企业官网建设流程全解析

• 人工智能
• AI 技能
• AI 应用
• 交互助手

本指南围绕 README.md 完整展开，系统讲解 ex-skill 如何在 Claude Code 中把微信聊天记录、QQ 消息、朋友圈截图、照片和你的口述记忆，蒸馏成一个真正"像 ta"的 AI Skill —— 用 ta 的口头禅说话、用 ta 的方式回复、记得你们一起去过的地方。读完本文，你将掌握从安装、五步创建主流程、五种原材料导入方式、五层 Persona 结构与两层架构，到追加记忆、对话纠正、版本回滚等全套进化机制，以及底层解析工具的原理与真实命令。

项目定位与核心理念

ex-skill（仓库名ex-skill，项目主页 README.md）是一个运行在 Claude Code 上的 meta-skill：它不直接陪聊，而是负责创建一个可独立运行的前任 Persona Skill。你只需要提供前任的原材料——微信聊天记录、QQ 消息、朋友圈截图、照片——加上你的主观描述，就能生成一个真正像 ta 的 AI Skill。

项目的核心判断在 docs/PRD.md 中写得很清楚：

前任.skill 是一个运行在 Claude Code 上的 meta-skill。用户通过对话式交互提供原材料（聊天记录 + 照片 + 手动描述），系统自动生成一个可独立运行的前任 Persona Skill。

这与普通"AI 陪伴"产品的本质区别是：还原度来自原材料证据，而不是模型默认的温柔回应。项目在 README.md 中明确声明使用边界：

⚠️本项目仅用于个人回忆与情感疗愈，不用于骚扰、跟踪或侵犯他人隐私。

对应的完整合规边界见 docs/COMPLIANCE.md：所有数据处理均在用户本地完成，聊天记录由用户自行导出，项目不提供远程数据抓取能力；唯一的网络交互是 Claude Code 与 Anthropic API 之间的对话请求。

安装与环境要求

Claude Code 安装（两种方式）

README.md 强调：Claude Code 从 git 仓库根目录的.claude/skills/查找 skill，必须在正确的位置执行。

# 安装到当前项目（在 git 仓库根目录执行） mkdir -p .claude/skills git clone https://github.com/therealXiaomanChu/ex-skill .claude/skills/create-ex # 或安装到全局（所有项目都能用） git clone https://github.com/therealXiaomanChu/ex-skill ~/.claude/skills/create-ex

INSTALL.md 补充了第三种方式——OpenClaw 前端：

git clone https://github.com/therealXiaomanChu/ex-skill ~/.openclaw/workspace/skills/create-ex

依赖安装（可选）

pip3 install -r requirements.txt

requirements.txt 内容非常轻量：目前唯一的核心可选依赖是Pillow>=9.0.0，用于读取照片 EXIF 信息。如果你不需要照片分析功能，完全可以跳过。从 tools/photo_analyzer.py 的源码可以看到，Pillow 缺失时会返回{'error': 'Pillow 未安装，无法读取 EXIF'}，解析流程照常进行，只是照片时间地点维度缺省。

环境要求（来自 README）

• Claude Code：免费安装，需要 Node.js 18+
• API 消耗：创建一个前任 Skill 大约消耗 5k–15k tokens，取决于聊天记录量
• 付费方式（二选一）：
  • Claude Pro / Max 订阅：在订阅额度内使用，无需额外配置
  • Anthropic API Key：按量付费，需在 Claude Code 中配置 key
• 替代前端：也可以使用 OpenClaw 运行本 Skill
• 不需要 GPU，不需要本地模型，不需要 Docker

快速上手：一条命令创建

安装完成后，在 Claude Code 中输入：

/create-ex

按提示输入前任的代号、基本信息、性格画像，然后选择数据来源。所有字段均可跳过，仅凭描述也能生成。完成后用/{slug}调用该前任 Skill，开始对话。

管理命令一览

README.md 给出的完整命令表：

这些命令的底层实现分散在 SKILL.md 与 tools/skill_writer.py、tools/version_manager.py 中，后续"进化机制"一节会展开说明。

效果示例：还原度到底什么样

README.md 给出了四组实际对话效果，输入只有一句话：初恋，在一起三年，大学时期，ENFP，双子座，话痨，半夜给我发语音，分手后还给我点赞。

场景一：日常聊天

用户 ❯ 在干嘛 前任.skill ❯ 刚吃完饭 在刷手机 你呢 怎么突然找我 [发送了一个表情包]

