核心用法
failure-memory 是一套面向AI Agent的自我改进型记忆系统，核心指令为 /fm <sub-command>。它将传统"事后复盘"转变为"实时捕获"——当测试失败、API报错、用户纠正或部署回滚发生时自动触发检测（/fm detect），并将失败模式记录为结构化观察项（Observation）。
系统采用R/C/D三元计数器机制：
- R (Recurrence)：自动检测到的复发次数
- C (Confirmation)：人工确认的真实模式
- D (Disconfirmation)：人工标记的误报
当满足 R≥3 ∧ C≥2 且误报率 D/(C+D)<0.2 时，观察项升级为"强证据"，可推送至约束引擎生成硬性规则。支持通过 /fm search 检索历史模式、/fm converge 检测相似性≥0.8的聚合模式、/fm refactor 合并或拆分观察项。
显著优点
1. 预防优于修复：从"事后文档"转向"实时拦截"，同一失败模式第三次出现时即可触发约束建议
2. 人机协同验证：人工确认机制(C/D)避免AI自我强化错误假设，形成闭环反馈
3. 本地化隐私：所有观察项存储于工作区 .learnings/ 目录，无外部API调用，无跨项目数据泄露
4. 语义化聚合：支持模式相似度计算，能将碎片化错误收敛为统一根因
潜在局限
- 单工作区隔离：设计刻意限制为工作区级记忆，跨项目经验无法自动继承
- 冷启动问题：新工作区需积累足够R/C计数才能产生有效约束
- 相似度阈值僵化：默认0.8的收敛阈值可能对某些领域过严或过松
- 依赖人工确认瓶颈：C计数依赖用户主动反馈，高自动化场景可能确认滞后
适合人群
- 高频迭代的AI辅助开发团队（Claude Code、GitHub Copilot用户）
- 需要合规审计轨迹的企业级Agent部署
- 构建自我改进Agent系统的架构师
常规风险
1. 过度约束风险：R/C阈值配置过低可能导致过早生成硬性规则，抑制合理探索
2. 隐私误配置：虽设计为本地存储，若用户误将 .learnings/ 提交至公共仓库则暴露失败历史
3. 模式误收敛：/fm converge 可能将根因不同的错误聚合，导致错误归因
4. 自动化依赖：自动检测触发器（如用户消息关键词）存在误触发可能