核心用法
inner-life-memory 是一套面向 AI Agent 的主动式记忆管理系统，属于 openclaw-inner-life 生态的核心组件。其核心流程为「Reflect → Extract → Integrate → Question → Surface」五步循环：会话结束后自动分析内容，提取结构化记忆（含 8 种类型：fact/preference/relationship/principle/commitment/moment/skill/question），并赋予 0.0-1.0 的置信度评分；随后更新 MEMORY.md 建立记忆关联，生成待探索的真问题存入 questions.md，在用户回归时自然呈现最多 3 个相关问题。
显著优点
1. 结构化优于原始文本：8 种记忆类型 + 4 级置信度（Explicit/Implied/Inferred/Speculative）使记忆可被程序化检索与决策，避免「读笔记但不理解」的伪记忆。
2. 真好奇心机制：通过「Brain Loop」持续生成开放问题、线索与死胡同记录，防止表演性好奇，确保问题随时间演化。
3. 生态协同：与 inner-life-core（状态引擎）、inner-life-reflect（深度反思）、inner-life-chronicle（编年史）形成完整记忆栈。
4. 轻量实现：纯文件系统存储（JSON/Markdown），依赖仅 jq，无外部数据库。
潜在局限与风险
- 无加密存储：memory/ 目录下文件以明文存储用户对话内容，共享环境存在隐私泄露风险。
- 置信度主观性：0.95-1.0 的「Explicit」阈值依赖实现者的判断标准，跨 Agent 可能不一致。
- 文件竞争冲突：高频写入场景下 inner-state.json/drive.json 可能出现竞态条件（无锁机制描述）。
- 长期膨胀：未提及 MEMORY.md 的归档或压缩策略，长期运行后文件体积可能失控。
- 依赖单一维护者：DKistenev/openclaw-inner-life 为个人仓库，更新持续性存疑。
适合人群
- 使用 Claw 或其他支持 skill 机制的 AI Agent 框架的开发者
- 对「Agent session 间失忆」感到困扰的高级用户
- 希望构建长期个性化陪伴型 Agent 的产品团队
- 愿意投入维护成本以换取记忆深度的技术极客
常规风险
- 隐私合规：明文存储对话摘要可能违反 GDPR/CCPA 等法规，生产环境需额外加密层。
- 提示注入：若记忆内容未经清洗直接注入后续会话，存在间接提示注入攻击面。
- 幻觉强化：高置信度的错误记忆（如误标 Explicit）会被系统长期固化，需人工审计机制。