Anterior Cingulate Memory（ACC）是模拟人脑前扣带皮层认知功能的 AI 错误监控系统，属于 OpenClaw AI Brain 系列的核心组件。该技能赋予 AI 代理类似人类的"错误直觉"——通过持续追踪对话中的纠正信号（如"不对"、"实际上"等），构建跨会话的错误模式记忆库，让代理从历史失误中持续学习，避免重复犯错。
核心用法围绕自动化流水线展开。系统通过 encode-pipeline.sh 从会话记录中提取用户-助手对话对，利用配置好的 LLM（通过 ACC_MODELS 环境变量指定）分析潜在错误。检测到的错误会按模式分类（如 factual_error、tone_mismatch），并根据发生频次自动升级严重性等级：1 次为 normal（记录）、2 次为 warning（警惕）、3 次以上为 critical（主动规避）。系统采用水印（watermark）机制实现增量处理，配合每日三次的 Cron 定时任务，确保错误检测不会重复分析已处理内容。超过 30 天未出现的错误模式会被自动标记为 resolved，完成学习闭环。
显著优点体现在其架构设计的先进性与隐私保护。首先是模型无关性，支持 Claude、Ollama、OpenAI 等任何 CLI 可访问的模型，并内置 45 秒超时回退机制；其次是完全本地化，所有错误状态存储于 ~/.openclaw/workspace/memory/ 的 JSON 文件中，无网络上传，用户完全掌控数据生命周期；第三是认知架构集成，与 Hippocampus（记忆形成）、Amygdala（情感处理）等模块协同工作，形成完整的 AI 认知系统；最后是精细化治理，通过 load-state.sh 可在会话启动时加载当前错误状态，让代理实时感知自身"易错点"。
潜在局限需在使用前评估。作为 T3 来源的个人项目，虽通过 A 级安全认证，但缺乏企业级维护背书。系统依赖 Python3、jq 及外部 LLM CLI 工具，配置门槛较高，且仅支持 macOS/Linux 环境。错误检测质量高度依赖所配置的 LLM 能力，若使用本地小模型可能出现误判或漏判。此外，频繁的 LLM 调用（每日三次分析）会产生持续的 API 成本。
适合的目标群体主要包括：构建长期运行 AI 代理的开发者、研究认知架构（Cognitive Architecture）的科研人员、使用 OpenClaw 框架的高级用户，以及对 AI 对话质量有严格要求、需要系统性错误归因分析的专业场景（如客服训练、教育辅导等）。
使用风险集中在隐私管理与系统依赖。尽管数据本地存储，但系统需要读取完整的会话记录（transcripts），在多用户服务器或共享环境中需严格设置 ~/.openclaw/ 目录权限。依赖的 LLM CLI 工具需用户自行管理 API 密钥与费用。45 秒的超时保护虽能防止挂起，但在网络波动或模型响应慢时可能导致分析不完整。建议定期备份 acc-state.json，并监控 brain-events.jsonl 以确保系统健康运行。