核心定位
failure-memory 是一款面向 AI 代理（Agentic）系统的失败记忆管理 skill，通过将分散的检测、记录、搜索能力整合为统一的记忆系统，解决"重复犯错"这一根本性问题。其核心哲学是：系统从后果中学习的效果远胜于从指令中学习。
核心用法
采用 /fm <sub-command> 的简洁命令体系：
- `/fm detect`：自动或手动触发失败检测（测试失败、API 错误、用户纠正等），生成带 R/C/D 计数器的观察记录
- `/fm record`：人工确认或否定失败模式，更新 Confirmations(C) 或 Disconfirmations(D)
- `/fm search/classify/status`：检索、分级、查看观察状态
- `/fm converge`：检测相似度≥0.8 的模式聚类，实现知识收敛
关键机制在于 R/C/D 证据体系：Recurrence（自动检测复发）+ Confirmation（人工验证）+ Disconfirmation（人工否定），配合三级证据强度（弱/中/强），只有当 R≥3 ∧ C≥2 且假阳性率低于阈值时，模式才具备转化为系统约束的资格。
显著优点
1. 闭环学习设计：从检测→记录→验证→收敛→约束生成，形成完整知识生命周期
2. 本地化与隐私安全：所有数据写入工作区 .learnings/ 目录，无跨项目访问，无外部 API 调用（disable-model-invocation: true）
3. 多源自动触发：覆盖测试失败、用户对话纠正（"Actually..."/"I meant..."）、API 4xx/5xx、部署回滚等场景
4. 可量化的预防效果：内置 prevention_rate 和 false_positive_rate 指标，支持持续优化
潜在局限
- 工作区隔离限制：模式匹配仅限当前项目，无法利用组织级失败知识库
- 人工依赖瓶颈：高置信度模式（强证据）依赖人工确认（C），在缺乏用户反馈时收敛速度受限
- 语义相似度黑盒：
converge子命令的 0.8 相似度阈值缺乏具体算法说明，调优困难 - 无主动预防能力：本 skill 仅负责"记忆"，实际阻止失败需依赖下游
constraint-engine的约束生成与注入
适合人群
- AI 代理开发者：需要构建具备持续学习能力的 agentic 系统
- DevOps/SRE 团队：希望将运维事故转化为可复用的预防知识
- AI 产品团队：追求"越用越聪明"的用户体验，减少重复性模型错误
常规风险
| 风险类型 | 说明 | 缓释措施 |
|---------|------|---------|
| 数据孤岛 | 各工作区观察数据互不通 | 需配套建设知识导出/聚合流程 |
| 计数器操纵 | R/C/D 依赖调用方诚实性 | 关键确认建议审计日志 |
| 过度约束 | 高 R 值模式可能生成过度严格的约束 | 通过 `false_positive_max` 阈值控制 |
| 配置漂移 | 多路径配置（`.openclaw/` vs `.claude/`）可能导致行为不一致 | 建议统一配置管理工具 |