自我发现

为什么需要结构化的自我探索

在面临职业转型、定期复盘或仅仅是想搞清楚“我到底想要什么”时，人们往往会陷入两种困境：要么用几个干瘪的标签（如“我是INFJ”、“我擅长沟通”）概括自己，缺乏具体的行为证据；要么在脑海中反复权衡，却抓不住真正影响决策的底层模式。self-discovery 技能旨在通过结构化的深度访谈，打破这种自我叙事的局限，用真实的过往经历替代空洞的自我评价。

核心机制与工作流

该技能通过一种名为 /grilling 的追问模式运行，核心在于“一次只问一个问题，并在得到回答后持续深挖”。

• 确立焦点：首先明确本次探索的触发场景（如职业抉择、常规复盘或泛泛的自我了解），以决定后续七个维度的侧重点。
• 加载题库：从 references/question-bank.md 中读取涵盖七个类别的完整问题框架，挑选与用户焦点匹配的题目。
• 深度追问：严格遵循“提问-等待回答-继续深挖”的节奏。当发现矛盾或跨场景的共性时，直接指出并要求澄清。
• 增量记录：随着访谈推进，将浮现的规律和主题实时写入工作区的 SELF-DISCOVERY.md 文件中。
• 最终综合：在会话结束时，提炼出核心优势、成长空间、独特天赋模式、能量地图以及价值观契合度。

适用边界与注意事项

在使用此技能时，有几个关键原则必须遵守：

• 证据优于叙事：鼓励用户提供具体的故事和案例，而不是重复已接受的标签。
• 模式优于孤立事件：重点寻找跨场景反复出现的行为规律，而非纠结于单一的偶然事件。
• 张力即信号：当用户的言行不一，或某项优势在特定情境下演变为劣势时，技能会主动挑明这种矛盾。
• 结论归用户所有：AI 负责呈现模式和提出尖锐问题，但最终如何定义自我，决定权完全在用户手中。它不适合用于寻求专业的心理治疗或临床诊断。