mbti-from-ai
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：
-
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。
-
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。
-
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。
-
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 "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：
~/.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：
- 手动检查
~/.openclaw/ 目录结构
- 尝试在
~/.openclaw/ 下递归搜索 .jsonl 和 .json 文件
- 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 "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）
- 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。
- 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。
- 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。
- 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
- 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。
- 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。
- 给出置信度 —— 如果证据不足或接近 50/50，老实说"证据不足"。
- 不要用 MBTI 的刻板印象 —— 只基于你观察到的实际行为。
- 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。
- 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。
- 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：
{
"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 "SKILL_DIR/scripts/encode-and-open.sh"
此脚本会：
- 读取
_mbti_work/result.json
- 对 JSON 进行 UTF-8 安全的 Base64 编码
- 使用 URL Hash 方式拼接：
https://www.mingxi.tech/#data=<base64>
- 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：
🧠 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
