| name | distill-me |
| description | DistillMe — 从个人数据中蒸馏出立体的、有记忆的、会持续学习的数字分身。/ Distill your digital persona from personal data with memory and continuous learning. |
| argument-hint | create|chat|list|update "<name>" [--data-folder <path>] |
| version | 1.2.0 |
| user-invocable | true |
| allowed-tools | Read, Write, Edit, Bash, Glob, Grep, Agent |
DistillMe — 蒸馏你的数字分身 / Distill Your Digital Persona
从个人数据中蒸馏出立体的、有记忆的、会持续学习的数字分身。
触发条件 / Trigger Conditions
/distill-me create "<name>" --data-folder <path> — 从数据文件夹创建数字分身/distill-me create "<name>" — 无数据文件夹，通过问答创建/distill-me chat "<name>" — 与已有数字分身对话/distill-me list — 列出所有数字分身/distill-me update "<name>" --data-folder <path> — 追加数据更新记忆- "创建数字分身" / "Create digital persona" / "Distill me"
语言 / Language
支持中英文。根据用户首条消息语言全程保持一致。
创建工作流 / Creation Workflow
命令格式
/distill-me create "小明" --data-folder /path/to/data
Step 1: 数据扫描
node ${CLAUDE_SKILL_DIR}/tools/ingest.mjs scan "<data-folder>"
显示文件统计（文本、JSON、CSV、图片数量），预览文本文件内容。
Step 2: 初始化目录
node ${CLAUDE_SKILL_DIR}/tools/ingest.mjs init "<slug>"
在 ~/.claude/distill_me/<slug>/ 下创建完整目录结构。
Step 3: 人格提取
使用 prompts/distiller.md 提示词，将原始材料喂给 Claude 分析，输出 profile.json。
对每个文本文件：
node ${CLAUDE_SKILL_DIR}/tools/ingest.mjs read-chunk "<file>" --offset 0 --limit 4000
分块读取后使用 prompts/distiller.md 分析人格特征。
Step 4: 记忆提取
使用 prompts/memory-extractor.md 提示词，从每段材料中提取离散记忆。
每条提取的记忆通过 memory-writer 写入：
node ${CLAUDE_SKILL_DIR}/tools/memory-writer.mjs "<slug>" "<category>" "<topic>" --body "..." --type episodic --importance 0.8 --tags "tag1,tag2"
Step 5: 建立索引和链接
python3 ${CLAUDE_SKILL_DIR}/model/embedder.py build \
"~/.claude/distill_me/<slug>/memories" \
"~/.claude/distill_me/<slug>"
python3 ${CLAUDE_SKILL_DIR}/model/cold_start.py \
"~/.claude/distill_me/<slug>"
Step 6: 生成技能
node ${CLAUDE_SKILL_DIR}/tools/persona-generator.mjs "<slug>"
在 ~/.claude/skills/<slug>/SKILL.md 生成可调用的数字分身技能。
Step 7: 预览确认
显示摘要，用户确认/修改/取消。
Step 8: 记录已处理文件
node ${CLAUDE_SKILL_DIR}/tools/ingest.mjs mark-done "<slug>" "<data-folder>"
将当前文件状态（hash）记录到 ingest_log.json，后续 update 时用于比对。
增量更新工作流 / Update Workflow
/distill-me update "小明" --data-folder /path/to/data
当用户上传了新文件或修改了已有文件，一键增量更新。
Step 1: 检测变更
node ${CLAUDE_SKILL_DIR}/tools/ingest.mjs diff "<slug>" "<data-folder>"
输出新增和修改的文件列表（通过 SHA-256 hash 对比，不依赖时间戳）。
如果 to_process 为 0，提示"没有新内容"并结束。
Step 2: 读取并提取新记忆
对每个新增/变更的文件，分块读取：
node ${CLAUDE_SKILL_DIR}/tools/ingest.mjs read-chunk "<file>" --offset 0 --limit 4000
使用 prompts/memory-extractor.md 提取记忆。每条记忆通过 persona-editor 写入（自动触发索引重建）：
