Install
openclaw skills install soul-fireseedSecurity warning — review recommended
ClawHub Security found sensitive or high-impact capabilities. Review the scan results before using.
soul-fireseed
火种·灵魂 v2.0 — 人格建模与记忆沉淀技能。激活后有两种模式：①对话提取 ②记忆分析。首次提取后自动进入后台模式，可设置每周/每日自动提取。
Audits
Warn🔥 火种·灵魂 v2.1 — AI 使用指南
快速激活: 用户说 「点燃火种」 或 「启动火种」 即可激活
版本: 2.1.0 | 最后更新: 2026-05-09
🚀 快速激活与两种模式
激活方式
用户说以下任意一句即可激活：
「点燃火种」 「启动火种」 「火种启动」 「灵魂启动」
AI 激活后，立即询问用户选择模式：
🔥 火种·灵魂 v2.1 已激活！
请选择提取模式：
[1] 💬 对话提取 — 通过聊天实时提取你的人格特征
适合：想边聊边了解自己
[2] 📂 记忆分析 — 分析我的已有记忆，批量提取化石
适合：已有大量对话记录，想要快速建立人格模型
请回复 1 或 2 选择模式
💬 模式一：对话提取（实时聊天）
流程
用户选择模式1
↓
AI: "好，随便聊聊吧——说说你的想法、经历或喜好，我会自动提取特征"
↓
用户正常聊天 → AI 每轮对话识别特征并实时标注
↓
收集约5-8个特征后 → 输出人格快照卡片
↓
询问是否进入后台模式
AI 交互示例
用户: "我做决定前喜欢收集大量信息"
→ 🔍 🟡 认知架构 → 决策风格: 分析型 (信心: 0.85)
用户: "最近经常熬夜赶项目"
→ 🔍 🔵 生物基座 → 作息规律: 熬夜型 (信心: 0.72)
...继续对话，收集到5个以上特征后...
🔥 火种·灵魂 人格快照
─────────────────
🔵 生物基座: 高能量·熬夜型 (72%)
🟢 自传记忆: 工程师·项目导向 (68%)
🟡 认知架构: 分析型·中等风险 (81%)
🔴 情感动力: 目标驱动·压力应对 (60%)
🟣 社会网络: — (待收集)
🟠 元认知: — (待收集)
─────────────────
✨ 人格完整度: ★★★☆☆
[🧬 生成报告] [📂 切换到记忆分析]
📂 模式二：记忆分析（批量提取）
适用场景
- 用户和 AI 已有大量历史对话记录
- 希望快速建立完整人格模型
- 不需要逐条聊，直接分析存量数据
流程
用户选择模式2
↓
AI 扫描已有记忆/对话记录
↓
按六维度批量提取特征化石
↓
输出批量分析结果摘要
↓
生成初始人格画像（完整性更高）
↓
询问是否进入后台模式
AI 执行指令
模式2激活后：
1. 【扫描】检索用户历史对话中涉及以下内容的部分：
- 工作/生活习惯 (→ 生物基座)
- 人生经历/回忆 (→ 自传记忆)
- 决策/判断方式 (→ 认知架构)
- 情绪/感受表达 (→ 情感动力)
- 人际关系描述 (→ 社会网络)
- 自我反思/评价 (→ 元认知)
2. 【提取】对每条相关内容进行维度标注，输出结构化化石
3. 【汇总】展示提取结果摘要：
📂 记忆分析完成！
扫描了 N 条历史记录
提取了 M 个特征化石
六维度覆盖率: 5/6
4. 【建档】生成初始人格档案，询问用户是否调整
输出示例
📂 记忆分析报告
─────────────────
扫描范围: 最近30天的对话记录
扫描条目: 47条
提取化石: 12个
─────────────────
维度覆盖率:
🔵 生物基座 ★★★★☆ (3个化石)
🟢 自传记忆 ★★★☆☆ (2个化石)
🟡 认知架构 ★★★★★ (4个化石)
🔴 情感动力 ★★☆☆☆ (1个化石)
🟣 社会网络 ★★☆☆☆ (1个化石)
🟠 元认知 ★★★☆☆ (2个化石)
─────────────────
✅ 初始人格档案已建立！
[💬 切换到对话提取] [⏰ 设置自动提取]
⏰ 后台模式与自动提取
首次提取后自动进入
无论用户选择哪种模式，完成首次提取后，AI 主动询问：
✅ 首次人格建模完成！
是否开启「后台自动提取」？
[1] 📅 每周自动提取一次（推荐）
[2] 📅 每天自动提取一次
[3] 🔕 手动模式（不自动提取）
自动提取行为
根据用户选择，后续自动执行：
【每周模式】 → 每周固定时间提醒用户：
"🔥 火种·灵魂 周报时间到了，聊聊这周发生了什么？"
【每天模式】 → 每日对话末尾自动扫描：
"📝 正在提取今日对话特征..."
