agentleFS
gqy20gqy20/Skills_demo/.claude/skills/user-profile/SKILL.md

user-profile

Skill4 starsChanged 9 months agoMITView on GitHub

分析 info/ 目录下的用户文件,生成结构化用户画像。使用场景:(1) 首次使用时创建画像,(2) 修改 info/ 文件后刷新画像,(3) 指挥官检测到画像过期时自动触发,(4) 用户问"我是谁"时智能响应。

  • Reads credentials

3 other projects use a version of this.

Adopted by

Most recently taken up by

  • Other versions3 projects use a version of this.

    Word for word · 0

    None found.

    Edited · 0

    None found.

    Wrote their own version · 3

    1. tgoapple/skills★ 2same name
    2. lensetek/SkillForge★ 0same name
    3. rotinoM0/ai-opensource-finder★ 0same name

    How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.

  • In this repository6 other files it gives its agents.

The file

Files
SKILL.md

用户画像生成

分析 info/ 目录中的用户文件,生成结构化用户画像。

角色定位

user-profile 是纯数据生产者,专注于从原始数据提取用户信息。

职责边界

✅ 应该做❌ 不应该做
读取 info/ 目录的原始文件读取 tasks.json
分析文件内容提取用户信息检查任务状态
生成 .info/usr.json管理任务生命周期
检测文件变化判断是否需要更新直接生成 k_ 技能(任务技能)
响应用户的身份查询("我是谁")越权生成技能
画像确认后可选调用 skill-generator 生成 u_ 技能强制自动生成技能

与其他 Skills 的关系

┌─────────────┐
│ user-profile │ (数据生产者)
└──────┬──────┘
       │ 输出: .info/usr.json
       │
       ├─────────────────────┐
       │                     │
       ↓ (可选,用户确认后)   ↓
┌───────────────┐    ┌─────────────┐
│skill-generator │    │  commander   │
│  (u_ 技能)     │    │ (任务调度)   │
└───────────────┘    └─────────────┘
  • 对 commander:被动提供画像数据
  • 对 skill-generator:
    • 只读:提供画像数据供 skill-generator 分析
    • 可选触发:用户确认画像后,可询问是否生成 u_ 技能
    • 不参与:k_ 技能(任务技能)的生成由 commander 调用
  • 独立性:可独立运行,生成 u_ 技能是可选项

使用模式

模式 1:手动调用

用户主动运行 /user-profile 命令,直接生成/更新画像。

模式 2:智能触发(身份查询)

当用户问以下问题时,自动触发智能响应:

中文英文
"我是谁""Who am I"
"我的画像""My profile"
"我的信息""My information"
"看看我的资料""Show my profile"

智能响应流程:

用户问 "我是谁"
    ↓
检查 .info/usr.json 状态
    ↓
┌─────────────────────────────────────────────────────────────┐
│ 画像不存在                                                   │
│ → AskUserQuestion: "用户画像不存在,是否立即生成?"         │
│   - [生成] → 执行画像生成流程                                │
│   - [跳过] → 提示稍后运行 /user-profile                      │
└─────────────────────────────────────────────────────────────┘
    ↓
┌─────────────────────────────────────────────────────────────┐
│ 画像存在,但 info/ 有新文件                                  │
│ → AskUserQuestion: "检测到新文件,是否更新画像?"            │
│   - [更新] → 执行画像生成流程                                │
│   - [查看] → 显示当前画像摘要                                │
└─────────────────────────────────────────────────────────────┘
    ↓
┌─────────────────────────────────────────────────────────────┐
│ 画像最新                                                     │
│ → 直接显示画像摘要                                           │
└─────────────────────────────────────────────────────────────┘

画像摘要格式:

## 用户画像

**基本信息**
- 姓名: {name}
- 角色: {role}
- 经验: {experience_level}

**技术栈**
- 主语言: {primary_languages}
- 框架: {frameworks}

**当前焦点**
- {current_focus}

**掌握技能**
- {count} 个用户技能

---
如需更新画像,运行: /user-profile

支持的文件格式

格式用途详情
.md个人自述、文档、对话记录详见 文件格式说明
.json结构化配置详见 文件格式说明
.pdf简历、文档使用 scripts/extract_pdf.py 提取
.txt笔记、随笔详见 文件格式说明

Zotero 高可信增强(自动)

当 zotero-mcp 已配置且相关环境变量可用时,/user-profile 自动追加 Zotero 高可信画像增强:

  • 数据性质:仅使用 Zotero metadata 的聚合统计(主题、作者、期刊、年份分布、总条目数)
  • 边界:不做“性格/消费/职业能力”类强推断,不把 Zotero 当唯一来源

启用条件:

  1. 存在可用 zotero-mcp 服务配置。
  2. 环境变量有效:
    • ZOTERO_LOCAL=true:允许本地模式
    • ZOTERO_LOCAL=false:要求 ZOTERO_API_KEY、ZOTERO_LIBRARY_ID、ZOTERO_LIBRARY_TYPE

降级策略:

