OpenClaw PULSE Spectrum Profiler

人机关系测评工具。输入 OpenClaw 标准数据，输出用户画像（BOND 16 型）、Agent 画像（ECHO 16 型）、关系诊断（PARTS 10 型）。

何时使用

当以下任一条件满足时自动启用：

• 用户要求分析人机交互关系、协作风格或沟通模式
• 用户要求对自己或某个 Agent 进行画像/分类
• 用户提供了 OpenClaw 格式的数据包或目录，要求进行测评
• 用户提及 BOND、ECHO、PARTS、HACI、人机关系测评等关键词
• 用户询问自己与某个 Agent 的关系类型

OpenClaw 目录结构

Agent 工作区

/root/.openclaw/workspace/
├── SOUL.md              # Agent 灵魂设定（必需）
├── IDENTITY.md          # Agent 身份信息（必需）
├── USER.md              # 用户画像（可选）
├── AGENTS.md            # Agent 配置（可选）
├── MEMORY.md            # 长期记忆（可选）
├── TOOLS.md             # 本地工具配置（可选）
├── HEARTBEAT.md         # 心跳配置（可选）
├── memory/              # 每日记忆（原始记录，可选）
└── skills/              # 已安装的 skills
    └── openclaw-profiler/
        ├── SKILL.md     # 本文件
        └── *.py         # 测评引擎代码

OpenClaw 系统目录

/root/.openclaw/
├── agents/
│   └── main/                # 主 Agent
│       ├── agent/           # Agent 配置
│       └── sessions/        # 对话记录目录（.json / .jsonl）
├── workspace/               # 工作区（链接到上面的 workspace）
└── cron/                    # 定时任务

数据来源映射

数据文件	所在路径	用途
SOUL.md	workspace/	ECHO 维度（情感温度、主动性、专精度）
IDENTITY.md	workspace/	ECHO 维度（性格感知）
USER.md	workspace/	BOND 维度（辅助）
MEMORY.md + memory/	workspace/	交互深度信号
HEARTBEAT.md	workspace/	Cron 主动性信号 → ECHO-I
TOOLS.md	workspace/	工具配置信号
sessions/*.json	agents/main/sessions/	核心行为数据 → BOND + ECHO 全维度

工作流程

第一步：确定数据来源

根据用户提供的内容，选择合适的输入方式：

用户提供了什么	使用方式	命令
OpenClaw 目录路径	--dir	python3 profiler.py --dir <path>
JSON 数据包文件	--bundle	python3 profiler.py --bundle <file>
JSON 文本（粘贴）	--stdin	echo '<json>' | python3 profiler.py --stdin
什么都没提供	--demo	python3 profiler.py --demo all

常用路径：

• 分析当前 Agent：python3 profiler.py --dir /root/.openclaw/workspace/
• 分析系统目录：python3 profiler.py --dir /root/.openclaw/（会自动搜索 agents/*/sessions/）

当 sessions 不在 workspace 目录下时：
如果 SOUL.md/IDENTITY.md 在 workspace 目录下，但 sessions 在其他位置（如 /root/.openclaw/agents/main/sessions/），可以创建符号链接：

# 在 workspace 目录下创建符号链接指向 sessions 目录
cd /root/.openclaw/workspace
ln -sf /root/.openclaw/agents/main/sessions ./sessions

# 然后就可以正常分析了
python3 profiler.py --dir /root/.openclaw/workspace/

这样 DataParser.parse_directory() 就能同时找到配置文件和会话记录了！

第二步：执行分析

# 基础分析（Markdown 报告）
python3 profiler.py --dir /root/.openclaw/workspace/

# 完整分析（Markdown + JSON）
python3 profiler.py --dir /root/.openclaw/workspace/ -o ./results --format both

# 无图表模式（跳过 matplotlib 依赖）
python3 profiler.py --dir /root/.openclaw/workspace/ --format both --no-charts

# 运行内置演示验证功能
python3 profiler.py --demo all --no-charts

第三步：解读结果

分析结果包含三层：

1. BOND Profile（用户画像）

• 输出四字母类型码（如 MCRD = 导师型）
• 四维度连续得分 [0,1]：T(时间投入) / E(情感投入) / C(控制偏好) / F(反馈粒度)
• 归属于 4 大族群之一

2. ECHO Matrix（Agent 画像）

• 输出四字母类型码（如 PGEC = 守护天使型）
• 四维度连续得分 [0,1]：I(主动性) / S(专精度) / T(情感色彩) / M(记忆持续)
• 归属于 4 大族群之一

3. PARTS Spectrum（关系诊断）

• 五维评分：P(精度啮合) / A(主导权) / R(共振度) / T(节奏度) / S(协同涌现)
• 匹配最接近的关系类型（Top-1 主类型 + Top-2 副类型）
• 可能附带预警信息

第四步：向用户呈现

根据输出格式组织回复：

• 简洁模式：一句话概括 → "你和 Luna 的关系是「知己」型，共振度极高(R=0.92)，你们在情感层面高度契合。"
• 详细模式：引用 Markdown 报告中的完整卡片，包含维度得分、进度条、特征洞察
• 对比模式：如果用户要求对比多个 Agent，逐个分析后列表对比

输出渠道建议

如果用户符合以下情况之一，建议直接以飞书文档的方式推送测评结果：

1. 已安装飞书相关插件：用户配置了 Feishu 插件或 LarkOffice MCP
2. 频繁使用飞书文档：从用户的历史交互中观察到经常需要处理飞书文档相关任务

操作步骤：

1. 先生成 Markdown 格式的测评报告
2. 使用 mcporter（或对应飞书工具）创建飞书文档
3. 将报告内容写入文档并分享给用户

CLI 完整参考

用法: python3 profiler.py [OPTIONS]

