背景

在之前的实践中，我们已经构建了一个基于 MCP（个人化信息搜集与筛选总结模块） 的信息获取系统，核心目标是：

• 记录和整理个人关注的主题

• 对外部信息进行筛选、压缩并对齐

• 将结果结构化沉淀，为后续分析与决策提供稳定输入

目前，系统能够稳定地从 YouTube 获取相关信号，并通过个人化的筛选逻辑生成每日 Top3 信息信号。然而，在这个基础上，系统缺乏自动化的维度提取和主题修正功能，导致搜索结果和用户的兴趣不完全匹配。

新启发：如何让系统更智能、更符合用户需求

基于此，我们决定对现有系统进行 优化，特别是在 “维度提取” 和 “主题修正” 两个方面，具体优化方向如下：

1. 维度提取：引入 LLM（大语言模型） 从用户的 日报、周报、月报 中提取维度，识别出用户的关注点，并帮助系统更好地理解用户的需求和兴趣。

2. 主题修正：通过维度分析结果，系统将自动修正用户的 YouTube 搜索主题（themes.yaml），确保搜索结果更加个性化和精准。

3. 用户交互反馈：用户可以在系统提供的 修正建议 上进行 交互式确认，最终根据反馈自动更新 主题配置，使得主题集合始终与用户的实际需求对齐。

新增功能：维度提取与主题修正系统

目标

本系统的主要目标是通过 LLM（大语言模型） 提取用户报告中的维度，并对当前的主题（themes）进行修正。系统会分析用户写的 日报、周报、月报，提取其中的 关键维度，并根据分析结果对 YouTube 搜索主题 进行 自动修正。

实现方式

1. 维度提取

通过 LLM（大语言模型） 提取用户写的 日报、周报、月报 中的维度（例如：健康、情绪、工作等），并将其存储为 维度提取结果。这些维度将帮助系统识别出用户当前的兴趣和关注点。

2. 主题修正

系统会将提取的维度与现有的 YouTube 搜索主题（themes.yaml） 进行对比，自动生成 添加 或 删除 主题的修正建议。这些建议会帮助用户 优化 他们的搜索主题，以便获取更相关的内容。

3. 用户交互与确认

用户可以在系统推荐的主题修正建议上进行 交互式确认，最终确认后，系统会自动更新 themes.yaml 配置文件，确保搜索结果更加符合用户的最新需求。

完整使用流程

步骤1：写报告

用户通过 write_report.py 工具创建 日报、周报、月报。输入内容为自然语言，系统将其保存为 Markdown 格式。

python write_report.py

选择操作：

        1.创建日报

        2.创建周报

        3.创建月报

步骤2：提取维度

通过 extract_dimensions.py 工具，从报告中提取维度。支持批量提取和单个报告提取。

步骤3：分析维度并生成主题修正建议

通过 analyze_dimensions.py 工具分析提取的维度，并生成 主题修正建议。

步骤4：管理主题（可选）

用户可以通过 manage_themes.py 工具手动管理 themes.yaml 配置文件，添加或删除主题。

主题修正判断标准

添加 Theme 建议

• 维度在提取结果中出现频率 ≥ 50%

• 最近 30 天内出现次数 ≥ 3 次

• 该维度不在现有 themes 中

删除 Theme 建议

• Theme 在提取维度中的匹配率 < 10%

• 持续时间 ≥ 60 天

• 过去 90 天内的匹配次数很少

展示：

1.启动文件输入日报，可以在对应路径下看到我们的记录

2.启动文件来提取对应的维度

3.启动文件来看对应的维度分析以及建议（我只填入了一条日报，以此为例）

##维度分析

##提供修正建议

##互动修正主题库

总结

通过引入 维度提取与主题修正系统，我们不仅能够 自动识别并调整用户的关注点，还能够 根据维度提取结果对搜索主题进行动态修正。这使得系统在信息收集和分析的过程中更加智能和个性化，帮助用户精准聚焦于自己的兴趣和需求。