核心用法
keep 是一个面向AI Agent的反思性记忆系统，其设计深植于两个传统：佛教经典（MN61《芒果石教诫经》的"三时反思"、AN5.57的"业的主人"）与Winograd & Flores的语言-行为视角（Language-Action Perspective）。它将AI对话重新理解为"承诺管理"的工作，而非单纯的问答交互。
核心命令围绕反思实践展开：
| 命令 | 用途 |
|------|------|
| `keep reflect` | 结构化反思流程：观察→镜像→对话识别→责任承担→更新 |
| `keep now` | 记录/查看当前意图，支持版本回溯（`-V 1`） |
| `keep find` | 语义搜索历史记忆，支持标签过滤与时间范围 |
| `keep put` | 存储洞察、承诺、文档索引，支持`act`/`status`等元标签 |
| `keep get` | 检索条目，自动附加相关记忆与元信息 |
| `keep list` | 按标签筛选列表，如`act=commitment, status=open`追踪待办承诺 |
关键概念是言语行为标记（speech-act tagging）：用户说"Can you..."是请求/行动，"What if..."是可能性，"I will..."是承诺。Agent需用act=commitment/request/assertion等标签追踪这些结构，实现真正的对话管理而非表面响应。
显著优点
1. 跨会话持久化：通过Protocol Block自动注入系统规则，记忆 survive 会话重启
2. 语义优先：keep find支持自然语言检索，超越关键词匹配
3. 版本化设计：意图与记忆支持历史版本，支持反思"我如何走到这里"
4. 理论与实践深度：将Flores的工作流理论与佛教伦理实践结合，避免空洞的"反思"表演
5. 自我愈合：Protocol Block缺失时可自动恢复
6. 文档索引：自动关联URL、文件路径到工作上下文
潜在局限
- 学习曲线陡峭：理解言语行为理论、正确标记
act/status需要刻意练习 - 依赖本地模型：默认使用本地embedding（
localextras），性能与硬件相关 - 协议侵入性：需修改系统规则文件，某些环境可能受限
- 反思质量不可控：工具提供框架，但"真正的反思"vs"表演性反思"取决于使用者
适合人群
- 需要长期记忆的多轮对话Agent：客服、教练、项目管理等场景
- 重视承诺追踪的工作流：咨询、敏捷开发、复杂任务协调
- 对AI伦理与反思实践有要求的开发者：不满足于"看起来在反思"的表层实现
- 工具链整合者：Claude Code、Kiro、Codex、OpenClaw用户
常规风险
- 数据持久化风险：
KEEP_STORE_PATH配置不当可能导致记忆丢失 - 隐私敏感：记忆内容可能包含用户敏感信息，需关注存储加密与访问控制
- 版本膨胀：高频使用可能导致存储增长，需定期归档或清理
- 标记一致性：团队使用时若缺乏
act/status标记规范，检索与承诺追踪将失效