AI 技能AI 插件应用安全网络安全AI 评测【免费下载链接】skillsTrail of Bits Claude Code skills for security research, vulnerability detection, and audit workflows项目地址https://gitcode.com/gh_mirrors/skills8/skills点击查看免费下载Culture IndexCI是一种行为特质测评体系通过 A/B/C/D 四个主特质与 EU/L/I 三个次特质刻画个体的行为驱动模式。本指南完整解析开源仓库skills中interpreting-culture-index技能模块的interpret-individual 工作流从 PDF/JSON 数据加载、OpenCV 脚本提取、箭头人群均值定位、特质距离计算到原型Archetype识别、优势与挑战归纳、Survey 与 Job 对比以及最终报告的结构化输出全部以可执行的命令、可复制的表格与源码实现为支撑。读者读完即可独立完成一份专业、合规、可直接落地的个人 CI 画像解读。一、工作流全景从一份资料到一份解读报告interpret-individual.md是interpreting-culture-index技能模块的 11 个工作流之一用于分析单份个人档案、识别原型、归纳优势与挑战。完整技能模块的入口与路由规则定义在 SKILL.md其中将interpret-individual路由到关键词individual、interpret、understand、analyze one、single profile等。整个流程可抽象为三个阶段数据准备确认输入是 JSON 还是 PDFPDF 必须先用脚本提取为 JSON严禁目测估值。十步解读按顺序完成箭头定位、距离计算、主导点识别、原型匹配、L/I 绝对解读、优劣总结、双图对比、报告汇总。质量校验对照反模式清单与成功标准自查确保解读符合 CI 方法论。工作流明确要求解读前先阅读三份领域知识文件primary-traits.md —— A、B、C、D 四个主特质详解secondary-traits.md —— EU、L、I 三个次特质详解patterns-archetypes.md —— 模式与原型识别这些文件是本工作流的方法论底座后续各步的判读规则均来源于此。二、Step 1 与 Step 1b加载数据且必须从 PDF 精确提取工作流的第一步是加载档案。有两种合法路径路径一直接使用 JSON推荐import json with open(path/to/profile.json) as f: profile json.load(f)路径二PDF 必须先提取为 JSONuv run {baseDir}/scripts/extract_pdf.py --verify /path/to/profile.pdf其中{baseDir}即脚本所在目录plugins/culture-index/skills/interpreting-culture-index/scripts。如果提取失败禁止回退到视觉估值若未安装uv按 SKILL.md 指引先安装brew install uv或curl -LsSf https://astral.sh/uv/install.sh | sh。工作流在此处给出了一条红线警告⚠️NEVER use visual estimation for trait values.Visual estimation has 20-30% error rate.这条规则有源码层面的强支撑。提取脚本 extract_pdf.py 采用 OpenCV 计算机视觉方案做像素级提取宣称 100% accuracy, no API keys needed并且只接受 OpenCV 提取结果。真正的提取逻辑在 extract.py 中process_pdf()调用extract_with_opencv()失败时返回带error字段的ExtractionResult模型定义见 models.py。Step 1b 视觉抽查仅限 PDF 输入提取完成后必须把校验摘要与 PDF 原图做快速比对每个图表上显示的 EU 值与提取结果一致箭头位置看起来正确摘要中最极端的特质在视觉上合理若任一项可疑需重新提取或报告偏差。注意视觉在此场景中只用于抽查验证绝不能用来提取数值——SKILL.md 明确限定 Vision may be used ONLY to verify extracted values look reasonable, NOT to extract trait scores。