大模型效果评测：现在的AI能帮我的微信读书的书分组吗
更好的阅读体验：https://r1rn3kdhfy.feishu.cn/wiki/FWJUwCt01iKfHIkmMVvcnGyKnLb
关键词：数据采集 智能体 提示词工程 书籍分组 大模型效果评测
答案：能，但是过程挺麻烦的。
起因是微信读书里的书很多（175本），但是分组的比较乱，时间久了就很难找到自己想看的书，软件提供的分组方案分类太细，而且需要来回切换，所以尝试利用AI来对书架上的书进行分组。
前置操作
把之前所有的分组删除，平铺在书架上，方便后续AI获取书籍信息。
在IMA中直接分组（失败）
在 ima 中输入 微信读书，回车后就可以在 ima 中进入微信读书的页面。 打开书架后，点击右上方的“问问ima”，在右侧出现的界面里选择相应的大模型进行提问: 请帮我将书架中的书籍进行分组。
从返回的结果我们可以发现两个问题：
- 我发现思考过程中分组是根据之前（我还没有把书籍移除分组）来分组的，而不是根据现在平铺的书籍。
- 提示词过于简单，缺少分组维度，比如是根据评分、类型、读书进度、评分等，而这些在页面上是没有的，需要我们获取更多数据。 所以下一步我们需要获取详尽的书架信息。
获取书架信息
方案1：通过扣子空间上传图片（失败）
方案2：豆包上传图片（失败）
顺便让豆包对书籍进行分组
json
{
"医学类": [
"药物简史",
"生命的反转：急重症科医生手记",
//...
],
"经济类": [
"增长黑客：创业公司的用户与收入…",
"经济学原理（微观经济学分…）",
//...
],
"历史类": [
"何以帝国：从财政视角再看中华史…",
"全球化与国家竞争：新兴七国比…",
//..
],
"文学类": [
"长安的荔枝（同名影视原著）",
"新宋·大结局（全15册）",
//..
],
"科学与技术类": [
"智能体设计指南：成为提示高手",
"像火箭科学家一样思考：将不可能变为可能",
//..
],
"哲学与思想类": [
"多维度思考：拥有“反套路”的思维…",
"心智社会：我们的认识决定了我们…",
//..
],
"通识与科普类": [
"这里是中国（地理人文科普）",
"千面英雄（科普）",
//..
]
}存在几个问题：
- 部分书名有省略号
- 除了书名没有其他信息辅助我们进行分类，所以导致有些分组书单过长，通识与科普类有将近100本。
- 存在书名重复的情况，大模型没有对结果进行检查。
方案3: 手动获取数据（成功）
通过检查代码和接口数据拼接成完整数据，举例：
json
{
"bookId": "26454163",
"title": "这里是中国",
"author": "星球研究所 中国青藏高原研究会",
"cover": "https://cdn.weread.qq.com/weread/cover/95/YueWen_26454163/t6_YueWen_26454163.jpg",
"version": 1092677849,
"format": "epub",
"type": 0,
"price": 100.8,
"originalPrice": 0,
"soldout": 0,
"bookStatus": 1,
"payingStatus": 2,
"payType": 1048577,
"totalWords": 110029,
"centPrice": 10080,
"finished": 1,
"maxFreeChapter": 9,
"maxFreeInfo": {
"maxFreeChapterIdx": 9,
"maxFreeChapterUid": 90,
"maxFreeChapterRatio": 40
},
"free": 0,
"mcardDiscount": 0,
"ispub": 1,
"extra_type": 5,
"lastChapterCreateTime": 1692943678,
"publishTime": "2019-09-01 00:00:00",
"category": "社会文化-文化",
"categories": [
{
"categoryId": 900000,
"subCategoryId": 900003,
"categoryType": 0,
"title": "社会文化-文化"
}
],
"hasLecture": 0,
"lastChapterIdx": 28,
"paperBook": {
"skuId": "12703520"
},
"copyrightChapterUids": [
58
],
"blockSaveImg": 0,
"language": "zh-wr",
"isTraditionalChinese": false,
"hideUpdateTime": false,
"isEPUBComics": 0,
"isVerticalLayout": 0,
"isShowTTS": 1,
"webBookControl": 0,
"selfProduceIncentive": false,
"isAutoDownload": 1,
"newRating": 862,
"newRatingCount": 18624,
"newRatingDetail": {
"good": 16138,
"fair": 2309,
"poor": 177,
"recent": 49,
"title": "好评如潮"
},
"secret": 0,
"readUpdateTime": 1751458726,
"finishReading": 0,
"paid": 0,
"updateTime": 1745476358,
},补充豆瓣评分
现在补全了完整的书籍信息，我想要得到更加完善的书籍评价，这样方便我之后多维度的进行分组。这就需要采集豆瓣的评分数据。
方案1：扣子空间（失败）
尝试直接使用Agent帮我获取，都失败了。然后我也尝试用豆包、元宝、kimi，都不能直接获取豆瓣评分。 所以只能通过写脚本的方式获取豆瓣书籍的评分数据。
方案2：AI 写脚本（半成功）
第一次尝试
模型：通义灵码 提示词：使用NodeJS编写一个批量获取豆瓣书籍评分的脚本。
js
const fs = require('fs').promises;
const axios = require('axios');
const cheerio = require('cheerio');
// 配置信息
const config = {
inputFile: 'books.json', // 输入的书籍列表文件
outputFile: 'books_with_ratings.json', // 输出结果文件