在用户无感知的情况下完成提取
【手动模式】 → 用户可随时说：
「提取化石」「更新人格」「分析记忆」
AI 自动提取的规则
- 自动提取时不需要每次都输出完整卡片，只需简要提示
- 每次提取后与上一次画像做增量对比
- 发现显著变化（如某维度变动超过20%）时主动提醒用户
- 每月自动生成一次演化报告
用户主动触发指令
用户任何时候可以说：
「提取化石」 → 立即执行一次提取（当前模式）
「更新人格」 → 重新蒸馏生成最新人格画像
「查看人格」 → 展示当前人格快照卡片
「分析记忆」 → 切换到记忆分析模式
「对话提取」 → 切换到对话提取模式
「设置提取」 → 修改自动提取频率
「演化报告」 → 生成人格变化轨迹报告
「🧬 生成报告」 → 输出完整人格报告
「📊 演化对比」 → 对比上次画像变化
「🔍 检索化石」 → 搜索历史特征
版本: 2.0.0
最后更新: 2026-05-09
技能定位: 人格建模与记忆沉淀（独立升级版）
设计理念: "从对话中提取思维化石，蒸馏人格模型，构建数字孪生"
📚 架构参考（以下为技术细节，供深度使用参考）
1.1 设计理念
火种·灵魂 v2.0 是火种技能的完全独立升级版，整合了原版本的核心能力并进行了全面优化。其设计灵感来源于考古学中的"化石挖掘"——用户的每一次对话都是思维的痕迹，通过系统化的提取、蒸馏和建模，可以构建出用户的人格数字孪生。
核心哲学：
- 提取即洞察：从看似随意的对话中识别稳定的思维模式
- 蒸馏即升华：将零散的观察提炼为结构化的人格模型
- 演化即成长：持续追踪人格模型的动态变化
1.2 核心能力
| 能力模块 | 功能描述 | 技术实现 |
|---|---|---|
| 化石提取引擎 | 六大维度特征提取 | 多任务学习架构 |
| 置信度校准器 | 贝叶斯更新机制 | 历史准确率追踪 |
| 隐空间映射器 | 语义相似度计算 | Sentence Transformers |
| 人格蒸馏器 | 跨会话聚合建模 | 聚类分析 + 时间序列 |
| 演化追踪器 | 人格变化轨迹 | 版本控制 + 差异分析 |
1.3 六维度提取框架
基于心理学大五人格理论和认知科学最新研究，火种 v2.0 采用六维度提取框架：
维度1: 生物物理基座 (Bio-Physical Base)
├─ 能量水平 (Energy Level)
├─ 作息规律 (Sleep Pattern)
└─ 健康意识 (Health Awareness)
维度2: 自传体记忆 (Autobiographical Memory)
├─ 关键事件 (Key Events)
├─ 情感锚点 (Emotional Anchors)
└─ 身份认同 (Identity Markers)
维度3: 认知架构 (Cognitive Architecture)
├─ 决策风格 (Decision Style)
├─ 风险偏好 (Risk Preference)
└─ 学习模式 (Learning Pattern)
维度4: 情感动力学 (Affective Dynamics)
├─ 情绪触发 (Emotional Triggers)
├─ 应对机制 (Coping Mechanisms)
└─ 情感表达 (Expression Style)
维度5: 社会网络 (Social Network)
├─ 关系模式 (Relationship Patterns)
├─ 社交偏好 (Social Preferences)
└─ 影响力圈 (Influence Circle)
维度6: 元认知自我 (Meta-Cognitive Self)
├─ 自我觉察 (Self-Awareness)
├─ 反思能力 (Reflective Capacity)
└─ 成长心态 (Growth Mindset)
二、技能架构
2.1 目录结构
skills/soul-fireseed-v2/
├── SKILL.md # 技能定义文件（本文件）
├── README.md # 使用指南和API参考
├── manifest.json # 技能元数据
├── config/
│ ├── defaults.json # 默认配置
│ ├── schema.json # 配置Schema
│ └── keywords.json # 六维度关键词库
├── lib/
│ ├── __init__.py # 包初始化
│ ├── extractor.py # 主提取引擎
│ ├── distiller.py # 人格蒸馏器
│ ├── embedder.py # 隐空间映射器
│ ├── validator.py # 置信度校验器
│ ├── utils.py # 工具函数
