核心用法
failure-memory 是一个面向 AI 辅助开发场景的记忆型技能，通过命令行接口 /fm 提供完整的失败生命周期管理。核心工作流包括：
1. 自动检测 (/fm detect) —— 扫描测试失败、API 错误、用户修正等信号，自动创建或更新观察记录，无需人工介入。
2. 证据分级 —— 采用 R/C/D 三维计数器体系：
- R (Recurrence): 自动检测的重复发生次数
- C (Confirmations): 人工验证的真阳性确认
- D (Disconfirmations): 人工标记的假阳性排除
当满足 R≥3 ∧ C≥2 且假阳性率低于阈值时，观察升级为「强证据」(N≥3)，可转化为正式约束。
3. 模式收敛 (/fm converge) —— 计算观察间相似度(≥0.8)，自动识别跨场景的共同根因，支持合并、拆分、重构等知识管理操作。
4. 本地存储 —— 所有数据写入工作区 .learnings/ 目录，包括 ERRORS.md、LEARNINGS.md 及独立观察文件，完全离线，无外部依赖。
显著优点
- 零外部调用: 纯指令型技能，不调用任何 AI 模型或 API，响应延迟极低
- 预防优于修复: 从「事后复盘」转向「事前拦截」，特别适合 CI/CD 流水线集成
- 量化可信度: R/C/D 计数器提供可审计的证据强度，避免「经验主义」陷阱
- 工作区隔离: 观察数据严格限定于当前项目，无跨项目泄露风险
- 配置驱动: YAML 配置支持自定义检测模式与阈值，适应不同团队成熟度
潜在缺点与局限
- 冷启动问题: 新工作区无历史数据，需积累足够观察量才能生效
- 假阳性管理成本: D 计数器依赖人工标注，若团队缺乏反馈习惯，证据质量会漂移
- 相似度阈值僵化: 固定 0.8 的收敛阈值可能漏检语义相近但表述不同的模式
- 无跨项目学习: 刻意设计的隔离性导致无法利用组织级失败知识库
- 仅支持文本模式: 无法捕获运行时堆栈、性能指标等非结构化失败信号
适合人群
- 个人开发者建立个人「错误知识库」
- 中小团队规范代码审查与发布流程
- 追求「可观测性驱动开发」(ODD) 的技术团队
- 使用 Claude Code、OpenClaw 等 Agentic IDE 的重度用户
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 数据累积 | `.learnings/` 目录无限增长 | 定期执行 `/fm refactor` 归档或合并旧观察 |
| 配置漂移 | 多成员各自维护 YAML 导致阈值不一致 | 纳入版本控制，使用 CI 校验配置 schema |
| 过度拟合 | 过早将弱证据(N=1-2)固化为约束 | 严格遵守升级门槛，保留人工否决权 |
| 隐私泄露 | 错误消息可能含敏感信息 | 检测逻辑支持正则过滤，配置敏感字段脱敏规则 |