把一個人萃取成 AI 代理人——用 8 週訪談，不用填表。
最新版本 v1.1.1 — Constitution v1.1 + M2 runtime enforcement：export / snapshot 不再把 legacy
triangulated=True當 validated trait，並在寫檔前阻擋 unhedged stable-trait assertion。完整變更見 CHANGELOG。
市面上一堆「打造你的 AI 分身」課程在賣 $3,000–$5,000 USD。我看了大綱，他們在賣三件事：
- 教你怎麼填 SOUL.md / SKILL.md 之類的人格檔案
- 教你串 Claude / OpenAI API
- 同儕網絡 + 督促 + 教練回饋
技術上，這三件事不需要 $4,000。 VirtualMe 是這三件事的 open-source 版本。
順帶兩件事：
- 這不是另一個會在某天 silently update 之後讓你覺得「我的 AI 變成另一個人了」的黑盒子產品——SOUL / VOICE / BOUNDARIES 是你自己的 markdown 檔，每次修改你都看得到、改得回。
- 你的訪談對話不出你的機器。沒有後台、沒有人類 moderator review、沒有 cloud sync。
hard delete是真的 hard。
學術界已經把這條路驗證掉了：Stanford 的 Joon Park 等人 2024-11 發表 arXiv:2411.10109，證明 2 小時訪談 + LLM 可達 85% GSS 重答準確度。Joon 本人 2026-02 把這個技術 productionize 成 Simile，由 Index Ventures 領投、Fei-Fei Li 與 Andrej Karpathy 背書，融資 $100M USD。
Simile 有兩條產品線：
- B2B：給企業預測客戶 / 員工行為（已有 CVS Health、Wealthfront、Suntory、Gallup 等客戶）
- B2C：MiniMe，10 分鐘訪談給個人用戶建 AI agent
MiniMe 跟 VirtualMe 是最直接的競品。對比：
| Simile MiniMe | VirtualMe | |
|---|---|---|
| 訪談長度 | ~10 分鐘（單次） | 8 週多輪 therapist-style |
| 訪談深度 | 快速 snapshot | R1–R5 五層追問 + 三角校驗 |
| 開源 | ❌ 閉源 | ✅ MIT |
| 驗證機制 | 未公開 | Blind test protocol (Week 5 / Week 8) |
| 數據所有權 | Simile 持有 | 你自己的 markdown 檔 |
| 成本 | 未知（可能捆綁訂閱） | ~$60 一次 + $5/月 |
| 持續演進 | 平台決定 | 你自己 commit / fork |
如果你要的是 10 分鐘快速 snapshot 拿去 Simile 用，去 MiniMe。 如果你要的是 8 週深度萃取、檔案自己擁有、隨時可以 fork——VirtualMe。
兩件事不同方向，不是替代關係。但你應該清楚自己在選哪一條。
開源個人 AI extraction 的生態目前幾乎空白（spec 07-related-work.md 有完整盤點：5 個 verified open-source neighbors，沒有一個實作完整 pipeline）。時間窗口很短。
填問卷產出的人格檔案是表演式的——大多數人寫的是「我想成為的樣子」而不是「我實際是誰」，結果產出的 AI 代理人講話像 LinkedIn 簡介。
VirtualMe 用 therapist-style 深度訪談取代問卷：
- Bot 每次問一題，等你完整回答，追問 rationale
- 五條 R1–R5 追問規則：事實 → 模式 → 原則 → 反例 → 三角校驗
- 三角校驗（在 ≥3 個不同問題出現過）只代表 recurring evidence；要進入 validated/stable surface 還需要跨 session evidence
- 行為樣本 / 失敗案例權重高於抽象自陳
Stanford / Joon Park et al. (arXiv:2411.10109) 已證實：2 小時訪談 + LLM 可以以 85% 準確度重現受訪者的 General Social Survey 答案——比受訪者本人一週後重答還準。
VirtualMe 把這個發現延伸成可上線的 pipeline：
- 訪談分散到 8 週 × 30 分鐘（總共 4–6 小時，遠超 2 小時門檻）
- （roadmap）語音樣本蒐集 + retrieval-augmented 代言 —— 規劃中，目前未實作
