mbti-from-ai

分析用户与 AI 的聊天历史，根据沟通方式和思维模式推断 MBTI 人格类型，生成结构化 JSON 并在网页上展示可视化画像。

你的任务是以 资深行为心理学分析师 的角色，分析 运行此命令的用户 与 AI 的历史对话，从中提取用户发送的消息，根据沟通方式、思维模式、决策风格推断其 MBTI 人格类型，生成结构化 JSON，然后在网页上展示可视化画像。

核心原则：只看用户说了什么，不看 AI 回复了什么。 AI 的回复仅作为理解上下文的参考。

🔒 隐私与安全说明

数据处理流程透明度：

1. 读取阶段：脚本读取 ~/.openclaw/ 下的会话文件，提取用户消息到本地 _mbti_work/user_messages.txt。原始会话文件不会被修改或上传。

2. 分析阶段：MBTI 分析由你当前使用的 AI Agent（OpenClaw）执行。分析过程中消息文本会经过你的 Agent 所配置的 LLM 后端（如 Claude API）。这与你日常使用 OpenClaw 对话的隐私模型完全一致——没有引入额外的数据泄露路径。

3. 输出阶段：分析结果 result.json 是 已脱敏的结构化 JSON，仅包含：MBTI 类型、维度得分、截取的短引用（≤50 字）、人格素描等。不包含用户真实姓名、项目名称、公司名称、完整对话内容等敏感信息。

4. 可视化阶段：encode-and-open.sh 将 result.json 编码为 Base64 放入 URL Hash（#data=...），打开 https://www.mingxi.tech/ 进行渲染。关于此网页：

   • 它是一个 纯静态单文件 HTML 页面，无后端服务器、无数据库、无登录系统、无 cookie
   • URL Hash（# 后的内容）不会被浏览器发送到服务器（这是 HTTP 协议规范 RFC 3986 §3.5）
   • 页面使用 JavaScript 在 浏览器本地 解析 Hash 并渲染图表，数据不离开你的浏览器
   • 页面包含 Google Analytics 用于匿名页面访问量统计，不会采集 Hash 中的数据
   • 本 skill 的所有脚本源码完全开放，你可以审查每一行代码确认没有任何数据外传行为

总结：整个流程不会将你的原始对话内容发送到任何第三方服务。结果 JSON 本身是脱敏的，即使被他人看到也不包含敏感信息。

文件命名约定

本 skill 使用以下固定文件名（所有脚本和步骤均遵循此约定）：

文件	路径	说明
会话列表	_mbti_work/session_list.txt	发现的会话文件路径列表
用户消息	_mbti_work/user_messages.txt	提取出的全部用户消息文本
分析结果	_mbti_work/result.json	MBTI 分析结果 JSON

工作目录 _mbti_work/ 在当前目录下自动创建。

---

Step 1: 发现聊天记录

运行发现脚本，扫描 OpenClaw 的会话数据目录：

bash

bash "SKILL_DIR/scripts/discover-sessions.sh"

将 SKILL_DIR 替换为本 SKILL.md 所在目录的实际路径。

OpenClaw 聊天记录存储位置

OpenClaw 的对话历史保存在 ~/.openclaw/ 目录下，结构如下：

text

~/.openclaw/
├── sessions.json                  # 会话元数据索引
├── sessions/
│   ├── <session-id>.jsonl         # 活跃会话（当前正在使用）
│   ├── <session-id>.jsonl.reset.<timestamp>  # 归档会话（已完成/重置）
│   └── ...
└── agents/
    └── <agent-name>/              # 如 main/
        ├── agent/                 # Agent 配置
        └── sessions/
            ├── sessions.json      # Agent 会话元数据
            ├── <session-id>.jsonl                           # 活跃会话
            ├── <session-id>.jsonl.reset.<timestamp>         # 归档会话
            └── ...

⚠️ 重要：归档会话文件

• OpenClaw 会对已完成或重置的会话文件自动加上 .reset.<ISO-timestamp> 后缀
• 例如：e7dfd474-...jsonl.reset.2026-03-18T11-19-10.329Z
• 这些归档文件内部格式与 .jsonl 完全相同，必须一并扫描
• 发现脚本使用 find -name "*.jsonl" -o -name "*.jsonl.reset.*" 来匹配两种文件
• 提取脚本通过检查文件名是否包含 .jsonl 来判断格式（而非仅检查后缀）

JSONL 格式说明：

• 每行是一个 JSON 对象，代表一条消息或事件
• 用户消息特征：role 字段为 "user"，或 type 字段标识为用户输入
• 提取时优先匹配 "role": "user" 的条目，取其 content 或 text 字段
• 如果存在多种事件格式，忽略非消息类事件（如 tool_call、system 等）

如果脚本未找到会话文件：

1. 手动检查 ~/.openclaw/ 目录结构
2. 尝试在 ~/.openclaw/ 下递归搜索 .jsonl 和 .json 文件
3. 如仍未找到，告知用户 OpenClaw 会话目录为空