提取脚本的精度设计读懂 OpenCV 常量如果你好奇为什么脚本能提取到 100% 精度可以看 constants.py。其中针对 300 DPI 横版 CI PDF 做了全套标定图表区域Survey 图表约占页高 25%-51%Job 图表约占 62%-88%OPENCV_SURVEY_Y_START/END、OPENCV_JOB_Y_START/ENDX 轴标定0 刻度在 x68610 刻度在 x1994每单位约 130.8 像素HSV 色彩阈值每种特质点用独立色相区间识别——A 是暗红/栗色hue ≥165 或 ≤5B 是黄色15-35C 是蓝色105-115D 是绿色65-85L 是紫色135-165I 是青色85 以上箭头识别红色箭头需要饱和度 ≥150、亮度 ≥150且形状高而瘦宽高比 0.3、高度 50px以区别于暗红色的 A 特质点噪点过滤点面积区间 500-8000 像素箭头面积 200-5000 像素这些常量说明脚本通过颜色 形状 区域三维过滤把每个特质点与箭头从 PDF 渲染图里精确分离出来这正是杜绝目测的技术保障。三、Step 2定位红色箭头——解读的基准坐标系箭头 人群均值第 50 百分位。必须在 Survey 图表和 Job 图表上分别记录箭头在 0-10 标尺上的位置。为什么箭头位置如此关键CI 方法论的核心原则是主特质 A/B/C/D 只能以相对箭头距离解读绝不能用绝对数值比较。SKILL.md 明确解释了箭头会移动的原因Higher EU scores cause the arrow to plot further right; lower EU causes it to plot further left. This does not affect validity—we always measure distance from wherever the arrow lands.因此只要箭头位置不同A 等于 8就没有意义正确的表述是A 相对本图箭头偏右 3 个中心位centiles。这一步是所有后续距离计算的前提跳过箭头定位就等于失去了解读坐标系。四、Step 3计算主特质距离并分级对 A、B、C、D 每个特质用特质绝对位置 − 箭头位置计算距离正值表示偏右/偏高负值表示偏左/偏低。工作流给出了记录模板TraitAbsolute ValueArrowDistanceInterpretationA???(will fill)B???C???D???距离的分级标尺同时出现在工作流与 SKILL.md 的 distance-interpretation 原则中距离区间标签约对应百分位含义0 至 ±0.5Normative规范/灵活50th情境化灵活可变±1 至 ±1.5Tendency倾向/中等~67th可较易调整±2 至 ±3Pronounced显著~84th差异明显±4 及以上Extreme极端/强迫性~98th硬连线的、难以改变、高度可预测关键洞察每 2 个中心位距离约等于 1 个标准差。极端特质驱动极端结果但更难修改、也更难与普通人产生共鸣。从源码看距离计算在 extract.py 的_build_chart_data()中被自动完成result[trait] [score, round(score - arrow, 1)]即每个主特质以[绝对值, 相对箭头距离]二元组输出。也就是说脚本输出的 JSON 已经替你算好了每个特质的相对距离解读时直接取第二个元素即可。五、Step 4识别主导点Leading Dots找到离箭头最远的点——它们对行为的驱动最强。工作流要求按距离从大到小排序[Trait] at ±X centiles[Trait] at ±X centiles[Trait] at ±X centiles这一步与 patterns-archetypes.md 的快速判读法互为表里先找偏离规范线最远的点再判定落入哪个区间±2 中心位 somewhat/very±4 中心位 extremely最后选用对应列的词汇描述。例如D 在规范线右侧 4.5 中心位→极度守规的完美主义者、精确、谨慎、准确若点贴近 ±0.5 则表述为视情境而定取决于舒适度与经验。重要主导点不必与 A 的强度一致。一个High A画像的主导点可能是 D 或 C判读时必须以离箭头最远的点为准而非预设某个特质。六、Step 5匹配行为模式与原型Archetype把主导点的组合与references/patterns-archetypes.md交叉比对。