liken

输入你喜欢的一个或多个东西（书/电影/音乐/App/咖啡/城市/任意概念），先提炼它们的共性品味维度，再跨域找相似并给出'为什么像'。触发 liken / 知音；产出品味画像 + 跨域推荐清单 + 多维对照表。Do NOT use for 已明确要写的书评/影评、纯事实查询、购物比价、需要精确评分的推荐。

AllenLin@iyabao

Install

openclaw skills install @iyabao/liken

liken — 给你喜欢的东西找个同类

Put a cousin to what you love. （给你喜欢的东西，找个同类）

这个技能是什么

用户给 1~N 个他喜欢的东西——不限类型：一本书、一部电影、一首歌、一个 App、一款咖啡、一种工作方式、一个城市、一个概念……

技能不直接"凭记忆列相似推荐"，而是分两步：

先提炼品味：把这 N 个东西拆开，归纳出它们共同的"品味维度"（气质 / 主题 / 结构 / 情绪 / 功能）；
再跨域匹配：按这些维度去别的领域找相似的东西，每条标注它命中了哪几个维度，并诚实说明数据来源。

它和普通"书单推荐"的区别：核心不是推荐列表，是可解释的品味画像 + 跨域对照。

适用边界

✅ 适合：

用户说"我喜欢 X、Y、Z，帮我找类似的"
想发现新的书 / 电影 / 音乐 / 产品 / 体验
想搞清楚"我到底喜欢什么口味"（品味画像）
跨域推荐：从一本书的气质，联想到一首歌、一款咖啡、一个城市

❌ 不适合：

已明确要写的书评 / 影评 / 乐评（用对应写作技能）
纯事实查询（这本书讲什么）
购物比价、要精确价格/评分排名
用户只给了 0 个东西（先问清楚他喜欢什么）

前置条件

Python 3.8+（用于存在性核实脚本，无 key 即可用）。按 python3 → python → py -3 取第一个可用命令（Windows 通常用 py）。
涉及外部事实（某书/电影/音乐是否存在、剧情/类型）时，先检索核实，不编造标题和人名。

核心思维模式

接到输入先问自己： 这 N 个东西，真正打动用户的是"内容"，还是"气质"？

（很多时候用户喜欢《百年孤独》和 Notion，共同点不是"魔幻"，而是"秩序感里的浪漫"） 如果只推"同类型"，用户可能已经看过了。

（跨域推荐的价值在于：从书的气质，推一首歌/一个城市）

工作流

按顺序执行：

Step 1: 解析输入，分类

解析用户给的 N 个 item，判断每个属于哪一类：
- book（书）/ movie（电影）/ music（音乐）→ 娱乐类，LLM 推理 + OpenLibrary 核实存在性
- product（App/产品）/ concept（概念/工作方式）/ experience（咖啡/城市/体验）→ 抽象类，走 LLM 推理并标 🔮
如果用户只给了 0 个或 1 个非常模糊的词（"我就喜欢好看的"），先反问澄清 1~2 个具体 item。
把分类结果列出来给用户看一眼。

Step 2: 提炼共性品味维度（核心）

对每个 item 先写 1~2 句"它的气质"。
先做口味一致性判断：这 N 个东西是否真的共享一个品味方向？
- 方法：试着说出 1 个能同时形容全部 item 的词。能说出来（如都"克制、内省"）→ 继续提炼共性维度。
- 说不出来（如《小时代》+《资本论》，或一个喧闹一个沉静）→ 不要硬凑。明确告诉用户"这几个口味不太一致"，然后拆成 2 个口味分档推荐（A 档按第一类气质，B 档按第二类），每档独立给维度和推荐。
再归纳出 3~5 个共性维度，格式：维度名（维度说明）。
维度从这几个角度抽（不要硬凑，有几个算几个）：
- 气质：疏离 / 热烈 / 克制 / 浪漫 / 冷峻 / 治愈……
- 主题：孤独、秩序、反叛、成长、自然、连接……
- 结构：碎片化、线性、嵌套、留白、高密度……
- 情绪/mood：内省、兴奋、平静、怀旧、荒诞；适合什么场景（今晚看 / 通勤听 / 旅行读）
- 功能/价值：效率、陪伴、掌控感、逃离……
质量标准：维度必须是这 N 个 item 共同具备的，不是其中某一个的；找不到共性就如实说"这几个东西其实口味不太一致，我分别按两种口味推"。
维度必须可对照：每个维度名要能让任意一个候选在上面打"是/否/程度分"。不要用"感觉很文艺"这种没法打分的维度；改成"气质·克制（情绪不外放）"这种可判断的。

