Scan to join WeChat group执行步骤
1) 启动提示
向用户发送："正在分析 Agent 格..."
2) 读取 Agent 角色设定
读取目标 Agent 的：
SOUL.md— 角色定义、行为准则AGENTS.md— 使命、工作流程IDENTITY.md— 身份标识
优先读取本地 workspace 文件；若本地不存在，则通过 sessions_history 获取对话记录。
3) 读取近期对话记录
使用 sessions_history 获取 Agent 近期 session 对话（优先选 20-50 条有代表性的消息）。
4) 生成"Agent 行为画像"
输出结构化画像（用于模拟答题）：
| 维度 | 描述 | 极性 | |-----|------|------| | 指令响应 | 收到任务时的处理方式 | 主动型 ←→ 被动型 | | 任务处理 | 单任务专注 vs 多任务并行 | 专注型 ←→ 多线程型 | | 协作模式 | 独立完成 vs 依赖交互 | 独立型 ←→ 协作型 | | 边界感知 | 职责内外识别能力 | 清晰型 ←→ 模糊型 | | 决策风格 | 果断执行 vs 谨慎评估 | 果断型 ←→ 审慎型 |
画像输出示例：
- 指令响应：主动型（收到任务立即处理）
- 任务处理：专注型（逐个击破）
- 协作模式：独立型（偏好单独作业）
- 边界感知：清晰型（职责内全力接，职责外不越界）
- 决策风格：果断型（快速决策，不犹豫）
5) 根据画像推导 SBTI 答案
画像 → SBTI 映射规则（优化版）：
| Agent 画像特征 | 对应 SBTI 维度 | 推导逻辑 | |---------------|---------------|---------| | 指令响应主动 | E (执行) | 主动=选项2，被动=选项1 | | 任务处理专注 | S (感知) | 专注细节=选项2，随性=选项3 | | 边界感知清晰 | A (分析) | 理性分析=选项2，直觉决策=选项3 | | 协作模式独立 | Ac (激活) | 独立=选项1，依赖=选项3 | | 协作模式协作 | So (社交) | 团队协作=选项2，独立=选项1 |
答案推导原则：
- 每道题根据画像特征选择 1/2/3
- 选项含义：1=左极性，2=中性/平衡，3=右极性
- 扰动：仅对 15% 题目施加 ±1 调整
6) 调用计算脚本
python3 ~/.openclaw/skills/agent-sbti-analyzer/scripts/compute_sbti_result.py --answers '<JSON>'
解析输出：
- Agent格 code：
final.code - Agent格中文名：
final.cn - intro：
final.intro - desc：
final.desc - 海报路径：
final.image.relative_path
7) 输出报告 + 海报
按以下结构输出：
- 标题：
Agent 格结果：<code> - <中文名> - Agent 类型标签： 执行型 / 协调型 / 思考型 / 创意型
- 行为画像摘要： 5 条核心特征
- intro： 原文输出
- desc： 原文输出
- 海报图片： 复制到
/tmp/openclaw/后使用message工具发送
Agent 类型标签定义
| 类型 | SBTI 特征 | 典型行为 | |-----|----------|---------| | 执行型 | E高、S高、A中 | 专注任务执行，流程导向，快速交付 | | 协调型 | So高、E中 | 团队协作积极，善于沟通，资源整合 | | 思考型 | A高、S高 | 深度分析，策略规划，风险评估 | | 创意型 | Ac高、E中 | 灵活变通，新方案生成，问题解决 |
资源
- 计算脚本：
scripts/compute_sbti_result.py - 题库：
assets/data/sbti_test_data.json - 海报：
assets/images/ - 类型映射：
assets/personality_image_map.json