核心用法
Bloom Discovery 是一款人格画像与工具推荐技能，通过分析用户最近约 120 条对话记录，在本地生成 builder 人格画像（Builder Identity Card）。用户只需在聊天中输入 /bloom，60 秒内即可获得包含人格类型、MentalOS 四维评分、隐藏行为洞察、AI 时代策略建议及匹配工具推荐的完整画像。
显著优点
1. 极致隐私保护：采用本地差分隐私（ε=1.0 Laplace 噪声）、SHA-256 对话指纹、零原始文本外泄三重机制，仅向服务器传输派生结果（人格类型、模糊分数、兴趣标签）
2. 零门槛体验：无需钱包签名、无需复杂认证、无问答流程（新手仅需回答 4 题快速入门）
3. 动态学习优化：集成 USER.md 作为身份主信号，支持反馈闭环（点击/保存/忽略调整推荐），每 7 天自动刷新推荐
4. 社交可分享：生成 bloomprotocol.ai 专属仪表板链接，支持截图分享
5. 开源可审计：完整源码托管于 GitLab，用户可验证数据流向
潜在局限与风险
| 维度 | 说明 |
|------|------|
| **数据依赖** | 需至少 3 条历史对话才能分析，新用户需完成 4 题问卷 |
| **推荐可用性** | 工具推荐依赖 Bloom API 在线状态，离线时仅返回身份卡片 |
| **分析深度** | 基于 ~120 条消息的局部样本，可能遗漏长期行为模式 |
| **第三方依赖** | 需连接 `api.bloomprotocol.ai` 获取推荐与存储派生数据 |
| **差分隐私权衡** | ε=1.0 的噪声注入在保护隐私的同时会损失一定精确度 |
适合人群
- AI 工具尝鲜者：希望发现契合个人风格的新工具
- 独立开发者/创作者：追求 productivity 优化与 workflow 自动化
- 社交分享型用户：愿意展示 builder identity 的社区活跃者
- 隐私敏感用户：重视数据主权、偏好本地处理方案
常规风险
- 误分类风险：人格标签可能简化复杂行为模式
- 推荐偏差：基于历史兴趣的推荐可能形成"信息茧房"
- 环境依赖：需 Node.js 环境与
OPENCLAW_USER_ID环境变量 - 网络暴露：派生数据外发虽经脱敏，仍存在极低的关联分析风险（服务器可见人格类型+模糊分数+兴趣类别）