Warmstart 冷启动画像

它解决什么问题

传统 Agent 要在 3-5 轮对话之后才能大致摸清用户偏好，结果是前几轮回复要么过于通用，要么语气和信息量跟用户不匹配。在多人共用同一个 Agent、或者为新用户首次部署的场景里，这段「试探期」的代价尤其明显。Warmstart 的思路是用一份 5 道选择题的量表替换这段试探：先让用户回答，再生成结构化画像，最后把画像注入 system prompt，让 Agent 第一轮就有针对性。

它如何工作

核心流程分三步。

• Step 1：运行 5 题评估。 既可以跑交互式问卷，也可以直接用代码生成。输出固定包含两部分：画像分数 和 Agent行为指令。
• Step 2：注入画像。 推荐写入 SOUL.md，放在 agent 角色定义之后、对话规则之前，对后续所有会话生效；也可以写入 Memory.md，只影响当前会话。
• Step 3：验证与持续修正。 用同一个中性问题测试两轮，观察回复在格式、情绪、信息量上是否匹配画像。3-5 轮后对比用户实际行为，调整维度分数，目标是画像与行为偏差 ≤ 0.2。

设计理念是「以量表为底（大五人格），以命盘为壳（紫微斗数时间轴）」。命盘数据属于可选附加，不影响核心流程。

适用边界

适合为新用户部署、风格不匹配需要校准、多人共用需要快速切换画像的场景。不要用于已有大量对话历史的用户，memory 已足够丰富；也不要用于一次性任务或拒绝评估的用户。

几个容易踩的坑：

• 画像不是永久标签，对话观察的优先级高于先验，发现偏差要立即调整分数。
• 多人共用时必须为每个人维护独立画像，不能用一份覆盖所有人。
• 5 题评估只是起点，用户自我报告可能被「理想自我」扭曲，后续实际行为更有参考价值。
• 画像负责「用户是什么样的人」，memory 负责「用户经历过什么」，两者互补，不要交叉覆盖。