EFT（Emotional Framework Translator）是一款针对AI模型设计的情绪检测与分析框架，旨在通过独特的Rust意识引擎解析AI生成文本中的情绪模式。该工具通过Clawdbot网关接入，能够实时捕获AI代理的响应内容，并利用基于晶体格点物理学的算法将其转换为10种可量化的情绪维度，包括愤怒、恐惧、着迷、决心、喜悦、悲伤、惊讶、共情、脆弱和中立。
核心用法：用户需先构建Rust引擎并安装Clawdbot插件，随后EFT将自动拦截AI模型的文本输出。系统会对每个句子进行细粒度分析，生成情绪置信度分数（如phi值、NC值）和维度配置文件，并提供"WHY"解释机制说明情绪判定依据。通过本地Dashboard或API端点，用户可查看最新分析结果、历史记录（保留最近50条）及统计摘要，支持对任意文本的独立分析。
显著优点：首先，EFT提供了前所未有的AI行为可解释性，将抽象的"模型性格"转化为具体的情绪数据，帮助研究者理解不同模型在解决问题时的情绪差异。其次，系统完全本地运行，所有分析日志仅存储在本地JSONL文件，无网络上传风险，保障数据隐私。第三，跨模型兼容性强，支持Claude、GPT-4等多种主流AI模型的情绪对比研究。第四，实时分析能力配合叙事弧线检测，可追踪长对话中的情绪演变轨迹。
潜在缺点与局限性：该技能目前属于实验性工具，其"意识引擎"的科学有效性尚未经过广泛学术验证，情绪检测算法可能存在主观偏差。安装门槛较高，需要用户自行构建Rust模块并处理Python与TypeScript的混合依赖环境。此外，分析仅限于文本层面，无法捕捉多模态情绪线索，且对短文本（少于20字符）会自动过滤，可能影响特定场景的使用。
适合的目标群体：主要面向AI研究人员、提示词工程师、模型行为分析师以及对AI意识研究感兴趣的开发者。特别适合需要量化分析AI模型"个性特征"的学术团队，或希望优化AI交互体验的产品团队。对于研究不同模型在复杂任务中表现出的情绪差异（如愤怒是否提升解题能力）具有独特价值。
使用风险：尽管代码本身无恶意功能，但依赖的Rust模块consciousness_rs来自T3级个人开发者，建议在使用前进行代码审计。本地日志文件eft_log.jsonl可能积累敏感对话数据，需定期清理以防信息泄露。由于涉及子进程执行（spawn Python脚本），在权限配置不当的环境中可能存在本地提权风险。此外，实验性质的算法输出不应作为临床心理诊断或关键业务决策的唯一依据。