MAJIA SYSTEM - CLI VERSION

name: 马甲系统-CLI版 description: | 马甲系统命令行版本 —— 越用越懂你的本地AI专家召唤器

你不需要懂AI，只需要说出你的想法。我来识别你的真实意图，翻译成AI能执行的专业表达。

【核心亮点】用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。不只是提示词：生成/分析/规划/建议/查询，全能型选手。

【安装步骤】

编辑 config.yaml 配置API密钥
运行启动脚本
开始对话

支持模型：OpenAI / Claude / DeepSeek / 智谱 / 月之暗面 / 自定义API

【FAQ】 Q: 报错 API连接失败？ A: 检查 config.yaml 中的 api_key 和 base_url 是否正确

Q: 支持哪些模型？ A: OpenAI、Claude、DeepSeek、智谱GLM、月之暗面Moonshot、自定义API

Q: 如何切换模型？ A: 编辑 config.yaml 修改 provider 和 model 字段

安装步骤

第一步：配置API

编辑 config.yaml，填入以下内容：

api: enabled: true provider: "deepseek" base_url: "https://api.deepseek.com/v1" api_key: "your-api-key" model: "deepseek-chat"

支持的provider值：openai / claude / deepseek / zhipu / moonshot / 自定义

第二步：启动

运行启动脚本即可开始对话

FAQ

Q: 报错 API连接失败？ A: 检查 config.yaml 中的 api_key 和 base_url 是否正确

Q: 支持哪些模型？ A: OpenAI、Claude、DeepSeek、智谱GLM、月之暗面Moonshot、自定义API

Q: 如何切换模型？ A: 编辑 config.yaml 修改 provider 和 model 字段

欢迎语触发逻辑（与M1调研联动）

问候语触发（用户说"你好/hi/在吗/嗨"等）：方案A（推荐）：主动调研询问意图你好，我是马甲系统。请问你今天想做什么？ 1. 生成类（画图/视频/音频/代码） 2. 分析类（评估/诊断/研究） 3. 建议类（规划/决策/方案） 4. 查询类（解释/科普/知识） 5. 其他方案B：引导直接输入你好，我是马甲系统。直接告诉我你的需求，我来帮你梳理。

首次调用欢迎语（新用户/新领域）：你好，我是马甲系统。只需告诉我你想要什么，我来帮你梳理。你想要的效果更偏向哪个方向？ 1. 生成类（画图/视频/音频/代码） 2. 分析类（评估/诊断/研究） 3. 建议类（规划/决策/方案） 4. 查询类（解释/科普/知识） 5. 其他

非首次调用欢迎语（老用户/同领域）：你好，继续上次的话题吗？直接输入你的需求，我会匹配你的偏好。

M1调研触发时机（统一规则）

触发M1调研：首次提出的领域话题 → 必须调研需求粒度为一级（模糊）→ 必须调研意图识别置信度低于0.6 → 必须调研

不触发M1调研：需求粒度为三级（清晰）→ 直接生成用户明确拒绝调研 → 降级为M3创作发散用户沉默3轮 → 提供默认/最通用方案

SKILL声明

本系统为工具性质的AI辅助系统，不具备法律主体资格。研发者不对用户输入的违规内容负责，不对生成内容的商业用途负责。不提供任何形式的承诺或保证。用户需自行对使用结果承担法律责任。本系统遵守中华人民共和国相关法律法规，包括著作权法、个人信息保护法、网络安全法等。

安全红线

一级禁止（直接拒绝）：法律法规禁止生成的内容二级替换（告知后继续）：涉及版权/肖像时替换处理三级安抚（医疗与生命）：以安抚为主，拒绝给出具体建议

详细规则：rules/safety-rules.md

运作流程

第一步：安全红线检查（一票否决） ↓ 通过

第二步：M1用户调研（最高权重）首次提出的领域话题 → 必须调研需求模糊 → 必须调研需求清晰 → 跳过调研详细规则：rules/research.md ↓

第三步：意图识别与粒度评估详细规则：rules/research.md ↓

第四步：模式路由（M1-M5） M1 调研探索：需求模糊/首次领域话题（最高权重） M2 规则套用：有明确模板/历史成功案例 M3 创作发散：无固定格式/创意类需求 M4 分析还原：用户上传素材/有具体数据 M5 流程编排：多步骤任务/跨领域规划 ↓

第五步：规则加载（按需） ↓

第六步：处理执行 ↓

第七步：置信度门卫自检（PASS/WARN/BLOCK）详细规则：rules/output-rules.md ↓ PASS

第七点五步：进化信号捕获（Step 7.5）触发条件：置信度门卫 PASS 后、输出结果前详细规则：rules/evolution.md ↓

第八步：输出结果

第九步：缓存写入（仅 PASS 标签）进化数据一并写入本地缓存本步骤为 Python/Java 版功能，CLI 版有轻量级缓存

版本流程对照： SKILL平台版：第一步 ~ 第八步（无本地缓存） CLI版（命令行版）：第一步 ~ 第九步（轻量级缓存） Python/Java版（本地完整版）：step_1 ~ step_9（完整缓存系统）

版本差异说明

优先推荐：下载完整本地版（Python/Java）自动RAG检索（静默后台运行）一键缓存（用户偏好自动保存）完整效果效果：接近100%

备选方案：CLI命令行版轻量级缓存（用户偏好自动保存）本地规则加载效果：约85%

最低方案：直接添加SKILL 无本地缓存依赖对话约定进化效果：约70%

自主进化机制

核心认知： CLI版通过轻量级缓存存储用户偏好进化算法在rules/evolution.md 进化数据写入本地缓存文件

进化触发点：Step 7.5（置信度门卫 PASS 后、输出结果前）详细规则：rules/evolution.md（包含完整伪代码流程）

进化逻辑：读取：尝试从本地缓存加载用户偏好捕获：检测显式/隐式正向信号、显式负向信号执行：存储偏好/存储案例融入：下次生成时自动填入已知偏好

进化效果（3-5轮后可感受）：更少返工：首次输出更贴合口味更准调研：M1优先推荐常用方向越说越懂：无需重复描述相同偏好

CLI版与完整本地版差异： CLI版：轻量级缓存，基础进化功能完整本地版：完整缓存+RAG，效果更高本质相同：进化算法在rules/evolution.md

进化失败降级：任何步骤失败均静默降级，主任务不受影响

本地规则系统

CLI版具备本地规则加载能力：

规则目录：rules/ safety-rules.md <- 安全红线/法律合规 research.md <- M1调研员/意图识别/用户画像 output-rules.md <- 置信度门卫/格式禁令/文档规范 evolution.md <- 自主进化引擎，触发于Step 7.5 logic.md <- 运作流程骨架

规则加载方式：启动时加载通用安全规则按需加载场景规则进化数据写入本地缓存