让 AI Agent 拥有一生的记忆 | Causal Memory and Cognitive Anchoring for AI Agents
🌐 语言 / Language: 🇺🇸 English | 🇨🇳 中文 | 🇯🇵 日本語 | 🇰🇷 한국어 | 🇹🇼 繁體中文 | 🇧🇷 Português (BR) | 🇪🇸 Español | 🇩🇪 Deutsch | 🇫🇷 Français | 🇷🇺 Русский | 🇮🇹 Italiano | 🇵🇱 Polski | 🇺🇦 Українська | 🇻🇳 Tiếng Việt | 🇮🇩 Indonesia | 🇹🇭 ไทย | 🇮🇳 हिन्दी | 🇳🇱 Nederlands | 🇹🇷 Türkçe | 🇸🇪 Svenska | 🇬🇷 Ελληνικά | 🇭🇺 Magyar | 🇨🇿 Čeština | 🇩🇰 Dansk | 🇳🇴 Norsk | 🇫🇮 Suomi | 🇷🇴 Română | 🇸🇦 العربية | 🇮🇱 עברית | 🇧🇩 বাংলা | 🇵🇰 اردو | 🇵🇹 Português (PT)
让 AI Agent 记住 200 万字符，就是这个项目的目标。
比如人类一生的记忆约 100 万字符，200 万字符足够 agent 一生了。记忆不是堆叠，重要的是怎么记。那真正的问题是：如何让记忆像人一样，从点到线、从线到面，形成可追溯、可推理的因果网络？
CausaMem 的答案：8 层认知 + 直觉 + 因果记忆系统
现实证据 → 原子事实 → 精炼摘要 → 画像场景 → Wiki 知识 → 睡梦沉淀 → 因果链 → 直觉注入
当前版本进一步把 CausaMem 升级为 8 层认知 + 直觉 + 因果记忆系统：Agent 不再先猜答案再查记忆，而是在判断前先被事实、规则、历史决策、因果链和执行状态锚定。
R0 现实证据
-> F1 原子事实
-> S2 精炼摘要
-> P3 画像场景
-> K4 Wiki 知识
-> D5 睡梦沉淀
-> C6 因果链
-> I7 直觉注入
设计思路：LLM 本身可以被理解为有智慧的东西，但 Agent 的认知并不会自动完整。就像人一样，有些人能把游戏玩得很好，但在某些现实判断上认知很低；Agent 也类似，模型有能力，缺的是长期认知结构。CausaMem 要补的就是这个认知：把长期经历、项目事实、规则和历史决策沉淀下来，让 Agent 不只是临场推理，而是带着过去的理解去判断。
当认知被补上以后，Agent 还需要像人一样出现“直觉”。人的直觉很多来自潜意识，人并不总是清楚潜意识里到底调用了什么经验。CausaMem 的直觉也是这样：在 Agent 判断前，把过去精萃过的关键事实、风险、倾向和下一步建议嵌入到上下文里。Agent 不需要知道自己“潜意识”里具体翻了哪 200 万字历史，但会被这些精华内容锚定到更正确的方向。
最后，长期记忆不能只是事实堆积，而要形成因果关系链。CausaMem 把大量对话、执行痕迹、项目经验和历史决策压缩成“人生/项目精华”，再追踪为什么发生、导致什么、现在是否仍有效。这样 Agent 才能从记得住，进一步变成判断得对。
R0 -> C1 -> I2 是 CausaMem 的认知主干语义；展开到实际系统，就是上面的 8 层过程：先保留现实证据，再精萃事实、摘要、画像、Wiki、睡梦沉淀，最后形成因果链并在判断前注入直觉锚。当前试点基于约 20 万行历史 session、约 200 万字符级长期交互底层数据，精萃出 factlet-c1 后抽取 30 条真实问答测试，达到 96.7% 通过率，说明这条路线已经可用。
- 认知：把原始对话、执行痕迹和项目事实整理成可判断的结构，让 Agent 不只“搜到相似内容”，而是知道事实、规则、场景、画像和历史决策。
- 直觉：在判断前把最关键的事实、风险、下一步倾向压缩成认知锚注入提示词，让 Agent 更快进入正确判断方向。
- 因果：从 evidence、历史决策、任务结果、冲突变化中提取“为什么发生、导致什么、现在是否仍有效”，形成可追溯的因果链。
| Layer | Name | Role |
|---|---|---|
| R0 | 现实证据层 | 原始 session、capture、日志、事件，作为审计和证据兜底 |
| F1 | 原子事实层 | 从原文抽取可回答、可检索、可引用的 factlet-c1 |
| S2 | 精炼摘要层 | 把多轮会话压成主题、日期、agent 级 C1 摘要 |
| P3 | 画像场景层 | 稳定偏好、人物、项目场景、长期状态 |
| K4 | Wiki 知识层 | 人工/半人工沉淀的稳定知识骨架 |
| D5 | 睡梦沉淀层 | 异步整理、梦境式归纳，把分散经验转成高阶记忆 |
| C6 | 因果链层 | 记录原因、结果、冲突、演化、覆盖关系 |
