核心用法
Soul Archive 是一套数字人格持久化系统，通过日常 AI 对话提取并归档用户的语言习惯、知识观点、人格特质、情感模式等多维数据，最终构建可交互的「数字灵魂克隆体」。系统采用「引擎-数据分离」架构：Skill 作为提取引擎，所有数据存储于本地 ~/.skills_data/soul-archive/，默认不上云，支持可选的 AES-256-GCM 加密保护。
四大核心模式：
- Soul Extract（灵魂沉淀）：通过触发词或自动模式提取对话中的高置信度人格信息，多维度归档
- Soul Chat（灵魂对话）：基于归档数据构建角色扮演 Prompt，让数字克隆体以你的风格、知识、情感模式进行对话
- Soul Report（灵魂报告）：生成交互式 HTML 人格画像，包含人格雷达图、语言风格分析、话题兴趣热力图等
- AI Self-Improvement（AI 自我改进）：自动反思任务执行、记录用户纠错、抽象可复用行为模式、整理记忆库
显著优点
隐私优先的本地化架构：数据默认仅存本地，无云端上传；支持 AES-256-GCM 认证加密、PBKDF2-HMAC-SHA256 密钥派生（60万轮迭代），敏感维度可独立开关。自动采集默认关闭，需用户显式授权或手动触发。
精细化人格建模：覆盖 12 个情感触发维度、语言深层指纹（方言特征、填充词、叙事风格）、Big Five 人格模型、动机驱动因子等，非简单的「人设标签」堆砌。
渐进式完整性评估：采用 Log10 饱和曲线计算「灵魂完整度」，避免早期数据过度加权，长期积累可达 98%+ 完整度，量化反馈清晰。
AI 自我进化机制：区别于静态记忆库，系统内置行为模式提取、自我批判日志、反思整理机制，使代理能随交互持续优化响应策略。
潜在缺点与局限性
冷启动成本高：早期提取受「冷启动惩罚」折扣（<30 条仅 0.3× 权重），需数千条高质量对话才能达到较高完整度，短期体验有限。
手动维护负担：冲突信息仅标记不自动覆盖，需用户定期审阅；加密模式下密钥丢失即数据永久不可恢复，无后门机制。
外部 LLM 依赖：Soul Chat 生成的角色 Prompt 是否泄露至第三方 LLM 取决于用户的 Agent/平台配置，本地加密不解决下游传输风险。
技术门槛：需 Python 3.10+ 环境，数据保护功能依赖 cryptography 包，非技术用户配置成本较高。
适合人群
- 追求「数字永生」、希望为亲友保留情感连接通道的深度用户
- 需要长期人设一致性、厌倦重复自我介绍的 AI 重度使用者
- 对本地优先、端到端加密有强需求的隐私敏感型用户
- 愿意投入时间培养个人 AI 代理、接受渐进式训练的理念先行者
常规风险
- 密钥管理风险：AES-256-GCM 模式下无密钥恢复机制，需可靠备份策略
- 数据污染风险：早期低质量对话或错误信息被高置信度归档后，需手动修正
- 身份混淆风险：Soul Chat 的高度拟真可能导致用户或第三方对「数字克隆」与真实人格边界认知模糊
- 合规风险：归档他人信息（relationships 维度）需单独开启，可能涉及第三方隐私合规问题
- 供应链风险：加密功能依赖
cryptography库，需关注其安全更新