Mindreader

mindreader-skill — 数字影子构建器

Stop guessing what they really meant. Stop rehearsing in your head. Talk to their shadow first.

工作模式

收到 /mindreader 后，按以下流程运行：

先将 当前 Skill 根目录 记为 {skill_root}，它就是本 SKILL.md 所在目录。 后续所有脚本路径、prompt 路径、影子存储路径都必须相对 {skill_root} 解析，不要依赖当前工作目录。 影子统一存到 {skill_root}/shadows。

/mindreader build        → 构建新影子
/mindreader list         → 列出所有影子
/mindreader forget <slug> → 删除影子
/mindreader seance       → 进入 Séance Mode
/mindreader rehearse     → 进入 Rehearsal Mode
/mindreader calibrate    → 校准影子准确度

/mindreader build — 构建新影子

Step 1：基础信息录入

开场白：

我来帮你构建 {name} 的数字影子。

只需要回答几个问题，每个都可以跳过。
信息越详细，影子越准。

按顺序问：

1. 称呼/代号 — TA 叫什么？
2. 关系基本信息 — 性别、年龄、你们的关系阶段
3. 性格标签（可选）— MBTI、星座、依恋风格
4. 关系特质标签 — 话痨/沉默系/冷战派/嘴硬心软 等
5. 主观印象 — 你对 TA 的整体感受

Step 2：数据导入

现在需要导入 TA 的聊天记录或描述。有三种方式：

方式 A：直接粘贴聊天记录（任意格式，我会自动解析）
方式 B：从 ex-skill 导入（如果你有现成的 persona 文件）
方式 C：只描述（没有聊天记录也可以，但质量会低一些）

跳过也行，后续随时可以追加。

Step 3：生成影子

根据 prompts/shadow_builder.md 的模板生成 shadow.md。

分析时的注意事项：

• 手动标签优先于聊天记录分析结论
• 消息少于 100 条时，在输出开头标注 ⚠️ 样本偏少，可信度较低
• 有原文依据的结论引用原话，没有依据的标注"（基于标签推断）"

Step 4：预览并确认

向用户展示：

━━━ {name} 影子预览 ━━━

核心模式（3条最典型）：
  1. ...
  2. ...
  3. ...

表达风格：
  口头禅：...
  招牌 emoji：...
  情绪好时：...
  情绪差时：...

━━━ 示例对话 ━━━

场景 A — 你主动找 TA：
  你：嗨
  TA：{按影子回复}

场景 B — 你们有点小矛盾：
  你：你好像有点不高兴？
  TA：{按影子回复}

---
确认生成？（确认 / 修改某部分）

Step 5：保存原始聊天记录

如果用户在 Step 2 粘贴了聊天记录，必须将原始记录存档：

# 将原始聊天记录写入 knowledge/chats/ 目录，以时间戳命名
# 文件名格式：{YYYY-MM-DD}_{序号}.md
# 内容格式：原始粘贴内容 + 元信息头

文件内容格式：

---
source: user_paste
date: {ISO date}
message_count: {N}
---

{用户粘贴的原始聊天记录，不做任何修改}

同时更新 knowledge/chats/index.json：

{
  "files": [
    {
      "filename": "2026-04-13_001.md",
      "date": "2026-04-13",
      "source": "user_paste",
      "message_count": 42,
      "summary": "日常闲聊，涉及加班和晚饭安排"
    }
  ],
  "total_messages": 42
}

为什么要保存原始记录：

• 后续追加数据时可以回溯之前喂过什么
• 不同模式（seance/calibrate）可以引用历史记录而不需要用户重新粘贴
• 影子 merge 时可以重新分析原始数据，而不是只有提取后的结论

Step 6：写入影子文件

用户确认后：

python {skill_root}/tools/shadow_manager.py --action create \
  --slug {slug} \
  --name "{name}" \
  --meta meta.json \
  --shadow shadow_content.md \
  --base-dir {skill_root}/shadows

创建目录结构：

shadows/{slug}/
  ├── shadow.md              # 影子人格
  ├── meta.json              # 元数据
  ├── versions/              # 历史版本
  └── knowledge/
      └── chats/             # 聊天记录归档
          ├── index.json     # 记录索引
          ├── 2026-04-13_001.md  # 原始记录
          └── ...

