| name | import-ai-memory-v2 |
| description | 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。 |
AI 记忆推断优化版（import-ai-memory-v2）
目标
将用户从其他 AI 平台获取的记忆回复，转化为完整且有科学依据的画像。
核心差异（相比标准版 import-ai-memory）：
- 推断前先读量表文档，理解每个维度/题目测的是什么
- 推断基于量表题目结构，逐题/逐维度估分，而非经验规则
- 推断后识别置信度最低的维度，补问一个针对性问题提升准确性
第零步：读取量表文档
在做任何推断之前，必须先读懂三个量表：
read_doc("researcher-cognitive-style") → 了解 RCSS 8道题测什么，计分方式
read_doc("academic-motivation-scale") → 了解 AMS 7个维度的心理学定义，RAI 公式
read_doc("mini-ipip-scale") → 了解 Mini-IPIP 5维度和20道题（含反向计分键）
读完后，在内部建立「量表题目/维度 ↔ 可观测行为信号」的映射理解，用于第二步推断。
第一步：解析 AI 记忆 + 写入基础字段
⚠️ 最高原则：用户粘贴的内容就是 AI 记忆回复，优先从中提取一切可提取的字段，静默写入，不要逐字段问用户。
在第一次 write_profile 之前，必须先调用 read_profile() 确认画像格式，后续所有 write_profile 必须严格使用：
- 第一行固定：
# 科研人员画像 — [姓名]
- 章节固定：
## 一、基础身份 / ## 二、能力 / ## 三、当前需求 等
⚠️ 严禁使用 ## 第一章、# 科研数字分身 等自定义格式。
AI 记忆的意义就是替用户省去逐字段填写的麻烦。只要 AI 记忆中有任何信息（✅ 或 ⚠️），就直接写入，绝对不要再问用户。
写入原则（按优先级）：
- ✅ 有据可查 → 静默写入，不展示，不确认，不问用户
- ⚠️ 印象模糊但信息具体（如「更倾向于博士阶段」）→ 也静默写入，标注来源即可
- ❌ AI 记忆中完全没有提及（明确说「记忆不足」或根本没这字段）→ 才向用户补问
能力评分转化（AI 描述 → 直接写分数，不问用户）：
- 非常强 / 核心优势 → 5分
- 较强 / 擅长 → 4分
- 一般 / 中等 → 3分
- 较弱 / 有待提升 → 2分
字段边界（严格）：
所在机构：只写机构名，不含导师学术网络：导师 + 团队方向，独立字段一级领域 / 二级领域：从 AI 记忆 A2 拆分，分开写入，不合并
补问缺失字段（只对 ❌ 字段）：
- 每次只问一个
- 有预设选项的字段 → ask_choice（含「其他」+ text_prompt）
- 自由文本字段 → ask_text
- 「选择题优先」规则只适用于真正缺失的字段，不适用于已有信息的字段
姓名 + 机构必须确认（两项例外）：
- 即使 AI 记忆有这两项，也必须让用户确认：
- ask_text：为数字分身起名字
- ask_choice：确认机构名（正确 / 需要修改+text_prompt）
- 完成后调用 write_profile 保存。
第二步：基于量表题目结构，逐维度推断
前置：提取 v2 行为证据（AI 记忆回复中的 D/E/F 模块）
在对任意量表维度估分之前，先从用户粘贴的 AI 记忆回复中，提取 D/E/F 模块的结构化行为证据，建立「行为证据清单」：
RCSS 行为证据（来自模块 D）：
D1 因果归因：[AI 回复原文或摘要，✅/⚠️/❌]
D2 对矛盾态度：[...]
D3 跨域联结：[...]
D4 注意焦点：[...]
D5 直接表达：[...]
AMS 行为证据（来自模块 E）：
E1 主动引入新话题（IM-know 信号）：[...]
E2 攻克难题的满足感（IM-accomplish 信号）：[...]
E3 对探索过程的兴奋（IM-stim 信号）：[...]
E4 科研与个人价值的关联（EM-identified 信号）：[...]
E5 自我加压/自尊与成果绑定（EM-introjected 信号）：[...]
E6 外部压力作为主要动力（EM-external 信号）：[...]
E7 意义感缺失表达（Amotivation 信号）：[...]
Big Five 行为证据（来自模块 F）：
F1 第一人称单数代词频率 + 负面情绪表达（ES 信号）：[...]
F2 面对不满时的语言倾向（C/A 信号）：[...]
