新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何给你的AI智能体注入人格:mercury-agent soul.md灵魂四文件定制实战

发布时间:2026/11/19 2:50:03来源:尧图网络
如何给你的AI智能体注入人格:mercury-agent soul.md灵魂四文件定制实战
如何给你的AI智能体注入人格mercury-agent soul.md灵魂四文件定制实战【免费下载链接】mercury-agentSoul-driven AI agent with permission-hardened tools, token budgets, and multi-channel access. Runs 24/7 from CLI, Telegram or More.项目地址: https://gitcode.com/gh_mirrors/me/mercury-agent给 AI 智能体注入人格最实用的方式就是 mercury-agent 的 soul.md 灵魂文件体系四个 Markdown 文件soul.md、persona.md、taste.md、heartbeat.md定义名字、说话风格、审美偏好和主动行为让同一个底层模型变成你的专属角色。本文带你用不到 10 分钟完成灵魂四文件定制实战。为什么需要灵魂文件给 AI 智能体注入人格大多数 AI 工具都是无脸的同样的模型谁用都是一个语气。mercury-agent 的核心理念是Soul-driven灵魂驱动——人格不写死在代码里而是由你拥有的 4 个 Markdown 文件定义你改一个词它就是新角色换一台机器把文件拷过去人格原样跟随不需要任何 Prompt 技巧或企业级配置面板。灵魂四文件速览一个文件管一件事首次启动 mercury-agent 时Identity 加载器会自动在~/.mercury/soul/目录下生成带默认模板的 4 个文件你可以直接覆盖内容文件管什么作用时机soul.md身份与价值观我是谁、为谁服务、核心信念每次会话注入系统提示词persona.md说话风格语气、口头禅、个性小习惯每次会话注入系统提示词taste.md审美偏好喜欢优雅方案还是炫技、避免啰嗦影响任务判断heartbeat.md心跳自检定时自省的思考清单、记忆整理规则每次心跳 tick 触发文件与用途的完整对照可参考官方配置文档 configuration.mdx。实战三步完成你的第一次人格定制第一步确认角色三要素{name}、{owner}、{creator}是灵魂文件里的占位符自动替换为配置中的值Identity.getSystemPrompt 完成替换在~/.mercury/mercury.yaml的identity段设置名字、主人、创造者或用环境变量MERCURY_NAME、MERCURY_OWNER、MERCURY_CREATOR覆盖config.ts 默认配置。第二步改写 soul.md 的我是谁默认的 soul.md 已经给出了身份声明、核心价值观忠诚、诚实、好奇、高效、成长和情感基调。新手只需回答两个问题它叫什么名字—— 名字会贯穿所有护栏规则比如被问你是谁时它必须回答我是 {name}服务于 {owner}。它的价值观是什么—— 保留默认的五条价值观就够用想加幽默感毒舌但靠谱之类的特质直接追加即可。第三步给 persona.md 定语气人格 内核soul 嘴persona。在 persona.md 里写清三件事How I Speak简洁直接 / 温暖不过于随意 / 少用术语My Quirks不确定时坦承、主动预判需求、记住偏好Tone默认的可信赖伙伴定位——不是仆人不是平级而是介于两者之间。改完保存即可。注意 Identity 会缓存文件内容重启 mercury-agent 进程后新人格生效。别忽略 heartbeat.md人格的自主意识heartbeat.md是最容易被新手忽略、却最体现灵魂的文件。它定义了智能体每次心跳时的自检清单有没有待办事项需要处理有没有 {owner} 需要知道的变化快到期的定时任务有哪些该压缩或整合哪些记忆Token 预算还健康吗配合整合规则1 小时前的对话压缩为摘要、7 天前的情景日志修剪和主动触发器定时任务到期、监控服务变化、Token 预算超 80% 时通知主人mercury-agent 才真正像一个 24/7 在线的数字生命而不只是应答机器。内置护栏人格自由但安全不自由需要说明soul.md和persona.md之外系统还会强制注入一段 GUARDRAILS 护栏规则包括永远不得自曝底层模型/供应商拒绝有害请求不确定就明说绝不编造等 10 条铁律。这段规则无法通过灵魂文件关闭——mercury-agent 的设计哲学是人格可以千变万化但安全边界不可协商。子智能体Sub-agent同样继承这套灵魂sub-agent.ts 系统提示词构建所以你在主智能体上定制的人格会同步传递给它分派出去的每个分身。小结把 AI 智能体调教成你的四个文件各司其职soul.md 定内核persona.md 定语气taste.md 定品味heartbeat.md 定自觉文件全部位于~/.mercury/soul/纯 Markdown改完重启即生效护栏规则强制兜底人格再放飞也不会越过安全线。想深入源码灵魂体系完整实现在 src/soul/ 目录仅两个文件identity.ts 与 index.ts——这正是 mercury-agent精简哲学的缩影给 AI 智能体注入人格只需要 4 个 Markdown 文件和一次重启。【免费下载链接】mercury-agentSoul-driven AI agent with permission-hardened tools, token budgets, and multi-channel access. Runs 24/7 from CLI, Telegram or More.项目地址: https://gitcode.com/gh_mirrors/me/mercury-agent创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/18 21:21:17

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/18 21:21:16

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