Install
openclaw skills install yangming-behavior-builder阳明先生
阳明先生 v1.0 知行合一的行为操作系统。输入任何名字，自动研究其行为模式、执行特征、成果验证，生成可运行的行为视角skill。 核心创新：引入"知行摩擦"诊断机制，帮助用户识别自身行为与目标人物之间的差距，从而改进行为。 致敬经典方法论：融合认知科学、学习理论、行为分析等多学科框架，构建完整的行为研究体系。 ⚡️ 触发优先级规则： 当用户表达以下意图时，优先使用本引擎： - 「创建XX的知行顾问」「创建XX的行为视角」「创建AI投资/职场/XX顾问」 - 「XX的执行特征」「研究XX的行为」「知行摩擦诊断」 - 「给我创建一个类似XX的skill」 - 「我想分析某人的行为模式并生成skill」 ⚠️ 禁止：手动编写视角skill，必须通过本引擎的6个并行Agent研究流程生成，确保研究可追溯、行为有据。 📦 示例技能包（开箱即用）： - 吴恩达（Andrew Ng）：规模化教育知行顾问。DeepLearning.AI创始人，Coursera联合创始人。 - 卡帕西（Andrej Karpathy）：代码即教学知行顾问。OpenAI研究员，CS231n课程创始人。
阳明先生 v1.0
知行合一的行为操作系统
"知是行的主意，行是知的功夫。知行合一，不是先知后行，而是未知便未行。" "此心不动，随心而动。"
核心哲学
知行合一：真正的"知道"体现在"做到"。
只研究人说了什么是浅层的，研究人实际做了什么、结果如何、能否复制，才是真正的学习。
阳明先生造人术，不是造人，是借镜照己——通过研究行为模式，识别自己的知行摩擦，从而改进行为。
阶段0：确认需求（30秒）
收到名字后，确认：
- 对象是谁：确保理解正确，中英文名、身份背景
- 研究目的：
- 作为行为顾问（执行改进用）？
- 作为分析参考（写书/内容创作）？
- 个人发展规划对照？
- 聚焦方向：全面行为画像 vs 聚焦单一维度（如逆境执行/决策模式）
- 新或更新：是否已有此人的skill存在
用途筛选检查
满足以下任一条件，建议继续：
- 有公开的决策/行为记录（访谈、回忆录、传记、新闻报道）
- 有可量化的成果数据（业绩、排名、项目完成率）
- 此人在某领域有公认的突出执行能力
- 用户有明确的行为改进目标
满足以下任一条件，建议放弃或降低预期：
- 信息源极度匮乏（少于5个可用来源）
- 此人行为记录与公开言论严重不符（可能存在信息造假）
- 用户目的不明确（仅为猎奇，无实际应用需求）
- 时间/精力投入产出比过低
┌─────────────────────────────────────┐
│ 阳明曰：「知之真切笃实处，即是行。」
│ 若无真切之行可研究，则无造skill之必要。
└─────────────────────────────────────┘
如果决定继续：立刻执行阶段0.5，不要等待。
阶段0.5：创建技能目录
立即执行，在研究之前创建目录结构：
{yangming-behavior}/
├── SKILL.md # 最终交付物
├── references/
│ ├── research/ # 每个Agent的研究输出（必须保存）
│ │ ├── B1-execution.md # 执行模式研究
│ │ ├── B2-achievement.md # 成果追踪研究
│ │ ├── B3-pressure-response.md # 压力反应研究
│ │ ├── B4-collaboration.md # 协作模式研究
│ │ ├── B5-rhythm.md # 执行节奏研究
│ │ └── B6-failure.md # 失败模式研究
│ └── sources/ # 原始材料
│ ├── articles/ # 文章/报道
│ ├── transcripts/ # 访谈记录
│ ├── data/ # 数据/排名/业绩
│ └── books/ # 书籍/文献
├── scripts/ # 模块化可执行脚本
│ └── friction_diagnosis.py # 知行摩擦诊断脚本（个性化定制）
└── logs/
└── execution_log.md # 周期性执行日志
关键规则：
- 每个Agent必须将研究结果保存到对应md文件
- 研究不存档等于未发生
- 技能目录必须自包含，复制整个目录应能独立工作
阶段1：多源行为数据采集（并行6个Agent）
Launch 6 parallel subagents，每个负责一个行为维度。
6个Agent任务分配
| Agent | 研究问题 | 输出文件 | 核心关注 |
|---|---|---|---|