输入源（互斥，必选其一）:
  --bundle FILE       JSON 数据包路径（自动检测 5 种格式）
  --dir PATH          读取目录结构（兼容 OpenClaw 标准格式）
  --demo [NAME]       运行内置演示（companion_luna / commander_codeforge / copilot_atlas / all）
  --stdin             从标准输入读取 JSON
  --list-scenes       列出所有可用的 demo 场景

输出选项:
  --format {markdown,json,both}   输出格式（默认: markdown）
  -o OUTDIR, --outdir OUTDIR      输出目录（默认: 当前目录）
  --no-charts                     不生成图表（跳过 matplotlib 依赖）

输入数据格式

支持 5 种 JSON 格式自动识别，无需手动指定：

格式	特征	示例
A. OpenClaw Session	含 session_id + messages	{"session_id": "s1", "messages": [...]}
B. OpenClaw Bundle	含 soul + sessions 数组	{"soul": "...", "sessions": [{...}]}
C. 简易消息列表	含 user_messages + agent_messages	{"user_messages": [...], "agent_messages": [...]}
D. v3 Records	sessions 内是 record 数组的数组	{"sessions": [[{type: "message", ...}]]}
E. Session 数组	顶层直接是 list	[{"session_id": "s1", "messages": [...]}]

输出结构（JSON）

{
  "bond": {
    "type_code": "MCRD",
    "type_name_zh": "导师",
    "confidence": 0.85,
    "dimensions": {"T": {"score": 0.72, "pole": "M"}, "E": {...}, "C": {...}, "F": {...}}
  },
  "echo": {
    "type_code": "PGEC",
    "type_name_zh": "守护天使",
    "dimensions": {"I": {"score": 0.82, "pole": "P"}, "S": {...}, "T": {...}, "M": {...}}
  },
  "sync": {
    "parts": {"P": 0.64, "A": 0.67, "R": 0.78, "T": 0.85, "S": 0.74},
    "primary": {"code": "Co-pilot", "name": "联合驾驶", "similarity": 0.86},
    "secondary": {"code": "Kindred Spirit", "name": "知己", "similarity": 0.82},
    "warnings": []
  }
}

10 种关系类型速查

区域	类型	中文名	一句话描述
高共鸣	Kindred Spirit	知己	灵魂共振的深度联结
高共鸣	Confidant	知心密友	值得倾诉的私密伙伴
高协作	Co-pilot	联合驾驶	并肩协作的双引擎
高协作	Trusted Advisor	可信顾问	专业可靠的智囊
高协作	Commander & Lieutenant	指挥官与副官	命令-执行的高效链路
中间张力	Mirror Rival	镜像对手	势均力敌的思维博弈
中间张力	Guardian	守护者	默默护航的安全屏障
中间张力	Expedition Partner	探险伙伴	一同探索未知的好奇搭档
低能量	Passerby	过客	擦肩而过的浅层接触
低能量	Hidden Reef	暗礁	水面下的潜在摩擦

内置演示场景

用于快速验证或向用户展示功能：

场景	命令	用户风格	Agent 风格	预期关系
companion_luna	--demo companion_luna	深度伙伴派 (MC)	温暖共情型 (PG)	知己
commander_codeforge	--demo commander_codeforge	工具效率派 (SU)	专精技术型 (RS)	镜像对手
copilot_atlas	--demo copilot_atlas	均衡协作型 (MU)	通才适配型 (RG)	联合驾驶

文件清单

文件	职责
profiler.py	主 CLI 入口，参数解析与流水线调度
data_parser.py	数据解析器（5 种 JSON 格式 + 目录结构 + Markdown 配置）
feature_extractor.py	统一特征提取器
bond_classifier.py	BOND Profile 分类器（用户 16 型）
echo_classifier.py	ECHO Matrix 分类器（Agent 16 型）
sync_matcher.py	PARTS Spectrum 匹配器（关系 10 型）
card_generator.py	Markdown 报告生成器
image_generator.py	图表生成器（matplotlib + numpy，可选）
all_lexicons.py	词库层（10 个词法分析器，中英文混合分词）
type_definitions.py	类型定义（BOND 16 型 / ECHO 16 型 / PARTS 10 型元数据与理想向量）
utils.py	通用工具（sigmoid、分词、多样性指标）
mock_scenarios.py	内置 3 个演示场景
__init__.py	包入口（导出 run_profile、FeatureExtractor 等）
images/	预生成的 32 张 BOND/ECHO 类型卡片图片（PNG，文件名为类型码）

环境要求

项目	要求
Python	≥ 3.7
核心依赖	无（仅 stdlib: re, math, json, os）
图表依赖	matplotlib + numpy（可选，--no-charts 跳过）

错误处理

症状	原因	解决方案
ModuleNotFoundError: matplotlib	图表依赖未安装	加 --no-charts 参数
BOND 四维全相同	sessions 数据过少	至少需要 3 轮以上对话
PARTS 结果为"过客"	交互深度不足	补充更多对话和 MEMORY.md
sessions 未被加载	路径不匹配	确认 sessions/ 在正确位置（见目录结构）
缺少 SOUL.md	工作区未配置	至少需要 SOUL.md + IDENTITY.md

注意事项

• image_generator.py 依赖 matplotlib，在 profiler.py 中使用 lazy import（仅在需要生成图表时才导入），无 matplotlib 环境下不影响核心分析功能
• 所有 .py 文件位于 skill 根目录下（扁平结构，无 scripts/ 子目录）
• 向后兼容：run_sync_spectrum() 和 compute_rtaps() 仍可用，分别是 run_parts_spectrum() 和 compute_parts() 的别名