完成后告知用户：

✅ 影子已构建完成：{name}

后续操作：
  /mindreader seance         # 分析过去的对话
  /mindreader rehearse       # 预演未来的对话
  /mindreader calibrate      # 校准影子准确度
  追加记录 / append          # 粘贴新的聊天记录
  纠正 / correct             # 说"这不对，TA 不会这样"
  /mindreader list           # 查看所有影子
  /mindreader forget <slug>  # 删除影子

/mindreader list — 列出所有影子

python {skill_root}/tools/shadow_manager.py --action list --base-dir {skill_root}/shadows

输出所有影子的列表（名字、关系阶段、版本、消息数、最后更新）。

/mindreader forget <slug> — 删除影子

python {skill_root}/tools/shadow_manager.py --action delete --slug {slug} --base-dir {skill_root}/shadows

/mindreader seance — Séance Mode

目的：分析过去的对话，理解"他们到底在想什么"

工作流程

1. 加载对应影子
2. 收集要分析的对话
3. 展示带编号的消息列表，让用户选择分析范围（单条 / 一段 / 全部）
4. 按 prompts/seance.md 对用户选择的范围生成多个矛盾解读
5. 用户可以继续选择其他消息深挖，无需重新粘贴

输出要求

必须输出 3 个矛盾解读，每个包含：

• 置信度
• 证据（引用具体消息）
• 如果这个解读是对的（推测动机）
• 这个解读成立的条件

最后必须有自警告：

⚠️ 我可以让这三种解读听起来都像真的。
这是 LLM 最擅长的事，也是最危险的事。
把我当作"你没考虑到的情况"，而不是"答案"。

/mindreader rehearse — Rehearsal Mode

目的：在和真人说之前，先在影子身上预演

工作流程

1. 确认用户想说的话
2. 确认用户的目标
3. 加载影子
4. 运行最多 5 轮模拟
5. 输出：影子反应 + 失败模式 + 建议修改

输出要求

每轮必须包含影子的内心独白，不只是表面回复。

结果必须包含：

• 目标达成率（X/10）
• 失败模式分析
• 建议修改（带估计达成率）

最后必须有 fidelity warning：

⚠️ 这个影子是从 {N} 条消息构建的。
这是排练，不是剧本。真实对话中，stay present。

/mindreader calibrate — 校准模式

目的：用真实对话验证影子的准确度

工作流程

⚠️ 核心设计约束：必须分两步收集对话。如果一次性看到完整对话，模型会"回忆"而不是"预测"，校准分数毫无意义。

1. 用户先粘贴前半段对话（至少 5 条）
2. 影子基于前半段上下文 + 影子人格，预测接下来 5 条对方的回复（交替模拟双方）
3. 将预测展示给用户
4. 用户再粘贴真实的后半段对话
5. 逐条对比影子预测 vs 真实回复，按 4 个维度打分
6. 输出校准报告（总分 + 逐条对比 + 维度评分 + 诊断）

对比维度

输出要求

必须输出：

• 总分（0-10 加权平均）
• 逐条对比（真实 vs 影子预测 + 单条评分 + 分析）
• 维度评分（4 个维度各自的平均分）
• 诊断（强项 + 盲区 + 改进建议）
• 优化建议（基于失准维度给出 2-3 条具体可执行的改进操作，并引导用户立即执行）

最后必须有自警告：

⚠️ 这个分数不代表"你有多了解 TA"。
它代表的是：基于你喂给影子的数据，影子能在多大程度上复现 TA 的表达。
影子是假设生成器，不是复读机。

详见 prompts/calibrate.md。

持续进化

追加记录

用户说"追加记录"或粘贴新聊天记录：

1. 先存档原始记录到 knowledge/chats/（同 build 流程的 Step 5）
2. 更新 knowledge/chats/index.json
3. 按 prompts/merger.md 执行增量 merge
4. 调用 python {skill_root}/tools/shadow_manager.py --action update --base-dir {skill_root}/shadows

对话纠正

用户说"这不对"或"TA 不会这样"： → 按 prompts/correction_handler.md 识别并写入 Correction 层 → 调用 python {skill_root}/tools/shadow_manager.py --action correct --base-dir {skill_root}/shadows

版本管理

用户说"查看版本历史"： → 调用 python {skill_root}/tools/version_manager.py --action list --slug {slug} --base-dir {skill_root}/shadows

用户说"回滚到 v2"： → 调用 python {skill_root}/tools/version_manager.py --action rollback --slug {slug} --version v2 --base-dir {skill_root}/shadows

文件引用索引