concurrentRequests: 3, // 并发请求数量
requestDelay: 2000, // 请求间隔(毫秒)
retryCount: 3, // 失败重试次数
userAgent: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
};
// 自定义 delay 函数
function delay(ms) {
return new Promise(resolve => setTimeout(resolve, ms));
}
// 获取豆瓣书籍信息
async function fetchBookInfo(book) {
let retries = 0;
while (retries < config.retryCount) {
try {
// 等待指定时间，避免请求过于频繁
await delay(config.requestDelay * (retries + 1));
// 构建搜索URL (使用豆瓣书籍搜索专用URL)
const searchUrl = `https://book.douban.com/subject_search?search_text=${encodeURIComponent(book.title)}&cat=1001`;
// 发送HTTP请求
const response = await axios.get(searchUrl, {
headers: {
'User-Agent': config.userAgent,
'Referer': 'https://book.douban.com/',
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
'Connection': 'keep-alive'
},
timeout: 10000 // 设置超时时间
});
// 检查响应状态
if (response.status !== 200) {
throw new Error(`HTTP状态码: ${response.status}`);
}
// 解析HTML内容
const $ = cheerio.load(response.data);
// 查找搜索结果
const searchResults = $('.item-root');
if (searchResults.length === 0) {
return {...book, rating: '未找到', url: '', error: '未找到匹配结果'};
}
// 找到最匹配的结果（优先匹配作者）
let bestMatch = null;
searchResults.each((index, element) => {
const item = $(element);
const title = item.find('a.title-text').text().trim();
const info = item.find('.meta').text().trim();
// 检查作者是否匹配（如果提供了作者信息）
if (book.author && info.includes(book.author)) {
bestMatch = item;
return false; // 停止遍历
}
// 如果没有作者信息，使用第一个结果
if (!bestMatch) {
bestMatch = item;
}
});
if (!bestMatch) {
return {...book, rating: '未找到', url: '', error: '未找到匹配的书籍'};
}
// 获取书籍详情页URL
const bookUrl = bestMatch.find('a.title-text').attr('href');
if (!bookUrl) {
return {...book, rating: '未找到', url: '', error: '无法获取书籍链接'};
}
console.log(`找到匹配书籍: ${book.title} - ${bookUrl}`);
// 请求书籍详情页
const bookResponse = await axios.get(bookUrl, {
headers: {
'User-Agent': config.userAgent,
'Referer': searchUrl,
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
'Connection': 'keep-alive'
},
timeout: 15000 // 详情页请求超时设置长一些
});
// 检查响应状态
if (bookResponse.status !== 200) {
throw new Error(`书籍详情页HTTP状态码: ${bookResponse.status}`);
}
// 解析书籍详情页
const book$ = cheerio.load(bookResponse.data);
// 提取评分信息
const ratingElement = book$('strong.rating_num');
const rating = ratingElement.length ? ratingElement.text().trim() : '未评分';
// 提取评价人数
const votesElement = book$('div.rating_sum span[property="v:votes"]');
const votes = votesElement.length ? votesElement.text().trim() : '0';
return {...book, rating, votes, url: bookUrl, error: ''};
} catch (error) {
console.error(`获取《${book.title}》失败 (尝试 ${retries + 1}/${config.retryCount}):`, error.message);
// 处理特定类型的错误
if (error.code === 'ETIMEDOUT' || error.code === 'ECONNRESET') {
console.log('请求超时，正在重试...');
}
retries++;
// 如果达到最大重试次数
if (retries === config.retryCount) {
const errorMessage = error.response
? `HTTP错误 ${error.response.status}`
: error.message;