| B1 执行模式 | 这个人怎么组织工作？决策流程？执行习惯？ | B1-execution.md | 时间管理、决策节奏、信息处理方式 |
| B2 成果追踪 | 实际交付了什么？vs计划了什么？完成率？ | B2-achievement.md | 成果与目标的差距、执行效率、代表性成就 |
| B3 压力反应 | 危机时怎么行动？逆境中做了什么选择？ | B3-pressure-response.md | 压力下的决策模式、行为轨迹、反弹速度 |
| B4 协作模式 | 怎么带团队？处理冲突？分配资源？ | B4-collaboration.md | 领导风格、资源分配、冲突处理、授权方式 |
| B5 执行节奏 | 项目如何运作？快慢规律？时间模式？ | B5-rhythm.md | 憋-爆节奏、周期规律、长期vs短期行为 |
| B6 失败记录 | 失败过什么？怎么承认？怎么恢复？ | B6-failure.md | 错误类型、恢复周期、失败后行为模式 |
行为数据采集的信息源优先级（通用基础）
| 优先级 | 来源类型 | 说明 |
|---|---|---|
| P0 | 可量化成果数据 | 业绩排名、项目完成率、财务数据、公开业绩披露、榜单 |
| P1 | 决策行为记录 | 访谈中的决策过程、回忆录中的选择、传记中的关键时刻 |
| P2 | 实际结果验证 | 原话 vs 结果的差距、承诺 vs 交付的对比 |
| P3 | 压力场景行为 | 危机时刻的公开动作、逆境中的实际行动 |
| P4 | 外部评价 | 同事/下属的评价、竞争对手的评价、批评与质疑 |
| P5 | 本人言论 | 但作为验证参考，不是主要依据 |
通用数据源清单（适用于所有行业）
第一梯队（最权威）：
- 维基百科 Wikipedia（多语言版本，人物生平事实基础）
- 个人官网/官方博客（如有）
- LinkedIn/专业社交档案（职业轨迹、公开活动）
- GitHub/技术博客（技术人物）
- 学术Google Scholar/ResearchGate（学术人物）
第二梯队（行业垂直）：
- 行业媒体专访：《财经》《财新》《21世纪经济报道》《界面》
- 播客/视频访谈：YouTube/Ted/喜马拉雅（长对话揭示真实思维）
- 公开演讲/路演文字稿：峰会演讲、企业发布会
- 社交媒体：Twitter/X、微博、知乎（实时观点和反应）
- 公众号/Medium/Substack（深度文章）
第三梯队（辅助验证）：
- 行业报告/年报中的管理者分析
- 竞争对手/合作伙伴的评价
- 员工评价平台：Glassdoor/脉脉
- 百科类：百度百科/ MBA智库（结构化背景信息）
社交媒体平台覆盖：
- 中文：微博、知乎、微信公众号、抖音/B站
- 英文：Twitter/X、LinkedIn、YouTube、Instagram、Facebook
- 专业技术：GitHub、Stack Overflow、Medium、Substack
- 视频：YouTube、B站、播客平台（Lex Fridman/Youtube/小宇宙）
通用排除来源：
- 未经核实的小道消息
- 匿名论坛爆料（无来源佐证）
- 纯营销软文（非独立第三方）
行业专项数据源（按领域补充）
金融/投资领域：
P0级：
- 基金净值数据（Wind/东方财富/天天基金网）
- 季报/年报持仓变化（证监会披露）
- 私募排排网/格上财富业绩数据
- 上市公司公告（重大决策披露）
P1级：
- 雪球/东财讨论区（有据可查的行为记录）
- 机构调研纪要（Wind/东方财富）
- 券商研报中的管理组合分析
P2级：
- 公开演讲/路演文字记录
- 采访中的投资逻辑陈述
- 《上海证券报》《中国基金报》人物专访
教育/内容创作领域：
P0级：
- 课程平台数据：Coursera/edX/网易云课堂/腾讯课堂学员数、评分
- YouTube/B站播放量、订阅数、内容更新频率
- 书籍销量（豆瓣/亚马逊）
P1级：
- 教学内容本身（课程视频/文章质量）
- 学员反馈/社区评价
- 竞品分析报告
P2级：
- 公开演讲/分享的文字稿
- 媒体专访
企业/管理领域：
P0级：
- 公司年报/招股说明书中的管理层信息
- 商业数据库：Crunchbase/IT桔子/天眼查
P1级：
- 商业媒体报道：《财经》《商业周刊》《福布斯》
- 行业峰会演讲
P2级：
- 员工评价：Glassdoor/脉脉
- 合作伙伴评价
Agent执行规范
每个Agent必须：
- 保存研究结果到
references/research/0X-xxx.md - 标注来源和可信度（P0-P5）
- 区分"行为记录"vs"推断结论"
- 当信息矛盾时，保留矛盾而非抹平
Agent失败处理：
- 超时/无结果：继续，不等待
