核心用法
close-loop 是一套端到端的会话收尾工作流，触发关键词包括 "wrap up"、"close session"、"end session"、"/wrap-up" 等。系统按四个严格顺序的阶段执行：
1. Phase 1: Ship State —— 整理当前会话的所有交付物、代码片段、决策记录，形成可交接的状态快照
2. Phase 2: Memory —— 将关键信息、用户偏好、上下文决策固化到长期记忆框架
3. Phase 3: Self-Improvement —— 基于本次会话执行自我优化更新
4. Phase 4: Publish Queue —— 生成可发布的输出，含人工可读报告与机器可读 JSON
全程受控于 01-design-principles.md 中的执行策略与动作闸门（action gates），确保安全边界。
显著优点
- 模块化架构：组件拆分清晰，便于维护与版本迭代（当前 v2.3.5）
- 双轨输出：同时生成人类友好的 Markdown 报告与机器解析的 JSON，兼顾可读性与自动化
- 记忆沉淀：显式整合 session memory 框架，避免长对话上下文丢失
- 安全内置：设计原则阶段即植入 action gates，在关键操作前强制校验
- 标准化交接：为团队协作提供一致的 handoff 格式
潜在缺点与局限性
- 触发依赖明确指令：需用户知晓特定关键词，自然语言变体可能无法识别
- 组件文件依赖：完整功能依赖 4 个组件文件及引用资源，分布式文件结构增加部署复杂度
- 无实时预览：四阶段为黑箱顺序执行，用户无法在中间步骤干预
- MIT 许可证：开源但无商业支持承诺，企业场景需自行评估
适合人群
- 高频使用 AI 进行复杂多轮对话的知识工作者
- 需要将 AI 会话成果结构化移交给他人的团队协作场景
- 追求会话可追溯、可复现的长期记忆管理用户
常规风险
- 数据持久化风险：若 Phase 2 的记忆固化机制依赖外部存储，需确认其可靠性
- 输出完整性风险：组件文件缺失或版本不匹配可能导致输出格式异常
- 过度自动化风险：安全闸门若配置过松，可能在未充分确认时执行不可逆操作