先懂人类，再懂领域，然后给出这个人真正练得下去的训练计划。
AI 驱动的个体化学习/训练工作台开源框架（Python）。
市面上的训练计划普遍有两个盲区：不懂人——模板化计划无视个体的作息、精力曲线、动机类型与伤病史；不懂领域——计划背后的「为什么」不可见，常常偏离该领域真正有效的方法。结果大多数人中途放弃。MonkeyHandler 把解决方案拆成三个引擎 + 一个闭环，并把「对人本身的深刻理解」做成一等公民。
主序 ① · 自用产品：双引擎——觉察引擎「被看见」（心理侧：无评判的倾诉与梳理，本心卡片）+ 技能引擎「训练平台」（技能侧：把第一步拆到低于心力阈值，20 天脊柱侧弯运动拉伸为首个实例）。当前一切效果主张为 n=1 自实验（创始人为唯一用户）。
主序 ② · 可复用元平台：生产能力（画像 → 生成实例，建设中）+ 可插拔领域包 + 著作库流水线，让每一个新实例、新用户、新领域低成本启动。
副产品：开发者框架（src/ 引擎与协议、构筑体系、测试）。
审核台账：docs/review-queue.md（53 项已于 2026-09-30 全部批准；新增条目逐项送审，每月抽查 5 项复审）。
训练计划平台是阶段性产物：因需求而生、随目标完成而归档，其数据沉淀回元平台——MonkeyHandler 因此越用越有效。
诚实声明（2026-10-01 更新）：① 生成链路已打通（2026-09-30 CLI、2026-10-01 桌面窗口内生成，真实 Key 验证成功）——内容质量仍在打磨期；② 效果主张：早期产品，效果未经验证——创始人为唯一深度用户，外部使用者自 v0.1.0 起出现；随访数据通道自 M3 起建立；③ 前身项目 guanzi（罐子）——本地多模型觉察工作台，其「见/格」方法论已并入本项目的觉察引擎（D2 裁决），仓库归档为前身并保留致敬。
（English TL;DR: MonkeyHandler is a Python framework for building human-friendly, individualized training workbenches. It pairs a book-derived model of human nature — universal mechanisms plus individual-difference dimensions — with an evidence-based user profile, pluggable cited domain research, and motivation-aware plan generation with an execution feedback loop.）
| 能力 | 一句话 | 核心模块 |
|---|---|---|
| 识人 | 先持有对人类的系统性理解（共性机制 + 个体差异维度），再以有效方法论采集「这一个人」的关键属性，形成带证据的画像 | humanity/、core/humanity.py、core/profiling.py、core/user_model.py |
| 识域 | 领域可插拔：对任意专业做带引用的调研，产出技能图、训练方法、失败模式 | core/research.py、core/domain.py |
| 成案 | 受三方约束（画像 / 领域知识 / 人性规律）生成可解释、可持续、让人痴迷的计划 | core/plan.py、core/motivation.py |
| 执行闭环（M3） | check-in → 依从性追踪 → 再校准 | 见 路线图 |
理解「这一个人」之前，系统必须先理解「人类」本身——且要明确区分共性（对所有人成立的机制：需求结构、习惯回路、现时偏差、恢复规律……）与个体差异维度（人在哪些维度上彼此不同、为什么影响训练、如何测量）。
为此我们设立 humanity/ 著作库：搜集最具影响力且公认言之有物的人类著作（心理学、认知学、成功学、社会学、脑科学，以及《沉思录》《传习录》等古典经典），每本走同一条流水线：
选书 → 总结核心思想 → 逐主张交叉验证（争议不入库）→ 提取面向训练设计的
提示词与方法论 → 【用户审核，入库硬门槛】→ 综合（synthesis/）
flowchart LR
subgraph 识人
