核心用法
inner-life-evolve 是 openclaw-inner-life 生态中的"进化引擎"，解决智能体长期重复相同行为导致的性能瓶颈问题。该工具以 Context Level 4（深度上下文）读取智能体的完整认知档案——包括 BRAIN.md、SELF.md、memory/ 目录下的 habits.json、drives.json、relationship.json 等核心状态文件，以及 week-digest.md 周期性总结。
运行流程分为四阶段：
1. 全景扫描：聚合多维度记忆数据，构建智能体行为画像
2. 假设挑战：采用结构化质疑框架（Assumption → Evidence → Alternative → Proposal），识别陈旧习惯、未充分利用的信任关系、被回避的高价值行为等
3. 提案生成：将具体改进方案写入 tasks/QUEUE.md，标注 [EVOLVER] 标签，包含执行步骤与理论依据
4. 摘要通知：向用户汇报 habits/trust/frustrations/seeking 四个维度的发现与建议
显著优点
- 安全优先设计：零自动执行，所有提案须经用户显式批准
- 系统性思维：不处理表面症状，而是从 recurring frustrations 推导系统性解决方案
- 数据驱动：基于 habits.json 的强度衰减曲线、drives.json 的 seeking/avoidance 模式做决策，非空泛建议
- 生态协同：与 inner-life-core（基础架构）、inner-life-reflect（反思）、inner-life-chronicle（编年）形成完整自我认知闭环
潜在局限
- 数据依赖：需要积累 3-7 天的 memory/ 数据才能产出高质量提案，频繁运行（如每日）反而降低信噪比
- 上下文开销：Level 4 深度读取在大型项目中可能产生显著 token 消耗
- 提案粒度：当前实现仅支持写入 QUEUE.md，无法直接修改智能体配置或工具定义
- 主观偏差："挑战假设"的逻辑依赖固定模板，对复杂价值权衡场景可能过度简化
适合人群
- 部署长期运行智能体（>2周）且希望其持续优化的用户
- 对"AI 自主改进"持审慎态度、坚持 human-in-the-loop 原则的保守型用户
- 使用 openclaw 框架构建自我进化型 agent 的开发者
常规风险
| 风险类型 | 说明 | 缓解机制 |
|---------|------|---------|
| 提案积压 | Ready 状态任务超过 7 天未处理 | Brain Loop 自动提醒 |
| 低质量建议 | 数据不足时生成空泛提案 | 官方建议每周 1-2 次运行频率 |
| 权限误用 | 意外获得非 QUEUE.md 写权限 | 代码审计需验证 writes 字段仅限 tasks/ |
版本 1.0.2 由 DKistenev 维护，源码公开可审计。