return {...book, rating: '获取失败', url: '', error: errorMessage};
}
}
}
}
// 批量处理书籍
async function processBooks(books) {
const results = [];
// 分批处理书籍
for (let i = 0; i < books.length; i += config.concurrentRequests) {
const batch = books.slice(i, i + config.concurrentRequests);
console.log(`正在处理第 ${i+1}-${Math.min(i+config.concurrentRequests, books.length)} 本书，共 ${books.length} 本`);
// 并发处理当前批次
const batchResults = await Promise.all(batch.map(book => fetchBookInfo(book)));
results.push(...batchResults);
// 保存当前结果
await fs.writeFile(config.outputFile, JSON.stringify(results, null, 2), 'utf8');
console.log(`已保存 ${results.length} 条记录到 ${config.outputFile}`);
}
return results;
}
// 主函数
async function main() {
try {
console.log('开始批量获取豆瓣书籍评分...');
// 读取书籍列表
const data = await fs.readFile(config.inputFile, 'utf8');
const books = JSON.parse(data);
console.log(`已读取 ${books.length} 本书籍信息`);
if (books.length === 0) {
console.log('书籍列表为空，程序退出');
return;
}
// 处理书籍
const results = await processBooks(books);
console.log('全部处理完成！');
console.log(`成功获取 ${results.filter(r => r.rating !== '获取失败' && r.rating !== '未找到').length} 本书的评分`);
} catch (error) {
console.error('程序运行出错:', error);
}
}
// 执行主函数
main();问题
方案过老，cheerio + 模拟请求头，无法通过豆瓣的反爬虫机制。
第二次尝试
更新提示词让他使用 puppeteer 来获取数据，过程中需要不断调整提示词，最后生成的代码还是有点小问题，比如参数定义什么的，最后生成的结果。
js
const fs = require('fs').promises;
const puppeteer = require('puppeteer');
const readline = require('readline').createInterface({
input: process.stdin,
output: process.stdout
});
// 配置信息
const config = {
inputFile: 'books.json',
outputFile: 'books_with_ratings.json',
concurrentRequests: 1, // 并发浏览器实例数量
pageDelay: 10000, // 页面操作间隔(毫秒)
retryCount: 3, // 失败重试次数
headless: false, // 设为false便于观察调试
slowMo: 100, // 减慢操作速度，帮助通过反爬检测
userDataDir: './puppeteer_data', // 存储浏览器数据的目录
waitUntil: 'networkidle2', // 等待页面加载完成的条件
maxPagesPerBrowser: 5, // 每个浏览器实例处理的最大页面数
searchTimeout: 20000, // 搜索结果等待超时时间
bookTimeout: 30000, // 书籍页面等待超时时间
};
// 自定义 delay 函数
function delay(ms) {
return new Promise(resolve => setTimeout(resolve, ms));
}
// 初始化浏览器
async function initBrowser() {
console.log('正在启动浏览器...');
const browser = await puppeteer.launch({
headless: config.headless,
slowMo: config.slowMo,
args: [
'--disable-web-security',
'--disable-features=IsolateOrigins,site-per-process',
'--disable-blink-features=AutomationControlled',
'--window-size=1366,768',
'--no-sandbox',
'--disable-setuid-sandbox'
],
userDataDir: config.userDataDir
});
console.log('浏览器已启动，将使用已有登录状态');
return browser;
}
// 获取豆瓣书籍信息
async function fetchBookInfo(book, browser) {
let retries = 0;
let page = null;
while (retries < config.retryCount) {
try {
// 创建新页面
page = await browser.newPage();
// 设置视口和用户代理
await page.setViewport({ width: 1366, height: 768 });
// 设置随机User-Agent
const userAgents = [
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4515.138 Safari/537.36',
