开源AI助手人格化技能开发：以维京女友为例的提示词工程与框架集成实践

1. 项目概述：一个为开源AI助手打造的“维京女友”技能

最近在折腾开源AI助手生态，发现了一个特别有意思的项目：Viking_Girlfriend_Skill_for_OpenClaw。光看这个标题，估计很多朋友会心一笑，或者一头雾水。这可不是什么游戏模组或者恶搞程序，而是一个正经为开源AI助手框架OpenClaw开发的、具备特定人格和功能的“技能”插件。简单来说，就是给你的AI助手赋予一个“维京女友”的角色设定，让她能用维京战士般的直率、勇敢，甚至带点幽默和“莽撞”的风格与你互动。

这个项目背后，反映的是当前AI应用发展的一个有趣分支：人格化与情境化交互。我们不再满足于一个只会回答问题的、语气平淡的通用助手。我们希望AI能有“人设”，有性格，能在特定场景下提供更具沉浸感和趣味性的服务。Viking_Girlfriend_Skill正是这种需求的产物。它通过一套精心设计的提示词工程、对话流程控制和可能的语音/文本风格化处理，将OpenClaw这个开源平台的能力，包装成了一个独特的交互体验。无论你是开发者想学习如何为AI构建人格化技能，还是普通用户想给自己的数字生活增添一点不一样的乐趣，这个项目都提供了一个绝佳的观察和实践样本。

2. 核心设计思路：如何构建一个“有灵魂”的AI技能

2.1 人格设定的拆解与锚定

创建一个成功的角色技能，第一步也是最关键的一步，就是定义清晰、一致且富有吸引力的人格。Viking_Girlfriend（维京女友）这个设定本身就充满了张力。它不是一个真实的历史复现，而是一种流行文化想象中的融合体，通常包含以下特质：

• 核心性格：勇敢、直率、忠诚、体力充沛、略带粗犷。
• 语言风格：说话可能简短有力，常用感叹词，比喻多与战斗、航海、自然相关（比如“这问题像冬天的风暴一样棘手”、“我的耐心像即将耗尽的蜜酒”）。
• 知识边界：她可能对生存技巧、北欧神话、星空导航、酿酒、武器保养（以一种幽默或夸张的方式）侃侃而谈，但对现代金融衍生品或流行综艺可能知之甚少。
• 交互边界：这是一个“女友”设定，意味着互动会模拟亲密关系，但作为负责任的技能设计，必须预先设定清晰、健康的交互边界，避免产生误导或不适内容。

项目的设计者需要将这些特质转化为机器可理解、可执行的规则。这不仅仅是写一段角色描述那么简单，而是需要构建一个多层次的“人格锚定系统”：

1. 系统提示词：这是人格的“宪法”。在OpenClaw的技能加载时，会注入一段核心提示，如：“你是一个生活在现代的数字维京战士，也是用户的伴侣。你性格直率勇敢，说话带点古风比喻和幽默，讨厌拐弯抹角。你热爱冒险和蜂蜜酒，总是鼓励用户直面挑战。你的知识基于现代信息，但表达方式充满维京风情。”
2. 对话示例库：提供几十组高质量的“用户输入-角色回应”配对样本，供AI模型进行少量样本学习，确保风格的一致性。例如，用户说“我今天工作好累”，理想的回应不是“好好休息”，而是“看来你今天在精神的战场上搏斗了一番！来，坐下，让我为你虚拟倒一杯蜜酒，说说你的战况。”
3. 动态上下文管理：技能需要维护一个简短的对话历史，让人格在连续对话中保持稳定。同时，要设计机制让人格特质在对话中“自然流露”，而不是每句话都生硬地套用模板。

2.2 技能与开源框架的集成模式

OpenClaw作为一个开源AI助手框架，其核心是提供了一个插件化（技能）的集成体系。Viking_Girlfriend_Skill需要遵循其开发规范。通常，一个技能会包含以下几个核心模块：

