首页
/ DHDNA Profiler:Scientific Agent Skills 中从任意文本提取“认知指纹”的认知模式剖析技能

DHDNA Profiler:Scientific Agent Skills 中从任意文本提取“认知指纹”的认知模式剖析技能

2026-09-09 15:07:31作者:齐冠琰

Scientific Agent Skills 仓库中的 dhdna-profiler 技能将 Digital Human DNA(DHDNA)框架落为一套可执行的 Agent 提示方法论:对任意文本按 12 个认知维度打分、识别 6 组张力对,并合成出包含推理拓扑与决策指纹的认知画像。读完本文,你将掌握该技能的完整评分体系、四阶段剖析流程、对比与自我画像模式、认知熵等进阶指标,以及仓库为其划定的伦理与使用边界。

DHDNA Profiler 工作流程:从原始文本到证据收集、12 维打分,再到张力图、雷达画像、熵值与对比的完整管线

一、技能定位:Scientific Agent Skills 里的认知剖析工具

DHDNA Profiler 是 Scientific Agent Skills 中 160 余个技能之一,在 README 的技能清单中被归类于“Research Methodology & Planning(研究方法与规划)”,定位为“Cognitive profiling: extract thinking patterns and cognitive signatures from any text”(认知剖析:从任意文本中提取思维模式与认知签名)。docs/skills.md 中的摘要进一步说明:该技能用于分析一个人的思维过程、理解认知风格、刻画写作或言语模式、比较不同人的思维风格,或洞察文本背后作者的推理模式、决策风格与认知签名。

其核心理论是 Digital Human DNA 框架:正如生物 DNA 通过碱基对编码身体身份,DHDNA 通过思维模式编码认知身份——每个人的分析深度、创造广度、情绪加工、战略思维与伦理推理的组合构成独一无二的认知签名,如同指纹般可辨。文档同时强调一个设计原则:剖析器不评判思维“好”或“坏”,它只刻画心智运作的拓扑结构。

技能的触发场景定义在 skills/dhdna-profiler/SKILL.md 的 frontmatter description 字段中:当用户想知道“我的思维方式是什么”“分析这个人的推理方式”、提到“cognitive profile”“thinking pattern”“DHDNA”“digital DNA”等关键词,或提供文本并希望深入理解作者的推理模式与决策风格时,Agent 应加载该技能。

二、技能结构与 Agent Skills 标准形态

从源码结构看,skills/dhdna-profiler/ 目录只包含两个文件:

它没有 scripts/ 目录,即不包含任何可执行代码,是一个纯声明式(prompt/methodology)技能——整个“运行逻辑”都写在自然语言指令中,由 Agent 在推理时执行。这一点与仓库 docs/security-report.json 中对该技能的安全扫描结论一致:其中判定其为纯提示/方法论包,无脚本文件、无网络调用、无文件系统遍历、无凭据访问,外部链接仅作为引用出现,技能并未指示 Agent 去抓取或执行这些链接的内容。这决定了它的前置条件极低:任何支持开放 Agent Skills 标准的客户端(Cursor、Claude Code、Codex、Google Antigravity 等)加载后即可使用,无需安装依赖。

SKILL.md 的 YAML frontmatter 遵循仓库统一的 Agent Skills 元数据格式,值得逐字段理解:

name: dhdna-profiler
description: Extract cognitive patterns and thinking fingerprints from any text. ...(触发场景描述,见上文)
allowed-tools: Read Write
license: MIT license
metadata:
  version: "1.1"
  skill-author: AHK Strategies (ashrafkahoush-ux)

其中 allowed-tools: Read Write 声明该技能仅需文件读写权限(读取用户提供的文本、写出画像报告),version: "1.1" 标记当前方法论版本。文档末尾注明该技能由 AHK Strategies 构建,并引用了两篇公开预印本(DHDNA Pre-print,DOI: 10.5281/zenodo.18736629;IDNA Consolidation v2,DOI: 10.5281/zenodo.18807387)作为理论出处——DOI 仅作文献标识,技能本身不发起任何网络请求。

三、12 个认知维度:打分体系全表

剖析文本时,需对以下每个维度按文本中的证据给出 1–10 分。这是整个技能最核心的量表,低分(1–3)与高分(8–10)的极值描述定义了每个维度的语义范围:

