Bloom Discovery 综合评估
核心用法
Bloom Discovery 是一款基于本地对话分析的身份洞察工具。用户输入 /bloom 后，系统读取 USER.md 配置及最近约 120 条对话记录，通过 MentalOS 四维模型（Learning、Decision、Novelty、Risk）生成 builder 人格画像，输出包含人格类型、标签、光谱评分、隐性模式洞察、AI 时代策略及工具推荐的「Bloom 身份卡」，并生成可分享的 dashboard 链接。新用户若无足够对话历史，需回答 4 道快速问题完成初始化。
显著优点
1. 隐私优先架构：全程本地分析，原始对话文本永不离开设备；仅上传经 Laplace 差分隐私（ε=1.0）加噪后的四维分数、人格类型及兴趣类别等派生数据。
2. 最小化数据暴露：SHA-256 对话指纹用于去重，不可逆推原始内容；服务器仅接收聚合后的抽象标签。
3. 零摩擦体验：无需钱包签名、无需复杂授权，单命令触发，60 秒内完成。
4. 持续学习：结合 USER.md 声明身份与对话反馈循环，每 7 天自动刷新推荐，随使用演进。
5. 开源可审计：完整源码托管于 GitLab，用户可自行验证无原始文本外泄。
潜在局限与风险
- 依赖环境：需 Node.js 及 npx 环境，首次运行需拉取源码并
npm install，对离线场景不友好。 - API 可用性：工具推荐依赖 Bloom API 在线服务，若服务端故障则仅返回身份卡。
- 差分隐私 trade-off：ε=1.0 的噪声注入虽保护隐私，但可能轻微降低跨用户画像比较的精确度。
- 对话历史门槛：需至少 3 条历史消息，纯新用户需完成问答流程。
- 权限范围：虽声明「只读」，但仍需读取会话文件及外部网络权限，用户需信任本地分析实现的隔离性。
适合人群
- 频繁尝试 AI 工具、希望系统化理解自身工具偏好的独立开发者与创作者
- 注重数据隐私、不愿上传原始对话至云端进行分析的用户
- 寻求可分享身份标签以建立社群认同或寻找同好的 builder
常规风险
- 供应链风险：首次安装从 GitLab 拉取源码，需信任该仓库未被篡改。
- 密钥管理：自动生成的 JWT_SECRET 存储于本地
.env，若设备被入侵存在泄露风险。 - 社交工程：生成的身份卡含 dashboard 链接，需警惕钓鱼仿冒站点。