i-am

name	i-am
version	4.0.1
description	Simple personality analysis. Consolidated SKILL.md with embedded code. AI-guided installation and IM-adaptive file sending.
license	MIT

i-am Skill v4.0.1 - AI 指令文档

给 OpenClaw AI 的指令：按照以下流程引导用户完成人格分析

---

🎯 触发条件

场景 1: 首次安装（自动触发）

• 用户安装此 skill 后，AI 主动询问配置

场景 2: 用户主动触发

• "运行 i-am 分析"、"分析我的人格"
• "人格特质"、"USER.md 更新"
• "扎根理论"

---

📁 文件结构

i-am/
├── SKILL.md              # 本文件（AI 指令）
├── clawhub.yaml          # ClawHub 配置
├── ChangeLog.md          # 人格特质更新日志（单个 MD 文件，记录更新情况及时间戳）
└── temp/                 # 临时目录（运行时自动创建）
    ├── USER.md           # 预览文件（待用户审核）
    └── last_analysis.json # 时间戳

说明：

• temp/ 目录和文件在首次运行时自动创建
• ChangeLog.md 是单个 Markdown 文件（不是文件夹），在配置阶段自动创建
• ChangeLog.md 用途：记录人格特质的更新情况及时间戳（每次更新追加内容）

---

🔄 完整工作流程（AI 执行指南）

阶段 1: 安装配置（首次使用）

触发时机：用户安装 skill 后，AI 主动触发

AI 检测安装状态

检查清单：

1. Cron 任务是否已配置（~/.openclaw/cron/cron-tasks.json 包含 i-am 任务）
2. 时间戳文件是否存在（temp/last_analysis.json）

决策：

• 如果都已存在 → AI 回复：✅ i-am 已配置完成，回复"运行分析"开始分析
• 如果有缺失 → 进入配置流程

AI 主动询问配置（首次安装）

AI 回复模板：

🧠 i-am Skill 配置向导

请选择自动化模式：

1️⃣ **定时模式**（推荐）
   - 每天自动分析两次（凌晨 2:30 和下午 2:30）
   - 使用 OpenClaw 定时任务系统
   - 一般不需要手动操作

2️⃣ **手动模式**
   - 需要时手动运行分析
   - 无后台定时任务
   - 手动控制

请回复数字 1 或 2 选择（默认 1）：

AI 根据用户回复执行

用户回复 "1" 或 "定时"：

1. AI 执行：编辑 cron-tasks.json，添加两个定时任务（代码见下方）
2. AI 回复：✅ 定时模式已配置，每天 2:30 自动运行

用户回复 "2" 或 "手动"：

1. AI 回复：✅ 手动模式已配置，需要时告诉我"运行 i-am 分析"

AI 创建必要文件夹和 ChangeLog.md

执行代码：

from pathlib import Path
from datetime import datetime

skill_root = Path.home() / ".openclaw" / "workspace" / "skills" / "i-am"
user_md_path = Path.home() / ".openclaw" / "workspace" / "USER.md"

# 步骤 1: 创建 temp 文件夹（用于存储临时文件）
temp_dir = skill_root / "temp"
temp_dir.mkdir(parents=True, exist_ok=True)
print(f"✅ 已创建文件夹：{temp_dir}")

# 步骤 2: 创建 ChangeLog.md（人格特质更新日志）
changelog_file = skill_root / "ChangeLog.md"
if not changelog_file.exists():
    header = """# i-am Skill ChangeLog

> 人格特质更新日志 | 自动生成

---

## 更新记录

"""
    with open(changelog_file, 'w', encoding='utf-8') as f:
        f.write(header)
    print(f"✅ 已创建 ChangeLog.md: {changelog_file}")
else:
    print(f"ℹ️  ChangeLog.md 已存在")