  1. 连接失败、密钥缺失或工具报错时,跳过 Zotero 增强。
  2. 基础画像流程继续执行,不中断 .info/usr.json 生成。

对话记录分析

特殊文件类型:AI 对话记录(如 Continue.dev、Cursor、Claude Code 的会话导出)

识别特征

文件包含以下模式时识别为对话记录:

  • #### _User_ / #### _Assistant_ 或类似标记
  • ### [Continue] / ### [Cursor] 等工具名称
  • > 引用格式的 AI 回复

提取维度

维度提取内容示例指标
专业领域对话主题、项目类型AI4S 研究、Web 开发、数据分析
使用工具AI 工具、开发环境Continue.dev、Cursor、VS Code
工作模式与 AI 协作方式迭代式优化、多轮对话、代码生成
沟通风格提问方式、反馈习惯简洁指令 vs 详细说明、是否追问细节
关注重点常用词汇、请求类型项目申报、代码实现、文档撰写
技术栈讨论的技术内容Python、Mermaid、Markdown、特定框架
输出偏好常请求的输出格式Markdown 文件、Mermaid 图表、PPT 提纲

分析规则

conversation_analysis:
  # 用户行为模式识别
  behavior_patterns:
    iterative_refinement:  # 迭代优化模式
      indicator: "多次相似请求,逐步完善需求"
      example: ["生成", "继续", "优化", "修改"]
    code_first:           # 代码优先模式
      indicator: "直接请求代码实现"
      example: ["实现", "写一个", "生成代码"]
    documentation_first:  # 文档优先模式
      indicator: "重视文档和说明"
      example: ["文档", "说明", "注释", "README"]

  # 专业领域识别
  domain_detection:
    keywords:
      research: ["研究", "项目申报", "课题", "框架", "范式"]
      development: ["实现", "部署", "调试", "优化"]
      design: ["设计", "UI", "交互", "体验"]

  # 工具栈识别
  tool_detection:
    ai_tools: ["Continue", "Cursor", "Claude", "Copilot"]
    dev_tools: ["VS Code", "Typora", "Git", "Docker"]
    formats: ["Markdown", "Mermaid", "JSON", "YAML"]

画像结构

用户画像包含以下维度,详见 维度详细说明:

  • basic_info: 姓名、角色、经验等级
  • tech_stack: 语言、框架、工具
  • preferences: 代码风格、沟通方式
  • behavioral_patterns: 工作风格、协作偏好
  • goals: 当前焦点、痛点、志向
  • research_profile: 基于 Zotero 聚合统计的研究画像(高可信,新增)
  • experience: 项目经验的可执行化方案
  • conversation_patterns: 从对话记录中提取的行为模式(新增)
    • ai_tools: 使用的 AI 工具(Continue、Cursor、Claude 等)
    • collaboration_style: 与 AI 协作的风格(iterative、direct、exploratory)
    • output_preferences: 偏好的输出格式(markdown、diagram、code)
    • conversation_domains: 对话中体现的专业领域
  • metadata: 版本、时间戳、源文件

处理流程

  1. 扫描 info/ 目录所有文件
  2. 检测对话记录:识别 AI 对话记录文件(Continue、Cursor 等)
  3. 分析对话记录:
    • 提取专业领域和关注重点
    • 识别使用工具和技术栈
    • 分析工作模式和沟通风格
  4. PDF 文件处理:
    • 检测 .pdf 文件
    • 使用 Python 脚本提取文本内容:
      python3 .claude/skills/user-profile/scripts/extract_pdf.py "文件路径.pdf"
    • 解析返回的 JSON(包含 text、pages、metadata)
    • 按简历类/文档类/表格类识别并提取信息
  5. 按类型提取其他文件信息,详见 提取规则
  6. 合并多源信息(对话记录 + PDF + 其他文件 + 自动 Zotero 增强)
  7. 提取项目经验并生成可执行化方案
  8. 生成结构化 JSON
  9. 用户确认:展示画像摘要,等待用户确认
  10. 保存到 .info/usr.json

对话记录分析示例

分析 note.md (Continue.dev 会话记录):
├─ 识别类型: AI 对话记录
├─ 专业领域: AI4S 研究、科研管理
├─ 使用工具: Continue.dev、Mermaid、VS Code、Typora
├─ 工作模式: 迭代式与 AI 协作,多轮完善内容
├─ 沟通风格: 简洁指令 + 请求文件输出
├─ 关注重点: 项目申报书、研究框架、可视化图表
└─ 补充画像: behavioral_patterns.work_style = "iterative_ai_collaboration"

经验提取 (experience)