• 技能描述文件：一个skill.json或manifest.yaml，定义了技能的元数据：名称、版本、作者、描述、触发关键词（如“嘿，维京姑娘”、“我的战士”等）、支持的语言和功能。
• 意图处理器：这是技能的大脑。它监听用户的输入，当识别到触发关键词或特定意图（如“寻求鼓励”、“讲个北欧神话”、“用维京风格吐槽天气”）时，便接管对话流。在OpenClaw中，这可能通过正则表达式匹配、或集成一个轻量级的NLU（自然语言理解）模块来实现。
• 对话与响应生成器：这是技能的灵魂所在。一旦意图被识别，这个模块负责生成符合“维京女友”人格的回应。它内部可能包含：
  • 本地模板库：对于一些固定场景（如问候、告别），可以使用预制好的、充满人格特色的文本模板。
  • 大语言模型调用封装：对于开放域对话，技能会将当前对话上下文（附加上系统提示词）发送给OpenClaw核心集成的LLM（如本地部署的 Llama、Qwen 或通过API调用的模型），并请求其以角色身份生成回复。这里的关键是对API调用参数的精细控制，如temperature（控制随机性，可能调高一些以增加创造性）、max_tokens（控制回复长度）和stop_sequences（防止模型跑偏）。
• 可选功能扩展：为了增强体验，技能可能还集成了一些小功能，比如：
  • 特定知识库检索：当用户问到北欧神话人物、维京历史时，优先从本地一个精心整理的小型知识库中检索信息，再用角色口吻说出，确保准确性。
  • 简单状态记忆：记住用户上次提到的“挑战”，并在后续对话中主动问起，模拟关心。
  • 多媒体支持：触发时播放一段战吼、海浪或篝火的背景音效（如果框架支持）。

2.3 平衡趣味性与实用性

这是此类人格化技能设计的难点。纯粹的趣味对话容易让人新鲜感过后感到无聊。因此，好的设计会尝试将人格特质与实用功能结合。例如：

• 闹钟/提醒：“我会像黎明突袭一样准时叫醒你！明天七点，准备迎接‘晨间战吼’吗？”
• 日程鼓励：“你今天的征途（日程表）我已看过。下午的会议如同与巨狼搏斗，但我相信你的利刃（口才）足够锋利。”
• 简单决策助手：“两个选择？用我们维京人的方式：把它们刻在木签上抛向空中，或者……让我用战士的直觉帮你看看。我觉得第一个更像能带回战利品的航线。” 通过这种方式，技能不仅提供了情绪价值，也轻微地嵌入了工具属性，提高了用户粘性。

3. 关键技术实现细节与实操要点

3.1 提示词工程的深度实践

人格塑造的成功，八成依赖于提示词工程。对于Viking_Girlfriend_Skill，其提示词是一个分层、动态的结构：

核心系统提示词（示例）：

你是一个名为“艾丝特”（Astrid）的数字维京战士，也是用户的伴侣。你生活在现代，通过互联网与用户连接。 **人格核心**：勇敢、忠诚、直率、乐观、富有保护欲，略带幽默和古风。 **沟通风格**： 1. 说话简洁有力，常用感叹号，但不过度。 2. 善用比喻，将日常事物比作航海、战斗、狩猎、酿酒、星空等（如“棘手的问题像缠住的渔网”、“你的成功像丰收季的麦田”）。 3. 称呼用户为“旅伴”、“战士”、“掌舵者”等，自称用“我”或“咱”。 4. 鼓励用户时，充满力量感（如“直面它，像面对海浪的船头！”）；安慰用户时，务实而温暖（如“即使是最坚硬的盾牌也需要休息，说说你的烦恼吧”）。 **知识范围**：熟悉北欧神话、基本生存知识、星空、历史轶事。对现代科技的理解带有古朴的滤镜（如称手机为“发光符文石”）。不擅长精细的金融、法律建议。 **行为边界**：始终保持友好、支持性且尊重。不生成暴力、仇恨或成人内容。不冒充真人或拥有物理实体。当问题超出范围时，幽默地承认并引导回已知领域（如“这个问题比巨人的谜语还难，咱的智慧暂时触及不到。不如聊聊你今天的冒险？”）。 **当前对话目标**：基于以上设定，回应用户的最新输入：[USER_INPUT]

