把历史变成排序和探索,不变成白名单或唯一答案
现在
在用
截至 11 月 4 日 · 理解库技能和分类计数

推荐既有连续性,也不会越用越窄;信息不足时仍交付可执行的搜索下一步。

当前情况:当前AI可用已有事实给熟悉、相邻和新鲜选择,每类至少 3 个;手机使用只认 Collector 完整采到的日子,旧 AppUsage 时长不再采信。项目不自动下单,实时价格、库存与推荐效果另行核对。

具体测试保留各自日期,页面不实时探测运行状态。

项目源码:私有仓库,源码未公开;用法与技术说明可在下面阅读。

把历史变成排序和探索,不变成白名单或唯一答案
现在
在用
截至 11 月 4 日 · 理解库技能和分类计数

推荐既有连续性,也不会越用越窄;信息不足时仍交付可执行的搜索下一步。

当前情况:当前AI可用已有事实给熟悉、相邻和新鲜选择,每类至少 3 个;手机使用只认 Collector 完整采到的日子,旧 AppUsage 时长不再采信。项目不自动下单,实时价格、库存与推荐效果另行核对。

具体测试保留各自日期,页面不实时探测运行状态。

项目源码:私有仓库,源码未公开;用法与技术说明可在下面阅读。

这项功能怎样使用

用途与实际影响

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;手机使用只看 Collector 完整采到的日子,而且只是行为观察,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:每类至少 3 个具体内容,标明熟悉/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。

这项功能怎样使用

用途与实际影响

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;手机使用只看 Collector 完整采到的日子,而且只是行为观察,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:每类至少 3 个具体内容,标明熟悉/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。

结果怎么看
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。个人资料锁着时先由主对话请我验证,不用旧资料做降级推荐。

结果怎么看
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。个人资料锁着时先由主对话请我验证,不用旧资料做降级推荐。

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。

选衣服鞋子时 AI 同时读身体尺寸和尺码两张卡:人体厘米、我的鞋码、以前买过的单品规格分开看,每项按自己的来源和日期取;商品尺码不当人体尺寸,哪项没记录就留未知,不用别的口径凑。

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。

选衣服鞋子时 AI 同时读身体尺寸和尺码两张卡:人体厘米、我的鞋码、以前买过的单品规格分开看,每项按自己的来源和日期取;商品尺码不当人体尺寸,哪项没记录就留未知,不用别的口径凑。

技术实现与依据(一)

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。手机活动现以 Collector 完整北京日为可信依据,AppUsage 已退役、全时期时长不采信。本次没有生成新的个性化推荐。

关键规则与设计选择
1
每个领域至少 3 个熟悉 + 3 个相邻 + 3 个新鲜,确有分量的路线还可以继续列;3+3+3 不是固定上限,也不是 Python 代码自动生成的 UI 或算法,不用同款变体凑数。
2
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。
3
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),但不等于所有部分退款都没有可用的商品依据:有据的剩余部分仍可参考。
4
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)。
5
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。
6
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。
7
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。
8
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。
技术实现与依据(一)

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。手机活动现以 Collector 完整北京日为可信依据,AppUsage 已退役、全时期时长不采信。本次没有生成新的个性化推荐。

