 层次 A：全书概览（800-1200 字）
- 层次 B：章节逻辑图谱（作者为什么这样排列章节）
- 层次 C：逐章精读（核心观点 + 关键案例 + 兴趣关联标注）
- 层次 D：对话深读模式
- 层次 E：PDF 阅读报告导出
核心设计原则
- “结构 > 细节”：先理解全书骨架再进入细节，目录是作者最完整的思维地图
- 案例不可压缩：具体细节是记忆的锚点，高手的能力差异来自细节层面的解析度
- 偏好迭代：系统随着使用越来越准——读完的对话导出为 Markdown 存回文件夹，又变成下一轮的参考材料
- 本地优先：所有数据存本地，避免平台锁定，支持全格式电子书
三阶阅读解析逻辑
第一层（全书概览）：核心论点 + 面向读者 + 论证结构 + 领域定位 第二层（章节逻辑）：归并为大主题板块 → 板块间逻辑衔接 第三层（逐章精读）：核心观点 + 案例详解 + 兴趣关联标注（共鸣点标记🔗）
与通用读书工具的差异
| 维度 | 通用工具 | 本地化 AI 阅读助手 |
|---|---|---|
| 个性化程度 | 平均水平输出 | 基于你的阅读历史定制 |
| 数据位置 | 云端服务器 | 本地文件系统 |
| 数据迁移 | 受限于平台导出能力 | 随时可迁移（Markdown/PDF） |
| 内容覆盖 | 受版权限制 | 任意电子书格式 |
| 进化速度 | 固定能力 | 随阅读积累持续迭代 |
| 文件大小 | 通常有上限 | 基本不设限 |
不同素材中的观点
- 2026-05-27-woshipm-personalized-ai-reading-assistant：作者提出了完整的本地化 AI 阅读助手方案，使用 Trae IDE 作为运行平台。核心论点是”你的阅读历史是最被低估的资产”，通用 AI 读书工具给的是平均水平产出，而这套方法给的是”随着你读得越多就越准的私人视角”。作者特别强调用了一年之后效果最好，因为偏好被不断补充，系统对你的理解越来越精准。文章提供了可直接复制使用的完整 Skill Prompt。
实用信息
- 快速上手步骤：
- 安装 Trae IDE
- 建
reading_resource/放已读书籍 + 写user_profile.md - 将文章中的完整 Skill Prompt 粘贴到 Trae 对话框
- 放新书到
unreading_resource/，用#引用书名开始阅读 - 读完的对话导出 Markdown 存回文件夹，持续积累
- 常用刷新指令：
/refresh_profile（全量重算）、/update_profile（仅更新申报部分）、/show_cache（查看缓存状态） - 注意事项：首次运行需要扫描所有已读书籍建立画像，耗时较长但只需一次；之后增量更新速度快很多