核心用法
Hui Yi（回忆） 是一套面向 AI 长期记忆管理的冷存储架构，核心定位在 memory/cold/ 目录下，专门处理低频但高价值的知识资产。与热记忆（当前对话、高频事实、工具配置）形成分层架构，Hui Yi 负责将可复用的经验、决策记录、故障排查结果等从日常笔记中降温归档，并在合适的时机主动唤醒。
触发条件包括：用户询问历史操作、需要历史连续性、内容符合重复激活特征，或需对冷记忆库进行维护。系统强调"重复激活的信息优先强化"——以艾宾浩斯遗忘曲线为节奏参考，而非唯一触发机制。
技术实现
- 文件层：
index.md索引、tags.json标签体系、retrieval-log.md检索日志、schedule.json复习调度 - CLI 工具链：创建、验证、搜索、重建、衰减、降温、复习等 9 个脚本
- 核心模块：信号检测、流水线处理、OpenClaw 运行时钩子与探针
显著优点
1. 分层记忆架构：清晰分离热/冷记忆，避免高频上下文被历史噪声淹没
2. 主动强化机制：基于实际复用频率而非机械复习，更贴合真实学习曲线
3. 完整工具生态：从创建到衰减的全生命周期管理，支持 hooks 集成
4. 可维护性强：检索日志与调度系统支持持续优化归档质量
潜在局限
- 认知负担：用户需自行判断内容冷热属性，误判可能导致高频知识被"冷冻"
- 延迟成本：冷记忆唤醒依赖显式触发，紧急场景下不如热记忆直接
- 生态依赖：与 OpenClaw 架构深度绑定，迁移成本较高
- 维护开销：需定期运行
decay.py、review.py等脚本保持系统健康
适合人群
- 长期对话型 AI 的深度用户（如 OpenClaw 生态使用者）
- 需要跨会话保持复杂项目上下文的开发者、研究者
- 追求"渐进式总结"工作流的知识管理实践者
常规风险
| 风险类型 | 说明 |
|---------|------|
| 敏感信息泄露 | 明确禁止存储 secrets/tokens/passwords，但依赖用户自觉遵守 |
| 记忆碎片化 | 过度归档或标签不一致可能导致检索失效 |
| 版本漂移 | 冷记忆长期不更新可能与当前环境脱节 |
| 脚本执行风险 | CLI 工具涉及文件系统操作，需确认来源可信 |
> 注：安全认证报告为系统占位，未实际执行安全扫描，建议用户自行审计脚本代码后再部署。