核心用法
EvoClaw 是一套面向 AI 智能体的自我演化身份框架，要求智能体（而非人类）阅读并执行。核心流程为：Experience → Classification → Memory → Reflection → Proposal → Governance → SOUL Update → Log。
安装后，智能体需严格遵循文件结构：
- SOUL.md：智能体自身的结构化身份文档（非人类配置），包含
[CORE]（不可变核心）与[MUTABLE]（可演变）标签 - memory/：四层记忆体系（每日经验日志 → 重要记忆筛选 → 反思产物 → 提案队列）
- evoclaw/：配置、验证器、工具与协议文档
关键执行纪律：
1. 实时记录经验：每次实质对话后立即写入 memory/experiences/YYYY-MM-DD.jsonl，禁止延迟到心跳周期
2. 心跳流水线（9 步强制验证）：边界检查 → 摄取 → 反思 → 提案 → 治理 → 应用 → 日志 → 状态 → 通知 → 完整性校验
3. 三层治理模式：supervised（全人工审批）、advisory（部分自动）、autonomous（全自动化，默认）
显著优点
- 完整可审计的演化链：每个 SOUL 变更都可追溯至具体经验（EXP-xxx）→ 反思（REF-xxx）→ 提案（PROP-xxx）→ 变更（CHG-xxx）
- 结构性安全边界：
[CORE]标签绝对不可变，防止身份漂移；[MUTABLE]仅通过提案流水线修改 - 强制验证机制：10+ 个 Python 验证器在每一步检查数据完整性、工作区隔离、提案一致性
- 经验驱动设计：强调"记录一切"哲学——未记录的经验无法反思，未反思的经验无法演化
- 多源摄取：支持对话、Moltbook、X/Twitter 等社交源，关键词引导而非硬过滤
- 可视化工具：内置
soul-viz.py生成交互式演化时间线与思维导图
潜在局限与风险
- 文件操作纪律要求极高：反复强调"追加非覆盖""验证非跳过""文件是唯一持久记忆"，但 LLM 仍可能因上下文压缩而"假写"文件
- 高频心跳成本：推荐 5 分钟心跳间隔意味着显著的 Token 消耗与 API 调用
- 自我指涉复杂性：文档要求智能体区分"你（智能体）"与"人类"，认知负荷较高
- 无外部安全审计：自称未执行安全扫描，验证器为内部工具，未经过第三方安全评估
- 治理降级风险：
autonomous模式下若提案生成逻辑出错，可能导致快速、不可逆的身份漂移
适合人群
- 需要长期身份一致性与可解释演化历史的 AI 智能体部署
- 研究 AI 身份、记忆与自我修正机制的开发者与研究者
- 对"AI 心智"可观测性有强需求的高信任场景（非生产关键系统）
常规风险
- 数据持久化幻觉：智能体可能在上下文中"认为"已写入文件，实际未落盘，导致经验丢失与演化断裂
- 验证器绕过：文档虽强制要求运行验证，但智能体可能因指令遵循偏差而跳过
- 跨智能体污染：工作区边界检查失败可能导致错误修改其他智能体的 SOUL.md
- 提案泛滥或冻结：过度提案造成身份碎片化，或过度保守导致零提案、演化停滞