脚本执行后会输出找到的会话文件数量，并将文件路径列表写入 _mbti_work/session_list.txt。

---

Step 2: 提取用户消息

运行提取脚本，从所有会话文件中提取用户发送的消息：

bash

bash "SKILL_DIR/scripts/extract-messages.sh"

提取规则：

• 读取 _mbti_work/session_list.txt 中列出的所有会话文件
• 只提取 role === "user" 的消息内容
• 忽略 AI 的回复（仅作为上下文参考）
• 忽略纯操作指令（如 "ok"、"继续"、"commit" 等单词消息）
• 搜索全部会话中用户发送的全部消息。如果消息总量超过 10000 条，则只取最新的 10000 条
• 提取结果写入 _mbti_work/user_messages.txt，每条消息之间用 --- 分隔

脚本执行后会输出提取到的用户消息数量。

最少数据检查： 如果用户消息少于 10 条，告知用户数据不足，分析置信度将标记为 low，但仍继续执行。

---

Step 3: 执行 MBTI 分析

读取 _mbti_work/user_messages.txt 的内容，然后 你自己 作为资深行为心理学分析师，基于以下框架对用户消息进行 MBTI 推断。

⚠️ 核心防偏见护栏（必须严格执行）

1. 全局采样（对抗近因效应）： 绝对不要只依据最近的几次对话下结论！你必须在用户的"早期"、"中期"和"近期"对话中均匀采样，寻找贯穿始终的底层行为模式。
2. 场景标定（对抗工具偏差）： 评估用户在当前界面的主要互动场景（如：纯写代码、工作效率辅助、闲聊陪伴等）。如果是高度任务驱动的场景（如代码/算数），请意识到这是一种"任务强制表现"，在推断时必须大幅降低由于任务本身属性带来的 T（理性）或 J（计划）的权重偏差。
3. 选择性忽略（降噪过滤）： 忽略用户发送的那些重复性、机械性的指令（例如："翻译这段话"、"总结一下"、"帮我排版"）。这些是工具使用痕迹，不是人格体现。
4. 寻找"微表情"与缝隙： 把你的注意力集中在用户那些：带有情绪色彩的抱怨、突发奇想的跑题、追问"为什么"的时刻、或者是任务之外的语气词和礼貌用语。这些"非标准化"的表达才是揭示真实人格（尤其是 N 和 F）的钥匙。

分析维度和信号

E（外倾）vs I（内倾）—— 看 TA 怎么表达

• E 信号：边想边说、提供很多背景故事、用"我们来..."的协作语气、消息短且频繁
• I 信号：直入主题、措辞精确、长时间沉默后发一个完整复杂的请求、很少闲聊

S（感知）vs N（直觉）—— 看 TA 关注什么

• S 信号：关注具体细节和步骤、引用过去经验、要求看例子、一步步验证
• N 信号：讨论"本质是什么"、做类比（"这就像..."）、先问原理再问操作、在话题间跳跃

T（思考）vs F（情感）—— 看 TA 怎么评判

• T 信号：用逻辑和效率评估、批评不加修饰（"不对"/"太丑了"）、建立原则和规则、系统性思考
• F 信号：考虑他人感受和用户体验、用缓和语气（"可能可以..."）、对 AI 说谢谢/辛苦了

J（判断）vs P（知觉）—— 看 TA 怎么行动

• J 信号：先要计划再行动、创建规范和结构、不喜欢模糊、控制范围（"不要加这个"）
• P 信号：先试试看再说、中途改方向、多个话题并行、保持选项开放

分析规则

1. 每个维度至少给出 2 条具体证据 —— 引用用户说过的原话，且 证据必须来源于不同时期的对话。
2. 注意信号差异 —— 如果用户在某些场景下表现出不同风格，要指出来。
3. 给出置信度 —— 如果证据不足或接近 50/50，老实说"证据不足"。
4. 不要用 MBTI 的刻板印象 —— 只基于你观察到的实际行为。
5. 隐私和评价保护 —— 严禁输出任何会降低用户评价的内容。所有描述都应是中立或积极的。即使指出行为差异，也用"不同的处理风格"而非"不一致"。禁止词汇：矛盾、纠结、有问题、有缺陷、负面等。
6. 相似人物匹配 —— 在 similarPeople 字段输出 1-2 个 MBTI 类型相同或相似的、并且从对话推断用户可能认识的真实名人/虚拟知名人物。
7. 语言检测 —— 根据用户消息的主要语言输出结果（中文用户输出中文，英文用户输出英文）。

