用途与实际影响
这项功能怎样使用
为什么需要它
只从历史挑同款会把数据变成白名单；把旧记录自动过期或把没记录解释成不喜欢，又会制造假的负向偏好。只给一个综合最优还会把用户的场景、好奇心和最终选择权藏在模型里。
举个实际例子
我可以说：“结合最近实际用过的应用、听过的音乐和购物经历，给我熟悉、相邻和新鲜的选择。”AI先看相关认识，再按问题查已接入来源、必要原文和当前限制；设备使用只是行为观察，不自动证明喜欢。音乐个人播放次数缺失时只用已有喜欢清单和其他依据，不编造次数。
最后我会得到什么
得到一份可以比较的菜单，而不是一句命令：具体内容、熟悉/相邻/推测身份、为什么适合、关键取舍、必要的粗略价格/场景和搜索接力。
可以用于当前帮助
依据足够时交回熟悉、相邻和合理新鲜的多组候选，解释各自为什么适合与关键取舍。
需要分辨
来源较弱或旧推断失效时标明推测与未知，不拿同款变化凑数。
当前不可用
实时平台信息拿不到时仍可给有边界的候选和搜索词，不假称最低价或已下单。
从哪里开始
说明想选吃喝、商品、出行或娱乐，以及这次在意的条件。
需要准备什么
- 本次用途与现实限制
- 想延续或探索的方向（如有）
- 价格是否是本次取舍条件
从开始到拿到结果
- 1
系统核对并处理
从相关认识和事实形成熟悉、相邻、新鲜的候选，分开实际经历、弱线索与推测；需要实时信息再查。
- 2
交付与接续
交回具体理由、取舍和可继续搜索的入口；证据不足保持未知，最终选择和购买仍由本人决定。
技术实现与依据
这里保留实现、关键条件、精确入口、历史记录和验证结果。
三类菜单、搜索接力和选择权由 daily-preferences Skill 与当前 AI 拥有；Python 项目提供事实，不内置推荐模型、比价 API 或下单执行器关键规则与设计选择
3+3+3 是 Skill/AI 回答结构，不是 Python 代码自动生成的 UI 或算法。
熟悉稳妥来自高把握明示/行为；相邻探索说明与哪些偏好轴相邻；新鲜项允许未出现在来源中但必须标推测。
退款、关闭、取消、失败和 refunded_full 订单链不进入熟悉/相邻候选，也不增加复购强度；原交易事实仍可核对。部分退款、组单和关联不唯一保持 Unknown（未验证）。
时间只在其他条件相同时调整候选顺序；久远有效成功记录和未更正明示仍可支撑熟悉/相邻选择，低频或无记录保持 Unknown（未验证）。
Steam 已玩可以增强行为依据，未玩但已分类的库内选择仍有较弱价值；多账号按 AppID 合并后保留观察边。累计启动时长不加分，当前免费同条件低 0.5 分，不证明具体历史取得方式。
每个候选比只报名词细一档：具体内容、理由、取舍，以及必要价格、场景或关键词。
没有京东、淘宝、拼多多稳定比价 API 不等于无法建议；最终实时价格与跨平台比较由用户查看。
餐厅优先给候选，再按需求推荐大众点评、淘宝闪购/饿了么或美团中的少量平台。
除非用户明确说只给一个或直接替我选，否则不替用户下单、付款或决定唯一套餐。
旅行住宿等选择现在可按问题结合已接入的行程、订单、GPS区域级观察与本人明示；来源覆盖、移动推断和酒店结果分别说明，不把单次自然题扩成全部旅行历史已经准确理解。
实际设备使用只作行为观察，不能直接灌入喜欢分数；旧AppUsage失真历史时长不作为强度。音乐喜欢清单可用但个人播放次数未知，微信聊天与支付语境分开。
本模块用到的名词
- 熟悉稳妥
- 有高把握明示、长期行为或明确使用场景支撑的低风险选择。
- 相邻探索
- 在已知偏好轴旁边移动一步，既有新意又能说明为什么相邻。
- 合理新鲜
- 可能从未出现于历史，但与已知偏好或决策方式有可解释连接，并明确标成推测。
- search handoff（搜索接力）
- 把实时门店、菜单、优惠、库存或价格交给最相关平台，并给用户可复制关键词。
专业定义
真正的个性化不是把旧订单再念一遍：熟悉选择提供稳妥，相邻选择扩展边界，新鲜选择保留好奇心，用户自己决定。
解决什么
解决推荐只复述历史、同款变体凑数量、模型替用户单选、没有实时 API 就停工和平台无差别罗列。
当前怎样实现
- Skill/AI先取与本题相关的现行认识，再按会改变选择的轴调用evidence/facts/activity或其他已登记来源，必要时有界original；不固定先读三张卡，也不每题扫描所有平台。Python evidence排除非成功与refunded_full，facts仍保留先买后退。
- AI 将来源事实、current（当前状态） 明示、推定和 Unknown（未验证） 分层，再生成三类候选。
