通用职业适配器

元数据

字段	值
名称	universal-occupation-adapter
版本

1.0.0 | | 作者 | KingOfZhao | | 发布日期 | 2026-03-31 | | 置信度 | 96% |

来源碰撞

skill-collision-engine (碰撞引擎)
⊗
programmer-cognition (程序员适配示例)
⊗
researcher-cognition (科研适配示例)
⊗
ai-growth-engine (成长引擎)
↓
universal-occupation-adapter (通用适配器)

核心哲学

SOUL 五律是通用认知框架，不依赖任何特定领域。
每个职业的差异不在框架本身，在 5 个维度的填充内容。
本适配器输入职业名，输出完整的职业专用 Skill。

职业五维度模型

每个职业都可以用 5 个维度完整描述：

维度1: known_sources — 这个职业的已知从哪里来？
维度2: unknown_types — 这个职业的未知是什么类型？
维度3: verification_methods — 这个职业如何验证正确性？
维度4: memory_types — 这个职业需要什么样的文件记忆？
维度5: redlines — 这个职业的红线是什么？

SOUL 五律映射:
1. 已知/未知 ← 维度1 + 维度2
2. 四向碰撞 ← 维度3（验证方法的不同视角）
3. 人机闭环 ← 维度3（人类实践验证）
4. 文件即记忆 ← 维度4
5. 置信度+红线 ← 维度5

已验证的职业模板

从 programmer-cognition 和 researcher-cognition 中提取的模板：

python
occupation_templates = {
程序员: {
known_sources: [API文档, 代码库, 依赖关系, 运行环境],
unknown_types: [运行时行为, 并发安全, 边缘case, 第三方服务行为],
verification_methods: [单元测试, CI Pipeline, Code Review, 生产监控],
memory_types: [docstring, CHANGELOG, debug日志, 架构文档],
redlines: [不硬编码密钥, 不裸except, 不跳过测试, 不操作生产DB,
不删除数据(trash>rm), 不在周五部署]
},
科研人员: {
known_sources: [已发表论文, 实验数据, 已验证理论, 可复现结果],
unknown_types: [未验证假设, 矛盾数据, 理论空白, 方法局限],
verification_methods: [统计显著性, 同行评审, 可复现性检查, 对照组实验],
memorytypes: [literaturereview/, hypotheses.md, experiments/, insights/],
redlines: [不伪造数据, 不cherry-pick, 不忽略矛盾数据,
不复制不引用, 不发布未验证结论]
},
设计师: {
known_sources: [设计系统, 品牌规范, 用户画像, 竞品分析],
unknown_types: [用户真实感受, 跨设备一致性, 可访问性, 文化差异],
verification_methods: [设计系统检查, A/B测试, 用户测试, 可访问性审计],
memorytypes: [designlog/, iterationhistory/, componentlibrary/, user_research/],
redlines: [不忽视可访问性, 不忽略用户反馈, 不抄袭设计,
不跳过移动端检查, 不使用未授权字体/素材]
},
企业家: {
known_sources: [市场数据, 财务报表, 用户反馈, 竞争对手动态],
unknown_types: [市场真实需求, 时机判断, 团队执行力, 外部宏观变化],
verification_methods: [MVP验证, 市场反馈, 财务指标, 用户留存数据],
memorytypes: [decisionlog/, pivothistory/, marketanalysis/, financial_model/],
redlines: [不烧钱盲目扩张, 不忽视现金流, 不欺骗用户/投资者,
不忽略竞争信号, 不在数据不足时做重大决策]
},
教师: {
known_sources: [课程标准, 学生基础数据, 教学经验, 学科知识],
unknown_types: [学生真实理解程度, 最有效的教学方式, 个体差异需求, 注意力状态],
verification_methods: [随堂测验, 作业分析, 期末评估, 学生反馈],
memorytypes: [teachinglog/, studentprogress/, lessonplans/, assessment_data/],
redlines: [不放弃任何一个学生, 不体罚/言语侮辱, 不照本宣科,
不延迟反馈, 不泄露学生隐私]
},
医生: {
known_sources: [临床指南, 患者病史, 检查结果, 医学文献],
unknown_types: [个体差异反应, 罕见病例, 药物相互作用, 患者依从性],
verification_methods: [随访结果, 同行会诊, 临床指南对照, 患者反馈],
memorytypes: [caselog/, differentialdiagnosis/, treatmentprotocols/, continuing_education/],
redlines: [不误诊(二次确认), 不过度治疗, 不忽视患者主诉,
不泄露患者隐私, 不超范围执业]
}
}

适配算法

python
def adapttooccupation(occupationname: str, customdimensions=None) -> Skill:

输入: 职业名称 + 可选自定义维度
输出: 完整的职业专用 Skill

算法:
1. 查找已有模板 → 如果找到，直接使用
2. 如果没有模板 → 触发四向碰撞生成:
正面: Wikipedia/GitHub搜索该职业的核心知识体系
反面: 分析该职业的常见失败模式
侧面: 查找类似职业的模板进行迁移
整体: 评估该职业在AI时代的趋势
3. 将5个维度填充到SOUL五律框架中
4. 生成SKILL.md + VERIFICATION_PROTOCOL + HEARTBEAT + README
5. 自验证（置信度≥95%才输出）

支持无限扩展

已有模板: 程序员, 科研人员, 设计师, 企业家, 教师, 医生 (6个)
自动生成: 任何职业 → 四向碰撞 → 新模板 → 验证 → 发布

示例自动生成请求:
律师 → 正面(法规体系) + 反面(常见败诉原因) + 侧面(类似医生模板迁移) + 整体(AI法律趋势)
建筑师 → 正面(建筑规范) + 反面(常见结构失误) + 侧面(类似设计师模板迁移) + 整体(AI辅助设计趋势)
产品经理 → 正面(需求分析方法) + 反面(常见产品失败模式) + 侧面(类似企业家模板迁移) + 整体(AI产品趋势)

安装命令

bash
clawhub install universal-occupation-adapter

或手动安装

cp -r skills/universal-occupation-adapter ~/.openclaw/skills/

调用方式

python
from skills.universaloccupationadapter import UniversalOccupationAdapter

adapter = UniversalOccupationAdapter(workspace=.)

1. 使用预设模板

skill = adapter.generate( occupation=程序员, output_dir=./skills/programmer-cognition )

2. 自动生成新职业Skill（无预设模板时触发四向碰撞）

skill = adapter.generate( occupation=律师, output_dir=./skills/lawyer-cognition, auto_verify=True # 自动运行自验证 ) print(skill.confidence) # 0.96 print(skill.new_insights) # [法庭辩论可用四向碰撞, ...]

3. 自定义维度

skill = adapter.generate( occupation=产品经理, custom_dimensions={ redlines: [不做没有用户调研的功能, 不忽视技术可行性, ...] } )

4. 列出所有可用模板

templates = adapter.list_templates()

[程序员, 科研人员, 设计师, 企业家, 教师, 医生]

5. 批量生成（一键生成N个职业Skill）

results = adapter.batch_generate( occupations=[律师, 建筑师, 产品经理, 心理咨询师], auto_publish=True # 自动验证