📖 顺序阅读

通过以语义分块方式摄入文本内容，并迭代构建结构化反思，来阅读散文类作品（小说、非虚构类书籍、文章等）。输出结果体现你在通读过程中视角的动态演进过程——包括被证伪的预测、得到解答的问题、发生转变的观点——而不仅是一份事后的总结。

调用方式

执行模型

该流水线在派生的子智能体（sub-agents）中运行。 针对小说长度的文本，阅读流程分为两个阶段：由主阅读器（main reader）处理大部分分块；随后由收尾器（finisher）完成剩余分块并生成最终综合分析。这是标准流程，而非异常情况。

当用户调用 /sequential-read 时：

1. 解析命令，提取文件路径及可选的 lens 参数
2. 预先创建会话：

   python3 {baseDir}/scripts/session_manager.py create 
   

3. 派生 主阅读器 子智能体：

   sessions_spawn with label: reader-{session-id}
   Tell the agent: "Session already exists at {session-id}. Do NOT create it again."
   

4. 通知用户会话已启动，并告知将在完成后通知结果
5. 当主阅读器返回时（无论其是否完整执行完毕或中途终止）：
   • 检查会话状态：python3 {baseDir}/scripts/session_manager.py get
   • 比对已有反思数量与总分块数
   • 若已生成综合分析（synthesis）：流程结束，直接呈现结果。
   • 若仍有未处理分块，或尚未生成综合分析：派生一个 收尾器 子智能体（见下文）。对于小说类文本，此为预期路径。
6. 收尾器返回后，呈现综合分析结果及会话路径。

两阶段模式

对于小说类文本（约 20+ 个分块），主阅读器通常在上下文填满、会话自然终止前处理约 17–20 个分块。这是 预期行为，并非失败。收尾器将承接剩余的 2–5 个分块，并基于此前全部反思所积累的完整上下文，生成最终综合分析。

派生收尾器：

sessions_spawn with label: finisher-{session-id}, model: "opus"
Task: "Resume reading session {session-id} at {baseDir path}.
  Read reflections written so far to understand context.
  Continue from chunk N (the next unwritten chunk).
  Write remaining reflections, then run synthesis.
  Session path: {session-path}"

主阅读器与收尾器之间无需等待，也不应向用户提问。 当主阅读器返回且未生成综合分析时，应立即派生收尾器。整个流水线应完全无人值守（hands-off）。

脚本路径

所有 Python 脚本均位于 {baseDir}/scripts/ 目录下：

• {baseDir}/scripts/session_manager.py
• {baseDir}/scripts/chunk_manager.py
• {baseDir}/scripts/state_manager.py

模板文件位于 {baseDir}/templates/ 目录下：

• {baseDir}/templates/reflection_prompt.md
• {baseDir}/templates/synthesis_prompt.md

命令详解

/sequential-read [--lens ]

1. 创建或恢复会话

python3 {baseDir}/scripts/session_manager.py create  [--lens ]

