【开源 Skills】清华博士自用的科研&编程&日常 Agent 生态：COMPASS 司南

本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容：

• 我的帖子已经打上 开源推广 标签： 是


• 我的开源项目完整开源，无未开源部分： 是


• 我的开源项目已链接认可 LINUX DO 社区： 是


• 我帖子内的项目介绍，AI 生成、润色内容部分已截图发出： 是


• 以上选择我承诺是永久有效的，接受社区和佬友监督： 是

佬友们，接着https://linux.do/t/topic/2394586 讨论

我把我自己使用的 skill 做成了一个 skill 生态 Share 出来了。

为了高效的科研，尽量发论文毕业，我从 openai 刚出来就在使用各种 AI 模型，并且从今天年初使用 openclaw 的时候就在研究迭代各种 skill。本着开源的态度，我把自己的这套 “自认为” 最高效最好用的 skill 分享出来整理成了一个开源 repo：

COMPASS 司南：Personal Alignment skill OS for AI Agents

GitHub：GitHub - dongshuyan/compass-skills: 司南：个性化 AI 任务总控 Skills 系统 /COMPASS: Personal Alignment Skills OS for AI Agents · GitHub

如果你觉得这些 skills 有用，欢迎使用，Star，fork，以及提意见。

这套 skills 的核心目的：让 AI 懂你、看全局、不跑偏。COMPASS 把用户画像、任务图谱和需求对齐合成一个可复用的 skills system，让长任务、跨 session 协作和多 agent 工作不再散落在聊天记录里。

30 秒看懂它怎么有用

场景 1：任务开始前，先避免做错。

当需求模糊、成本高或有安全风险时，用 $task-clarifier 把模糊想法对齐成三方一致的可执行需求：用户想清楚，agent 听准确，用户也能看见 agent 的理解没有跑偏。它不是多问问题，而是用最符合用户习惯的方式少问、问准、问到关键。

这个skill只确保3件事：

1.帮助用户完全理解自己的需求

2.帮助AI完全理解用户的需求

3.让用户知道AI完全理解了他的需求

场景 2：任务进行中和结束后，自动构建任务树*任务森林。

用 $task-forest 自动把当前 session 的目标、进度、偏差、依赖、待办和决策写成 proposal。确认后生成树视图、DAG 视图、任务详情卡和推荐队列，让下一个 agent 或下一个 session 继续时知道 “这件事为什么做、做到哪、下一步做什么”。

场景 3：长期协作中，让 AI 越来越懂你但不越界。

用 $user-profile-keeper 在本地保存可审计、可纠错、可撤回的协作画像。它只保存用户确认或低敏的协作信号，不保存 secret，不上传数据；task-clarifier 可读取低敏摘要来更贴合用户习惯地提问。没有画像时，task-clarifier 依然可以独立工作并提供高质量对齐。

根据用户的每个 session 自动生成任务关系树视图与 session 更新流程：

这个 GIF 是多个 session 运行当前skill之后生成的html里面展示的当前repo逐步完善的动态过程

DAG 关系视图实况截图：

自动生成的任务详情、目的、要求、证据和调度建议实况截图：

用户画像与需求对齐的协作方式：

为什么需要 COMPASS

普通 agent 很擅长执行当前 prompt，但长任务经常会遇到三个问题：

• 不了解用户：不知道你的沟通偏好、风险边界、常见遗漏和长期协作方式。


• 看不到全局：新 session 只看到局部上下文，很难判断当前动作属于哪个长期目标。


• 容易目标漂移：做完一个任务后，才发现它和原始目的关系很弱，甚至根本不该做。

COMPASS 的核心目标是给 AI agent 一个长期工作底座：先理解用户，再看清任务森林，最后在每次行动前做目标对齐。

如果你还不熟悉 SKILL.md skills 的编写和使用方式，可以先看这个中文教程：如何编写 Skills。它是单文件静态 HTML，讲清楚 skill 的最小结构、渐进披露、复用审计、AI 生成草稿、真实链路提炼和迭代验证。