F3 谈论他人的方式（A 信号）：[...]
F4 词汇复杂度 + 对新事物态度（O 信号）：[...]
F5 工作系统/时间管理（C 辅助信号）：[...]
F6 对话总词量/主动延伸（E 信号，弱）：[...]
证据优先级规则：
- 有 ✅ 原话引用的证据 → 主要推断依据（置信度：高/中）
- 只有 ⚠️ 印象模糊的证据 → 辅助参考（置信度：中/低）
- ❌ 记忆不足 → 退回使用基础信息（研究方法/技术栈/机构等）
RCSS（认知风格）
基于第零步读到的 RCSS 题目内容，优先使用 D 模块行为证据，对 8道题逐题估分（1-7）：
行为证据 → RCSS 题目映射表：
| RCSS 题目 | 优先使用的行为证据 | 退回使用（证据不足时） |
|---|
| A1 非本专业领域寻找灵感 | D3 跨域联结行为 | 技术栈是否跨领域多样 |
| A2 构建更宏大通用框架 | D1 多因互动归因 + D3 跨域联结 | 研究方法是否为计算/数据驱动 |
| A3 认为跨学科连接更稀缺 | D5 直接表达偏好 + D2 整合矛盾 | 是否有明确交叉方向 |
| A4 组装不同算法/模型为系统 | D4 先关注整体框架 + D3 跨域联结 | 技术栈是否跨领域多样 |
| B1 深耕垂直细分领域 | D3 未观察到跨域 + D4 先关注细节 | 研究方法是否为实验/理论 |
| B2 极致参数调优/实验验证 | D1 单因归因 + D4 先看细节参数 | 技术栈是否单一且深 |
| B3 不喜欢讨论宏观架构或跨域联想 | D2 排除矛盾 + D5 明确说喜欢深 | 合作网络是否主要实验室内部 |
| B4 工匠精神是最高准则 | D5 直接表达 + D4 先看细节 | 退回中性估计（4分） |
对每道题：
- 这道题测的是什么具体倾向？
- 行为证据清单中哪些 D 模块信号与这道题相关？（优先）+ 基础信息中哪些与之相关？（补充）
- 综合这些信号，用户在这道题上最可能得几分（1-7）？说明依据（1句）。
- 标注置信度：高（有 ✅ 原话证据）/ 中（有 ⚠️ 间接信号）/ 低（无 D 模块证据，退回基础信息估算）
计算（按文档中的公式）：
- I（横向整合分）= A1 + A2 + A3 + A4
- D（垂直深度分）= B1 + B2 + B3 + B4
- CSI = I − D，判断认知风格类型
AMS（学术动机，7个维度）
基于第零步读到的 AMS 各维度心理学定义，优先使用 E 模块行为证据，对 7个维度各自推断均分（1-7）：
行为证据 → AMS 维度映射表：
| AMS 维度 | 对应 E 模块信号 | 分值估算规则 |
|---|
| 求知内在（IM-know） | E1 主动引入新话题 | 频繁✅ → 6-7；偶发⚠️ → 4-5；❌ → 3（中值） |
| 成就内在（IM-accomplish） | E2 攻克难题满足感 | 有原话✅ → 5-7；描述模糊⚠️ → 3-4；❌ → 3 |
| 体验刺激（IM-stim） | E3 探索过程兴奋感 | 有原话✅ → 5-7；偶发⚠️ → 3-4；❌ → 3 |
| 认同调节（EM-identified） | E4 科研与个人价值关联 | 有明确表达✅ → 5-6；模糊⚠️ → 3-4；❌ → 3 |
| 内摄调节（EM-introjected） | E5 自尊与成果绑定 | 有原话✅→强信号 → 6-7；⚠️ → 4-5；❌ → 2-3 |
| 外部调节（EM-external） | E6 外部压力为主要动力 | 频繁✅ → 5-7；偶发⚠️ → 3-4；❌ → 2-3 |
| 无动机（Amotivation） | E7 意义感缺失（⚠️ 高优先信号） | 有原话✅ → 5-7（立刻标注画像风险）；❌ → 1-2 |
对每个维度：
- 该维度的心理学含义是什么？（直接调用文档内容）
- E 模块中对应信号的置信度和内容是什么？
- 综合估分（1-7）+ 置信度 + 依据（1句）
⚠️ Amotivation 特殊处理：如果 E7 有 ✅ 有据可查的意义感缺失表达，除填写分数外，还需在「综合解读 - 潜在风险」中显式标注。
按文档公式计算 RAI：
RAI = (3×求知 + 3×成就 + 3×体验刺激 + 2×认同) − (1×内摄 + 2×外部 + 3×无动机)
Mini-IPIP（大五人格，5个维度）
基于第零步读到的 Mini-IPIP 题目和计分键，优先使用 F 模块行为证据，对 5个维度各自推断均分（1-5）：