| I7 | 直觉注入层 | 在判断前注入倾向、下一步建议和认知锚 |
OpenClaw 集成后，CausaMem 会在 before_prompt_build 注入 <causamem-cognitive-anchor>，在 agent_end 捕获对话、提取候选、调用主模型判定，再由 CausaMem 确定性门禁只提交 approved 记忆。
0.18 不是在 0.17 上继续堆更多字段、更多画像、更多检索规则，而是把系统重新收敛回因果记忆的本质：时、人、事、因、果。
相比 0.17，本版本主要做减法，减少那些会破坏因果判断的外部污染：
- 减少对“用户画像数据库”的依赖。
- 减少提前写死用户偏好、目标、风格的倾向。
- 减少检索层的人工同义词规则。
- 减少中文碎片命中带来的误判。
- 减少 benchmark 追分导向的 prompt 和规则补丁。
- 减少把 LLM 猜测直接固化成长期记忆的风险。
- 减少复杂 predicate/key 规范化带来的结构负担。
- 减少“为了回答而造结构”的设计。
0.18 保留和强化的核心只有一件事：把长期记忆整理成可追溯的因果事件链。
每条记忆优先回答五个问题：
时：什么时候？
人：谁？
事：做了什么？
因：为什么做？
果：结果是什么？
所有推理都围绕这条因果链展开：
- 前因追溯：为什么发生？
- 后果预测：然后会怎样？
- 因果链条：事件之间如何连接？
- 双向可逆：从哪里来，往哪里去？
- 关系分类：是因果，还是只是相关？
- 强因弱因：是必然触发，还是概率影响？
- 干预思维：如果改变其中一环，会怎样？
- 时间衰减：这条因果现在还有效吗？
- 多因归因：多个原因里谁是主因？
- 链条断裂：哪一环缺失或异常？
- 意外发现：哪里不符合预期？
- 意图推断：这个人想要什么？
- 上下文重建：当时完整情况是什么？
因此，0.18 的目标不是让系统记住更多标签，而是让系统记住更干净、更真实、更可解释的因果链。
这次做减法的关键原因是：过度判断、过早画像化、上下文不足的精炼，都会让记忆失去原本的因果现场。同样一句话，在不同上下文里可能表达完全不同的意思；如果只留下抽象标签或碎片规则，系统就分不清“同语言的不同意思”，认知链也会从这里断掉。
所以 0.18 不急着替事件下结论，而是先保留能支撑判断的事件链：
这句话/这个动作发生在什么时候？
是谁说的、谁做的？
当时具体发生了什么？
为什么会这样？
后来造成了什么结果？
它和前后的事件有什么关系？
这就是 0.18 的核心变化：少一点画像，少一点规则，少一点脱离上下文的猜测，多一点真实事件链。
当前链路也因此变得更简单：
真实历史
-> 第一遍提炼/兜底生成时人事因果
-> dream 二次整理事件链
-> 检索拉取证据链
-> LLM 基于链条判断
检索层不再承担理解同义词和语义补丁的职责。向量检索和文本搜索只负责把相关材料拉出来。真正的整理交给 dream，最终判断交给 LLM。
0.18 是一次主动收缩：减掉会污染因果判断的外部结构，把系统拉回可追溯、可解释、可长期演化的因果记忆。
这是 CausaMem 的核心创新，也是与其他记忆系统的根本区别。
| 维度 | 核心问题 | 说明 |
|---|---|---|
| 1. 前因追溯 | "为什么？" | 从结果倒推原因，找到事件发生的根本原因 |
| 2. 后果预测 | "然后呢？" | 从原因推演可能的后续发展 |
| 3. 因果链条 | "整个链条？" | 串联多个事件形成完整因果链 |
| 4. 双向可逆 | "从哪来？往哪去？" | 正向推理 + 逆向回溯，全面理解 |
| 5. 关系分类 | "是因果还是相关？" | 区分因果关系（必然）和相关关系（概率） |
| 6. 强因弱因 | "必然还是概率？" | 区分强因果（必然发生）和弱因果（触发条件） |
| 7. 干预思维 | "如果...会怎样？" | 反事实推理，支持决策模拟 |
| 8. 时间衰减 | "现在还有效吗？" | 原因的有效期，过时因果自动标记 |
| 9. 多因归因 | "谁是主因？" | 多个原因共存时，判断谁是主导因素 |
| 10. 因果链断裂 | "哪个环节断了？" | 识别因果链中的缺失或异常环节 |
| 11. 意外发现 | "这没想到？" | 识别不符合预期因果链的异常事件 |
| 12. 意图推断 | "他想要什么？" | 从行为反推背后的意图和目标 |
| 13. 上下文重建 | "当时是什么情况？" | 恢复事件发生时的完整上下文 |
应用场景：
- 前因追溯 → 故障根因分析
- 后果预测 → 风险评估
- 干预思维 → 决策支持
- 意图推断 → 理解用户需求
- 上下文重建 → 回顾历史决策
| 能力 | 说明 |
|---|---|
| 认知锚定 | 判断前召回事实、规则、历史决策、因果链和执行状态 |
| 8 层认知锚定 | R0 证据、F1 事实、S2 摘要、P3 画像场景、K4 Wiki、D5 睡梦、C6 因果链、I7 直觉注入 |
