清华博士开源COMPASS司南：打造AI Agent个性化技能操作系统

背景

随着大语言模型（LLM）在科研、编程及日常任务中的渗透率不断提升，用户面临着从“单次对话”向“长期、复杂、多阶段协作”转型的挑战。许多资深用户，包括拥有清华博士背景的技术专家，在早期接触 OpenAI 等模型时便深入探索 AI 辅助工作的边界。

然而，现有的 AI 交互往往缺乏对复杂任务的全局把控和长期记忆能力。为了解决这一痛点，开发者在年初开始研究基于 Openclaw 等框架的 Skill（技能/插件）迭代，旨在构建一套能够自我对齐、持续进化的个人 AI 操作系统。在此背景下，开源项目 COMPASS 司南（Personal Alignment skill OS for AI Agents）应运而生。该项目由开发者 dongshuyan 维护，旨在通过开源共享的方式，提供一套经过实战验证的、高效的科研与编程 Agent 生态解决方案。

核心内容

COMPASS 司南 是一个定位为“个性化 AI 任务总控 Skills 系统”的开源仓库。它不仅仅是一组简单的提示词，而是一套旨在实现用户与 AI 之间“个人对齐”（Personal Alignment）的技能操作系统。其核心设计理念是通过结构化的 Skill 机制，解决 AI 在理解需求、任务拆解及长期记忆方面的不足。

1. 高效安装与集成

该项目支持通过命令行工具一键安装，兼容主流 AI 编码助手。用户只需执行以下命令，即可将 COMPASS 的核心技能加载到 Codex 或 Claude Code 等环境中：

npx skills add dongshuyan/compass-skills --skill '*' -a codex -a claude-code

这种集成方式确保了 Skill 能够无缝嵌入到现有的 AI 工作流中，无需复杂的配置即可生效。

2. 三大核心应用场景

COMPASS 的设计围绕 AI 协作的三个关键阶段展开，形成了闭环的工作流：

• 场景一：任务前的精准需求对齐 在任务启动初期，该 Skill 的核心目标是消除歧义。它强制确保三个关键点的达成：

  1. 帮助用户厘清并完全理解自身的真实需求；
  2. 帮助 AI 模型准确捕捉并理解用户的意图；
  3. 向用户反馈确认 AI 已完全理解需求，从而在源头上降低“答非所问”的风险。

• 场景二：任务中的动态任务树构建 在任务执行过程中及结束后，COMPASS 会自动构建“任务树”乃至“任务森林”。它具备以下能力：

  • 状态追踪：自动记录当前 Session 的目标、进度、偏差、依赖关系、待办事项及关键决策。
  • Proposal 生成：将上述信息整理为结构化的 Proposal。
  • 可视化输出：在用户确认后，生成树视图、DAG（有向无环图）视图、任务详情卡及推荐队列。
  • 上下文延续：确保下一个 Agent 或下一个 Session 启动时，能够清晰知晓“这件事为什么做”、“做到哪一步”以及“下一步做什么”，实现跨 Session 的任务连续性。

• 场景三：长期协作中的用户画像对齐 针对长期使用的场景，COMPASS 在本地维护一个可审计、可纠错、可撤回的用户画像（User Profile）。

  • 个性化辅助：该画像用于辅助其他 Skill 给出更符合用户习惯和偏好的回答。
  • 动态更新：随着每个 Session 的进行，系统自动生成任务关系树视图与 Session 更新流程，使 AI 逐渐“最懂你”。

3. 可视化与生态展示

项目展示了多个 Session 运行后的动态 HTML 视图，直观呈现了 Repo 逐步完善的过程。通过 DAG 关系视图和自动生成的任务详情（包含目的、要求、证据和调度建议），用户可以清晰地看到 AI 是如何拆解和调度复杂任务的。此外，项目还强调了其生态图，展示了不同 Skill 之间的协作关系。

关键要点

• 开源合规性：项目严格遵守 LINUX DO 社区的开源推广规范，包括打上“开源推广”标签、确保代码完全开源、链接社区认可，并公开了 AI 生成内容的截图证明，接受社区监督。
• 解决核心痛点：针对 AI 协作中常见的“需求理解偏差”、“任务上下文丢失”和“缺乏长期记忆”三大痛点，提供了结构化的解决方案。
• 自动化任务管理：引入了自动构建任务树和 DAG 视图的机制，将非结构化的对话转化为结构化的项目管理视图，提升了复杂任务的的可控性。
• 本地化用户画像：强调在本地保存可审计的用户画像，既保证了隐私安全（相对于云端黑盒），又实现了个性化的长期对齐。
• 即插即用：通过 npx 命令实现快速部署，兼容 Codex 和 Claude Code 等主流工具，降低了使用门槛。
• 实战验证：项目由具备深厚技术背景（清华博士）的开发者基于自身科研和编程的高频需求迭代而成，具有较高的实用价值。

意义与影响

COMPASS 司南的出现，标志着 AI 辅助工作流从“单点工具使用”向“系统化 Agent 协作”的演进。

首先，它重新定义了“Prompt Engineering”的边界。传统的提示词工程往往局限于单次对话的优化，而 COMPASS 通过 Skill 系统，将提示词工程扩展为一种可复用、可组合、可长期记忆的“操作系统”。这种模式使得 AI 能够像人类助手一样，具备长期记忆和任务规划能力。

其次，它解决了复杂科研与编程场景下的“上下文断裂”问题。通过自动生成的任务树和 DAG 视图，COMPASS 确保了在多轮次、多 Agent 协作中的信息一致性。这对于需要长时间投入的科研项目或大型代码库维护至关重要，极大地降低了认知负荷和管理成本。

最后，该项目体现了开源社区在 AI 应用层创新中的核心价值。开发者不仅分享了代码，更分享了一套经过实战检验的工作流方法论。这种“个人对齐”（Personal Alignment）的理念，为未来个性化 AI 助手的发展提供了重要的参考范式，即 AI 不应只是通用的知识引擎，更应成为懂用户、懂任务、懂进化的私人智能伙伴。