核心用法
Self-Improving Enhancement 是专为 AI 助手设计的记忆管理与持续学习增强技能，通过 Python 脚本套件实现智能化的记忆生命周期管理。
主要功能模块
| 模块 | 功能说明 |
|------|---------|
| **Full Chat Logging** (V2.0 新增) | 全量记录文本+图像对话，JSONL 格式按日存储，默认 30 天自动清理，解决会话重启导致的记忆丢失 |
| **Smart Memory Compaction** | 自动检测 60%+ 相似度条目并合并，LLM 摘要冗长记录，按 HOT/WARM/COLD 三级分层管理 |
| **Automatic Pattern Recognition** | 从修正日志中提取时间、格式、交互、工具四类偏好模式 |
| **Context-Aware Learning** | 为每条记忆附加场景标签（项目/任务类型/时间），防止跨场景误用 |
| **Multi-Skill Synergy** | 与 wechat-controller、health-guardian、skill-creator 等技能共享记忆层 |
| **Visual Statistics** | 生成内存分布图表、健康评分（0-100）、使用效率分析 |
| **Scheduled Review** | 集成心跳检测，支持日/周/月/季度自动复盘 |
典型工作流
# 初始化记忆系统 python scripts/init.py # 日常自动记录 python scripts/full-chat-logger.py log --role user --content "..." # 每周自动优化 python scripts/compact.py --auto python scripts/review.py --weekly python scripts/stats.py
---
显著优点
1. 记忆持久化突破：V2.0 的全聊天记录功能从根本上解决 AI 助手"金鱼记忆"问题，支持会话无缝恢复
2. 自动化程度高： compaction、pattern detection、review 均可无人值守运行，减少 73% 的手动修正
3. 上下文精准匹配：场景标签机制将跨场景错误率降低 83%
4. 性能优化显著：30 天后加载速度提升 65%（2.3s → 0.8s）
5. 可视化友好：健康评分与图表让记忆状态一目了然
6. 扩展性强：开放的 synergy 机制支持接入任意第三方技能
---
潜在缺点与局限性
| 局限类型 | 具体说明 |
|---------|---------|
| **技术依赖** | 需预装 Python3，部分功能依赖 LLM API 进行摘要生成 |
| **存储开销** | 全量聊天记录长期累积可能占用较大磁盘空间（虽支持自动清理）|
| **隐私边界** | 虽声明不存储密码/密钥，但图像描述仍可能包含敏感信息，需用户自行审计 |
| **学习延迟** | 模式识别需积累一定修正样本（建议 1 周以上）才能生效 |
| **跨设备同步** | 记忆文件默认本地存储，多设备场景需自行配置云同步 |
| **语言支持** | 当前文档与脚本以英文为主，中文场景可能存在编码兼容风险 |
---
适合人群
- 重度 AI 助手用户：每日交互 50+ 轮次，对上下文连续性有高要求
- 多项目管理者：需要在不同项目/角色间切换，防止标准混淆
- 效率优化者：希望减少重复解释偏好、纠正 AI 的次数
- 技能开发者：需要构建跨技能知识图谱的高级用户
- 团队协作场景：多用户共享 AI 助手，需隔离个人偏好与共享配置
---
常规风险
1. 数据泄露风险：聊天记录本地明文存储（JSONL），共享设备需设置文件权限
2. 过度拟合风险：长期记忆可能固化过时偏好，需依赖定期 review 机制更新
3. 自动化误操作：--auto 参数可能合并用户本想保留的细微差异条目，建议首次手动确认
4. 依赖维护风险：项目为个人开发（davidme6），长期更新与社区支持存在不确定性
5. 兼容性风险：依赖 clawhub 生态，若底层框架升级可能导致脚本失效