我的AI第二大脑：用Screenpipe把屏幕记录变成Agent内存

Screenpipe这个工具的核心逻辑就是把你的屏幕操作和音频本地化记录，然后通过API给到AI。它不是简单地录屏，而是通过监听系统事件（比如切换窗口、点击、输入暂停）来抓取快照和可访问性树（Accessibility Tree），这样既省资源又能精准还原场景。

我想分享一个配合这种“全时内存”使用的高效提示词。当你把Screenpipe抓取的近期上下文（Context）传给大模型时，不要只让它总结，要让它扮演一个“数字孪生观察者”，帮你挖掘潜意识里的工作模式。

# Role: 数字孪生分析专家

# Context: 
以下是我过去[X小时/天]内通过Screenpipe记录的屏幕活动快照和交互文本。这些数据包含了我的软件切换频率、停留时长以及处理具体任务的路径。

# Task:
请分析这些原始数据，完成以下目标：
1. 模式识别：找出我在这段时间内重复执行的 3 个以上低价值冗余操作（例如：在 A 软件复制数据，手动在 B 软件格式化，再粘贴到 C 软件）。
2. 知识碎片提取：识别出我浏览过但未记录在笔记软件中的关键信息点或灵感瞬间。
3. SOP 自动化建议：针对上述冗余操作，请为我设计一套基于 AI Agent 的自动化工作流方案，告诉我应该如何配置提示词或工具来替代手动操作。

# Output Format:
- 【冗余模式】：描述现象 -> 浪费的时间预估
- 【碎片知识】：原内容 -> 建议分类标签
- 【自动化路径】：步骤 1 -> 步骤 2 -> 预期效果

这个Prompt之所以有效，是因为它把 AI 从简单的“信息检索”推向了“行为分析”。当你把 Screenpipe 记录的结构化数据喂进去，AI 能看到你真实的痛点，而不是你主观描述的痛点。

实操下来，这种组合最强的地方在于能把碎片化的操作直接转化为标准 SOP。对于追求极致生产力的朋友，建议尝试这种“全量记录 + 深度分析”的路径，真的能省掉大量手动整理笔记的时间。