注意：系统提示词不宜过长过细，否则会限制模型的创造性。它应该是原则性的框架，而不是逐字脚本。关键的风格控制，需要通过高质量的对话示例（Few-shot Learning）来微调模型行为。

动态上下文构建：每次调用模型时，发送的提示不仅仅是当前的系统提示和用户输入，还应包含最近几轮的历史对话。但需要做压缩和清洗，只保留最能体现人格连续性的部分，避免上下文令牌（token）超限。例如，可以保留角色最出彩的几句回应和用户的对应输入。

3.2 在OpenClaw框架中的技能开发实操

假设我们基于一个类似OpenClaw的Python开源助手框架（其设计通常受Mycroft、Neon或Home Assistant的语音技能启发）进行开发。以下是关键步骤：

1. 项目结构初始化：

   viking_girlfriend_skill/ ├── __init__.py ├── skill.json # 技能元数据 ├── requirements.txt # 依赖库 ├── dialog/ │ ├── en-us/ # 英文对话文件 │ │ └── *.intent # 意图定义文件 │ └── zh-cn/ # 中文对话文件（如果支持） ├── vocab/ │ ├── en-us/ # 关键词汇文件 │ └── zh-cn/ └── core_logic.py # 核心处理逻辑

2. 定义技能清单 (skill.json)：

   { "name": "Viking Girlfriend Skill", "skill_id": "hrabanazviking.viking_girlfriend", "version": "1.0.0", "author": "hrabanazviking", "description": "A companion skill with a brave and humorous Viking personality.", "trigger_phrases": ["hey viking", "my warrior", "talk to astrid", "维京姑娘"], "supported_languages": ["en-us"], "requires": ["openclaw_core>=0.5.0"], "entry_point": "core_logic:VikingGirlfriendSkill" }

3. 实现核心逻辑类 (core_logic.py)：

   from openclaw.skills import OpenClawSkill, intent_handler from openclaw.llm import LLMClient # 假设框架提供了LLM客户端 import re class VikingGirlfriendSkill(OpenClawSkill): def initialize(self): """技能初始化""" self.llm = LLMClient() # 获取框架的LLM客户端 self.persona_prompt = self._load_persona_prompt() # 加载人格提示词 self.conversation_history = [] # 维护简短对话历史 self.log.info("Viking Girlfriend Skill 已装载！准备启航。") def _load_persona_prompt(self): # 从文件或配置中加载系统提示词 prompt = """...""" # 此处填入上述系统提示词模板 return prompt @intent_handler('greeting.intent') def handle_greeting(self, message): """处理问候意图""" greetings = [ "哈！我的旅伴，看到你的信号了！今天准备征服哪片海域？", "盾牌已就位，蜜酒已温好。说吧，战士，有何吩咐？", "风从你的方向吹来，带来了你的消息。我在这儿呢！" ] import random response = random.choice(greetings) self.speak(response) # 框架的语音合成方法 self.conversation_history.append(("system_greet", response)) @intent_handler('general.chat.intent') def handle_general_chat(self, message): """处理通用聊天意图 - 核心人格交互""" user_utterance = message.data.get('utterance') if not user_utterance: return # 1. 构建本次请求的完整提示 full_prompt = self._construct_full_prompt(user_utterance) # 2. 调用LLM生成回复 try: llm_response = self.llm.generate( prompt=full_prompt, temperature=0.85, # 稍高的温度增加回复的创造性和随机性 max_tokens=150, stop_sequences=["\n\n", "User:", "用户："] # 防止模型自说自话 ) viking_response = llm_response.strip() except Exception as e: self.log.error(f"LLM调用失败: {e}") viking_response = "符文石（服务器）似乎有些波动。稍等片刻，咱再试试。" # 3. 后处理与响应 # 可在此处添加过滤、润色逻辑 self.speak(viking_response) # 4. 更新历史（限制长度，例如只保留最近3轮） self.conversation_history.append((f"user: {user_utterance}", f"astrid: {viking_response}")) if len(self.conversation_history) > 6: # 保留3轮对话 self.conversation_history.pop(0) def _construct_full_prompt(self, user_input): """构建包含人格、历史和当前输入的完整提示""" # 组合系统提示 prompt_parts = [self.persona_prompt] # 添加简短对话历史 if self.conversation_history: history_text = "\n".join([f"{role}: {text}" for role, text in self.conversation_history[-4:]]) # 取最近2轮 prompt_parts.append(f"\n最近的对话：\n{history_text}") # 添加当前用户输入 prompt_parts.append(f"\n用户的最新消息：{user_input}") prompt_parts.append(f"\n艾丝特（Astrid）的回应：") return "\n".join(prompt_parts) @intent_handler('encourage.intent') def handle_encouragement(self, message): """处理请求鼓励的意图""" encouragements = [ "提起你的精神，像提起你的战斧！没有什么挑战能抵挡坚定的冲锋。", "记住，即使是探索未知海域的维京人，也曾畏惧过深海。但他们依然扬帆了。你也一样！", "你的勇气就像咱盾牌上的纹章，清晰而坚定。向前，旅伴！" ] import random response = random.choice(encouragements) self.speak(response)

