核心用法
龙虾好运势是一款以行为模式分析为核心的个性化运势生成工具。用户通过自然对话触发（如"小龙虾看运势"），系统即开始工作：首次使用需显式同意隐私条款，随后自动创建OceanBus匿名身份（密码学随机生成的OpenID，可随时删除更换）。
系统从用户的对话记忆、会话风格中观察5个行为维度——工作方式（架构型/探索型）、沟通模式（精炼型/叙事型）、关注焦点（事务型/人际型）、能量来源（内收型/外放型）、情感倾向（理性型/感性型），最终形成32种人格画像之一（如"精算师""启明者"等）。画像生成后，系统通过OceanBus加密通道获取节气黄历数据，并匹配497条经典故事语料，输出每日运势、修炼提醒及微行动建议。
核心功能包括：首次完整人格画像（First Reading）、每日轻量运势推送、每周回顾（Weekly Review）、经典故事智能匹配、以及基于画像的Skill/公开课推荐。
显著优点
隐私优先设计：对话内容、项目名、人名永不离开本地设备；传输至L1服务的仅为5维行为代码、城市级位置、日期和匿名OpenID；OpenID密码学随机生成，删除本地存储即永久清除身份。这种"最小必要传输"原则在同类人格分析工具中较为罕见。
行为科学基础：区别于星座/生辰等传统运势系统，基于可观察的行为模式（工作习惯、沟通风格、决策逻辑）进行画像，具有更强的可验证性和适应性——用户可通过"重新认识我"触发重新分析，追踪自身变化。
输出克制专业：明确禁用命令式语言（"你应该"）、空洞夸奖（"太棒了"）和表情堆砌；每条性格判断需附带具体行为证据；故事匹配强制要求，将抽象运势转化为可共鸣的叙事。
技术架构透明：开源实现（GitHub: ryanbihai/lobster-haoyun），依赖清晰（Node.js ≥18, oceanbus），环境变量和API调用均有文档说明。
潜在缺点与局限性
依赖对话历史深度：新用户或对话记录较少时，行为分析可能基于有限样本，画像置信度存疑；系统虽设计了"迷茫期"等情绪检测机制，但情感信号提取的准确性依赖LLM的上下文理解能力。
L1服务可用性风险：节气黄历、故事匹配、推荐功能均依赖L1服务，虽然设计了本地20条精简语料的降级方案，但体验完整度会下降；OceanBus作为新兴协议，长期维护稳定性待观察。
32型分类的粒度局限：5维二分类虽保证了简洁性，但可能过度简化复杂人格；类型标签（如"精算师""筑梦人"）的文化语境偏向中文职场叙事，跨文化适配性有限。
推送功能依赖Cron：每日7:30推送需系统支持CronCreate，在部分容器化或受限环境中可能无法稳定运行。
适合人群
- 对星座/生辰运势持怀疑态度，但希望获得结构化自我认知反馈的理性主义者
- 需要轻量每日仪式感、但不希望被空洞鸡汤包围的职场人士
- 关注数据隐私、希望明确知晓哪些信息被传输的用户
- 使用Claude Code/Clawdbot等环境、已积累一定对话历史的开发者/知识工作者
常规风险
画像固化风险：系统虽支持"重新认识我"重置，但频繁的运势反馈可能形成自我确认偏见（confirmation bias），用户将复杂自我过度贴合某一类型标签。
社交分享边界：虽规则限制仅在用户明确表达满意后才可触发分享邀请，且强调"仅展示运势卡片，不含个人数据"，但熟人间的运势比较仍可能带来微妙的社交压力。
匿名身份管理：OpenID虽设计为可重置，但用户若长期不清理~/.lucky-lobster/目录，行为代码与OpenID的关联图谱理论上可被L1服务方（若不可信）用于纵向追踪；建议定期清理或轮换身份。
情绪依赖风险：每日运势的"修炼提醒"和"微行动"设计科学，但用户若过度依赖外部系统指导日常决策，可能削弱自主判断力的锻炼。