没想到啊，近期用过最好玩的一个Skill，来自微信读书

微信读书最近上线了一个官方 Skill。

过去两年，我们已经见过太多类 AI 产品形态，搜索框里加一个 AI，客服入口旁边放一个助手，内容页底部接一个总结按钮。

AI 似乎已经变成一种标准配置，一个产品如果不宣布自己接入了 AI，反而显得不够完整。

所以一开始看到微信读书这个 Skill，并没有太大期待。

但用完之后，我反而觉得它和许多“给产品加一个 AI 入口”的尝试不太一样。

它的重点不只是让你更快找到一本书，也不只是让 AI 替你概括一本书的内容。真正有意思的是，微信读书把一个人长期阅读过程中留下的私人痕迹，变成了 AI 可以理解和调用的上下文。

你的书架、阅读进度、阅读统计、划线、想法、书评，不再只是分散在 App 各处的功能模块，而开始变成一份关于你自己的阅读档案。

这件事的微妙之处在于，那些数据本来就在那里。

你读到一半停下的书，你反复划线的段落，你某一年突然密集阅读的主题，你在深夜写下的一条想法，它们从来没有消失。只是过去，它们更多像是被封存在角落里的记录。你知道它们存在，但很少真的回头整理，也很难从中看出一条更长的线索。

现在，AI 给了这些痕迹一次被重新调动的机会。

你可以不再只问“这本书讲了什么”，而是开始问：过去一年，我到底在读什么？

我是不是一直在围绕同一个困惑打转，只是自己从来没有意识到？

实测微信读书 Skill

微信读书 Skill 安装很方便，用户进入网站（https://weread.qq.com/r/weread-skills），把安装指令和 Key 告诉正在用的 Agent。

具体来看，微信读书 Skill 提供的能力并不复杂，基本围绕一个读书 App 最核心的几类数据展开。

它可以搜索书籍，查看一本书的详情、目录和阅读进度。也可以读取你的书架，知道你收藏了哪些书、哪些还在读、哪些已经读完。

它能调用阅读统计和笔记划线，比如这个月读了多久，今年读了几本书，在哪些书里留下了划线、想法和书签。还能查看一本书或某个章节的热门划线，看看其他读者普遍在哪些地方停下来，也能读取公开书评，或者根据你的阅读记录做个性化推荐。

比如可以让微信读书 Skill 把所有的划线句子导出来。

当然，都用上 AI 了，自然要把大模型的生成能力应用起来，而不是当成单纯的 API。

接下来，用几个具体场景试一下，当微信读书里的阅读数据真的被 AI 调动起来，它到底能帮用户做什么。

场景一：问问自己到底在读什么

prompts：我最近真正投入的是哪些书？哪些只是收藏？我的阅读兴趣有没有变化？

利用微信读书 skill 可以观察自己近几年的读书口味有没有变化，也许能从侧面反应你的工作、心态等。比如微信读书 skill 就识别到 25 年我比较偏好推理小说，到了 26 年会阅读更多心理学的书籍。

因为是用 Agent，所以可以同时调用其他的一些技能，对结果进行优化，比如用图表进行阅读偏好可视化。每个月做一次阅读总结，理解自己。

场景二：跨书整理一个主题

prompts：把我在不同书里关于 AI、组织、财富、教育、写作的划线都找出来，拼成一份个人主题笔记。

我们阅读的时候，经常不是一本书读完就结束，而是在很多书里反复遇到同一个问题。比如你可能在管理学书里看到组织协作，在 AI 创业书里看到组织效率，在心理学书里看到个体动机。

微信读书 skill 可以把这些散落在不同书里的划线、想法、书评重新捞出来。Agent 不只是帮你“导出笔记：，而是把你过去几年反复关注的问题重新拼起来，变成一份真正属于自己的主题知识库。

由于文档太长了，我们就简单看一下各个主题引用，以及生成的小短文。

prompts：从我的划线里提炼 10 个可以继续写作的选题。

同时用户也可以用微信读书的划线数据，去策划一些新的选题内容，很适合读书博主。

场景三：找下一本真正会读的书

prompts：根据完读率高、笔记多、最近投入时间长的书，推荐下一本更可能读下去的书。

很多时候，我们收藏的书和真正读下去的书不是一回事。书架里可能有很多“我觉得自己应该读”的书，但真正打开、划线、读完的，才反映了你当前真实的兴趣和状态。

微信读书 skill 可以结合书架、阅读进度、笔记数量、阅读时长这些数据，帮你判断：你不是缺书，而是需要找到下一本更符合当下状态的书。

场景四：看新闻推荐书

prompts：最近豆包收费新闻很火，有没有可以解释这次事件的书？

新闻每天都很多，但真正有价值的不是追热点，而是借热点重新理解一个长期问题。比如豆包收费这类新闻，背后可能不只是一个产品开始变现，而是 AI 应用商业模式、用户付费心理、平台竞争和大模型成本结构的集中体现。

这时候你就可以调用 Skill，让其推荐书。

然而，微信读书 Skill 无法做到把推荐的书直接加入书架，有点可惜。

它开放了读取，却没有开放写入。AI 可以帮你找到下一本该读的书，却不能直接把它放进书架，可以帮你整理划线笔记，却不能把整理后的主题笔记写回你的微信读书账户。用户和 AI 的交互发生在 Skill 软件外面，数据流是单向的。

传统软件的第三条路

过去十几年，传统软件记录了我们越来越多的行为数据：听过什么歌、练过什么、买过什么、读过什么、划过哪些句子。

但这些数据从一开始就不是为用户准备的，它们更多被用来优化推荐、提高留存、刺激点击。用户想重新理解自己，反而要翻页面、导表格、复制粘贴，平台并没有把解释权交出来。

AI 时代让这件事出现转机。AI 原生应用正在用自然语言交互和上下文调用吃掉传统软件的地盘。传统软件如果只是加一个 AI 搜索框、塞一个 AI 助手，很难真正反击。它们最有价值的资产，其实是过去十几年沉淀下来的用户行为数据。

把这些数据开放给用户自己的 AI 调用，并不等于削弱平台。相反，当用户能用 AI 回看自己过去一年把时间花在哪里、哪些习惯坚持了下来、哪些兴趣发生了变化，平台就不再只是工具，而会变成数字生活的“记忆中枢”。

锁死数据只能换来被动停留，开放数据反而可能换来主动依赖。

微信读书最近推出的官方 Skill，走的就是这条路。它没有停留在 AI 搜书、AI 问书这些表层功能，而是把书架、阅读进度、阅读统计、划线、想法、书评、热门划线和推荐等阅读行为，以自然语言可调用的方式交还给用户。过去散落在 App 各个页面里的数据，现在可以被重新调动、交叉和追问。

从这个角度看，传统软件拥抱 AI 有三条路，第一是功能 AI 化，在产品里加入口，最容易同质化，

第二是内容 AI 化，把内容库开放给 AI，但也会成为其他产品的数据库。第三是用户数据 AI 化，把只有平台才拥有的个人行为数据，开放给用户自己的 AI。微信读书选择的正是第三条。

它真正的护城河不是书库，而是用户在这里留下的多年阅读痕迹，几千条划线、几百条想法、几十个完整阅读周期。

这些数据有时间重量，也有情绪附着。

AI 原生应用可以从零设计交互，却无法凭空生成一个人过去五年的阅读历史。这正是传统软件少有的反击机会。