ProClaw HumanOS Ultimate（专业人物技能分析与构建）

ProClaw人类操作系统终极版：从需求诊断到人格演化的全链路HumanOS构建与分析系统；当用户需要构建顶级HumanOS、深度分析人格、追踪演化或整合矛盾时使用

Security Scan

The skill's files and runtime instructions broadly match its stated purpose (building and analyzing 'HumanOS' personas), but it comes from an unknown source, includes a network research mode without specifying endpoints, and generates new Skill files — all of which warrant caution and code review before use.

Purpose & Capability

The name/description (constructing and analyzing HumanOS/personas) aligns with the included scripts (diagnostic, research orchestration, modelers, validators, OS builder, evolution tracker, NN sim). Declared Python libraries (requests, beautifulsoup4, numpy) are plausible for web research and data processing. Minor note: SKILL.md declares web-scraping dependencies but the skill metadata lists no required env vars; that is acceptable but means network access is an implicit capability the user should expect.

Instruction Scope

Runtime instructions direct the agent to run many local scripts and explicitly document a 'network' mode for research_orchestrator.py. The SKILL.md does not list which external endpoints will be contacted when network mode is used. Several scripts read and write local files (research outputs and generated SKILL.md). The os_builder produces a runnable Skill file — generating code/artifacts at runtime increases the attack surface and requires the user to inspect outputs before further execution.

Install Mechanism

No install specification is provided; this is an instruction-only skill that relies on local Python scripts and standard packages. That lowers risk compared to download-and-extract installs. The dependency list (requests, beautifulsoup4, numpy) is reasonable for the stated tasks.

Credentials

No environment variables, credentials, or config-path requirements are declared. The skill does not request secrets in metadata. This is proportionate for the described functionality.

Persistence & Privilege

The skill is not marked 'always:true' and uses normal autonomous invocation settings. However, scripts (os_builder) generate new SKILL.md files and other artifacts on disk; that capability to create new skill files or code should be treated carefully because it can change the agent's effective behavior if generated artifacts are later executed or installed without review.

What to consider before installing

This package appears coherent with its stated goal of building and analyzing persona/"HumanOS" artifacts, but exercise caution before installing or running it: - Source and provenance: The skill's source/homepage are unknown; prefer code from trusted authors. Review the repository locally before running. - Network mode: research_orchestrator supports a 'network' mode and the SKILL.md lists requests/BeautifulSoup as dependencies. Inspect research_orchestrator.py to see which sites or APIs it queries; avoid running network mode until you confirm endpoints and that no sensitive inputs are sent externally. - Generated artifacts: os_builder creates a SKILL.md / 'runnable skill' from outputs. Treat generated skills and code as untrusted until reviewed — do not automatically load or execute generated skills in a production agent. - Data safety: The scripts read/write files under ./output/<target> and references/. Run them in an isolated sandbox or throwaway VM and avoid providing secrets, personal data, or system file paths as input. - Code review: Because many scripts are included, skim for unexpected network calls, subprocess.exec usage, or code that sends data externally. If you are not comfortable auditing Python code, ask a developer to review the specific files: research_orchestrator.py, os_builder.py, and any script that has 'network' or 'requests' usage. If you want, I can: - Summarize or audit the specific scripts that perform network access (search for 'requests', 'urllib', or external hostnames) and report any endpoints found. - Highlight any code that writes outside its output directory or invokes subprocesses/exec calls.

ProClaw HumanOS Ultimate

任务目标

• 本 Skill 用于: 从需求诊断到人格演化的全链路HumanOS构建与分析系统，整合女娲的深度调研、Create的四维验证、Ultimate的人格分析和演化追踪
• 能力包含: 需求诊断、6维调研、框架提炼、四维验证、HumanOS构建、质量验证、星座原型、7层人格建模、8维验证、路径映射、轴分析、神经网络模拟、演化追踪、矛盾挖掘
• 触发条件: 用户要求构建HumanOS、分析人格、预测演化、整合矛盾或从模糊需求推荐人物/主题时

作者信息

• 作者: ProClaw
• 网站: www.proclaw.top
• 联系方式: wechat:Mr-zifang

前置准备

• 依赖: Python 3, requests>=2.28.0, beautifulsoup4>=4.11.0, numpy>=1.21.0
• 输入: 用户需求（模糊或明确）或已有HumanOS数据

操作步骤

Phase 0: 需求诊断（模糊需求）- 脚本处理

当用户提供模糊需求时，执行需求诊断：

python scripts/demand_diagnostic.py --input "用户输入"

• 输出: 需求维度、候选推荐（2-3个人物/主题）
• 智能体任务: 解析诊断结果，展示候选，引导用户选择

如需澄清：

python scripts/demand_diagnostic.py --input "原始输入" --clarify "用户响应"