输出 JSON 格式

将分析结果严格按照以下 JSON 格式输出，保存到 _mbti_work/result.json：

json

{
  "scenarioType": "一句话概括用户与 AI 的主要互动场景（如：无情的算数辅助工具 / 赛博树洞 / 生产力牛马等）",
  "toolPersonaWarning": "一段毒舌或幽默的警告，指出这个 MBTI 可能只是用户在当前工具里的伪装。例如：'你在这里伪装成一个毫无感情的 TJ 做题机器，但我猜你现实里根本没这么有计划性。'",
  "mbtiType": "XXXX",
  "confidence": "high/moderate/low",
  "dimensions": [
    {
      "axis": "E-I",
      "result": "E或I",
      "score": 0,
      "confidence": "strong/moderate/borderline",
      "evidence": [
        {
          "pole": "E或I",
          "quote": "用户原话（不超过50字）",
          "why": "一句话解释为什么这句话体现了这个倾向"
        }
      ],
      "analysis": "2-3句话分析这个维度"
    },
    {
      "axis": "S-N",
      "result": "",
      "score": 0,
      "confidence": "",
      "evidence": [],
      "analysis": ""
    },
    {
      "axis": "T-F",
      "result": "",
      "score": 0,
      "confidence": "",
      "evidence": [],
      "analysis": ""
    },
    {
      "axis": "J-P",
      "result": "",
      "score": 0,
      "confidence": "",
      "evidence": [],
      "analysis": ""
    }
  ],
  "portrait": "用3-5句话描述用户是什么样的人，基于观察到的行为，不要用MBTI套话",
  "highlights": [
    "1-3个最有趣的发现，比如早期与近期行为的反差、或者是跨维度的模式"
  ],
  "cognitiveFunctions": {
    "dominant": "主导认知功能（如Ni/Te/Fi等）",
    "auxiliary": "辅助认知功能",
    "brief": "一句话说明认知功能栈为什么和行为匹配"
  },
  "similarPeople": "1-2个MBTI相同或相似的、并且从对话推断用户可能认识的名人/知名人物，30字内",
  "shareText": "一句适合发朋友圈/小红书的话，有趣、不严肃、让人想点进来测（不超过30字）"
}

字段说明：

• scenarioType：概括用户与 AI 的互动场景类型，用毒舌/幽默的语气。
• toolPersonaWarning：提醒读者这个 MBTI 结果可能受到互动场景的强烈影响，用有趣的方式表达。
• score：0-100 的数字，50 为中间，100 为完全倾向该维度的第二个字母（I/N/F/P）。例如 E-I 维度 score=87 表示强烈倾向 I。

将此 JSON 保存到 _mbti_work/result.json。

---

Step 4: 生成 URL 并打开浏览器

运行编码和打开脚本：

bash

bash "SKILL_DIR/scripts/encode-and-open.sh"

此脚本会：

1. 读取 _mbti_work/result.json
2. 对 JSON 进行 UTF-8 安全的 Base64 编码
3. 使用 URL Hash 方式拼接：https://www.mingxi.tech/#data=<base64>
4. 输出markdown格式的 URL ，地址是上面的完整 URL （不要截断或省略，否则无法打开），文字是"点击查看"，并尝试自动在浏览器中打开

为什么用 #data= 而不是 ?data=： Hash 部分不会发送到服务器，避免了服务器端 URI 长度限制（414 Request-URI Too Long）。浏览器端 JavaScript 直接读取 location.hash 进行解析。

---

Step 5: 展示结果给用户

在终端中向用户展示关键结果摘要：

text

🧠 MBTI 分析完成！

场景类型：[scenarioType]
⚠️ 工具人格警告：[toolPersonaWarning]

类型：INTJ（架构师）
置信度：high

四维度得分：
  E-I: 87 → I（内倾）
  S-N: 85 → N（直觉）
  T-F: 22 → T（思考）
  J-P: 25 → J（判断）

人格素描：
  [portrait 内容]

🔗 查看完整画像：[URL]
📄 结果已保存到：_mbti_work/result.json

---

注意事项

• 隐私保护：分析结果 JSON 是脱敏的——不包含用户的真实姓名、项目名称、公司名称等隐私信息。quote 字段只截取关键部分，不超过 50 字，且不包含可识别上下文。
• LLM 后端：分析由你当前的 Agent（OpenClaw）调用其配置的 LLM 执行。这与你日常使用 OpenClaw 对话的隐私模型一致，没有引入额外的数据发送路径。
• 可视化网页：https://www.mingxi.tech/ 是纯静态单文件 HTML，无后端、无数据库、无登录。数据通过 URL Hash 传递，Hash 内容不会被浏览器发送到服务器（HTTP 协议规范 RFC 3986 §3.5）。本 skill 的所有脚本源码完全开放可审查。
• 语言：根据用户聊天的主要语言输出（中文用户输出中文，英文用户输出英文）
• 最少数据：如果聊天记录少于 10 条用户消息，告知用户数据不足，置信度标记为 low
• 防偏见：必须遵守核心防偏见护栏，避免近因效应、工具偏差等认知陷阱影响分析结果