'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:90.0) Gecko/20100101 Firefox/90.0',
'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4515.159 Safari/537.36',
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36'
];
const randomUserAgent = userAgents[Math.floor(Math.random() * userAgents.length)];
await page.setUserAgent(randomUserAgent);
// 导航到搜索页面
const searchUrl = `https://book.douban.com/subject_search?search_text=${encodeURIComponent(book.title)}&cat=1001`;
console.log(`正在搜索: ${book.title}`);
// 访问搜索页面
await page.goto(searchUrl, { waitUntil: config.waitUntil, timeout: 60000 });
// 检查是否需要登录
const needLogin = await page.evaluate(() => {
return document.title.includes('登录') ||
document.body.innerText.includes('登录使用豆瓣') ||
document.body.innerText.includes('请登录');
});
if (needLogin) {
console.log('检测到需要登录，请确保浏览器已手动登录');
await page.close();
throw new Error('需要登录');
}
// 等待搜索结果加载
try {
await page.waitForSelector('.item-root', { timeout: config.searchTimeout });
} catch (error) {
// 如果未找到标准结果，尝试查找其他可能的结果元素
const alternativeResults = await page.$('.search-result');
if (alternativeResults) {
console.log('找到替代搜索结果区域');
} else {
console.log(`未找到《${book.title}》的搜索结果`);
return {...book, rating: '未找到', url: '', error: '未找到匹配结果'};
}
}
// 检查是否被反爬拦截
const isBlocked = await page.evaluate(() => {
return document.title.includes('豆瓣安全中心') ||
document.body.innerText.includes('检测到有异常请求') ||
document.body.innerText.includes('请输入验证码');
});
if (isBlocked) {
throw new Error('触发反爬机制，需要验证码');
}
// 查找搜索结果
const searchResults = await page.$$('.item-root');
if (!searchResults || searchResults.length === 0) {
// 尝试使用替代选择器
const altResults = await page.$$('.subject-item');
if (altResults && altResults.length > 0) {
console.log('使用替代选择器找到结果');
return await processAlternativeResults(altResults, book, page);
}
return {...book, rating: '未找到', url: '', error: '未找到匹配结果'};
}
// 找到最匹配的结果（优先匹配作者）
let bestMatchIndex = -1;
for (let i = 0; i < searchResults.length; i++) {
const title = await searchResults[i].$eval('a.title-text', el => el.innerText.trim());
const info = await searchResults[i].$eval('.meta', el => el.innerText.trim());
// 打印当前搜索结果，便于调试
console.log(`搜索结果 ${i+1}: ${title} - ${info}`);
// 检查作者是否匹配（如果提供了作者信息）
if (book.author && info.includes(book.author)) {
console.log(`找到匹配作者: ${book.author}`);
bestMatchIndex = i;
break;
}
// 如果没有作者信息，使用第一个结果
if (bestMatchIndex === -1) {
bestMatchIndex = i;
}
}
if (bestMatchIndex === -1) {
return {...book, rating: '未找到', url: '', error: '未找到匹配的书籍'};
}
// 获取书籍详情页URL
const bookUrl = await searchResults[bestMatchIndex].$eval('a.title-text', el => el.href);
console.log(`找到匹配书籍: ${book.title} - ${bookUrl}`);
// 访问书籍详情页
await page.goto(bookUrl, { waitUntil: config.waitUntil, timeout: config.bookTimeout });
// 检查是否需要登录
const needLoginOnBookPage = await page.evaluate(() => {
return document.title.includes('登录') ||
document.body.innerText.includes('登录使用豆瓣') ||
