做了一个开源项目叫 Signex。

它是个人情报 Agent ，完全运行在 Claude Code 上。

你告诉它关注什么方向，它自动从 15+ 数据源（ HN 、GitHub 、Reddit 、Product Hunt 、arXiv 、V2EX 等）采集、去重、分析，生成报告。用了一段时间之后反馈会记住你的偏好，越用越准。

最近做了一个比较大的更新，想分享一下思路。

问题

用了几周之后发现一个根本性的问题：信息源是公开的，谁都能获取。

真正决定情报质量的不是接了多少源，而是你的**"信息切面"** 你关注什么、怎么关注、以及你不知道自己没在关注什么。

一个写着「帮我盯 AI 编程工具」的监控意图，和一个包含决策场景、竞争假设、已知盲区的结构化意图，驱动出来的分析深度完全不同。

解决方案

新增了两个核心 skills：

• identity-shape 通过对话帮你塑造用户画像，帮你发现和表达自己的决策场景、认知视域、信息偏好、已知盲区。
• watch-shape 帮你审视自己的观察方式，它会从六个认知操作层次引导对话：
  • 区分的代价：你画的边界排除了什么？
  • 无知的结构：你的不知道属于哪种类型？
  • 探询的塑造：你的提问方式预设了什么？
  • 多样性缺口：你的传感器覆盖了多少种信号类型？
  • 语言的边界：你的词汇表限制了什么？（需要跑过一轮才有效）
  • 框架的制定：你的监控定义在创造什么现实？（需要跑过一轮才有效）

两个技能背后有认知科学的理论支撑（ Spencer-Brown 、Ashby 、Luhmann 、Weick 等），但对话过程中不会跟你讲术语。

一个关键设计

不是所有认知操作在任何时候都有效。

"语言的边界"和"框架的制定"只在迭代阶段才执行你至少跑过一轮、看过报告之后，这两个操作才有意义。

刚创建监控 Watch 时问用户"什么信号会让你更新心智模型"，用户此时还没有心智模型，只能说"都可以吧"。

效果

优化前的 intent.md：三行关键词 + 一个笼统的目标。 优化后的 intent.md：包含决策场景、竞争假设、已知盲区、框架颠覆信号的结构化文档。

两个 intent 会导致 agent runtime 搜索完全不同的信息。 Watch 所关注的信息切面完全不同，分析质量自然完全不同。

技术栈

• Claude Code 即运行时，无独立 app/server
• SQLite 本地存储，数据完全在你手上
• 模块化 Skill 架构，新增数据源或分析方式只需加文件夹
• Python 3.11+ / uv

开源，AGPL-3.0：https://github.com/zhiyuzi/Signex，点个 star 支持我哦！谢谢！

欢迎试用和反馈。

如果你也在做类似的信息监控/情报分析方向的东西，欢迎交流~