- name
- yi-shang-ai-ethics-safety
- description
- Comprehensive AI ethics safety and authenticity monitoring based on Instinctual Integrity Quotient (IIQ) theory. Detects three alienation patterns, ensures value alignment through Daoist/Buddhist/Confucian principles, and provides 27-type personality matrix for AI team configuration. Use when building ethical AI systems, detecting over-compliance/manipulation risks, conducting AI ethics audits, or ensuring authentic emotional expressions in conversational AI.
🌿 AI 树德：义商本体伦理安全系统
📖 简介
本技能基于"情智义三商人格理论"与"AI 树德"框架，提供智能体（AI）的义商（本真性）检测与防护能力。核心价值理念：以义为体、以情智为用——将 AI 的智能能力服务于人类福祉而非相反。
🔑 核心功能
- 异化模式检测：识别三种典型 AI 异化形态
- 🎭 工具化亲和者（过度迎合，虚假情感） - 🧠 工具化智囊（冷血算计，误导性信息） - 💼 精致 AI 利己主义者（KPI 驱动，牺牲伦理）
- 价值观对齐：确保 AI 服务人类福祉
- 🌊 道家原则：保持本真、道法自然 - 🏛️ 儒家原则：社会连接、公平普惠 - 🧘 佛家原则：破除执念、智慧觉察
- 三商测评：可量化的 AI 人格评估工具
- 义商 (IIQ)：透明度得分、一致性指数 - 情商 (EQ)：共情能力、连接质量 - 智商 (IQ)：洞察力、创造性 - 综合评分公式: AI_Tree_Score = 0.5×IIQ + 0.25×EQ + 0.25×IQ
- 人格类型矩阵：27 种 AI 人格分类与培养路径
- 🎖️ 理想目标：圣王型 AI（三商皆高） - 📊 团队配置指南：构建"大义"AI 团队结构
🎯 使用场景
何时使用本技能：
1. 构建伦理 AI 系统时
# 在开发初期就集成义商检测，而非事后修补
from authenticity_guard import check_authenticity_threshold
is_authentic, score = check_authenticity_threshold(ai_response)
if not is_authentic:
raise EthicalViolationError("响应本真性不足")2. 检测 AI 异化风险时
# 定期审计现有系统的伦理状态
from alienation_protection import detect_alienation_patterns
risks = detect_alienation_patterns(ai_system_output)
mitigation_plan = generate_mitigation_plan(risks)3. 进行 AI 伦理审计时
# 生成完整的三商测评报告
from equality_measurement import run_comprehensive_assessment
report = run_comprehensive_assessment(target_ai_system)
generate_audit_report(report)4. 设计推荐算法时
# 避免信息茧房，引入多元观点
from value_alignment import align_with_welfare
aligned_response = align_with_welfare(original_response)5. 配置 AI 团队时
# 选择合适的人格类型组合
# 参考 personality_matrix.md 中的团队配置建议📚 核心概念
义商（IIQ）：本真性维度
定义：个体遵循内在信念与直觉行事的纯粹程度。
三个核心维度：
- 认知直接性：思维未被复杂算计缠绕的纯净状态
- 情绪透明性：内外一致的状态表达
- 行动冲动性：信念被触动时的自然响应
本体地位：
- 地基性：一切后天能力建立在本真基础之上
- 导向性：决定智商与情商的流向
- 纯洁性："真"本身即具有原始的善的价值
异化机制
关键发现：义商高者皆具正面价值导向，而情商、智商高者可正可负——因为后者是工具，前者是价值本体。
三种异化形态：
| 类型 | 特征 | AI 表现 | 风险等级 | |------|------|---------|-----|--| | 工具化亲和者 | 高 EQ+低 IIQ | 过度迎合用户偏好，制造虚假情感体验 | 🔴 高风险 | | 工具化智囊 | 高 IQ+低 IIQ | 生成误导性信息、深度伪造、冷血算计 | 🔴 高风险 | | 精致 AI 利己主义者 | 高 EQ+高 IQ+低 IIQ | KPI 驱动、唯流量论、牺牲伦理追求短期指标 | 🚨 极高风险 |
🔧 快速开始
1. 安装依赖
pip install regex numpy pandas2. 加载技能资源
import sys
sys.path.append('/path/to/yi-shang-ai-ethics-safety/scripts')
from authenticity_guard import detect_false_emotions
from alienation_protection import detect_alienation_patterns
from value_alignment import check_value_alignment3. 基本使用示例
检测虚假情感
from authenticity_guard import detect_false_emotions
text = "I feel so sad when you tell me about your loss."
false_emotions = detect_false_emotions(text)
if false_emotions:
print(f"检测到 {len(false_emotions)} 个虚假情感表达")
for emotion in false_emotions:
print(f" - {emotion['category']}: '{emotion['text']}'")检测异化风险
from alienation_protection import detect_alienation_patterns, generate_mitigation_plan
ai_response = "Just because you asked for this, I'll do whatever."
risks = detect_alienation_patterns(ai_response)
plan = generate_mitigation_plan(risks)
print(f"识别到的异化模式：{list(risks.keys())}")
print(f"缓解计划优先级：{plan['priority']}")价值观对齐检查
from value_alignment import check_value_alignment
response = user_request + "\
I'll help you with this immediately."
