phoenixclaw

PhoenixClaw 是一款被动式智能日记生成系统，旨在通过自动化手段解决传统日记记录的持续性和完整性难题。其核心工作流程遵循严格的9步管道：从用户配置检查、多源上下文检索（包括记忆文件和原始会话日志）、关键时刻识别、模式分析，到插件扩展执行，最终生成结构化的Markdown日记并更新长期成长档案。

该技能的核心用法体现了"零标记"理念——用户无需主动标记或手动输入，系统通过定时任务（Cron）每晚自动扫描对话历史，结合语义理解提取有价值的 moments。同时支持显式触发，如响应"展示今日日记"或"分析本周模式"等指令。特别值得注意的是其多模态处理能力：不仅能解析文本对话，还会从会话日志中提取图片资源，通过视觉分析生成描述性文本，并智能归类（如食物、自拍、文档截图），最终仅精选高光图片嵌入日记，避免资产冗余。

显著优点包括：自动化程度高，真正实现了"设置即遗忘"的被动记录；结构化输出，原生支持Obsidian等PKM工具的格式规范；可扩展架构，通过pre-analysis、post-moment-analysis等钩子点支持插件生态（如Ledger财务插件）；长期追踪能力，通过growth-map.md和profile.md持续构建用户身份画像，识别行为模式与成长机会。

然而，该技能也存在明显局限：来源可信度为T3级（社区维护），虽代码透明但缺乏企业级保障；隐私敏感性强，需要完整访问本地对话历史（包括可能的敏感交流），且以明文形式存储分析结果；资源消耗，长期运行会产生大量图片资产和日志文件，对存储空间有持续需求；配置复杂性，9步工作流必须完整执行，任何步骤跳过都会导致内容缺失（如遗漏图片或财务数据）；准确性依赖，语义识别可能误判对话重要性，或错误归类图片内容。

适合目标群体包括：个人知识管理(PKM)实践者（特别是Obsidian用户）、量化自我(Quantified Self)爱好者、高频使用AI对话但缺乏记录习惯的用户，以及需要行为模式分析进行自我提升的人士。不适合对数据隐私极度敏感、或处于严格合规环境（如企业机密处理）的用户。

使用风险方面，除隐私泄露风险外，还需注意：性能风险——扫描大量历史会话文件可能消耗较多CPU/IO资源；存储风险——图片资产持续累积需定期清理；数据边界风险——跨午夜对话可能因时区处理不当被错误分割；插件风险——第三方插件可能破坏数据完整性。建议用户定期备份journal目录，并审查cron日志确保执行稳定。