狸花喵 · 让你的AI更懂你

解决状态断层与记忆漂移

在长期运行的 Agent 工作流中，开发者经常面临一个难题：任务进展散落在海量的会话记录里，缺乏结构化的追踪。Agent 很容易“遗忘”之前的待办，且随着上下文更迭，输出偏好或核心约束容易发生语义漂移。面对复杂的长链路任务，单纯依靠主观感觉评估“今天干得怎么样”并不可靠。狸花喵将目标锁定在状态留痕与量化闭环上，让 Agent 从被动响应变成可量化、可追踪的自我迭代体。

本地闭环与日循环协议

技能以零外部依赖的 Node.js 内置模块在本地运行，核心工作流由一套严密的“日循环协议”驱动，全程通过 REST API 在对话中完成：

• 晨间召唤：首次唤醒时调用 GET /api/state，基于本地 data/ 目录输出今日待办、量化进度及记忆校验结果。若为首次使用，会先推送一份演示报告帮助理解结构。
• 数据登记：在任务状态流转时（如 PATCH /api/todos/{id}），完成一项后必须调用 POST /api/logs 写入效能记录。这是量化分析的数据底座。
• 自我净化与纠偏：随时调用 GET /api/state 的净化建议卡，清理挂起超 3 天的逾期待办或工具冗余。收工时自动运行记忆校验，对比基准库以防止认知偏差，并记录纠偏日志。
• 收工总结与异常补偿：通过 POST /api/summary 聚合日志，生成包含 0-100 效能指数（公式：完成率×40% + 时效×35% + 低返工×15% + 工具效率×10%）的结构化日报。若用户未下达结束指令便直接关机，下次启动调用 GET /api/startup 时会自动补全断档的日报与净化。

适用边界与注意事项

该技能是 Agent 的“效能追踪与记忆校准底座”，而非任务执行引擎。它需要 Agent 严格遵循协议主动调用 API 来触发数据写入，无法直接替用户完成实际业务代码的编写。

由于全程数据落盘于本地 data/ 目录，拒绝外部网络请求，它非常适合对数据隐私有严格要求的内网部署环境。评分逻辑完全确定性且公开透明，开发者需根据实际场景调整待办的复杂度预估，以确保时效指标能真实反映工作负荷。