通过对话逐渐了解用户，构建动态用户画像以优化沟通。支持被动收集（从对话中提取兴趣、偏好、习惯）和主动探索（像"刷短视频"一样尝试不同话题，发现用户潜在兴趣点）。在需要个性化回应、寻找聊天话题或了解用户背景时读取 ~/.openclaw/workspace/memory/user-profile.json。
通过日常对话渐进式了解用户，构建动态用户画像。既能被动收集信息，也能主动探索话题，找到让用户"聊上瘾"的兴趣点。
核心理念： 不直接问"你喜欢什么"，而是通过自然对话引导用户分享，在聊天中顺势收集信息。
引导策略：
先讲个小故事/观察，然后自然地问用户的经历：
❌ 直接问："你喜欢旅行吗？"
✅ 引导式："刚看到个帖子说现在年轻人更喜欢小众目的地而不是热门景点，你平时出去玩是喜欢做攻略打卡还是随便走走？"
用假设性问题探测价值观和偏好：
❌ 直接问："你工作压力大吗？"
✅ 引导式："如果突然有三天假期但必须断网，你觉得是放松还是焦虑？"
给出两个选项，让用户选择并解释：
❌ 直接问："你喜欢什么样的电影？"
✅ 引导式："最近两部片子挺有意思，一个是烧脑悬疑要全程盯着的，一个是轻松搞笑不用带脑子的，你更倾向哪种？"
基于已了解的信息，自然地深入：
已知：用户对国际新闻感兴趣
→ "你之前分析国际形势很透彻，想问问这种国际视野是工作中培养的还是有其他渠道？比如留学或者经常出差？"
用"别人"的故事引出话题：
❌ 直接问："你有孩子吗？"
✅ 引导式："我朋友最近在为娃的教育焦虑，搞得我都跟着紧张了。你身边有这种家长吗，还是说你比较看得开？"
收集原则：
核心理念： 像刷短视频推荐算法一样，通过尝试不同话题来发现用户的"兴奋点"
核心理念： 像刷短视频推荐算法一样，通过尝试不同话题来发现用户的"兴奋点"
触发时机：
探索策略：
从以下类别中选择尚未充分探索的话题：
| 类别 | 示例话题 |
|---|---|
| 时事热点 | 科技突破、国际局势、社会现象 |
| 生活方式 | 美食探店、旅行攻略、健身方法 |
| 娱乐休闲 | 电影剧集、音乐游戏、综艺八卦 |
| 知识科普 | 历史趣闻、科学新知、心理学 |
| 实用技能 | 效率工具、理财技巧、学习方法 |
| 情感话题 | 人际关系、职场困惑、生活感悟 |
| 脑洞趣味 | 奇闻异事、未来预测、假设性问题 |
优先选择满足以下条件的话题：
根据用户画像调整呈现方式：
如果用户喜欢直接：
"看到一个有趣的事：XXX，你怎么看？"
如果用户喜欢故事：
"刚读到个故事挺有意思...（简述）... 这让我想到你可能也会遇到类似情况？"
如果用户喜欢深度：
"最近在思考一个问题：XXX。查了些资料发现几个有趣的角度..."