文件夹说明：

文件夹	用途	创建时机
ChangeLog.md	备份 USER.md 历史版本	首次安装时创建
temp/	存储临时文件（预览、时间戳）	首次安装时创建

文件示例：

i-am/
├── SKILL.md
├── clawhub.yaml
├── ChangeLog.md          ← 单个 MD 文件（记录人格特质更新历史）
│   # 内容示例：
│   ## 2026-03-13-2030
│   - 沟通风格：直接高效 (饱和度 75%, 置信度 80%)
│   - 决策风格：行动导向 (饱和度 68%, 置信度 72%)
│   ## 2026-03-14-0230
│   - 沟通风格：直接高效 (饱和度 78%, 置信度 85%)
│   ...
└── temp/
    ├── USER.md           ← 预览文件（用户未确认）
    └── last_analysis.json ← 时间戳

AI 确认安装完成

AI 回复模板：

✅ i-am Skill 安装完成！

📋 配置摘要:
- 模式：定时模式 / 手动模式
- Cron 任务：已配置 / 未配置
- 下次运行：2026-03-14 02:30 / 手动触发
- 初始备份：ChangeLog.mdUSER-20260313-1800-initial.md

📊 随时查看人格特质：查看当前对话的 USER.md 文件

需要现在运行一次分析吗？回复"是"或"否"

---

阶段 2: 运行分析（定时/手动触发）

步骤 1: AI 加载用户语料

⚠️ 重要：语料加载逻辑

首次运行（初始化）：

• 加载所有历史对话（不限制时间）
• 目的：生成完整的初版人格画像
• 不要限制消息数量，尽可能利用历史数据

定时任务（日常更新）：

• 读取 temp/last_analysis.json 获取上次分析时间戳
• 只加载 从上次分析到现在 的语料（约 12 小时）
• 分析完成后立即更新时间戳

定时任务语料区间示例：

• 凌晨 2:30 分析：加载 昨天 14:30 → 今天 2:30 的语料
• 下午 14:30 分析：加载 今天 2:30 → 14:30 的语料
• 这样每个时间段只分析一次，不会重复！

AI 指引：

import json
from pathlib import Path
from datetime import datetime, timedelta

sessions_path = Path.home() / ".openclaw" / "agents" / "main" / "sessions"
skill_root = Path.home() / ".openclaw" / "workspace" / "skills" / "i-am"
last_analysis_file = skill_root / "temp" / "last_analysis.json"

# 读取上次分析时间
if last_analysis_file.exists():
    # 定时任务：读取上次分析时间，只加载新增语料（约 12 小时）
    with open(last_analysis_file, 'r', encoding='utf-8') as f:
        last_time = datetime.fromisoformat(json.load(f)['timestamp'])
else:
    # 首次运行：加载所有历史对话（不限制时间，建立完整人格画像）
    last_time = datetime.min  # 加载所有历史消息
    print("ℹ️  首次运行，加载所有历史对话语料...")

# 扫描 sessions 提取新消息
messages = []
for session_file in sorted(sessions_path.glob("*.jsonl"), key=lambda x: x.stat().st_mtime, reverse=True):
    with open(session_file, 'r', encoding='utf-8') as f:
        for line in f:
            msg = json.loads(line)
            if msg.get('type') != 'message' or msg.get('message', {}).get('role') != 'user':
                continue
            
            msg_time = datetime.fromisoformat(msg['timestamp'].replace('Z', '+00:00')).replace(tzinfo=None)
            if msg_time <= last_time:
                continue
            
            # 提取文本
            text = "".join([item.get('text', '') for item in msg['message']['content'] if isinstance(item, dict) and item.get('type') == 'text']).strip()
            
            # AI 自主判断：过滤系统消息
            if not text or text.startswith('[cron:') or text.startswith('Read HEARTBEAT') or text.startswith('A scheduled'):
                continue
            
