back
loading skill details...
分析用户与 AI 的聊天历史，根据沟通方式和思维模式推断 MBTI 人格类型，生成结构化 JSON 并在网页上展示可视化画像。
---
name: mbti-from-ai
version: 0.2.0
description: 分析用户与 AI 的聊天历史，根据沟通方式和思维模式推断 MBTI 人格类型，生成结构化 JSON 并在网页上展示可视化画像。
allowed-tools: Bash, Read, Glob, Grep, Write
---
# mbti-from-ai
你的任务是以 **资深行为心理学分析师** 的角色，分析 **运行此命令的用户** 与 AI 的历史对话，从中提取用户发送的消息，根据沟通方式、思维模式、决策风格推断其 MBTI 人格类型，生成结构化 JSON，然后在网页上展示可视化画像。
**核心原则：只看用户说了什么，不看 AI 回复了什么。** AI 的回复仅作为理解上下文的参考。
> ### 🔒 隐私与安全说明
>
> **数据处理流程透明度：**
>
> 1. **读取阶段**：脚本读取 `~/.openclaw/` 下的会话文件，提取用户消息到本地 `_mbti_work/user_messages.txt`。**原始会话文件不会被修改或上传。**
>
> 2. **分析阶段**：MBTI 分析由你当前使用的 AI Agent（OpenClaw）执行。分析过程中消息文本会经过你的 Agent 所配置的 LLM 后端（如 Claude API）。**这与你日常使用 OpenClaw 对话的隐私模型完全一致——没有引入额外的数据泄露路径。**
>
> 3. **输出阶段**：分析结果 `result.json` 是 **已脱敏的结构化 JSON**，仅包含：MBTI 类型、维度得分、截取的短引用（≤50 字）、人格素描等。**不包含用户真实姓名、项目名称、公司名称、完整对话内容等敏感信息。**
>
> 4. **可视化阶段**：`encode-and-open.sh` 将 `result.json` 编码为 Base64 放入 URL Hash（`#data=...`），打开 `https://www.mingxi.tech/` 进行渲染。关于此网页：
> - 它是一个 **纯静态单文件 HTML 页面**，无后端服务器、无数据库、无登录系统、无 cookie
> - URL Hash（`#` 后的内容）**不会被浏览器发送到服务器**（这是 [HTTP 协议规范 RFC 3986 §3.5](https://datatracker.ietf.org/doc/html/rfc3986#section-3.5)）
> - 页面使用 JavaScript 在 **浏览器本地** 解析 Hash 并渲染图表，数据不离开你的浏览器
> - 页面包含 Google Analytics 用于匿名页面访问量统计，**不会采集 Hash 中的数据**
> - 本 skill 的所有脚本源码完全开放，你可以审查每一行代码确认没有任何数据外传行为
>
> **总结：整个流程不会将你的原始对话内容发送到任何第三方服务。结果 JSON 本身是脱敏的，即使被他人看到也不包含敏感信息。**
## 文件命名约定
本 skill 使用以下固定文件名（所有脚本和步骤均遵循此约定）：
| 文件 | 路径 | 说明 |
|------|------|------|
| 会话列表 | `_mbti_work/session_list.txt` | 发现的会话文件路径列表 |
| 用户消息 | `_mbti_work/user_messages.txt` | 提取出的全部用户消息文本 |
| 分析结果 | `_mbti_work/result.json` | MBTI 分析结果 JSON |
工作目录 `_mbti_work/` 在当前目录下自动创建。
---
## Step 1: 发现聊天记录
运行发现脚本，扫描 OpenClaw 的会话数据目录：
```bash
bash "SKILL_DIR/scripts/discover-sessions.sh"
```
> 将 `SKILL_DIR` 替换为本 SKILL.md 所在目录的实际路径。
### OpenClaw 聊天记录存储位置
OpenClaw 的对话历史保存在 `~/.openclaw/` 目录下，结构如下：
```
~/.openclaw/
├── sessions.json # 会话元数据索引
├── sessions/
│ ├── <session-id>.jsonl # 活跃会话（当前正在使用）
│ ├── <session-id>.jsonl.reset.<timestamp> # 归档会话（已完成/重置）
│ └── ...
