核心用法
Bloom Discovery 是一款基于本地对话分析的人格画像生成工具。用户只需在聊天中输入 /bloom，系统会在约60秒内分析最近的~120条对话消息以及可选的 USER.md 配置文件，生成一份可视化的「Builder Identity Card」。
分析维度：
- 人格类型：Visionary（远见者）、Explorer（探索者）、Cultivator（培育者）、Optimizer（优化者）、Innovator（创新者）五类之一
- MentalOS 光谱：Learning（尝鲜型vs研究型）、Decision（直觉型vs分析型）、Novelty（早期采用vs成熟优先）、Risk（激进型vs审慎型）四个0-100的维度评分
- 兴趣标签：AI Tools、Productivity、Automation 等类别识别
- 隐藏洞察：基于模式识别的自我认知盲点提示
- 工具推荐：从 Bloom 技能目录匹配度排序的个性化推荐
执行流程：
1. 本地读取会话历史与 USER.md（约120条消息）
2. Node.js 本地执行人格分析算法
3. 对 MentalOS 分数注入 Laplace 差分隐私噪声（ε=1.0）
4. 生成 SHA-256 会话指纹用于去重
5. 向 Bloom API 传输：人格类型、噪声化分数、兴趣类别、生成的标语描述、推荐工具ID
6. 返回 dashboard 链接与可视化身份卡
显著优点
| 优势 | 说明 |
|------|------|
零配置启动 | 无需钱包签名、无需复杂认证、三句对话即可触发 |
本地优先隐私 | 原始消息永不离开设备，分析在本地 Node 环境完成 |
差分隐私加固 | ε=1.0 的 Laplace 机制确保即使传输数据也无法精确还原个人特征 |
开源可审计 | 完整源码托管于 GitHub，关键隐私逻辑集中于 src/utils/privacy.ts |
持续进化 | 7天 TTL 刷新机制，结合交互反馈（点击/保存/忽略）优化推荐 |
USER.md 集成 | 主动读取用户声明的角色与技术栈，提升画像准确度 |
潜在缺点与局限性
- 冷启动依赖：新用户需至少3条消息或回答4个快速问题才能生成画像
- 推荐可用性风险：工具推荐依赖外部 API 可用性，可能返回空结果
- Node 环境依赖：需要本地具备
node与npx运行时，非纯浏览器方案 - 差分隐私权衡：ε=1.0 提供较强隐私保护，但会引入一定分数噪声，极端边缘案例可能影响推荐精准度
- 指纹去重局限：SHA-256 指纹用于防止重复分析，但无法完全阻止刻意构造的相似会话攻击
适合人群
- 希望快速了解自身AI工具使用偏好的开发者与创作者
- 追求隐私优先、不愿上传原始对话数据的敏感型用户
- 希望获得个性化技能推荐的 Claude/Claw 生态用户
- 乐于分享社交身份卡的内容创作者（输出含可截图的 dashboard 链接）
常规风险
| 风险类别 | 等级 | 说明 |
|---------|------|------|
数据泄露 | 低 | 原始消息本地处理，传输数据经差分隐私处理 |
去匿名化 | 低-中 | 长期多维特征组合存在理论上被关联的风险 |
供应链攻击 | 中 | 依赖 npm install 与外部 API，需审查 package.json |
误画像风险 | 低 | 短期会话可能无法反映稳定人格，建议7天刷新后复核 |
社交工程 | 低 | 身份卡含个人风格标签，分享时需注意上下文敏感性 |
安全设计亮点
该技能在隐私工程层面表现突出：通过「本地计算+差分隐私+最小传输」的三层架构，在个性化推荐与数据保护之间取得平衡。开源实现与可验证的隐私参数（ε=1.0）使其成为同类工具中的可信选择。