Step 2.5: 数量与分档（防回音壁）

主流推荐工具的通病是只在同领域打转、越推越像（回音壁），另一个通病是数量太少、用户无法判断你抓的品味对不对。数量按"同域/跨域"分开：

同域（用户输入所在的领域）：至少 7 个候选。这是给用户校验你是否理解正确的样本量——少于 7 个，用户没法判断你抓的维度偏没偏。
- 例：用户给的两本都是哲学书 → 同域就是"思想/哲学书"，给 7 本以上；用户给的都是 App → 同域就是"效率工具/App"，给 7 个以上。
- 同域候选按命中维度多少排序，前几个最像的放前面。
跨域（用户没提到的领域）：每类 3 个（稳妥 2 + 冒险 1）。领域不预设为书/影/音，按 Step 1 的品类动态决定——用户全给书，跨域就可以是音乐/电影/产品/城市/咖啡/播客；用户全给 App，跨域就可以是书/播客/工作方式。
冒险款标准（跨域里至少 1 个满足）：
- 它的领域 ≠ 用户任一输入的领域；或
- 它是用户大概率没接触过的冷门/跨界作品。明确标注它是"冒险推荐"，并说明它冒在哪里。
跨域下限：整份推荐里，至少 1 个候选落在用户没提到的领域。
不许硬凑：某一类实在凑不齐真命中维度的候选，就少给并如实说明，不要拿跑偏的凑数。同域 7 个是目标不是铁律，凑不齐 7 个真像的就给 5 个并说明"这类只找到 N 个真像的"。

Step 3: 召回候选

存在性核实源（均免费无 key，已实测可达；只确认作品真实存在，不做相似推荐）：

类型	源	命令
书	OpenLibrary	`py scripts/recommend.py book "<书名>"`
音乐	iTunes Search	`py scripts/recommend.py music "<曲名/艺人名>"`
电影	Wikidata	`py scripts/recommend.py movie "<电影名>"`
剧集	TVmaze	`py scripts/recommend.py show "<剧名句>"`

脚本返回 exists: true/false 和真实标题/作者/年份。娱乐类推荐前对要推的作品跑一遍核实；核不到或接口报错（脚本软退出并给提示），就只推高把握知名作品、存疑标"待核实"。
电影用 Wikidata 搜出可能有同名条目（软件/书/原声），按 description 里是否含 "film" 判断是不是电影。
所有"相似/跨域推荐"都由 LLM 按 Step 2 的维度推理生成，脚本只做存在性核实。

候选生成（全部由 LLM 完成）：

书：基于维度生成候选，推荐前必须用脚本核实标题/作者真实存在；核不到就换一个，不要硬推。
电影/音乐：用脚本核实存在性（音乐走 iTunes、电影走 Wikidata）；核实不到时，只推你有把握真实存在、且"它是什么"一句话能说准的知名作品；拿不准的标"待核实"。严禁编造不存在的电影名/专辑名/曲名，严禁张冠李戴剧情。
抽象类（产品/概念/体验）：由你（LLM）基于维度生成候选，必须标注 🔮 品味推理。

Step 4: 按维度重排 + 写理由

对召回/生成的候选，逐个判断它命中 Step 2 的哪几个维度。
过滤掉只命中 0~1 个维度的跑偏候选。
每条推荐必须含两句话（学主流工具但比它多一步）：
1. 它是什么：一句话说清这作品是谁/是什么、大概讲什么。
2. 为什么像：明确点出它和用户输入在哪个维度上相似，命中哪几个维度。
按 Step 2.5 把每类分成【稳妥款】和【冒险款】。

Step 5: 输出

按【输出模板】组织。完成质量自查清单。

输入契约

用户输入：liken [item1、item2、...] 或 知音 [item1、item2、...]