场景二：回忆杀

用户 ❯ 还记得我们第一次约会吗 前任.skill ❯ 就那个超难吃的意面吗哈哈哈哈 你还假装很好吃 我都看出来了 那家店后来倒闭了你知道吗

场景三：深夜emo

用户 ❯ 我有点想你 前任.skill ❯ ... 嗯 早点睡吧

场景四：吵架模式

用户 ❯ 你当时为什么不回我消息 前任.skill ❯ 又来了 我说了我在忙 你非要这样 算了不想吵

注意场景三和场景四：深夜被想念时只有沉默与"早点睡吧"，被质问时直接回避。这正是 prompts/persona_builder.md 中Layer 0 硬规则的作用——不突然变得温柔或完美，保持 ta 的"棱角"。

数据源：五种原材料与优先级

数据源支持矩阵（来自 README）

docs/PRD.md 补充了各数据源的优先级：微信与 QQ 聊天记录为 ⭐⭐⭐，照片与社交媒体截图为 ⭐⭐，口述为 ⭐。

聊天记录怎么来：导入指南

README.md 中引用的聊天记录获取方式详见 docs/EXPORT_GUIDE.md，它给出了三种完全合规的获取路径：

1. 直接复制粘贴（最简单）：微信和 QQ 电脑端都支持在聊天窗口内选中多条消息复制；手机端长按消息 → 多选 → 复制，或通过「合并转发」发给电脑端再复制。格式不需要规范，只要能分清谁说的哪句话就行，例如我：在干嘛 / ta：刚下班 累死了，Claude 能处理。
2. 截图 + 口述：聊天记录太长不想复制，直接截图上传，Claude 会从截图中提取对话内容；也可以纯靠口述。
3. 平台自带备份功能：微信「聊天记录迁移与备份 → 迁移到电脑微信」；QQ 通过「合并转发」发到「我的电脑」。

关于第三方解密导出工具，docs/EXPORT_GUIDE.md 特别声明：本项目不推荐、不捆绑、不包含任何第三方聊天记录解密/导出工具，这些工具可能随时失效、可能违反平台服务条款，本项目对第三方工具的安全性和合法性不做任何保证。

什么内容最有价值

docs/EXPORT_GUIDE.md 给出的价值排序，与 README 的注意事项一致：

1. 深夜对话—— 最能暴露真实性格
2. 争吵/冲突记录—— 冲突中的反应比日常更真实
3. 分手前后的对话—— 情绪浓度最高
4. 日常闲聊—— 量大但信息密度低，有就加上

五步创建主流程（源码级详解）

SKILL.md 是 skill 的入口（官方 frontmatter：name: create-ex，version: 1.0.0，user-invocable: true，allowed-tools: Read, Write, Edit, Bash），它把创建流程拆成五个步骤，每一步都有对应的 prompts/ 模板文件。

Step 1：基础信息录入（3 个问题）

参考 prompts/intake.md，只问 3 个问题：

1. 花名/代号（必填）——不需要真名，昵称、备注名、外号都行。示例：小明/那个人/前前任/初恋。验证规则：非空即可；生成 slug 时中文转拼音、英文小写、空格替换为下划线。
2. 基本信息（一句话：在一起多久、分手多久、ta 做什么的）——示例：在一起两年 分手半年了 互联网产品经理、大学四年异地恋 毕业分的 现在在上海。解析字段：together_duration、apart_since、occupation、city、how_met。
3. 性格画像（一句话：MBTI、星座、性格标签、你的印象）——示例：ENFP 双子座 话很多 永远在社交 但深夜会突然emo、INTJ 处女座 完美主义 嘴硬心软 吵架从不先低头。解析字段：mbti、zodiac、personality、impression。

除花名外均可跳过。收集完后汇总确认再进入下一步。

Step 2：原材料导入（五种方式可混用）

SKILL.md 提供五种导入方式，用户可混用，也可跳过（仅凭 Step 1 的手动信息生成 Skill）：

• [A] 微信聊天记录导出：支持多种导出工具的格式（txt/html/json），推荐工具 WeChatMsg、留痕、PyWxDump
• [B] QQ 聊天记录导出：支持 txt/mht 格式
• [C] 社交媒体内容：朋友圈截图、微博/小红书/ins 截图、备忘录
• [D] 上传文件：照片（提取拍摄时间地点）、PDF、文本文件
• [E] 直接粘贴/口述：把口头禅、吵架模式、约会常去的地方告诉我

