📦 Clawhub Publish Kmwrip1j — MBTI人格分析

从已授权的 OpenClaw 历史记录与工作区笔记中生成有证据支持的 MBTI 报告。

快速开始

本包是一个 技能（skill）。其他 agent 的公开 handoff 入口见 README.md。

主要入口：

• 触发短语：MBTI、personality analysis、type me
• 技能命令：mbti-report

最小运行依赖：

• python3

本地开发或手动安装：

ln -s /absolute/path/to/mbti "$CODEX_HOME/skills/mbti"

在聊天中启动分析：

Analyze my MBTI using only my authorized memory and session history

给 agent 和维护者：

• 运行任何脚本前请完整阅读本页
• 以下现有 pipeline 脚本即为实现步骤
• 不要跳过授权步骤
• 不要直接从原始历史直接推断 MBTI

概览

本技能产出：

• report.html：主交付物
• report.md：紧凑摘要
• analysis_result.json：类型假设、置信度、后续问题
• evidence_pool.json：可追踪的已评分证据

首次交互应：

• 发现候选来源类别。
• 向用户展示可用内容。
• 询问授权哪些类别。
• 运行 提取 → 证据 → 推断 → 报告 流水线。

核心规则

始终将工作流拆为两层：

• 完整提取：从已授权来源提取为结构化记录与证据池。
• MBTI 推断：仅从证据池与来源摘要推断，不得直接从完整原始历史推断 MBTI。

使用时机

当用户想要：

• 基于已有对话或记忆的 MBTI 分析
• 无需问卷的性格推断
• 带证据的专业性格报告
• 可能类型、相邻类型与不确定性的结构化总结

不用于临床诊断或心理健康评估。

授权先行

读取任何来源内容前：

• 运行来源发现。
• 向用户展示可用来源类别。
• 说明报告可能引用短片段（如禁用引用则不会）。
• 请用户确认允许哪些来源类别。

默认候选类别：

• 工作区长期记忆：MEMORY.md
• 工作区每日记忆：memory/.md
• OpenClaw 会话：~/.openclaw/agents//sessions/.jsonl
• OpenClaw 记忆索引：~/.openclaw/memory/main.sqlite
• OpenClaw 任务元数据：~/.openclaw/tasks/runs.sqlite
• OpenClaw 定时任务元数据：~/.openclaw/cron/runs/.jsonl

默认排除：

• .env
• credentials/
• identity/
• 设备文件
• 审批文件
• 通用配置文件
• 网关与运行时日志

执行流程

若用户未指定输出目录，结果写入：

./.mbti-reports//

推荐顺序：

1. 发现候选来源

python3 {baseDir}/scripts/discover_sources.py \
  --workspace-root . \
  --openclaw-home ~/.openclaw \
  --output /tmp/mbti-source-manifest.json

用该清单向用户解释可分析内容，尚未读取内容。

2. 摄取已授权来源

python3 {baseDir}/scripts/ingest_all_content.py \
  --manifest /tmp/mbti-source-manifest.json \
  --approved-source-types workspace-long-memory,workspace-daily-memory,openclaw-sessions \
  --output-dir ./.mbti-reports/

生成：

• raw_records.jsonl
• source_summary.json

3. 构建证据池

python3 {baseDir}/scripts/build_evidence_pool.py \
  --raw-records ./.mbti-reports//raw_records.jsonl \
  --source-summary ./.mbti-reports//source_summary.json \
  --output ./.mbti-reports//evidence_pool.json

该阶段应：

• 保持高召回
• 去除明显工具噪音
• 标记伪信号
• 合并重复事实
• 保留可追踪的证据引用

4. 从证据池推断 MBTI

python3 {baseDir}/scripts/infer_mbti.py \
  --evidence-pool ./.mbti-reports//evidence_pool.json \
  --source-summary ./.mbti-reports//source_summary.json \
  --output ./.mbti-reports//analysis_result.json