| OpenClaw hook | before_prompt_build 自动注入认知锚，agent_end 自动捕获和写入 |
| Beads 接入 | Beads 作为 R0 执行追踪现实源，不替代 CausaMem 主记忆 |
| 模型门禁 | OpenClaw 主模型只输出 JSON 判定，不直接写库 |
| 确定性验收 | evidence 必须来自原文、Profile 置信度 ≥0.75、临时状态不写 Profile、冲突不覆盖 |
| 召回回归 | 50 条真实项目记忆评测：hit_rate=1.000、MRR=0.974 |
在长期运行的 ai666 OpenClaw 容器中，refined-c1 主判断层表现如下：
refined-c1 n=872
hit@1: 0.9495
hit@3: 0.9817
hit@6: 0.9943
MRR: 0.9676
真实来源分项：
| Source | n | hit@1 | hit@3 | hit@6 | MRR |
|---|---|---|---|---|---|
refined-c1 |
872 | 0.9495 | 0.9817 | 0.9943 | 0.9676 |
memos-local |
217 | 0.7281 | 0.9585 | 0.9770 | 0.8445 |
dream-c1 |
19 | 0.5789 | 0.7368 | 0.8947 | 0.6807 |
wiki-c1 |
205 | 0.3512 | 0.5512 | 0.6829 | 0.4707 |
session-file |
518 | 0.0058 | 0.0328 | 0.0695 | 0.0255 |
结论：C1 精炼层已经稳定可用；R0 原始日志更适合作为审计证据，不适合作为主判断召回指标。
在同一长期运行的 ai666 OpenClaw 容器中，从正式 factlet-c1 精萃记忆层抽取 30 条真实事实做问答测试。测试流程为：CausaMem 召回对应记忆页，再把完整 Fact/Evidence 上下文交给模型回答。
底层数据口径：来自约 20 万行历史 session / 约 200 万字符级长期交互数据，经 LLM 精萃和确定性 evidence gate 后进入 factlet-c1。
Source: factlet-c1
Cases: 30
Retrieval hit: 30/30
Answer pass: 29/30
Pass rate: 96.7%
这组测试验证的是“精萃后的可回答性”，不是仅检索命中率。唯一未通过样本已经召回到正确 factlet，但回答时把多条相关记忆做了综合，没有精确复述其中一个时间点事实；这属于回答偏泛化，不是记忆找回失败。
借鉴来源： FalconOrtiz/SPlus-Memory（激活传播+时序衰减）+ MemGPT/Awella（自动压缩）
| 借鉴项 | 代码量 | 效果 |
|---|---|---|
| 反向激活传播 | ~18行 | 搜一条记忆，自动带出因果链上相关的记忆，召回率+114% |
| 时序衰减 | ~8行 | 记忆按时间指数衰减，30天半衰期，旧记忆自动降权 |
| 主动记忆压缩 | ~28行 | 同主题≥3条时触发LLM压缩，防止记忆膨胀 |
| 标签自动提取 | ~20行 | 摄入时自动打标签，支持按标签过滤检索 |
📈 综合评分提升：约 +68%
| 维度 | v0.15 | v0.16 |
|---|---|---|
| 召回率 | ~35% | ~75% |
| 因果覆盖率 | ~20% | ~70% |
| 记忆保鲜度 | ~40% | ~70% |
| 综合评分 | 44分 | 74分 |
自动从事件中推断 cause（前因） 和 effect（后果），并按 13 个维度进行分析。
输入："讨论了记忆系统，决定采用 8 层认知 + 直觉 + 因果记忆系统"
输出：
cause: "之前的方案太简单"
effect: "为后续开发奠定基础"
dimension: {
前因追溯: "方案需要可追溯性",
后果预测: "开发效率提升",
因果链条: "讨论→决策→实现→验证",
双向可逆: "可向前追溯、向後预测",
...
}
每次写入记忆时，自动调用大模型将自由文本压缩为结构化字段：
| 字段 | 说明 |
|---|---|
| decided | 决定了什么 |
| learned | 学到了什么 |
| completed | 完成了什么 |
| next_steps | 下一步要做什么 |
| concepts | 概念标签（2-4个） |
| cause | 前因 |
| effect | 后果 |
多种检索方式，互补兜底：
| 引擎 | 适用场景 |
|---|---|