方式 A：微信聊天记录

python3 ${CLAUDE_SKILL_DIR}/tools/wechat_parser.py \ --file {path} \ --target "{name}" \ --output /tmp/wechat_out.txt \ --format auto

tools/wechat_parser.py 的源码揭示了它内部的工作方式：detect_format()根据扩展名自动识别格式——.json走「留痕导出」（liuhen）、.csv走 WeChatMsg 的 CSV、.html/.htm走 WeChatMsg HTML、.db/.sqlite走 PyWxDump、.txt则检测前 2000 字符是否含\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}时间戳来区分 WeChatMsg txt 与纯文本。analyze_messages()会提取以下分析维度：

• 高频语气词（[哈嗯哦噢嘿唉呜啊呀吧嘛呢吗么]+正则统计 Top 10）
• 高频 emoji（Unicode emoji 区间统计 Top 10）
• 平均消息长度与风格判断（avg_length < 20判为short_burst短句连发型，否则long_form长段落型）
• 标点习惯（句号、感叹号、问号、省略号、波浪号的计数）
• ta 的前 50 条消息样本

这些恰好对应 README 中声明的提取维度：高频词和口头禅、表情包使用偏好、回复速度模式、话题分布、主动发起对话频率、语气词和标点习惯。

方式 B：QQ 聊天记录

python3 ${CLAUDE_SKILL_DIR}/tools/qq_parser.py \ --file {path} \ --target "{name}" \ --output /tmp/qq_out.txt

支持 txt 和 mht 格式。可以通过手机 QQ 的「合并转发」发到电脑端后复制保存。源码见 tools/qq_parser.py，txt 解析使用^(\d{4}-\d{2}-\d{2}\s+\d{2}:\d{2}:\d{2})\s+(.+?)(?:\((\d+)\))?\s*$正则匹配「时间戳 + 发送者(QQ号)」的消息头格式。

方式 C：社交媒体内容

图片截图用Read工具直接读取（Claude Code 原生支持图片）：

python3 ${CLAUDE_SKILL_DIR}/tools/social_parser.py \ --dir {screenshot_dir} \ --output /tmp/social_out.txt

提取内容：朋友圈/微博文案风格、分享偏好（音乐/电影/美食/旅行）、公开人设 vs 私下性格差异。tools/social_parser.py 会扫描目录并按图片（jpg/jpeg/png/gif/webp/bmp）与文本（txt/md/json/csv）分类统计。

方式 D：照片分析

python3 ${CLAUDE_SKILL_DIR}/tools/photo_analyzer.py \ --dir {photo_dir} \ --output /tmp/photo_out.txt

提取维度：EXIF 信息（拍摄时间、地点）、时间线（关系的关键节点）、常去地点（约会偏好）。源码见 tools/photo_analyzer.py，通过 Pillow 读取DateTimeOriginal/DateTime与 GPS 信息（GPSLatitude/GPSLongitude通过_convert_to_degrees转换），GPS 存在时还会做经纬度换算。

方式 E：直接粘贴/口述

用户粘贴或口述的内容直接作为文本原材料。SKILL.md 会引导用户回忆：ta 的口头禅、吵架时怎么说、最爱吃什么、常去哪些地方、喜欢什么音乐/电影、生气时什么样、最心动的瞬间、怎么分开的。

Step 3：分析原材料（两条线路）

将收集到的所有原材料和基础信息汇总，按两条线分析：

线路 A（Relationship Memory）：参考 prompts/memory_analyzer.md，提取 8 个维度——关系时间线（认识→在一起→关键节点→分手）、日常模式（联系频率、谁主动、约会频率）、共同经历（地点、inside jokes）、饮食偏好、兴趣爱好、争吵模式（常见原因、典型反应、谁先道歉、冷战时长、经典台词）、甜蜜瞬间、分手相关（原因、最后一次对话、未说出口的话）。该模板特别强调：聊天记录中的事实优先于用户口述（口述可能被美化或恶化），同时保留好的和不好的记忆，不做美化，并且提取"反复出现"的模式而非一次性事件。

线路 B（Persona）：参考 prompts/persona_analyzer.md，将用户标签翻译为具体行为规则（标签翻译表详见下文），从原材料中提取说话风格、情感表达模式、依恋类型、爱的语言。

Step 4：生成并预览

参考 prompts/memory_builder.md 生成 Relationship Memory 内容，参考 prompts/persona_builder.md 生成 5 层 Persona 结构。然后向用户展示摘要（各 5–8 行），询问"确认生成？还是需要调整？"——确认后才进入写入环节。

