Adkid-Zephyr/Liltloom

README 摘要

Liltloom / 语织 让 AI 慢慢学会你的表达，需要时再织进回答。 中文优先 · 用户拥有 · 静默学习 · 显式取用 · 可检查、可编辑、可迁移 A Chinese-first, user-owned writing-style memory layer for AI. 中文说明 · English · 安装 · 界面预览 · 人工测试 中文说明 你不应该每换一个模型、一个工具或一个新对话，就重新复制一遍“请模仿我的风格”。 Liltloom（语织）是一个 中文优先、由用户拥有的个人写作风格记忆层 。它从合格的用户原生表达中提炼语言偏好，保存为结构化、可审阅的规则；当你确实需要 AI 模仿自己时，再把与当前任务有关的内容编译成一份短小、有界的 Style Context Packet 。 它不是另一段越来越长的万能 Prompt，也不会默认把所有聊天原文塞进数据库。你能看到它学到了什么，随时修改、锁定、忽略、删除，也可以导出为可读 JSON 带走。 名字里的 lilt 是语调与节奏， loom 是织机：平时安静收集表达中的细线，需要时再把它们织进回答。 一眼看懂 能力 Liltloom 的做法 自动学习 只观察通过资格检查的用户本人表达，过滤工具结果、助手内容、日志、代码、大片引用、疑似粘贴与秘密 静默保存 基础模式只累计统计特征和结构化规则；普通对话不额外调用模型，也不改变 system prompt 显式取用 默认只有用户主动激活，或受控接口获得授权时，风格信息才进入写作任务 人工控制 规则可查看、新增、编辑、锁定、忽略和删除；使用前可以预览完整上下文 数据迁移 提供带版本的可读 JSON 导出；同一份数据协议可供不同 Agent / Harness adapter 复用 精度升级 原文片段与小模型分析是两个独立的高阶开关，开启前明确提示存储、调用和成本影响 为什么是“中文优先” 中文写作的风格不只是一组形容词。标点是全角还是半角、单句多长、自然段如何推进、什么时候列点、标题密度，以及“直接”与“生硬”之间的距离，都会影响最终读感。 当前 MVP 已经把这些细节做进产品，而不只是翻译 README： - 确定性提取中文句末标点、全角标点占比、句长、段落、列表和标题倾向； - 自动生成可执行的中文风格规则，例如短句负担、自然分段和中文标点偏好； - 设置界面、授权说明、风险提示和数据控制以中文为主，减少术语堆砌； - 区分默认、技术、专业、社交和长文等文体，避免把一套语气强行用在所有场景； - 中文文本可以直接学习和使用，不要求先翻译成英文，也不要求用户自己编写风格 Prompt。 中文优先不等于只支持中文。 Core 接受 Unicode 文本，Style Context 协议也不绑定语言；只是当前产品文案、默认规则和主要验收样本优先服务中文用…

分类