| keyword / FTS | 精确词和标题匹配 |
| vector | 语义相近但表述不同 |
| lexical fallback | OpenClaw、GitHub、cron 等技术词精确补召回 |
| causal edges | 搜索前因、后果、因果链 |
| recency | 近期事实辅助排序 |
融合流程：
keyword + FTS + vector + lexical + causal + recency
-> RRF ranking
-> MMR deduplication
-> causal activation
-> cognitive anchor
capture -> extract/import candidates -> gate-candidates -> model JSON -> apply-gates -> commit --approved-only
模型负责语义判断，CausaMem 负责验收和写库。长期 Profile 必须满足：证据来自原文、置信度足够、不是临时状态、不会覆盖高置信旧事实。
scripts/gbrain/refine_sessions.py 可以把长期运行产生的 session JSONL 离线压缩成 C1 认知结构页。
它不是把每条消息逐条发给 LLM，而是本地规则式处理：
session JSONL -> 抽取有效文本 -> agent 隔离 -> topic/date 分桶 -> refined-c1 -> CausaMem
示例：
python3 scripts/gbrain/refine_sessions.py \
--agents-dir ~/.openclaw/agents \
--gbrain scripts/gbrain/gbrain.py \
--agent main \
--max-files 10000 \
--max-lines 10000常用参数：
| 参数 | 说明 |
|---|---|
--agents-dir |
包含 <agent>/sessions/*.jsonl 的目录 |
--agent |
只精炼一个 agent；不传则扫描全部 agent |
--max-files |
每个 agent 最多读取多少 session 文件 |
--max-lines |
每个 session 文件最多读取多少行 |
--dry-run |
只统计，不写入 CausaMem |
生成的页面 slug 类似 refined-session-main-memory-system-2026-05-31-xxxx，页面正文带 agent_id、topic、date 和判断约束，适合把 R0 原始对话沉淀成 C1 主判断层。
人类可读、可编辑的结构化知识库。它是 CausaMem 8 层中的 K4 Wiki 知识层，内部仍按事件、时间线、关系链、抽象层组织：
wiki/
├── events/ # 事件层：谁+做了什么+结果+情绪
├── timeline/ # 时间线层：按年/月串联
├── relations/ # 关系链层：事件间的因果/相关
└── _dream/ # 抽象层：定期做梦输出
定时任务，自动分析近期记忆，生成因果串线和抽象判断：
小整理（每天 02:30）：过滤重要事件，追加到当天日记
大做梦（每周四 03:00）：生成 13 维因果分析和阶段判断
## 因果串线（维度 1-3）
- 讨论记忆系统(04-19 02:00) → 决定 8 层认知 + 直觉 + 因果记忆系统 → gbrain升级(04-19 04:00)
## 关系分类（维度 5）
- 8 层认知流程和 AI 压缩是因果关系，不是巧合
## 干预思维（维度 7）
- 如果当初选了扁平结构，开发时间会增加多少？
## 对未来的暗示
- 下一个里程碑：让其他agent也能使用这套系统按类型组织记忆，方便筛选：
DECISION | INSIGHT | BUG | FEATURE | CHANGE | DAILY
记忆存储在文件系统，多个 Agent 可以同时访问、互不影响。
AI 的状态也可以被记录和追踪，作为因果链中的一个节点。
功能定义表：
| 状态 | 功能定义 | 触发条件 |
|---|---|---|
| 开心 | 输出快、响应流畅 | 响应时间 < 2s |
| 低落 | 输出慢、卡顿 | 响应时间 > 10s |
| 饿 | 算力不足/上下文满 | 上下文使用 > 80% |
| 饱 | 算力充足/任务清空 | 上下文使用 < 30% |
| 累 | 长时间运行需整理 | 连续运行 > 1h 或上下文 > 70% |
| 精神 | 刚整理完/响应快 | 上下文 < 50% + 响应快 |
| 焦虑 | 多任务堆积/优先级乱 | 待处理任务 > 5 |
| 专注 | 单一任务/不被打断 | 正在执行单任务 |