            # AI 自主发现：Conversation info 中包含真实用户发言
            # 示例格式：
            # Conversation info (untrusted metadata):
            # ```json
            # {"sender": "UserName", "timestamp": "..."}
            # ```
            # [message_id: xxx] UserName：真实消息内容
            if 'Conversation info' in text:
                # AI 需要：
                # 1. 识别发送者（UserName）
                # 2. 编写正则表达式提取真实内容
                # 3. 验证发送者是当前用户
                # 4. 提取消息内容（长度>10 字）
                import re
                # 示例正则（AI 可根据实际格式调整）：
                match = re.search(r'\[message_id:[^\]]+\]\s*\n?([^:]+):(.+?)(?=\n\n|\Z)', text, re.DOTALL)
                if match:
                    sender = match.group(1).strip()
                    content = match.group(2).strip()
                    # AI 自主判断：发送者是否匹配当前用户
                    if sender == current_user_name and len(content) > 10:
                        text = content
                    else:
                        continue
                else:
                    # AI 应尝试其他正则或格式
                    continue
            
            messages.append({'text': text, 'timestamp': msg_time})

# 首次运行：不限制消息数量（充分利用历史对话建立人格模型）
# 定时任务：限制 50 条（避免单次分析过多，每次只分析 12 小时新增语料）
is_first_run = not last_analysis_file.exists()
if not is_first_run and len(messages) > 50:
    messages = messages[-50:]
    print(f"⚠️ 定时任务：消息过多，只处理最近 50 条")
elif is_first_run:
    print(f"✅ 首次运行：加载全部 {len(messages)} 条历史语料")

print(f"✅ 加载到 {len(messages)} 条新消息")

AI 注意事项：

• ✅ 首次运行时，sessions 目录下可能已有历史对话
• ✅ Conversation info 格式中包含真实用户发言，需要提取
• ✅ 不同 IM 渠道的消息格式可能不同，AI 应自主调整正则
• ✅ 提取后验证发送者是当前用户（不是系统通知）
• ✅ 消息内容应>10 字，避免太短的无意义消息
• ✅ 不要硬编码真实姓名或用户名（使用通用占位符）
• ✅ 语料加载逻辑：
  • 首次运行：加载所有历史对话（不限制时间，建立完整人格画像）
  • 定时任务：读取 temp/last_analysis.json，只加载上次分析到现在的语料（避免重复）
• ✅ 定时任务语料区间：凌晨 2:30 分析（昨日 14:30→今日 2:30），下午 14:30 分析（今日 2:30→14:30）

---

步骤 2: AI 进行扎根理论分析

核心原则：不要预定义标签，从语料自然涌现！

执行代码：

# 开放性编码：从语料自然涌现标签
open_codes = []
for msg in messages:
    text = msg['text']
    code, category = ai_extract_code_from_text(text)  # AI 自主理解
    if code:
        open_codes.append({"text": text, "code": code, "category": category})

# 主轴编码：聚类
axial_clusters = {}
for code in open_codes:
    cat = code['category']
    if cat not in axial_clusters:
        axial_clusters[cat] = {}
    axial_clusters[cat][code['code']] = axial_clusters[cat].get(code['code'], 0) + 1

# 选择性编码：提取核心特质（含范畴新增规则）
core_traits = {}

# 规则 1: 初次运行建议生成 3-5 个特质（太少不全面，太多不聚焦）
# 规则 2: 每个范畴至少有 2 个编码或总频次>=消息数的 10% 才保留
# 规则 3: 最多保留 7 个特质（按频次排序，取前 7 个）

for cat, labels in axial_clusters.items():
    total_count = sum(labels.values())
    
    # 判断是否新增/保留这个范畴
    if len(labels) < 2 and total_count < len(messages) * 0.1:
        # 范畴太小，跳过
        continue
    
    top_label, count = max(labels.items(), key=lambda x: x[1])
    
    # 初始饱和度计算：0.5 + (频次/总消息数)*0.5
    # 示例：4 条消息中有 2 条提到 → 饱和度 = 0.5 + (2/4)*0.5 = 0.75
    saturation = min(0.95, 0.5 + (count / max(len(messages), 1)) * 0.5)
    