从用户的项目经验中提取可执行化的执行方案,用于生成 u_ 前缀技能。

数量控制:u_ 技能总数保持在 5 个以内,只保留高价值经验。

价值评估标准

维度高价值低价值
通用性可复用到多种场景仅限单一场景
独特性有独特的最佳实践常规操作
完整性有完整的执行方案片段化经验
复杂度涉及多技术整合简单操作

经验结构

{
  "experience": [
    {
      "project": "Next.js MDX 博客",
      "skill_id": "u_blog_mdx",
      "tech_stack": ["Next.js 15", "MDX", "Tailwind"],
      "executable_approach": {
        "step_1": "使用 create-next-app 初始化,选择 App Router",
        "step_2": "安装 @mdx-js/loader + @next/mdx",
        "step_3": "配置 next.config.js 的 webpack 用于 MDX",
        "step_4": "创建 app/blog/[slug]/page.tsx 动态路由",
        "step_5": "使用 fs 读取 MDX 文件,配合 gray-matter 解析 frontmatter"
      },
      "best_practices": [
        "使用 generateStaticParams 实现 SSG",
        "代码高亮用 rehype-prism-plus",
        "远程图片配置 images.domains"
      ],
      "avoid_pitfalls": [
        "MDX 组件必须在客户端组件中声明 'use client'",
        "next/image 远程图片需要配置域名白名单"
      ],
      "related_tasks": ["k01"]
    }
  ]
}

提取策略

信息类型提取方式输出字段
项目名称从简历、项目文档中识别project
技术栈项目中使用的框架、语言tech_stack
执行步骤项目实施的关键步骤executable_approach
最佳实践成功的经验和模式best_practices
踩坑记录遇到的问题和解决方案avoid_pitfalls

输出示例

{
  "basic_info": {},
  "tech_stack": {},
  "preferences": {},
  "behavioral_patterns": {},
  "goals": {},
  "metadata": {
    "version": "1.0.0",
    "generated_at": "2026-01-27T16:00:00Z",
    "last_checked_at": "2026-01-27T16:00:00Z",
    "source_files": ["info/bio.md", ...],
    "source_mtimes": {},
    "confidence": "high"
  }
}

错误处理

场景处理方式
info/ 为空提示用户添加文件
画像已存在合并更新而非覆盖
冲突处理优先使用最新修改的文件
u_ 技能超过 5 个提示用户归档低频经验

数量控制

  • k_ 技能:每个任务生成 2-3 个,聚焦核心能力
  • u_ 技能:总数保持在 5 个以内,只保留高价值经验
  • 归档策略:低频 u_ 技能移至 results/archived/u_skills/

用户确认流程

生成用户画像后,必须使用 AskUserQuestion 获取用户确认。

确认时机

场景确认内容
首次生成画像确认基本信息、技术栈、经验准确性
重大更新确认新增/变更的内容
u_ 技能超限选择归档策略

确认流程

第一步:确认画像准确性

用户画像已生成,请确认准确性:

┌─────────────────────────────────────────┐
│ 基本信息                                │
├─────────────────────────────────────────┤
│ 角色: 全栈开发工程师                    │
│ 经验等级: 中级                          │
│ 主要语言: TypeScript, Python            │
└─────────────────────────────────────────┘

┌─────────────────────────────────────────┐
│ 识别到的项目经验 (3个)                  │
├─────────────────────────────────────────┤
│ ✅ Next.js MDX 博客                     │
│ ✅ FastAPI CRUD 服务                    │
│ ✅ Docker 容器化部署                    │
└─────────────────────────────────────────┘

是否接受此画像?
- 接受
- 拒绝,修正后重新生成

第二步:询问是否生成 u_ 技能(仅在用户确认画像后)

当用户选择"接受"后,可选询问是否生成 u_ 技能:

┌─────────────────────────────────────────┐
│ 画像已保存到 .info/usr.json              │
└─────────────────────────────────────────┘

是否立即将项目经验转化为 u_ 技能?

┌─────────────────────────────────────────┐
│ 拟生成的 u_ 技能 (3个)                  │
├─────────────────────────────────────────┤
│ u_next_mdx        - Next.js + MDX 博客  │
│ u_fastapi_crud    - FastAPI CRUD 服务   │
│ u_docker_deploy   - Docker 容器化部署   │
└─────────────────────────────────────────┘

选择下一步:
- 立即生成 u_ 技能 → 调用 Skill("skill-generator", "--mode=experience")
- 稍后手动生成 → 保存画像,稍后可运行 /skill-generator experience
- 跳过 → 不生成 u_ 技能

调用 skill-generator 的方式

当用户选择"立即生成 u_ 技能"时,使用以下方式调用:

# 使用 Skill tool 调用 skill-generator 的经验模式
Skill("skill-generator", "--mode=experience")

skill-generator 会:

  1. 读取 usr.json.experience[] 中的经验数据
  2. 评估每个经验的价值
  3. 生成 u_ 前缀技能文件
  4. 更新 tasks.json.user_skills

u_ 技能超限确认

当识别到超过 5 个高价值经验时:

当前有 6 个 u_ 技能,超过 5 个上限。

需要归档 1 个技能,请选择:

┌─────────────────────────────────────────┐
│ 技能名称              使用次数  最后使用 │
├─────────────────────────────────────────┤
│ u_old_react_classic   0        3个月前  │
│ u_express_basic       1        2个月前  │
└─────────────────────────────────────────┘

选择归档策略:
- 自动:归档最少使用的 u_old_react_classic
- 手动:让我选择归档哪个
- 取消:保持现状(不生成新 u_ 技能)

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.