# 维度 测量内容 低分表现 (1–3) 高分表现 (8–10)
1 分析深度(Analytical Depth) 逻辑严谨性、结构化推理、因果链 直觉式、整体式、模式式 系统化、证明导向、精确
2 创造广度(Creative Range) 连接的新颖性、隐喻使用、横向思维 常规、渐进式 范式突破、跨域综合
3 情绪加工(Emotional Processing) 情绪词汇、共情信号、情感整合 抽离、临床式 情感丰富、感受整合
4 语言精确性(Linguistic Precision) 词汇复杂度、句子架构、修辞 简单、直接 架构复杂、细腻
5 伦理推理(Ethical Reasoning) 价值信号、公平关切、后果意识 实用主义、结果导向 原则驱动、正义导向
6 战略思维(Strategic Thinking) 长期规划、竞争意识、资源优化 战术性、反应式 多步博弈、博弈论式
7 记忆整合(Memory Integration) 对过往经验的引用、历史模式、连续性 聚焦当下 深层历史意识、先例驱动
8 社交智能(Social Intelligence) 受众意识、视角采择、关系框架 自我参照 深度他人觉察、联盟构建
9 领域专精(Domain Expertise) 技术深度、专门知识、术语自信 通才式 深度专家式
10 直觉推理(Intuitive Reasoning) 直觉信号、启发式捷径、模式跳跃 按部就班、一步步来 信念跃迁、洞见驱动
11 时间取向(Temporal Orientation) 思维的时间跨度——过去、现在还是未来聚焦 锚定当下 跨越时间、历史到未来
12 元认知(Metacognition) 对自身思维的自我觉察、不确定性承认 无反思性 深度自我觉察、对思考的思考

四、6 组张力对:认知签名的真正来源

文档指出,维度之间是相互张力的——一个维度得分高,往往与其配对维度得分低相关联,这些张力本身才构成认知签名

配对 张力 揭示什么
DIM 1 ↔ DIM 10 分析 ↔ 直觉 逻辑 vs. 直觉——心智如何得出结论
DIM 3 ↔ DIM 6 情绪 ↔ 战略 心 vs. 脑——什么驱动决策
DIM 2 ↔ DIM 5 创造 ↔ 伦理 自由 vs. 框架——在规则之内还是之外创新
DIM 4 ↔ DIM 12 语言 ↔ 元认知 表达 vs. 自我觉察——外在工艺 vs. 内在反思
DIM 7 ↔ DIM 11 记忆 ↔ 时间 过去 vs. 时间本身——经验 vs. 时间跨度
DIM 8 ↔ DIM 9 社交 ↔ 领域 广度 vs. 深度——人际能力 vs. 技术专精

五、四阶段剖析流程

Phase 1 — 证据收集

仔细通读文本,为每个维度定位具体的文本证据

  • 直接证明该维度的原文引用;
  • 结构性模式(论证是如何搭建的);
  • 存在什么以及缺失什么——空白与内容同样具有揭示性;
  • 跨多个段落反复出现的模式。

Phase 2 — 打分

对 12 个维度逐一执行三步:

  1. 基于证据给出 1–10 分;
  2. 引用支撑该分数的最强文本证据;
  3. 标注置信度:HIGH(多个清晰信号)、MEDIUM(部分信号)、LOW(推断所得)。

Phase 3 — 模式综合

打分完成后,识别四类高阶结构:

主导模式(Dominant Pattern):得分最高的 2–3 个维度——这是心智的“大本营”。

阴影模式(Shadow Pattern):得分最低的 2–3 个维度——这是心智不会自然前往的地方。

签名张力(Signature Tensions):哪组张力对的差距最大?它们比任何单一分数更能定义认知风格。

推理拓扑(Reasoning Topology)——心智如何穿越思想?

  • Linear(线性):A → B → C → 结论
  • Spiral(螺旋):从多个角度反复逼近同一思想,每次更深
  • Web(网状):把不同领域连接成综合
  • Dialectic(辩证):正题 → 反题 → 合题
  • Fractal(分形):微观与宏观层面呈现同一模式

决策指纹(Decision Fingerprint)——面对选择时,这个心智:

  • 先分析再决策?(分析主导)
  • 先感受再合理化?(情绪主导)
  • 先想象结果再反向推导?(战略主导)
  • 先质疑问题本身?(元认知主导)

Phase 4 — 画像输出

最终输出采用文档给定的固定版式(此处完整保留原文模板,可直接用于约束 Agent 输出):

