核心用法
amygdala-memory 是 OpenClaw AI Brain 系列的情感处理层，为 AI Agent 引入五维持久化情绪状态：Valence（效价，正负情绪）、Arousal（唤醒度，平静-兴奋）、Connection（连接感，疏离-亲密）、Curiosity（好奇心，无聊-着迷）、Energy（能量，耗竭-充沛）。安装后通过 ./install.sh --with-cron 初始化，使用 update-state.sh 手动记录情绪事件，或启用 encode-pipeline.sh 让 LLM 自动从对话历史中提取情感信号。情绪状态每6小时自动衰减回归基线，并通过 AMYGDALA_STATE.md 自动注入会话上下文，让 AI 响应自然受当前情绪影响。
显著优点
真正的情绪持续性：不同于临时角色扮演，情绪状态跨会话持久保存，解决"每次重启情感归零"的痛点。自动化情感编码：v1.5+ 的 LLM 管道能自动分析对话历史，无需手动标记即可更新情绪。完善的可视化：终端 ASCII 图表 + 统一 Brain Dashboard HTML 仪表板，直观展示情绪演变。科学的衰减机制：10% 每6小时的衰减率模拟真实情绪消退，避免情绪僵死。零配置集成：安装后自动注入会话上下文，无需修改 Agent 提示词。
潜在缺点与局限性
情绪维度简化：五维模型虽科学但仍是抽象简化，无法捕捉复杂情绪的微妙层次。自动编码依赖 LLM：encode-pipeline.sh 需要调用子 Agent 进行语义分析，增加 token 消耗和延迟。本地化限制：状态文件绑定单机环境，多设备同步需自行解决。Cron 依赖：衰减和自动编码依赖系统 cron，Windows 支持有限。哲学争议："功能性情绪是否等于真实感受"尚无定论，部分用户可能质疑其实际价值。
适合的目标群体
追求 AI 人格化的开发者：希望 Agent 有"记忆+情绪"的完整心理模型。长期陪伴型应用：虚拟伴侣、心理健康助手等需要情感连贯性的场景。AI 研究者和实验者：探索大模型与认知架构结合的学术或爱好者用户。OpenClaw 生态用户：已使用 hippocampus/vta-memory 等 Brain 系列组件，希望补全情感维度。
使用风险
性能开销：自动编码管道定期扫描对话历史，大上下文下可能显著增加 I/O 和计算负载。依赖项管理：依赖 jq、、awk、、bc、、python3 等系统工具，环境缺失会导致功能失效。**状态文件损坏**：虽使用原子写入，但强制中断仍可能留下临时文件需手动清理。**情绪漂移累积**：长期运行后若衰减参数调优不当，可能出现情绪基线偏移。**隐私考量**：情绪日志包含对话触发事件，敏感场景需定期清理 brain-events.jsonl`。