Requirements
- Target platform
- OpenClaw
- Install method
- Manual import
- Extraction
- Extract archive
- Prerequisites
- OpenClaw
- Primary doc
- SKILL.md
智能收支追踪器 — 通过自然语言快速记账,自动分类,生成日/周/月报告和趋势分析。 支持中文自然语言输入("今天午饭花了35元"),数据本地JSON存储保护隐私。 适用于个人财务管理、预算追踪和消费分析场景。
智能收支追踪器 — 通过自然语言快速记账,自动分类,生成日/周/月报告和趋势分析。 支持中文自然语言输入("今天午饭花了35元"),数据本地JSON存储保护隐私。 适用于个人财务管理、预算追踪和消费分析场景。
Hand the extracted package to your coding agent with a concrete install brief instead of figuring it out manually.
I downloaded a skill package from Yavira. Read SKILL.md from the extracted folder and install it by following the included instructions. Tell me what you changed and call out any manual steps you could not complete.
I downloaded an updated skill package from Yavira. Read SKILL.md from the extracted folder, compare it with my current installation, and upgrade it while preserving any custom configuration unless the package docs explicitly say otherwise. Summarize what changed and any follow-up checks I should run.
通过自然语言快速记账,自动生成财务报告的智能工具。
📝 自然语言记账: "今天午饭花了35元"、"收到工资8000" 🏷️ 智能自动分类: 自动识别餐饮、交通、购物等分类 📊 多维度报告: 日报、周报、月报、趋势分析 🔒 本地数据存储: JSON文件存储,保护隐私 🌐 中英文支持: 支持中英文自然语言输入 ⚠️ 消费异常检测: 自动识别异常消费模式
# 记录支出 python scripts/expense-tracker.py add "今天午饭花了35元" python scripts/expense-tracker.py add "昨天打车去公司28块" python scripts/expense-tracker.py add "买衣服花了299元" # 记录收入 python scripts/expense-tracker.py add "今天发工资8000元" python scripts/expense-tracker.py add "收到红包200"
# 列出最近7天记录 python scripts/expense-tracker.py list # 列出最近30天记录 python scripts/expense-tracker.py list 30 # 只显示支出 python scripts/expense-tracker.py list 7 expense
# 日报 python scripts/report-generator.py daily python scripts/report-generator.py daily 2024-01-15 # 周报 python scripts/report-generator.py weekly python scripts/report-generator.py weekly 1 # 上周 # 月报 python scripts/report-generator.py monthly python scripts/report-generator.py monthly 1 # 上月 # 趋势分析 python scripts/report-generator.py trend 30
# 最近30天收支摘要 python scripts/expense-tracker.py summary # 最近90天摘要 python scripts/expense-tracker.py summary 90 # 查看分类列表 python scripts/expense-tracker.py categories
smart-expense-tracker/ ├── SKILL.md # 本文件 ├── scripts/ │ ├── expense-tracker.py # 核心记账逻辑 │ └── report-generator.py # 报告生成器 └── assets/ └── categories.json # 分类配置
路径: ~/.openclaw/workspace/data/expenses/expenses.json 格式: JSON 隐私: 纯本地存储,不上传云端 数据结构: { "expenses": [ { "id": "a1b2c3d4", "date": "2024-01-15", "type": "expense", "amount": 35.00, "category": "餐饮", "note": "午饭", "raw_text": "今天午饭花了35元", "created_at": "2024-01-15T12:30:00" } ], "categories": { "income": ["工资", "奖金", "投资", ...], "expense": ["餐饮", "交通", "购物", ...] } }
"今天..." - 今天 "昨天..." - 昨天 "前天..." - 前天 "2024-01-15..." - 指定日期
"花了35元" "花了35块" "35元" "收入5000"
分类触发关键词餐饮吃饭、午饭、晚饭、外卖、奶茶、咖啡、火锅交通地铁、公交、打车、滴滴、加油、停车、高铁购物购物、买衣服、鞋子、包包、化妆品、淘宝、京东娱乐电影、游戏、充值、会员、旅游、KTV居住房租、房贷、水电、物业费、装修工资工资、薪水、发工资奖金奖金、年终奖、分红
分类配置存储在 assets/categories.json,包含: 收入分类: 工资、奖金、投资、兼职、红包、退款、其他收入 支出分类: 餐饮、交通、购物、娱乐、居住、医疗、教育、通讯、人情、其他支出 预算预警: 每个分类可设置预算阈值 关键词映射: 自定义分类识别关键词
编辑 assets/categories.json 添加自定义分类和关键词。
当日收支总览 分类明细 交易记录列表
本周收支总览 日均支出 每日明细 TOP支出分类
月度收支总览 预算执行情况 周度趋势 分类统计 日均支出
消费趋势(上升/下降/稳定) 异常消费检测(超过均值2倍) 环比变化分析 消费建议
# 删除指定ID的记录 python scripts/expense-tracker.py delete a1b2c3d4
# 报告输出JSON格式(便于程序处理) python scripts/report-generator.py monthly 0 json
可通过直接编辑 expenses.json 文件实现批量导入。
每日记账: 养成每天记录的习惯,可以在每天晚上花2分钟回顾当天支出 及时分类: 如果自动分类不准确,可以在备注中添加更具体的关键词 定期复盘: 每周查看周报,每月查看月报,了解自己的消费模式 设置预算: 在 categories.json 中为各分类设置预算预警值
确保金额格式正确,如 "35元"、"35块" 尝试明确表达:"花了35元"
在描述中添加更多关键词,如 "淘宝买衣服" 会比 "买衣服" 更准确 可在 categories.json 中添加自定义关键词
数据文件是纯JSON,可用文本编辑器修复 建议定期备份 ~/.openclaw/workspace/data/expenses/expenses.json
编辑 scripts/expense-tracker.py 中的 KEYWORD_MAPPING 字典: KEYWORD_MAPPING = { # 现有规则... "新关键词": "目标分类", " another keyword": "Category Name" }
expense-tracker.py 可作为模块导入: from scripts.expense_tracker import ExpenseTracker tracker = ExpenseTracker() record = tracker.add("今天买书花了50元") print(record)
Python版本: 3.9+ 依赖: 无外部依赖,仅使用标准库 编码: UTF-8 数据格式: JSON
MIT License
Agent frameworks, memory systems, reasoning layers, and model-native orchestration.
Largest current source with strong distribution and engagement signals.