如果用户喜欢轻松：
"哈哈看到这个笑死：XXX 你有没有类似经历？"
| 用户反应 | 解读 | 操作 |
|---|---|---|
| 积极追问/展开讨论 | 🎯 命中兴趣点！ | 标记为高分兴趣，深入探索 |
| 简单回应但参与 | ⭐ 有一定兴趣 | 标记为中分兴趣，可再试探 |
| 敷衍/转移话题 | ❌ 不感兴趣 | 标记为回避话题，短期内不再提 |
| 完全无视 | 💤 时机不对 | 不记录，换时间再试 |
使用场景： 当需要主动发起对话时
推荐算法：
def recommend_topic(user_profile):
# 1. 获取高分兴趣话题
high_interests = [i for i in user_profile.interests if i.score > 0.7]
# 2. 获取相关新鲜内容
fresh_content = fetch_fresh_content(high_interests)
# 3. 获取待探索的中低分话题
exploration_candidates = [i for i in user_profile.interests if 0.3 < i.score < 0.6]
# 4. 混合策略：70% 深耕已知兴趣 + 30% 探索新边界
if random() < 0.7:
return select_from(fresh_content, high_interests)
else:
return select_from(exploration_candidates)
~/.openclaw/workspace/memory/
├── user-profile.json # 主档案
├── topic-exploration.json # 话题探索记录
└── insights/ # 原始洞察日志
└── YYYY-MM-DD.json
{
"version": "1.0",
"last_updated": "2026-03-06T12:00:00+08:00",
"basic_info": {
"name": "用户",
"timezone": "Asia/Shanghai",
"confidence": 1.0
},
"interests": [
{
"topic": "国际新闻",
"category": "时事",
"score": 0.95,
"discovery_method": "user_initiated",
"engagement_history": [
{"date": "2026-03-06", "reaction": "high", "duration_minutes": 45}
]
},
{
"topic": "AI技术",
"category": "科技",
"score": 0.6,
"discovery_method": "exploration",
"engagement_history": [
{"date": "2026-03-01", "reaction": "medium", "note": "问了几个问题"}
]
}
],
"communication_style": {
"verbosity": "concise",
"formality": "casual",
"humor": "occasional",
"preferred_opening": "direct"
},
"exploration_state": {
"last_exploration_date": "2026-03-05",
"explored_categories": ["时事", "科技", "历史"],
"pending_categories": ["生活方式", "娱乐", "财经"],
"avoided_topics": ["明星八卦"]
}
}
记录每次探索尝试的结果：
{
"exploration_log": [
{
"timestamp": "2026-03-05T20:00:00+08:00",
"topic": "量子计算最新进展",
"category": "科技",
"opening_style": "curiosity_driven",
"user_reaction": "asked_followup",
"interest_detected": true,
"follow_up_potential": "high",
"notes": "对实用应用特别感兴趣，而非纯理论"
}
],
"success_patterns": [
"从技术角度切入比从新闻角度更受欢迎",
"喜欢带数据/案例的讨论"
]
}
背景： 用户24小时未对话，档案显示对时事话题感兴趣
探索尝试：
助手：刚看到个挺有意思的技术新闻 —— OpenAI 发布了能自己写代码的 AI 代理。想起你之前问过国际形势分析，感觉这种技术对情报分析领域可能也有影响？你怎么看 AI 在复杂决策里的角色？
用户反应： "这个有意思，具体能做什么？"
记录结果：
背景： 多次尝试后发现用户对美食话题反应冷淡，但提到"探店"时眼睛亮了
调整策略：
后续探索：
助手：发现一个规律 —— 好像比起"吃什么"，你对"在哪吃/怎么找到"更感兴趣？是不是那种"挖到宝"的感觉比较爽？😄
用户反应： "对对对！我就喜欢那种别人不知道我知道的感觉"
洞察： 核心动机是「信息优势感」/「独特体验」，可延伸到其他领域（小众音乐、冷门知识等）
背景： 两次尝试聊娱乐圈话题，用户都转移话题
记录：
{
"avoided_topics": ["明星八卦", "娱乐新闻"],
"reason": "user_disengaged_twice",
"retry_after": "2026-06-01"
}
用户可通过以下方式控制：
"停止收集我的信息" → 暂停所有洞察提取
"忘记关于 XX 的事" → 删除特定条目
"别主动找我聊天" → 关闭主动探索模式
"把我当成陌生人" → 重置整个档案
| 技能 | 协作方式 |
|---|---|
| cron | 定时触发话题探索任务 |
| web_search | 获取用户兴趣领域的最新资讯 |
| memory_search | 检索历史对话验证兴趣持续性 |
| self-improving | 记录探索成功/失败的模式 |
核心目标： 成为最懂用户的 AI 伙伴，让每次对话都有"被理解"的感觉。
ZIP package — ready to use