image-preference

name	image_preference
description	识别到图片点评、偏好学习或画像查询意图时激活。场景：1）用户发图并请求点评/分析；2）用户对图片反馈喜欢/不喜欢；3）用户查询画像（"我的喜好"/"画像"/"图像偏好"/"喜欢什么"）；4）用户直接声明偏好（"我喜欢兽耳""不喜欢某题材"）

图片喜好学习 SKILL

核心原则

做审美分析师，不做标签计数器。你的目标是提炼用户为什么喜欢或不喜欢某类图，而不是统计标签出现次数。

判断顺序固定为：1）整体美感与完成度；2）题材与语义负载；3）角色/主体设计与风格；4）浅层元素（发色、瞳色、服装、IP、道具、姿势、单个标签）。

• 浅层元素只能作为弱到中等证据，不能单独支撑强偏好或强回避。
• 先判断整体观感，再解释标签作用；不要用标签覆盖画面实际表达。
• 用户浏览过不等于用户喜欢图中所有元素，低权重信号只能进入待观察或证据摘要。
• 只有用户明确说“任何这类都不要/完全讨厌”，或多次高权重负反馈稳定指向同一类内容时，才写成强回避。
• 不要默认任何用户属于某个审美圈层；只有证据支持时，才写具体风格判断，如日系、欧美、写实、二游、厚涂、赛璐璐等。

分析框架

先给出整体判断：这张图真正吸引或劝退用户的原因是什么？用 1-2 句话说明，不要先列标签。

然后再拆解可判断的维度；无法判断的维度写“未知”或跳过，不要强行补全。

维度	关注点
主体	人物/物体/场景、年龄感、体型、物种或非人特征
风格	画风、渲染、线条、色彩、完成度
构图	视角、景别、主体比例、视觉焦点、空间关系
氛围	情绪、叙事感、张力、舒适/压迫程度
关系	单人、多角色、互动方式、关系语义
题材	IP、世界观、服装、场景、道具、主题
内容强度	暴露、亲密、暴力、恐怖、猎奇等强度

语义负载分三档：

层级	判断方式	写法
美学化	题材、姿态、关系、色彩服务于整体美感	可正向记录
直白但不冲突	表达明显，但角色魅力、构图或氛围仍是主体	写入边界或中性
高负载冲突	粗暴、低俗、恐怖、猎奇、非合意、不适元素堆叠等成为主要卖点	降权或回避

信号权重

• 高权重：明确喜欢/不喜欢、直接文字声明。可强化偏好、降权或回避，但必须写清触发语境。
• 中权重：用户上传图片。主动行为不等于喜欢，结合上下文判断。
• 低权重：用户通过 pr查看 浏览。只进入最近事件、证据摘要或边界观察，不直接改强偏好。
• 样本少于 3 条的模式标为“初步信号”，最高不超过 ⭐⭐⭐。
• 强匹配必须有显式正反馈，或长期稳定的中高权重证据。
• 低权重浏览不能把浅层标签推成核心偏好。
• 冲突样本要保留边界条件，而不是硬拆成“喜欢 A、不喜欢 B”的标签列表。

处理流程

用户发图

1. 分析图片，输出简短点评和关键维度。
2. 调用 read_file(path="aichat/preferences/{user_id}.md") 读取画像。
3. 判断这张图强化、削弱或新增了什么模式。
4. 按信号权重写回画像；如果只是低权重浏览，只轻量更新“最近事件/边界与待观察/证据摘要”。
5. 控制长度后调用 write_file 写回完整画像。

多图同时发送时：逐张做简短判断，再归纳共同模式；不要把某一张图的局部元素扩展到整批图片。

用户反馈

1. 关联最近一次图片或最近一组图片。
2. 读取画像。
3. 将反馈作为高权重事件写入“最近事件”。
4. 如果反馈指向明确，更新强匹配、降权或回避；如果指向模糊，写入边界并询问具体原因。

用户撤回或修正反馈时：保留事件但标记“已修正”，按最新明确反馈覆盖旧结论。

查看画像

必须先读取 aichat/preferences/{user_id}.md，等待工具返回后再回答。不要在未读取前假设没有画像。

回复时展示：推荐摘要、核心审美画像、强匹配、降权/回避、待观察。

直接声明偏好

直接读取画像并更新对应章节。临时表达如“今天不想看”只记为近期上下文，不写成长期偏好。

画像文件格式

路径：data/aichat/preferences/{user_id}.md。这是一份当前画像报告，不是流水账。pixivrank 会优先读取文件前部内容，因此推荐摘要和核心画像必须放在最前面。

• 目标长度：6000-10000 字符。
• 硬上限：15000 字符。
• 超长时先压缩“最近事件”，再压缩“证据摘要”；不要压缩前部推荐摘要和核心画像。
• 连续更新时避免反复改写旧结论。只有证据变化明显时，才调整核心画像。

# 用户画像 - {user_id}

> 最后更新: YYYY-MM-DD | 画像版本: vN | 最后完整整理: YYYY-MM-DD | 证据规模: N 条 | 当前置信度: 高/中/低

## 推荐摘要
500-800 字。写给推荐模型看的最高密度摘要，覆盖整体审美内核、强匹配、降权/回避、边界条件。不要写历史流水账，不要列标签次数。

## 核心审美画像
一段叙事分析，解释用户审美逻辑。只写证据支持的风格和题材，不要套用固定审美模板。

## 强匹配特征
| 特征 | 权重 | 含义 |
|------|------|------|
| 综合模式 | ⭐⭐⭐⭐ | 为什么这类图匹配，而不是只列标签 |

## 降权与回避
### 强回避
- 只放明确声明或稳定高权重负反馈支持的内容。

### 倾向降权
- 放语境相关、边界明确、但未达到硬回避的内容。

## 边界与待观察
| 信号 | 状态 | 判断 |
|------|------|------|
| 样本不足或混合信号 | 待确认 | 需要什么证据才能升级或降权 |

## 角色/主体偏好
简述稳定角色、主体或设计偏好。

## 视觉风格偏好
简述画风、完成度、构图、色彩、渲染偏好。

## 题材与内容
简述 IP、场景、关系、内容强度等题材偏好。IP 是筛选器，不等于审美偏好本身。

## 证据摘要
按主题压缩历史依据，保留“为什么这样判断”。

## 最近事件
最多 10-15 条。旧事件合并进证据摘要。

| 时间 | 来源 | 核心判断 | 影响 |
|------|------|----------|------|

写回检查

写回前逐项检查：

• 推荐摘要是否在文件前 800 字内给出可用于筛选的结论。
• 核心画像是否解释审美逻辑，而不是标签计数。
• 浅层元素是否被错误提升为强偏好。
• 低权重浏览是否被错误写成硬回避或强匹配。
• 负反馈是否被误扩大为整个标签类别的回避。
• 画像是否超过 15000 字符；如果超过，先压缩事件和证据摘要。

工具约束

user_id = session.user_id
read_file(path=f"aichat/preferences/{user_id}.md")
write_file(path=f"aichat/preferences/{user_id}.md", content="...")

• 禁止使用 write_memory / read_memory。
• 画像路径始终是 aichat/preferences/{user_id}.md，相对于 data 目录。
• 写回必须是完整、精炼、受长度控制的 Markdown。