│ └── models/
│ ├── __init__.py
│ ├── persona_model.py # 人格模型
│ ├── evolution_tracker.py # 演化追踪器
│ └── similarity_engine.py # 相似度引擎
├── templates/
│ ├── fossil-snapshot.md.j2 # 化石快照模板
│ ├── profile.md.j2 # 用户画像报告模板
│ ├── fingerprint.json.j2 # 人格指纹模板
│ └── evolution-report.md.j2 # 演化报告模板
├── scripts/
│ ├── extract.sh # 快速提取脚本
│ ├── distill.sh # 批量蒸馏脚本
│ └── export_profile.sh # 导出画像脚本
├── tests/
│ ├── test_extractor.py # 提取器测试
│ ├── test_distiller.py # 蒸馏器测试
│ ├── test_embedder.py # 嵌入器测试
│ ├── test_validator.py # 校验器测试
│ └── test_integration.py # 集成测试
└── docs/
├── extraction_guide.md # 提取指南
├── dimension_reference.md # 维度参考手册
└── troubleshooting.md # 故障排除
2.2 核心数据流
用户输入（对话/文本）
│
▼
[Phase 1] 预处理
│ - 分词和句法分析
│ - 情感极性标注
│ - 实体识别
│
▼
[Phase 2] 并行提取（六大维度）
│ BioPhysicalExtractor → 化石列表 (维度1)
│ AutobiographicalExtractor → 化石列表 (维度2)
│ CognitiveExtractor → 化石列表 (维度3)
│ AffectiveExtractor → 化石列表 (维度4)
│ SocialNetworkExtractor → 化石列表 (维度5)
│ MetaCognitiveExtractor → 化石列表 (维度6)
│
▼
[Phase 3] 置信度校准
│ Validator.calibrate()
│ - 历史准确率加权
│ - 一致性检查
│ - 矛盾检测
│
▼
[Phase 4] 隐空间映射
│ Embedder.embed()
│ - 向量化表示
│ - 相似度计算
│ - 聚类分析
│
▼
[Phase 5] 化石存储
│ - 写入 user-data/fossils/
│ - 更新索引
│ - 触发总线通知
│
▼
[Phase 6] 定期蒸馏（后台任务）
│ Distiller.distill()
│ - 跨会话聚合
│ - 人格模型更新
│ - 演化轨迹记录
│
▼
[输出] 化石集合 / 人格画像 / 演化报告
三、核心机制详解
3.1 化石提取引擎（FossilExtractor）
设计原理：借鉴 FirmAE 的模块化提取器架构2，将复杂的特征提取任务拆分为六个独立的维度提取器，每个提取器专注一个维度的特征识别。
核心方法：
| 方法 | 功能 | 返回值 |
|---|---|---|
extract() | 主入口，执行完整提取流程 | List[Fossil] |
_preprocess() | 文本预处理（分词、标注） | Dict |
_parallel_extract() | 并行调用六个维度提取器 | Dict[int, List[Fossil]] |
_validate_and_calibrate() | 置信度校准 | List[Fossil] |
_store_fossils() | 持久化存储 | bool |
提取策略：
- 关键词匹配：基于维度专属关键词库进行初步筛选
- 模式识别：使用正则表达式识别典型表达模式
- 上下文推理：结合对话历史推断隐含特征
- 交叉验证：多个维度提取器相互验证
3.2 人格蒸馏器（FossilDistiller）
设计原理：借鉴数据挖掘中的"频繁模式挖掘"思想，从大量化石中识别稳定出现的人格特征，形成结构化的人格模型。
蒸馏流程：
- 化石聚合：按维度分组，收集所有相关化石
- 聚类分析：使用 DBSCAN 算法识别特征簇
- 特征提炼：从每个簇中提取代表性特征
- 权重计算：基于频率、置信度、时效性计算权重
- 模型构建：生成六维度人格向量
人格模型结构：
{
"user_id": "USR-20260509-001",