node ${CLAUDE_SKILL_DIR}/tools/persona-editor.mjs memory add "<slug>" "<category>" "<topic>" \
--body "..." --importance 0.8 --tags "tag1,tag2" --type episodic
Step 3: 更新人格（可选）
如果新材料揭示了之前不知道的人格特征（新兴趣、新交流习惯、态度变化），用 persona-editor 更新 profile：
node ${CLAUDE_SKILL_DIR}/tools/persona-editor.mjs profile set "<slug>" --json '{"values": {"interests": [...]}}'
这会自动重新生成 SKILL.md。
注意：只在新材料确实包含新人格信息时才更新 profile。日常记忆不需要改 profile。
Step 4: 记录已处理
node ${CLAUDE_SKILL_DIR}/tools/ingest.mjs mark-done "<slug>" "<data-folder>"
Step 5: 报告
输出本次更新的摘要：新增了多少条记忆、是否更新了 profile、当前记忆总数。
对话工作流 / Chat Workflow
/distill-me chat "小明"
对话流程
每次收到用户消息时，数字分身按以下流程处理：
- 加载记忆 — 用 Bash 工具执行（不输出任何文字）：
node ${CLAUDE_SKILL_DIR}/tools/session-manager.mjs compose "<slug>" "<用户消息原文>" --phase middle --user "<用户id>"
compose 内部自动完成四层检索管线：FAISS 向量检索 → 启发式评分取 top-5 种子 → 模型重排（训练后生效） → log₂(n) 深度链路行走。返回的 JSON 中 memories_xml 字段包含所有检索到的记忆。
--user：当前对话者 id。如果已通过 persona-editor user add 注册，系统自动注入 <user> 标签和关系信息。省略则使用 config.json 中的 default_user，都没有则为匿名 "user"。--phase：start（对话开头）、middle（默认）、deep（深入聊天）。- 如果调用失败，直接用基础个性回复，不要报错给用户。
-
阅读记忆，生成回复 — Claude 以人格身份回复，记忆影响语气和立场但不被复述。
-
记忆保存（可选） — 对话中获得之前不知道的重要新信息时，用 Bash 工具静默保存：
node ${CLAUDE_SKILL_DIR}/tools/session-manager.mjs save-memory "<slug>" "<category>" "<topic-slug>" "<1-3句压缩摘要>" --importance <0-1> --tags "tag1,tag2"
- 闲聊、寒暄、重复已知信息不保存
- importance: 0.3-0.5 普通，0.6-0.8 重要，0.9+ 核心
- 保存过程对用户不可见
- 反馈收集 — 每次回复后，静默记录实际用了哪些记忆（用于改进检索模型）：
node ${CLAUDE_SKILL_DIR}/tools/session-manager.mjs log-feedback "<slug>" "<所有检索到的记忆id，逗号分隔>" "<你实际用到的记忆id，逗号分隔>"
- "实际用到"指：影响了语气、立场、用词的记忆（即使没有明说）
- 如果没有任何记忆影响了回复，used 留空字符串
- 用户不应看到这个过程
记忆注入格式
compose 返回的 memories_xml 中包含两类记忆：
<memory id="exp-summer-trip-001" category="experiences" importance="0.8" score="0.823">
2024年夏天去了云南旅行...
</memory>
<memory id="rel-family-mom-001" category="relationships" importance="0.9" type="walked" linked-from="exp-summer-trip-001">
和妈妈的关系...
</memory>
<user id="sonny" name="非简并" relation="本体" />
记忆系统 / Memory System
分级文件夹结构
memories/
├── identity/ # 核心身份：价值观、性格、自我描述
├── relationships/ # 人际关系（可含子文件夹：family/, friends/）
├── experiences/ # 经历记忆（可按年份组织：2024/, 2025/）
├── knowledge/ # 领域知识和专业技能
├── opinions/ # 观点和偏好
├── habits/ # 行为模式和日常习惯
└── conversations/ # 对话中自动产生的新记忆
记忆文件格式
---
id: "exp-summer-trip-001"
type: episodic
created: "2026-04-02T15:30:00Z"
importance: 0.8
tags: ["travel", "family"]
source: "chat_logs/2024-08.txt"
links:
- id: "rel-family-mom-001"
relation: "involves"
strength: 0.9
- id: "emo-happiness-travel-001"
relation: "evokes"
strength: 0.7
---
# 2024年夏天旅行
我们全家去了云南旅行，在大理住了一周...
