（12513期）emotion-state – AI 对话情感记忆引擎

AI 对话情感记忆引擎 基于 OpenClaw 框架的情感状态追踪 Hook，通过 OpenAI API 实现对话情感分析，为 AI 代理提供跨会话的情绪上下文感知能力。 使用说明 核心用法 Emotion State 是一个 OpenClaw 工作区 Hook，用于为 AI 对话系统注入情感感知能力。安装后，它会自动分析用户与代理的对话内容，提取自然语言形式的情感标签（如 "frustrated about slow response"、"excited about new feature"），并将这些状态以结构化格式注入系统提示词。该 Hook 采用半衰期衰减算法计算情感趋势，支持跨会话持久化存储，最多保留 100 条历史记录，默认展示最近 3 条用户情感和 2 条代理情感条目。 配置过程需将 Hook 文件复制到工作区 hooks// 目录，通过 openclaw hooks enable 启用，并在 ~/.openclaw/openclaw.json 中配置环境变量。核心配置包括：OpenAI API 密钥、情感分类模型（默认 gpt-4o-mini）、置信度阈值（0.35）、历史窗口大小及半衰期时间（12 小时）。支持自定义分类器 URL 以实现完全离线部署。 显著优点 架构设计优秀：纯 Node.js 内置模块实现，零第三方依赖，彻底规避 npm 供应链攻击风险。采用文件锁 + 原子写入机制保障并发安全，SHA-256 哈希去重避免冗余存储。 隐私保护到位：原始对话文本不落盘，仅存储模型推断的情感标签及原因摘要；数据严格隔离于 ~/.openclaw/agents/<agentId>/ 目录下，按 userKey 分片存储，支持多租户场景。 容错机制完善：分类服务故障时自动降级为 "neutral/low/unsure" 默认值，5 秒超时设置防止阻塞主流程，JSON 解析异常均有 try-catch 保护。 配置灵活性高：除 OpenAI 外，可对接任意兼容 OpenAI 接口格式的本地或私有分类器服务，满足合规敏感场景的完全离线需求。 潜在缺点与局限性 外部依赖刚性：必须配置有效 API Key 或自建分类器才能工作，开箱即用性受限；默认依赖 OpenAI 服务，存在网络延迟（典型 500-2000ms）和成本开销。 情感推断黑盒：基于 LLM 的情感分类缺乏可解释性，同一对话可能因模型版本、温度参数产生不一致结果；0.35 的默认置信度阈值可能过滤掉细微情感变化。 存储容量瓶颈：单代理默认最多 50 用户 × 100 条记录，高并发场景下需手动调优；本地 JSON 文件存储在超大规模部署时可能成为 I/O 瓶颈。 时区与同步问题：情感时间戳依赖配置的 EMOTION_TIMEZONE，分布式部署时若节点时区不一致会导致趋势计算偏差；无内置集群状态同步机制。 适合的目标群体 对话式 AI 产品经理：需要为客服机器人、虚拟伴侣等产品增加情感记忆能力 多轮对话系统开发者：构建需要长期用户关系维护的代理应用（如心理健康助手、教育辅导 AI） OpenClaw 框架用户：已采用该框架的开发者可零成本集成情感层 隐私合规要求中等的企业：接受本地存储 + 可选外部 API 调用模式，但需评估 OpenAI 数据处理协议 使用风险 性能风险：每次对话触发同步 HTTP 请求，高 QPS 场景需部署本地分类器或增加缓存层；情感趋势计算涉及历史数据遍历，历史记录膨胀时延迟线性增长。 成本风险：按 token 计费的分类调用在大流量场景下成本显著，建议设置 EMOTIONCONFIDENCEMIN 过滤低价值请求，或采用批量异步处理架构。 模型漂移风险：OpenAI 模型更新可能导致情感标签格式变化，破坏下游解析逻辑；建议锁定模型版本或实施输出模式校验。 数据残留风险：卸载 Hook 后历史情感文件不会自动清理，需手动删除 ~/.openclaw/agents// 下相关目录以符合 GDPR 等删除权要求。 原始说明 NL emotion tracking prompt injection via OpenClaw hook