该命令自动检测是否可恢复已有会话：

• 若存在同名源文件的进行中会话，则打印该会话的 session-id 与路径
• 否则创建新会话

从输出首行捕获 session-id。

2. 检查会话状态（仅适用于恢复场景）

python3 {baseDir}/scripts/session_manager.py get 

检查 status 字段以确定恢复位置：

3. 运行流水线

针对新会话或状态为 preread 的情况：

运行预读子技能（{baseDir}/preread/SKILL.md），参数如下：

• SESSION_ID = 会话 ID
• SOURCE_FILE = 源文本路径
• BASE_DIR = {baseDir}

针对状态为 chunked 的情况（或预读完成后）：

运行阅读子技能（{baseDir}/reading/SKILL.md），参数如下：

• SESSION_ID = 会话 ID
• BASE_DIR = {baseDir}
• LENS = lens 值（或 null）

针对状态为 read 的情况（或阅读完成后）：

运行综合分析子技能（{baseDir}/synthesis/SKILL.md），参数如下：

• SESSION_ID = 会话 ID
• BASE_DIR = {baseDir}

4. 呈现结果

综合分析完成后，向用户发送以下内容：

• 完整的综合分析文本
• 会话路径：memory/sequential_read//
• 简要说明：分块总数、是否使用了 lens

/sequential-read list

python3 {baseDir}/scripts/session_manager.py list

将输出直接打印给用户。

/sequential-read show

python3 {baseDir}/scripts/session_manager.py get 

若状态为 complete，则读取并显示：

memory/sequential_read//output/synthesis.md

若状态未完成，则显示当前会话状态与进度。

模型选择指南

阅读阶段是计算与质量要求最高的环节——需持续多轮迭代并全程维持输出质量。请根据源文本长度选择模型：

派生子智能体时，请显式指定模型：model: "opus"（小说类文本必需）。

为何重要： 轻量级模型在长文本阅读中性能会随迭代次数增加而下降——随着上下文不断累积，反思内容易退化为占位符。在一次测试中，使用 Sonnet 对一部含 35 个分块的小说执行顺序阅读，仅产出 4 条有效反思，其余 31 条均为占位符。因此，小说类文本必须使用 Opus。

分块大小： 结构化分块器目标为每块约 550 行（浮动范围 200–700 行）。典型小说（约 10–12k 行）将被划分为约 20 个分块。更长文本（15k+ 行）可能生成 35+ 分块，此时必须启用收尾器会话（见上文）。

两阶段模式为标准流程。 对于小说长度文本（20+ 分块），主阅读器结束后始终应派生收尾器。主阅读器负责约 80–90% 的分块；收尾器负责剩余分块及综合分析。对于极长文本（35+ 分块），主阅读器可能仅处理约 25 个分块。请据此合理规划——这是正常流水线设计，而非错误恢复机制。

预先创建会话： 务必在派生子智能体 之前，先通过 session_manager.py create 创建会话。并向子智能体明确说明“会话已存在，切勿重复创建”，以避免因并发创建导致失败。

阅读器上下文（可选）

若你维护了 reader-mind 文件（即长期积累的阅读上下文——如人物关系、主题线索、批评框架等），请将其作为前置内容加载至子智能体的任务提示（task prompt）中。这有助于在系列作品间保持阅读连续性。

在派生任务中嵌入上下文：

"Before you begin reading, here is your accumulated reader context:

=== READING CONTEXT ===
[contents of reader-mind file]

Now read [book title]..."

综合分析完成后，请更新 reader-mind 文件： 合并新增的人物认知、主题线索更新及跨文本观察结论。采用修订（revise）而非追加（append）方式，单个文件建议控制在约 4000 词以内。

阅读智能体的重要准则

• 禁止预览（No peeking）。 每条反思必须严格基于“尚未知晓后续内容”的视角撰写，不得引用后续分块中的信息。
• 保持诚实（Be honest）。 困惑、乏味、兴奋、质疑等均为合理反应，切勿强行表演“投入感”。
• 修订须具体（Be specific in revisions）。 “我关于 X 的判断有误，因为 Y” 优于泛泛而谈的“我的观点发生了演变”。
• lens 是建议而非指令（The lens is a suggestion）。 若某一分块难以自然套用指定 lens，请如实记录该感受，而非强行应用。
• 自主运行（Run autonomously）。 分块之间不得中断并向用户提问。整个流水线为“设定即遗忘（set-and-forget）”模式。
• 持久化一切（Persist everything）。 每一条反思与状态更新均在进入下一环节前写入磁盘，确保意外中断后可从中断点恢复。

综合分析后操作

综合分析完成后，你可将输出集成至任意工作流中——例如博客文章、阅读日志、知识图谱、系列追踪器等。output/synthesis.md 中的综合分析文件为自包含（self-contained）、可移植（portable）格式。