核心用法
failure-memory 是一套面向 AI 代理工作区的失败记忆系统，通过 /fm 命令族实现全生命周期管理：
- 检测 (
/fm detect)：在测试失败、API 错误、部署回滚等场景触发时自动记录观察 - 记录 (
/fm record)：更新 R（复发）、C（确认）、D（否定）计数器，构建证据链 - 搜索与分类 (
/fm search,/fm classify)：按模式、标签或 slug 检索，并按 N=1/2/≥3 划分为弱/中/强三档证据强度 - 收敛 (
/fm converge)：当相似度≥0.8 时自动合并相关模式
数据完全本地化存储于 .learnings/ 目录，包含 ERRORS.md、LEARNINGS.md 及独立观察文件，不调用外部 API。
显著优点
1. 证据驱动的渐进学习：R/C/D 计数器机制避免"一次出错就定终身"，通过多轮验证降低误报
2. 工作区隔离：所有观察仅作用于当前项目，无跨会话数据泄露风险
3. 轻量无侵入：纯指令型技能（disable-model-invocation: true），不占用模型调用配额
4. 与约束引擎联动：当 R≥3 ∧ C≥2 时自动触发约束生成建议，形成"检测→记忆→预防"闭环
局限性与风险
- 范围受限：仅监控当前工作区，无法识别跨项目的系统性模式
- 依赖人工确认：C/D 计数器需人工干预，自动化程度受用户参与度制约
- 相似度阈值固化：默认 0.8 的收敛阈值可能漏报语义相近但表述不同的失败模式
- 配置分散：支持
.openclaw/和.claude/双路径，可能引发配置漂移
适合人群
- 使用 Claude Code 或 OpenClaw 进行长期项目维护的开发者
- 需要建立团队级错误知识库的技术负责人
- 希望减少"重复踩坑"的独立开发者
常规风险
| 风险场景 | 缓解措施 |
|---------|---------|
| 误将正常行为标记为失败 | D 计数器机制 + 0.2 最大假阳性率阈值 |
| 观察文件积累导致检索性能下降 | 定期 `/fm refactor` 合并过期观察 |
| 配置路径冲突 | 明确优先级：`.openclaw/` > `.claude/` > 内置默认 |