推断规则：

• 以四组偏好为主要决策层
• 仅将类型动力学与认知功能用作一致性检查
• 独立强证据权重高于重复弱信号
• 保留反证据可见
• 边际弱时生成后续问题

若 analysis_result.json 中 needs_followup: true 且用户可答，则在定稿前提问。

5. 应用后续答案并重新运行

用户回答低置信问题后，将答案作为额外用户证据重新运行流水线：

python3 {baseDir}/scripts/apply_followup_answers.py \
  --raw-records ./.mbti-reports//raw_records.jsonl \
  --source-summary ./.mbti-reports//source_summary.json \
  --analysis ./.mbti-reports//analysis_result.json \
  --output-dir ./.mbti-reports/ \
  --answer "S/N=" \
  --answer "J/P="

更新：

• raw_records.jsonl
• source_summary.json
• followup_answers.json
• evidence_pool.json
• analysis_result.json
• report.md
• report.html

若用户拒绝回答，保留当前报告并明确标注不确定性。

6. 渲染最终报告

python3 {baseDir}/scripts/render_report.py \
  --analysis ./.mbti-reports//analysis_result.json \
  --evidence-pool ./.mbti-reports//evidence_pool.json \
  --output-dir ./.mbti-reports/ \
  --quote-mode summary \
  --open

加 --open 可在渲染后自动用默认浏览器打开 HTML 报告。

生成：

• report.md
• report.html

7. 渲染独立 HTML 预览

仅调整布局、CSS、间距或徽章/主题行为时，用内置预览模式，无需重新运行发现、摄取、证据构建与推断：

python3 {baseDir}/scripts/render_report.py \
  --debug-preview \
  --debug-type INTP \
  --output-dir /tmp/mbti-preview

这会从捆绑的 fixture 生成完整的 report.html 与 report.md，报告调试不再依赖之前流水线产物。

阶段测试

如需单独测试某一阶段，先为该阶段准备合成 fixture，再针对这些文件运行真实阶段脚本。

准备 fixture 输入：

python3 {baseDir}/scripts/prepare_stage_fixture.py \
  --stage infer \
  --output-dir /tmp/mbti-stage-infer

然后运行要检查的阶段：

python3 {baseDir}/scripts/infer_mbti.py \
  --evidence-pool /tmp/mbti-stage-infer/evidence_pool.json \
  --source-summary /tmp/mbti-stage-infer/source_summary.json \
  --output /tmp/mbti-stage-infer/analysis_result.json

支持的 fixture 阶段：

• discover：生成合成工作区与 OpenClaw 源文件
• ingest：添加 source_manifest.json
• evidence：添加 raw_records.jsonl 与 source_summary.json
• infer：添加 evidence_pool.json
• render：添加 analysis_result.json
• followup：添加 answers_input.json 供 apply_followup_answers.py 使用

用以下命令对所有阶段入口做冒烟测试：

python3 -m unittest tests.test_stage_smoke

报告规则

HTML 报告是主要产物。聊天回复仅提供：

• 最可能类型
• 置信度
• 2-4 条关键观察
• 输出文件路径

若 report.html 已存在，勿在聊天中自由发挥完整报告。

证据规则

将以下视为高风险伪信号：

• 关于助手应如何行为的请求
• 格式偏好
• 无自描述上下文的工具与工作流指令
• 命令输出、日志、堆栈跟踪或复制的机器文本

将以下视为更强证据：

• 重复的自我描述
• 稳定的决策模式
• 反复的工作与反思习惯
• 期望结构与实际行为间的冲突
• 跨来源一致性

需要时阅读以下参考：

• analysis_framework.md
• evidence_rubric.md
• report_copy_contract.md
• report_structure.md

输出规范

• 保持严谨且非临床语气。
• 最终报告勿用 emoji。
• 将结果呈现为最佳匹配假设，而非绝对真理。
• 始终包含至少一节“为何不是相邻类型”。