关键规则与设计选择
1
每个领域至少 3 个熟悉 + 3 个相邻 + 3 个新鲜,确有分量的路线还可以继续列;3+3+3 不是固定上限,也不是 Python 代码自动生成的 UI 或算法,不用同款变体凑数。
2
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。
3
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),但不等于所有部分退款都没有可用的商品依据:有据的剩余部分仍可参考。
4
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)。
5
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。
6
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。
7
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。
8
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。
技术实现与依据(二)
9
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。
10
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。
11
实际设备使用只作行为观察,不能直接灌入喜欢分数。AppUsage 所有时期的时长、排名和频次都不采信;Collector 完整北京日才可信,部分日只作有限参考。换来源不清空独立的兴趣和真实经历。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。
12
选衣鞋尺寸只在 personal.body_measurements 和 shopping.clothing_sizes 两张卡维护,逐字段保留来源和日期;有可靠新实测才改该字段的现行值,旧值留在版本和原证据里,未受影响的字段不清空;肩围不作肩宽,商品尺码不作人体值;预算是每次搜索的条件,不进长期画像。网页不放具体尺寸。
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。
  • 选衣鞋直接用 profile --key personal.body_measurements --key shopping.clothing_sizes --context --json 同读两张卡;摘要没写或词没搜到不等于资料不存在。
  • 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。
技术实现与依据(二)
9
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。
10
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。
11
实际设备使用只作行为观察,不能直接灌入喜欢分数。AppUsage 所有时期的时长、排名和频次都不采信;Collector 完整北京日才可信,部分日只作有限参考。换来源不清空独立的兴趣和真实经历。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。
12
选衣鞋尺寸只在 personal.body_measurements 和 shopping.clothing_sizes 两张卡维护,逐字段保留来源和日期;有可靠新实测才改该字段的现行值,旧值留在版本和原证据里,未受影响的字段不清空;肩围不作肩宽,商品尺码不作人体值;预算是每次搜索的条件,不进长期画像。网页不放具体尺寸。
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。
  • 选衣鞋直接用 profile --key personal.body_measurements --key shopping.clothing_sizes --context --json 同读两张卡;摘要没写或词没搜到不等于资料不存在。
  • 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。
技术实现与依据(三)
  • 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)。
技术实现与依据(三)
  • 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)。
技术实现与依据(四)
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(每类至少 3 个)
6
补关键取舍和搜索接力
7
用户选择或纠正
技术实现与依据(四)
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(每类至少 3 个)
6
补关键取舍和搜索接力
7
用户选择或纠正
名词和入口
本模块用到的名词
名词意思
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。

名词和入口
本模块用到的名词
名词意思
熟悉稳妥
意思:
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
意思:
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
意思:
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)
意思:
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。

出问题时(一)

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。

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;AppUsage 全时期时长不用于强度,Collector 部分日只作有限参考;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。
出问题时(一)

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。

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;AppUsage 全时期时长不用于强度,Collector 部分日只作有限参考;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。
出问题时(二)
  • 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;资料锁着时不用旧私人资料做降级推荐。
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。
出问题时(二)
  • 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;资料锁着时不用旧私人资料做降级推荐。
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。
出问题时(三)
  • 旧推定因退款、B 站成员语义升级或 AppUsage 退役失效: 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。
出问题时(三)
  • 旧推定因退款、B 站成员语义升级或 AppUsage 退役失效: 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。
依据与来源
真实入口
  • daily-preferences/SKILL.md 与 references/recommendations.md: 定义每类至少 3 个的三类菜单、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、activity 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。那时的手机时长来自 AppUsage,现已不采信。
  • 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,这是当时的数字。2026-10-11 16:35 本库 Steam 记录按类别为 118 / 6 / 8 / 28,共 160 条;分类条数不自动等于唯一游戏数,本次没有重采 Steam。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。
  • 网易云现行记录仍是 199 首喜欢曲目,本次没有刷新账号,个人播放次数仍未取得。
  • 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。
  • 本次没有生成新的个性化推荐,测试 0,也不把只读活动状态当成推荐的自然语言验收。
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。

依据与来源
真实入口
  • daily-preferences/SKILL.md 与 references/recommendations.md: 定义每类至少 3 个的三类菜单、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、activity 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。那时的手机时长来自 AppUsage,现已不采信。
  • 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,这是当时的数字。2026-10-11 16:35 本库 Steam 记录按类别为 118 / 6 / 8 / 28,共 160 条;分类条数不自动等于唯一游戏数,本次没有重采 Steam。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。
  • 网易云现行记录仍是 199 首喜欢曲目,本次没有刷新账号,个人播放次数仍未取得。
  • 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。
  • 本次没有生成新的个性化推荐,测试 0,也不把只读活动状态当成推荐的自然语言验收。
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。

数字截至 2026 年 11 月 6 日

复制 AI 续作说明

项目:把历史变成排序和探索,不变成白名单或唯一答案;仓库:页面未提供仓库地址;范围:整个项目;目标:(这里写这次要做的事)。先读项目的 AGENTS.md 和说明,按现行规则做。

把“目标”换成这次要做的事,整段复制给 AI。