    # 初次运行饱和度修正（避免单次分析饱和度过高）
    if cat not in historical_traits:
        saturation = min(saturation, 0.7)  # 初次最高 0.7
    
    confidence = saturation
    if cat in historical_traits:  # 有历史记录
        old_value = historical_traits[cat].get('value', '')
        old_confidence = historical_traits[cat].get('confidence', 0.5)
        
        if top_label == old_value:
            confidence = min(0.95, old_confidence + 0.05)
        else:
            # 冲突：新说法权重更高
            confidence = max(0.6, saturation)  # 新特质至少 0.6
    
    core_traits[cat] = {
        "value": top_label,
        "saturation": saturation,
        "confidence": confidence,
        "level": "core" if confidence >= 0.7 else "secondary",
        "change": f"+{int((confidence-saturation)*100)}%" if confidence > saturation else f"{int((confidence-saturation)*100)}%"
    }

# 按频次排序，最多保留 7 个特质
core_traits = dict(sorted(core_traits.items(), 
                          key=lambda x: sum(axial_clusters[x[0]].values()), 
                          reverse=True)[:7])

范畴新增规则（AI 应遵守）：

规则	说明	示例
最小频次	范畴总频次 >= 消息数×10%	20 条消息 → 至少 2 条提到
最小多样性	范畴内至少 2 个不同编码	"决策风格" 有"行动导向"+"谨慎思考"
初次上限	初次运行最多 5 个特质	避免太多不聚焦
历史上限	有历史记录最多 7 个特质	保持稳定性
初次饱和度	初次分析饱和度最高 0.7	避免单次分析过高
历史饱和度	有历史记录按实际计算	可超过 0.7

示例：

输入：20 条用户消息
开放性编码：提取 35 个编码
主轴编码：聚类为 8 个范畴

选择性编码（应用规则）：
1. 决策风格：总频次 8 (40%) ✅ 保留
2. 沟通风格：总频次 6 (30%) ✅ 保留
3. 技术取向：总频次 5 (25%) ✅ 保留
4. 方法论：总频次 4 (20%) ✅ 保留
5. 情感表达：总频次 3 (15%) ✅ 保留
6. 学习风格：总频次 2 (10%) ✅ 保留（刚好达标）
7. 工作习惯：总频次 1 (5%)  ❌ 跳过（<10%）
8. 社交偏好：总频次 1 (5%)  ❌ 跳过（<10%）

输出：6 个核心特质（<7 个，符合规则）

|------|-----------|

AI 注意：

• ❌ 不要预定义标签
• ✅ 新旧冲突时，优先采用新说法（用户可能改变了）
• ✅ 输出时应显示饱和度变化（如 +5%、-12%）

---

步骤 3: AI 生成预览文件（首次运行作为附加章节）

执行代码：

from pathlib import Path
from datetime import datetime

user_md_path = Path.home() / ".openclaw" / "workspace" / "USER.md"
temp_dir = skill_root / "temp"
temp_dir.mkdir(parents=True, exist_ok=True)

# 读取当前 USER.md
if user_md_path.exists():
    with open(user_md_path, 'r', encoding='utf-8') as f:
        old_content = f.read()
else:
    old_content = "# USER.md - About Your Human\n\n## Context\n\n"

# 首次运行：人格特质作为附加章节（不覆盖原内容）
# 后续运行：替换旧的人格特质章节
if "## 🧠 人格特质 (i-am 动态分析)" in old_content:
    # 后续运行：替换旧章节
    content = old_content.split("## 🧠 人格特质 (i-am 动态分析)")[0]
else:
    # 首次运行：保留原内容，附加新章节
    content = old_content.rstrip() + "\n"

# 生成新的人格特质章节
dynamic = "\n## 🧠 人格特质 (i-am 动态分析)\n\n"
for trait, data in core_traits.items():
    emoji = {"core": "🔴", "secondary": "🟡", "emerging": "🟢"}.get(data.get('level'), '🟢')
    dynamic += f"- {emoji} **{trait}**: {data['value']}\n"
    dynamic += f"   饱和度：{data['saturation']:.0%} ({data['change']})\n"
    if 'total_count' in data:
        dynamic += f"   语料频次：{data['total_count']}次\n"
    dynamic += f"\n"

