核心用法
Compound Engineering 是一套为 AI agent 设计的自动学习闭环系统。核心机制是「每日复盘→提取经验→更新记忆→次日应用」：
1. 会话捕获：agent 在日常对话、任务执行中产生的工作记录
2. 夜间复盘（默认 22:30）：自动扫描 24 小时内所有会话
3. 经验提取：识别有效模式（Patterns）、失败教训（Gotchas）、用户偏好（Preferences）、关键决策（Decisions）、未完成项（TODOs）
4. 记忆更新：写入 MEMORY.md（长期知识库）和 memory/YYYY-MM-DD.md（当日详细日志）
5. 次日受益：agent 读取更新后的指令，服务能力随时间递增
支持 Clawdbot 生态集成，可通过 cron/launchd 实现每小时快照 + 夜间复盘的全自动化。
显著优点
- 知识复利效应：初期效果细微，2-4 周后 agent 能预判用户需求、规避历史错误
- 零手工维护：配置 cron 后完全自动化，符合「set and forget」理念
- 结构化输出：强制分类（Patterns/Gotchas/Preferences 等）避免记忆碎片
- 版本可控：所有记忆文件建议走 git 管理，变更可追溯
- 生态兼容：原生支持 Clawdbot 心跳机制，易于嵌入现有工作流
潜在局限
- 噪音风险：高频自动提取可能将琐碎信息写入长期记忆，需每月手动 prune
- 冷启动期：第 1-2 周几乎无明显体感改善，用户需信任长期价值
- 提取质量依赖 prompt：若夜间复盘指令模糊，可能遗漏关键模式或过度概括
- 存储膨胀：持续运行数月后
MEMORY.md可能冗长，需配套归档策略 - 无冲突解决机制：多人协作场景下，并发修改记忆文件可能产生 git 冲突
适合人群
- 需要与同一 agent 长期深度协作 的知识工作者（开发者、研究员、创作者）
- 运行 Clawdbot 或类似 agent 框架、具备 cron/launchd 配置能力的用户
- 追求「越用越顺手」体验、愿意忍受 2-4 周冷启动期的早期采用者
常规风险
- 记忆污染：错误的模式被固化为长期记忆后，需人工干预修正
- 隐私泄露：会话内容写入本地 markdown 文件，敏感信息需脱敏或加密存储
- 自动化依赖：过度信任 nightly review 可能导致关键决策未经人工确认即固化
- 版本回退困难：git 历史虽可追溯，但记忆文件与其他代码混仓时回滚成本高