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

核心能力

1. 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
2. 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
3. 决策模拟：给定一个场景，模拟"如果是你，会怎么决策"
4. 场景预演：模拟你在不同场景下的反应（谈判/面试/冲突/社交）
5. 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

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

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：dataself_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