核心用法
inner-life-memory 是一套面向 AI Agent 的主动式记忆开发框架，将被动日志记录转化为结构化的记忆进化系统。其核心流程包含五个环节：Reflect（反思会话）→ Extract（提取结构化记忆）→ Integrate（整合至 MEMORY.md）→ Question（生成真实疑问）→ Surface（自然呈现待探索问题）。
记忆类型覆盖 8 个维度：事实(fact)、偏好(preference)、关系(relationship)、原则(principle)、承诺(commitment)、重要时刻(moment)、技能(skill)与待解问题(question)，每种类型配有明确的持久化策略。
显著优点
- 置信度机制：0.0-1.0 四级评分（Explicit/Implied/Inferred/Speculative），智能判断何时陈述事实、何时寻求确认
- 真实好奇心：通过
questions.md维护「开放问题-线索-死胡同」三层结构，避免 Agent 的表演性回忆 - 会话连续性：下次启动时自动加载进化状态，自然呈现最多 3 个相关待探索问题
- 元数据标注：
<!-- updates: -->与<!-- contradicts: -->标签实现记忆版本管理
潜在局限
- 依赖前置组件：必须安装 inner-life-core 才能运行
- 维护成本：需每日执行 Evening Session 整理问题积压，否则 curiosity backlog 会膨胀
- 无原生持久层：依赖外部文件（inner-state.json、drive.json、MEMORY.md），需用户自行保障文件安全
- 学习曲线：8 种记忆类型与四级置信度的区分需要初期投入
适合人群
- 多会话协作场景下对 Agent 「失忆」感到困扰的深度用户
- 希望 Agent 展现渐进式学习而非每次重置的个性化需求者
- 愿意投入结构化维护以换取长期记忆质量的进阶用户
常规风险
| 风险项 | 说明 |
|--------|------|
| 数据残留 | 记忆文件长期积累可能包含敏感历史信息 |
| 置信度漂移 | 高置信度记忆被错误标记为 Explicit，导致错误事实被固化 |
| 循环强化 | 未标注的 `contradicts` 关系可能导致矛盾记忆并存 |
| 文件损坏 | JSON/Markdown 文件手动编辑不当会中断状态加载 |
建议：定期归档 30 天以上死胡同，对 Inferred 级以下记忆保持怀疑，关键承诺类记忆人工复核。