| 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）
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：
- Cron 任务是否已配置（
~/.openclaw/cron/cron-tasks.json 包含 i-am 任务）
- 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"：
- AI 执行：编辑
cron-tasks.json，添加两个定时任务（代码见下方）
- 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"：
- 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"
temp_dir = skill_root / "temp"
temp_dir.mkdir(parents=True, exist_ok=True)
print(f"✅ 已创建文件夹：{temp_dir}")
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"
if last_analysis_file.exists():
with open(last_analysis_file, 'r', encoding='utf-8') as f:
last_time = datetime.fromisoformat(json.load(f)['timestamp'])
else:
last_time = datetime.min
print("ℹ️ 首次运行，加载所有历史对话语料...")
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
text = "".join([item.get('text', '') for item in msg['message']['content'] if isinstance(item, dict) and item.get('type') == 'text']).strip()
if not text or text.startswith('[cron:') or text.startswith('Read HEARTBEAT') or text.startswith('A scheduled'):
continue
if 'Conversation info' in text:
import re
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()
if sender == current_user_name and len(content) > 10:
text = content
else:
continue
else:
continue
messages.append({'text': text, 'timestamp': msg_time})
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：
open_codes = []
for msg in messages:
text = msg['text']
code, category = ai_extract_code_from_text(text)
if code:
open_codes.append({"text": text, "code": code, "category": category})
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
core_traits = {}
for cat, labels in axial_clusters.items():
total_count = sum(labels.values())
if len(labels) < 2 and total_count < len(messages) * 0.1:
continue
top_label, count = max(labels.items(), key=lambda x: x[1])
saturation = min(0.95, 0.5 + (count / max(len(messages), 1)) * 0.5)
if cat not in historical_traits:
saturation = min(saturation, 0.7)
confidence = saturation
if cat in historical_traits:
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:
confidence = max(0.6, saturation)
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)}%"
}
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)
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"
if "## 🧠 人格特质 (i-am 动态分析)" in old_content:
content = old_content.split("## 🧠 人格特质 (i-am 动态分析)")[0]
else:
content = old_content.rstrip() + "\n"
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"
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"
if not changelog_file.exists():
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
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：
cat skills/i-am/ChangeLog.md
对比最近两次更新：
撤回更改：
🛠️ 配置参数
analysis:
min_messages: 5
max_display: 20
confirmation:
interval_days: 7
auto_approve_first: true
saturation:
core: 0.7
secondary: 0.5
emerging: 0.3
📊 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）
