核心用法
learn-me 是一个用户主动触发的个性化学习技能，允许 OpenClaw 通过日常对话逐步了解用户。核心机制包括：
- 手动触发：用户输入
/learn-me立即开启学习对话 - 定时调度：创建每日 1-2 次的 cron 任务（如早晨/晚间），在合适时机自然插入问题
- 问题管理：维护
memory/next-questions.md文件，记录追问方向、兴趣点和敏感话题 - 智能触发：cron 触发时检测用户状态——若正专注任务或情绪低落则自动跳过
显著优点
- 以理解为目标：明确区分于数据收集，追求"有意义的对话"而非信息覆盖
- 用户掌控感强：所有调度需用户确认，可随时调整或禁用
- 隐私敏感设计：30 天敏感话题冷却期，两次回避即永久屏蔽，绝不存储私密信息
- 自然交互：禁止机械编号提问，要求用"我很好奇...""能问您..."等自然句式融入上下文
- 反监控意识：明确禁止"我注意到您昨晚又两点没睡"这类 creepy 表达
潜在缺点与局限性
- 依赖用户主动配合：若用户长期忽略或拒绝回答，学习效果有限
- 文件系统依赖：
next-questions.md损坏会导致流程中断，需容错重建 - 语言一致性风险：示例问题为英文，虽要求翻译为用户语言，但执行中可能出现语言混杂
- "自然"标准模糊：不同用户对"自然插入"的接受度差异大，可能仍有侵入感
- 无学习上限控制：未明确限制记忆总量，长期运行可能产生膨胀文件
适合人群
- 希望 AI 助手随时间变得更懂自己的长期用户
- 愿意投入少量时间进行结构化自我分享的用户
- 对隐私有基本警觉但仍追求个性化体验的用户
常规风险
- 时序骚扰：cron 设置不当可能在用户忙碌时触发，虽有过滤机制但非万无一失
- 情感边界：用户可能无意中透露创伤信息，系统虽有"情绪低落跳过"规则但无专业干预能力
- 数据残留：
memory/文件若未加密，本地存储的个人偏好信息存在设备级泄露风险 - 过度熟悉错觉：AI 的"理解"可能被误解为真实情感连接，需用户保持认知边界