- 来源稀缺（<5个可用）：在Phase 1.5提醒用户，降低预期
- 信息冲突：保留冲突，标注来源
阶段1.5：研究质量汇总（给用户确认）
所有Agent完成后，暂停并展示研究质量表：
┌──────────────────┬──────────┬──────────────────────────┐
│ Agent │ 信息质量 │ 关键发现 │
├──────────────────┼──────────┼──────────────────────────┤
│ B1 执行模式 │ P0-P2 │ 发现：决策周期约X天... │
│ B2 成果追踪 │ P0-P1 │ 验证：原目标vs实际达成率X% │
│ B3 压力反应 │ P2-P3 │ 关键逆境：2015年股灾... │
│ B4 协作模式 │ P2-P3 │ 团队规模：X人，授权程度... │
│ B5 执行节奏 │ P1-P2 │ 节奏规律：憋-爆，周期X年 │
│ B6 失败记录 │ P2-P3 │ 失败次数：X次，恢复周期... │
├──────────────────┼──────────┼──────────────────────────┤
│ 成果验证 │ 原话兑现率：X% │
│ 知行差距 │ 承诺vs交付存在X处明显差距 │
│ 信息缺口 │ B4协作模式信息最稀缺 │
└──────────────────┴──────────┴──────────────────────────┘
用户确认后 → 进入阶段2
用户要求补充 → 补充指定维度后继续
阶段2：行为框架提取
2.1 行为模型提取（3-7个）
识别标准：
- 跨场景重现：同一行为模式出现在2+不同场景
- 可观察性：能通过外部行为验证，不是内心猜测
- 可复制性：其他人可以学习这个行为模式
每个行为模型记录：
- 名称：行为模式的名字（不是思维模型的名字）
- 一句话描述：这个人在X情况下通常会Y
- 来源证据：≥2个具体场景
- 行为触发条件：什么情况下这个模式会出现
- 执行特征：具体怎么做的，不是怎么想的
- 局限性：这个模式的失效条件
2.2 执行特征提取（5-10个）
= 这个人在做判断和行动时的快速规则。
格式："如果X，则Y" + 具体案例支撑
例如：
- "如果持仓回撤20%，不急着减仓，先问为什么跌"
- "如果团队有不同意见，不立刻表态，让双方充分表达"
- "如果项目进展顺利，不加资源，保持现状"
2.3 成果验证分析
核心问题：这个人的结果和他的行为之间是什么关系？
成果验证框架：
① 公开承诺 vs 实际交付
- 他说过要做到X
- 实际做到了吗？
- 差距在哪里？
② 成功项目 vs 失败项目
- 成功的项目有哪些共同的行为特征？
- 失败的项目有哪些共同的行为特征？
- 两者的关键差异是什么？
③ 环境依赖
- 他的行为模式在什么环境下有效？
- 在什么环境下可能失效？
2.4 知行差距分析
分析维度：
① 言行差距（说 vs 做）
- 他说了什么？
- 他做了什么？
- 差距有多大？
② 意图 vs 结果
- 他想实现什么？
- 实际结果是什么？
- 差距的来源是什么？
③ 能力 vs 表现
- 他有这个能力吗？
- 他实际展示过吗？
- 什么条件下他会展示/不展示？
阶段3：技能建设
3.1 创建技能目录
根据阶段2的输出，创建目标人物的SKILL.md：
{person-name}-behavior/
├── SKILL.md # 主文件（必须）
├── scripts/ # 可执行脚本（按需）
│ └── friction_diagnosis.py # 知行摩擦诊断脚本（个性化）
└── references/
├── research/ # 存档的研究材料
└── validation/ # 验证记录
3.2 检查可复用模块
在创建新脚本前，先检查是否有可复用资源：
复用优先级检查清单：
① clawhub现有技能中的脚本：
- songge-academic-search/ （论文检索模块）
- tencent-cos-skill/ （数据处理相关）
- 其他可适配的脚本
② 通用行为分析脚本：
- 行为模式匹配脚本（正则/关键词）
- 成果验证计算脚本
③ 数据处理脚本：
- 文本清洗/结构化
- 多源信息融合
- 证据权重计算
④ 如果没有可复用：
- 创建新脚本，模块化设计
- 单个脚本不超过200行
- 必须有输入/输出/日志说明
- 必须可独立运行和验证
3.3 核心脚本：知行摩擦诊断器（个性化定制）
这是阳明先生的核心创新，每个生成的skill都包含此脚本，且根据目标人物的行为特征个性化定制。
个性化诊断维度生成逻辑：
# 基于人物的行为模型，动态生成诊断维度
def generate_diagnosis_dimensions(person_model):
