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。
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):
- 它是什么:一句话说清这作品是谁/是什么、大概讲什么。
- 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 Radioheadliken 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
## 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。
质量要求(交付前自查)
- 每个输入 item 都被分类(娱乐类/抽象类),领域按输入动态决定,不预设书影音
- 共性维度是 N 个 item 共同具备的,且每个维度都可对照打分;给了一个有记忆点的总标签
- 给了"先从这一个开始"的入门路径
- 同域至少 7 个候选(凑不齐如实说明数量),跨域每类 3 个
- 整份推荐至少 1 个候选落在用户没提到的领域(跨域下限)
- 同域用表格输出(候选|它是什么|为什么像|上手难度|质量信号),跨域用表格
- 书/电影/音乐已用脚本核实存在性;拿不准标"待核实"
- 每条都有"它是什么"一句 + "为什么像"和命中维度
- 抽象类候选已标注 🔮
- 没有编造标题/人名/剧情,没有张冠李戴
- 口味不一致时已如实说明并分口味
- Downloads
- 354All time
- Security audit
- Pass
- Last updated
- 1mo ago
- Current version
- v0.3.0
- License
- MIT-0
