核心用法
该 skill 通过持续观察用户与 AI 的交互模式，自动构建用户画像数据库。系统追踪用户对不同解释风格的反馈（如简洁型 vs 详尽型、理论型 vs 案例型），并在 2 次以上一致信号确认后固化偏好。核心功能包括：
- Style 维度：识别用户吸收知识的最佳特质（如视觉型、听觉型、实践型）
- Format 维度：记录偏好的解释格式（如步骤清单、对比表格、故事叙事）
- Tools 维度：标记有效的学习工具/方法及其适用场景
- Never 维度：明确排除低效或引发负面体验的教学方式
显著优点
1. 零配置启动：无需预设问卷，从首次对话即开始隐式学习
2. 跨场景适配：覆盖学术、职场、兴趣探索等多元学习情境
3. 渐进精准化：避免单次判断失误，采用 2+ 信号确认机制提升准确性
4. 结构可扩展：通过 dimensions.md 和 criteria.md 支持自定义评估维度
潜在缺点与局限
- 冷启动期：初期 3-5 轮对话内偏好数据稀疏，输出稳定性不足
- 信号噪声干扰：用户情绪、紧急程度等外部因素可能扭曲真实偏好
- 维度边界模糊：Style/Format/Tools 分类存在重叠，人工编辑时需判断归属
- 缺乏遗忘机制：长期未更新的偏好可能过时，但系统未设计自动衰减策略
适合人群
- 终身学习者、知识工作者、教育从业者
- 对 AI 教学效果有持续优化诉求的深度用户
- 学习场景多元、难以用静态标签定义的复杂需求者
常规风险
- 过度拟合风险：过早固化偏好可能错过更优教学方式
- 隐私累积：长期行为数据沉淀需关注存储与迁移安全
- 编辑冲突：用户手动修改与自动检测结论不一致时缺乏仲裁机制