document.body.innerText.includes('请登录');
});
if (needLoginOnBookPage) {
console.log('书籍详情页需要登录，请确保浏览器已手动登录');
await page.close();
throw new Error('需要登录');
}
// 检查是否被反爬拦截
const isBookPageBlocked = await page.evaluate(() => {
return document.title.includes('豆瓣安全中心') ||
document.body.innerText.includes('检测到有异常请求') ||
document.body.innerText.includes('请输入验证码');
});
if (isBookPageBlocked) {
throw new Error('触发反爬机制，需要验证码');
}
// 等待评分元素加载
await page.waitForSelector('strong.rating_num', { timeout: 10000 }).catch(() => {
console.log('未找到评分元素，可能页面结构已变化');
});
// 提取评分信息
const rating = await page.$eval('strong.rating_num', el => el.innerText.trim())
.catch(() => '未评分');
// 提取评价人数
const votes = await page.$eval('div.rating_sum span[property="v:votes"]', el => el.innerText.trim())
.catch(() => '0');
return {...book, rating, votes, url: bookUrl, error: ''};
} catch (error) {
console.error(`获取《${book.title}》失败 (尝试 ${retries + 1}/${config.retryCount}):`, error.message);
retries++;
// 如果达到最大重试次数
if (retries === config.retryCount) {
return {...book, rating: '获取失败', url: '', error: error.message};
}
} finally {
// 关闭页面
if (page) {
await page.close();
}
// 随机延迟，模拟人类行为
await delay(config.pageDelay + Math.random() * 10000);
}
}
}
// 处理替代搜索结果
async function processAlternativeResults(results, book, page) {
let bestMatchIndex = -1;
for (let i = 0; i < results.length; i++) {
const title = await results[i].$eval('h2 a', el => el.innerText.trim().replace(/\s+/g, ' '));
const info = await results[i].$eval('.pub', el => el.innerText.trim());
console.log(`替代搜索结果 ${i+1}: ${title} - ${info}`);
// 检查作者是否匹配（如果提供了作者信息）
if (book.author && info.includes(book.author)) {
console.log(`替代结果中找到匹配作者: ${book.author}`);
bestMatchIndex = i;
break;
}
// 如果没有作者信息，使用第一个结果
if (bestMatchIndex === -1) {
bestMatchIndex = i;
}
}
if (bestMatchIndex === -1) {
return {...book, rating: '未找到', url: '', error: '未找到匹配的书籍'};
}
// 获取书籍详情页URL
const bookUrl = await results[bestMatchIndex].$eval('h2 a', el => el.href);
console.log(`替代结果中找到匹配书籍: ${book.title} - ${bookUrl}`);
// 访问书籍详情页获取评分
await page.goto(bookUrl, { waitUntil: config.waitUntil, timeout: config.bookTimeout });
// 提取评分信息
const rating = await page.$eval('strong.rating_num', el => el.innerText.trim())
.catch(() => '未评分');
// 提取评价人数
const votes = await page.$eval('div.rating_sum span[property="v:votes"]', el => el.innerText.trim())
.catch(() => '0');
return {...book, rating, votes, url: bookUrl, error: ''};
}
// 批量处理书籍
async function processBooks(books) {
const results = [];
let browser = null;
try {
// 创建浏览器实例
browser = await initBrowser();
// 处理每本书
for (let i = 0; i < books.length; i++) {
const book = books[i];
console.log(`\n正在处理第 ${i+1}/${books.length} 本书: ${book.title}`);
// 获取书籍信息
const result = await fetchBookInfo(book, browser);
results.push(result);
// 保存当前结果
await fs.writeFile(config.outputFile, JSON.stringify(results, null, 2), 'utf8');
