个性化与自学习

OpenHuman 如何在日常使用中学习你的沟通风格、身份、工具、否决意见和目标，然后在每次回复中将它们作为环境默认值呈现。

OpenHuman 了解你的方式就像一个优秀助手那样：不是让你填写设置表单，而是通过留意。随着你聊天、连接账户并纠正它，它会静静收集你喜欢的工作方式的证据，对这些证据的稳定性打分，并把持久的信号提升到你的 PROFILE.md 并进入每次未来轮次的系统提示词中。

不会因一条消息而锁定任何内容。某个偏好必须反复出现，才会在你的资料中占据一席之地；任何逐渐消退的内容都会停止注入。你始终掌控：资料是一个你可以编辑的纯 Markdown 文件，你可以固定或忘记任何已学到的事实。

---

学习内容

学习被组织为六种 维度类别。每个类别都有自己的衰减率和预算，因此某个噪声很多的类别不会挤占其他类别。

类	它捕获什么	示例
风格	你喜欢回复如何写	冗长程度=简洁, 格式=项目符号, 表情符号=跳过
身份	关于你的稳定事实	姓名=Alice, 时区=PST, 角色=工程师
工具链	你的开发者工具链	包管理器=pnpm, 编辑器=neovim, 语言=rust
否决	你明确拒绝过的内容	避免使用破折号, 不使用嵌套项目符号
目标	当前目标和进行中的项目	自由格式的目标句子
频道	你偏好的交流场所	主=desktop-chat

反复出现的人物、主题和过往线程都 不 存储在这里。它们位于 记忆树 中，并由 memory_recall.

---

学习流水线

证据会经过四个阶段： 捕获 → 评分 → 渲染 → 注入.

 你的活动                 候选缓冲区            稳定性检测器
 ────────────                  ────────────────            ──────────────────
 聊天轮次        ──┐
 纠正            ──┤
 邮件签名        ──┼──→  LearningCandidate ──→  每 30 分钟重建一次
 已连接账户      ──┤      （类别、键、值、      + 事件驱动（约 60 秒
 LinkedIn（可选）──┘       线索族，证据）   新数据到来后）
                                                          │
                                                          │  对每个（类别、键）评分
                                                          │  解决值冲突
                                                          │  应用每类预算
                                                          ▼
                                                   user_profile 维度
                                                   （Active / 暂定 /
                                                    候选 / 已丢弃）
                                                          │
                                          CacheRebuilt ───┤
                                                          ▼
                                  ┌───────────────────────┴───────────────┐
                                  ▼                                        ▼
                            PROFILE.md                            系统提示词
                       （受管理块）                     （“你的固定偏好”）

捕获。 生产者会监视你的活动并推送一个 LearningCandidate 到一个有界缓冲区中。每个候选项都会记录 （类别、键、值） 它所主张的内容、指向证据的指针，以及一个 线索族 来描述信号有多强： 显式 （你直接说出来的）， 结构性 （来自账户数据或文件）， 行为性 （根据你的行为推断），或 重复出现 （统计模式）。

评分。 后台 稳定性检测器 大约每 30 分钟重建一次缓存，在新的邮件或文档到来时会更早。它会聚合某个事实的所有候选项并计算稳定性分数：更强的线索族权重更高，较新的证据比陈旧证据更重要（每个类别都有半衰期），而你明确说出的陈述会让权重翻倍。

类	证据半衰期
身份	90 天
否决	60 天
工具链 / 目标	30 天
风格	14 天
频道	7 天

分数决定每个事实的生命周期状态：

状态	含义
Active	足够强，可渲染到 PROFILE.md 并注入到提示词中
暂定	已存储并跟踪，但尚未显示
候选	仍在收集证据
已丢弃	衰减到阈值以下；已移除

当两个值争夺同一事实时（例如 冗长程度=简洁 还是 冗长程度=详细），稳定性更高的值获胜。失败者会被丢弃，如果它再次变成真实，就会自然重新赢回位置。

---

存储位置： PROFILE.md

学习得到的资料会落地为 PROFILE.md 在你的工作区中，一个真实可编辑的 Markdown 文件。每个维度类别都拥有一个受管理的块（## 风格, ## 身份, ## 工具链, ## 否决项, ## 目标），而且只有 Active 这些维度会被写入，并按稳定性排序。被固定的条目标记为 *(已固定)*.

渲染器只会处理它自己管理的块。你在这些块之外手工写入的任何内容（以及由集成层拥有的独立 ## 已连接账户 块）都会保持不变。空类别会显示一个 *(暂无条目)* 占位符，而不会消失。

按会话冻结。 PROFILE.md 会在会话开始时折叠进代理的系统提示词，并在该会话的整个生命周期内保持稳定，这让提示缓存保持快速。你在会话中途所做的编辑会在下一次重建和下一次会话中生效，而不会回溯到当前会话。

---

它如何在回复中呈现

在每一轮中，代理都会读取 Active 维度，并将它们作为精简的 “你的固定偏好” 系统提示词中的一个部分，同时还有一条始终保留的指令，要求调用 memory_recall 在回答任何依赖过往会话的内容之前。结果是，代理会默认采用你的冗长程度、工具和否决项，而无需提醒；而具体细节则会从记忆中取用。

---

可选的 LinkedIn 增强

在入职过程中，你可以让 OpenHuman 从 LinkedIn 为你的身份启动引导。流程会在你连接的 Gmail 中搜索一个 linkedin.com/in/... 个人资料 URL，并且（如可用）抓取公开资料，然后将其发现压缩为 PROFILE.md 通过 learning_save_profile 步骤。它只运行一次，作为一次即发即弃的处理。它完全由你选择启用；如果未找到资料，则会干净地跳过。

---

审阅并控制已学内容

所有已学内容都可检查且可逆：

• 编辑 PROFILE.md 直接。 文件归你所有。修正、添加或删除任何内容；下一次重建会尊重你的编辑。

• Brain 页面 （底部栏中间凸起的按钮， /brain）是记忆和智能的主页。知识图谱、目标、来源和同步状态都在这里。

• 固定 某个事实，使其保持 Active 并免受衰减，或 忘记 忘记某个事实，以将其丢弃并阻止其回来。底层上，这些是 learning_pin_facet, learning_unpin_facet，以及 learning_forget_facet 针对 openhuman.learning_* RPC 接口，以及 learning_list_facets 以及 learning_rebuild_cache.

---

另请参阅

• 记忆树，在这里，反复出现的人物、主题和线程都存放并按轮次召回。

• 目标与待办，与已学习的 goal/* 维度。

• 潜意识循环，在轮次之间持续思考你的工作区的后台引擎。