Chat Toolkit Free

基于显式用户反馈学习并自动适配沟通语气、格式与风格的轻量工具，支持偏好确认、管理与本地存储。

沟通偏好工具箱(免费版)

一个基于显式反馈机制学习用户沟通偏好的轻量工具，让Agent在与用户长期协作过程中，自然适配其偏好的语气、格式与表达风格。

概述

本工具通过本地Markdown文件存储用户确认的偏好，遵循"显式反馈驱动"原则——只从用户明确表达的偏好中学习，绝不在用户沉默时猜测。设计目标：

• 透明可控：所有偏好存储在本地文件，用户可随时查看与撤销
• 三段式确认：实验-确认-采纳，避免误判固化为长期偏好
• 紧凑存储：单条偏好一行，便于审查、迁移与版本管理
• 冲突可解：当偏好出现矛盾时，最新显式声明优先

核心能力

能力	描述	实现机制
偏好学习	从用户显式反馈中提取沟通偏好	反馈识别+模式抽取
三段式确认	实验-确认-采纳，防止误固化	experiments.md→memory.md流转
冲突解决	矛盾偏好以最新显式声明为准	时间戳排序+显式覆盖
透明引用	应用偏好时标注来源，便于追溯	"使用项目符号（来自偏好库）"
偏好撤销	用户可随时删除或修改已采纳偏好	"忘记X"指令一键清除
拒绝记忆	用户明确否决的偏好不再重复建议	rejected.md黑名单

核心功能执行

用input_params参数进行配置。

输入: 用户提供核心功能执行所需的指令和必要参数。 处理: 解析核心功能执行的输入参数,完成核心逻辑,返回结构化响应。 输出: 返回核心功能执行的响应数据,包含状态码、结果和日志。

• 执行此能力时使用input_params参数,支持创建/查询/导出操作

参数配置与调用

用config_options参数进行配置。

输入: 用户提供参数配置与调用所需的指令和必要参数。 处理: 解析参数配置与调用的输入参数,完成核心逻辑,返回结构化响应。 输出: 返回参数配置与调用的响应数据,包含状态码、结果和日志。

• 执行此能力时使用config_options参数,支持修改/重置/导入操作

结果处理与输出

用output_format参数进行配置。

输入: 用户提供结果处理与输出所需的指令和必要参数。 处理: 解析结果处理与输出的输入参数,完成核心逻辑,返回结构化响应。 输出: 返回结果处理与输出的响应数据,包含状态码、结果和日志。

• 执行此能力时使用output_format参数,支持导出/保存/转换操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：基于显式反馈学习、自动适配语气、格式与风格的轻量、通过显式用户反馈、学习沟通偏好的轻、量工具、格式与表达风格、将个人化沟通模式、沉淀为可复用资产、核心能力等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持。

使用场景

场景1：开发者偏好简洁技术化回应（开发者角色）

长期与Agent协作的工程师明确表达："我喜欢简洁的回应，不要客套话，技术术语可以直接使用"。

Agent记录到memory.md：

text

- 简洁回应，去除客套话
- 技术术语可直接使用
- 偏好项目符号而非段落

场景2：运营同学偏好使用表情符号（运营角色）

运营同学反馈："涉及到产品发布时用🚀，任务完成用✅"。

Agent记录到memory.md：

text

- 涉及发布用🚀
- 任务完成用✅

场景3：内容创作者偏好特定开场白（创作者角色）

内容创作者反馈："不要用'好问题'这种开场白，直接进入正题"。

Agent记录到memory.md：

text

- 禁用"好问题"类开场白
- 直接进入正题

不适用场景

以下场景沟通偏好工具箱(免费版)不适合处理：

• 3D建模和动画制作
• 照片级写实渲染
• 手绘原创插画

触发条件

需要设计创作、UI设计、海报制作、品牌视觉时使用。不适用于非本工具能力范围的需求。

使用流程

Step 1：初始化偏好目录

首次使用时，Agent会自动创建偏好存储目录：

bash

mkdir -p ~/chat-toolkit

Step 2：表达第一条偏好

直接对Agent说：

"我喜欢用项目符号而非段落，技术术语可以直接用"