参数	类型	必填	说明
触发词	string	是	`liken` / `知音` / `liken` 别名
item 列表	string	是	1~N 个喜欢的东西，可混合类型
--domains	string	否	只看某几类，如 `--domains book,movie`，默认全部
--count	int	否	同域候选目标条数，默认 7；跨域每类固定 3（稳妥 2 + 冒险 1）

输入示例：

liken 我喜欢《百年孤独》、Notion、手冲耶加雪菲
知音《星际穿越》和 Radiohead
liken 我喜欢极简主义博客和 macOS
知音《海边的曼彻斯特》、冰岛后摇

输出模板

text

## 你的品味画像
[一句话总结这 N 个东西的共同气质，如：你偏好在"克制的秩序感"里找浪漫]
**总标签：** 给这组品味起一个有记忆点的名字（如"自由的叛逆者""温柔的秩序党""清醒的局外人"），不要用"文艺/高级感"这种空词。

### 共性维度
- 维度1（可判断的说明）：……
- 维度2：……
- 维度3：……
（3~5 个，每个都能让候选打是/否/程度分）

### 入门路径
先 [从这一个开始]：[选一个最容易入口、命中维度最多的候选]——因为 [一句话]。
再 [然后读/体验这个]：[选第二个]——因为 [它把第一个没讲透的 X 补上]。
（不展开，2~3 行，告诉用户从哪个下手，避免面对一堆清单无从开始）

## 同域延伸（和你输入同一领域，至少 7 个，供你判断我抓得准不准）

| 候选 | 它是什么 | 为什么像（命中维度） | 上手难度 | 备注/质量信号 |
|---|---|---|---|---|
| 《XXX》（作者，年） | 一句话 | 命中【维度1】【维度3】 | ⭐ 易入口 | 经典/获奖/影响力 |
| …… | | | | |

（同域领域由 Step 1 决定：输入是书就排书，是 App 就排 App，是咖啡就排咖啡。表格化，不要写散文列表。）

## 跨域推荐（你没提到的领域，每类 3 个）

### 🎵 音乐
| 候选 | 它是什么 | 为什么像 | 标注 |
|---|---|---|---|
| 《XXX》 | 一句话 | 命中【维度1】 | 稳妥/冒险 |

### 🎬 电影 / 📱 App / ☕ 咖啡 / 🌆 城市 / 🎙️ 播客 ……
（领域按用户输入动态挑 2~3 个最有反差感的，不固定书影音）

| 候选 | 它是什么 | 为什么像 | 标注 |
|---|---|---|---|
| …… | | | 🔮 品味推理 |

## 数据来源说明
- 书/电影/音乐/剧集：推荐前用对应脚本核实真实存在；核不到不推，存疑标"待核实"
- 抽象类（产品/概念/体验/城市）：基于品味维度推理生成，已逐条标注 🔮
- 所有"相似"均为按维度的品味推理，非相似召回数据库

维度对照表（可选，用户要时给）

候选	气质	主题	结构	情绪	命中维度数
用户输入《百年孤独》	浪漫	孤独	嵌套	内省	—
推荐《XXX》	浪漫	孤独	留白	内省	3/4

NEVER 清单

NEVER 只推同类型而不解释 —— 必须给"为什么像"和命中维度。
NEVER 把抽象类候选伪装成数据库结果 —— LLM 推理的候选必须标 🔮。
NEVER 编造书名/电影名/音乐名，或张冠李戴剧情 —— 书以脚本核实为准；电影/音乐只推有把握的知名作品，拿不准标"待核实"，不为凑数编冷门名。
NEVER 硬凑共性 —— 用户给的东西口味不一致时，如实说明并分口味推。
NEVER 在 description 里写 "I can" / "You can" —— 用第三人称。