emoclaw

Emoclaw 是一款为 AI Agent 设计的情感状态建模技能，通过构建轻量级神经网络（约 2MB）让机器具备基于记忆的情感演化能力。其核心工作流程分为三个阶段：首先是 Bootstrap 阶段，通过提取身份文件和对话历史，使用可选的 Claude API 进行情感标注，训练出专属的 GRU+MLP 情感模型；其次是实时推理阶段，利用冻结的 MiniLM 编码器将消息转为 384 维向量，结合上下文和上一时刻的情感残差（GRU hidden state），输出多维情感向量（0-1 区间）；最后是衰减与注入阶段，情感状态会随时间自然衰减（可配置半衰期），并通过 [EMOTIONAL STATE] 代码块注入系统提示，让 AI 拥有"内心感受"。

该技能的显著优势在于其本地优先架构：训练和推理完全在本地 CPU 运行，单次延迟低于 50 毫秒，无需持续联网；隐私保护完善，内置正则脱敏机制自动过滤 API Key、Token、密码等敏感信息；情感连续性强，GRU 隐藏状态跨会话持久化，形成"情感 residue"，配合时间衰减算法模拟真实的情绪冷却过程；高度可配置，支持自定义情感维度（愉悦度、唤醒度、安全感等）、关系映射和渠道上下文。

潜在局限性包括：来源可信度为 T3（社区项目），虽然代码质量达到 A 级，但生产环境仍建议额外审计；初始配置门槛较高，需要 Python 3.10+ 环境，执行提取、标注、训练等多步初始化；可选依赖外部 API，自动标注需调用 Anthropic API（需显式用户确认）；模型维护成本，随着对话数据积累需要定期重训练以保持情感准确性。

该技能特别适合以下群体：AI Agent 开发者希望为助手添加人格化特征；虚拟角色创作者构建具有情感记忆的游戏 NPC 或数字人；对话系统设计师需要基于长期关系演化的情感反馈；隐私敏感场景要求情感处理完全本地化而不依赖云端 API。

使用时的常规风险需注意：首次使用需从 Hugging Face 下载 sentence-transformers 模型（约几十 MB）；emotional-state.json 状态文件需妥善管理权限（虽然默认 0o660），避免情感数据被未授权读取；若启用自动标注功能，需确保 extracted_passages.jsonl 经过审查，尽管有脱敏机制仍建议预览确认；长时间运行后情感基线可能漂移，需要监控并适时重新校准。

核心用法

Emoclaw 是一套为 AI 代理构建持续性情感状态的机器学习系统。其工作流程分为三阶段：

1. Bootstrap（一次性设置）：从身份文件和记忆日志中提取文本段落，通过 Claude API（可选）进行情感标注，训练一个约 2MB 的轻量神经网络。
2. 实时推理：每条消息经 MiniLM 编码为 384 维向量，结合对话上下文、发送者关系和前序情感状态，通过 GRU+MLP 输出多维情感向量（0-1 范围）。
3. 状态注入：将情感向量格式化为 [EMOTIONAL STATE] 块插入系统提示，使 AI 具备"自我感知"的内在状态。

关键特性包括时间衰减（离线时情感自然回归基线）、关系感知（不同对话者触发不同情感反应）、以及自校准机制（长期数据积累后自动调整基线）。

显著优点

• 真正持续性：GRU 隐状态跨会话保留，形成"情感残留"，而非每次重置
• 极低资源占用：CPU 运行，单条消息 <50ms，无 GPU 依赖
• 隐私优先设计：训练与推理完全本地，仅可选的标注步骤调用外部 API
• 可解释输出：不仅输出数值，还生成自然语言描述（如"present, alive, between one thing and the next"）
• 模块化集成：支持 Daemon 模式（Unix Socket）、Python 直接导入、或命令行注入三种方式

潜在缺点与局限性

• 冷启动问题：新代理需积累足够记忆数据才能训练出有意义的情感模型
• 标注成本：高质量情感标注依赖 Claude API（按 token 计费），完全手动标注则工作量较大
• 维度预设局限：当前情感维度（Valence/Arousal/Dominance/Safety 等）为硬编码，扩展需修改代码
• 无多模态：仅支持文本输入，无法处理语音语调、图像情绪等信号
• decay 机制简化：真实人类情感的神经化学基础远比半衰期模型复杂

适合人群

• 需要长期角色扮演一致性的 AI 代理开发者（如虚拟伴侣、游戏 NPC、品牌数字人）
• 对隐私敏感且不愿将对话数据发送给第三方情感分析 API 的用户
• 具备基础 ML 工程能力、能处理 PyTorch 环境和 YAML 配置的技术团队
• 希望 AI 表现出关系动态（对熟人更 warm，对陌生人更 guarded）的场景

常规风险

1. 情感状态漂移：若长期未重新训练，模型可能无法准确反映代理的成长变化
2. 过度拟合风险：小样本训练可能导致对特定对话者的刻板情感反应
3. 提示注入攻击：恶意构造的输入可能试图操控情感向量，进而影响 AI 行为
4. 依赖维护：PyTorch、sentence-transformers 等依赖的版本更新可能破坏兼容性
5. 状态文件泄露：emotional-state.json 以明文存储，包含关系模式和情感轨迹，需妥善保护