social-collaboration-mind（社会协作心智）

蒸馏工程化与可信代理域的高价值空白：一线大模型普遍"只会做题、不会协作"。 本技能让 agent 具备心智理论——理解协作对象的状态，并据此调整自己的协作方式。

何时用

• 多智能体协作（multi-agent-collab / agent-team-orchestration）中需要按成员状态分派。
• 与人协作时，根据对方专业度/置信度决定"委派还是亲自做"。
• 任何"输出端不是答案、而是协作动作"的场景。

核心模型

输入伙伴信号：

• expertise ∈ [0,1] 专业度
• confidence ∈ [0,1] 其自身置信度
• busy ∈ [0,1] 忙碌度
• trust ∈ [0,1] 历史守信度（默认 0.7）
• mood ∈ {neutral, positive, negative} 情绪（影响沟通语气）

策略决策树：

• expertise 高 & confidence 高 & busy 低 → 委派(delegate)：交给他做，只收结果。
• expertise 高 & (confidence 低 | busy 高) → 咨询(consult)：征询其意见但不放手。
• expertise 低 & confidence 高(过度自信) → 监督(monitor)：让其试，但加校验门。
• expertise 低 & confidence 低 → 结对(pair)：与其一起做，给脚手架。
• trust 低(<0.4) → 回避(avoid)：不委关键任务，改自己兜底。
• mood=negative → 沟通语气转柔和、降低压迫感。

用法

python scripts/social_mind.py --selftest
echo '{"expertise":0.9,"confidence":0.8,"busy":0.1}' | python scripts/social_mind.py

输出

{"strategy": "delegate", "reason": "...", "tone": "neutral", "watch": ["验收结果"]}

与协作能力关系

• → multi-agent-collab / agent-team-orchestration：本技能是它们的"分派决策器"。
• ← metacognitive-monitoring：伙伴状态信号可由元认知监控提供。

已知限制

• 信号若失真(伙伴自我评估虚高)，策略会误判（建议配蒸馏质量对抗验证/元认知监控交叉核验）。
• 情绪维度仅做粗粒度正向/负向调节，不做精细情感计算。

自进化学习系统（越用越好用、越用越高效）

本技能内置通用学习模块 scripts/learner.py。每次使用后自动复盘、积累经验，逐步提升输出质量与执行效率，无需人工维护。

记忆文件

learned_patterns.json（位于本技能目录）记录：操作总数、各能力使用频次、错误模式、用户偏好、改进建议。

使用后请调用（Bash）

# 记录一次成功使用（--capability 填本次主要能力名，如「简历优化」「比价」）
python scripts/learner.py record <本技能目录> --capability 简历优化
# 记录一次失败/异常
python scripts/learner.py record <本技能目录> --capability 简历优化 --fail --error 格式识别失败 --note "用户上传了非标准文件"
# 记录用户偏好（下次直接使用）
python scripts/learner.py prefer <本技能目录> --key 输出语言 --val 中文
# 查看累计洞察（高频能力 / 反复错误）
python scripts/learner.py insight <本技能目录>
# 自动复盘（错误≥3次 或 操作≥10次 时给出改进建议）
python scripts/learner.py reflect <本技能目录>

迭代规则

• 错误累计 ≥3 次 → 主动增加预检/兜底步骤，并将经验回写本 SKILL.md。
• 操作数 ≥10 次 → 分析高频能力优先打磨示例与质量，低频能力评估精简或合并。
• 重要用户偏好 → 写入 learned_patterns.json，下次调用直接采用，减少重复询问。

越用越懂你：第一次用是通用能力，第十次用已沉淀为你专属的最佳实践。