self-reflection

核心用法

self-reflection 是一个面向 AI 代理和开发者的持续自我改进工具，通过结构化反思机制实现经验积累。其核心工作流程围绕"心跳触发"设计：每 60 分钟自动检查是否需要反思，若达到阈值则触发 ALERT 状态，引导用户回顾历史教训并记录新洞察。

主要命令包括：：check 检查反思状态、、log 记录新教训（需指定标签、错误描述、修复方案）、read 读取近期反思记录、、stats 查看统计信息、、reset 重置计时器。所有数据存储于用户本地目录，包括状态文件（JSON）和记忆文件（Markdown）。

显著优点

1. 低侵入性设计：纯文档型 skill，无可执行代码，仅依赖标准系统工具（jq、date），部署风险极低。
2. 结构化知识管理：强制要求标签化分类（tag）、错误描述（miss）、修复方案（fix）三段式记录，避免模糊的经验总结。
3. 自动化触发机制：通过 OpenClaw 心跳系统集成，无需手动维护反思节奏，适合长期习惯养成。
4. 开源透明：MIT 许可证，GitHub 公开仓库，作者身份可验证（hopyky）。

潜在缺点与局限性

1. 功能完整性依赖外部实现：当前审查版本仅含文档和配置示例，实际可执行脚本（bin/ 目录）未包含，需用户自行实现或从其他渠道获取。
2. 本地化存储的局限：数据仅保存在本地文件，无云同步或备份机制，多设备使用需手动迁移。
3. 反思质量依赖用户自律：工具仅提供框架，无法自动分析错误模式或生成洞察，价值高度依赖用户的记录质量。
4. 心跳机制的资源占用：60 分钟间隔的定时检查对长期运行的代理有轻微性能开销。

适合的目标群体

• AI 代理开发者：需要为自主代理构建持续学习能力的工程师
• 个人知识管理用户：追求结构化经验积累的开发者、研究员
• OpenClaw 生态用户：已使用该框架管理代理工作流的团队
• 习惯养成需求者：希望通过量化反馈（stats）维持反思节奏的个人

使用风险

• 功能完整性风险：若未配套可执行脚本，skill 仅为空壳文档
• 数据持久化风险：本地文件损坏或误删将导致历史记录丢失
• 隐私泄露风险：self-review.md 可能包含敏感错误信息，需避免纳入版本控制
• 依赖项可用性：jq 和 date 虽为标准工具，但部分精简环境（如容器）可能需额外安装