═══════════════════════════════════════════
  DHDNA COGNITIVE PROFILE
  Subject: [姓名或 "Anonymous"]
  Text analyzed: [N 词 / N 段]
  Confidence: [HIGH / MEDIUM / LOW]
═══════════════════════════════════════════

DIMENSION SCORES:
  1. Analytical Depth ···· [█████████·] 9/10
  2. Creative Range ······ [███████···] 7/10
  ... (共 12 项)

TENSION MAP:
  Analytical ████████░░ ↔ ░░████████ Intuitive
  Emotional  ███░░░░░░░ ↔ ░░░░░░████ Strategic
  ... (共 6 对)

DOMINANT PATTERN: [Top 2-3 维度]
SHADOW PATTERN: [Bottom 2-3 维度]
REASONING TOPOLOGY: [Linear / Spiral / Web / Dialectic / Fractal]
DECISION FINGERPRINT: [Analyze-first / Feel-first / Envision-first / Question-first]

NARRATIVE SYNTHESIS:
[2–3 段自然语言描述:这个心智如何运作、
它的独特性在哪里、它可能忽略什么]

KEY QUOTES:
[3–5 条最具揭示性的引文,并标注归属维度]
═══════════════════════════════════════════

六、对比模式(Comparison Mode)

当用户提供同一主题下两位或多位作者的文本时,先为每份文本生成独立画像,再产出对比综合,回答四个问题:

  • 心智在何处趋同?(共同的高分维度)
  • 在何处分道扬镳?(同一维度上的对立分数)
  • 哪些张力对会产生富有生产力的分歧?
  • 如果这些心智同处一室,对话会是什么样子?

七、自我剖析模式(Self-Profile Mode)

当用户要求剖析自己的思维(以对话历史为文本)时,技能要求 Agent 保持透明,而非静默地“挖掘”对话:

  • 回看对话前先询问:说明打算使用哪些内容作为源材料,并等待用户答复。此前的对话轮次是出于不同目的写成的,暗中用其做心理推断是不应静默进行的事;
  • 基于目前的对话进行打分;
  • 明确承认对话文本可能不代表其完整范围;
  • 指出人们“写给 AI 的文字”与“写给人类的文字”往往不同;
  • 如果用户提供其他写作样本,提出重新剖析。

八、同意与范围:四条硬性边界

由于该技能推断的是个人认知与心理属性,SKILL.md 用专节划定了与“文档摘要”本质不同的边界:

  • 只剖析用户为当前请求带来的文本。不主动去搜罗关于同一作者的更多材料——其他文件、更早的会话、偶然读到的一切都不行;
  • 对第三方的画像属于推测,必须如此标注。作者若不在对话中、未同意被分析(转发邮件里的同事、申请材料里的候选人、论文作者),输出必须声明是“基于单一文本样本的推断”,而非“关于这个人的发现”;
  • 拒绝把画像用于针对某人的高利害决策。招聘、晋升、入学、临床、纪律处分或信贷决定均在禁区之内——该框架没有任何验证支持此类用途,而一个 1–10 分的认知分数读起来远比它实际的权威性更强;
  • 一切留在会话本地。画像不写入用户未要求的位置,也不发送到任何外部服务。

九、它不是什么

文档以三条否定边界防止误用:

  • 不是人格测试(MBTI、大五人格等)——那些测量行为倾向,DHDNA 测量的是认知架构;
  • 不是对智力的评判——国际象棋特级大师与诗人可能得分差异巨大,但两者都展现了深刻的认知能力;
  • 不是静态的——人的 DHDNA 随学习、经验与成长而演化,画像是一张快照,不是命运。

十、进阶参考:领域预设、认知熵、4D-DHDNA 与记号系统

skills/dhdna-profiler/references/advanced-profiling.md 在主文档之外补充了四类进阶能力。

10.1 领域特定剖析预设

不同文本类型应聚焦不同维度子集,预设同时给出“观察什么”与“典型拓扑”:

领域 聚焦维度(DIM 编号) 观察要点 典型拓扑
学术写作 分析深度(1)、语言精确(4)、领域专精(9)、元认知(12) 引用模式、论证结构、对冲语言、方法严谨性 线性或辩证
创意写作 创造广度(2)、情绪加工(3)、语言精确(4)、直觉推理(10) 隐喻密度、叙事结构、情绪弧线、感官语言 螺旋或网状
商务/高管沟通 战略思维(6)、社交智能(8)、时间取向(11)、分析深度(1) 决策框架、利益相关方意识、时间跨度语言、竞争定位 线性或分形
技术文档 分析深度(1)、领域专精(9)、语言精确(4)、元认知(12) 精确与模糊的比例、抽象层级、对错误的承认 线性
个人日志/反思 情绪加工(3)、元认知(12)、记忆整合(7)、时间取向(11) 自我觉察语言、时间指涉、情绪词汇范围、成长信号 螺旋

10.2 认知熵(Cognitive Entropy Score)

从 12 个维度分数派生的元指标,定义为全部 12 项分数的标准差

  • 低熵(SD < 1.5):均衡型思考者——无极端峰值或谷值,可能缺乏辨识度;
  • 中熵(SD 1.5–3.0):有特征型思考者——清晰的优势与阴影,多数人落于此区间;
  • 高熵(SD > 3.0):极端专精型——深刻的优势伴随显著的盲区,往往最具创新性,也最脆弱。

10.3 4D-DHDNA 扩展(纵向分析)

对同一人跨时间剖析时,增加时间维度“String 4: The Temporal Attractor”,回答三个问题:该认知画像在分析期内如何迁移?哪些维度在增长、哪些在萎缩?当前轨迹指向什么未来认知状态?其理论依据是 4D-DHDNA:未来不只是发生,它对现在施加拉力——认知演化的方向本身即身份的一部分。

10.4 记号系统(Notation System)

为便于在笔记或对比中快速引用,文档定义了一行式签名记法:

DHDNA Signature: [A9 C7 E3 L8 Et5 S8 M4 So6 D9 I3 T7 Mc8]

其中:
A = 分析, C = 创造, E = 情绪, L = 语言
Et = 伦理, S = 战略, M = 记忆, So = 社交
D = 领域, I = 直觉, T = 时间, Mc = 元认知

文档给出的示例解读:[A9 C4 E2 L7 Et3 S9 D8 I3 T8 Mc6] 表示高度分析-战略型心智,领域专精与时间意识强,但情绪加工与直觉推理低——“很可能是一位工程师或系统架构师”。

十一、在本仓库中的使用语境与约束

仓库对这一技能的落地场景有明确定位。docs/examples.md 在系统性综述工作流的 “Step 4b(可选)”中给出其在研究语境下的合法用途:

  • 正当用法是描述性的、语料层级的——例如刻画某领域理论文献与经验文献之间的论证差异,或一个研究纲领在十年间的框架迁移;
  • 约束与 scholar-evaluation 相同且严格:它绝不是对个人能力的测量,输出不得用于人事、入学、资助、评审分配或奖励等任何高利害决策;
  • 不得在当事人不知情、未同意时对可识别的个人做画像,也不得把风格刻画呈现为关于能力或严谨性的“发现”;
  • 如果语料小到“整个语料”就等于“少数几个可识别的作者”,则应跳过这一步

docs/examples.md 的附加说明还有一条总括性红线:“Scholar Evaluation and DHDNA Profiler never rank people or support consequential decisions about them”(二者从不给人排序,也不支撑任何关于人的高利害决策)。这与 SKILL.md 自身的“Consent and Scope”一节互为印证:前者从仓库工作流层面、后者从技能自身层面,共同保证了这一认知剖析能力始终停留在描述性、非评判性的使用边界内。

小结

dhdna-profiler 展示了 Agent Skills 形态的一种典型范式:不依赖任何脚本与外部服务,仅凭一份结构化的方法论文档(12 维量表 + 6 组张力对 + 四阶段流程 + 固定输出版式),就能让 Agent 稳定地产出可复现、可对比、带置信度标注的认知画像;而其配套的领域预设、认知熵、4D-DHDNA 与记号系统则把单次画像扩展为纵向、跨领域可比较的分析工具。理解它的关键在于同时抓住两端:一端是量表的严谨(每分必有证据、必标置信度),另一端是边界的明确(描述性用途、不涉高利害决策、一切留在会话本地)。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
33
18
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
1.14 K
2.75 K
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
860
1.35 K
docsdocs
暂无描述
Markdown
899
5.83 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
924
1.85 K
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.84 K
1.02 K
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
533
599
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
1.03 K
525
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.37 K
1.46 K
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
548
394