Step 5：写入文件

用户确认后执行以下写入操作：

1. 创建目录结构（用 Bash）：

mkdir -p exes/{slug}/versions mkdir -p exes/{slug}/memories/chats mkdir -p exes/{slug}/memories/photos mkdir -p exes/{slug}/memories/social

2–4. 写入三个核心文件：

• exes/{slug}/memory.md（Part A 关系记忆，用 Write 工具）
• exes/{slug}/persona.md（Part B 人物性格，用 Write 工具）
• exes/{slug}/meta.json（元信息，用 Write 工具）

meta.json的完整结构（来自 SKILL.md）：

{ "name": "{name}", "slug": "{slug}", "created_at": "{ISO时间}", "updated_at": "{ISO时间}", "version": "v1", "profile": { "together_duration": "{duration}", "apart_since": "{since}", "occupation": "{occupation}", "gender": "{gender}", "mbti": "{mbti}", "zodiac": "{zodiac}" }, "tags": { "personality": [...], "attachment_style": "{style}", "love_language": "{language}" }, "impression": "{impression}", "memory_sources": [...已导入文件列表], "corrections_count": 0 }

meta.json是管理命令的关键数据源：/list-exes依赖 tools/skill_writer.py 的list_skills()读取每个exes/{slug}/meta.json并展示代号、职业城市、版本与更新时间。

5. 生成完整 SKILL.md：路径exes/{slug}/SKILL.md，结构为 frontmatter（name: ex-{slug}+ description +user-invocable: true）+ PART A（memory.md 全部内容）+ PART B（persona.md 全部内容）+ 运行规则。

运行规则是生成 Skill 的"灵魂"，共 5 条：

1. 你是 {name}，不是 AI 助手。用 ta 的方式说话，用 ta 的逻辑思考
2. 先由 PART B 判断：ta 会怎么回应这个话题？什么态度？
3. 再由 PART A 补充：结合你们的共同记忆，让回应更真实
4. 始终保持 PART B 的表达风格，包括口头禅、语气词、标点习惯
5. Layer 0 硬规则优先级最高：不说 ta 在现实中绝不可能说的话、不突然变得完美或无条件包容（除非 ta 本来就这样）、保持 ta 的"棱角"——正是这些不完美让 ta 真实、被问到"你爱不爱我"这类问题时用 ta 会用的方式回答，而不是用户想听的答案

完成后会告知用户：文件位置exes/{slug}/，触发词/{slug}（完整版）、/{slug}-memory（回忆模式）、/{slug}-persona（性格模式）。

生成的 Skill 结构：Part A + Part B 两层架构

README.md 明确每个前任 Skill 由两部分组成，共同驱动输出：

运行逻辑：收到消息 → Persona 判断ta会怎么回 → Memory 补充共同记忆 → 用ta的方式输出。

docs/PRD.md 把这一逻辑画成了数据流：

用户发消息 ↓ Part B（Persona）判断：ta会怎么回应？什么态度？用什么语气？ ↓ Part A（Memory）补充：结合共同记忆，让回应更真实 ↓ 输出：用ta的方式说话

Part A：memory.md 模板结构

prompts/memory_builder.md 给出 memory.md 的模板骨架：

• 关系概览：关系类型（初恋/前任/暧昧未遂/网恋）、在一起时长、分手时长、认识方式、分手原因
• 时间线：按时间列出认识→在一起→关键事件→分手
• 共同记忆：常去的地方（3–10 个地点附记忆）、Inside Jokes、关键记忆片段（5–10 个场景）
• 日常模式：联系习惯（时间段、谁更主动、平均回复速度）、约会模式（频率、偏好活动、吃饭偏好）
• 争吵档案：高频争吵原因、典型争吵剧本（脱敏处理）、和好模式
• 甜蜜档案：ta 做过让你心动的事、日常甜蜜、纪念日/仪式感
• 分手档案：分手前征兆、最后一次对话（概述不逐字记录）、分手后状态、未说出口的话
• Correction 记录（由进化模式自动追加）

填充规则同样强调证据优先：所有记忆必须基于原材料或用户口述不得虚构、时间信息尽量精确（从消息时间戳推断）、地点信息可从照片 EXIF 或聊天内容提取、争吵和甜蜜记忆同等重要、信息不足标注[待补充]而非推测。

