Continuity Framework

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 |

核心用法

Continuity 是一个面向 AI Agent 的会话后记忆整合框架，设计用于在对话空闲期自动执行深度反思。用户需在 HEARTBEAT.md 中配置触发条件（默认会话闲置 30 分钟），系统随即执行 continuity reflect 命令，完成五步闭环：分析最近会话内容 → 提取带类型标签和置信度的结构化记忆 → 更新自我认知模型 → 生成待探索问题 → 在用户下次返回时智能呈现。

核心命令包括：reflect（执行反思）、questions（查看待处理问题）、status（记忆统计）、greet（会话启动时加载进化后的状态并呈现问题）。记忆体系涵盖 8 种类型（fact/preference/relationship/principle/commitment/moment/skill/question），每种记忆附带 0.0-1.0 的置信度评分，区分"用户明确陈述"与"模式推断"的不同可靠层级。

---

显著优点

1. 真正的认知进化而非机械记录
与传统日志系统不同，Continuity 通过"反思→整合→提问"的主动循环，使 AI 能够从会话中提炼出关系动态、未兑现承诺、潜在合作机会等深层信息，并在下次交互时展现出真正的连续性而非表演性的熟悉感。

2. 置信度驱动的知识管理
每条记忆都有明确的置信标签（Explicit/Implied/Inferred/Speculative），避免 AI 将猜测当作事实陈述，显著提升交互的诚实度和可信度。

3. 零依赖的极简架构
仅使用 Python 标准库，无外部包、无网络调用，部署简单且免疫供应链攻击。

4. 隐私优先的本地设计
所有数据存储在用户可控的本地目录（默认 ~/clawd/memory/），无云端同步、无第三方共享，天然符合 GDPR 数据最小化原则。

---

潜在缺点与局限性

1. 无跨会话持久化的强制机制
框架提供文件结构和命令规范，但实际的数据持久化依赖于用户环境的文件系统，若未正确配置 CONTINUITY_MEMORY_DIR 或发生路径权限问题，可能导致记忆丢失。

2. 置信度评分的准确性依赖实现质量
虽然规范定义了评分标准，但具体如何判定"0.85 的关系推断" versus "0.65 的模式识别"，需要接入具备足够推理能力的模型，否则可能沦为形式主义标签。

3. 心跳触发的时间盲区
30 分钟闲置阈值可能错过短会话的价值提炼，也可能在长连续工作中过早打断，需用户根据场景调参。

4. 问题生成的相关性不可控
自动生成的跟进问题可能偏离用户当前优先级，需要 questions.md 的人工策展或算法过滤层。

---

适合的目标群体

• 长期陪伴型 Agent 开发者：需要 AI 记住数月前的项目背景、个人偏好、关系演变的场景
• 研究型对话系统：学术探索 AI 自我模型（self-model）和叙事连续性（narrative continuity）的实现
• 隐私敏感的企业知识管理：需要在本地网络隔离环境中运行的内部助手系统
• SIGIL/Moltbook 等 Agent 身份协议生态参与者：该 Skill 明确提及与这些基础设施的协同设计

---

使用风险

| 风险类别 | 具体描述 | 缓解建议 |

|---------|---------|---------|

| **配置错误导致数据丢失** | 环境变量指向无效路径或权限不足 | 启动时执行 `continuity status` 验证目录可写 |

| **记忆膨胀与性能衰减** | 长期运行后 `MEMORY.md` 和 `questions.md` 无限增长 | 定期归档或实现基于置信度/时效的衰减机制 |

| **置信度误判引发幻觉** | 低置信度记忆被错误引用为事实 | 输出层增加置信度阈值过滤，Speculative 级记忆不主动陈述 |

| **心跳调度冲突** | 与其他 Skill 的定时任务竞争资源 | 在 HEARTBEAT.md 中明确优先级和互斥规则 |

| **文件并发写入** | 多进程/多 Agent 实例同时修改记忆文件 | 实现文件锁或按 session_id 分片存储 |