القائمة
根据用户已填写的基础身份和能力信息，AI推断学术动机、人格和认知风格维度。当用户不想填写量表、或希望快速估算时使用。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
根据当前科研数字分身状态，生成结构化提示词，供用户提交给 ChatGPT 等带记忆功能的 AI，从中提取与画像构建相关的信息。不询问用户使用哪个 AI 工具，提示词对所有平台通用。
解析用户从其他 AI 获取的记忆回复，最大化利用已有信息减少用户交互，仅在信息严重不足时才补充提问。
AI记忆推断优化版。先读量表原始文档理解维度定义，再基于量表题目结构逐维度推断（而非经验规则），最后针对最低置信度维度补问一个关键问题。比标准版推断更科学、更透明。
采集科研数字分身的基础信息（研究阶段、学科领域、方法范式、技术能力、科研流程能力）。当用户开始建立科研数字分身、或基础信息尚未填写时使用。
施测学术动机量表（AMS-GSR 28），采集科研人员的内在动机、外在动机和无动机数据。当用户选择填写量表、或画像中AMS数据缺失时使用。
施测大五人格量表（Mini-IPIP，20题），评估外向性、宜人性、尽责性、神经质和开放性。当用户选择填写量表、或画像中人格数据缺失时使用。
| name | infer-profile-dimensions |
| description | 根据用户已填写的基础身份和能力信息，AI推断学术动机、人格和认知风格维度。当用户不想填写量表、或希望快速估算时使用。 |
读取 profiles/[姓名].md，确认 采集阶段 为 basic_info_done。若基础信息不完整，先提示用户补充关键字段（研究阶段、领域、方法范式至少需要填写）。
检查「三、当前需求」章节是否已填写：
collect-basic-info/SKILL.md），再进行推断AI 将根据你已提供的信息，对以下三个维度进行推断估算：
- 学术动机（AMS-GSR 28 的 7 个维度）
- 认知风格（RCSS 的横向整合 vs 垂直深度）
- 人格特征（Mini-IPIP 大五人格）
推断结果仅供参考，所有推断数据均会标注「（AI推断）」。
如需精确评估，随时可以改用标准量表。
从以下信息推断：
| 基础信息 | 推断依据 |
|---|---|
| 研究方法 = 数据驱动/计算 | 倾向整合型（I较高） |
| 研究方法 = 实验/理论 | 倾向深度型（D较高） |
| 交叉学科方向明确 | 横向整合分+2至+4 |
| 技术栈跨领域多样 | 横向整合分+2至+4 |
| 技术栈单一且深 | 垂直深度分+2至+4 |
| 合作网络跨机构/跨学科 | 横向整合+1至+2 |
给出 CSI 估算值和对应类型，标注置信度。
从以下信息推断：
| 基础信息 | 推断依据 |
|---|---|
| 研究阶段 = 博士生（前2年） | 无动机分可能偏高（适应期） |
| 有代表性学术产出 | 成就内在动机↑，求知内在动机↑ |
| 主动提到喜欢某个研究问题 | 求知内在动机↑ |
| 能力自评：论文写作低但执行力强 | 体验刺激↑，外部调节可能偏高 |
| 机构为国内顶级/竞争激烈 | 内摄调节可能偏高 |
给出各维度估算分（1-7）和 RAI 综合指数。
从以下信息推断：
| 基础信息 | 推断依据 |
|---|---|
| 技术栈多样、跨学科 | 开放性/智力↑（4-5） |
| 合作网络广，主动外部合作 | 外向性偏高（3-4） |
| 独立工作为主，较少提及合作 | 外向性偏低（2-3） |
| 能力自评：项目管理高 | 尽责性偏高（4-5） |
| 能力自评：论文写作流畅 | 尽责性偏高 |
| 研究阶段压力大（博士中期） | 神经质可能偏高（3-4） |
对每个维度：
示例格式：
**认知风格指数（CSI）**：+9（倾向整合型）
- 推断依据：计算建模方法 + 技术栈跨领域（Python/PyTorch/MATLAB）+ 有跨机构合作
- 置信度：中（建议后续用 RCSS 量表精确测量）
profiles/[姓名].md 对应字段，标注 （AI推断）采集阶段 更新为 inferred_done，数据来源 更新为 AI推断doc/tashan-profile-examples.md 的格式）推断完成！你可以：
- 输入「查看画像」查看完整结果并进行审核
- 输入「我想填量表」随时对任意维度进行精确测量（将覆盖推断数据）
- 输入「修改」对任何字段进行修正