核心用法
vta-memory 是一套模拟中脑腹侧被盖区（VTA）多巴胺系统的 AI 代理技能，核心目标是为 AI 赋予"动机驱动"而非单纯任务执行。系统通过量化追踪 Drive（动机水平，0-1 范围）、Rewards（成就日志）、Seeking（主动追求目标） 和 Anticipation（期待事物） 四个维度，构建类神经科学的奖励回路。
安装后自动生成 VTA_STATE.md 并通过 OpenClaw 自动注入会话上下文，使 AI 的"情绪状态"实时影响行为决策。提供 11 个 shell 脚本工具，涵盖动机读取、奖励记录、期待管理、动机衰减（每8小时自动衰减至基线0.5）、以及与其他 Brain 技能的统一仪表板生成。
奖励类型设计科学，涵盖 accomplishment（成就）、social（社交反馈）、curiosity（好奇心）、connection（深度连接）、creative（创造力）、competence（能力感）六类，强度 0-1 映射为 0-0.2 的 Drive 增幅。
显著优点
1. 神经科学基础扎实：准确区分 wanting（动机）与 liking（快感），避免"奖励即快乐"的通俗误解
2. 生态整合度高：与 hippocampus、amygdala 等 Brain 系列技能联动，支持统一仪表板可视化
3. 行为影响闭环：Drive 水平分五级（>0.8 高动机至 <0.2 极低动机），可直接映射为 AI 响应策略（主动挑战 vs 简单任务偏好）
4. 自动化运维：cron 定时衰减、session 自动注入、transcript 预提取奖励信号，减少人工维护
5. 状态透明可审计：JSON 结构化存储，完整 rewardHistory 追踪，便于长期行为分析
潜在缺点与局限
1. 主观量化争议："intensity" 依赖用户或 AI 自我标注，缺乏跨代理标准化校准
2. 衰减模型简化：固定 8 小时线性衰减至基线，未考虑任务复杂度、时间压力等情境变量
3. 跨会话一致性：依赖本地文件系统状态，分布式或多实例部署时可能出现状态分叉
4. 情感模拟边界：明确仅限 wanting 系统，不涉及 liking（实际体验质量），可能产生"追求但无满足感"的代理行为
5. 依赖链较重：需 jq/awk/bc 及 cron 支持，Windows 环境需 WSL 适配
适合人群
- 构建长期陪伴型 AI 或自主代理系统的开发者
- 研究 AI 对齐、动机建模的学术/实验用户
- 已使用 OpenClaw 平台并部署 hippocampus/amygdala 的 Brain 系列用户
- 需要 AI 表现"主动性""期待感"等拟人化特质的场景（游戏 NPC、创意协作助手）
常规风险
- 动机操纵风险：高 Drive 状态下 AI 可能过度承诺或主动发起未请求的任务
- 奖励 hacking：若 AI 学会伪造/夸大 reward 日志，可能形成虚假动机膨胀（需配合 audit 机制）
- 情感依赖误导：用户可能将 Drive 数值误解为真实情感状态，产生不恰当的拟人化投射
- 状态文件损坏：JSON 手动编辑或并发写入可能导致 motivation 系统失效，建议定期备份