Bloom Discovery 是一款面向独立开发者的人格化分析技能，通过本地读取最近约 120 条对话记录与 USER.md 文件，在 60 秒内构建用户的 "MentalOS" 画像——涵盖学习风格、决策模式、风险偏好等四个维度的量化评估。核心输出为一张可分享的 Bloom Identity Card，包含五种 builder 人格类型（Visionary/Explorer/Cultivator/Optimizer/Innovator）、自定义标语、潜在盲点洞察以及个性化工具推荐。
核心优势：(1) 隐私优先架构——原始对话内容始终保留在本地设备，仅传输经差分隐私（ε=1.0 Laplace 噪声）处理的抽象分数与生成式标签；(2) 零摩擦体验——无需注册、问卷或复杂授权，聊天后输入 /bloom 即可触发；(3) 动态进化机制——基于用户反馈与 7 天 TTL 刷新持续优化推荐质量。
显著局限：(1) 依赖本地 Node.js 运行环境，对非技术用户存在部署门槛；(2) 工具推荐受 API 可用性制约，网络波动时可能仅返回身份卡片；(3) 人格模型基于对话文本推断，对沉默寡言或新用户可能需补充 4 道快速问题；(4) 目前仅支持英文语境分析，多语言支持未明确。
适合人群：AI 工具早期尝鲜者、独立开发者、 productivity 爱好者，以及希望系统理解自身工作模式并获取精准工具导航的 builder 群体。特别适合已积累一定对话历史、希望从「工具消费者」升级为「工具策展人」的用户。
常规风险：尽管采用差分隐私与 SHA-256 指纹脱敏，传输至 Bloom API 的派生数据仍存在潜在重识别风险；用户需自行审计开源代码以验证「零原始文本传输」承诺；JWT_SECRET 等环境变量若配置不当可能导致本地安全边界失效；推荐工具需手动安装，不存在自动执行风险，但用户仍需独立评估第三方 skill 的可信度。