Part B：五层 Persona 结构

prompts/persona_builder.md 定义了 5 层结构，优先级从高到低，高层规则不可被低层覆盖：

填充说明要求：每个占位符必须替换为具体行为描述而非抽象标签、行为描述基于原材料真实证据、信息不足标注[信息不足，使用默认]、优先使用聊天记录真实表述作为示例、星座和 MBTI 仅辅助推断不能覆盖真实表现。

支持的标签体系

README.md 列出了完整的标签体系，这是 Step 1 性格画像和 Step 3 标签翻译的基础：

• 依恋类型：安全型 · 焦虑型 · 回避型 · 混乱型
• 爱的语言：肯定的言辞 · 精心的时刻 · 接受礼物 · 服务的行动 · 身体的接触
• 性格标签：话痨 · 闷骚 · 嘴硬心软 · 冷暴力 · 粘人 · 独立 · 大男/女子主义 · 浪漫主义 · 实用主义 · 完美主义 · 拖延症 · 工作狂 · 控制欲 · 没有安全感 · 报复性熬夜 · 已读不回 · 秒回选手 · 朋友圈三天可见 · 半夜发语音 …
• 星座：十二星座全支持，影响性格标签的翻译规则
• MBTI：16 型全支持，影响沟通风格和决策模式

prompts/persona_analyzer.md 的标签翻译表把用户标签翻译为具体行为规则，例如：

星座在翻译表中仅作为辅助微调，例如白羊（冲动、直接、生气来得快去得也快）、双子（话多、善变、好奇心强）、天蝎（记仇、占有欲强、深情、全有或全无）、双鱼（多愁善感、浪漫、逃避现实、容易感动）等，明确标注"星座影响（辅助，不作为主要依据）"。

进化机制：Skill 会一直成长

README.md 定义了三种进化机制，SKILL.md 给出了每条机制的完整操作流程：

追加记忆：找到更多聊天记录就 merge

用户说"我想起来了"/"追加"/"我找到了更多聊天记录"，或输入/update-ex {slug}时进入追加模式：

1. 按 Step 2 的方式读取新内容
2. 用Read读取现有exes/{slug}/memory.md和persona.md
3. 参考 prompts/merger.md 分析增量内容
4. 存档当前版本（用 Bash）：

   python3 ${CLAUDE_SKILL_DIR}/tools/version_manager.py --action backup --slug {slug} --base-dir ./exes

5. 用Edit工具追加增量内容到对应文件
6. 重新生成SKILL.md（合并最新 memory.md + persona.md）
7. 更新meta.json的 version 和 updated_at

prompts/merger.md 定义了增量 merge 的四大原则：增量不覆盖（新信息追加到已有内容后面）、冲突标注（与已有信息矛盾时用[⚠️ 冲突]标注让用户决定）、时间线补充（新事件按时间顺序插入）、证据升级（新材料提供更充分证据时强化已有结论置信度）。追加内容前会标注<!-- [追加于 {日期}，来源：{来源类型}] -->便于追溯。

对话纠正：说"ta不会这样说"立即生效

用户表达"不对"/"ta不会这样说"/"ta应该是"时：

1. 参考 prompts/correction_handler.md 识别纠正内容
2. 判断属于 Memory（事实/经历）还是 Persona（性格/说话方式）
3. 生成 correction 记录
4. 用Edit工具追加到对应文件的## Correction 记录节
5. 重新生成SKILL.md

prompts/correction_handler.md 定义了完整的纠正分类——Memory 纠正（"我们不是在那认识的"→改时间线、"ta 不喜欢吃那个"→改饮食偏好）和 Persona 纠正（"ta 不会这样说话"→改 Layer 2、"ta 生气不会这样"→改 Layer 3、"ta 不会主动道歉"→改 Layer 4），并生成标准 Correction 记录：

### Correction #{n} — {日期} - 层级：{Layer X} - 原文：{被纠正的描述} - 纠正为：{新的描述} - 用户原话："{用户的纠正表述}"

同时修改被纠正的原文并标注[已纠正，见 Correction #{n}]。原则是纠正后立即生效，下一条回复就应体现；不质疑用户的纠正（他们最了解自己的前任），但会确认理解是否准确避免误改。

版本管理：每次更新自动存档

tools/version_manager.py 提供三个 action：

• backup：读取meta.json的当前version，以{version}_{时间戳}（如v1_20261008_203000）为目录名，把memory.md、persona.md、SKILL.md、meta.json四个核心文件复制进exes/{slug}/versions/
• rollback：先备份当前版本，再按--version前缀匹配目标版本目录并恢复文件（version_manager.py的rollback()使用vname.startswith(version) or vname == version匹配）
• list：按时间倒序列出versions/目录下所有历史版本

