技能使用指南

mem-file-scan（记忆文件扫描回顾技能）Skill 是什么？如何下载安装？

mem-file-scan 记忆文件扫描回顾技能，一键扫描 Obsidian 本周修改文件并排除记忆系统目录，按决策、情绪、新习惯优先级识别候选内容，确认后自动补录到 L1 情境层，让周复盘不再漏掉笔记里的重要事件。本文详解下载安装、使用步骤、竞品对比与常见问题，帮你快速上手 AI 记忆管理。

记忆文件扫描回顾技能Skillmem-file-scan
8 个章节 约 16 分钟阅读 AI 智能生成

记忆文件扫描回顾技能Skill：把你在 Obsidian 里写下的这一周，重新交还给 AI 记忆

  • 它是什么：mem-file-scan 是一个服务于「AI 个人记忆系统」的文件扫描回顾技能，负责扫出你本周在 Obsidian 里改过的文件（自动排除 AI_MEMORY 等目录），并把里面值得记住的决策、情绪、新习惯挑出来。
  • 它解决什么：AI 记忆系统通常只能记录你与 Claude 的对话，而你在笔记软件里写下的项目进展、技术选型、学习心得，全都成了「记忆盲区」。
  • 怎么用：一句「文件扫描」即可触发，技能会列出本周修改的文件、分类展示、逐条给出候选记录，由你勾选「是 / 否 / 修改后记录」，再交给 mem-record 落到 L1 情境层。
  • 强在哪：不是简单的「最近文件列表」，而是带识别优先级（决策 > 日常事件、情绪 > 纯事实、新习惯 > 常规活动）和记录密度控制的「回顾助手」。
  • 适合谁：用 Obsidian 做第二大脑、同时用 AI 做周复盘与长期记忆管理的个人用户、独立开发者、学习者。

该技能叫什么？如何下载安装 AI 技能提升开发效率？

记忆文件扫描回顾技能Skill（英文名：mem-file-scan，技能ID：12501）是 AI 个人记忆系统中的一个环节型技能，职责非常聚焦：把「Obsidian 仓库中本周修改过的文件」扫出来，识别其中潜在的重要事件与决策，辅助你补录到记忆系统的 L1 情境层。

它要解决的是一个很典型的记忆断层问题：AI 记忆系统能记住你和它聊了什么，却记不住你在笔记软件里独立完成了什么。于是到了周复盘时，L1 里只有对话记录，而「周三决定把后端换成 Python」「周五写完了认证模块」这些真正重要的节点，全都停留在你的 Obsidian 仓库里，没有被纳入后续的行为模式分析。

一键安装的思路与步骤（通用流程，具体命令与入口以官方说明为准）：

  1. 确认安装前提：需要一个可用的 Claude 类 AI 环境（技能内部会调用 Bash 工具执行 find、调用 Read 工具读取文件）；需要一个 Obsidian 仓库作为扫描目标；建议同时具备 AI 记忆系统（存在 AI_MEMORY 目录）以及 mem-record、mem-weekly 等协作技能，否则扫描结果无法落库。
  2. 获取技能：通过技能市场搜索技能名 mem-file-scan，或使用平台提供的技能安装命令/技能目录导入方式完成添加（具体命令、下载链接与目录路径以官方说明为准）。
  3. 放置与启用：将技能的说明文件（含 name、description 与工作流程定义）放入你的技能目录并在会话中启用；如果使用技能市场安装，通常安装后自动生效（以官方说明为准）。
  4. 验证是否生效：在对话中直接说「文件扫描」或「查看本周文件」，若技能返回形如「📂 本周文件扫描结果（12-22 至 12-27）」的文件列表，说明已正常触发；若没有任何反应，通常是技能未启用、仓库路径不在当前工作目录，或关联的记忆技能缺失。
  5. 确认关联配置：检查扫描根目录是否为你的 Obsidian 仓库根路径，确认 AI_MEMORY/、.obsidian/、.trash/、.claude/ 这些需要排除的目录确实存在并会被过滤。