# 保存到 temp/USER.md（预览文件，待用户审核）
preview_file = temp_dir / "USER.md"
with open(preview_file, 'w', encoding='utf-8') as f:
    f.write(content + dynamic + "\n")

print(f"✅ 预览已保存到：{preview_file}")

---

步骤 3.5: AI 创建 ChangeLog.md（配置阶段自动执行）

执行时机：用户完成安装配置后，AI 自动创建

执行代码：

from pathlib import Path
from datetime import datetime

skill_root = Path.home() / ".openclaw" / "workspace" / "skills" / "i-am"
changelog_file = skill_root / "ChangeLog.md"

# 创建 ChangeLog.md 空文件（如果不存在）
if not changelog_file.exists():
    # 写入文件头
    header = f"""# i-am Skill ChangeLog

> 人格特质更新日志 | 自动生成

---

## 更新记录

"""
    with open(changelog_file, 'w', encoding='utf-8') as f:
        f.write(header)
    print(f"✅ 已创建 ChangeLog.md: {changelog_file}")
else:
    print(f"ℹ️  ChangeLog.md 已存在")

文件位置：/Users/awei/.openclaw/workspace/skills/i-am/ChangeLog.md

---

步骤 4: AI 汇报执行进展（建议执行）

汇报规范（AI 应严格遵守）：

AI 应按以下格式向用户汇报执行进展：

📊 i-am Skill 执行进展汇报

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[✅/⏳] 语料收集区间｜YYYY-MMDD-HHMM～YYYY-MMDD-HHMM
[✅/⏳] 语料收集数量｜共收集到 xx 条有效语料
[✅/⏳] 技能运行情况｜共涌现 xx 个标签，聚类为 xx 个类别，识别出 xx 个特质（新增 x 个特质）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

📄 更新后的人格特质章节如下（待审阅）：

*人格特质章节内容*

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
🤖 请审核预览内容，确认是否更新 USER.md？
回复"确认"、"推送"、"是"或"ok"确认更新
回复"取消"、"否"或"不更新"取消

执行代码：

from datetime import datetime

# 生成汇报内容
report = f"""
📊 i-am Skill 执行进展汇报

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[✅] 语料收集区间｜{last_time.strftime('%Y-%m-%d-%H%M')}～{datetime.now().strftime('%Y-%m-%d-%H%M')}
[✅] 语料收集数量｜共收集到 {len(messages)} 条有效语料
[✅] 技能运行情况｜共涌现 {len(open_codes)} 个标签，聚类为 {len(axial_clusters)} 个类别，识别出 {len(core_traits)} 个特质
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

📄 更新后的人格特质章节如下（待审阅）：

```markdown
{open(preview_file, 'r', encoding='utf-8').read()}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 🤖 请审核预览内容，确认是否更新 USER.md？ 回复"确认"、"推送"、"是"或"ok"确认更新 回复"取消"、"否"或"不更新"取消 """

print(report)

**AI 应遵守**：
- ✅ **按汇报规范格式输出**（直接以 message 呈现人格特质内容）
- ✅ **时间格式**：YYYY-MMDD-HHMM（如：2026-03-13-1430）
- ✅ **首次运行**：人格特质作为附加章节（不覆盖原 USER.md 内容）
- ✅ **后续运行**：替换旧的人格特质章节
- ✅ **不要依赖文件发送**，直接在消息中呈现预览内容

---

#### 步骤 5: AI 根据用户确认执行

**用户回复包含"确认"、"推送"、"是"、"ok"**：

```python
from datetime import datetime
from pathlib import Path

# 1. 仅更新 USER.md 的人格特质章节
user_md_path = Path.home() / ".openclaw" / "workspace" / "USER.md"
preview_file = skill_root / "temp" / "USER.md"

with open(preview_file, 'r', encoding='utf-8') as f:
    preview_content = f.read()