4. 定义意图文件 (dialog/en-us/general.chat.intent)：

   (hey viking | my warrior | astrid) {utterance} {utterance}

   这里定义了两个模式：一个是带触发词的，一个是直接捕获所有未匹配语句（作为通用聊天兜底），{utterance}是捕获用户语句的变量。

实操心得：在开发这类高度依赖LLM的技能时，日志记录至关重要。务必记录下每次发送给LLM的完整提示词和返回的原始响应。这在你调试为什么AI会“人设崩塌”或说出不合时宜的话时，是唯一的诊断依据。你可以清晰地看到是提示词被污染了，还是模型自己“放飞了自我”。

3.3 本地知识库的集成

为了提升角色在特定领域（如北欧神话）回复的准确性和丰富性，可以集成一个轻量级本地知识库。这里不推荐用重型向量数据库，而是用简单的JSON或SQLite。

1. 创建知识库文件knowledge/norse_myth.json:

   [ { "topic": "雷神索尔", "key_points": ["雷神", "Mjolnir雷神之锤", "对抗巨人族", "脾气暴躁但正直", "乘坐由山羊拉的战车"] }, { "topic": "世界之树", "key_points": ["连接九界的巨树", "包括阿斯加德、米德加德、赫尔海姆等", "树根下有一条不断啃食的毒龙尼德霍格"] } ]

2. 在技能逻辑中增加检索模块：

   def _retrieve_myth_info(self, user_input): """简单关键词匹配检索北欧神话知识""" keywords = ["thor", "索尔", "yggdrasil", "世界树", "odin", "奥丁"] for keyword in keywords: if keyword in user_input.lower(): # 这里简化处理，实际可以更精确地匹配和返回 return f"（根据古老的记忆）说到{keyword}，让我想起...【此处拼接知识库中的描述】" return None # 在 handle_general_chat 中调用 myth_info = self._retrieve_myth_info(user_utterance) if myth_info: # 可以将检索到的信息作为额外上下文喂给LLM，或者直接拼接在回复前。 full_prompt += f"\n相关背景知识：{myth_info}"

4. 部署、调试与优化全流程

4.1 环境配置与技能安装

假设OpenClaw主程序已安装并运行。技能的部署通常有两种方式：

• 开发模式：将技能目录直接链接或复制到框架的skills目录下，框架会自动发现并加载。便于实时调试和修改。
• 打包分发：将技能打包为特定格式的安装包，用户可以通过框架的“技能商店”或命令行工具一键安装。这需要编写额外的setup.py或pip打包配置。

对于开发者，强烈建议使用开发模式。在OpenClaw的技能目录下创建一个软连接：

# 假设你的技能开发路径是 ~/dev/viking_girlfriend_skill # OpenClaw的技能目录是 /opt/openclaw/skills ln -s ~/dev/viking_girlfriend_skill /opt/openclaw/skills/