三省模型

一句话理解：

User Profile Keeper 让 AI 知道“你是谁、怎么协作”。

Task Forest 让 AI 知道“任务在哪里、做到哪里、为什么做，这个任务与全局目标是否跑偏”。

Task Clarifier 让 AI 知道“用户要的是什么”。

生态图

安装和 Agent 兼容

这三个 skills 使用 Python 标准库和 Markdown 文档，不依赖云服务，不上传用户数据。脚本按本地文件工作，已按 macOS、Windows、Linux 三类环境做路径约束：

• macOS / Linux：示例命令使用 python3。


• Windows：可使用 py -3 或 python。


• task-forest 数据默认保存在当前 workspace 的 .agent-workbench/task-forest/。


• user-profile-keeper 数据默认保存在用户目录下的 .compass-skills/user-profiles/v1，可用 COMPASS_USER_PROFILE_HOME 改到其他本地目录。


• 所有正式写入都在本地文件或本地 SQLite 内完成；没有网络上传、浏览器 cookie 读取、credential 读取或远程写入。

COMPASS 不是 Codex-only。它是一个 agent-agnostic 的 SKILL.md skills 包：凡是支持 SKILL.md、YAML frontmatter、Markdown instructions、可选 scripts/ / references/ 的 agent，都可以原生或近原生使用；暂不原生支持 skills 的 agent，可以通过根目录 AGENTS.md 做轻量适配。

最简单的 agent-assisted 安装 prompt

把下面这段发给你正在使用的 AI agent。它应该先审查安全边界，再按当前 agent /harness 的真实安装路径复制 released skills；如果无法确定安装路径，只输出安装计划，不要猜路径写入。

请安全安装 COMPASS Skills：



Repo: https://github.com/dongshuyan/compass-skills



目标：在确认安全性的前提下，安装这个 repo 里 `skills/` 下的全部 released skills。



要求：

1. 先读取并审查 README、SECURITY、AGENTS.md、每个 `skills/*/SKILL.md`、相关 `references/` 和 `scripts/`。

2. 确认没有上传用户数据、读取 credential / token / cookie、远程写入、全局配置修改或危险命令。

3. 识别当前 agent / harness 的本地 skills 目录和加载规则；如果无法可靠识别，只给安装计划，不要写入。

4. 只复制 `skills/` 下的 released skill 目录；不要复制 `.git`、运行缓存、用户画像、任务图、原始截图或本地环境文件。

5. 安装后运行可用的本地验证，例如 Python 编译检查和 task-forest 导出回归；如果某项无法运行，说明原因和剩余风险。

6. 最后报告安装位置、已安装 skills、安全检查结果、验证结果，以及如何在 session 中调用。

手动安装时，把 skills/ 下的三个目录复制到目标 agent 的本地 skills 目录，然后在 session 中点名使用：

$user-profile-keeper

$task-forest

$task-clarifier

三个核心 skills

user-profile-keeper：本地用户画像

user-profile-keeper 维护一个只保存在本机的用户画像。它记录的是协作偏好、澄清方式、风险边界、能力边界和常见遗漏，不保存 secret，不上传数据，也不把完整画像暴露给其他 skill。task-clarifier 只能读取低敏 clarification_summary，用于更精准地提问；没有画像时它也能正常工作。

重要提醒： user-profile-keeper 是本地明文存储，不是加密保险箱。本系列 skills 会约束自己不上传、不窃取、不读取 credential，但本地文件仍可能被同一台机器上的其他进程、备份系统或有权限的用户读取。请在充分理解风险后再使用，不要保存 secret、token、密码、私钥、验证码或高度敏感信息。

首次构建画像 prompt

请用 $user-profile-keeper 初始化我的本地用户画像。



目标：通过本地问卷或当前上下文，建立一个可审计、可纠错、可撤回的用户画像。

边界：

1. 只保存到本机，不上传，不读取浏览器 cookie、token 或 credential。

2. 年龄、教育、职业、长期目标等 private 信息先进入待确认 proposal。

3. 不要把本次任务规则误当成长期画像。

4. 完成后告诉我：已写入哪些低敏信息，哪些进入 pending proposal，哪些被跳过。

任意 session 更新画像 prompt

请用 $user-profile-keeper 从当前 session 更新我的本地用户画像。



请只提取对长期协作有价值的信息，例如沟通偏好、风险确认方式、常见遗漏、能力边界和隐私边界。

低敏、明确、无冲突的信息可以自动应用；推断性、private、敏感或冲突信息必须进入 proposal 等我确认。

不要保存 secret、token、密码、私钥、验证码或浏览器 session 信息。

task-forest：任务森林和进度总控

task-forest 在当前 repo 内维护任务森林 / DAG。它不替你执行任务，而是维护任务结构：长期目标、子任务、依赖、进度、偏差、待办、决策和 session 历史。导出的 HTML 可以离线查看树视图、DAG 视图、历史变化和待复核节点。