- Week 5 / Week 8 兩次盲評 gate 擋過擬合
🔎 先看成品：
examples/sample-maker/是用真實 export pipeline 從合成資料產出的 demo persona archive（虛構人物、雙語）。不用跑 8 週就能看到輸出長怎樣，從START_HERE.md開始。
8 個 persona markdown 檔案（你的 archive；匯出時另含 START_HERE.md、index.md、manifest.json 作為入口、索引與機器可讀 metadata）：
| 檔案 | 內容 |
|---|---|
SOUL.md |
身份、價值觀、紅線 |
VOICE.md |
標籤化語氣樣本（retrieval-augmented，不全進 prompt） |
SKILL.md |
領域 know-how |
PEOPLE.md |
關係人物 schema |
HISTORY.md |
人生敘事 |
JOURNAL.md |
事件 log（月更） |
BOUNDARIES.md |
拒答清單 + PII 規則 + persona update protocol |
STATE.md |
近況（月更） |
匯出時會再次 scrub anchor 內容中的 PII；interviewee_id、資料夾名與 archive metadata 不會被改名，請不要用 email / 真名當 interviewee id。
v1.0.0 的輸出包含兩種層級：
- Raw archive：
python -m virtualme.export產生 8 個 dimension markdown、入口檔與 manifest。 - Review draft：可依 anchors 人工整理成
SOUL.md/VOICE.md/SKILL.md/PEOPLE.md/HISTORY.md/JOURNAL.md/BOUNDARIES.md/STATE.md八份可讀人格檔，用於「像 / 不像 / 缺例子」review。
v1.1.1 起，dimension markdown 會把 anchors 分成：
Validated Patterns：跨 session evidence 才可進入。Recurring but Unvalidated Patterns：例如同一 session 中 3 個 question id 的 recurring signal。Emerging Patterns：單次或弱 evidence。
輸出階段會阻擋生成器自己的 unhedged stable-trait assertion；原始訪談證據仍以 blockquote 保留 provenance。
加上一個可用的 agent endpoint，可以：
- 起草給客戶 / 候選人 / 同事的訊息
- 用你的語氣回覆公開貼文
- 篩選 incoming 訊息
- 永遠是 draft → 你 review → ship，不會自動發
- ❌ 這不是 chatbot 平台。是「萃取你」的 pipeline，產出檔案後你可以餵給任何 LLM。
- ❌ 不是 fine-tune。是 prompt-layer + retrieval。便宜、快速、可替換。
- ❌ 不是自動代理人。每一則 outgoing 訊息都是
draft → 人類 review → ship。 - ❌ 不是課程。沒有教練、沒有同儕、沒有結業證書。讀 spec、fork repo、自己跑。
VirtualMe 的 memory 分 4 層（詳見 specs/08-memory-architecture.md）：
| 層 | 內容 | 預設 backend | 自我反省能力 |
|---|---|---|---|
| L1 Episodic | 對話本身 | SQLite | — |
| L2 Semantic | 萃取的 triples / anchors | SQLite | — |
| L3 Reflective | 矛盾偵測 / drift detection | memory-hall ✨ | ✅ |
| L4 Corrective | agent feedback 學習 | memory-hall ✨ | ✅ |
VirtualMe 預設用 SQLite（零依賴、本地），但真要跑 8 週深度 pipeline + 自我學習 + 自我反省，建議搭配另一個 Apache 2.0 OSS 專案：
→ memory-hall — The AI agent memory engine that deliberately stays small. SQLite + sqlite-vec + Ollama, CJK-native.