工作流给出 5 个常见模式原型特质组合画像要点Architect/Visionary架构师/远见者High A, Low C, Low D大局观强、节奏快、厌恶细节Rainmaker/Persuader造雨者/说服者High A, High B, Low C有攻击性、有魅力、行动快善于成交与维系关系Scholar/Specialist学者/专家Low B, High C, High D内向、耐心、注重细节、深度专精Technical Expert技术专家Low A, Low B, Low C, High D精度驱动、低调、多疑、深度专精Craftsman工匠Low A, Low B, High C, High D耐心、精确的执行者、任务大师patterns-archetypes.md 完整列出了 19 种行为模式还包含特质组合速查表High A Low D 最大的风险偏好者只有油门没有刹车也是最独立的人群Low A High D 最保守规避风险者Low B High C 别打扰我 ×2双重内向信号High B Low C 语言喷洒者说得快、说得多、话题多High C High D 专家/操作者耐心且精确适合合规、质量、运营Low C Low D 独行侠/变革推动者快 不守规则天然变革者全四点贴箭头 变色龙统计上全均值人群占比不足 0.57%同时要关注模式宽度四点越分散行为越极端、越可预测四点越聚集行为越中庸、越灵活。两个人的 A 位置可能完全相同但 B/C/D 的分布差异会造就完全不同的整体模式。工作流也给出一个逃离风险信号当 Job 行为与 Survey 特质完全相反时例如 Architect 在 Job 图中变成 Socializer所有点都翻到对侧这是迫在眉睫的离职风险信号说明必须有所改变否则此人会离开。七、Step 6L 与 I 采用绝对值解读LLogic与 IIngenuity是仅有的两个打破禁止绝对值比较规则的特质。工作流给出了明确的绝对分级TraitScoreInterpretationLogicL0-2: Low情绪化3-7: Normative规范8-10: High理性IngenuityI0-2: Low务实3-6: Occasional偶发灵感7-10: High高创造性L 的逻辑度量人接收和处理新信息的第一道过滤器同时也度量自尊——逻辑越低自尊通常越低。低 L0-2情绪先行、缺乏临场情绪控制规范 L3-7是理性与感性的健康平衡高 L8-10冷静抽离、泰山崩于前而色不变但可能显得冷漠组合提示High B Logic 10 外向但说话伤人Low B Logic 10 敏感度不是强项。I 的创造性度量原始创造力与空间推理。0-2 是最常见的分数代表线性、务实、落地钢笔就是钢笔7-10 是多维思考者脱离现实钢笔是我们在得克萨斯抽油的方式……。注意一个单尾 IQ 相关性High I 大概率对应高 IQ但 Low I不代表低 IQ——大量认证天才的 I 分数很低。在源码层面这一例外也被显式编码extract.py 的_build_chart_data()对 L/I 输出[score, None]相对距离字段固定为null注释写明 absolute values per methodology。JSON 中 L/I 的第二个元素为 null正是方法论不得相对箭头解读 L/I的直接实现。Job 行为信号来自 secondary-traits.md当高 L9-10的人在 Job 图中把逻辑降到 4-5几乎总是人际相关挑战的信号——他们在尝试变得更开放因为被告知太冷漠当低 I 的人在 Job 图中抬升创造性说明传统方法行不通他们在寻找更巧妙的解法。八、Step 7 与 Step 8归纳 2-3 项优势与挑战工作流要求基于主导点而非全部特质归纳优势与挑战每类 2-3 条优势速查High A主动性、自信、战略思维High B关系建立、影响力、口头沟通High C耐心、专注、一致性、有条理High D精确、可靠、质量控制、责任感Low A团队导向、服务心态、执行力Low B专注、分析深度、独立性Low C紧迫感、多任务、适应力Low D灵活性、大局思维、风险容忍挑战速查High A与人相处困难、对他人不耐烦、自我优先High B可能把关系凌驾于结果之上、需要社交High C抗拒变化、转向慢、需要提前通知High D不灵活、完美主义、难以授权Low A缺乏主动性、需要明确方向、回避冲突Low B显得冷淡或疏离、偏好独处Low C制造无谓紧迫感、打断他人、易出错Low D遗漏细节、跟进不一致、健忘要写出更有深度的判读可结合 primary-traits.md 的细节例如 High A 的 Kryptonite 是人People 会让他们持续失望High D 需要 SOP必须先铺好铁轨High C 有28 分钟被打断恢复期需要保护专注时间Low C 的驱动因素是 DEADLINES把截止日期写进邮件标题。这些都是把±2 中心位的抽象数字翻译成可执行管理建议的关键素材。