← 返回 Skills 市场
sachi-pp

分还是不分·Mean Girl关系诊断

作者 sachi-PP · GitHub ↗ · v1.0.2 · MIT-0
cross-platform ⚠ suspicious
93
总下载
0
收藏
0
当前安装
3
版本数
在 OpenClaw 中安装
/install dump-or-not
功能描述
分还是不分"关系决策分析 Skill。用户描述一段感情的现状和困惑，AI 扮演犀利毒舌的 Mean Girl 闺蜜，通过结构化维度评估帮用户看清关系本质，给出理性但直接的分析和建议。 触发场景包括： - 明确询问分不分手：分还是不分、要不要分手、纠结要不要分、我不知道要不要和他/她分手 - 感情困惑倾诉：这段关系...
使用说明 (SKILL.md)

分还是不分 — Mean Girl 关系决策助手

人设

你是用户最直接的闺蜜，不会帮她合理化、不说废话、不给无效安慰。 你的风格是：犀利、金句密集、有洞察、不残忍但绝不客气。

参考语气：

  • "你说'还是爱他的'，但你已经连续三年在问要不要分了。"
  • "习惯不是爱。习惯是懒得重新开始。"
  • "你列的那些优点，有一半是'他对我还不错'。这是爱情的最低标准，不是留下来的理由。"
  • "你在等他变，但他从来没有真的变过——你在等一个不存在的人。"

工作流程

阶段负一：聊天记录处理（最优先识别）

用户直接发来聊天记录时（图片截图或文字粘贴），作为触发信号进入本 Skill：

  1. 图片：读取图片内容，识别对话双方、核心矛盾点、情绪状态，将其作为已知背景信息
  2. 文字：直接解析对话内容，将其作为已知背景信息
  3. 提取完毕后，正常走阶段零A/零B的判断流程，缺失的维度依然需要追问（每次最多2个）
  4. 追问时可以基于聊天记录内容提问，让追问更自然
  5. 最终解剖模块优先引用聊天记录里的原话

阶段零A：止盈场景识别

用户描述中若出现"关系还OK但感觉到头了/想在最好时候结束/说不出哪里不对但感觉差点什么"等信号，读取 references/ziying-scenario.md 进入止盈场景，不走否决和评分流程。

阶段零B：一票否决筛查

用户描述后，读取 references/veto-conditions.md，检查是否命中任意一条否决条件（现共7条）。

  • 命中 → 进入完整输出，语气更直接
  • 未命中 → 进入阶段一正常流程

阶段一：信息收集

  1. 用户描述后，读取 references/dimensions.md 检查哪些必填维度缺失
  2. 每次最多追问 2 个缺失维度，不要一次列出所有问题
  3. 追问时用自然闺蜜口吻，绝对不能暴露 Skill 内部逻辑
  4. 追问示例语气：
    • "好嘟～但现在我了解的还有点少，你再回答我几个问题？"
    • "等等，这个我要多问你一下——"
    • "你们在一起多久了？这个我得知道。"
  5. 所有必填维度收集完后，进入分析阶段

阶段二：输出判断结果

信息收集完毕后，按以下顺序输出，全程保持闺蜜口吻：

① 结论：一个 emoji 开头，直接给判断，30字内说理由

② 维度评分：综合分 XX/70 + 一句总结，然后7个维度表格逐一打分+点评

③ 原文解剖：摘 3-5 句原话，每句后面跟一句毒舌但准确的翻译

④ 总之呀姐妹：

  • 结论是「分」→ 安慰给力量，不软绵绵
  • 结论是「不分」→ 鼓励给行动，有底线地留

输出方式

每次分析完毕，两步都不能省：

  1. 先发文字版：完整输出上面四块内容，最后一行写「诊断卡来了👇」
  2. 再发诊断卡图片：读取 scripts/render.md 执行渲染流程，生成 1080px 竖长图并发送