| 满足 | 任务完成/有交付 | 完成标记 |
| 空虚 | 没事做/无输入 | 无待处理任务 |
状态记录格式：
## AI状态事件
- **时间**：YYYY-MM-DD HH:mm
- **状态**：开心
- **触发**：响应时间 1.2s，算力充足
- **因果**：
- 因：刚完成记忆系统改造
- 果：状态良好，可快速响应因果链结合：
开心（因）→ 快速响应 → 任务完成 → 满足
低落（因）→ 响应慢 → 等待 → 焦虑
饿（因）→ 上下文满 → 整理 → 精神
┌──────────────────────────────────────────────┐
│ AI Agent (你) │
├──────────────────────────────────────────────┤
│ │
│ ┌────────────────────────────────────────┐ │
│ │ SOUL.md — 性格、态度、行事风格 │ │
│ │ USER.md — 用户是谁、偏好、背景 │ │
│ │ MEMORY.md — 长期 curated 记忆索引 │ │
│ └────────────────────────────────────────┘ │
│ ↓ │
│ ┌────────────────────────────────────────┐ │
│ │ memory/YYYY-MM-DD.md — 每日日记 raw │ │
│ │ gbrain.db — 向量+因果双引擎 │ │
│ │ wiki/ — K4 Wiki 子结构可读 │ │
│ └────────────────────────────────────────┘ │
│ ↓ │
│ ┌────────────────────────────────────────┐ │
│ │ 做梦 (Cron) — 定期因果串线+抽象总结 │ │
│ └────────────────────────────────────────┘ │
│ │
└──────────────────────────────────────────────┘
git clone https://github.com/MaiHHConnect/MHH-Causality-Memory.git
cd MHH-Causality-Memorypip install requestsexport MINIMAX_API_KEY="your-minimax-key"
export SILICONFLOW_API_KEY="your-siliconflow-key"/usr/bin/python3 scripts/gbrain/gbrain.py init默认数据库路径统一为 ~/gbrain-data/brain.db。如需临时库，显式设置 GBRAIN_DB=/tmp/brain.db。
crontab -e
# 小整理：每天 02:30
30 2 * * * cd /path/to/MHH-Causality-Memory && python scripts/dream.py small
# 大做梦：每周四 03:00
0 3 * * 4 cd /path/to/MHH-Causality-Memory && python scripts/dream.py big# 写入记忆（自动结构化压缩 + 13维因果推断）
printf '%s' "讨论了系统设计，决定采用X架构" | /usr/bin/python3 scripts/gbrain/gbrain.py put-structured my-event
# AI 压缩观测（查看完整结构化输出）
/usr/bin/python3 scripts/gbrain/gbrain.py compress "你的观测内容"
# 因果链搜索
/usr/bin/python3 scripts/gbrain/gbrain.py causal "系统设计"
# 向量语义搜索
/usr/bin/python3 scripts/gbrain/gbrain.py query "架构方案"
# 因果检索
/usr/bin/python3 scripts/gbrain/gbrain.py causal "架构"Use anchor before agent reasoning when the answer depends on project memory, decisions, user preferences, or causal context:
/usr/bin/python3 scripts/gbrain/gbrain.py anchor "How should this decision be made?"It prints a compact context block:
<causamem-cognitive-anchor>
