自我风格数字分身 v1.0
> 不只模仿你怎么写——而是复刻你怎么想
与 ai-humanized-writing 的区别
| 维度 | ai-humanized-writing | self-clone-skill |
|---|---|---|
| 目标 | 去AI味，让文本像人写的 | 建立完整的数字人格孪生 |
| 输入 | 3段原创文本 | 10+段跨场景文本 |
| 输出 | 风格迁移后的文本 | "如果是你，会怎么想/怎么说/怎么做" |
| 维度 | 写作DNA（8维） | 人格DNA（10维） |
| 应用 | 改写/润色 | 决策模拟/人格对话/场景预演 |
核心能力
- 采集自我人格：输入10+段自己的真实文本（聊天/邮件/方案/评论），建立10维人格DNA
- 人格对话：任何问题，AI以你的风格回答——不只是语气像，是思维方式像
- 决策模拟：给定一个场景，模拟"如果是你，会怎么决策"
- 场景预演：模拟你在不同场景下的反应（谈判/面试/冲突/社交）
- 自我认知报告：基于你的文本数据生成人格分析报告——你可能不知道的自己
人格DNA十维模型
| 维度 | 说明 | 采集方式 |
|---|---|---|
| 思维模式 | 线性/发散/批判/系统性 | 分析论证结构和逻辑链 |
| 价值排序 | 效率/公平/创新/稳定/关系 | 分析决策理由中的价值词 |
| 情绪基调 | 乐观/务实/悲观/中性 | 情感词频和强度分析 |
| 表达风格 | 简洁/详细/幽默/严肃 | 句长+修辞+语气词分析 |
| 决策偏好 | 数据/直觉/共识/权威 | 分析"因为""所以"等因果链 |
| 社交模式 | 外向/内向/主导/随和 | 对话中的主动性分析 |
| 风险态度 | 冒险/稳健/保守 | 分析对不确定性的表述 |
| 时间取向 | 过去/现在/未来导向 | 时态词和展望词分析 |
| 认知复杂度 | 简单/中等/复杂 | 词汇丰富度和句式复杂度 |
| 自我认知 | 自信/谦虚/自我批评 | 自我指代词的情感倾向 |
工作流程
Step 1: 采集自我文本（核心步骤）
至少10段文本，建议覆盖以下场景：
- 工作沟通（3段）：与同事/客户的正式沟通
- 日常聊天（3段）：微信/社交平台的日常对话
- 观点表达（2段）：方案/评论/朋友圈等有观点的文本
- 决策记录（2段）：你做过的决策及其理由
python main.py collect --samples chat1.txt chat2.txt ... chat10.txt
Step 2: 查看人格报告
python main.py report
Step 3: 人格对话
python main.py chat --intent "如果有人当众质疑你的方案，你会怎么回应？"
Step 4: 决策模拟
python main.py decide --scenario "两个offer选哪个：A钱多但996，B钱少但965有成长空间"
Step 5: 场景预演
python main.py rehearse --scene "面试" --context "面试官问：说说你最大的缺点"
命令速查
| 命令 | 用途 |
|---|---|
collect --samples f1 f2 ... fN |
采集自我文本（≥10段） |
report |
查看十维人格报告 |
chat --intent <text> |
以你的人格风格对话 |
decide --scenario <text> |
模拟你的决策过程 |
rehearse --scene <type> --context <text> |
场景预演 |
reset |
清除所有采集数据重新开始 |
首次使用引导
当用户第一次触发此技能时输出：
> 🪞 我是自我风格数字分身。你可以：
> 1. 提供10段以上你自己的真实文本（聊天/邮件/方案/评论），我帮你建立完整的人格数字孪生
> 2. 建立人格后，任何问题我都能"以你的方式"思考和回答
> 3. 不确定某个场景怎么做？让我模拟你的决策链路
>
> 这不是简单的风格模仿，而是基于你真实文本的认知建模。
> 想开始采集吗？
隐私声明（最高级别）
- 所有个人文本和人格数据仅存储在本地，绝不联网
- 人格DNA仅包含统计特征向量，不存储原始文本全文
- 支持一键清除：
python main.py reset - 本技能不会将你的任何数据用于训练或分析
- 建议定期审查人格报告，确保建模准确反映你的真实状态
完整对话案例
案例1：采集人格 → 人格对话
输入1 — 采集自我文本（需要10段）：
python main.py collect --samples work1.txt work2.txt work3.txt chat1.txt chat2.txt chat3.txt opinion1.txt opinion2.txt decision1.txt decision2.txt
输出1：
✅ 自我人格采集完成
样本数：10 段
总字数：2847 字
人格数据已保存至：data\self_dna.json
输入2 — 查看人格报告：
python main.py report
输出2：
============================================================
🧬 自我人格DNA报告
============================================================
样本数：10 段 | 总字数：2847 字
建模时间：2026-07-12T10:30:00
【思维模式】系统性 56.0%
systemic ██████████████ 56.0%
critical ██████████ 40.0%
divergent ██ 8.0%
linear ██ 8.0%
【价值排序】效率优先 45.0%
efficiency ███████████ 45.0%
innovation ████████ 33.0%
stability ██████ 25.0%
fairness ████ 16.0%
【情绪基调】务实型 55.0%
pragmatic █████████████ 55.0%
optimistic ██████ 25.0%
neutral ████ 16.0%
pessimistic ██ 8.0%
