Personal Self

解决的问题

在 Agent 架构中，"用户是谁"往往是一个被忽略的输入。多数大模型调用是无状态的：每一次请求都从零开始，模型不会自动知道用户的偏好、角色、称呼或工作背景。结果是用户需要反复补充上下文，Agent 的回复始终停留在通用层面，难以形成连续的个人体验。

对于多轮任务型 Agent，这个问题更突出。工具调用与任务规划之间需要稳定的用户画像作为锚点，否则跨轮次的上下文会出现断裂——用户刚解释过的信息，下一轮又要重新说明。

技能如何工作

Personal Self（@user_e02e04b8/personal-self）是一个面向 ai-agent 分类的大模型技能，名字直接指向它关注的领域：把"用户自身"这一维度纳入 Agent 的上下文。

从技能包的定位来看，它以可复用技能的形式挂载到 Agent 工作流中，围绕个人上下文的整理与使用展开。在典型的个性化技能里，关键步骤通常包括：

• 收集：从对话中识别用户的偏好与身份特征；
• 整理：把零散信息归纳为可复用的个人画像；
• 注入：在后续推理中作为补充上下文参与决策。

需要说明的是，该技能的公开 SKILL.md 文档非常简略，并未展开具体的接口定义、配置项与数据流向。上述环节是同类型个性化技能的常见模式，不代表该技能已逐项实现。引入前建议先阅读源码，或在实际场景中验证其真实行为。

适用边界

• 文档成熟度低：官方说明极少，评估成本主要落在自行试错上；
• 隐私先行：任何涉及个人特征的上下文都应先明确边界，过滤敏感信息；
• 场景匹配：适合长期交互的助手型 Agent；对一次性脚本任务，价值有限；
• 不替代整体设计：技能只负责上下文的组织，完整的个性化方案仍需结合自身数据。