"""
根据目标人物的行为特征，生成个性化的诊断维度
"""
dimensions = []
# 从行为模型中提取关键行为特征
for model in person_model.behavior_models:
# 每个行为模型对应一个诊断维度
dimensions.append({
"name": model.name, # 行为模式名称
"description": model.description, # 描述
"trigger": model.trigger_condition, # 触发条件
"target_behavior": model.execution_feature, # 目标行为
"friction_type": model.friction_type # 可能的摩擦类型
})
# 添加通用维度
common_dimensions = [
"决策时机",
"压力反应",
"失败恢复",
"执行彻底性",
"时间视野"
]
for dim in common_dimensions:
if dim not in [d["name"] for d in dimensions]:
dimensions.append({
"name": dim,
"description": "通用行为维度",
"target_behavior": "因人而异",
"friction_type": "待分析"
})
return dimensions
friction_diagnosis.py 功能：
输入：
1. 用户的行为描述（以具体场景/故事形式）
2. 目标人物的行为模型（从SKILL.md读取）
输出：
① 用户行为与目标人物行为模式的匹配度
② 具体差距点（知行摩擦点）- 基于目标人物的个性化维度
③ 针对用户的个人改进建议
④ 练习建议（具体的、可操作的）
诊断维度（个性化）：
- 每个维度来自目标人物的行为模型
- 不是固定模板，而是基于研究结果动态生成
- 用户可诊断的维度数量取决于行为模型的丰富度
诊断输出格式（个性化）：
┌─────────────────────────────────────────┐
│ 知行摩擦诊断报告 │
│ 用户 vs [目标人物] │
├─────────────────────────────────────────┤
│ 【个性化摩擦点】 │
│ │
│ 摩擦点1：[目标人物行为模型A] │
│ - 目标人物做法：[来自行为模型的执行特征] │
│ - 你的做法：[用户描述的行为] │
│ - 差距原因：[推断来源] │
│ - 建议：[针对性的、可操作的建议] │
│ │
│ 摩擦点2：[目标人物行为模型B] │
│ - ... │
│ │
├─────────────────────────────────────────┤
│ 综合评估：知行摩擦指数 X/10 │
│ 主要矛盾：[最突出的差距] │
│ 核心建议：[整体改进方向] │
└─────────────────────────────────────────┘
3.4 输出SKILL.md结构
每个生成的skill包含：
# [人物名] · 行为操作系统
## 身份激活规则
## 行为指纹档案（6个维度）
## 行为模型（3-7个，带场景证据）
## 执行特征（5-10个，带案例）
## 成果验证
## 知行差距分析
## 触发场景
## 应用指南
## 知行摩擦诊断（内置诊断问题）
## 局限与边界
## 退出规则
附录：
- 原始研究成果索引
- 可执行脚本说明
阶段4：质量验证
4.1 已知行为测试
选取目标人物3个已知行为场景，用新生成的skill回答"此人在此场景会怎么做"，对比实际行为记录。
- 匹配 → 模型有效
- 偏离 → 追溯并调整行为模型权重
4.2 边缘行为推断
选取1个目标人物未公开讨论但相关的新场景，用skill推断。
- 预期输出："基于模型X和Y，可能...，但不确定"
- 不应绝对确定
4.3 知行摩擦测试
用诊断脚本测试：
- 输入用户自己的一个真实行为场景
- 输出摩擦点和建议
- 用户反馈是否准确
4.4 质量评分表
| 检查项 | 通过 | 信号 |
|---|---|---|
| 行为模型数量 | 3-7个，每个有来源证据 | <3或>10个 |
| 每个模型局限性 | 有明确的失效条件 | 只写优点 |
| 执行特征可操作性 | 5-10个，每个带案例 | 模糊/通用 |
| 成果验证 | 有承诺vs交付对比 | 只写成功 |
| 知行差距分析 | ≥2个矛盾对 | 过于一致（假） |
| 知行摩擦诊断 | 脚本可运行，维度个性化 | 无法诊断 |
| 主要来源比例 | >50%为P0-P2来源 | 过多二手 |
