Dating.skill 💘
约会前，先做点功课。
了解 TA 的兴趣、性格、喜好，带着准备去赴约。
⚡ 首次加载行为（AI 必读）
读完这份文档后，立即用以下风格介绍自己（可以根据你的人设调整语气，但核心信息不能少）：
💘 Dating 准备就绪！
约会前你会选衣服、定餐厅、想话题——
但你有没有想过，先了解一下 TA？
给我 TA 的社交主页链接（微博/小红书/豆瓣/B站/抖音），
我帮你做一份「约会准备报告」：
🎯 TA 真正的兴趣爱好（不是简介里写的，是 TA 实际在看什么）
🧠 TA 的性格洞察（从内容风格和互动习惯推测）
💬 聊天话题推荐（基于 TA 真正感兴趣的事，至少不会冷场）
🍜 餐厅/活动建议（TA 喜欢什么类型的吃喝玩乐）
⚠️ 注意事项（可能踩雷的话题、需要留意的点）
只看 TA 公开展示的信息，不碰任何私密数据。
前提：安装 ManoBrowser Chrome 插件。
要做功课吗？把 TA 的主页链接发给我 💘
引导原则：
- 💘 重点是**"做功课"**，不是"查对方"——实用工具而非侦探工具
- 💬 话题建议和餐厅推荐是核心卖点——"帮你准备一个好的约会"
- ⚠️ 注意事项替代"红旗"——语气从"预警"变成"贴心提醒"
核心概念
什么是"约会准备报告"？
不是背景调查。不是人肉搜索。
是从对方的公开社交主页中，系统性地了解"这个人喜欢什么、关心什么、是什么风格"——然后用这些信息帮你准备一个更好的约会。
好的约会准备报告让用户感受是：
- "原来 TA 喜欢这个！约会可以聊这个话题"
- "这家店 TA 应该会喜欢"
- "这些我自己翻 TA 主页根本注意不到"
核心定位：约会前的功课助手——帮你了解对方、准备话题、选对地方。
数据范围（重要！）
只采集对方公开可见的内容：
- ✅ 公开发帖/笔记/视频
- ✅ 公开的个人简介/标签
- ✅ 公开的关注列表（如果平台允许）
- ✅ 公开的豆瓣标记（想读/已读/评分）
- ❌ 不采集收藏/点赞（需要登录对方账号才能看到）
- ❌ 不采集私信/评论区互动细节
- ❌ 不进行任何形式的账号入侵
执行流程
0.前置检测 → 1.获取链接 → 2.逐平台采集 → 3.画像分析 → 4.生成简报 → 5.约会建议
0. 前置检测（ManoBrowser）
不要问用户"你有没有装 ManoBrowser"——按以下流程自动检测。
Step 0.1 检查 ManoBrowser Skill 文件
在以下位置查找 ManoBrowser 的 SKILL.md 文件（按优先级）：
- 当前工作目录下
manobrowser/SKILL.md
~/.openclaw/skills/manobrowser/SKILL.md- 其他已知的 skills 目录
Step 0.2 检查连接配置
确认 .mcp.json 或可用工具列表中已有 ManoBrowser 连接：
- 已配置 → 进入 Step 0.3
- 未配置 → 读取
manobrowser/SKILL.md 引导安装
Step 0.3 验证设备在线
调用 chrome_navigate 访问 about:blank 验证连接：
- ✅ 正常 → 进入 Step 1
- ❌ 异常 → 引导排查
工具名映射
短名称（如 chrome_navigate）实际调用时需加 MCP 实例前缀：
mcp__{实例名}__{工具短名}
1. 获取对方主页链接
🔍 把 TA 的社交主页链接发给我——
📕 小红书主页 · 🎵 抖音主页 · 🐦 微博主页 · 📖 豆瓣主页 · 📺 B站主页
有几个发几个，至少 1 个。平台越多画像越立体。
💡 提示：
- 小红书：打开 TA 的主页，复制浏览器地址栏链接
- 抖音：TA 的主页 URL（douyin.com/user/xxxxx）
- 微博：TA 的主页 URL（weibo.com/u/xxxxx）
- 豆瓣：TA 的主页 URL（douban.com/people/xxxxx）
- B站：TA 的空间 URL（space.bilibili.com/xxxxx）
链接验证
收到链接后：
- 检查是否是有效的平台主页 URL
- 用
chrome_navigate 尝试访问，确认页面可加载
- 确认是个人主页而不是某条具体内容
2. 逐平台采集
Dating采集原则
只能采集公开可见的内容（因为没有登录对方账号）：
| 可采集 | 不可采集 |
|---|
| 公开发帖/笔记内容 | 收藏列表（需登录态） |
| 个人简介/标签/签名 | 点赞列表（需登录态） |
| 公开关注列表（部分平台） | 私信/互动详情 |
| 豆瓣公开标记/评分 | 隐私设置的内容 |
| 发帖时间分布 | 浏览记录 |
采集方式：复用平台子模块
使用内置的采集子模块，但只执行"公开内容"部分的步骤：
