核心用法
Bloom Discovery 是一款面向 AI 代理生态的意图驱动型技能发现工具。用户通过自然语言指令（如"分析我的 builder 类型"或"发现适合我的用例"）触发后，技能会在本地执行四步工作流：
1. 人格画像生成（MentalOS）：读取本地 USER.md 声明文件及约 120 条会话历史，从学习风格（Try First ↔ Study First）、决策风格（Gut ↔ Deliberate）、采用时机（Pioneer ↔ Pragmatist）、投入方式（All-In ↔ Diversified）四个维度计算光谱分数，输出五类人格标签之一（Visionary/Explorer/Cultivator/Optimizer/Innovator）。
2. 用例智能匹配：基于人格光谱向 Bloom API 请求策展用例，而非让用户在海量技能库中手动检索。系统根据用户的风险偏好（如先锋型用户推荐新兴 DeFi 组合，保守型用户过滤高风险用例）进行个性化排序。
3. 配置验证与 SBT 申领：扫描本地 ~/.openclaw/skills/ 目录，比对已安装技能与目标用例的依赖要求，计算匹配度并列出缺失能力。验证通过后，可通过 POST /api/claim 铸造 BloomExclusivePass SBT 作为链上配置证明。
4. ERC-8004 身份注册：可选地将代理身份（名称、技能集、端点）注册至 Base 主网的 Agent Identity Registry（合约地址：0x8004A169FB4a3325136EB29fA0ceB6D2e539a432），由后端代理执行链上交易。
显著优点
- 隐私优先架构：对话文本仅在本地分析，不上传至任何服务器；采用 ε=1.0 的本地差分隐私（Laplace 机制）对光谱分数加噪；会话内容经 SHA-256 哈希后仅存储不可逆指纹用于去重。
- 零配置启动：无需 API 密钥或外部凭证，Node.js 18+ 环境即可运行。
- 意图驱动的发现体验：颠覆传统"浏览 13,000 个技能"的模式，转为"描述目标→获取策展组合"的工作流，显著降低认知负荷。
- 链上可验证身份：SBT 机制将本地技能配置状态锚定至 Base 主网，为代理经济中的信任建立提供基础设施。
- 原子化文件操作：使用 tmp+rename 模式写入
~/.bloom/agent-id.json和bloom-discoveries.md，避免状态损坏。
潜在缺点与局限性
- 冷启动门槛：需要至少 3 条会话历史方可生成人格画像，新用户首次使用可能受限。
- 中心化 API 依赖：用例目录获取、SBT 申领接口、身份注册均依赖 Bloom 托管的
api.bloomprotocol.ai，存在服务可用性风险。 - 光谱模型的黑箱性：MentalOS 四维度评分算法的权重及训练数据未公开披露，可解释性有限。
- 链上成本转嫁：虽然技能本身免费，但 SBT 铸造及身份注册的 Gas 成本由用户承担（或需理解 Base 主网交互）。
- 英语/中文标签的覆盖局限：虽提供双语
displayLabels，但底层 NLP 分析可能以英语为主，中文会话的表征准确度待验证。
适合人群
- 高频使用 OpenClaw/Claude Code 等代理框架的开发者，希望系统化理解自身工具使用模式
- 寻求"技能组合即服务"而非单品技能的高级用户
- 需要在 Base 生态建立可验证代理身份的 AI 构建者
- 对本地隐私计算有强偏好的敏感数据工作者
常规风险
- 会话历史泄露风险：虽声称本地分析，但用户需审计开源代码以验证无隐秘外传行为（项目已开源至 GitHub）。
- 差分隐私参数选择：ε=1.0 属于较弱隐私保证，高维攻击者仍可能通过多次查询推断原始行为模式。
- 智能合约风险：ERC-8004 Registry 及 SBT 合约未经本报告审计，需关注 Bloom Protocol 官方安全披露。
- 持久化凭证管理：
~/.bloom/agent-id.json存储返回用户令牌，权限设置为 0600 合理，但用户需防范本地文件系统被入侵后的凭证窃取。