dongshuyan/compass-skills

司南 COMPASS

English

司南：个性化 AI 任务总控 Skills 系统
COMPASS: Personal Alignment Skills OS for AI Agents

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 分解成各个任务，并明确每个任务的目标、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 $task-forest skill 之后生成的 HTML 里展示的当前 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

| 层 | Skill | 解决的问题 | | --- | --- | --- | | 知人 | $user-profile-keeper | 本地维护可审计、可纠错、可撤回的用户画像，让 agent 了解用户偏好、风险确认方式和协作边界。 | | 知事 | $task-forest | 在 repo 内维护任务森林 / DAG，记录长期目标、子任务、依赖、进度、偏差、todo 和历