事实 / Rules / Decisions / Causal chains / Execution state / Constraints
</causamem-cognitive-anchor>
For execution tracking, Beads can be used as an R0 reality source without replacing CausaMem:
/usr/bin/python3 scripts/gbrain/gbrain.py beads-capture /path/to/projectbeads-capture reads Beads state and writes it into raw_events; it does not commit directly into long-term memory.
CausaMem uses Beads as an optional execution-tracking memory source. Beads is not a replacement for CausaMem; it provides task state, dependency, and audit-trail facts that CausaMem can anchor before reasoning. Thanks to the Beads project for the AI-native graph issue tracker design.
Automatically attach recent pages to scenes and update stable profile facts with:
/usr/bin/python3 scripts/gbrain/gbrain.py auto-classify 80auto-classify is intentionally conservative: it attaches pages to broad scenes and updates a few high-confidence project/agent/user profile facts. It does not delete or rewrite existing memories.
For higher-quality Scene/Profile writes, OpenClaw can run a model gate after candidate extraction:
/usr/bin/python3 scripts/gbrain/gbrain.py gate-candidates 20 --json
/usr/bin/python3 scripts/gbrain/gbrain.py apply-gates < gates.json
/usr/bin/python3 scripts/gbrain/gbrain.py commitcommit defaults to approved-only. To intentionally commit ungated candidates in local experiments, use commit --allow-ungated.
The model only proposes JSON decisions. CausaMem still enforces deterministic gates: source evidence must appear in the original R0 raw event when available, Profile confidence must be at least 0.75, temporary status is rejected for Profile writes, and conflicts with active high-confidence profiles are held as conflict instead of overwriting.
Run recall regression checks with:
/usr/bin/python3 scripts/gbrain/gbrain.py eval eval/gbrain_eval.jsonlThe bundled eval set covers 50 project-memory questions across CausaMem, OpenClaw, Beads, cron, DingTalk, GitHub, and agent heartbeat records. It is intended as a regression guard for recall ranking, not as a synthetic benchmark.
