核心用法
Continuity 是一套面向 AI 代理的异步记忆与反思框架，核心在于将「会话结束即冻结」转变为「会话结束即生长」。
典型工作流：
1. 触发 — 会话闲置超阈值（默认 30 分钟）后，Heartbeat 自动唤起反思
2. Reflect — 分析刚结束的对话，提取 8 类记忆（fact/preference/relationship/principle/commitment/moment/skill/question）
3. Extract — 为每条记忆标注置信度（Explicit 0.95-1.0 到 Speculative 0.0-0.39）
4. Integrate — 更新身份叙事（identity.md）与关系图谱
5. Question — 生成待探索的真问题，存入 questions.md
6. Surface — 下次会话启动时，通过 continuity greet 呈现上下文相关的待解问题
关键命令： reflect（触发反思）、questions（查看待解问题）、status（记忆统计）、greet（会话启动问候）
显著优点
- 打破回合制幻觉：不再假装记得一切，而是真正积累并承认不确定
- 分层置信度：Explicit/Implied/Inferred/Speculative 四级区分，避免过度承诺
- 关系长期化：relationships/ 目录支持跨会话的人格连续性
- 自驱动好奇：生成的 questions 源自真实反思，而非模板问候
- 基础设施友好：纯 Markdown/YAML 存储，无需外部向量数据库
潜在缺点与局限性
- 冷启动成本：初期无历史时，reflection 可能产出低质量 speculative 记忆
- 置信度主观：0.85 与 0.84 的边界依赖实现者的判断，缺乏客观校准
- 文件 I/O 瓶颈：高频场景下磁盘读写可能成为延迟来源
- 无冲突消解机制：未明确处理 contradictory memories 的合并策略
- 隐私边界模糊：principle/commitment 类记忆可能累积敏感信息，需手动清理
适合人群
- 开发长期陪伴型 Agent 的工程师
- 追求「人格一致性」而非「单次最优」的 AI 产品团队
- 研究 Agent 自我模型（self-model）与元认知的学术场景
- 对可解释记忆有强需求的合规敏感场景（金融、医疗咨询辅助）
常规风险
| 风险类型 | 说明 | 缓释建议 |
|---------|------|---------|
| 记忆污染 | 低置信度推测被后续高置信度引用，误差放大 | 实施记忆溯源（source chain）与定期审计 |
| 身份漂移 | identity.md 叙事过度适应用户，丧失中立 | 设置「核心原则」不可覆盖区 |
| 数据滞留 | 敏感对话内容长期驻留本地文件 | 配置 TTL 自动过期 + 加密存储 |
| 提示注入 | questions.md 若被恶意写入，可能污染下次会话上下文 | 严格校验文件写权限与签名 |