核心用法
Hui Yi 是 OpenClaw 系统的冷记忆层管理器，负责处理 memory/cold/ 目录下的低频次、高价值历史信息。其核心触发场景包括：
1. 冷记忆召回：当对话需要引用早期低频上下文、用户询问历史记录或寻求历史连续性时激活
2. 归档冷却：将每日笔记中沉淀出的可复用经验、决策记录、故障排查结果从热记忆迁移至冷存储
3. 强化维护：基于艾宾浩斯遗忘曲线原理，对反复被激活的信息进行间隔重复强化
典型操作流程：
- 信号检测（
signal_detect.py）→ 冷却归档（cool.py）→ 索引更新（rebuild.py）→ 定时回顾（review.py/scheduler.py）→ 衰减清理（decay.py）
显著优点
- 记忆分层清晰：严格区分热记忆（当前对话、高频事实、工具配置）与冷记忆，避免主记忆污染
- 主动召回机制：不依赖被动搜索，通过信号管道主动识别需要历史上下文的场景
- 科学化复习：内置类艾宾浩斯调度算法（
schedule.json），实现知识的间隔重复巩固 - 可维护性强：提供完整的 CLI 工具链（创建、验证、搜索、重建、衰减）和自动化钩子
潜在缺点与局限性
- 启动门槛高：需要理解 OpenClaw 的记忆架构分层逻辑，新手易混淆冷热边界
- 依赖外部系统：必须与 OpenClaw 主运行时紧密耦合，独立使用价值有限
- 调度刚性：固定 JSON 调度文件难以适应个性化的记忆曲线需求
- 无敏感信息过滤：仅通过规则文档提示"不包含密钥"，缺乏强制校验机制
适合人群
- 长期使用 OpenClaw 进行复杂项目追踪的开发者/知识工作者
- 需要维护跨越数周/数月上下文的技术写作或研究场景
- 对"第二大脑"架构有明确分层需求的 Zettelkasten 实践者
常规风险
- 边界误判：用户可能将未经验证的新教训错误归档，导致错误知识固化
- 检索失效：
tags.json和retrieval-log.md若未定期重建，可能出现索引漂移 - 自动化过度：
install_hook.py若配置不当，可能在非预期时机触发冷却操作
技术栈
Python 3 + JSON 元数据管理 + 可选的 cron/systemd 定时集成