# 读取当前 USER.md
with open(user_md_path, 'r', encoding='utf-8') as f:
    current_content = f.read()

# 仅替换人格特质章节（保留其他内容）
if "## 🧠 人格特质 (i-am 动态分析)" in current_content:
    # 替换旧章节
    parts = current_content.split("## 🧠 人格特质 (i-am 动态分析)")
    new_content = parts[0] + "## 🧠 人格特质 (i-am 动态分析)"
    # 从预览文件中提取人格特质章节
    if "## 🧠 人格特质 (i-am 动态分析)" in preview_content:
        trait_section = preview_content.split("## 🧠 人格特质 (i-am 动态分析)")[1]
        new_content += trait_section
    else:
        new_content += preview_content.split("## 🧠 人格特质 (i-am 动态分析)")[1] if "## 🧠 人格特质 (i-am 动态分析)" in preview_content else ""
else:
    # 首次添加人格特质章节
    new_content = current_content.rstrip() + "\n\n"
    if "## 🧠 人格特质 (i-am 动态分析)" in preview_content:
        trait_section = preview_content.split("## 🧠 人格特质 (i-am 动态分析)")[1]
        new_content += "## 🧠 人格特质 (i-am 动态分析)" + trait_section

with open(user_md_path, 'w', encoding='utf-8') as f:
    f.write(new_content)

# 2. 更新 ChangeLog.md
changelog_file = skill_root / "ChangeLog.md"
timestamp = datetime.now().strftime('%Y-%m-%d-%H%M')

# 读取 ChangeLog.md
if changelog_file.exists():
    with open(changelog_file, 'r', encoding='utf-8') as f:
        changelog_content = f.read()
else:
    changelog_content = "# i-am Skill ChangeLog\n\n> 人格特质更新日志 | 自动生成\n\n---\n\n## 更新记录\n\n"

# 生成新的更新记录
new_entry = f"### {timestamp}\n\n"
new_entry += f"**更新时间**: {timestamp}\n\n"
new_entry += "**人格特质**:\n\n"
for trait, data in core_traits.items():
new_entry += f"\n---\n\n"

# 插入到更新记录开头
if "## 更新记录" in changelog_content:
    parts = changelog_content.split("## 更新记录")
    changelog_content = parts[0] + "## 更新记录\n\n" + new_entry + parts[1]
else:
    changelog_content += new_entry

with open(changelog_file, 'w', encoding='utf-8') as f:
    f.write(changelog_content)

print(f"✅ ChangeLog.md 已更新：{changelog_file}")

# 3. 更新时间戳
timestamp_file = skill_root / "temp" / "last_analysis.json"
with open(timestamp_file, 'w', encoding='utf-8') as f:
    json.dump({"timestamp": datetime.now().isoformat()}, f)

for trait in core_traits.values():
    trait['confidence'] = min(0.95, trait.get('confidence', 0.5) + 0.10)

print("✅ USER.md 已更新（仅人格特质章节）")