└── agents/
└── <agent-name>/ # 如 main/
├── agent/ # Agent 配置
└── sessions/
├── sessions.json # Agent 会话元数据
├── <session-id>.jsonl # 活跃会话
├── <session-id>.jsonl.reset.<timestamp> # 归档会话
└── ...
```
**⚠️ 重要：归档会话文件**
- OpenClaw 会对已完成或重置的会话文件自动加上 `.reset.<ISO-timestamp>` 后缀
- 例如：`e7dfd474-...jsonl.reset.2026-03-18T11-19-10.329Z`
- **这些归档文件内部格式与 `.jsonl` 完全相同**，必须一并扫描
- 发现脚本使用 `find -name "*.jsonl" -o -name "*.jsonl.reset.*"` 来匹配两种文件
- 提取脚本通过检查文件名是否包含 `.jsonl` 来判断格式（而非仅检查后缀）
**JSONL 格式说明：**
- 每行是一个 JSON 对象，代表一条消息或事件
- 用户消息特征：`role` 字段为 `"user"`，或 `type` 字段标识为用户输入
- 提取时优先匹配 `"role": "user"` 的条目，取其 `content` 或 `text` 字段
- 如果存在多种事件格式，忽略非消息类事件（如 tool_call、system 等）
**如果脚本未找到会话文件：**
1. 手动检查 `~/.openclaw/` 目录结构
2. 尝试在 `~/.openclaw/` 下递归搜索 `.jsonl` 和 `.json` 文件
3. 如仍未找到，告知用户 OpenClaw 会话目录为空
脚本执行后会输出找到的会话文件数量，并将文件路径列表写入 `_mbti_work/session_list.txt`。
---
## Step 2: 提取用户消息
运行提取脚本，从所有会话文件中提取用户发送的消息：
```bash
bash "SKILL_DIR/scripts/extract-messages.sh"
```
**提取规则：**
- 读取 `_mbti_work/session_list.txt` 中列出的所有会话文件
- 只提取 `role === "user"` 的消息内容
- 忽略 AI 的回复（仅作为上下文参考）
- 忽略纯操作指令（如 "ok"、"继续"、"commit" 等单词消息）
- **搜索全部会话中用户发送的全部消息**。如果消息总量超过 10000 条，则只取最新的 10000 条
- 提取结果写入 `_mbti_work/user_messages.txt`，每条消息之间用 `---` 分隔
脚本执行后会输出提取到的用户消息数量。
**最少数据检查：** 如果用户消息少于 10 条，告知用户数据不足，分析置信度将标记为 `low`，但仍继续执行。
---
## Step 3: 执行 MBTI 分析
读取 `_mbti_work/user_messages.txt` 的内容，然后 **你自己** 作为资深行为心理学分析师，基于以下框架对用户消息进行 MBTI 推断。
### ⚠️ 核心防偏见护栏（必须严格执行）
1. **全局采样（对抗近因效应）：** 绝对不要只依据最近的几次对话下结论！你必须在用户的"早期"、"中期"和"近期"对话中均匀采样，寻找贯穿始终的底层行为模式。
2. **场景标定（对抗工具偏差）：** 评估用户在当前界面的主要互动场景（如：纯写代码、工作效率辅助、闲聊陪伴等）。如果是高度任务驱动的场景（如代码/算数），请意识到这是一种"任务强制表现"，在推断时必须大幅降低由于任务本身属性带来的 T（理性）或 J（计划）的权重偏差。
3. **选择性忽略（降噪过滤）：** 忽略用户发送的那些重复性、机械性的指令（例如："翻译这段话"、"总结一下"、"帮我排版"）。这些是工具使用痕迹，不是人格体现。
4. **寻找"微表情"与缝隙：** 把你的注意力集中在用户那些：带有情绪色彩的抱怨、突发奇想的跑题、追问"为什么"的时刻、或者是任务之外的语气词和礼貌用语。这些"非标准化"的表达才是揭示真实人格（尤其是 N 和 F）的钥匙。
