基于Python标准库的本地文本深度阅读工具，通过分块迭代生成结构化阅读笔记，模拟真实阅读认知演进过程。
说明：
## 核心用法
Sequential Read 是一款模拟人类深度阅读体验的智能工具，专为小说、非虚构作品和长篇文章设计。用户通过 `/sequential-read >` 启动阅读会话，系统会将文本按语义分块（约550行/块），逐块生成结构化反思记录，最终输出一份捕捉认知演进过程的完整阅读笔记。
工具采用独特的**双阶段执行模型**：主阅读器处理大部分文本块（通常17-20块），当上下文窗口满载后自动触发收尾器完成剩余块并生成综合报告。支持通过 `–lens` 参数指定阅读视角（如”怀疑论者””文学评论家”），并可选加载”读者心智文件”实现跨书籍的连续性阅读。
## 显著优点
1. **认知真实性**：不同于事后总结的摘要工具，它记录阅读过程中的预测失误、疑问解答和观点转变，还原真实的阅读心智轨迹
2. **超长文本支持**：通过子代理分阶段执行，可处理数万行的小说级文本，自动管理上下文窗口
3. **完全本地化**：零网络依赖，所有数据存储于用户本地目录，隐私可控
4. **可恢复性**：每块反思实时持久化，支持中断后继续阅读
5. **零外部依赖**：仅使用Python 3标准库，部署简单可靠
## 潜在缺点与局限性
– **模型成本敏感**：小说级文本必须使用Claude Opus模型，Sonnet在长篇阅读中会产生大量占位符式低质量反思
– **路径注入风险**：`{baseDir}}`占位符若包含特殊字符可能导致命令解析异常
– **无协作功能**：纯单机设计，不支持多用户同步或网络共享
– **存储开销**：长文本会产生大量中间文件，需定期清理历史会话
## 适合的目标群体
– 学术研究者：需要深度追踪文献阅读过程中的认知变化
– 文学爱好者：希望生成结构化读书笔记和跨作品主题关联
– 内容创作者：分析长文本结构、提取叙事线索和人物弧光
– 知识管理实践者：构建个人阅读知识图谱
## 使用风险
– **性能风险**：35+块超长文本可能需要多次收尾器接力，总执行时间较长
– **模型降级风险**：误用轻量模型会导致输出质量断崖式下降
– **路径安全风险**：工作目录含空格或特殊符号时需格外谨慎
– **存储风险**：默认会话数据持续累积，需手动管理磁盘空间
会员专属