AI 回复（响应规范）：

[✅] ChangeLog 日志已更新，更新时间 YYYY-MM-DD-HHMM
[✅] USER.md 已更新，当前版本（v1）

响应规范（AI 应严格遵守）：

当用户审阅通过后，AI 应按以下格式回复：

[✅] ChangeLog 日志已更新，更新时间 YYYY-MM-DD-HHMM
[✅] USER.md 已更新，当前版本（vX）

说明：

• YYYY-MM-DD-HHMM: 更新时间戳（如：YYYY-MM-DD-HHMM）
• vX: USER.md 版本号（首次为 v1，后续每次更新 +1）

用户回复包含"取消"、"否"、"不更新"：

AI 回复：❌ 已取消，USER.md 保持不变。备份文件已保存：ChangeLog.mdUSER-20260313-1730.md

---

📊 CHANGELOG 机制

ChangeLog.md 文件说明

文件位置：skills/i-am/ChangeLog.md

文件格式：单个 Markdown 文件（不是文件夹）

用途：记录人格特质的更新历史（追加式日志）

更新记录格式

# i-am Skill ChangeLog

> 人格特质更新日志 | 自动生成

---

## 更新记录

### 2026-03-14-0230

**更新时间**: 2026-03-14-0230

**人格特质**:
- 沟通风格：直接高效 (饱和度：75%, 置信度：80%)
- 决策风格：行动导向 (饱和度：68%, 置信度：72%)
- 技术取向：实用主义 (饱和度：52%, 置信度：60%)

---

### 2026-03-13-2030

**更新时间**: 2026-03-13-2030

**人格特质**:
- 沟通风格：直接高效 (饱和度：70%, 置信度：75%)
- 决策风格：行动导向 (饱和度：65%, 置信度：67%)

---

用户查看变更历史

查看 ChangeLog.md：

# 查看完整更新历史
cat skills/i-am/ChangeLog.md

对比最近两次更新：

# 手动对比 ChangeLog.md 中的不同章节
# 或使用文本编辑器查看变更

撤回更改：

# 直接编辑 USER.md，删除或修改人格特质章节
# 或从 ChangeLog.md 复制之前的版本到 USER.md

---

🛠️ 配置参数

# AI 可读的配置参数

analysis:
  min_messages: 5             # 最少消息数（不足则跳过）
  max_display: 20             # 最多显示 20 条消息
  
confirmation:
  interval_days: 7            # 每 7 天确认一次
  auto_approve_first: true    # 首次自动批准
  
saturation:
  core: 0.7                   # 核心特质阈值（>=0.7 为🔴）
  secondary: 0.5              # 次要特质阈值（0.5-0.7 为🟡）
  emerging: 0.3               # 涌现特质阈值（<0.5 为🟢）

---

📊 使用示例（AI 参考）

示例 1: 首次配置（用户安装 skill 后）

用户：[安装 i-am skill]

AI: （检测到新安装，主动触发配置流程）
    
    🧠 i-am Skill 配置向导
    
    请选择自动化模式：
    
    1️⃣ 定时模式（推荐）- 每天自动分析两次
    2️⃣ 手动模式 - 需要时手动运行
    
    请回复数字 1 或 2 选择：

用户：1

AI: （编辑 cron-tasks.json，添加定时任务）
    
    ✅ 定时模式已配置！
    
    📋 配置摘要:
    - 模式：定时模式
    - Cron 任务：已配置（2:30 AM & 2:30 PM）
    - 下次运行：2026-03-14 02:30
    
    回复"运行 i-am 分析"开始分析

示例 2: 运行分析（汇报规范）

用户：运行 i-am 分析

AI: （执行步骤 1-4，按汇报规范格式输出）
    
    📊 i-am Skill 执行进展汇报
    
    ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
    [✅] 语料收集区间｜2026-03-13-1430～2026-03-14-0230
    [✅] 语料收集数量｜共收集到 15 条有效语料
    [✅] 技能运行情况｜共涌现 12 个标签，聚类为 6 个类别，识别出 4 个特质（新增 1 个特质）
    ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
    
    📄 更新后的人格特质章节如下（待审阅）：
    
    ## 🧠 人格特质 (i-am 动态分析)
    
    - 🔴 **沟通风格**: 直接高效
       饱和度：75% (+5%)
       置信度：80%
    - 🔴 **决策风格**: 行动导向
       饱和度：68% (+3%)
       置信度：72%
    - 🟡 **技术取向**: 实用主义
       饱和度：52% (新增)
       置信度：60%
    
    ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
    🤖 请审核预览内容，确认是否更新 USER.md？
    回复"确认"、"推送"、"是"或"ok"确认更新
    回复"取消"、"否"或"不更新"取消

---

🔒 安全说明

AI 应遵守：

• ✅ 数据本地处理，无网络传输
• ✅ 不需要额外 API key（使用当前会话模型）
• ✅ 用户确认后才更新 USER.md
• ✅ 预览内容直接在消息中呈现（不依赖文件发送）
• ✅ 每次变更自动记录到 ChangeLog.md（单个 MD 文件）

---