整个「安装—启用—验证」链路很短，真正的成本不在安装，而在于你是否已经有一套愿意长期维护的笔记与记忆习惯。

该技能的主要功能和特点

  • 按周自动计算时间范围：技能会先判定今天是周几——若是周日或之后，取「本周一 00:00 至现在」；若是周日之前，取「上周一 00:00 至上周日 23:59」，避免用户自己手算日期。
  • 精准的目录排除规则：扫描时始终排除 AI_MEMORY/（记忆系统本身，防止自我循环）、.obsidian/（配置）、.trash/（已删除）、.claude/（Claude 配置）以及所有以 . 开头的隐藏文件与目录。
  • 分类展示，降低认知负担：扫描结果按「📅 Daily 日记类 / 📝 项目文档类 / 📚 学习笔记类 / 🎯 其他」分组呈现，并标注每类数量，用户可以按类选择（如「从 Daily 开始」「全部」）。
  • 七类重点识别：重要决策（技术选型、工具选择、方向调整）、情绪记录（兴奋、焦虑、成就感）、新项目/新习惯、重复行为（3 次以上的相似活动）、偏好表达（明确的喜欢/不喜欢）、待办事项、有意义的资料收集。
  • 四类主动忽略：偶然保存的无关文章、无后续行动的临时笔记、非学习成果的代码片段、已记录到 L1 的内容——这就是它与「文件列表工具」的本质区别。
  • 人机协同的确认机制：每条候选都给出「[ ] 是 [ ] 否 [ ] 修改后记录」三选项，绝不擅自写入记忆，尊重用户对「什么值得记住」的判断权。
  • 与 mem-record 联动落库：用户确认「是」后调用 mem-record 写入 L1 情境层；选择「修改后记录」则先询问修改意见再落库。
  • 与 mem-weekly 串联成流水线：周复盘时可以先跑 mem-file-scan 补全 L1，再交给 mem-weekly 做行为模式分析，形成「扫描 → 补录 → 分析」的标准链路。
  • 记录密度控制：内置「不过度记录、聚焦重要事件、尊重用户选择」三条原则，避免把琐碎日常塞满记忆库。
  • 异常兜底：本周无修改文件时给出可能原因与后续建议；文件过大或格式异常时跳过并提示用户手动补充。

如何使用该技能？

以下按技能定义的七步工作流，给出可直接照做的使用指南。

第 1 步：用自然语言触发。 常见触发话术：

  • 「文件扫描」
  • 「查看本周文件」
  • 「扫描文件变化」
  • 「帮我回顾一下这周在 Obsidian 里都干了什么」

也可以在说「周复盘」时由流程自动先调用本技能。

第 2 步：让技能确定本周范围。 技能内部会执行类似下面的时间判断（示例日期仅为演示）：

今天是：2025-12-27（周五）
本周范围：2025-12-22（周一）至 2025-12-27（今天）

第 3 步：执行扫描命令。 技能使用 Bash 工具查找本周修改的 Markdown 文件，命令形态大致如下：

find . -name "*.md" -type f -newermt "2025-12-22" ! -newermt "2025-12-28" \
  ! -path "./AI_MEMORY/*" \
  ! -path "./.obsidian/*" \
  ! -path "./.trash/*" \
  ! -path "./.claude/*"

实际参数会随当前日期自动调整，你不需要手动输入。

第 4 步：查看分类结果。 输出形如：

📂 本周文件扫描结果（12-22 至 12-27）
发现 5 个修改的文件：
📅 Daily日记类（2个）：Daily/2025-12-22.md、Daily/2025-12-25.md
📝 项目文档类（2个）：Projects/项目A/进展.md、Projects/项目B/会议记录.md
📚 学习笔记类（1个）：Learning/Python/装饰器.md

此时技能会问你：从哪些文件开始（可以说「全部」「从 Daily 开始」或指定文件），也可以直接告诉它哪些文件里有重要事件。

第 5 步：逐条确认候选记录。 技能用 Read 工具读取文件后，输出候选清单，例如：

📄 文件：Daily/2025-12-25.md
1️⃣ 【重要决策】选择 Python 作为后端语言
   你的考虑：团队熟悉、生态丰富；情绪：安心
   是否记录到 L1？ [ ] 是  [ ] 否  [ ] 修改后记录
2️⃣ 【日常事件】完成了用户认证模块
   是否记录到 L1？ [ ] 是  [ ] 否