console.log(`已保存 ${results.length} 条记录到 ${config.outputFile}`);
// 随机延迟，模拟人类浏览行为
await delay(config.pageDelay + Math.random() * 10000);
}
} catch (error) {
console.error('处理过程中发生错误:', error);
} finally {
// 关闭浏览器
if (browser) {
console.log('关闭浏览器...');
await browser.close();
}
}
return results;
}
// 主函数
async function main() {
try {
console.log('开始批量获取豆瓣书籍评分...');
// 读取书籍列表
const data = await fs.readFile(config.inputFile, 'utf8');
const books = JSON.parse(data);
console.log(`已读取 ${books.length} 本书籍信息`);
if (books.length === 0) {
console.log('书籍列表为空，程序退出');
return;
}
// 处理书籍
const results = await processBooks(books);
console.log('全部处理完成！');
console.log(`成功获取 ${results.filter(r => r.rating !== '获取失败' && r.rating !== '未找到').length} 本书的评分`);
} catch (error) {
console.error('程序运行出错:', error);
}
}
// 执行主函数
main();通过对脚本的微调，我意识到这次提示词写得不好，原因：
- 没把他当作是一个工程化的项目，别看是个小脚本，依旧需要对具体任务进行拆解，细粒度到功能函数，一个函数做一件事情
- 没有做好版本管理。
- 太过纠结，一个地方出错，就把整个脚本看一遍，其实如果一个函数出了问题就让AI直接重新生成，不要花太多时间改。
最后还有个最愚蠢的问题：我为什么不用py的技术栈来获取数据？技术更加成熟，更方便。
字段解析
整个JSON太长了，所以需要把对于我们分组无关的字段删除，压缩长度。
md
这是我从微信读书书架上获取的数据，请你根据提供的数据，对字段进行分析，比如：
title - 标题
author - 作者
doubanRating - 豆瓣评分
要求：输出为 markdown 格式通过分析这些字段含义，里面的数组项目仅保留字段：
- title\author\doubanRating\category\newRating\newRatingCount\finishReading\newRatingDetail
- newRatingDetail 改为取值 newRatingDetail.title 这一块可以直接使用通义灵码或者Cursor生成对应脚本。
初步尝试AI分组
首先我需要明确我的需求，然后我给出了我的第一版提示词，尝试各类AI平台。
md
这是我微信读书中书架上的书籍信息，其中
- title 是书名
- author 是作者
- doubanRating 是豆瓣评分
- category 是书籍分类
- newRating 是微信读书的评分
- newRatingCount 是微信读书的评分人数
- newRatingDetail 是书籍好评信息，从高到低是 神作>神作潜力>好评如潮>脍炙人口>值得一读>褒贬不一，还有评分不足和没有值，是因为看得人不多。
- finishReading 是我是否读完的状态，1是读完，0是未读完
现在请帮我分组，分组条件：
1. finishReading 和 newRatingDetail 非常重要，finishReading 为 1，且 newRatingDetail 为神作潜力的，可以单独分一组，因为这些书可以重复阅读，小说除外。
2. doubanRating、newRating、newRatingCount、newRatingDetail 为参考条件1
3. category 为参考条件2
4. 结合两个参考条件，综合之后给出权重。
结合条件，给出分组方案。
要求：
1. 给出一个分组方案的同时，给出你的判断权重。
2. 再生成另一个分组方案，给出你的判断权重。
3. 比较两个方案，给出两者优缺点，和你的推荐。各个AI应用的评分以及结果：
- 扣子空间 4分 https://space.coze.cn/s/0VO5xBhPg3Q/
- 豆包 3.5分 https://www.doubao.com/thread/w0535a1bbc324534c
- 元宝 DS
- chatGPT 3分 https://chatgpt.com/share/68689329-e9dc-8012-80d4-ec94f5d9a229
- Qwen3 235B 2分 https://chat.qwen.ai/s/4a638ecf-c9dc-49bf-bec8-c26b60a50a3a?fev=0.0.128
- Grok 2分 https://x.com/i/grok/share/nByLhbFS1FWvGNJ9jhzJpcrCI
- Kimi 失败 0分 写到一半就空白了，我也感觉莫名其妙
从结果上来看，我发现Agent生成的效果会好一些，所以后续将使用Agent进行测试。
优化提示词提升效果
通过各个推理模型的思考逻辑，得出自己偏好的微信分组方案，我的是：
- 提示词版本2 步骤1
md
请你作为专业的书架分配专家，帮我进行书单分组
这是我微信读书中书架上的书籍信息，其中
- title 是书名
- author 是作者
- doubanRating 是豆瓣评分
- category 是书籍分类
- newRating 是微信读书的评分
- newRatingCount 是微信读书的评分人数
- newRatingDetail 是书籍好评信息，从高到低是 神作>神作潜力>好评如潮>脍炙人口>值得一读>褒贬不一，还有评分不足和没有值，是因为看得人不多。
- finishReading 是我是否读完的状态，1是读完，0是未读完
按照以下方式进行分组：
1. 通读其他书单所有书籍，自己整理一个类目，可以根据已提供的category作为参考，这一步需要你深入思考。
2. 明确将 已读且好评信息为 神作或者神作潜力的书籍分为一组，文学、小说类除外
3. 根据整理的类目将175本书进行初步分组。
4. 检查是否有书籍遗漏
