01
背景: 为什么需要 PMM-8+
市面"AI 人格分析"绝大多数是 prompt engineering 套娃 — 让 GPT 自己生成 MBTI 类结果, 同一个输入会漂移, 没有数学保证.
PMM-8+ 把人格画像变成 可计算的结构化对象:
- L3 命名 100% 确定性 (5⁸ 全表查表, LLM 完全不参与)
- L1 算法 100% 数学 (translation_loss / synergy / SHS / stress)
- L2 表达 LLM 仅做文字渲染 + 严格 JSON schema + 水印短语锁定
02
8 维度
每维度有两个极端, 加 5 个具体 tag (含中间偏向). 笛卡尔积 5⁸ = 390,625.
| # | 代号轴 | 中文名 | 中文两极 | 英文两极 | 5 个 tag |
|---|---|---|---|---|---|
| 01 | O ↔ I | 互动偏好 | 外向 ↔ 内向 | Outgoing ↔ Introvert | O / O(I) / O|I / I(O) / I |
| 02 | C ↔ A | 认知焦点 | 具象 ↔ 抽象 | Concrete ↔ Abstract | C / C(A) / C|A / A(C) / A |
| 03 | H ↔ L | 价值导向 | 情感 ↔ 逻辑 | Heart ↔ Logic | H / H(L) / H|L / L(H) / L |
| 04 | B ↔ X | 认知风格 | 线性 ↔ 非线性 | Linear (Beta) ↔ X-style | B / B(X) / B|X / X(B) / X |
| 05 | ED ↔ ID | 动机来源 | 外驱 ↔ 内驱 | Externally-Driven ↔ Internally-Driven | ED / ED(ID) / ED|ID / ID(ED) / ID |
| 06 | PR ↔ AR | 风险偏好 | 保守 ↔ 进取 | Preserve ↔ Aggressive-Risk | PR / PR(AR) / PR|AR / AR(PR) / AR |
| 07 | VE ↔ SE | 情绪调节 | 外露 ↔ 压制 | Ventilate ↔ Suppress-Emotion | VE / VE(SE) / VE|SE / SE(VE) / SE |
| 08 | ST ↔ LT | 目标取向 | 短期 ↔ 长期 | Short-Term ↔ Long-Term | ST / ST(LT) / ST|LT / LT(ST) / LT |
代号字符串格式
8 维度按固定顺序 OI · CA · LH · BX · IDED · PRAR · VESE · STLT 拼接, 中间
- 分隔, 量化分数可选括号写 (72):I-A-L-X-ID-AR(PR)-SE-LTI(22)A(78)L(18)X(82)-ID(20)-AR(PR)(68)-SE(78)-LT(75)03
三层架构
L1
算法层
100% 数学. 零 LLM. translation_loss (双人翻译损耗) / synergy_gain (协同增益) / SHS (团队系统健康度) / stress_regression (压力退行).
L2
表达层
LLM 文字渲染. 但严格 JSON schema 控制结构, 水印短语锁定风格 (典型的 / 三段式 / 翻译损耗), 不能编造代号或维度.
L3
命名层
5⁸ = 390,625 组合全表查表. 100% 确定性. 通俗版"深思的孤勇者" + 象征版"深渊灯塔" + 画像类型. 同一代号永远返回同一结果.
04
为什么 5⁸ 而不是 2⁸
2⁸ = 256 太粗糙. 真实人格是连续谱, 强制二分会丢信息.
每维度 5 个 tag 区分四档:
- 极端 (左端 / 右端): 该维度高度纯粹, 例如 I (纯内向)
- 偏向: 主导但有少量另一极, 例如 I(O) (内向偏外向)
- 平衡: 两极同等表达, 例如 I|O (平衡)
5 个 tag × 8 维度 = 39 万组合, 每个都有独立代号. 这个数足够表达细微差异, 又能全表枚举.
05
确定性保证
L3 不调用 LLM
POST /v1/codename 完全不烧 LLM token, 不调任何外部服务. 它是一次 Python dict 查表, 几毫秒返回, 100% 可复现.所以同一个客户输入 I-A-L-X-ID-AR(PR)-SE-LT 永远返回 "深思的孤勇者" — 跨进程, 跨时间, 跨版本都一致.
06