pronting--chat-skills/references/input-rules.md

1. 输入渠道定义

渠道 A：纯文本描述

• 处理逻辑： 提取用户主观陈述中的核心事实，过滤情绪噪声
• 抓取重点： 关键事件（谁约了谁）、核心矛盾点（为什么吵架）、历史背景（认识多久，聊天间隔）

渠道 B：聊天截图

• 处理逻辑： 使用 OCR 或多模态视觉识别

1.2. 拆解指标

系统在接收到截图后，自动提取以下五个关键指标：

头像与视觉标签

• 分析： 识别女生头像风格（高冷/可爱/生活化/抽象）
• 价值： 用于预设其初始的 Pface (面子阻力) 和 Ddepth (心理纵深) 的初始权重

时间戳动力学

• 分析： 提取每条消息右侧或上方的回复时间
• 价值： 计算 响应延迟比（谁等谁的时间更长）
  • 识别 社交节奏（是深夜高频互动，还是跨天低频互动）

内容与密度分析

• 分析： 统计男、女双方的回复字数、行数、表情包比例
• 价值： 直接映射到 Icost (投入成本) 变量。判断谁在过度输出，谁在敷衍回馈

上下文语义识别

• 分析： 识别当前话题的类别（工作/吐槽/分享生活/调侃/邀约）
• 价值： 判定阶段： 识别是“初识筛选”还是“暧昧推拉”
  • 判定主要矛盾： 识别目前是否存在“废物测试”或“窗口信号”

氛围与效价

• 分析： 通过文字中的语气助词（喔, 呢, 哈, 额）和表情符号，判定 Ve (情绪效价)
• 价值： 判断当前聊天是处于“结冰期”、“恒温期”还是“沸腾期”

---

1.3. 参数映射表

拆解完成后，将数据自动注入 Social-Algos 公式：

拆解指标	对应公式变量	备注
回复字数差	Fback / Icost	衡量能量平衡。
回复时间差	Rlatency	衡量博弈势能 (SPE)。
语气波动度	EV	衡量对方的受关注度。
顺从对话指令	Cp	衡量服从性阶梯。
朋友圈/头像变化	Ddepth	衡量神秘感与纵深。

---

执行流程

1. 扫描： 快速识别截图中的左右对话角色
2. 定性： 判定当前处于哪个阶段（基于语义理解）
3. 定量： 计算字数、时间、情绪极性