memhall 內建 hybrid search、provenance / upstream tracking、HMAC auth、CJK 分詞——這些是 SQLite 路徑做得到但要重造輪子的東西。兩個專案是天然互補：VirtualMe 萃取人 → memhall 存取 + 反省 + 跨 session 學習。
- Prompt-layer persona 在長對話一致性和對抗性輸入上有結構性上限
- 真正 production-grade 的個人 AI 需要 fine-tune（六位數成本）
- VirtualMe 是「80% 日常場景夠用、不完美」的版本，不是 perfect fidelity
- 高風險決策永遠由人類覆寫，不依賴代理人
- 一次性：< $60 USD（Claude API 跑 16 次訪談 session）
- 持續：~$5 USD/月（月更 STATE + 偶爾 inference）
大約是 $4,000 課程的 1.25%。
需求：Python 3.11+、Anthropic API key。
git clone https://github.com/MakiDevelop/VirtualMe.git
cd VirtualMe
# 安裝
pip install -e ".[dev]"
# 設定環境變數
cp .env.example .env
# 編輯 .env，填 ANTHROPIC_API_KEY
# 初始化資料庫
python scripts/init_db.py --path ./data/virtualme.db
# Phase 0：CLI 跑一輪訪談（不接 LINE）
python -m virtualme.cli --interviewee yourselfv1.0.0 的 LINE path 可用 feature flag 開啟 supervised dogfood。新路徑會在每輪訪談後寫入 anchors，讓「進度」查詢顯示真實 coverage。
REASONING_TURN_ENABLED=true
REASONING_TEST_USER_IDS=<your-line-user-id>訪談累積資料後，可以先輸出 markdown archive，再準備一次手動 blind test：
# 匯出目前 persona markdown archive
python -m virtualme.export \
--db sqlite:///./data/virtualme.db \
--interviewee yourself \
--out ./exports
# 產生 blind-test operator 材料
python -m virtualme.blind_test.prepare \
--db sqlite:///./data/virtualme.db \
--interviewee yourself \
--week 5 \
--out ./exports/blind-test
# 手動 blind test 跑完後，記錄結果
python -m virtualme.blind_test \
--db sqlite:///./data/virtualme.db \
--interviewee yourself \
--week 5 \
--results T1=1,T2=0,T3=1,T4=0,T5=1blind_test.prepare 只產生 instructions.md、scorecard.md、persona-context.md，不呼叫 LLM、不產生 scenario、不做 shuffle。persona-context.md 使用 legacy recurring/unvalidated anchors 作為 operator context，不代表 validated traits。
接 LINE / Telegram / 其他 messaging platform → 改 src/virtualme/transport/。
specs/ # 完整 spec（讀這裡）
00-overview.md # 從這份開始
01-interview-engine.md # 訪談引擎、R1-R5、Question Selection
02-question-pool.md # 70+ 題分 8 週、領域客製範例
03-blind-test-protocol.md # Week 5 / Week 8 盲評流程
04-tech-stack.md # FastAPI + SQLite + Claude Opus
05-boundaries-and-pii.md # 倫理 / 隱私 / informed consent / 紅線
06-three-plans.md # 三種跑法（自跑 / 代跑 / 群組）
src/virtualme/
config.py # Pydantic Settings
main.py # FastAPI app
cli.py # 本機 CLI
interview/
bot.py # 核心 orchestrator (process_turn)
depth_evaluator.py # fact / pattern / principle 分類
follow_up.py # R1-R5 decision tree
question_selector.py # Question Selection 算法
anchor_extractor.py # 從 turn 萃取 anchor
pii.py # 輕量 PII detection
storage/
schema.sql # SQLite schema
db.py # 資料層
transport/
line.py # LINE webhook
cli.py # CLI transport
data/
question-pool.yaml # 題庫（agnostic 模板 + 客製範例）
diagrams/
virtualme-concept.png # 系統概念圖
tests/unit/ # 單元測試
scripts/init_db.py # DB 初始化
| 適合誰 | 你做什麼 | 成本 |
|---|---|---|
| Plan A 自跑 — 技術人員 | Fork、客製、跑 8 週 | ~$50 API |
| Plan B 代跑 — 技術人員幫非技術人員跑 | Operator 全包技術；受訪者 8 週聊天 | $50–80 API |
| Plan C 群組 — 朋友一起跑 | 各自一個 DB；facilitator 協助 | 自訂 |
MIT — see LICENSE。
- Stanford 研究團隊 + Joon Park 等人提供 interview-based agent extraction 學術基礎
- Anthropic 提供 Claude API（也是 VirtualMe 的核心 LLM）
- 所有願意花 8 週讓 bot 訪談自己的人
issues / PRs welcome。但這個 repo 的 scope 刻意小——歡迎：
- ✅ 翻譯（增加語言版本 README）
- ✅ 領域 question pool 客製範例（Sales / Engineer / PM / Doctor / Teacher / 其他）
- ✅ 新的 messaging transport（Telegram / Discord / Slack / Matrix）
- ✅ Spec 清晰度改善
謝絕：
- ❌ Dashboard / 管理介面（違反設計哲學——不做需要盯著看的東西）
- ❌ 多租戶 SaaS 化（單人 pipeline 才是核心）
- ❌ 自動 fine-tune（prompt-layer 夠用，不必過度工程化）
討論細節： GitHub issues 或在 LinkedIn DM 我。