九、Step 9Survey 与 Job 双图对比与能量利用率如果同时有 Survey你是谁与 Job你在工作中试图成为谁两张图必须对比哪些点发生了显著移动箭头是否移动压力/挫败感信号计算EU 利用率(Job EU / Survey EU) × 100EUEnergy Units度量心理耐力——一个人能连续工作多久才需要 5-10 分钟的心理休息。它不是体力、不是工作态度、也不是智力。EU 的分段解读secondary-traits.mdEU 区间标签管理策略0-10潜在回避型标记复核可能需要人工重判11-19较低 EU重要工作在上午/周初优先安排20-40高管最常见区间全天规律性短休10 小时工作日约 4-5 次41-60高于平均可维持更长时间持续专注61-80高能量兔晚上 9 点与早上 9 点一样清醒留意深夜邮件利用率的判定标尺利用率信号含义70-130%Healthy健康工作负荷可持续、对齐130%STRESS压力良性压力自我驱动型在意或恶性压力过度消耗有倦怠风险70%FRUSTRATION挫败脱节、冷漠、被低估、无聊离职风险示例Survey EU 41Job EU 31则利用率 31/41 75%接近挫败/脱节的发动机检查灯区。关键洞察生活在你的顶图天然特质中不消耗 EU真正消耗 EU 的是行为修正——当 Job 图偏离 Survey 图时你在消耗心理能量扮演另一个自己若持续 3-6 个月以上将导致倦怠。因此 Job 行为应每半年重测一次不要用 18 个月以上的陈旧数据做决策。在源码中这一计算被直接实现extract.py 的calculate_energy_utilization()用round((job_eu / survey_eu) * 100)计算百分比按70 → frustration、130 → stress、否则healthy归类survey_eu 0时返回invalid并写入 JSON 的analysis字段。也就是说提取脚本输出的 JSON 已自动包含利用率与状态标签解读时可直接引用。十、Step 10按模板汇总结构化报告最后一步是把以上所有发现组织成结构化解读。工作流给出的报告骨架## [Name] - [Archetype] ### Key Traits - [Leading trait 1]: [interpretation] - [Leading trait 2]: [interpretation] - [Leading trait 3]: [interpretation] ### Strengths 1. [Strength 1] 2. [Strength 2] 3. [Strength 3] ### Development Areas 1. [Challenge 1] 2. [Challenge 2] ### Energy Status - Survey EU: [X] - Job EU: [X] - Utilization: [X]% ([healthy/stress/frustration]) ### Recommendations - [Actionable recommendation 1] - [Actionable recommendation 2]仓库中还提供了更完整的落版模板 individual-report.md包含 Profile Summary 六特质表格A/B/C/D 记距离、L/I 记绝对值、Leading Traits、Strengths、Challenges、Energy Status 表格、Survey vs Job 对比表格逐特质记录 Survey→Job 的变化与含义、Recommendations、Communication Preferences沟通方式、反馈方式、会议风格以及 Notes。如果只有单张图应注明Single survey only - no utilization comparison available。模板末尾的标准注脚也值得保留Interpretation follows Culture Index methodology. All trait positions are relative to the population mean (arrow). No trait is inherently good or bad - fit depends on role and context.——这既是方法论的自我声明也是对读者的免责提醒。十一、反模式清单解读的六条戒律工作流专门列出必须避免的解读错误脱离上下文的绝对值永远不要说A 是 8而不联系箭头。人与人之间的绝对值比较Person A 的 B 比 Person B 高是错误的。