核心用法
quantified_self 是一套面向人机协作场景的量化管理系统，通过将AI与用户的对话交互转化为结构化数据，实现成长、任务、学习、效率、成就五大维度的可视化追踪。用户可通过自然语言指令触发报告生成，如"今天成长怎么样""任务统计""效率分析"等，系统会返回包含进度条、百分比、趋势对比的数据面板。
系统采用模块化设计：
- 成长追踪：基于知识广度、能力深度、响应质量、效率指标计算总体成长曲线
- 任务统计：记录任务类型分布、完成率、平均质量评分与耗时
- 学习成果：追踪新概念掌握度（0-100%）及应用次数
- 效率分析：监控响应速度、一次解决率、迭代次数
- 成就记录：捕获里程碑、高光时刻与突破性进展
- 目标管理：设定目标并追踪进度与预计完成时间
数据存储于本地 ~/.openclaw/data/quantified_self.json，支持导出CSV/JSON，不上传云端。
显著优点
1. 可视化反馈机制：将抽象的能力提升转化为具体数字，满足用户对"可见进步"的心理需求，增强持续使用动力
2. 多维度交叉分析：成长、任务、学习、效率四维度数据可相互印证，例如"高任务完成率+低学习效率"可提示机械执行风险
3. 轻量化实现：基于文本进度条与ASCII图表，无需图形界面，终端友好
4. 用户可控权重：支持自定义成长维度权重（默认知识25%、能力30%、质量25%、效率20%）
5. 历史对比功能：支持"和昨天比怎么样"等跨时间维度的趋势查询
潜在缺点与局限性
1. 主观量化风险：掌握度、质量评分等核心指标依赖AI自我评估，缺乏外部校验，可能存在"数字通胀"（持续高估）或"数字通缩"（保守低估）
2. 数据孤岛：本地存储导致跨设备数据不互通，重装系统或更换环境时历史数据丢失
3. 冷启动问题：新用户初期数据稀疏，报告可信度低，需积累至少7-10天数据才有统计意义
4. 维度覆盖盲区：情感支持、创意发散等难量化交互无法有效纳入评估体系
5. 维护成本：持续记录增加每次对话的I/O开销，长期高频使用可能产生MB级日志文件
适合人群
- 数据驱动型用户：习惯用数字管理生活、工作的效率爱好者
- 长期AI协作用户：与AI有持续深度交互，希望系统性回顾成长轨迹
- 目标导向学习者：使用AI辅助学习编程、语言等可量化技能的场景
- 复盘习惯养成者：需要结构化日报/周报素材的职场人士
不适合：追求极简交互、对数据敏感度过低、或主要将AI用于情感陪伴/闲聊的用户。
常规风险
1. 数据准确性幻觉：百分比数字可能给用户"精确"错觉，实际为估算值，重大决策不应仅依赖此系统
2. 过度优化倾向：用户可能为追求数字增长而回避高难度任务，导致"刷分"行为
3. 隐私泄露风险：本地JSON文件若无加密，被他人获取后可完整还原用户与AI的交互模式与关注点
4. 心理负担：持续量化可能引发焦虑，特别是成长停滞期（平台期）的数据反馈
5. 单点故障：数据文件损坏或误删将导致历史记录永久丢失，建议定期手动备份