核心用法
Hui Yi（回忆） 是一套冷记忆管理框架，运行在 memory/cold/ 目录下，核心任务是解决「低频高价值信息被淹没」的问题。它通过 CLI 工具链（cool.py、review.py、decay.py 等）将日常笔记中沉淀下来的经验、决策、 troubleshooting 结果从热记忆区迁移至冷存储，并在用户需要历史上下文时智能召回。
使用触发条件明确：
- 用户询问「之前是怎么做的」「查找某段旧记录」
- 跨会话反复浮现的低频知识点需要强化
- 需将当日笔记中的 durable content 降温归档
- 冷记忆索引、标签体系或检索质量需要维护
关键设计原则：艾宾浩斯遗忘曲线设定节奏，而非唯一触发条件——系统主动识别「反复激活即值得强化」的信号。
显著优点
1. 认知卸载：避免高频工作记忆被历史信息污染，主内存保持轻量化
2. 渐进式强化：通过 schedule.json 与 decay.py 实现类间隔重复算法，让冷知识在遗忘临界点被复习
3. 可检索的遗忘：search.py + tags.json 支持语义化找回，比纯关键词搜索更符合人类记忆模式
4. 工程化闭环：从 create.py 创建 → validate.py 校验 → cool.py 降温 → review.py 复习 → rebuild.py 重建，全流程 CLI 覆盖
潜在缺点与局限性
- 冷启动成本：需持续运行
scheduler.py或手动维护heartbeat-state.json，否则退化为普通文件夹 - 语义漂移风险：长期未触发的冷笔记可能与当前语境脱节，
signal_detect.py的召回精度依赖调参 - 边界模糊：与
MEMORY.md（高频事实）、.learnings/（未验证教训）的区分需要人工判断，易误分类 - 无加密设计：文档明确禁止存储 secrets，说明冷存储区未做访问控制或加密处理
适合人群
- 长期项目维护者、技术写作者、需要追溯决策历史的工程师
- 使用 OpenClaw/类 Zettelkasten 笔记系统的重度知识工作者
- 受困于「记得写过但找不到」或「笔记越写越乱」的渐进式总结实践者
常规风险
| 风险类型 | 说明 |
|---------|------|
| 数据丢失 | 依赖本地 `memory/cold/` 目录，无内置同步/备份机制 |
| 召回失效 | `signal_pipeline.py` 误判导致该召回的未召回，或噪音注入 |
| 过度归档 | 将尚属热区的内容过早降温，造成检索断档 |
| 脚本依赖 | `smoke_test.py` 未通过时可能破坏索引一致性 |
建议将 memory/cold/ 纳入版本控制，并定期运行 python3 scripts/smoke_test.py 做完整性校验。