Agent将此偏好暂存至experiments.md，等待后续确认。

Step 3：查看当前已确认偏好

bash

cat ~/chat-toolkit/memory.md

输出示例：

text

# 已确认偏好（用户审核通过）
- 偏好项目符号而非段落
- 技术术语可直接使用
- 简洁回应，去除客套话

数据存储

text

~/chat-toolkit/
├── memory.md       # 已确认偏好（≤50行，保持精简）
├── experiments.md  # 实验中偏好（尚未达到3次触发阈值）
└── rejected.md     # 用户拒绝的偏好（不再重复建议）

首次使用：执行mkdir -p ~/chat-toolkit创建目录。

示例

偏好维度参考

维度	示例偏好
回应长度	简洁/详细/极简
格式偏好	项目符号/段落/表格
语气风格	正式/轻松/技术化
表情符号	使用/不使用/特定场景使用
术语处理	解释/直接使用/标注英文
开场白	直接进入正题/简短问候/无问候
结束语	无/简短/详细总结

拒绝列表示例

text

# rejected.md（用户明确否决的偏好）
- 不要用"让我来帮你"开场
- 不要在回应末尾问"还有什么我可以帮忙的吗"
- 不要在技术回应中加表情符号

最佳实践

1. 偏好精简：memory.md保持在50行以内，过多会降低应用准确性
2. 定期审查：每月审查一次偏好列表，移除过时偏好
3. 避免重叠：相似偏好合并为一条，减少冲突
4. 场景化标注：复杂偏好可标注适用场景，如"技术讨论时偏好简洁"
5. 拒绝列表维护：rejected.md同样重要，避免重复建议已被否决的偏好
6. 备份偏好：memory.md可纳入版本控制，便于多设备同步

常见问题

Q1：为什么Agent不主动观察我的行为来学习偏好？

A：本工具遵循"显式反馈优先"原则，沉默和观察容易被误判。只有用户明确表达的偏好才被采纳，避免错误固化。

Q2：偏好达到3次后会自动采纳吗？

A：不会自动采纳，达到3次后会询问用户是否确认。用户同意后才移至memory.md，否则移至rejected.md。

Q3：memory.md超过50行怎么办？

A：建议审查并合并相似偏好，或将低优先级偏好移至experiments.md重新评估。

Q4：偏好之间冲突时如何处理？

A：最新显式声明优先。Agent会在应用前主动询问，确保采用正确版本。

Q5：能否在多个设备间同步偏好？

A：memory.md是普通Markdown文件，可通过Git或云盘同步。

依赖说明

运行环境

• Agent平台：支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统：Windows / macOS / Linux
• 存储：本地文件系统（~目录）

依赖详情

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent平台内置LLM提供
Markdown编辑器	工具	可选	VS Code / Obsidian等任意编辑器

API Key 配置

• 本Skill基于本地Markdown文件存储，无需任何API Key
• 偏好数据完全在用户本地，不涉及云端调用

可用性分类

• 分类：MD（纯Markdown指令驱动，无需exec命令行能力）
• 说明：基于Markdown的AI Skill，通过自然语言指令驱动Agent管理本地偏好文件

已知限制

本免费体验版聚焦个人偏好学习场景，限制以下高级能力：

• ❌ 多用户偏好共享与团队基线管理
• ❌ 偏好版本历史与回滚机制
• ❌ 跨设备实时同步（需手动同步文件）
• ❌ 偏好分析与可视化报告
• ❌ 场景化偏好自动切换（如工作/生活分场景）
• ❌ 偏好导入导出与跨Agent迁移

解锁全部高级能力请使用专业版：chat-toolkit-pro

• 当前为免费版本,如需完整功能请升级到付费版获取全部能力

错误处理

错误场景	原因	处理方式
配置错误	参数缺失或格式错误	检查依赖说明中的配置要求
运行时错误	运行环境不满足	确认运行环境符合依赖说明
网络错误	连接超时或不可达	执行ping命令测试网络连通性,检查防火墙和代理设置连接后执行ping命令测试网络连通性,检查防火墙和代理设置连接后重新执行命令，参考国内替代方案