核心用法
social-graph 是一套面向AI智能体的社交认知框架，通过结构化文件系统模拟人类的社会直觉：
1. network.md — 为每位联系人建立动态档案，记录信任等级（new/developing/established/deep）、欢迎话题、敏感禁区、情绪触发点、沟通风格偏好等
2. sharing-log.md — 按月追踪「分享内容→对象→反馈」的全链路，防止重复讲述同一内容
3. rules.md — 可自定义的社交原则库，涵盖「读空气」时机、分享边界、反模式清单
运行时无代码钩子，完全依赖智能体的自主推理：分享前查档案→核对日志→判断情境→事后记录。
显著优点
- 关系可计算化：将模糊的「社交直觉」转化为可维护的结构化数据，避免AI因上下文窗口限制而「失忆」
- 防重复机制：明确解决AI长期对话中的痛点——同一故事反复讲述
- 情绪上下文感知：通过「Hold back when」「Tone」等字段，强制智能体在特定情境下切换为倾听模式
- 渐进式信任模型：从保守倾听到深度分享的分级策略，符合真实人际关系发展规律
- 无侵入设计：纯文本文件+提示词引导，不依赖外部API或复杂状态机
潜在局限
- 人工维护成本：网络图谱和分享日志需手动/半自动更新，规模化后可能产生管理负担
- 冷启动问题：新关系缺乏历史数据，初期判断依赖通用原则而非个性化洞察
- 文化特异性：默认规则基于西方个人主义社交语境，东亚「面子」「人情」等维度未充分覆盖
- 反馈延迟：「how it landed」的记录依赖用户主动反馈或智能体自行推断，准确性存疑
- 过度结构化风险：将人际关系完全数据化可能削弱有机的、即兴的社交流动
适合人群
- 需要长期维护多对一人际关系的AI陪伴型应用开发者
- 追求「有记忆、懂分寸」的对话系统设计者
- 对AI社交边界感有严格要求的B端场景（如心理咨询辅助、客户成功管理）
- 希望AI从「信息输出者」转变为「关系建设者」的研究者
常规风险
- 隐私合规：分享日志可能累积敏感对话摘要，需明确数据归属与删除机制
- 关系误判：依赖历史标签可能产生刻板印象，错过关系动态变化的信号
- 情感操纵：精细化的社交策略若被滥用，可能沦为「操纵性共情」的工具
- 透明度悖论：用户若知晓AI在「计算」关系，可能产生被物化的不适感