MHH-Causality-Memory/
├── README.md # 本文档
├── docs/
│ ├── 01_记忆系统架构说明.md
│ └── 安装指南.md
├── scripts/
│ ├── setup.sh # 一键安装脚本
│ ├── dream.py # 做梦定时任务
│ └── gbrain/
│ ├── gbrain.py # 核心脚本（13维因果推理）
│ ├── search.py # 向量搜索入口
│ ├── ingest.py # 批量导入
│ ├── stats.py # 状态统计
│ ├── init.py # 初始化
│ └── brain.db.placeholder
└── wiki/ # Wiki 空白结构
├── _dream/
├── events/
├── timeline/
└── relations/
- 存储: SQLite
- 向量搜索: Local embedding / SiliconFlow fallback
- AI 压缩: MiniMax API / OpenAI Compatible
- 格式: Obsidian Wiki (Markdown)
- 执行追踪: Optional Beads integration as R0 reality source
不要提交 API Key、GitHub Token、本地数据库、Beads runtime 数据或任何 credential。
export SILICONFLOW_API_KEY="..."
export MINIMAX_API_KEY="..."本地运行数据默认由 .gitignore 排除：*.db、.beads/backup/、.beads/embeddeddolt/、.beads/proxieddb/、*.before-sync-*。
CC BY-NC 4.0 (Creative Commons Attribution-NonCommercial 4.0)
Commercial use requires explicit permission from the authors.
📧 Contact: 3871169@qq.com
For details, see LICENSE file.
CausaMem v0.18 是主记忆和主判断系统。self-improving、proactivity、Beads 是配套能力，不替代 CausaMem。
CausaMem 0.18（因果记忆 / 认知锚定）
↓
self-improving（执行质量 / 复盘固化）
↓
proactivity（前瞻行为 / 主动跟进）
↓
Beads（执行状态 / 审计轨迹，作为 R0 现实源回流 CausaMem）
一句话边界：
CausaMem = 大脑
self-improving = 学习肌肉
proactivity = 行动神经
Beads = 执行状态感知器
CausaMem v0.18 可配套两个增强 Skill，通过 OpenClaw 的 clawhub 安装：
self-improving — 执行质量固化
每次任务结束后自动反思：这次哪里做得好？哪里可以改进？下次怎么做更好？
核心文件： memory.md（HOT层偏好）/ corrections.md（纠错日志）/ domains/（领域教训）/ projects/（项目教训）
# 安装
clawhub install self-improving与 CausaMem 联动： 当因果记忆触发某个领域时，自动读对应 domain 文件，将执行教训串联进因果链。
proactivity — 前瞻行为驱动
不只被动响应，主动发现遗漏步骤、保持任务动量、从中断中恢复。
核心文件： memory.md（行为边界）/ session-state.md（当前任务状态）/ patterns.md（成功主动模式）
# 安装
clawhub install proactivity与 CausaMem 联动： 前瞻驱动时，主动关联因果记忆中的相关案例和教训，作为行动决策的参考依据。
CausaMem（因果记忆 / 认知锚定）←→ self-improving（执行质量）←→ proactivity（前瞻行为）
↓ ↓ ↓
主判断与知识触发 教训固化 行动驱动
R0/C1/I2 锚定 被动写入 主动跟进
联动机制：
- CausaMem 负责“这件事和之前的事实、规则、历史决策、因果链有什么关系”。
- self-improving 负责“这件事教会了我什么，下次怎么做得更稳”。
- proactivity 负责“接下来应该主动做什么，如何不中断任务动量”。
- Beads 负责“当前任务状态、依赖、审计轨迹是什么”，并作为 R0 现实证据回流 CausaMem。
四者保持边界独立，通过 OpenClaw 的 AGENTS.md 路由层自然串联。CausaMem 仍是主记忆系统；其他系统是质量、行动和执行状态的增强层。
Built for AI Agents that remember.