你只需回答「1 是、2 否」，或说「第 1 条改成『确定后端使用 Python，便于团队协作』再记录」。

第 6 步：技能调用 mem-record 写入 L1。 确认后由 mem-record 完成实际落库，路径通常为 L1_情境层/2025-12.md 这类按月归档的文件。

第 7 步：查看汇总报告。 全部处理完后输出统计：

✅ 文件扫描回顾完成！
📊 扫描文件数：5 个 / 识别候选：6 条 / 成功记录到 L1：4 条
💡 建议：这些新记录将在下次周复盘时参与行为模式分析

同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
mem-file-scan（记忆文件扫描回顾技能） 个人记忆系统的「补录前端」 按周扫描 .md 文件、排除系统目录、分类展示、七类重点识别、人工确认后调用 mem-record 落库 需具备 AI 记忆系统与 mem-record/mem-weekly 协作技能；触发门槛极低，一句话即可 周复盘前补全 L1、回顾本周 Obsidian 活动 优势：识别有优先级、有密度控制、能直接落库；不足：强依赖记忆系统生态，脱离该体系价值下降
Obsidian 原生「最近打开的文件」/ 文件恢复 编辑器内置的访问历史 展示最近打开过的文档 零安装 快速回到昨天看的那篇笔记 优势：即时；不足：只记「打开」不记「修改」，无时间范围、无分类、无内容分析
Obsidian Dataview 插件 基于元数据的查询引擎 用查询语句列出符合修改时间条件的文件 需安装插件并学习查询语法 自建仪表盘、批量筛选文件 优势：灵活可定制、可长期复用；不足：只出列表不出结论，识别与判断仍要人来做
手动翻日记 + 大脑回忆 纯人力的传统周复盘 人工逐篇翻阅、自己写总结 零门槛但耗时 笔记量少的轻度用户 优势：完全可控；不足：一周 20-30 篇时极易遗漏与疲劳，重要决策常被跳过

横向来看，Dataview 解决的是「把文件找出来」，mem-file-scan 解决的是「把值得记的事挑出来并写进记忆」——前者是检索工具，后者是带判断的回顾助手。

该技能的典型应用场景与实际体验情况

场景一：个人知识管理爱好者的周复盘。 角色：用 Obsidian 做第二大脑、同时用 AI 记录对话的深度用户。痛点：周日做周复盘时，L1 里只有聊天记录，而本周真正花时间的是笔记里的三个项目文档。使用方式：周复盘第一步先说「文件扫描」，让技能补全 L1，再进入 mem-weekly 分析。 体验：触发成本几乎为零，扫描 + 确认一条龙；需要注意的是「周」的边界是按技能内置规则计算的，跨周补记时要在对话里说清楚范围。

场景二：独立开发者的技术决策追溯。 角色：一人多角色的独立开发者。痛点：技术选型写在项目文档的会议记录里，几周后完全想不起当时的权衡理由。使用方式：扫描后重点看「项目文档类」，把「为什么选 A 不选 B」这类决策条目确认入库。 体验：决策类内容的识别准确率较高，因为技能明确把「决策」排在识别优先级第一位；但如果笔记写得太简略（只有一句「换方案了」），技能只能原样提取，仍需人工补充背景。

场景三：学习者的兴趣方向发现。 角色：正在自学新技能的学生或转行者。痛点：不知道自己的兴趣是在扩散还是在收敛。使用方式：扫描「学习笔记类」，留意技能提示的「反复出现的相似活动」与「新兴趣方向的资料收集」。 体验：单周看不明显，连续跑 4-6 周后，L1 里累积的重复行为会成为周复盘发现模式的关键证据；注意不要为了「有数据」而把每次看两页书都记录成事件。