构建或更新任务森林 prompt

请用 $task-forest 分析当前 session，并维护当前 workspace 的任务森林。



目标：把本轮对话中有长期价值的目标、任务、进度、偏差、风险、决策和 follow-up 写成 task-forest proposal。

要求：

1. 先读取当前 task-forest 的 list 和 todo；如果不存在就初始化。

2. 判断本轮工作服务哪个长期目标；找不到关系时不要硬挂，先问我或生成 question/risk。

3. 如果发现某个任务无法达成用户真实目的，记录偏差或提出替代方案。

4. 只保存 proposal，展示准备改什么；等我确认后再 apply。

5. apply 后运行 validate 和 export，并给出 HTML 路径。

task-clarifier：需求对齐和风险门禁

task-clarifier 是低打扰但强对齐的任务路由器。它把模糊想法对齐成三方一致的可执行需求：用户想清楚，agent 听准确，用户也能确认 agent 没理解偏。它不会把每个不确定性都变成问题，而是判断：能不能先读文件、是否需要联网、是否该问用户、是否必须确认风险、或者是否应该阻塞。

如果安装了 user-profile-keeper，task-clarifier 可以读取低敏画像摘要，让提问方式更符合用户习惯；如果没有，它仍会根据当前上下文、文件和证据正常工作。

通用使用 prompt

请用 $task-clarifier 对齐下面这个任务。



任务：...

材料：...

约束：能从文件、上下文或可靠来源判断的不要问我；只问会改变范围、方法、证据、格式、安全或验收的问题。

输出：说明你会 proceed、research-first、ask、confirm、offer-method-choice 还是 block，并给出理由。

能做什么

• 新 session 结束时，自动把进度、偏差、决策和待办归入全局任务图。


• 当一个新任务找不到父节点或贡献关系时，提醒用户重新确认目标，而不是强行继续。


• 在任务变复杂、变危险、变模糊时，先进入 alignment gate，避免返工和隐私风险。


• 让用户画像影响 “怎么问”，但不替代当前上下文，也不把历史偏好当成绝对事实。


• 为后续日报、周报、任务排序、习惯系统、多 agent 总控、自进化 skill 生态提供结构化底座。

安全和隐私

COMPASS 的默认安全边界：

• 不联网、不上传用户画像、不读取浏览器 cookie、token 或 credential。


• user-profile-keeper 默认是本地明文存储；它保护的是 “不上传、不扩散、可审计、可删除”，不是加密防护。


• 不把完整用户画像提供给普通 skill；只允许读取低敏 clarification_summary。


• task-forest 的完整任务图保存在 repo-local 目录，不把节点正文写入全局 registry。


• 删除、覆盖、发布、远程写入、credential、全局配置等高风险动作必须确认。


• HTML 导出是静态离线文件，不直接修改任务图。

更多检查见 SECURITY.md。

Roadmap

即将开源 / 计划接入：

• run-history-skill-builder：从真实任务历史中生成新的可复用 skill。


• run-history-skill-upgrader：根据真实失败、用户反馈和验证结果升级已有 skill。


• session-handoff-prompt：把长 session 压缩成可续接 prompt，并读取 task-forest 作为结构化来源。


• 本机代理控制室：汇总多个本地 agent 的运行、等待、卡住、风险和待 review 状态。


• 等待间隙任务路由：根据等待时间、精力、切换成本和 task-forest todo 推荐可处理的小任务。


• 日报 / 周报 / 项目复盘：基于用户画像和任务森林自动生成更贴合用户目标的报告。


• 任务排序和 deadline planning：结合任务重量、用户能力、上下文切换成本和 deadline 推荐执行顺序。


• 健康习惯和节奏系统：用任务森林观察长期负载，帮助用户安排更可持续的工作节奏。