OutClaw — 风格建模

为当前租户学习每个频道的风格提示（per-channel style prompt），并持久化至：
~/.openclaw/outclaw/styles//_style.md。
每份风格提示即 outclaw-plan 在对应频道起草消息时所使用的指令依据。

解析器规范（Resolver mandate）

在编写风格提示、写入记忆条目或执行任何知识库（KB）更新前，请先阅读
shared/references/RESOLVER.md。
风格提示必须存入路径：
styles//_style.md。
严禁手动构造其他路径。
训练完成的风格摘要将写入租户级记忆（tenant memory），键为：
type=user, key=style_trained_，以便 outclaw-plan 可快速定位，无需重复读取风格文件。

本技能触发时机

1. 显式用户请求 — 例如 learn my style、retrain style for email 等指令。
2. 自动调用（静默） — 当 outclaw-plan 构建执行计划时，若发现某频道尚未为此租户学习过风格，则自动调用本技能处理该单一频道；等待其完成后再继续后续流程。全程无用户提示、无中断。

风格提示学习协议（实现用户 gist 所述逻辑）

详见该 gist：https://gist.github.com/milstan/3b12f938f344f4ae1f511dd19e56adce，其中规定：

1. 样本采集 — 每个频道至少收集 ≥20 条外发消息（或 ≥1 000 字 / ≥10 对样本，取三者中最高下限）。若实际可得样本不足，仍基于现有数据开展；相应调低 confidence 值。严禁伪造样本。
2. 分析 — 由推理模型识别样本中体现的质量维度、结构/风格模式，以及样本主动规避的反模式（anti-patterns）。
3. 候选提示生成 — 输出直接、可执行的指令（例如：“句子平均长度控制在 12–18 词”），全文目标字数 500–2 000 词，并须包含明确的 “Avoid”（规避项）章节。
4. 迭代循环（默认每频道 5 轮）：
   • 以中等 temperature（0.6–0.8）生成测试输出
   • 依据各质量维度进行评估（使用 LLM 打分，0–100 分制）
   • 追踪 “best-of-N”（各轮最优结果）
   • 精调提示：降低 temperature（0.2–0.4），聚焦得分最低的维度优化
5. 输出：习得的提示文本 + 最高得分 + 迭代轮次 + 维度列表
   • 附带一致性日志（conformity log）。保存至
     ~/.openclaw/outclaw/styles//_style.md，文件头部含 YAML frontmatter（字段包括：tenant、channel、trained_at、sample_count、best_score、best_iteration、dimensions）。

详细操作步骤见 references/style-learning.md；子代理（sub-agent）规范见 agents/style-learner.md。

按频道划分的数据源（应调用哪些工具）

针对每个需建模的频道，列出可读取外发样本的位置。代理仅选取该租户在能力映射表（capabilities/.json）中标记为 ready 的频道。

执行流程

1. 选定频道 — 基于记忆中的 tool_inventory，枚举同时满足以下条件的频道：
   ① 具备 ready 状态的插件；② 存在对应样本源。
   完全跳过无可用插件连接的频道（训练无意义）。

2. 对每个选定频道，执行子任务：
   a. 通过该频道对应插件拉取外发样本；原始样本写入
   kb/raw/style---.jsonl（不得写入 KB 的 people/orgs 节点 — 此为训练数据，统一归档于 raw/ 下）。
   b. 若样本数 <20 或总字数 <1 000，记录一条记忆观察（memory observation）并继续：
   {type: observation, key: "style_thin_", insight: "only samples — learned prompt confidence will be lower", source: "observed", confidence: 6}。
   c. 两阶段分类：先用启发式规则预筛（外发、非琐碎长度、非自动回复）→ 再交由 LLM 判定为 OUTREACH_COLD / FOLLOWUP / WARM 或 NOT_OUTREACH（参见 scripts/message_classifier.py）。
   d. 执行 5 轮 Prompt Learning 协议（参见 scripts/style_evaluator.py）。
   e. 将习得的风格提示写入
   ~/.openclaw/outclaw/styles//_style.md。
   f. 记录记忆条目：
   {type: user, key: "style_trained_", insight: " style trained; score /100; samples", source: "observed", confidence: }。

3. 若为自动调用（来自 outclaw-plan）：仅处理被请求的那一个频道，全程静默，完成后立即返回调用方。
   严禁向用户询问“偏好的语气”或“期望格式” — 本技能的核心价值正在于从样本中自动推断风格。
   若某频道完全无外发样本（例如用户今日刚接入 Discord），则记录观察：
   {type: observation, key: "style_nosamples_", insight: "no outbound samples on ; using neutral template", source: "observed", confidence: 6}
   并在 styles//_style.md 中输出最小化中性模板，设 sample_count: 0、best_score: null，提示内容为通用描述：“direct, concise, warm-professional”。随后返回调用方。

4. 若为用户主动调用：展示简洁报告 — 已训练频道列表、各频道最高得分、样本数量、置信度。

归档规则（符合 RESOLVER 规范）

• 风格提示文件：styles//_style.md — 严禁 使用 kb/styles/* 或 kb/me/styles/* 路径。
• 原始外发样本（训练数据）：kb/raw/style---.jsonl。
• 用于快速查找的摘要：写入租户级记忆（tenant memory），type=user，key=style_trained_。
• 切勿 将习得的风格提示写入 kb/me/self.md — 该文件中关于“语气”的描述仅作上下文参考，风格提示必须独立存放。

用户授权（Consent）

样本采集属一次性选择加入（opt-in），在 outclaw-setup 第二步中作为 preference 类型记忆条目记录。
若本技能运行时未检测到对应授权条目：

• 显式调用时：仅询问一次，将用户决策存为记忆。
• 由 plan 自动调用时：仅当租户存在 style_consent 授权条目才可执行；若缺失，记录观察并退回到中性模板风格。严禁在无授权情况下静默抓取。

输出格式（风格提示文件）

---
tenant: outclaw
channel: gmail
trained_at: 2026-04-22T12:00:00Z
sample_count: 42
best_score: 82
best_iteration: 3
dimensions: [sentence_length, formality, personalization, cta_style, structure, tone, greeting_pattern, signoff_pattern]
conformity_log:
  - {iter: 1, score: 64}
  - {iter: 2, score: 71}
  - {iter: 3, score: 82}
  - {iter: 4, score: 80}
  - {iter: 5, score: 78}
---

# Gmail style — outclaw (tenant)

## Instructions
<习得的提示文本 — 500–2000 字，直接、可执行>

## Avoid
- <反模式 1>
- <反模式 2>

## Reference samples
- /raw/style-outclaw-gmail-.jsonl （此处不内嵌原文，仅作路径引用）

该格式使 outclaw-plan 可直接解析 “Instructions” 章节内容，注入草稿生成提示中。