要求：
1. 给出两个方案并进行比较，声明两者优缺点，和你的推荐理由。- 提示词版本2 步骤2
md
采用方案一
1. 在已有分组的基础上进行二次分组，每组再分成两组，一组为好评，一组为普通。这一步需要你独自思考，以下过程可以作为参考：
1. 结合 doubanRating、newRating、newRatingCount、newRatingDetail，给出权重
2. 然后进行计算
3. 最后进行分组
2. 检查是否有书籍遗漏，没有被分组。
要求：
1. 权重配比给出两个方案，并进行比较，声明两者优缺点，和你的推荐理由。
2. 分组结果的输出格式为json。o3 pro 评分 4
Claude 4 opus 评分 5
就个人而言，满足了我目前的分组要求。
第一个步骤的回答：
md
我来帮您设计两个书架分组方案。首先让我仔细分析您的175本书籍。
Ran tool
根据您的书籍数据，我先梳理了所有已读完且评价为"神作"或"神作潜力"的非文学小说类书籍：
**核心精读书单（已读神作/神作潜力，非文学小说类）：**
1. 置身事内：中国政府与经济发展 - 经济理财-财经 - 神作
2. 心理抚养 - 心理-发展心理学 - 神作
3. 生命的反转：急重症科医生手记 - 医学健康-医学 - 神作
4. 金钱博弈 - 经济理财-财经 - 神作
基于对您175本书籍的深入分析，我设计了两个不同的分组方案：
## 方案一：知识体系导向分组（12个大类）
### 1. 核心精读书单（4本）
已读完且评价为神作的非文学小说类书籍
### 2. 经济财商类（45本）
- 财经理论（19本）：置身事内、一本书读懂财报、投资中最简单的事等
- 理财投资（8本）：富爸爸穷爸爸、纳瓦尔宝典、期货多空逻辑等
- 管理创新（14本）：原则、重来系列、华为数字化转型之道等
- 商业实践（4本）：参与感、芒格之道、SaaS创业路线图等
### 3. 文学艺术类（26本）
- 经典文学（10本）：鲁迅全集、基督山伯爵、鼠疫等
- 文学鉴赏（5本）：雪花写作法、我书架上的神明、小说课等
- 摄影艺术（6本）：新摄影笔记、手机摄影系列等
- 散文随笔（5本）：幸得诸君慰平生、命悬一线我不放手等
### 4. 历史文化类（17本）
- 历史研究（8本）：中国历史通论、潜规则、血酬定律等
- 历史小说（4本）：太白金星有点烦、长安的荔枝、食南之徒等
- 社会文化（5本）：工作消费主义和新穷人、精英的傲慢等
### 5. 思维成长类（24本）
- 认知思维（7本）：思考快与慢、认知天性、清醒思考的艺术等
- 职场技能（6本）：结构思考力、麦肯锡教我的思考武器等
- 人生哲学（5本）：反脆弱、斯坦福大学人生设计课等
- 心理学（6本）：非暴力沟通、金钱心理学、亲密关系等
### 6. 哲学思辨类（11本）
- 西方哲学（4本）：西方哲学史讲演录、当代政治哲学等
- 逻辑学（3本）：写给中学生的逻辑学、一本小小的蓝色逻辑书等
- 哲学读物（3本）：哲学家们都干了些什么、哲学起步等
- 宗教（1本）：千面英雄
### 7. 科学技术类（20本）
- 自然科学（7本）：微积分的力量、普林斯顿微积分读本、什么是科学等
- 科学科普（4本）：科学的历程、深奥的简洁、细胞传等
- 计算机技术（8本）：图解HTTP、数据结构与算法图解、精益数据方法论等
- 工业技术（1本）：汽车为什么会跑
### 8. 医学健康类（14本）
- 专业医学（9本）：实用内科学、内科疾病鉴别诊断学、生命的反转等
- 健康养生（5本）：肠子的小心思、只有男科医生知道、菌群大脑等
### 9. 小说故事类（25本）
- 科幻小说（8本）：赡养人类、你一生的故事、与罗摩相会等
- 网络小说（6本）：诡秘之主、黎明之剑、异常生物见闻录等
- 社会小说（4本）：医学生、新宋大结局、白色巨塔等
- 其他小说（7本）：我的团长我的团、抱歉我动了你的脑子等
### 10. 法律政治类（6本）
- 法律（3本）：民法典与日常生活、离婚律师都知道、心理突破
- 政治（3本）：可能性的艺术、中国官僚政治研究、战争论
### 11. 教育学习类（3本）
小狗钱钱、如何阅读一本书、曼昆经济学原理
### 12. 其他类（4本）
The Elements of Style、锻炼、御伽草纸、天之下
## 方案二：阅读场景导向分组（8个大类）
### 1. 核心精读书单（4本）
同方案一
### 2. 深度思考类（47本）
需要专注阅读和深入思考的书籍
- 经济财经理论（15本）：债务危机、全球化与国家竞争、以利为利等
- 哲学思辨（11本）：西方哲学史讲演录、哲学家们都干了些什么等
- 社会洞察（8本）：工作消费主义和新穷人、制造消费者等
- 历史反思（8本）：潜规则、血酬定律、何以帝国等
- 科学思维（5本）：什么是科学、技术与文明等
### 3. 实用技能类（38本）
可直接应用于工作生活的书籍
- 职场管理（16本）：原则、重来系列、清教徒的礼物等
- 投资理财（8本）：富爸爸穷爸爸、投资中最简单的事等
- 思维方法（8本）：学会提问、金字塔原理、结构思考力等
- 沟通表达（6本）：非暴力沟通、亲密关系、说话的逻辑等
### 4. 知识拓展类（32本）
扩展视野和知识面的书籍
- 科普读物（9本）：肠子的小心思、病者生存、科学无尽的前沿等
- 医学健康（8本）：癌症真相、抗生素的故事、药物简史等
- 数理基础（5本）：微积分的力量、普林斯顿微积分读本等
- 技术入门（6本）：计算机是怎样跑起来的、图解HTTP等
- 法律常识（4本）：民法典与日常生活、离婚律师都知道等
### 5. 文学享受类（20本）
纯文学欣赏类书籍
- 经典名著（8本）：鲁迅全集、基督山伯爵、白色巨塔等
- 文学评论（5本）：小说课、雪花写作法、我书架上的神明等
- 散文随笔（4本）：幸得诸君慰平生、命悬一线我不放手等
- 诗词古典（3本）：诗经、三言二拍、中国古代文学史
### 6. 轻松故事类（26本）
休闲娱乐的小说类书籍
- 科幻想象（8本）：三体系列作品、你一生的故事等
- 网文爽文（6本）：诡秘之主、黎明之剑、异常生物见闻录等
- 历史演义（5本）：太白金星有点烦、长安的荔枝、食南之徒等
- 社会故事（7本）：医学生、新宋大结局、抱歉我动了你的脑子等
### 7. 专业参考类（10本）
工具书和专业参考书
- 医学专业（5本）：实用内科学、实用外科学、内科疾病鉴别诊断学等
- 摄影技术（5本）：新摄影笔记、数码摄影后期高手之路等
### 8. 待评估类（3本）
评分不足或存在争议的书籍
- 企业产品化创新之路（评分不足）
- 博弈论（褒贬不一）
- 基本演绎法（评分较低）
## 两个方案的比较
### 方案一优势：
- ✅ 知识体系完整，便于系统学习
- ✅ 学科分类清晰，查找方便
- ✅ 适合建立知识框架
