核心用法
user-cognitive-profiles 是一款专注于优化人机沟通效率的分析型 Skill。用户首先需要导出 ChatGPT 对话数据，然后通过本地 Python 脚本分析历史对话模式，识别出主导的认知原型（如效率优化者、系统架构师、哲学探索者、创意整合者等），最终生成个性化的 Agent 配置建议。
分析流程分为三步：导出数据、运行分析、应用配置。脚本基于四大维度（消息长度、结构组织、深度偏好、语气风格）进行聚类分析，输出包含置信度、关键指标、推荐沟通策略的结构化画像文件，可直接嵌入 SOUL.md 或 AGENTS.md 使用。
显著优点
隐私优先设计：所有数据处理完全本地化，不上传任何外部服务，符合 GDPR 数据最小化原则，用户完全掌控数据流向。
科学方法论支撑：采用 scikit-learn 聚类算法，基于真实对话行为而非主观问卷，识别结果具有客观性和可复现性。
高度可定制化：支持自定义原型定义、调整聚类数量、导出多种格式（JSON/配置片段），并可追踪长期沟通模式演变。
即插即用集成：生成的认知画像可直接被 OpenClaw 生态的 Agent 读取，实现动态沟通风格适配，无需复杂配置。
潜在缺点与局限性
数据依赖性强：分析质量直接取决于用户的历史对话数量和质量，新用户或对话稀疏者难以获得可靠画像。
平台局限：目前仅支持 ChatGPT 导出格式，Claude、Gemini 等其他平台的对话数据需手动转换。
静态快照性质：生成的画像反映历史模式，无法实时捕捉对话中的情绪变化或突发需求，需配合动态检测机制使用。
原型边界模糊：聚类算法可能将复杂人格简化为有限原型，存在"贴标签"风险，过度依赖可能限制 AI 的灵活响应。
适合的目标群体
- 重度 AI 用户：日均使用 ChatGPT 超过 30 分钟，希望提升沟通效率的知识工作者
- Agent 开发者：需要为特定用户群体设计个性化交互策略的产品经理和技术人员
- 人机交互研究者：关注 AI 沟通模式优化的学术研究者
- 多角色切换者：工作与生活场景差异大、需要 Agent 自动识别上下文的用户
常规使用风险
性能风险：大规模对话历史（1万条以上）分析耗时较长，可通过 --sample 参数抽样缓解。
隐私管理：虽然处理本地进行，但用户需自行管理导出的原始 JSON 文件，建议分析后及时删除敏感对话内容。
依赖维护：核心依赖 scikit-learn/numpy 为成熟库，但版本更新可能引入行为变化，建议使用虚拟环境隔离。
认知固化风险：长期依赖单一画像可能导致 Agent 过度拟合历史模式，忽视用户成长变化，建议定期重新分析更新画像。