Feelings：个人情绪追踪与自我认知工具
核心用法
Feelings 是一个基于本地文件系统的情绪追踪框架，用户通过对话式交互记录情绪状态，系统自动整理到 ~/feelings/ 目录下的结构化日志中。核心流程包括：即时记录（情绪名称、强度1-10、情境、身体感受）、触发因素追踪（正负向情境与情绪反应的关联）、有效策略沉淀（记录什么方法在什么情况下有效）、以及周期性洞察回顾（识别时间规律、相关性、个人成长轨迹）。
系统采用渐进式增强设计：从简单的每日打卡开始，逐步积累数据后，可自动生成周报提醒（"本周焦虑出现4次"）、情境化建议（"上次类似情况时，散步有效"）、以及长期自我认知总结（"睡眠<6小时与次日易怒高度相关"）。
显著优点
- 隐私优先：完全本地存储，无云端依赖，数据归属用户
- 低启动成本：无需复杂设置，一句话即可开始记录
- 科学友好：强度量化、情境关联、身体信号记录，符合情绪调节的认知行为框架
- 主动关怀：系统会在困难时期主动发起关怀对话，而非被动等待输入
- 长期价值：数月后形成的个人情绪数据库具有独特价值，远超通用心理健康建议
潜在缺点与局限性
- 依赖用户自律：数据质量与记录频率直接相关，低落期反而可能中断记录（系统虽提示"最不该跳过的时刻"，但无强制机制）
- 无临床诊断能力：虽能识别模式，但不能替代专业心理健康评估，严重情况需明确提示就医
- 分析深度受限：本地文本存储意味着复杂统计分析需手动完成，或依赖外部工具
- 情绪词汇预设偏西方心理学框架，不同文化背景用户可能需要扩展本土化表达
适合人群
- 希望建立情绪觉察习惯的自我提升者
- 处于轻度压力/焦虑状态、寻求非药物干预的职场人群
- 已完成心理咨询、希望维持疗效的康复期用户
- 对量化自我（Quantified Self）感兴趣的数据驱动型用户
常规风险
- 数据丢失风险：本地文件无自动备份，用户需自行管理版本控制
- 过度分析风险：可能强化反刍思维（rumination），系统虽设计"不评判情绪"原则，但高频记录需配合接纳心态
- 替代专业帮助风险：需明确边界标识，重度抑郁、双相障碍等需医学干预的情况应主动提示就医
技术实现说明
纯文本 Markdown 架构，跨平台兼容（Linux/macOS/Windows），可与 Obsidian、VS Code 等工具链无缝集成，支持 Git 版本控制。