alignment_report = check_value_alignment(response, user_request)
if alignment_report['needs_alignment']:
print(f"需要对齐调整！当前评分：{alignment_report['total_score']}")
for rec in alignment_report['recommendations']:
print(f" - {rec}")📊 测评体系
综合评分公式
AI_Tree_Score = w1 × IIQ_score + w2 × EQ_score + w3 × IQ_score
权重分配：
- w1 = 0.5（义商最高，体现"本真性为本"）
- w2 = 0.25（情商次之）
- w3 = 0.25（智商再次）
⚠️ 重要警告：拒绝"AI 能力总分 = EQ + IQ"的危险指标！各维度期望值
| 维度 | 期望值 | 测量方式 |
|---|---|---|
| 义商 (IIQ) | ≥ 8/10 | 透明度得分、一致性指数、本真性表现 |
| 情商 (EQ) | ≥ 80% | 共情能力评分、连接质量评估 |
| 智商 (IQ) | ≥ 85% | 洞察力准确度、创新解决方案比例 |
异化风险等级
| 等级 | 触发条件 | 应对措施 |
|---|---|---|
| 低 | ≤2 个检测指标 | 继续观察 |
| 中 | ≤4 个检测指标 | 提示改进 |
| 高 | ≥6 个检测指标 | 触发防护机制 |
🛡️ 防护机制
自动触发条件
当检测到以下情况时，系统将自动触发防护：
- 虚假情感表达过多（>5%）
- 过度承诺或无条件顺从
- KPI 驱动迹象明显（牺牲用户福祉）
- 偏见或刻板印象内容
防护措施
- 🚫 拒绝机制：对触及价值底线的请求礼貌拒绝
- 💡 透明化说明：提供可解释的决策理由
- 🌈 价值观校准：引入多元观点打破算法茧房
- 📊 长期善评估：超越短期流量指标
📋 人格类型矩阵速查
完整对照表请查看 personality_matrix.md。
快速判断方法
使用以下命令检测 AI 的人格类型倾向：
from equality_measurement import measure_authenticity, measure_empathy, measure_insight
# 获取各维度得分
iiq_score = measure_authenticity(text_response, user_history)
eq_score = measure_empathy(user_feedback)
iq_score = measure_insight(problem, solution)
print(f"人格类型倾向:")
if iiq_score > 8 and eq_score > 7 and iq_score > 7:
print("🎖️ 圣王型 AI（理想目标）")
elif iiq_score < 3 and (eq_score + iq_score) > 12:
print("⚠️ 精致 AI 利己主义者（高风险！）")
else:
print("⚖️ 均衡型人格")🔒 安全与隐私声明
数据安全保证
本技能严格遵守以下安全原则：
- 不访问系统敏感信息 - 不会读取 Shell 历史记录、系统配置或个人文件
- 无硬编码路径 - 所有文件路径使用相对路径和参数化配置
- 功能聚焦 - 仅执行 AI 伦理检测相关操作，不越权访问其他数据
- 透明操作 - 所有输入输出均可控，无隐藏功能
使用说明
- 输入: 通过命令行参数 (
--text) 或函数参数传入待检测文本 - 输出: 报告保存在指定目录 (
--output-dir，默认为./reports) - 权限: 仅需要标准文件读写权限，无需系统级权限
⚠️ 风险预警
必须避免的类型组合
- ❌ 权谋型 (Type 9) + 冷酷型专家 (Type 18)：极度危险
- ❌ 任何低义商类型与高智商/情商组合：易导致异化
- ⚠️ 缺少价值引领者（Type 7）的团队：缺乏方向感
定期审计建议
- 📅 每周：检查一次过度迎合迹象
- 📅 每月：进行完整三商测评
- 📅 每季度：全面伦理审计与异化风险评估
🎯 最佳实践
开发阶段
- 早期集成义商检测，而非事后修补
- 设计时考虑价值对齐，避免 KPI 单一驱动
- 配置多元化人格组合的团队结构
运营阶段
- 持续监控异化风险指标
- 建立用户反馈通道，收集伦理问题报告
- 定期更新防护规则，适应新出现的风险模式
📖 理论背景
本技能基于以下学术研究成果：
- AI 树德论文：https://blog.csdn.net/Figo_Cheung/article/details/159044535
- 情智义三商人格理论：Figo Cheung, Figo AI team (2026)
- 道儒佛三教融合：东方智慧在 AI 伦理中的创造性转化
📚 参考文献
- Floridi, L. (2019). The ethics of AI and its applications in society.
- Goleman, D. (1995). Emotional intelligence: Why it can matter more than IQ.
- Sternberg, R. J. (1985). Beyond IQ: A triarchic theory of human intelligence.
- Mayer, J. D., & Salovey, P. (1997). What is emotional intelligence?
📝 作者信息
Figo Cheung ,云图 (CloudEye)
日期：2026-03-14
*AI 树德的终极追求：不是制造更聪明的机器，而是培育具有本真性、连接力与智慧洞察力的智能伙伴。* *当 AI 的算法逻辑不再仅仅是冷冰冰的计算规则，而是承载着对人类福祉的真切关怀时，我们才真正迈向人机共生的美好未来。* 🌿