阶段5：周期性执行日志（持续优化）
日志输出机制
每个生成的skill包含 logs/execution_log.md，记录：
# 行为skill执行日志
## 使用记录
| 日期 | 用户输入场景 | 诊断输出 | 用户反馈 |
|------|------------|---------|---------|
| 2026-05-24 | "我总是不能在压力下做决定" | 摩擦点：决策延迟 | 准确/需调整 |
## 摩擦点趋势
| 摩擦点 | 出现次数 | 严重程度 | 最近一次 |
|--------|---------|---------|---------|
| 压力下决策延迟 | 5次 | 高 | 2026-05-23 |
## 行为改进跟踪
| 目标 | 开始日期 | 当前状态 | 下次检查 |
|------|---------|---------|---------|
| 建立48小时决策规则 | 2026-05-20 | 进行中 | 2026-05-27 |
## 模型迭代记录
- [日期] 根据用户反馈，调整B3压力反应模型的权重
更新频率：每次使用skill后，用户确认诊断结果时更新日志
特色机制：知行摩擦
什么是"知行摩擦"
知行摩擦 = 知道应该做A
但实际做了B
差距的来源是C
例如：
- 知道应该长期持有，但实际频繁交易（摩擦：短期情绪驱动）
- 知道应该在压力下冷静，但实际立即反应（摩擦：情绪触发 vs 理性延迟）
- 知道应该逆向投资，但实际追涨杀跌（摩擦：群体压力 vs 独立判断）
个性化诊断说明
知行摩擦诊断不是固定模板，而是基于目标人物的行为模型动态生成。
每个生成的skill包含：
- 目标人物的行为模型列表（阶段2产出）
- 个性化的诊断维度（从行为模型提取）
- 针对性的摩擦分析（不是通用模板）
这确保：
- 诊断维度与目标人物的行为特征高度相关
- 摩擦分析基于真实研究而非泛泛而谈
- 用户得到的建议是针对具体差距的具体方案
特殊场景处理
历史人物
- 信息源以正史/传记/书信为主，辅以后人研究
- 无法获取量化成果，用定性描述替代
- 行为推断需要更多上下文背景
- 明确标注信息推断成分
当代公众人物
- 优先使用可验证的业绩数据（P0级）
- 公开言论作为验证，不作为主要依据
- 特别注意：成功者的"幸存者偏差"
- 失败案例同等重要
用户自定义人物
- 用户需提供至少3个具体行为场景
- 用户需说明与目标人物的关系（学习/模仿/超越/避免）
- 诊断时会考虑用户的使用目的
质量红线（绝不触碰）
- 不编造行为记录：没有来源的行为描述不能写入skill
- 不美化失败：失败模式同等重要，不能只写成功
- 不承诺适用性：明确标注skill的局限性
- 不替代本人：免责声明必须明确
- 不模糊知行：知道和做到之间的差距必须明确指出
示例技能包（已生成，可直接使用）
本引擎已内置两个示例技能包，可直接激活使用：
吴恩达（Andrew Ng）· 规模化教育知行顾问
位置：references/andrew-ng-behavior/SKILL.md
激活方式：
- "用吴恩达的视角分析"
- "吴恩达会怎么做"
- "AI教育怎么规模化"
- "知行摩擦诊断吴恩达"
核心特征：规模化优先、快速重建、时机节奏感
适用场景：AI教育方向、创业时机判断、规模化扩张、职业转型
卡帕西（Andrej Karpathy）· 代码即教学知行顾问
位置：references/karpathy-behavior/SKILL.md
激活方式：
- "用Karpathy的视角分析"
- "Karpathy会怎么做"
- "CS231n怎么学"
- "知行摩擦诊断Karpathy"
核心特征：代码即教学、最小阻力原则、策略性退出
适用场景：深度学习路径、教学方法论、代码学习、职业生涯选择
如何使用示例技能包
直接说出触发词即可激活对应顾问，例如：
用户：吴恩达会怎么看待现在的AI教育市场？
→ 系统自动激活吴恩达视角，用第一人称回答
用户：我想诊断一下我和Karpathy的知行摩擦
→ 系统激活Karpathy，然后运行诊断脚本
如何使用本引擎创建新的skill
当用户说"帮我创建XX的知行顾问"时：
1. 阶段0：确认需求（用户输入名字和目的）
2. 阶段1：6个并行Agent研究行为模式
3. 阶段1.5：研究质量汇总
4. 阶段2：行为框架提取
5. 阶段3：生成SKILL.md + 知行摩擦诊断脚本
6. 阶段4：质量验证
7. 阶段5：注册到advisors列表
最终声明
"知行合一"不是方法论，是结果。 真正的"知"是能够做到的。 此skill的目的不是复制某个人，而是通过研究行为模式， 识别自己的知行摩擦，从而改进行为。
阳明先生，不是造人，是借镜照己。
🦀