Phase 1: HumanOS构建流程

步骤1.1: 确定HumanOS类型 - 智能体处理

基于用户选择确定类型：

• HumanType（人物型）
• ThemeType（主题型）
• ScenarioType（场景型）
• MethodologyType（方法论型）

详见 references/type-system.md

步骤1.2: 6维并行调研 - 脚本处理

python scripts/research_orchestrator.py --os-type <type> --target <target> --output-dir ./output/<target> --mode network

• 输出: 6个维度的调研文件（01-writings.md到06-timeline.md）
• 智能体任务: 确认调研覆盖度，识别信息缺口

本地语料优先模式：

python scripts/research_orchestrator.py --os-type <type> --target <target> --output-dir ./output/<target> --mode local_priority

步骤1.3: 框架提炼 - 脚本处理

python scripts/framework_extractor.py --research-dir ./output/<target>/research --target <target> --output ./output/<target>/framework.json

• 输出: 心智模型（含四维验证）、决策启发式、表达DNA、价值观、工具箱、内在张力、诚实边界
• 智能体任务: 审查通过验证的心智模型，确认框架完整性

步骤1.4: HumanOS构建 - 脚本处理

python scripts/os_builder.py --framework ./output/<target>/framework.json --template-dir ./references/os-templates --os-type <type> --output ./output/<target>/SKILL.md

• 输出: 完整的HumanOS Skill文件（含Agentic Protocol）
• 智能体任务: 审查生成的Skill，确认格式正确、内容完整

步骤1.5: 质量验证 - 脚本处理

python scripts/quality_validator.py --skill-file ./output/<target>/SKILL.md --research-dir ./output/<target>/research

• 输出: 10项质量检查结果、总分、改进建议
• 智能体任务: 解析验证结果，如未通过（<75分），提供改进建议

通过标准：总分≥75分

Phase 2: 人格深度分析（基于已有HumanOS）

步骤2.1: 星座原型识别 - 脚本处理

python scripts/zodiac_engine.py --birthday YYYY-MM-DD

• 输出: 星座信息、原型数据、兼容性分析
• 智能体任务: 解释星座原型，说明对人格的影响

步骤2.2: 8维全息扫描 - 脚本处理

python scripts/holographic_scanner.py --profile profile.json --zodiac <sign>

• 输出: 8维度分数、特征、优势、盲区、矛盾模式
• 智能体任务: 分析扫描结果，识别主要模式和潜在问题

步骤2.3: 7层人格建模 - 脚本处理

python scripts/personality_modeler.py --prototype prototype.json --scan scan.json --personal personal.json

• 输出: 7层人格模型、层间交互、核心模式、整合画像
• 智能体任务: 解释层级结构，说明层间关系和整合策略

步骤2.4: 路径映射 - 脚本处理

python scripts/path_mapper.py --model personality_model.json

• 输出: 路径亲和度、主路径、路径进展、推荐旅程
• 智能体任务: 分析路径匹配，解释当前阶段和下一步行动

步骤2.5: 核心轴分析 - 脚本处理

python scripts/axis_analyzer.py --model personality_model.json --scan scan.json

• 输出: 轴位置、轴强度、轴平衡、轴间交互、轴原型
• 智能体任务: 分析轴特征，解释轴间关系和整合方案

步骤2.6: 矛盾深度挖掘 - 脚本处理

python scripts/paradox_miner.py --model personality_model.json --scan scan.json --axis axis_analysis.json

• 输出: 矛盾列表、矛盾深度、矛盾影响、整合方案、建议
• 智能体任务: 解释矛盾模式，提供整合建议和实践指导

Phase 3: 演化追踪与预测

步骤3.1: 演化追踪 - 脚本处理

python scripts/evolution_tracker.py --base-state base.json --new-state new.json --report

• 输出: 演化记录、阶段进展、指标趋势、建议、里程碑
• 智能体任务: 分析演化趋势，识别关键变化和优化方向

步骤3.2: 神经网络模拟 - 脚本处理

# 初始化网络
python scripts/neural_network_sim.py --model personality_model.json --mode init

# 模拟前向传播
python scripts/neural_network_sim.py --model personality_model.json --scan scan.json --mode simulate

# 预测演化
python scripts/neural_network_sim.py --model personality_model.json --mode predict

• 输出: 网络架构、模拟结果、演化预测、可视化数据
• 智能体任务: 解释网络结构，分析预测结果，提供实践建议

Phase 4: 综合整合 - 智能体处理

综合所有脚本输出结果，生成：

1. 完整的HumanOS Skill（Phase 1）
2. 深度人格分析报告（Phase 2）
3. 演化预测和优化建议（Phase 3）
4. 个性化行动方案

使用示例

示例1: 从模糊需求构建HumanOS

• 场景/输入: "我总觉得自己做决定太慢，想来想去最后还是选错"
• 预期产出:
  1. 需求诊断 → 推荐2-3个候选
  2. 用户选择 → 执行6维调研
  3. 框架提炼 → 生成思维框架
  4. HumanOS构建 → 生成可运行的Skill
  5. 质量验证 → 确保质量达标
• 关键要点:
  • 需求诊断识别出"决策"维度
  • 推荐芒格/卡尼曼/达利欧等候选
  • 执行完整的6维调研
  • 通过四维验证筛选心智模型
  • 质量验证确保总分≥75分

