personality-profiler

Personality Profiler

根据社交媒体数据导出文件生成全面且可扩展的个性档案。

概述

此技能会分析导出的社交媒体数据，创建详细的个性档案，适用于：

1. AI 助手个性化（用于生成个性化回复的训练数据）
2. 自我反思与模式发现

工作流

1. 接收数据 — 用户提供导出的数据文件（JSON/CSV）
2. 解析数据 — 使用特定于平台的解析器提取帖子、评论和互动
3. 分析维度 — 从 8 个个性维度进行评估
4. 生成档案 — 以可扩展的 JSON 格式输出结构化档案
5. 总结洞察 — 提供易于阅读的摘要

支持的平台

平台	导出类型	关键文件
Twitter/X	ZIP 存档	tweets.js、like.js、profile.js
LinkedIn	ZIP 存档	Profile.csv、Connections.csv、Comments.csv、Shares.csv
Instagram	ZIP 存档	content/posts_1.json、comments.json、profile.json

详细的格式规范请参阅 references/platform-formats.md。

分析维度

从以下 8 个维度分析内容：

1. 沟通风格

• 语气：正式 ↔ 随意、严肃 ↔ 活泼、直率 ↔ 圆融
• 表达详略：简洁 ↔ 详尽，使用项目符号还是段落
• 词汇：技术水平、行业术语、口语表达

2. 兴趣与专长

• 主题：反复出现的主题、关注领域
• 深度：浅层提及还是深入参与
• 变化：兴趣随时间发生的变化

3. 价值观与信念

• 优先事项：最重视的事物（根据强调内容推断）
• 倡导：支持或宣传的事业
• 哲学观：体现世界观的信号

4. 社交模式

• 互动风格：主动发起还是回应，评论者还是创作者
• 网络取向：广泛触达还是紧密社群
• 互动语气：支持、质疑、中立

5. 情绪表达

• 范围：情绪词汇的广度
• 情感倾向：积极/消极倾向
• 触发因素：引发强烈反应的事物

6. 认知风格

• 推理方式：分析型还是直觉型，数据驱动还是叙事型
• 复杂度：观点细腻还是直截了当
• 开放性：接纳新观点的意愿

7. 职业身份

• 领域：行业、角色、专长领域
• 抱负：职业方向信号
• 人际网络：职业关系模式

8. 时间模式

• 活动节奏：发帖、回复和互动的时间
• 内容周期：季节性或由事件驱动的模式
• 成长轨迹：表达方式随时间的变化

档案架构

按照以下可扩展的 JSON 结构输出档案：

{
  "version": "1.0",
  "generated_at": "ISO-8601 timestamp",
  "data_sources": [
    {
      "platform": "twitter|linkedin|instagram",
      "date_range": {"start": "YYYY-MM-DD", "end": "YYYY-MM-DD"},
      "item_count": 1234
    }
  ],
  "profile": {
    "summary": "2-3 paragraph narrative summary",
    "dimensions": {
      "communication_style": {
        "confidence": 0.0-1.0,
        "traits": {
          "formality": {"value": -1.0 to 1.0, "evidence": ["quote1", "quote2"]},
          "verbosity": {"value": -1.0 to 1.0, "evidence": []},
          "directness": {"value": -1.0 to 1.0, "evidence": []}
        },
        "patterns": ["pattern1", "pattern2"],
        "recommendations_for_ai": "How an AI should communicate with this person"
      }
    },
    "notable_quotes": [
      {"text": "quote", "context": "why notable", "dimension": "which dimension"}
    ],
    "keywords": ["term1", "term2"],
    "topics_ranked": [
      {"topic": "name", "frequency": 0.0-1.0, "sentiment": -1.0 to 1.0}
    ]
  },
  "extensions": {}
}

extensions 字段支持添加自定义维度，同时保持兼容性。

流程

第 1 步：数据导入

用户提供文件时：

1. 根据文件结构识别平台
2. 定位关键内容文件（见上方平台表格）
3. 使用相应的格式处理程序进行解析
4. 规范化为通用内部结构：

{
  "items": [
    {
      "id": "unique_id",
      "type": "post|comment|share|like",
      "timestamp": "ISO-8601",
      "content": "text content",
      "metadata": {
        "platform": "twitter",
        "engagement": {"likes": 0, "replies": 0, "shares": 0},
        "context": "reply_to_id or null"
      }
    }
  ]
}

第 2 步：内容分析

针对每个维度：

1. 提取信号 — 查找相关内容片段
2. 评估特征 — 根据各维度特定的尺度进行评分
3. 收集证据 — 收集具有代表性的引述
4. 计算置信度 — 根据数据量和一致性评估

置信分析的最低阈值：

• 50+ 条帖子：基础档案
• 200+ 条帖子：详细档案
• 500+ 条帖子：高置信度档案

若未达到阈值，请在输出中注明置信度较低。

第 3 步：生成档案

1. 填充架构中的所有维度对象
2. 撰写综合关键发现的叙述性摘要
3. 提取值得关注的引述（最具代表性的 5-10 条）
4. 按频率和互动度排列主题
5. 生成 AI 个性化建议

步骤 4：输出交付

提供两种输出：

1. JSON 画像 — 完整的结构化数据（保存为 personality_profile.json）
2. Markdown 摘要 — 供人阅读的洞察文档

AI 个性化建议

针对每个维度，为 AI 系统提供具体指导：

建议示例：

communication_style.recommendations_for_ai:
"Use a conversational but informed tone. Avoid excessive formality.
Include occasional humor. Lead with conclusions, then supporting detail.
Match their tendency for medium-length responses (2-3 paragraphs)."

interests.recommendations_for_ai:
"Can reference machine learning, distributed systems, and startup culture
without explanation. Assume familiarity with Python ecosystem. May enjoy
tangential connections to philosophy of technology."

处理多个平台

分析来自多个平台的数据时：

1. 先分别处理各个平台
2. 交叉比对以确保一致性
3. 记录平台特有的行为（例如，在 LinkedIn 上更正式）
4. 工作身份方面以专业平台为主
5. 真实表达风格方面以个人平台为主
6. 合并为统一画像，并标注平台信息

隐私注意事项

处理前：

1. 确认用户拥有这些数据
2. 说明分析将在本地进行（不会通过外部 API 调用处理内容）
3. 如有需要，允许用户要求对特定人物／主题进行脱敏
4. 输出可在使用前编辑

扩展画像

画像架构支持扩展：

{
  "extensions": {
    "custom_dimension": {
      "confidence": 0.8,
      "traits": {},
      "patterns": [],
      "recommendations_for_ai": ""
    },
    "domain_specific": {
      "developer_profile": {
        "languages": ["python", "rust"],
        "paradigm_preference": "functional-leaning"
      }
    }
  }
}

用户可以描述希望分析的内容，以请求自定义维度。