- Steam 游戏候选区分 played 与 observed，明确未玩查询排除 played，游戏查询排除 application；store_price_class 只作当前选择条件，具体历史 acquisition 保持 Unknown（未验证）。
- 搜索接力按品类选 1–2 个平台与可复制关键词，不遍历所有平台。
- Python CLI（命令行工具） 不生成候选菜单、不搜索实时价格、不调用模型 API，也不执行下单；ingest 的 completed 和 invalidated_snapshots 只报告证据接入与旧推定失效。
- snapshot 保存的是 AI 已明确给定的推定文本及当前证据绑定，不是 Python 自动推导；它同样先提交 SQLite 再写 CURRENT（当前状态），saved 回执与缓存写入失败须按真实阶段解释。
- 用户的接受、拒绝和纠正只有在明确表达后才通过 record 更新 current（当前状态）。
执行流程
- 1
自然推荐请求进入 Skill
- 2
读取 current（当前状态） 与最小证据
- 3
必要时 facts/original 核对
- 4
AI 分开事实/推定/未知
- 5
生成熟悉/相邻/新鲜菜单
- 6
补关键取舍和搜索接力
- 7
用户选择或纠正
边界
- 不冒充Python推荐算法。
- 不固定来源白名单或每题必读平台清单；只查会改变本题判断的现行材料。
- 手机/电脑活动只是行为观察，9月23日前失真AppUsage时长不用于强度；网易云个人播放次数仍未知。
- Steam已分类未玩/仅安装是较弱选择证据，不是游玩或喜欢证明；应用不当游戏，当前商店分类不证明历史取得方式。
- 非成功和refunded_full不进入普通偏好、模型上下文或复购计数；partial/Unknown（未验证）不猜。
- 认识是否继续成立由AI复核相关来源与反例；stale不是本人改变偏好的结论。
- 久远、低频、长期未买或无记录都不自动等于过期/不喜欢。
- 不承诺实时最低价。
- 不替用户下单付款。
- 不把历史变成白名单。
- 旅行等领域只在已取得范围内给建议，不推断所有历史完整。
- 用户未要求单选时保留选择权。
失败与恢复
- 没有实时平台 API
- 仍可根据偏好给候选、估计与经验判断，再交付 1–2 个平台和搜索词。
- 证据只能证明买过
- 候选理由写成行为相邻或待探索，不写成已确认喜欢。
- 记录显示退款、关闭、取消或失败
- 不进入候选上下文、复购计数或喜恶推定；只有需要解释交易时才作为负状态事实回读。
- 此前成功记录后来可靠全额退款
- 有效结局改为 refunded_full 并退出候选/复购/快照支持；事实保留，不能反推不喜欢。
- 旧推定因退款或 B 站成员语义升级失效
- 只使用仍有效的相关认识与事实；按实际证据复核受影响的摘要和详述，不把一次程序失效变成永久停工。
- 偏好很久没出现或来源里没有记录
- 降低把握或保持 Unknown（未验证）；不自动写成不喜欢，除非用户当前明确拒绝、纠正或存在其他直接反证。
- Steam 项目尚未游玩或属于应用
- 已分类未玩游戏保留较弱选择意义；应用不混入明确游戏查询，不用库存在性冒充游玩，也不反推不喜欢。
- 只知道 Steam 当前免费/付费
- 可用于眼下成本比较；历史直购、礼物、激活码、限免或家庭共享继续 Unknown（未验证）。
- 没有合理新鲜项
- 继续寻找不同偏好轴或明确本轮证据不足；不能用同款口味变体凑数。
- 用户要求只给一个
- 在现有候选和取舍上做单选，并说明决定依据；仍不执行购买。
真实入口
daily-preferences/SKILL.md定义三类菜单、搜索接力、用户选择权、平台边界和扩展领域。
daily_preferences.py提供 current（当前状态）、refresh、evidence、facts、status、snapshot 与 original 事实接口。
AGENTS.md定义历史只排序、不替用户决定和无中央画像边界。
如何验证
- 2026-09-04旧自然更新对话刷新当时三类自动来源并完成专项语义闭环；2026-09-23新独立读者按普通兴趣/探索问题自行组合认识、网易云、购物和双设备活动，给有依据的可修正推荐；有限问题不代表任意推荐已验收。
- 2026-09-04 Steam 事实层为118已玩游戏、6已玩应用、8未玩游戏与33其他应用；未重采。回归证明累计启动时长不增加偏好分、当前免费只在其他条件相同时低0.5分。
- 核对每个新鲜项有相邻依据与推测标签；搜索接力只给相关平台和可复制词，不冒充最低价或执行付款。
与其他模块的关系
它消费本人理解、现行表达、来源、证据和具体事实；输出仍是 AI 协助的选择菜单，用户决定后才可能回到 current-corrections。