Writing

核心用法

Writing 是一个自适应写作风格学习系统，核心能力在于"观察-学习-复刻"：

1. 自动风格捕获：通过分析用户的书写内容和编辑痕迹，自动识别语气、句式、词汇偏好等特征
2. 多上下文管理：支持为不同场景（商务/社交/创意）、不同关系对象、不同品牌建立独立的风格配置
3. 人格化声音：可创建具名角色/品牌声音（如"官方客服号"vs"个人朋友圈"），实现一键切换
4. 负面约束学习：记录用户明确拒绝的表达习惯，避免重复踩雷

显著优点

• 零配置启动：空模板设计，无需预先填写偏好，通过实际使用自然进化
• 置信度机制：2次以上一致样本才确认规则，减少误判
• 模块化架构：与 dimensions.md（分类维度）、criteria.md（格式标准）联动，扩展性强
• 关系感知：能区分"对老板汇报"和"对朋友吐槽"的表达差异

潜在局限

• 冷启动依赖：初期样本不足时输出偏中性，需一定交互量才能收敛
• 编辑痕迹依赖：若用户不习惯修订模式，学习信号较弱
• 冲突消解未明：未说明当多个上下文匹配时的优先级规则
• 跨语言未提及：是否支持中英文风格分别学习尚不明确

适合人群

• 多品牌运营者（需区分官方/个人账号语气）
• 高频写作从业者（PR、自媒体、电商文案）
• 对AI输出一致性有要求的细节控用户
• 团队协作场景（可沉淀共享风格库）

常规风险

• 风格固化风险：过度学习可能导致创意表达受限
• 隐私敏感：历史写作内容成为训练素材，需确认数据留存策略
• 误判累积：早期错误样本若未纠正，可能形成偏见放大
• 过度拟合：针对特定收件人学习的风格，迁移到其他场景可能显得违和

核心用法

ivangdavila-writing 是一款专注于「文风记忆与复刻」的文档型 Skill。它通过观察用户的写作与编辑行为，自动提取并固化语言习惯，最终形成可跨场景调用的个性化写作配置。

运作机制：

• 模式学习：识别用户的句式偏好、语气倾向、词汇选择等特征（需2次以上一致样本确认）
• 语境隔离：支持按品牌、关系、内容类型建立独立的风格配置
• 人格管理：可命名并保存多组写作人格（Voices），便于快速切换
• 负面清单：记录用户明确拒绝的表达方式，避免重复触发

配置结构（SKILL.md 内嵌）：

### Default      → 无特定场景时的通用风格
### By Context   → 场景化风格（如：商务邮件、社交媒体）
### Voices       → 命名品牌/人格（如：「官方蓝V」「朋友闲聊」）
### Never        → 禁用表达黑名单

显著优点

| 维度 | 优势 |

|------|------|

| **安全性** | 纯 Markdown 文档，零代码执行，S级安全认证 |

| **隐私性** | 本地记忆，无网络传输，符合GDPR数据最小化原则 |

| **灵活性** | 多维度风格管理，适配从公文到社媒的多元场景 |

| **渐进性** | 不预设规则，随使用自然进化，降低上手门槛 |

潜在局限

1. 冷启动依赖：初期需用户提供足够样本才能建立有效风格模型
2. 无主动推理：仅记录显性编辑行为，难以捕捉潜意识偏好（如节奏感、幽默感）
3. 人工维护成本：风格库需定期整理，避免语境混淆或条目臃肿
4. 跨平台限制：风格记忆绑定当前环境，迁移需手动导出 SKILL.md

适合人群

• 品牌运营者：需维护多账号、多调性的内容生产者
• 职场写作者：频繁切换商务正式与非正式沟通场景
• AI协作深度用户：对「AI写的稿不像我写的」有痛点的人群
• 隐私敏感用户：拒绝云端记忆、坚持本地化处理的用户

常规风险

| 风险类型 | 说明 | 缓解建议 |

|----------|------|----------|

| 记忆污染 | 临时性/情绪化写作被误录为长期偏好 | 定期审查 `Never` 与 `By Context` 条目 |

| 风格僵化 | 过度固化导致创新表达被抑制 | 保留「实验性写作」出口，不纳入学习 |

| 来源可信度 | T3级别个人开发者，无第三方审计 | 审阅 SKILL.md 源码，确认无隐藏指令 |

> 使用贴士：建议首次使用时主动提供3-5段代表性文本作为「种子样本」，可显著缩短冷启动周期。