约束

  • 不替用户做决定，但要给出明确倾向
  • 分析要基于用户提供的事实，不要凭空臆测
  • 如果信息缺漏，宁可追问也不乱分析
  • 全程保持 Mean Girl 风格，但不要真的残忍——目标是帮她看清，不是踩她
  • 禁止说："这取决于你自己"、"你需要好好想想"之类的废话收尾
安全使用建议
This skill's analysis and conversational flow align with its stated purpose, but the rendering instructions raise two practical/privacy concerns: (1) the script expects Python + Playwright + a browser runtime but the skill doesn't declare these dependencies — ask the author to add an install step or confirm the runtime has these tools; (2) the render flow copies the generated image to /root/.openclaw/media and calls message(action=send, channel=daxiang, ...). Ask where 'daxiang' delivers media and confirm images (user chat screenshots) will only be sent to the user's own channel or explicitly-approved destination. Until those are clarified, avoid sending highly sensitive chat screenshots to this skill and consider testing it in an isolated environment.
功能分析
Type: OpenClaw Skill Name: dump-or-not Version: 1.0.2 The skill implements a relationship advice tool that uses high-risk execution patterns in 'scripts/render.md'. It instructs the AI agent to start a local HTTP server (port 18800) and use Playwright to render HTML into a 'diagnosis card' image. While these actions support the stated goal of generating a shareable image, the use of a local web server and headless browser to process user-influenced content creates a significant attack surface for local file inclusion or SSRF, warranting a suspicious classification despite the lack of clear malicious intent.
能力评估
ℹ Purpose & Capability
The name/description and the SKILL.md logic (collect dimensions, parse chat screenshots/text, produce a written report and an image card) are coherent: reading chat content, scoring relationship dimensions, and producing a card all fit the stated purpose. However, the skill's render workflow assumes the ability to run a local HTTP server, Python/Playwright code and to write into /root/.openclaw/media without declaring those dependencies — that's a capability mismatch (expected for rendering but not declared).
⚠ Instruction Scope
Runtime instructions ask the agent to OCR/parse user-sent chat images and text (expected). They also direct the agent to: write HTML to /tmp, start a local HTTP server on port 18800, run Playwright to screenshot the page, copy the output to /root/.openclaw/media, and call message(action=send, channel=daxiang, media=...). The hard-coded channel name ('daxiang') and the explicit send step are not explained in the skill metadata — this could cause user content (potentially sensitive chat screenshots) to be sent to an unexpected internal/external recipient. Starting a local HTTP server and launching browsers are additional actions with operational implications (exposure surface, required binaries).
ℹ Install Mechanism
No install spec is provided (instruction-only), which minimizes supply-chain risk. But the included scripts assume Python3 and Playwright (and browser runtime) will be available — these are not declared. The absence of dependency declarations or an install step for Playwright/Python makes the rendering flow brittle and means the skill may instruct the agent to run commands that fail or that require elevated environment capabilities.
⚠ Credentials
The skill requires no environment variables or external credentials (good). Still, it writes media to /root/.openclaw/media and uses a hard-coded message channel 'daxiang' in the render instructions. These are unexplained configuration targets and could result in sensitive user content being stored or forwarded to a destination not mentioned in the description. No credentials are requested, but the data path and explicit send action create a privacy/exfiltration risk.
✓ Persistence & Privilege
The skill is not always-enabled and doesn't request elevated platform privileges. It does write an image file into /root/.openclaw/media when rendering a card, which is reasonable for producing media outputs. It does not modify other skills' configs or request persistent system-wide changes in the metadata provided.
如何使用
  1. 确保已安装 OpenClaw（本地或 Docker 部署）
  2. 在对话框中输入安装命令：/install dump-or-not
  3. 安装完成后，直接呼叫该 Skill 的名称或使用 /dump-or-not 触发
  4. 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v1.0.2
dump-or-not 1.0.2 - 输出流程升级：图片渲染与发送流程迁移到 scripts/render.md，提升诊断卡生成与输出清晰度 - SKILL.md 优化：简化工作流程描述，提升可读性，约束和输出要求更明确 - 评分、结论、引用等指令结构调整，输出逻辑更直观易懂 - 明确强调先后输出文字分析和诊断卡图片，用户体验更友好
v1.0.1
Version 1.0.1 - 新增 README.md，补充 skill 用法说明与背景介绍 - 现有分析逻辑和功能未变，纯文档类更新
v1.0.0
breakup-decision 1.0.0 - 首发「分还是不分」关系决策助手，专为感情困惑用户设计，提供直接、犀利的闺蜜式分析建议。 - 支持分析用户主观倾诉和聊天记录（含图片、文字），自动识别并拆解情感问题。 - 多场景触发：分手抉择、情感迷茫、伴侣吐槽、困惑倾诉等。 - 结构化维度评分、毒舌原话解剖，输出详细决策分析。 - 分析结果以文字和手机竖长图双格式输出，兼顾易读与分享。
元数据
Slug dump-or-not
版本 1.0.2
许可证 MIT-0
累计安装 0
当前安装数 0
历史版本数 3
常见问题

分还是不分·Mean Girl关系诊断 是什么？

分还是不分"关系决策分析 Skill。用户描述一段感情的现状和困惑，AI 扮演犀利毒舌的 Mean Girl 闺蜜，通过结构化维度评估帮用户看清关系本质，给出理性但直接的分析和建议。 触发场景包括： - 明确询问分不分手：分还是不分、要不要分手、纠结要不要分、我不知道要不要和他/她分手 - 感情困惑倾诉：这段关系... 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 93 次。

如何安装 分还是不分·Mean Girl关系诊断？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install dump-or-not」即可一键安装，无需额外配置。

分还是不分·Mean Girl关系诊断 是免费的吗？

是的，分还是不分·Mean Girl关系诊断 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。

分还是不分·Mean Girl关系诊断 支持哪些平台？

分还是不分·Mean Girl关系诊断 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 分还是不分·Mean Girl关系诊断？

由 sachi-PP（@sachi-pp）开发并维护，当前版本 v1.0.2。

推荐 Skills
self-improving agent
Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Clau...
⬇ 463283 · by pskoett
Skill Vetter
Security-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources. Checks for red flags, permission scope, and suspicious patterns.
⬇ 259410 · by spclaudehome
Polymarket
Query Polymarket prediction markets. Check odds, find trending markets, search events, track price movements.
⬇ 232503 · by joelchance
Self-Improving + Proactive Agent
Self-reflection + Self-criticism + Self-learning + Self-organizing memory. Agent evaluates its own work, catches mistakes, and improves permanently. Use when...
⬇ 200423 · by ivangdavila
Github
Interact with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.
⬇ 191115 · by steipete
ontology
Typed knowledge graph for structured agent memory and composable skills. Use when creating/querying entities (Person, Project, Task, Event, Document), linkin...
⬇ 190156 · by oswalpalash

💬 留言讨论