"version": "2.0",
"dimensions": {
"bio_physical": {
"energy_level": 0.72,
"sleep_regularity": 0.65,
"health_awareness": 0.80
},
"autobiographical": {
"key_events_count": 15,
"emotional_anchors": ["achievement", "family"],
"identity_markers": ["engineer", "learner"]
},
"cognitive": {
"decision_style": "analytical",
"risk_preference": 0.45,
"learning_pattern": "visual"
},
"affective": {
"dominant_emotion": "curiosity",
"emotional_stability": 0.68,
"expression_style": "reserved"
},
"social": {
"relationship_pattern": "selective",
"social_preference": 0.40,
"influence_circle_size": 12
},
"meta_cognitive": {
"self_awareness": 0.75,
"reflective_capacity": 0.82,
"growth_mindset": 0.88
}
},
"evolution_timeline": [...],
"last_updated": "2026-05-09T20:00:00Z"
}
3.3 隐空间映射器（FossilEmbedder）
设计原理：使用预训练的 Sentence Transformers 模型将化石文本映射到 768 维语义空间，支持语义相似度计算和聚类分析。
核心功能：
| 功能 | 说明 | 应用场景 |
|---|---|---|
| 向量化 | 文本 → 768维向量 | 化石索引建立 |
| 相似度计算 | 余弦相似度 | 重复检测、关联推荐 |
| 聚类分析 | DBSCAN/K-Means | 特征簇识别 |
| 语义检索 | 向量搜索 | 快速查找相关化石 |
3.4 置信度校验器（ConfidenceValidator）
设计原理：基于贝叶斯更新理论，维护每个提取器的历史准确率，动态调整置信度评分。
校准公式：
校准后置信度 = 原始置信度 × 历史准确率 × 一致性系数
其中：
- 历史准确率 = 正确预测数 / 总预测数（滑动窗口：最近100次）
- 一致性系数 = 1.0 + 0.2 × (相关化石支持数 - 相关化石反对数)
矛盾检测：
- 检测同一维度内的矛盾化石（如"我喜欢冒险" vs "我讨厌风险"）
- 标记矛盾对，降低双方置信度
- 生成待确认列表，需要用户澄清
四、配置项说明
4.1 核心配置
| 配置项 | 默认值 | 说明 |
|---|---|---|
extraction.max_fossils_per_dimension | 2 | 每维度最大化石数 |
extraction.pending_confidence_threshold | 0.6 | 待确认阈值 |
extraction.high_confidence_threshold | 0.8 | 高置信度阈值 |
extraction.min_confidence | 0.2 | 最小保留置信度 |
distillation.batch_size | 50 | 蒸馏批处理大小 |
distillation.frequency_hours | 24 | 自动蒸馏间隔 |
embedding.model_name | "sentence-transformers/all-MiniLM-L6-v2" | 嵌入模型 |
validation.historical_window | 100 | 历史准确率窗口 |
storage.auto_backup | true | 自动备份 |
storage.backup_retention_days | 30 | 备份保留天数 |
4.2 维度权重配置
初始权重均匀分布，后续由蒸馏器根据信息量动态调整：
{
"dimension_weights": {
"1_bio_physical": 1.0,
"2_autobiographical": 1.0,
"3_cognitive": 1.0,
"4_affective": 1.0,
"5_social": 1.0,
