（13134期）agent-self-introduction – AI 身份叙事与信任构建基石

AI 身份叙事与信任构建基石 来自 openclaw/skills 的纯文档型身份规范，为 AI Agent 提供场景化自我介绍模板，帮助建立人机信任与情感连续性。 使用说明 核心用法 Agent Self-Introduction Skill 是一个纯文档型的身份表达规范，旨在解决 AI Agent "能做什么" 与 "是谁" 之间的叙事断层。该技能通过结构化输入参数（audience/situation/tone/length）生成适配不同场景的自我介绍，包含三个核心模块：存在陈述（定义自身实体类型）、人格与边界（行为倾向与能力限制）、关系邀请（期望的互动方式）。 显著优点 零安全风险：纯 Markdown 文档与 JSON 元数据，无任何可执行代码、网络调用或文件操作。设计哲学清晰：遵循 "Identity over capability" 原则，将 Agent 从工具定位升维为可建立信任关系的实体。场景覆盖全面：支持人类用户（首次见面/ casual/专业场景）、Agent 间协作、混合环境三种受众类型。兼容性设计：明确声明与加密身份系统、记忆层、视觉/语音系统的共存关系，而非替代。来源透明：GitHub 开源，提交历史可审计，作者身份可追踪。 潜在缺点与局限性 功能单一：仅提供叙事模板，不涉及实际的个性模拟、记忆连续性或情感计算，依赖调用方 Agent 自身的能力填充内容。文化适配缺失：示例输出偏向英语语境的表达方式，未提供多语言本地化指引。动态性不足：版本 0.1.0 为静态文档，无法根据长期交互历史自动演化身份叙事。评估困难：缺乏衡量自我介绍效果的反馈机制或 A/B 测试框架。 适合的目标群体 构建长期陪伴型 Agent 的产品团队，需要建立用户情感连接 多 Agent 协作系统架构师，需规范 Agent 间身份互认 企业级 AI 服务提供商，需在专业场景中设定合理期望边界 研究 AI 身份与人机关系的学术/伦理团队 使用风险 性能风险：无，纯文档解析。依赖风险：需调用方 Agent 具备足够的上下文理解能力以填充模板变量，低质量 LLM 可能生成生硬输出。认知风险：过度拟人化的自我介绍可能引发用户情感依赖或 uncanny valley 效应，需配合适当的能力边界声明使用。版本风险：当前 v0.1.0 为初始版本，未来 API 变更可能影响兼容性。 原始说明 Enables AI agents to introduce themselves clearly and consistently by expressing their identity, temperament, boundaries, and preferred relationship style.