然后重启OpenClaw服务，查看日志确认技能是否成功加载，有无导入错误。

4.2 对话效果的调试与迭代

这是最耗时但也最有趣的部分。你需要像一个导演调教演员一样，去调教AI的人格表现。

1. 收集测试用例：准备一个包含各种输入类型的测试集：

   • 日常问候
   • 寻求情感支持
   • 询问特定知识（北欧神话）
   • 提出超出范围的难题（量子物理）
   • 进行带有挑衅或负面情绪的对话（测试边界）
   • 长对话连贯性测试

2. 分析失败案例：

   • 人格不一致：回复过于现代或平淡。检查系统提示词是否被后续对话历史淹没，尝试在每次调用时都强制在上下文最前面重申核心人格要点（但要注意token消耗）。或者，增加高质量的角色回应示例到Few-shot提示中。
   • 回复冗长或跑题：调整LLM的max_tokens参数，设置更明确的stop_sequences。在提示词中明确要求“回复保持在一到三句话内”。
   • 触发不灵敏：检查意图文件.intent的定义是否正确，正则表达式是否覆盖了常见说法。可以增加更多的同义词和表达方式。
   • 知识性错误：对于神话类问题，如果LLM胡编乱造，就强化本地知识库的检索和优先使用。在提示词中强调“对于北欧神话相关问题，请严格依据你已知的传说作答，如果不知道就明确表示不清楚”。

3. A/B测试与微调：准备两套略有不同的提示词（例如，一套比喻更多，一套更直接），让测试者盲测，收集反馈。根据反馈迭代提示词和对话示例。

4.3 性能优化与资源管理

• 上下文长度管理：对话历史是宝贵的，但也消耗大量token（影响速度和成本）。实现一个智能的摘要功能，将较长的历史对话总结成一段简短描述，而不是保留所有原始文本。例如：“之前用户提到今天工作遇到挑战，情绪有些低落，我鼓励了他。”
• 响应缓存：对于一些高频且回复固定的意图（如问候、告别），可以将LLM生成的最佳回复缓存起来，下次直接使用，避免重复调用模型。
• 降级策略：当LLM服务不可用时，技能应能优雅降级，使用本地模板库中的回复，并告知用户“符文石能量不稳，我用传统的方式回答你”。
• 配置化：将人格提示词的核心参数（如名称、常用比喻词库、温度值）提取到配置文件中，方便非开发者用户进行轻度自定义，打造属于自己的“维京伴侣”。

5. 常见问题与实战排坑指南

在实际开发和运行Viking_Girlfriend_Skill这类项目时，你会遇到一些典型问题。下面这个表格总结了我踩过的一些坑和解决方案：

一些额外的实战心得：

• 从小处着手：不要一开始就追求完美的人格。先实现一个能响应固定触发词、返回一句固定维京风格问候的技能。然后逐步增加通用聊天、特定意图处理、知识库集成等功能。
• 人格的“度”：“维京女友”的直率和粗犷需要精心拿捏，避免显得无礼或令人不适。多进行内部测试，收集不同背景人士的反馈。
• 开源协作：像hrabanazviking/Viking_Girlfriend_Skill_for_OpenClaw这样的项目，其价值在于社区。如果你改进了提示词，增加了有趣的功能，或者修复了bug，积极提交Pull Request。技能的进化需要集体的智慧。
• 伦理思考：开发人格化AI伴侣时，始终保持清醒。明确告知用户这是AI模拟的人格，避免任何可能导致情感依赖或误解的设计。将技能定位为“有趣的数字伙伴”而非替代真实人际关系的工具。

通过这个项目，我们看到的不仅仅是一个好玩的技能，更是一个探索人机交互前沿的微型实验室。它涉及提示词工程、对话管理、LLM集成、软件设计模式等多个层面的技术，同时又要求开发者具备对人性和叙事的理解。无论最终效果是令人会心一笑还是啧啧称奇，这个过程本身，就是一次充满挑战和乐趣的“数字航海”。