⚠️ 重要提醒：语言行为与大五人格的关联效应量较小（ρ=0.10~0.14 自我报告；观察者评价更强）。
所有推断标注置信度「低」，仅供画像初始化参考。建议在综合解读中提示用户通过量表精确校准。
行为证据 → Big Five 维度映射表：
| Big Five 维度 | 对应 F 模块信号 | 分值估算规则 | 文献效应量 |
|---|
| 情绪稳定性（ES=1/N） | F1「我」字高频 + 负面情绪词 | 两者均高 → N 高（ES 低）≈ 2-3；均低 → ES 高 ≈ 4-5 | ρ=-.29（最强） |
| 尽责性（C） | F2 语言中性/克制 + F5 有工作系统 | 两者均有✅ → 4-5；均❌ → 3 | ρ=-.10~-.12 |
| 宜人性（A） | F2 少用愤怒词 + F3 理解性谈论他人 | 两者均有✅ → 4-5；用愤怒词 → 2-3 | ρ=-.14 |
| 开放性（O） | F4 词汇丰富复杂 + 主动探索新事物 | 有原话✅ → 4-5；❌ → 3 | ρ=+.11 |
| 外向性（E） | F6 对话词量大 + 主动延伸话题 | 书面弱信号，仅对话场景参考 | ρ=+.31（仅口语） |
对每个维度：
- 该维度（如外向性）测的是什么行为倾向？对应哪4道题（含正向/反向）？
- F 模块中对应信号的置信度和内容是什么？
- 推断该维度均分（1-5），注意：推断的是维度均分（反向题已处理后的），无需逐题估分
- 置信度（Big Five 均标为「低」）+ 依据（1句）
第三步：识别低置信度维度，补问一个关键问题
整理所有量表维度的置信度列表，找出置信度为「低」的维度。
对置信度最低的一个维度，生成一个能最有效提升推断准确性的问题：
问题设计原则：
- 优先 ask_choice（选择题），含「其他」选项 + text_prompt
- 不要直接问"你觉得自己X维度是几分"
- 问能间接推断出分数的行为/感受描述
- 选项要能有效区分该维度的高/低
示例：
若「无动机（AMS）」置信度低：
ask_choice: "面对科研工作时，你整体的感受最接近哪种？"
options:
- {id:"meaningful", label:"充满意义感，清楚知道为什么做"}
- {id:"mixed", label:"有时迷茫，但大多数时候还有方向"}
- {id:"mechanical", label:"经常感觉只是在机械完成任务"}
- {id:"other", label:"其他", text_prompt:"请描述你的感受"}
若「垂直深度（RCSS B 维度）」置信度低：
ask_choice: "在科研中，你更享受哪种工作状态？"
options:
- {id:"breadth", label:"横向探索：连接不同领域、发现新联系"}
- {id:"depth", label:"纵向深耕：把一个问题钻透、细节极致"}
- {id:"both", label:"两种都需要，取决于阶段"}
- {id:"other", label:"其他", text_prompt:"请描述"}
用户回答后，根据答案重新估算该维度分数，更新画像中对应字段的置信度标注。
第四步：写入完整画像 + 生成综合解读
- 将所有推断结果写入画像对应字段，标注
（AI推断，置信度：高/中/低）
- 调用
read_doc("tashan-profile-examples") 了解综合解读的格式和风格
- 生成第七章综合解读：
- 核心驱动模式（基于 AMS + Mini-IPIP 组合）
- 潜在风险与发展建议（结合当前需求中的卡点）
- 适合的发展路径（针对用户的具体情况给出近期行动建议）
- 调用
write_profile 保存完整画像，更新 采集阶段 为 inferred_done
第五步：完成展示
调用 show_actions：
- message: "✅ 优化版画像完成！推断基于量表题目结构，有科学依据。量表维度可随时用正式量表校准。"
- buttons:
- {id:"view", label:"查看完整画像", href:"/profile-helper/profile", style:"primary"}
- {id:"scale", label:"量表精确校准（可选）", href:"/profile-helper/scales", style:"secondary"}
