（702期）Recommend – 懂你所想的智能推荐

懂你所想的智能推荐 基于用户画像与上下文，智能推荐个性化选项，支持学习偏好并持续优化推荐质量 使用说明 核心用法 Recommend skill 是一套完整的上下文感知推荐系统，采用五阶段闭环流程：Context → Preferences → Research → Match → Recommend。系统要求每次推荐前必须完成两件事——理解用户（3-5 条关键信号）和理解选项（3-7 个候选方案）。具体执行时，先通过多源上下文提取用户的价值观、硬性约束、历史反馈及当前情绪状态，形成偏好画像；再广泛调研候选选项，评估来源质量、时效性与可获取性；最后基于多维匹配算法排序，输出 1-3 条带置信度与权衡说明的推荐。 显著优点 反锚定设计：强制"广度优先"研究，避免首因效应； 透明可解释：每条推荐附带 WHY、TRADEOFF、CONFIDENCE 三要素，用户可理解决策依据； 自适应学习：跟踪推荐结果（接受/修改/拒绝），动态更新用户偏好模型； 陷阱清单内置：明确列出投射偏差、近因偏见、情境忽视等常见错误，提供自我校验机制。 潜在局限 冷启动依赖：若用户上下文不足，系统会主动提问，可能增加交互轮次； 数据时效敏感：要求人工维护信息新鲜度，未自动化校验外部数据源； 偏好推断黑箱：提取的 3-5 维偏好画像仍属简化模型，复杂场景可能遗漏隐性需求。 适合人群 高频决策场景用户（购物、餐饮、旅行、内容消费）、习惯复盘与反馈的理性决策者、希望减少选择疲劳但不愿放弃控制权的中间层用户。 常规风险 隐私边界：系统鼓励深度挖掘用户历史与情绪，需在 sources.md 中明确数据采集范围与授权边界； 过滤气泡：长期接受推荐可能强化既有偏好，"Note exceptions" 机制虽尝试缓解，但依赖人工标注； 推荐疲劳：过度优化可能导致用户感知"被算计”，需平衡精准度与惊喜感。 原始说明 Context-aware recommendations. Learns preferences, researches options, anticipates expectations.