核心用法
该 Skill 通过分析用户的 ChatGPT 对话导出文件（conversations.json），运用聚类算法识别用户的认知原型（Cognitive Archetypes）。用户需先从 ChatGPT 设置中导出数据，然后运行 Python 分析脚本，生成包含主要沟通模式、消息长度偏好、上下文切换频率等指标的 JSON 报告。最终将这些洞察整合到 OpenClaw 的 SOUL.md 或 AGENTS.md 配置文件中，使 Agent 能够根据用户的"效率优化者"、"系统架构师"或"哲学探索者"等原型自动调整回应风格。
显著优点
最突出的优势是完全本地化的隐私保护机制，所有数据处理均在用户设备完成，无需上传敏感对话内容至第三方服务器。该工具基于真实的对话历史而非问卷调研，能够客观捕捉用户在不同场景下的沟通差异（如工作 vs 个人模式）。支持高度定制化，用户可通过 YAML 文件定义专属原型，或调整聚类数量（2-10+）以平衡简化与精细度。输出报告不仅包含统计学指标（平均消息长度、代码块比例等），还提供可直接用于 Agent 配置的通信校准建议。
潜在缺点
目前仅支持 ChatGPT 的特定导出格式，无法兼容 Claude、Gemini 等其他平台的对话历史。作为 T3 来源的个人项目，缺乏企业级的长期维护保障和代码审计背书。分析质量高度依赖导出数据的完整性，对于新用户或对话样本较少的场景，聚类结果可能不够稳定。此外，脚本需要预装 Python 3 及 scikit-learn 等依赖，对非技术用户存在一定门槛。
适合群体
主要面向高级 AI 用户、Agent 开发者、以及追求极致个性化交互体验的技术从业者。适合需要频繁切换专业/个人沟通语境的用户，以及希望将 AI 从"通用助手"升级为"认知伙伴"的研究人员。对于关注数据隐私、不愿将对话历史上传至云端分析服务的安全意识较强用户尤为合适。
使用风险
虽然数据处理本地进行，但生成的分析报告（my-cognitive-profile.json）可能包含对话关键词摘要，需像保管原始导出文件一样谨慎存储。测试脚本 test_wildchat.py 会从 HuggingFace 下载 WildChat-1M 公开数据集，虽不涉及用户隐私数据，但在企业防火墙环境下可能触发网络策略告警。此外，过度依赖历史数据可能导致 Agent 固化过去的沟通模式，无法适应用户 evolving 的需求变化。