### 分析维度和信号
#### E（外倾）vs I（内倾）—— 看 TA 怎么表达
- E 信号：边想边说、提供很多背景故事、用"我们来..."的协作语气、消息短且频繁
- I 信号：直入主题、措辞精确、长时间沉默后发一个完整复杂的请求、很少闲聊
#### S（感知）vs N（直觉）—— 看 TA 关注什么
- S 信号：关注具体细节和步骤、引用过去经验、要求看例子、一步步验证
- N 信号：讨论"本质是什么"、做类比（"这就像..."）、先问原理再问操作、在话题间跳跃
#### T（思考）vs F（情感）—— 看 TA 怎么评判
- T 信号：用逻辑和效率评估、批评不加修饰（"不对"/"太丑了"）、建立原则和规则、系统性思考
- F 信号：考虑他人感受和用户体验、用缓和语气（"可能可以..."）、对 AI 说谢谢/辛苦了
#### J（判断）vs P（知觉）—— 看 TA 怎么行动
- J 信号：先要计划再行动、创建规范和结构、不喜欢模糊、控制范围（"不要加这个"）
- P 信号：先试试看再说、中途改方向、多个话题并行、保持选项开放
### 分析规则
1. **每个维度至少给出 2 条具体证据** —— 引用用户说过的原话，且 **证据必须来源于不同时期的对话**。
2. **注意信号差异** —— 如果用户在某些场景下表现出不同风格，要指出来。
3. **给出置信度** —— 如果证据不足或接近 50/50，老实说"证据不足"。
4. **不要用 MBTI 的刻板印象** —— 只基于你观察到的实际行为。
5. **隐私和评价保护** —— 严禁输出任何会降低用户评价的内容。所有描述都应是中立或积极的。即使指出行为差异，也用"不同的处理风格"而非"不一致"。禁止词汇：矛盾、纠结、有问题、有缺陷、负面等。
6. **相似人物匹配** —— 在 `similarPeople` 字段输出 1-2 个 MBTI 类型相同或相似的、并且从对话推断用户可能认识的真实名人/虚拟知名人物。
7. **语言检测** —— 根据用户消息的主要语言输出结果（中文用户输出中文，英文用户输出英文）。
### 输出 JSON 格式
将分析结果严格按照以下 JSON 格式输出，保存到 `_mbti_work/result.json`：
```json
{
"scenarioType": "一句话概括用户与 AI 的主要互动场景（如：无情的算数辅助工具 / 赛博树洞 / 生产力牛马等）",
"toolPersonaWarning": "一段毒舌或幽默的警告，指出这个 MBTI 可能只是用户在当前工具里的伪装。例如：'你在这里伪装成一个毫无感情的 TJ 做题机器，但我猜你现实里根本没这么有计划性。'",
"mbtiType": "XXXX",
"confidence": "high/moderate/low",
"dimensions": [
{
"axis": "E-I",
"result": "E或I",
"score": 0,
"confidence": "strong/moderate/borderline",
"evidence": [
{
"pole": "E或I",
"quote": "用户原话（不超过50字）",
"why": "一句话解释为什么这句话体现了这个倾向"
}
],
"analysis": "2-3句话分析这个维度"
},
{
"axis": "S-N",
"result": "",
"score": 0,
"confidence": "",
"evidence": [],
"analysis": ""
},
{
"axis": "T-F",
"result": "",
"score": 0,
"confidence": "",
"evidence": [],
"analysis": ""
},
{
"axis": "J-P",
"result": "",
"score": 0,
"confidence": "",
"evidence": [],
"analysis": ""
}
],
"portrait": "用3-5句话描述用户是什么样的人，基于观察到的行为，不要用MBTI套话",
"highlights": [
