核心用法
Self-Improving Enhancement 是原版 self-improving 的全面升级版，专注于解决 AI 助理长期运行中的记忆管理痛点。系统通过 Python 脚本工具链实现六大增强功能：
1. 智能记忆压缩：当 memory.md 超过 80 行时自动触发，使用 LLM 合并相似条目并按 HOT/WARM/COLD 分级
2. 自动模式识别：分析 7 天内的纠正记录，自动发现时间、格式、工具、风格等维度的用户偏好模式
3. 上下文感知学习：为每条记忆打上项目/场景/时间标签，应用时自动匹配上下文，避免工作与生活场景混淆
4. 多技能协同：与 wechat-controller、health-guardian 等技能建立知识图谱，实现跨技能统一记忆库
5. 可视化记忆统计：实时展示 HOT/WARM/COLD 记忆分布、使用频率趋势，识别高价值与低效记忆
6. 定时回顾提醒：集成心跳机制，支持每日记录、每周压缩、每月归档、每季生成学习报告的自动化流程
用户通过 init.py 初始化后，日常使用无需干预，系统静默学习；需要时可手动调用 stats.py、compact.py、review.py 查看状态或执行维护。
显著优点
- 性能提升显著：30 天实测显示记忆加载速度提升 65%（2.3s → 0.8s），用户纠正次数下降 73%（15 次/周 → 4 次/周）
- 零学习成本：完全透明的后台运行机制，用户无需改变交互习惯即可获得持续优化
- 灵活可控：所有压缩、归档操作均可配置为自动执行或手动确认，支持完整撤销与备份
- 生态协同：开放的多技能接口设计，可与任意 Claw Hub 技能建立记忆同步机制
潜在缺点与局限性
- 依赖 Python 运行时：需要系统预装
python3，对纯浏览器/容器环境不友好 - LLM 成本敏感：智能压缩和模式识别依赖外部 LLM 调用，高频使用可能产生额外 API 费用
- 上下文标签依赖人工：自动场景识别准确率约 94%，复杂项目边界仍需用户手动维护
context-switch - 冷启动周期：模式识别需要积累 7 天以上的交互数据才能生效，新用户首周体验与原版差异有限
- 跨平台状态同步：
~/self-improving/目录的云端同步需用户自行配置，多设备场景可能产生记忆分叉
适合人群
- 高频 AI 助理用户：日均交互 20 次以上，对"反复纠正同样问题"感到疲惫的专业用户
- 多项目开发者：需要在工作、开源、个人项目间切换，且各项目有不同规范要求的开发者
- 技能开发者：正在构建 Claw Hub 生态技能，希望实现跨技能用户画像共享的进阶用户
- 效率优化爱好者：愿意投入初期配置时间（约 30 分钟），换取长期交互效率提升的极致用户
常规风险
- 记忆漂移风险：自动压缩可能误合并语义相近但实质不同的记忆，建议保留
promptBeforeArchive配置 - 隐私边界模糊：多技能协同机制下，需明确哪些记忆可共享（如"喜欢 emoji"）、哪些隔离（如"工作敏感目录"）
- 归档丢失焦虑：30 天无使用即归档的默认策略，可能使季节性需求（如年度报税流程）被过早清理，建议调整
archiveAfterDays