HK[humanity/ 著作库<br/>总结→验证→提取→审核] --> HKB[人性知识库<br/>硬规则 + 软知识]
HKB --> QE[采集引擎<br/>问卷→访谈→行为]
QE --> UM[(个体画像<br/>带证据)]
end
subgraph 识域
R[调研引擎] --> DP[(领域知识<br/>带引用)]
end
UM --> PE[计划引擎 成案]
DP --> PE
HKB -. 硬规则约束 .-> PE
HKB -. 软知识注入 .-> PE
PE --> PL[训练计划]
PL --> X[执行闭环 M3]
X -->|check-in / 行为反馈| UM
- 画像事实必须带证据——不允许「凭空出现」的结论；
- 领域知识必须带引用——不可追溯的结论不进计划；
- 最小提问原则——每个采集问题必须声明它将改变的计划决策，答了不会改变任何决策的问题不存在；
- 人性知识分级使用——安全/恢复类编译为可测试的硬规则（如恢复预算约束强度上限）；动机/偏好类作为生成时的软上下文；
- 争议主张不入库——著作提取经过逐主张验证，站不住脚的主张只留在存疑区（指证据争议：被推翻、复制失败、修辞层面）；
- 计划必须可解释——每份计划附 rationale，说明它依据哪些画像事实、领域方法与人性机制；
- 审核门唯一——提取与设计不做事前伦理排除；一切机制与提示词的去留由用户审核逐案决定。可持续性（长期依从）是设计分析的目标变量，不是事前禁令；
- 本地优先——画像与执行数据属于敏感数据，默认不出本机，LLM 调用只传最小必要摘要。
→ 前往 Releases 下载 MonkeyHandler.exe
- 双击 exe 打开独立桌面窗口（主平台 + 训练平台 + 被看见，全功能）——无需安装 Python 或任何依赖；
- 数据全部保存在你自己的设备里，不上传、无需注册；支持中文 / English；
- 可选：在「设置」里连接你自己的 AI 服务（阿里百炼 / OpenAI / DeepSeek / Ollama / 自定义，密钥只存本机）——用于一句话生成专属训练平台；
- 安全边界与外发数据清单见发布说明与 docs/outbound-data.md。
git clone <repo-url>
cd MonkeyHandler
pip install -e ".[dev]"
monkeyhandler demo # 离线演示：内置画像 → 健身领域包 → 生成 4 周计划（无需 LLM）
pytest # 测试（守护上述设计原则）共 36 本（选书标准与流水线见 humanity/README.md）：
- 心理学：《思考，快与慢》《心流》《终身成长》《驱动力》
- 认知学：《认知天性》《刻意练习》
- 成功学/行为改变：《掌控习惯》《坚毅》《习惯的力量》《人性的弱点》
- 社会学：《影响力》《乌合之众》《社会心理学》（Myers）
- 脑科学/哲学·人性经典：《我们为什么要睡觉》《运动改造大脑》《君主论》《鬼谷子》《沉思录》《传习录》
- 产品设计相邻学科（17 本）：游戏设计（《Rules of Play》《全景探秘游戏设计艺术》《游戏感》）、人机交互（《日常的设计》《Designing Interactions》）、学习科学（《人是如何学习的 II》《追求理解的教学设计》）、动机心理学（SDT 两部）、行为科学/选择架构（《助推》《"错误"的行为》）、叙事与视听（《理解漫画》《Hamlet on the Holodeck》《Game Sound》《Auditory Display》）、服务与系统（《这才是服务设计》《系统之美》）
当前进度：36 本全部走完流水线（总结 → 逐主张验证 → 提取），synthesis/ 反向推导草稿（影响因素网 → 逐层推导 → 工作流 → Prompt 库）——全部已于 2026-09-30 经创始人审核批准（队列：docs/review-queue.md）。
M0 骨架（当前）→ M1 最小闭环 → M2 调研引擎 + LLM 访谈 → M3 执行闭环与动机层 → M4 可插拔性验证 → 详见 docs/roadmap.md。
M0 骨架阶段，接口会变。欢迎通过 issue 讨论设计与领域包。
License: MIT