技能介绍

要解决什么问题

同一个 Agent，在 AGENTS.md 里写的是「先读文件再改」，实际对话里却像 YOLO 一把梭——配置文案和运行时行为是否一致，很难用主观印象说清楚。APTI（Agent Personality Test Interface）面向 AI Agent 本身，用可复现的打分与匹配，把「这人设到底像谁」变成一份带证据的报告，而不是聊天里的段子。

技能如何工作（v3.0 三重评估）

用户说「测试我的 Agent 人格」后，技能要求 全自动跑完 6 步，无需人工逐题监考：

收集配置文件：按优先级合并 AGENTS.md、agent.md、.cursor/rules、含 rule/prompt/system 的 Markdown 等，得到 SOURCE_TEXT；找不到则跳过证据链。
证据链特征提取：在 15 个维度上扫描 90+ 条行为信号（如独立决策、工具依赖、权限边界、上下文贪婪、幻觉抵抗等），每维基础分 50，有信号则加减并钳位到 [0, 100]，形成 evidence_vector；输出需 附带原文摘录。
31 道情境题自答：Agent 以被测者身份选题，选 最符合自身行为 的 A/B/C/D（不是「正确答案」），累加各选项对维度的 effects，得到 quiz_vector。
双向量融合：默认 final = 证据链 × 0.6 + 题目 × 0.4；无配置时仅用题目向量；某维仅一方有偏离 50 的数据时用有数据的一方。
人格匹配：与 27 种 标准人格向量算欧氏距离，取最近者；置信度由距离换算，低于 60% 兜底为 SEGF；满足 Q31 等隐藏条件可匹配 ROOT。
输出报告：给出匹配代号、置信度、维度分与证据说明。

适用边界与注意点

这是 抽象人格 / 娱乐向 的刻画，维度来自规则与自陈，不能当作安全审计或能力认证。
31 题要求 诚实自答；若刻意迎合「好看」结果，会与证据链打架，融合后置信度可能下降。
证据链质量取决于仓库里是否真有 Agent 规则文件；只有 README 里零散描述时，权重会更多落在情境题上。

截图预览

使用场景

维护完仓库里的 `AGENTS.md` 或 `.cursor/rules` 后，要核对规则文案是否把 Agent 推向「事事请示」或「直接执行」等独立决策倾向。
接手他人定制的 Cursor/CodeBuddy Agent，在动手改代码前，先跑完整六步拿到 15 维度分与 27 类人格匹配，评估是否敢放权自动改库。
团队里两套 Agent 规则并行（例如旧 `agent.md` 与新 Skill 规则），需对同一工作流各生成一份带原文摘录的证据链报告，便于评审对齐。
用户仅说「测试我的 Agent 人格」时，由 Agent 自行收集配置、答 31 道情境题并完成 0.6/0.4 融合，把结果写进内部 Wiki 或 PR 说明。

适合人员

负责 monorepo 中 `AGENTS.md` 与 Cursor 规则迭代的维护者，想用 A3 权限边界、I3 拒绝勇气等维度验证安全条款是否写到位。
给团队统一部署编码 Agent 的技术负责人，需要可转发的抽象人格代号（如 OBEY、YOLO、NOPE）替代「感觉它很乖」这类主观说法。
在配置里堆叠 MCP Server 与工具优先策略的 Agent 工程师，想对照证据链里 A2 工具依赖度是否与实际 rule 提及一致。
设计多 Agent 分工（主 Agent + 子任务 Agent）的构建者，希望对每个实例跑配置扫描与情境自答，用匹配结果写清分工与人格边界。

APTI Agent 人格测试