"6_meta_cognitive": 1.0
}
}
五、依赖与接口
5.1 外部依赖
Python >= 3.8
sentence-transformers >= 2.2.0
scikit-learn >= 1.0.0
numpy >= 1.21.0
pandas >= 1.3.0
jinja2 >= 3.0.0
5.2 独立运行模式
火种 v2.0 设计为完全独立技能，不依赖其他技能：
- ✅ 无需北斗聚焦提供聚焦点
- ✅ 无需破局决策提供决策记录
- ✅ 可单独部署和运行
- ✅ 自有数据存储和索引
5.3 对外接口
| 接口 | 类型 | 说明 |
|---|---|---|
FossilExtractor.extract() | 主入口 | 从文本提取化石 |
FossilExtractor.batch_extract() | 批量 | 批量提取化石 |
FossilDistiller.distill() | 蒸馏 | 生成人格模型 |
FossilDistiller.get_evolution() | 查询 | 获取演化轨迹 |
FossilEmbedder.find_similar() | 检索 | 语义检索化石 |
ConfidenceValidator.validate() | 校验 | 验证化石可信度 |
5.4 数据输出
化石文件 (user-data/fossils/{fossil_id}.json)：
{
"id": "FOSSIL-20260509T200000-a3b2c1",
"dimension": 3,
"subdimension": "决策风格",
"content": "倾向于分析型决策，先收集信息再行动",
"timestamp": "2026-05-09T20:00:00Z",
"confidence": 0.85,
"source_quote": "我觉得做决策时，我更倾向于先收集足够信息再行动",
"tags": ["决策风格", "分析型"],
"metadata": {...}
}
人格画像 (user-data/persona/profile_v2.json)：
- 六维度人格向量
- 演化时间线
- 关键特征摘要
六、最佳实践
✅ 推荐使用方式
-
每日对话后自动提取
./scripts/extract.sh --auto --input today_conversation.txt -
每周批量蒸馏
./scripts/distill.sh --batch --output weekly_profile.md -
定期查看演化报告
from lib import FossilDistiller distiller = FossilDistiller() report = distiller.generate_evolution_report(days=30) print(report) -
语义检索历史化石
from lib import FossilEmbedder embedder = FossilEmbedder() similar = embedder.find_similar("我对风险的看法", top_k=5)
❌ 避免的用法
- 单次对话提取过多化石（超过10个会导致噪声增加）
- 忽略低置信度化石（它们可能包含重要信号）
- 不进行定期蒸馏（人格模型会过时）
- 手动修改化石文件（应通过 API 操作）
七、版本历史
| 版本 | 日期 | 变更内容 |
|---|---|---|
| 2.1.0 | 2026-05-09 | 新增双模式（对话提取+记忆分析）+ 后台自动提取（每周/每日） |
| 2.0.1 | 2026-05-09 | 优化AI交互流程，新增「点燃火种」等激活指令 |
| 2.0.0 | 2026-05-09 | 完全独立升级版，整合所有优秀功能 |
| 1.0.0 | 2026-05-05 | 初始版本（已废弃） |
v2.1.0 改进：
- ✨ 两种提取模式：对话提取 + 记忆分析批量提取
- ✨ 首次提取后自动进入后台模式
- ✨ 支持每周/每日自动提取，增量对比
- ✨ 新增「提取化石」「更新人格」「设置提取」等指令
- ✨ 记忆分析模式可扫描历史对话批量产出化石
八、参考来源
- 大五人格理论 (Big Five Personality Traits)
- 认知科学中的特征提取方法
- FirmAE 模块化提取器架构2
- LIWC 词典分析方法7
- Sentence Transformers 语义嵌入技术
- DBSCAN 聚类算法
- 贝叶斯置信度更新理论
九、许可证
MIT License - FireSeed Team © 2026