核心用法
PhoenixClaw 是一款被动式日记生成技能，通过定时任务（cron）或用户主动触发，自动扫描当日对话记录、记忆文件及媒体内容，生成结构化的Markdown日记。其核心流程包含9个强制步骤：用户配置检查→上下文检索（记忆文件+会话日志双源合并）→关键时刻识别→模式识别→插件执行→日记生成→时间线整合→成长图谱更新→用户画像进化。
关键特性：
- 零标签设计：无需用户手动标记，通过语义理解自动识别值得记录的时刻
- 双源数据融合：同时读取显式记忆文件（
memory/YYYY-MM-DD.md）与会话日志，前者捕获用户主动要求记住的内容（如"记一下"），后者提供完整对话流和媒体元数据 - 智能图片处理：从会话日志提取图片，经Vision分析生成描述性alt-text，自动分类（美食、自拍、截图等），并排除财务截图（支付成功、订单号等）进入日记正文
- 插件化架构：支持pre-analysis、post-moment-analysis等5个钩子点，Ledger等插件可在特定阶段注入内容
- 滚动窗口机制：解决22:00生成日记时遗漏22:00-24:00内容的问题，支持从上次生成时间到当前的动态区间扫描
显式触发指令："Show me my journal"、"重新生成日记"、"Analyze my patterns"等，触发时必须完整执行9步流程，不可跳过。
显著优点
1. 全自动化记忆沉淀：消除手动记录的 friction，适合忙碌或容易遗忘记录习惯的用户
2. 语义级理解：不依赖关键词匹配，能识别情绪转变、关键决策、成长里程碑等深层信号
3. 媒体智能整合：照片自动关联到对应生活时刻（如早餐照片→早餐时刻），生成Obsidian兼容的格式
4. 财务与生活分离：支付截图自动路由至Ledger插件记账，不污染日记叙事
5. 长期价值积累：持续更新growth-map.md、profile.md、timeline.md，形成个人发展的长期追踪体系
6. 开源生态兼容：输出格式原生支持Obsidian等主流PKM工具
潜在缺点与局限性
1. 隐私敏感度高：需持续扫描完整会话日志，包含所有对话内容，本地存储虽可缓解但信任成本仍高
2. 午夜边界复杂：跨午夜活动需特殊处理时间窗口扩展，配置不当易导致内容截断
3. 心跳消息过滤负担：必须维护排除规则过滤系统心跳消息，规则更新滞后可能污染日记
4. 插件依赖风险：Ledger等插件若未正确配置或失败，会导致财务数据遗漏
5. 冷启动问题：初期缺乏历史上下文时，模式识别和成长建议质量受限
6. 计算资源消耗：每日需执行图片Vision分析、语义嵌入等操作，低端设备可能吃力
适合人群
- 数字游民/知识工作者：日常对话即工作流，需要自动沉淀项目进展与反思
- 量化自我爱好者：希望追踪情绪、能量、行为模式但不愿手动记录
- Obsidian/Notion用户：已有PKM体系，需要自动化内容输入管道
- 多设备用户：对话分散在各端，需要统一汇总与去重
- 财务+生活双轨记录者：希望支付凭证自动入账，生活照片进入日记
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 数据泄露 | 会话日志含敏感对话，扫描过程可能意外暴露 | 本地优先存储，避免云端明文同步 |
| 记忆失真 | AI重构叙事可能丢失用户原意或添加interpretation | 保留原始记忆文件作为source of truth |
| 过度依赖 | 自动化导致用户停止主动反思，削弱元认知 | 定期手动Review并编辑日记 |
| 插件冲突 | 多插件同时hook可能产生竞态条件 | 严格遵循plugin-protocol.md的声明顺序 |
| 时区陷阱 | UTC与本地时间转换错误导致内容归属错误日 | 强制使用Asia/Shanghai等显式时区配置 |
| 图片隐私 | 自动提取的照片可能包含敏感信息 | 配置图像分类规则，敏感类型自动排除 |