沉浸式长文本深度阅读伴侣

基于Python标准库的本地文本深度阅读工具，通过分块迭代生成结构化阅读笔记，模拟真实阅读认知演进过程。

基本信息

• 技能名称?sequential-read
• 中文名称?沉浸式长文本深度阅读伴侣
• 作者?horace-claw
• 分类?其他
• 版本?未标注
• 标签?productivity, education-research, content-media, docs, automation

使用方法

使用说明
核心用法
Sequential Read 是一款模拟人类深度阅读体验的智能工具，专为小说、非虚构作品和长篇文章设计。用户通过 /sequential-read > 启动阅读会话，系统会将文本按语义分块（约550行/块），逐块生成结构化反思记录，最终输出一份捕捉认知演进过程的完整阅读笔记。
工具采用独特的 双阶段执行模型 ：主阅读器处理大部分文本块（通常17-20块），当上下文窗口满载后自动触发收尾器完成剩余块并生成综合报告。支持通过 --lens 参数指定阅读视角（如"怀疑论者""文学评论家"），并可选加载"读者心智文件"实现跨书籍的连续性阅读。
显著优点

1. 认知真实性 ：不同于事后总结的摘要工具，它记录阅读过程中的预测失误、疑问解答和观点转变，还原真实的阅读心智轨迹
2. 超长文本支持 ：通过子代理分阶段执行，可处理数万行的小说级文本，自动管理上下文窗口
3. 完全本地化 ：零网络依赖，所有数据存储于用户本地目录，隐私可控
4. 可恢复性 ：每块反思实时持久化，支持中断后继续阅读
5. 零外部依赖 ：仅使用Python 3标准库，部署简单可靠
   潜在缺点与局限性
   模型成本敏感 ：小说级文本必须使用Claude Opus模型，Sonnet在长篇阅读中会产生大量占位符式低质量反思
   路径注入风险 ： {baseDir}} 占位符若包含特殊字符可能导致命令解析异常
   无协作功能 ：纯单机设计，不支持多用户同步或网络共享
   存储开销 ：长文本会产生大量中间文件，需定期清理历史会话
   适合的目标群体
   学术研究者：需要深度追踪文献阅读过程中的认知变化
   文学爱好者：希望生成结构化读书笔记和跨作品主题关联
   内容创作者：分析长文本结构、提取叙事线索和人物弧光
   知识管理实践者：构建个人阅读知识图谱
   使用风险
   性能风险 ：35+块超长文本可能需要多次收尾器接力，总执行时间较长
   模型降级风险 ：误用轻量模型会导致输出质量断崖式下降
   路径安全风险 ：工作目录含空格或特殊符号时需格外谨慎
   存储风险 ：默认会话数据持续累积，需手动管理磁盘空间