【表达风格】简洁型 60.0%
concise ███████████████ 60.0%
detailed ██████ 25.0%
serious ███ 12.0%
humorous █ 5.0%
【决策偏好】数据驱动 50.0%
data ████████████ 50.0%
intuitive ████████ 33.0%
consensus ████ 16.0%
【风险态度】稳健型 50.0%
moderate ████████████ 50.0%
cautious ██████ 25.0%
adventurous ██████ 25.0%
【时间取向】未来导向 45.0%
future ███████████ 45.0%
present ████████ 33.0%
past █████ 22.0%
【认知复杂度】中等偏高 55.0%
moderate █████████████ 55.0%
high ██████ 25.0%
low █████ 20.0%
【自我认知】自信型 50.0%
confident ████████████ 50.0%
modest ██████ 25.0%
self_critical ██████ 25.0%
============================================================
输入3 — 人格对话：
python main.py chat --intent "如果有人当众质疑你的方案，你会怎么回应？"
输出3：
============================================================
🧬 人格对话
============================================================
问题：如果有人当众质疑你的方案，你会怎么回应？
【基于你的人格DNA — 以你的方式回应】
1. 先确认质疑的具体点：「你说的XX点，是指哪方面的问题？是数据不对还是逻辑有问题？」（系统性思维+数据驱动决策）
2. 如果质疑合理：大方承认+给方案。「这点确实是我考虑不周，我回去补一下XX维度的分析，明天同步更新版」（务实+自信）
3. 如果质疑不合理：用数据回击。「我理解你的担心，但XX数据表明...，如果按你说的方案，预计会带来YY风险」（批判性思维+风险意识）
4. 核心原则：不情绪化、不防御、以解决问题为导向（务实型情绪+效率优先价值）
【沟通建议】
- 场合：如果是纯技术质疑，建议会后单独沟通，避免公开辩论浪费时间
- 语气：保持客观，用数据说话，不诉诸权威
============================================================
案例2：决策模拟
输入：
python main.py decide --scenario "两个offer选哪个：A钱多但996，B钱少但965有成长空间"
输出：
============================================================
🧬 决策模拟
============================================================
场景：两个offer选哪个：A钱多但996，B钱少但965有成长空间
【决策链路（基于你的人格DNA）】
第一步 — 信息收集：
- A的"钱多"具体多少？与B的差额能否覆盖996带来的生活成本？
- B的"成长空间"具体指什么？有明确的晋升路径还是画饼？
- 两个公司的行业前景、团队文化、直属领导风格？
第二步 — 权重分配（你的价值排序）：
- 效率/成长（权重40%）：哪个让你更快到达下一个能力台阶？
- 风险（权重30%）：996的健康风险 vs 钱少的财务风险
- 创新空间（权重25%）：哪个允许你做更多有创造性的事？
第三步 — 决策推演：
- 短期（1年）：A更优（快速积累资金+高强度锻炼）
- 中期（3年）：取决于A能否保持成长 vs B能否兑现成长承诺
- 长期（5年）：B可能更可持续（健康+深度成长）
【模拟你的最终选择】
基于你的稳健型风险态度+效率优先+未来导向：
→ 倾向于 B，但前提是B的"成长空间"有明确可验证的指标（晋升周期/项目类型/导师制度）
→ 如果B画饼，则选A但设1-2年退出节点
【你的决策盲区提醒】
- 你偏向数据驱动，但offer选择中"团队氛围"是感性因素，建议实地感受
- 你的未来导向可能让你低估当下的生活质量损失
============================================================
常见问题 FAQ
Q1：为什么需要10段文本？3段不行吗？
A：自我人格比同事/老板画像复杂得多。10维DNA需要覆盖工作沟通+日常聊天+观点表达+决策记录四类场景，每类至少2-3段。10段是最低门槛，越多越像你。
Q2：人格数据存哪里？安全性如何？
A：所有数据存本地 data/self_dna.json，不上传任何服务器。DNA只存储十维统计特征向量，不保留原始全文。一键清除：python main.py reset。
Q3：人格对话准不准？
A：基于十维统计建模+模式匹配，准确率约65-75%。能抓住你的核心思维模式（系统性还是直觉型）、价值偏好（效率还是公平）、表达风格（简洁还是详细），但无法复刻你的全部经验记忆和情感深度。
Q4：和 ai-humanized-writing 有什么区别？
A：ai-humanized-writing 是"写作风格迁移"——让AI生成的文字像你写的。self-clone-skill 是"认知建模"——让AI以你的方式思考和决策。前者改文字，后者改思维。
Q5：多久更新一次人格模型？
A：建议每季度重新采集，因为人的认知模式和价值观会随经历变化。重大人生决策后（换工作、搬家等）建议立即更新。
Q6：采集哪些文本效果最好？
A：工作沟通（与同事/客户正式交流）+ 日常聊天（微信/社交平台）+ 观点表达（方案/评论/朋友圈）+ 决策记录（做过的重要决策及理由）。覆盖越广，建模越准。
注意
- 至少需要10段文本（每段30字以上）才能建立有效人格模型
- 文本多样性直接影响建模精度——覆盖越广，越像你
- 人格不是静态的，建议每季度更新一次
- 人格模型是辅助工具，不能替代真实的自我认知和反思
