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