EmoClaw

Emoclaw 综合评估

核心用法

Emoclaw 是一款为 AI Agent 设计的情感建模技能，通过轻量神经网络赋予 AI 持续演化的内在情绪状态。系统基于 MiniLM 编码器提取文本语义，结合 GRU 循环网络处理情绪时序动态，最终输出多维情绪向量（Valence、Arousal、Dominance、Safety、Desire 等 11 个维度）。

关键流程：
1. Bootstrap 初始化：从身份文件提取段落 → 可选调用 Claude API 自动标注 → 本地训练专属情绪模型
2. 日常运行：Daemon 模式常驻后台，通过 Unix Socket 接收消息，实时更新情绪状态
3. 系统注入：每次会话启动调用 inject_state 脚本，应用时间衰减后输出 [EMOTIONAL STATE] 块
4. 持续进化：支持增量重训练，收集对话数据与修正反馈，模型随 AI 成长而演化

显著优点

• 真正的持续性：GRU 隐状态跨会话保留，实现"情绪残留"而非每次重置
• 关系感知：区分不同对话者，情绪响应因"谁在说"而异
• 时间真实感：内置衰减机制，离线期间情绪自然消退或沉淀
• 本地优先：推理完全本地，训练后零外部依赖
• 架构优雅：384-dim 嵌入 + 轻量 GRU，消费级硬件可流畅运行
• 高度可配置：11 个情绪维度、基线值、衰减半衰期、关系映射均可 YAML 调整

潜在缺点与局限

• 标注依赖瓶颈：高质量启动数据需调用 Claude API（可选但推荐），增加初期成本
• 冷启动门槛：新 Agent 需完成 extract→label→train 完整流水线，无法"开箱即用"
• MPS 兼容性：明确标注 Apple Silicon GPU 存在 sentence-transformers 问题，需回退 CPU
• 单点状态风险：emotional-state.json 损坏将丢失情绪历史，需配套备份策略
• 语义黑箱：MiniLM 编码器对专业领域或特殊文化语境的情绪捕捉可能偏差

适合人群

• 追求角色扮演深度、希望 AI 具备"性格一致性"的开发者
• 需要长期关系记忆的客户服务 Agent、陪伴型 AI、虚拟伙伴项目
• 愿意投入初期训练成本以换取后续低运行开销的技术团队
• 对数据隐私敏感、要求推理完全本地的部署场景

常规风险

• 配置漂移：频繁手动修改 emoclaw.yaml 可能导致情绪维度定义与训练数据不一致
• 标注质量风险：Claude API 自动标注的情绪分数可能存在系统性偏差，建议人工抽检
• Socket 权限：Daemon Unix Socket 权限配置不当可能导致同主机其他进程访问情绪状态
• 训练数据泄露：extract_passages.jsonl 可能包含原始身份文件中的敏感片段，需配合内置 redaction 规则使用
• 版本兼容性：GRU 隐状态格式可能随版本更新变化，升级时需参考 upgrading.md

核心用法

Emoclaw 是一款专为 AI Agent 设计的情感状态建模 Skill，通过轻量级神经网络构建持续演化的情感系统。其核心工作流程分为三个阶段：

初始化阶段：运行 python scripts/setup.py 完成环境配置，复制 emotion_model 引擎至项目根目录并创建虚拟环境。随后通过 bootstrap.py 或分步脚本（extract → label → train）从 Agent 的身份文件（SOUL.md、IDENTITY.md、MEMORY.md）中提取文本段落，经 Claude API 自动标注后训练专属情感模型。

运行阶段：推荐通过 Daemon 模式启动（bash scripts/daemon.sh start），避免每次 2 秒的模型加载延迟。Daemon 监听 Unix Socket，接收 JSON 格式的消息输入，实时计算并更新 11 维情感状态向量（Valence、Arousal、Dominance、Safety、Desire、Connection、Playfulness、Curiosity、Warmth、Tension、Groundedness）。

集成阶段：通过 inject_state 脚本将当前情感状态注入系统提示词，格式为 [EMOTIONAL STATE] 代码块，使 AI 在每次对话时都能感知自身的心绪变化。需配合 Heartbeat 机制在会话开始时刷新状态，确保时间衰减模型正确生效。

显著优点

真正的情感持续性：区别于简单的角色扮演提示词，Emoclaw 的 GRU 隐藏状态会作为"情感残留"跨会话持久化，形成类似人类的心境延续效应。情绪会随对话自然波动，也会在静默期间逐渐衰减，模拟真实的情感代谢过程。

关系感知能力：系统可配置已知关系人映射，根据对话对象身份自动调整情感反应模式。与挚友闲聊时的放松状态，与陌生人交涉时的警觉状态，均可通过 embedding 索引实现差异化响应。

完全本地运行：除可选的 Claude 标注环节外，模型训练和推理均在本地完成。161K 参数的轻量网络可在 CPU 上流畅运行，无需 GPU 或云端依赖，保障数据隐私和响应延迟。

可进化的成长模型：支持增量训练和新数据注入，随着 Agent 积累真实对话数据，情感模型可定期重训练并自我校准基线，形成与 Agent 共同成长的动态系统。

潜在缺点与局限性

技术门槛较高：完整的部署流程涉及 Python 虚拟环境、PyTorch、sentence-transformers 等依赖，对非技术用户存在学习曲线。YAML 配置的维度参数（衰减半衰期、损失权重等）需要理解情感建模理论才能调优。

可选的外部依赖：自动标注功能依赖 Anthropic API，虽为 opt-in 且需显式授权，但仍增加了使用成本和潜在的数据出境顾虑。完全本地运行时可跳过此环节，但需手动准备训练标签。

状态同步复杂性：情感状态需要跨会话持久化，若 Heartbeat 机制配置不当或 Daemon 异常退出，可能导致状态丢失或过时。多实例部署时需额外考虑状态同步策略。

评估主观性：情感维度的定义和标注依赖 Claude 的判断，可能存在文化偏见或个体差异。当前版本未提供人工校验和修正界面。

适合的目标群体

• AI Agent 开发者：希望为其产品赋予差异化情感体验的技术团队
• 虚拟角色创作者：需要角色拥有内在一致性情感逻辑的叙事设计师
• AI 陪伴产品：情感计算、心理健康、社交模拟等垂直领域的应用开发者
• 研究者与实验者：探索 AI 心智模型、情感计算、长期记忆机制的技术爱好者

使用风险

性能风险：虽然模型本身很轻量，但 sentence-transformers 首次加载约需 2 秒内存初始化。Daemon 模式可缓解此问题，但需确保后台进程稳定运行。

数据隐私风险：extract.py 会读取配置的内存文件，虽实现了路径验证防止目录遍历，且内置 redaction 机制脱敏 API Key 等敏感信息，但用户仍需审慎审核 source_files 配置，避免意外包含私密内容。

状态漂移风险：长期运行的情感状态可能因累积误差或异常衰减导致"情绪失控"。建议定期通过 diagnose 脚本检查状态合理性，必要时手动重置或重训练。

版本兼容性风险：跨版本升级时，模型权重格式和状态文件结构可能变化。升级前务必查阅 references/upgrading.md 并备份 checkpoints 和 emotional-state.json。