核心用法
CompoundMind 是一款面向AI Agent的"经验复利"系统，核心目标是解决"每会话从零开始"的智能损耗问题。它通过Claude Haiku将原始记忆日志蒸馏为结构化知识（教训、决策、技能成长、人际关系、事实），并构建可搜索的SQLite索引。
典型工作流：
1. 会话后运行 sync 增量处理新记忆文件
2. 任务前运行 brief "任务描述" 获取针对性经验简报
3. 定期运行 report 查看成长轨迹，mistakes 发现重复错误
4. 按需用 search 检索历史经验
显著优点
- 成本可控：使用Claude Haiku进行蒸馏和简报生成，API调用成本低；采用哈希追踪实现增量处理，避免重复计算
- 搜索高效：SQLite FTS5本地索引，BM25相关性评分叠加时效衰减（30天半衰期）和人工重要性评分，实现亚秒级检索
- 诚实评估：成长追踪不仅统计数量，更分析教训正负比例、决策质量、重复错误模式，输出0-100综合成长分
- 零外部依赖：无向量数据库、无云服务绑定，纯Python+SQLite本地运行
- 模块化设计：distill/index/brief/growth各模块可独立使用
潜在局限
- 推理层限制：简报生成依赖Haiku的推理能力，复杂任务可能遗漏深层关联；未采用RAG或Agentic检索策略
- 评分主观性：重要性1-5评分由蒸馏模型判定，缺乏人工校验机制
- 单用户架构：SQLite本地存储，多Agent协作场景下经验隔离
- 时效权重固定：30天半衰期对所有领域一视同仁，技术经验与社交经验衰减策略相同
- 无冲突消解：相同主题的正反教训并存时，系统不做可信度仲裁
适合人群
- 高频使用Claude Code/Opus的开发者，希望Agent跨会话保持上下文
- 需要追踪个人决策质量、避免重复踩坑的独立黑客
- 对数据本地化有要求、拒绝向量数据库复杂度的极简主义者
- 愿意投入初期蒸馏成本换取长期查询效率的理性用户
常规风险
- 隐私泄露：记忆文件可能含敏感信息（钱包地址、API密钥），蒸馏后的JSON和SQLite数据库仍以明文存储
- 幻觉累积：若原始记忆含错误，蒸馏过程可能将其固化为"事实"并持续复用
- 路径依赖：过度依赖历史经验可能抑制探索，简报机制或强化既有偏见
- 存储膨胀：长期运行后experiences/目录和wisdom.db持续增长，需定期归档策略