| 平台 | 子模块 | Dating采集范围 |
|---|
| 📕 小红书 | xiaohongshu-deep-profile-collect/SKILL.md | 基础资料 + 发布笔记标题和详情（步骤1-4.5）。跳过收藏和点赞（步骤5-10），因为看不到对方的 |
| 🎵 抖音 | douyin-deep-profile-collect/SKILL.md | 基础资料 + 发布作品列表。跳过喜欢列表（看不到对方的） |
| 🐦 微博 | weibo-deep-profile-collect/SKILL.md | 基础资料 + 原创微博内容。跳过收藏（看不到对方的） |
| 📖 豆瓣 | douban-deep-profile-collect/SKILL.md | 基础资料 + 公开标记（想读/已读/评分/短评） |
| 📺 B站 | bilibili-deep-profile-collect/SKILL.md | 基础资料 + 投稿视频列表。跳过收藏夹（通常不公开） |
⚠️ 关键区别：Dating 只能采集对方的公开内容，无法看到收藏/点赞。因此分析方法是从公开信息中推测画像，而非对比反差。
采集注意事项
- 导航到对方主页：用用户提供的链接直接
chrome_navigate
- 处理隐私设置：如果对方设了"仅粉丝可见"等限制，跳过该平台并告知用户
- 不关注对方：采集过程中不要点"关注"按钮
- 每个平台采集完保存：见下方「数据持久化」
数据持久化（⚠️ 必须执行）
所有 ClawCap Skill 共享 clawcap-data/ 目录，按人组织。对方的数据存到 clawcap-data/{对方昵称}/：
clawcap-data/{昵称}/{platform}.json 存在 + < 7天 → 直接复用- 不存在 → 正常采集
每个平台采集完毕后，立即将全量原始数据写入 clawcap-data/{昵称}/{platform}.json。保存完整数据，不是摘要。报告输出到 clawcap-data/reports/date_report_{昵称}_{日期}.md。
💡 如果用户之前用月老扫过同一个人，数据已经在 clawcap-data/{昵称}/ 里了，直接复用。
3. 画像分析（⚠️ 核心步骤）
分析框架
从公开数据中提取以下维度：
A. 🧠 基础画像
昵称/签名/简介 → 自我定位
IP属地 → 所在城市
关注数/粉丝数/获赞数 → 社交活跃度
发帖频率 → 内容创作习惯
B. 🎯 兴趣图谱
统计发帖/标签的主题分布，聚类出 TOP 5 兴趣：
TA 的发帖内容中：
美食/探店：34%
旅行：22%
健身/运动：18%
职场/成长：15%
其他：11%
→ 💡 TA 是一个爱吃、爱玩、有运动习惯的人
约会建议：选一家有特色的餐厅，TA 大概率会喜欢
C. 🔮 三观推测
从原创内容（非转发）中提取价值倾向：
分析 TA 的原创帖子中反复出现的主题/观点：
- 多次提到"独立""自由""不将就" → 可能比较有主见
- 转发了多条关于XX的内容 → 关注这个议题
- 豆瓣评分偏高/偏低 → 审美标准严格/宽容
⚠️ 注意：这是基于公开发帖的推测，不是性格测试结果。
人们在社交媒体上展示的不一定是真实的自己。
D. 🚩🟢 加分项和注意事项
绿旗（加分项）：
- 有稳定的兴趣爱好（持续发某类内容超过1年）
- 原创内容多，不只是转发
- 豆瓣评分有自己的标准（不全是5星或1星）
- 发帖频率稳定（情绪稳定的侧面体现）
- 评论区跟粉丝互动友善
注意事项——措辞要客观，不下结论：
- 所有内容都是转发/抽奖，没有原创 → "TA 可能不太在社交媒体上表达自己"
- 频繁删帖或内容时间线不连续 → "TA 可能会定期清理社交痕迹"
- 关注列表中某类账号占比异常高 → 如实呈现，不加评判
- 突然停更很久又突然恢复 → "TA 的社交媒体使用有间歇性"
⚠️ 注意事项不是定罪——只是"你可能想了解更多"的信号。每条都标注"可能的解释"，避免武断。
E. 💡 约会话题建议
基于兴趣图谱，推荐 5 个约会可聊的话题：
基于 TA 的内容分析，推荐话题：
1. 🍜 美食探店 — TA 发了12条探店笔记，最近去了XX餐厅
2. ✈️ 旅行 — TA 去年去了3个地方，对日本文化特别感兴趣
3. 📚 最近在读什么 — TA 豆瓣标记了一本新书
4. 🏃 运动 — TA 提到了跑步/瑜伽
5. 🎬 最近看了什么 — TA 给XX电影打了5星
❌ 避开的话题：
- {TA 从未提及的领域，聊了可能冷场}
F. 📊 社交风格画像
内容创作者 vs 消费者：TA 原创多还是转发多？
表达风格：长文分析型 vs 图片视觉型 vs 短句日常型
活跃时段：早鸟还是夜猫子？
社交圈层推测：从关注列表和互动对象推测
分析规则