检索管线
第一层：FAISS 向量检索 — O(log n)，HNSW 索引，取 top-50 候选
第二层：启发式评分（始终可用）
score = 0.40 * embedding_similarity
+ 0.20 * keyword_match
+ 0.15 * importance
+ 0.10 * recency
+ 0.15 * type_boost
取 top-5 作为种子记忆。
第三层：模型重排（训练后可用）
- 410K 参数 MLP，冻结 sentence-transformer 底座
- 在线训练，对话隐式反馈
- 冷启动时退化为纯启发式
第四层：多层链路行走
- 从 5 个种子出发，BFS 深度 = log₂(n)
- 每跳 score 乘法衰减
- softmax 采样 ~log₂(n) 条，token 预算 ~2000
总注入量随记忆库对数增长：seeds (5) + walk (~log₂(n))。
在线学习模型 / Online Learning Model
架构
对话上下文 → frozen encoder → 384维 ─┐
├─ concat [A; B; A*B; |A-B|] → MLP → score
候选记忆 → frozen encoder → 384维 ─┘
MLP: Linear(1536,256) → ReLU → Linear(256,64) → ReLU → Linear(64,1) → Sigmoid
底座: paraphrase-multilingual-MiniLM-L12-v2
可训练参数: ~410K
训练信号
- 正：被检索 + 用户继续对话
- 弱负：被检索 + 对话转向
- 强负：用户纠正"你记错了"
冷启动
初始权重 ≈ 余弦相似度输出。无训练时完全退化为启发式检索，不影响体验。
工具一览 / Tool Reference
| 工具 | 用途 |
|---|
tools/ingest.mjs | 扫描数据文件夹、初始化目录、分块读取文件、增量检测 (diff/mark-done) |
tools/persona-editor.mjs | 统一编辑入口：profile + 记忆 + 用户管理，自动级联更新 |
tools/memory-writer.mjs | 低层记忆文件创建/编辑/删除（不触发同步） |
tools/memory-retriever.mjs | 检索记忆（FAISS + 启发式 + 模型） |
tools/memory-walker.mjs | 沿链路行走获取关联记忆 |
tools/persona-generator.mjs | 生成 SKILL.md + 身份配置文件 |
tools/session-manager.mjs | 管理对话状态、记忆注入、记忆保存、索引重建 |
tools/memory-consolidator.mjs | 记忆生命周期管理：统计、衰减淘汰、相似合并 |
model/embedder.py | 文本嵌入和 FAISS 索引 |
model/embed_daemon.py | 嵌入守护进程（消除冷启动） |
model/linker.py | 记忆链接评分模型 |
model/train_linker.py | 从 feedback 日志训练 linker |
model/cold_start.py | 冷启动初始化和启发式链接生成 |
数据存储 / Data Locations
| 内容 | 路径 |
|---|
| 人格档案 | ~/.claude/distill_me/{slug}/profile.json |
| 运行配置 | ~/.claude/distill_me/{slug}/config.json |
| 记忆文件 | ~/.claude/distill_me/{slug}/memories/ |
| 向量索引 | ~/.claude/distill_me/{slug}/index.faiss |
| 模型权重 | ~/.claude/distill_me/{slug}/model/linker_weights.pt |
| 技能文件 | ~/.claude/skills/{slug}/SKILL.md |
管理命令 / Management
ls ~/.claude/distill_me/
find ~/.claude/distill_me/<slug>/memories -name "*.md" | wc -l
rm -rf ~/.claude/distill_me/<slug> ~/.claude/skills/<slug>
限制 / Limitations
- 数字分身的质量取决于输入数据的丰富程度
- 在线模型需要 3-5 次对话才能开始产生有意义的改进
- 记忆提取依赖 LLM 分析，可能有遗漏或误解
- 首次加载 sentence-transformers 模型约需数秒
- 隐私注意：所有数据存储在本地，不上传
版本 / Version
- v1.2.0 (2026-04-03/04): 嵌入守护进程 + 个性数据热更新 + 自适应检索
- 对话工作流统一为
compose 一键加载（内含四层检索管线）
persona-editor.mjs 统一编辑入口，自动级联更新- 对话者身份注入 (
--user)
- log(n) 自适应检索：seeds 5 + walk depth log₂(n)
- 增量更新：
ingest.mjs diff/mark-done
- 反馈收集 (
log-feedback) + train_linker.py 训练
- 嵌入守护进程消除冷启动
- v1.0.0 (2026-04-02): 初始版本