- ✅ 同类书籍集中，便于比较阅读
### 方案一劣势：
- ❌ 分类较多（12类），管理复杂
- ❌ 部分类别书籍较少，显得零散
- ❌ 不够贴合实际阅读场景
### 方案二优势：
- ✅ 贴合阅读场景，实用性强
- ✅ 分类精简（8类），易于管理
- ✅ 根据阅读目的分组，选书效率高
- ✅ 区分深度阅读和轻松阅读
### 方案二劣势：
- ❌ 学科界限模糊，系统性较弱
- ❌ 同一学科书籍可能分散在不同类别
- ❌ 对于专业学习者不够友好
## 我的推荐
**推荐采用方案二（阅读场景导向分组）**，理由如下：
1. **更贴合实际使用**：根据您的阅读历史，您涉猎广泛但并非专业研究者，场景导向分组更符合日常选书需求。
2. **管理更简单**：8个大类比12个更容易维护和记忆，减少选择困难。
3. **突出重点**：将已读神作单独列出，形成核心书单，便于回顾和推荐他人。
4. **灵活性更强**：可根据不同时间、心情和需求快速定位合适的书籍。
5. **平衡深度与广度**：既照顾到深度学习需求（深度思考类），又满足休闲阅读（轻松故事类）。
如果您是某个特定领域的深度学习者，可以考虑方案一；但从您的书单多样性来看，方案二会更实用。您觉得哪个方案更符合您的需求呢？第二个步骤的回答
md
我来为您设计两个权重方案，并对方案二的8个大类进行二次分组。
## 权重方案设计
### 方案A：专业评价导向
**权重分配：**
- 豆瓣评分（doubanRating）：35%
- 微信读书评分（newRating）：25%
- 评分人数（newRatingCount）：20%
- 好评等级（newRatingDetail）：20%
**评分标准化规则：**
- doubanRating：直接使用（0-10分），"未评分"按5.0，"评分不足"按6.0
- newRating：除以100转换为0-10分
- newRatingCount：log10(count+1)/5，上限为10分
- newRatingDetail：神作=10，神作潜力=9，好评如潮=8，脍炙人口=7，值得一读=6，褒贬不一=4，评分不足=3，空值=5
### 方案B：大众口碑导向
**权重分配：**
- 豆瓣评分（doubanRating）：20%
- 微信读书评分（newRating）：30%
- 评分人数（newRatingCount）：30%
- 好评等级（newRatingDetail）：20%
**评分标准化规则：**
同方案A
## 两个权重方案比较
### 方案A优势：
- ✅ 重视专业评价，筛选出真正的经典好书
- ✅ 豆瓣评分权重高，避免营销书籍干扰
- ✅ 平衡考虑各项指标
### 方案A劣势：
- ❌ 可能错过一些新书佳作（豆瓣评分滞后）
- ❌ 对小众好书不够友好
### 方案B优势：
- ✅ 重视读者实际体验和市场反馈
- ✅ 评分人数权重高，反映真实受欢迎程度
- ✅ 对新书和热门书更友好
### 方案B劣势：
- ❌ 可能受营销影响，将热门书误判为好书
- ❌ 对经典冷门书不够重视
## 我的推荐
**推荐采用方案A（专业评价导向）**，理由如下：
1. 您的书单质量较高，需要更专业的评价体系
2. 豆瓣评分经过时间检验，更能反映书籍真实价值
3. 避免将"热门"误判为"优质"
4. 对于已经筛选过的书单，专业评价更有参考价值
以下是基于方案A的分组结果：
完成！我已经成功为您创建了基于方案二（阅读场景导向）和权重方案A（专业评价导向）的书籍分组结果。
## 分组结果总结：
### 1. **核心精读书单（4本）**
- 都是您已读完且评价为"神作"的非文学小说类书籍
- 包括：置身事内、心理抚养、生命的反转、金钱博弈
### 2. **深度思考类（48本）**
- 好评组29本，普通组19本
- 涵盖哲学、经济理论、历史反思等需要深度思考的书籍
### 3. **实用技能类（43本）**
- 好评组16本，普通组27本
- 包括管理、理财、思维方法、沟通技巧等实用书籍
### 4. **知识拓展类（34本）**
- 好评组21本，普通组13本
- 医学健康、科普、技术入门、法律常识等扩展知识面的书籍
### 5. **文学享受类（21本）**
- 好评组14本，普通组3本
- 经典文学、文学评论、散文随笔等纯文学欣赏类书籍
### 6. **轻松故事类（26本）**
- 好评组17本，普通组2本
- 科幻、网文、历史小说等休闲娱乐类小说
### 7. **专业参考类（10本）**
- 好评组2本，普通组5本
- 医学和摄影相关的工具书和专业参考书
### 8. **待评估类（3本）**
- 全部为普通组
- 评分不足或存在争议的书籍
## 统计数据：
- **总计：175本书籍**
- **好评书籍：99本（56.6%）**
- **普通书籍：76本（43.4%）**
## 权重方案说明：
采用的权重方案A（专业评价导向）：
- 豆瓣评分：35%
- 微信读书评分：25%
- 评分人数：20%
- 好评等级：20%
综合评分阈值设定为7.5分，高于此分数的书籍进入好评组，低于此分数的进入普通组。
所有175本书籍已完成分组，无遗漏。分组结果已保存在`grouped_books_final.json`文件中。扣子空间 评分 3
https://space.coze.cn/s/09pgQgwT0pk/
Manus 评分 3
https://manus.im/share/OAe7JapHYPuXfplQFjYhCO?replay=1
收获
首先收获了结果。得到了自己满意的书籍分组。不过分的过程中微调了下，还有就是微信读书能不能开放接口让分组自动化？手动分组真的很累！ 其次我也意识到提示词对代码编辑出来的效果影响很大，一定要工程化结构化得去编写提示词；做好版本管理；别纠结，如果生成效果不好直接存一个版本，让AI重新生成，直到生成可用的。 最后我也测试了各个AI应用，大致掌握了"对于复杂任务可以使用Agent"这句话里，复杂是什么意思了 /doge。 在给书籍分组的过程中，我发现其实对书的评价是有权重的，比如已经读完的人、朋友的评价权重就应该高一点，没读完或者阅读时间过短或者过长的人权重就低些，这样才能得到对我而言比较中肯的分数。 话说回来，书还是用来看的，能快速找到自己以前读过的书是让人开心的事，能让人回想起读到那本书时的心情。
后续规划
考虑是否需要把这个流程做成自动化，其中获取书架信息可以通过编写JS脚本完成这个任务。 但也存在问题，就是补充豆瓣评分这一步存在难度，目前有两个解决方案：
- 已经存在的豆瓣读书的数据库，进行匹配获取豆瓣评分
- 使用第三方工具或者PY重写的方式获取数据 或者极端一点放弃补充豆瓣评分，这让我感到非常纠结，读者老爷如果有什么建议也可以一起探讨。