价值判断不要把特质称为好或坏。过度索引单一特质整体模式比单个点更重要。忽略 Survey 与 Job 对比会漏掉倦怠信号。当作定论Culture Index 只是众多数据点之一不是完整真相。SKILL.md 对最后一条有更强的表述CI 是行为特质测评不是智力或技能测评任何档案都无好/坏之分也不应用于临床心理诊断或作为招聘/解雇决策的唯一依据。若要深入了解每种解读陷阱的机理可阅读 anti-patterns.md。十二、成功标准如何判定一次解读已经完成工作流给出了可勾选的完成清单数据通过脚本提取而非目测估值——若输入是 PDF校验摘要已与 PDF 原图抽查比对——若输入是 PDF两张图的箭头位置均已识别——若两者都可用所有特质距离均已相对箭头计算主导点已识别并排序模式/原型已命名L 和 I 已用绝对值解读已记录 2-3 项优势已记录 2-3 项挑战Survey 与 Job 已对比——若都可用EU 利用率已计算——若双图都可用已给出可执行的建议未使用任何绝对值比较SKILL.md 的 verification_loop 还要求每次解读后自查五个问题是否使用相对位置、是否引用箭头、是否对比双图、是否避免价值判断、是否检查 EU并向用户汇报Interpretation complete、2-3 条关键发现与推荐行动。这也与成功标准形成闭环。十三、实战要点速查把整个工作流浓缩成一份可贴在桌边的操作卡输入判断有 JSON 直接用只有 PDF 就跑uv run extract_pdf.py --verify xxx.pdf禁止目测。先定位箭头所有 A/B/C/D 判读都以距箭头几个中心位为语言。排序找主导点最远的 2-3 个点决定优势与挑战清单。匹配原型用 patterns-archetypes.md 的 19 种模式与组合表对号入座。L/I 走绝对值Logic 8 就是 High Logic与箭头无关。必算利用率双图在手就算(Job EU / Survey EU) × 10070-130% 健康、130% 压力、70% 挫败。警惕离职信号Job 图与 Survey 图全相反 迫在眉睫的离职风险。报告结构化用工作流模板或仓库的 individual-report.md 落版。守住边界不做绝对值比较、不做价值判断、只把它当作一个数据点。这套流程的价值在于它把一份容易陷入看图说话的测评报告变成了有明确坐标系箭头、有量化标尺±2 中心位 1 个标准差、有机器校验OpenCV 提取 JSON 自动计算距离与利用率、有模板约束结构化报告的工程化解读管线。无论是 HR 落地个人辅导、管理者做 1:1 沟通还是团队做招聘画像比对都能从这里获得稳定、可复现、可引用的方法论支撑。赞分享AI 技能AI 插件应用安全网络安全AI 评测【免费下载链接】skillsTrail of Bits Claude Code skills for security research, vulnerability detection, and audit workflows项目地址https://gitcode.com/gh_mirrors/skills8/skills点击查看免费下载相关推荐Culture Index 招聘画像定义工作流基于 interpreting-culture-index 技能库的 A/B/C/D 特质建模实战指南Culture Index 招聘画像定义工作流基于 interpreting culture index 技能库的 A/B/C/D 特质建模实战指南 导读 招AI 技能AI 插件应用安全网络安全AI 评测Culture Index 双人画像对比基于 trails 仓库 interpreting-culture-index 技能包的兼容性分析报告模板实战指南Culture Index 双人画像对比基于 trails 仓库 interpreting culture index 技能包的兼容性分析报告模板实战指南 CAI 技能AI 插件应用安全网络安全AI 评测Culture Index 招聘画像Hiring Profile模板实战指南基于 interpreting-culture-index 技能包定义职位理想特质Culture Index 招聘画像Hiring Profile模板实战指南基于 interpreting culture index 技能包定义职位理想AI 技能AI 插件应用安全网络安全AI 评测上一篇终极macOS虚拟机Time Machine配置完整备份方案指南下一篇PicoClaw 飞书Feishu/Lark频道接入指南配置、部署与源码级原理创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考