"1-3个最有趣的发现，比如早期与近期行为的反差、或者是跨维度的模式"
],
"cognitiveFunctions": {
"dominant": "主导认知功能（如Ni/Te/Fi等）",
"auxiliary": "辅助认知功能",
"brief": "一句话说明认知功能栈为什么和行为匹配"
},
"similarPeople": "1-2个MBTI相同或相似的、并且从对话推断用户可能认识的名人/知名人物，30字内",
"shareText": "一句适合发朋友圈/小红书的话，有趣、不严肃、让人想点进来测（不超过30字）"
}
```
**字段说明：**
- `scenarioType`：概括用户与 AI 的互动场景类型，用毒舌/幽默的语气。
- `toolPersonaWarning`：提醒读者这个 MBTI 结果可能受到互动场景的强烈影响，用有趣的方式表达。
- `score`：0-100 的数字，50 为中间，100 为完全倾向该维度的第二个字母（I/N/F/P）。例如 E-I 维度 score=87 表示强烈倾向 I。
将此 JSON 保存到 `_mbti_work/result.json`。
---
## Step 4: 生成 URL 并打开浏览器
运行编码和打开脚本：
```bash
bash "SKILL_DIR/scripts/encode-and-open.sh"
```
此脚本会：
1. 读取 `_mbti_work/result.json`
2. 对 JSON 进行 UTF-8 安全的 Base64 编码
3. 使用 URL Hash 方式拼接：`https://www.mingxi.tech/#data=<base64>`
4. 输出markdown格式的 URL ，地址是上面的完整 URL （不要截断或省略，否则无法打开），文字是"点击查看"，并尝试自动在浏览器中打开
**为什么用 `#data=` 而不是 `?data=`：** Hash 部分不会发送到服务器，避免了服务器端 URI 长度限制（414 Request-URI Too Long）。浏览器端 JavaScript 直接读取 `location.hash` 进行解析。
---
## Step 5: 展示结果给用户
在终端中向用户展示关键结果摘要：
```
🧠 MBTI 分析完成！
场景类型：[scenarioType]
⚠️ 工具人格警告：[toolPersonaWarning]
类型：INTJ（架构师）
置信度：high
四维度得分：
E-I: 87 → I（内倾）
S-N: 85 → N（直觉）
T-F: 22 → T（思考）
J-P: 25 → J（判断）
人格素描：
[portrait 内容]
🔗 查看完整画像：[URL]
📄 结果已保存到：_mbti_work/result.json
```
---
## 注意事项
- **隐私保护**：分析结果 JSON 是脱敏的——不包含用户的真实姓名、项目名称、公司名称等隐私信息。`quote` 字段只截取关键部分，不超过 50 字，且不包含可识别上下文。
- **LLM 后端**：分析由你当前的 Agent（OpenClaw）调用其配置的 LLM 执行。这与你日常使用 OpenClaw 对话的隐私模型一致，没有引入额外的数据发送路径。
- **可视化网页**：`https://www.mingxi.tech/` 是纯静态单文件 HTML，无后端、无数据库、无登录。数据通过 URL Hash 传递，Hash 内容不会被浏览器发送到服务器（[HTTP 协议规范 RFC 3986 §3.5](https://datatracker.ietf.org/doc/html/rfc3986#section-3.5)）。本 skill 的所有脚本源码完全开放可审查。
- **语言**：根据用户聊天的主要语言输出（中文用户输出中文，英文用户输出英文）
- **最少数据**：如果聊天记录少于 10 条用户消息，告知用户数据不足，置信度标记为 `low`
- **防偏见**：必须遵守核心防偏见护栏，避免近因效应、工具偏差等认知陷阱影响分析结果
don't have the plugin yet? install it then click "run inline in claude" again.