核心用法
Hui Yi 是一套冷记忆分层管理框架，专用于处理 OpenClaw 主记忆之外的低频高价值信息。其核心机制包含：
1. 分层存储：将信息从高频热记忆（MEMORY.md/TOOLS.md/每日笔记）迁移至 memory/cold/ 冷记忆池
2. 信号驱动检索：通过 core/signal_detect.py 等模块识别何时需要调取历史上下文
3. 遗忘曲线调度：schedule.json 结合艾宾浩斯遗忘规律设置复习周期，而非单纯依赖触发
4. 生命周期管理：cool.py 负责"降温"归档，decay.py 处理记忆衰减，review.py 执行周期性复习
典型应用场景：
- 跨会话反复出现的旧决策、调试经验
- 需要长期保留但使用频率低的项目背景
- 从每日笔记提炼出的可复用教训
显著优点
- 记忆减负：避免热记忆被低频信息污染，提升检索效率
- 科学巩固：基于间隔重复理论，重复激活的内容优先强化
- 结构化治理：完整的 CLI 工具链（
create.py/validate.py/search.py/rebuild.py）支持全生命周期管理 - 可追溯性：
retrieval-log.md记录调用历史，便于审计记忆激活模式
潜在局限与风险
- 检索延迟：冷记忆非实时加载，紧急场景可能错过关键上下文
- 调度复杂度：
schedule.json需持续维护，遗忘曲线参数若设置不当会导致复习过频或遗漏 - 信号误判：
signal_detect.py的启发式规则可能漏判真正需要冷记忆支撑的查询 - 迁移成本：从热记忆"降温"需人工判断，自动化脚本
cool.py的启发规则若过于激进会造成信息失联
适合人群
- 长期运行复杂项目、需要维护跨会话历史上下文的 AI 工作流
- 每日产生大量笔记、需从中提取可复用知识的重度知识工作者
- 追求记忆系统分层治理、愿意投入维护成本的技术用户
常规风险
- 记忆孤岛：过度依赖冷分层导致信息碎片化，关键上下文在需要时未被激活
- 元数据膨胀：
tags.json与heartbeat-state.json长期运行后体积失控，影响检索性能 - 脚本依赖：
smoke_test.py仅做基础可用性检查，生产环境缺乏完整集成测试覆盖