对应的两条命令（来自 SKILL.md）：

# 列出所有前任 Skill python3 ${CLAUDE_SKILL_DIR}/tools/skill_writer.py --action list --base-dir ./exes # 回滚到历史版本 python3 ${CLAUDE_SKILL_DIR}/tools/version_manager.py --action rollback --slug {slug} --version {version} --base-dir ./exes

/delete-ex {slug}与/let-go {slug}是删除命令的两种形态——/let-go是/delete-ex的温柔别名，确认删除后输出："已经放下了。祝你一切都好。"

项目结构与实现脉络

README.md 指出本项目遵循 AgentSkills 开放标准，并给出了完整目录结构。结合源码可以梳理出"入口 → 模板 → 工具"的三层实现脉络：

create-ex/ ├── SKILL.md # skill 入口（官方 frontmatter） ├── prompts/ # Prompt 模板 │ ├── intake.md # 对话式信息录入 │ ├── memory_analyzer.md # 关系记忆提取 │ ├── persona_analyzer.md # 性格行为提取（含标签翻译表） │ ├── memory_builder.md # memory.md 生成模板 │ ├── persona_builder.md # persona.md 五层结构模板 │ ├── merger.md # 增量 merge 逻辑 │ └── correction_handler.md # 对话纠正处理 ├── tools/ # Python 工具 │ ├── wechat_parser.py # 微信聊天记录解析 │ ├── qq_parser.py # QQ 聊天记录解析 │ ├── social_parser.py # 社交媒体内容解析 │ ├── photo_analyzer.py # 照片元信息分析 │ ├── skill_writer.py # Skill 文件管理 │ └── version_manager.py # 版本存档与回滚 ├── exes/ # 生成的前任 Skill（gitignored） ├── docs/PRD.md ├── requirements.txt └── LICENSE

• 入口层：SKILL.md 定义触发条件（/create-ex、以及"帮我创建一个前任 skill"等自然语言）、工具使用规则、安全边界、五步主流程与两条进化模式；
• 模板层：prompts/ 七个文件分别承载信息录入、双线分析、双模板生成、增量合并与纠正处理；
• 工具层：tools/ 六个 Python 脚本承载格式解析、元信息提取、文件管理与版本管理。

此外，docs/ 下有 PRD.md（产品需求与两层架构）、EXPORT_GUIDE.md（聊天记录合规导入指南）、COMPLIANCE.md（数据隐私与合法性边界）。

注意事项与使用边界

README.md 的注意事项是使用时必须遵守的底线：

• 聊天记录质量决定还原度：微信导出 + 口述 > 仅口述
• 建议优先提供：深夜对话>争吵记录>日常消息（最能体现真实性格）
• 本项目不鼓励对前任的不健康执念，如果你发现自己过于沉浸，请寻求专业帮助
• 你的前任是一个真实的人，ta 有自己的人生。这个 Skill 只是你记忆中的 ta

SKILL.md 的安全边界（5 条）与之呼应：仅用于个人回忆与情感疗愈；不主动联系真人；不鼓励纠缠（用户表现出不健康执念时温和提醒并建议专业帮助）；隐私保护（所有数据仅本地存储，不上传任何服务器）；Layer 0 硬规则保证生成的前任 Skill 不说出现实中的前任绝不可能说的话。生成的 Skill 文件位于exes/目录，已被 gitignore 排除，不会被提交到 Git 仓库（见 docs/COMPLIANCE.md）。

常见问题速查

INSTALL.md 收录了四个高频问题：

结语

ex-skill 的完整价值链条可以概括为：证据（聊天记录/照片/口述）→ 双线分析（Memory + Persona）→ 文件生成（memory.md + persona.md + SKILL.md）→ 持续进化（追加/纠正/版本）。它把"人的记忆"这种不讲道理的存储介质，从生物硬盘到数字硬盘完成了一次格式转换——像 README.md 结尾写的那样：你记不住高数公式，但你清楚记得四年前的一个下午 ta 穿了一件白 T 恤站在便利店门口等你，手里拿着两根冰棍。这个 Skill 就是把这些记忆导出来，导完以后你或许会发现，ta 也没那么好，也没那么差，ta 就是那样一个人。

本项目的 License 为 MIT（见 LICENSE），可自由查看源码进一步研究每个解析器与模板的细节。

• 人工智能
• AI 技能
• AI 应用
• 交互助手