PersonaLingo

PersonaLingo Skill · Install-only

一键安装，零后端依赖。Agent 在本地完成「问卷 → 引导对话 → 蒸馏画像 → 个人资料 → 静态语料网站」全链路。

Installation

npx skills add orzcls/PersonaLingo

安装产物（CLI 自动发现仓库里的 skills/personalingo/ 子目录，仅复制该子目录内容；不会拉 backend/frontend/docs）：

.agents/skills/personalingo/
├── SKILL.md
├── skill.json
└── skill-assets/
    ├── questionnaire.json          # 问卷 Schema
    ├── conversation-guide.md       # 引导对话规则
    ├── distill-protocol.md         # 7 步蒸馏 prompt 协议
    ├── corpus-schema.json          # corpus.json 校验 schema（与后端 models/corpus.py 等价）
    ├── profile-template.md         # 个人资料模板
    ├── site-template.html          # 静态网站模板
    ├── band-strategies.json        # 分数段策略（与后端 band_strategies.json 一致）
    ├── fallback-topics.json        # Stage 5 降级题库（20 话题）
    ├── fallback-vocabulary.json    # Stage 6 降级词表（按 band 分档）
    └── fallback-patterns.json      # Stage 7 降级句型（8 条通用模板）

不会再复制 backend/ / frontend/ / docs/ 等项目代码。

运行时目录

Agent 每次为新学习者创建独立工作区：

corpus/<corpus_id>/
├── answers.json        # Step 1 问卷作答
├── dialogue.md         # Step 2 引导对话日志
├── corpus.json         # Step 3 蒸馏产物（符合 corpus-schema.json）
├── profile.md          # Step 4 个人资料
└── site/
    └── index.html      # Step 5 静态语料网站

<corpus_id> 建议用 p_ + 8 位十六进制随机数（例：p_0a1b2c3d）。

Pipeline · 五步闭环

Step 1 · 问卷（Questionnaire）

1. 读取 skill-assets/questionnaire.json。

2. 按 ask_order: sequential、sections[].questions[] 的顺序逐题询问用户。

3. required: true 的题目必须得到作答；其它题可由用户跳过（值写 null）。

4. 所有作答合并为：

   {
     "corpus_id": "p_0a1b2c3d",
     "created_at": "2026-05-11T10:00:00Z",
     "answers": {
       "goal": { "target_band": "7.0", "exam_window": "1-3 个月", "current_band": "6.0" },
       "persona": { "mbti": "INTJ", "communication_style": ["逻辑结构化"], "self_description": "..." },
       "experiences": { "people": [...], "objects": [...], "places": [...], "events": [...] },
       "interests": { "interests": ["科技/编程"], "expertise": "..." },
       "weaknesses": { "weak_areas": ["句型单一"], "recurring_mistakes": "..." }
     }
   }
   

5. 写入 corpus/<corpus_id>/answers.json。

Step 2 · 引导对话（Guided Conversation）

1. 读取 skill-assets/conversation-guide.md。
2. 按"追问原则"与"追问模板"发起 3–6 轮对话，每轮仅一个聚焦问题。
3. 记录每轮对话到 corpus/<corpus_id>/dialogue.md（Markdown 格式，含时间戳）。
4. 达到"结束条件"时在文件末追加 Summary（锚点事件 / 语言样本 / 弱项证据）。

Step 3 · 七步蒸馏（Distill）

1. 加载 skill-assets/distill-protocol.md 与 skill-assets/band-strategies.json。
2. 从 answers.json 读取 target_band，取出对应分数档策略块（若 8.0+ / 暂不考试 → 兜底用 7.5）。
3. 串行执行 7 个 Stage 的 LLM Prompt，Stage 3-7 的 system prompt 必须注入 band_strategy 块（与后端 corpus_generator.py 等价）：
   • research → learner_profile（background / goal_vector / weakness_signals / language_samples / topic_signals / source_stats）
   • framework → capability_framework（source / dimensions / pain_points / lift_paths）
   • persona → persona（mbti / dimensions / communication_style）
   • anchors → anchors[]
   • bridges → bridges[]
   • vocabulary → vocabulary[]
   • patterns → patterns[]
4. 任一 Stage 失败按 protocol 的「降级策略」处理：Agent 必须在 skill_manifest.stages[i] 写 status="fallback" + source + note，并依次调用对应 fallback 资产：
   • Stage 5 降级 → skill-assets/fallback-topics.json
   • Stage 6 降级 → skill-assets/fallback-vocabulary.json（按 target_band ± 0.5 筛选）
   • Stage 7 降级 → skill-assets/fallback-patterns.json
5. 合并写入 corpus/<corpus_id>/corpus.json，必须通过 skill-assets/corpus-schema.json 的 JSON Schema 校验。
6. 将实际使用的 band 策略快照写入 corpus.band_strategy，供下游追溯。

Step 4 · 个人资料（Profile）

1. 读取 skill-assets/profile-template.md。
2. 用 corpus.json 的字段替换 {{ ... }} 占位符；数组字段按 {{#each}} 循环展开；缺失字段输出 —。
3. 写入 corpus/<corpus_id>/profile.md。

Step 5 · 静态语料网站（Static Site）

1. 读取 skill-assets/site-template.html。
2. 同样用 corpus.json 字段填充模板，生成单文件 HTML（所有样式 inline，无构建依赖）。
3. 写入 corpus/<corpus_id>/site/index.html。
4. 用户直接 open site/index.html 即可浏览个人语料站点。

质量守则

• 真实性优先：锚点故事、词汇例句必须来自问卷 + 对话的真实素材，禁止虚构。
• 架构等价：install-only 产出的 corpus.json 必须与 runnable-export 同 schema（见 skill.json.install_only.schema_alignment），下游 Agent 可用统一逻辑读两种模式的结果。
• Schema 严格：corpus.json 必须通过 corpus-schema.json 校验；不符字段直接丢弃并在 stages[i].note 记录原因。
• Band 注入：Stage 3-7 没有注入 band_strategy 等于没在蒸馏——产物会偏离目标分数档。
• 本地化：所有产物写到当前工作目录的 corpus/<corpus_id>/，不上传任何远程服务。
• 可复跑：每一步都以前序产物为唯一输入；任何一步可单独重跑而不影响其它步骤。

升级路径 — Runnable Export 模式

若学习者需要以下能力，建议升级到完整 orzcls/PersonaLingo 项目：

升级方式：

git clone https://github.com/orzcls/PersonaLingo
cd PersonaLingo && docker-compose up -d
# 访问 http://localhost:5273 使用完整前端

详见项目 README.md。

Requirements

• 任意支持该 skill 协议的 AI Agent（Claude / Qoder / Cursor / Cline 等）。
• Agent 运行环境中可写本地文件的工具（用于产出 corpus/<corpus_id>/）。
• 无需 Python / Node.js / 任何外部服务。