场景四：记忆系统长期养护。 角色：已经搭建 AI 记忆系统数月的用户。痛点：对话记录丰富但生活侧信息稀薄，记忆画像偏科。使用方式：把「文件扫描」固化为每周固定动作。 体验：上手难度低，但需要养成习惯；技能本身提供了「没有找到修改的文件」的兜底提示，不会让你误以为技能坏了——常见原因就是这周主要在对话而没直接编辑笔记。

该技能能为用户带来的价值

  • 把「对话记忆」升级为「全场景记忆」：记忆系统由此能覆盖你在笔记软件里的独立工作，而不只是与 AI 的交互，周复盘的信息完整度显著提升。
  • 把回忆这件事从「翻找」变成「审核」：过去要逐篇打开一周的笔记、边看边想「这条要不要记」，现在变成对候选清单做选择题，机械劳动被前置完成。
  • 降低长期维护门槛：不需要学 Dataview 查询语法、不需要自己写 find 命令、不需要记日期区间，一句「文件扫描」即可。
  • 可量化的时间收益：一周若有 20-30 篇修改文件，人工逐篇回顾通常需要半小时以上；技能一次扫描即可给出全部候选，把时间集中在「判断」而非「查找」上，实际节省通常在数十分钟量级（具体因仓库规模而异）。
  • 提升下游分析质量：mem-weekly 的行为模式分析依赖 L1 样本，补录越完整，模式识别越可靠——这是「一次扫描」带来的长期复利。
  • 可控的隐私边界：通过明确的目录排除规则（AI_MEMORY、.obsidian、.trash、.claude、隐藏目录）和逐条人工确认，用户始终掌握「哪些内容被读取、哪些内容被记住」。

常见问题 FAQ

Q1：这个技能怎么安装？装完怎么确认生效？ A：通过技能市场搜索 mem-file-scan 或使用平台提供的技能导入方式添加，具体入口、命令与目录路径以官方说明为准。装好后在对话里说一句「文件扫描」，若能返回「📂 本周文件扫描结果」开头的分类文件列表，即为生效。无反应时优先检查技能是否启用、当前工作目录是否为 Obsidian 仓库根目录。

Q2：这个技能收费吗？ A：技能详情中未包含任何定价信息，是否收费、是否有免费额度取决于你使用的技能分发平台，请以官方说明为准。需要提醒的是，技能运行时会调用 AI 环境与文件读取能力，这部分消耗由你所使用的 AI 服务计费。

Q3：它会不会把我仓库里的文件全部读一遍？ A：不会。技能严格限定在「本周修改的 .md 文件」范围内，并始终排除 AI_MEMORY/、.obsidian/、.trash/、.claude/ 以及所有以 . 开头的隐藏目录。读取也是分步进行的——它先列出文件清单，由你指定从哪些文件开始分析，再逐个读取并生成候选，不会未经你选择就批量分析。

Q4：它和 Obsidian 自带的「最近文件」、Dataview 插件有什么区别？ A：「最近文件」记录的是你打开过什么，不判断「修改」也不分析内容；Dataview 能按修改时间筛出文件列表，但只出列表不出结论。mem-file-scan 的差异在于后半段：它按「决策 > 日常事件、情绪 > 纯事实、新习惯 > 常规活动、重复行为 > 偶发事件」的优先级做识别，生成带确认选项的候选清单，并在你确认后调用 mem-record 直接写入 L1。

Q5：适合谁用？我的笔记不在 Obsidian 里能用吗？ A：最适合已经搭建了 AI 记忆系统、并用 Obsidian 做长期笔记的用户，尤其是坚持周复盘的人群。技能的工作流以 Obsidian 仓库结构和「排除 AI_MEMORY 目录」为前提，若笔记在其他工具中，需自行调整扫描路径与排除规则，效果不保证。

Q6：扫描出来的东西太多或太少怎么办？ A：技能内置记录密度控制原则——琐碎日常不记录、聚焦决策/情绪/偏好/模式、最终由你决定。若候选过多，可以在确认环节直接说「只保留决策类」；若过少，通常是笔记本身写得过于简略，建议在 Daily 里多写一两句「为什么这么决定」，扫描质量会明显提升。