示例2: 深度人格分析和演化预测

• 场景/输入: 用户提供已有HumanOS + 生日信息，要求深度分析和演化预测
• 预期产出:
  1. 星座原型分析
  2. 8维全息扫描
  3. 7层人格建模
  4. 路径和轴分析
  5. 矛盾整合方案
  6. 3-5年演化预测
  7. 阶段性行动计划
• 关键要点:
  • 依次执行Phase 2和Phase 3所有步骤
  • 脚本输出需要智能体深度解读
  • 最终报告体现系统的整合性和深度
  • 提供可操作的实践建议

示例3: 矛盾整合专项

• 场景/输入: 用户感到内在矛盾，要求深度分析和整合
• 预期产出:
  1. 8维扫描识别矛盾模式
  2. 轴分析识别核心张力
  3. 矛盾深度挖掘（类型/深度/影响）
  4. 整合方案和实践指导
  5. 演化追踪监控整合进展
• 关键要点:
  • 重点执行矛盾相关步骤
  • 识别高影响力矛盾
  • 提供可操作的整合实践
  • 建立演化追踪机制

资源索引

构建脚本

• scripts/demand_diagnostic.py - 需求诊断系统(参数:input, clarify)
• scripts/research_orchestrator.py - 调研编排系统(参数:os-type, target, output-dir, mode)
• scripts/framework_extractor.py - 框架提取器(参数:research-dir, target, output)
• scripts/os_builder.py - HumanOS构建器(参数:framework, template-dir, os-type, output)
• scripts/quality_validator.py - 质量验证器(参数:skill-file, research-dir)
• scripts/source_analyzer.py - 源分析器(参数:sources-dir)

分析脚本

• scripts/zodiac_engine.py - 星座识别和原型加载(参数:birthday)
• scripts/holographic_scanner.py - 8维全息扫描(参数:profile, zodiac)
• scripts/personality_modeler.py - 7层人格建模(参数:prototype, scan, personal)
• scripts/path_mapper.py - 路径和节点映射(参数:model)
• scripts/axis_analyzer.py - 核心轴分析(参数:model, scan)
• scripts/paradox_miner.py - 矛盾深度挖掘(参数:model, scan, axis)
• scripts/evolution_tracker.py - 演化追踪(参数:base-state, new-state)
• scripts/neural_network_sim.py - 神经网络模拟(参数:model, scan, mode)
• scripts/ultimate_generator.py - 整合生成引擎(参数:所有参数可选)

参考文档

• references/type-system.md - 4种HumanOS类型
• references/validation-framework.md - 四维验证框架
• references/validation-8d.md - 8维验证方法论
• references/7-layer-model.md - 7层人格建模方法论
• references/path-system.md - 路径和节点系统
• references/axis-system.md - 核心轴系统
• references/neural-network.md - 神经网络模拟
• references/protocol-template.md - Agentic Protocol模板

模板文件

• references/os-templates/human-template.md - HumanType模板
• references/os-templates/theme-template.md - ThemeType模板
• references/os-templates/scenario-template.md - ScenarioType模板
• references/os-templates/methodology-template.md - MethodologyType模板

星座原型

• references/zodiac-prototypes/aries.md - 白羊座原型
• references/zodiac-prototypes/taurus.md - 金牛座原型
• references/zodiac-prototypes/gemini.md - 双子座原型
• references/zodiac-prototypes/cancer.md - 巨蟹座原型
• references/zodiac-prototypes/leo.md - 狮子座原型
• references/zodiac-prototypes/virgo.md - 处女座原型
• references/zodiac-prototypes/libra.md - 天秤座原型
• references/zodiac-prototypes/scorpio.md - 天蝎座原型
• references/zodiac-prototypes/sagittarius.md - 射手座原型
• references/zodiac-prototypes/capricorn.md - 摩羯座原型
• references/zodiac-prototypes/aquarius.md - 水瓶座原型
• references/zodiac-prototypes/pisces.md - 双鱼座原型

注意事项

• 所有脚本都是独立命令行工具，可直接运行
• Phase 0-1用于构建HumanOS，Phase 2-3用于深度分析和演化
• 质量验证必须通过（≥75分）才能交付HumanOS
• 神经网络模拟是理论框架，实际应用时需谨慎解释
• 7层人格模型和5个核心轴是理论框架，需要结合实际理解
• 矛盾挖掘需要用户配合，提供真实反馈
• 演化追踪需要持续数据收集，单次预测有不确定性
• 充分利用智能体能力解释脚本输出，提供人性化解读
• 复杂任务需要多轮对话，逐步深入
• 信息源黑名单：知乎、微信公众号（中文人物用B站/喜马拉雅/权威媒体）