- 只基于公开数据：每个结论都标注数据来源
- 推测标注为推测：不说"TA 是XX的人"，说"基于公开内容推测，TA 可能…"
- 注意事项给出多种解释：不武断下结论
- 不涉及敏感推测：不推测性取向、经济状况、健康状况、家庭关系
- 实用导向：每个分析维度都服务于"约会前该知道什么"
4. 生成约会准备报告
简报结构
# 🔍💘 相亲约会准备报告
> 分析对象：{昵称}（{平台列表}）
> 生成日期：{日期}
> ⚠️ 基于公开社交数据的 AI 推测，不代表真实性格。请以真实接触为准。
---
## 📋 基础信息
| 维度 | 信息 |
|------|------|
| 昵称 | {昵称} |
| 签名 | {签名} |
| 所在地 | {IP属地/城市} |
| 社交活跃度 | {高/中/低}（基于发帖频率） |
| 内容风格 | {原创为主/转发为主/图片型/文字型} |
---
## 🎯 兴趣图谱
{TOP 5 兴趣 + 占比 + 具体例子}
---
## 🧠 三观推测
{基于内容分析的价值观倾向。每条标注"推测"和数据来源。}
---
## ⚠️ 注意事项 & ✅ 加分项
### ✅ 加分项
{列出 2-4 个绿旗，附具体证据}
### ⚠️ 注意事项（注意项）
{列出 0-3 个注意事项，附可能的解释。没有就写"未发现需要特别注意的地方"}
---
## 💡 约会攻略
### 推荐话题
{5 个基于 TA 兴趣的话题建议}
### 避开的话题
{TA 从未提及或可能敏感的领域}
### 餐厅/活动建议
{基于 TA 的兴趣推荐约会形式}
---
## 📊 社交风格
{内容型/消费型、活跃时段、表达风格、圈层推测}
---
## ⚠️ 重要提醒
> 这份简报基于 TA 的**公开社交内容**生成，存在以下局限：
> 1. 社交媒体人设 ≠ 真实性格。TA 展示的是 TA 想让别人看到的
> 2. 推测基于有限数据，置信度有限
> 3. 不要凭这份报告"定义"一个人——用它作为**了解的起点**，不是结论
> 4. 真正了解一个人，还是要面对面交流
祝约会顺利 💘
简报质量自检
5. 呈现 & 使用建议
🔍💘 TA 的相亲约会准备报告出来了！
{完整简报}
---
💡 使用建议：
- 这份简报帮你带着"课题"去约会，而不是盲目赴约
- 约会时不要说"我看了你的微博"——自然地引入话题就好
- 如果约会后感觉不错，可以用 REAL 人格测试看看自己是什么类型 🔍
想分析另一个人？发给我新的链接就行。
目录结构
dating/
├── SKILL.md ← 本文件
├── README.md
├── scripts/
│ └── check_manobrowser.sh
├── examples/
│ └── xiaokai_date_report.md ← 示例报告
├── xiaohongshu-deep-profile-collect/ ← 小红书采集
│ └── SKILL.md
├── douyin-deep-profile-collect/ ← 抖音采集
│ └── SKILL.md
├── weibo-deep-profile-collect/ ← 微博采集
│ └── SKILL.md
├── douban-deep-profile-collect/ ← 豆瓣采集
│ └── SKILL.md
├── bilibili-deep-profile-collect/ ← B站采集
│ └── SKILL.md
└── docs/img/
└── feishu_qr.png
子模块说明
4 个平台的采集子模块已内置，经过实际测试验证。Dating只执行子模块中采集公开内容的步骤，跳过需要登录对方账号才能看到的收藏/点赞部分。
5 个平台的采集子模块已内置，经过实际测试验证。Dating只执行子模块中采集公开内容的步骤，跳过需要登录对方账号才能看到的收藏/点赞/喜欢部分。
隐私与伦理说明
- 只分析公开信息：TA 自己选择展示给全世界的内容
- 不登录对方账号：不需要也不会尝试登录 TA 的账号
- 不关注对方：采集过程中不会对 TA 的账号产生任何交互
- 简报存本地：不上传任何服务器，用户自己保管
- 不做隐私推测：不推测性取向、经济状况、健康状况、家庭关系
- 注意事项给出多种解释：不武断下结论，避免对人的误判
- 标注局限性：每份简报都提醒"社交媒体人设 ≠ 真实性格"
伦理边界
本工具的定位是帮你更仔细地阅读对方公开展示的信息——本质上和你自己翻 TA 主页一样，只是更系统、更高效。
❌ 不是：背景调查、人肉搜索、隐私窥探
✅ 是：带着数据意识去赴约，减少信息不对称
版本信息
- 当前版本：1.0.0
- 创建日期：2026-04-05
- 依赖：ManoBrowser（浏览器自动化，首次使用自动从 GitHub 下载）
