对于AI发展现状的理解：在执行层面，AI的能力越来越强，通过Skills了解执行流程，通过MCP获取数据、执行工具。但目前AI发展的不足主要在于没有办法主动去发现和探知用户需求。
用户层面拥有海量的数据可以提供对用户的洞察，同时也是获取用户意图的好方式。因为有时候用户本身对于自身的意图也存在不明晰，有可能会遗忘的风险，而数据不会说谎。
背景
目标
希望做一个能够无感收集用户行为，通过用户的行为数据推断用户需求并为AI形成可执行的方案，从而达到AI接替人类进行任务执行的目标。
实现步骤
1
任务收集
对用户的初始数据进行收集，尤其是对用户的短期任务、长期任务进行收集与归纳。
2
日常数据收集
收集来自多端的数据，并以时间戳为依据，进行多端数据的交叉融合，从而形成数据时间轴。
手机端
- 通过iPhone自动化指令，每30min进行屏幕截图
- OCR信息提取，存于手机本地
- 每晚11:30通过自动化指令召唤起AirDrop，并Drop至本地电脑
浏览器端
- 通过浏览器插件，收集访问网站、停留时长、用户行为（复制、粘贴、搜索）
- 提供下载功能，让用户一键将记录下载于本地
大模型端
- 通过定期在Claude Code执行口令，收集聊天记录数据
3
数据清洗
对来自多端的数据进行清洗、去除杂数据。
浏览器端
- 数据清洗与合并，对无用数据进行清洗
大模型端
- 根据对话时间等进行Session切分
4
时间轴生成
根据来自多端数据的时间戳，按照时间的先后顺序整理成时间轴的形式。
5
时间轴与任务对应
将用户时间轴与任务一一对应，判别各任务目前执行的情况，有哪些可以辅助完成的工作。
6
提示词生成
根据判别到的用户需完成的工作，生成可以被OpenClaw识别并执行的准确任务。