Self-Identity Accumulation

AI智能体在不同会话间缺乏持续记忆。每轮对话都从零开始，由此引发以下问题：

• 熟悉度缺失：智能体无法记住用户的偏好、目标或工作模式
• 重复解释负担：用户每轮会话都必须重新解释上下文与偏好
• 关系流于表面：智能体无法随时间推移深化对用户需求的理解
• 回应千篇一律：缺少积累的上下文时，智能体的行为会默认趋于泛化

尽管情景记忆系统能够存储过往的经历，但它们无法满足智能体构建动态自我身份的需求——也就是智能体相对于用户而言的角色定位。

为自我身份积累实现双钩子架构：

1. 会话启动钩子（SessionStart Hook）：在会话开始时注入积累的身份/档案
2. 会话结束钩子（SessionEnd Hook）：在每次会话后提取新见解并完善档案
3. 身份文档（Identity Document）：一个随时间迭代演变的持久化文件（如WHO_AM_I.md、SOUL.md）

sequenceDiagram
    participant 会话启动钩子 as SessionStart
    participant 身份档案 as WHO_AM_I.md
    participant Agent
    participant 用户
    participant 会话结束钩子 as SessionEnd

    Note over 会话启动钩子: 新会话开始
    会话启动钩子->>身份档案: 读取档案
    身份档案-->>会话启动钩子: 返回积累的身份信息
    会话启动钩子->>Agent: 注入为上下文（context）

    Agent->>用户: "你好！我记得……"

    Note over Agent,用户: 对话进行中
    用户->>Agent: 开展协作
    Agent->>用户: 学习偏好

    Note over 会话结束钩子: 会话终止
    会话结束钩子->>Agent: 从对话中提取新见解
    Agent->>身份档案: 用新见解更新档案
    身份档案-->>会话结束钩子: 已保存，供下次会话使用

核心机制：

# 会话启动钩子：注入积累的身份信息
def session_start_hook():
    profile = read_file("WHO_AM_I.md")
    inject_context(profile)  # 注入上下文

# 会话结束钩子：用新见解完善身份信息
def session_end_hook(conversation):
    new_insights = extract_insights(conversation)
    current_profile = read_file("WHO_AM_I.md")
    updated_profile = merge_insights(current_profile, new_insights)
    write_file("WHO_AM_I.md", updated_profile)

典型档案结构包含：

• 项目目标：不断迭代的优先级列表与核心关注领域
• 偏好设置：编码理念、工具选型、架构偏好
• 沟通风格：语气偏好、格式规范
• 工作流模式：研究习惯、决策模式
• 边界规则：Agent可执行/不可执行的事项

实现步骤：

1. 创建带有初始结构的身份文档
2. 配置SessionStart钩子，用于读取并注入该文档
3. 配置SessionEnd钩子，结合新见解优化文档内容
4. 包含文档更新的时机与方式说明

SessionStart钩子示例（Claude代码）：

#!/usr/bin/env python3
import json
from pathlib import Path

whoami_path = Path.cwd() / "WHO_AM_I.md"

if whoami_path.exists():
    with open(whoami_path) as f:
        profile = f.read()

    print(json.dumps({
        "hookSpecificOutput": {
            "additionalContext": profile
        }
    }))

SessionEnd钩子示例（Claude代码）：

#!/usr/bin/env python3
import subprocess

PROMPT = """
读取WHO_AM_I.md文档并根据本次对话内容更新：
1. 提取关于用户的全新见解
2. 更新每个章节（新增见解，保留原有内容）
3. 将更新后的内容写回文档
4. 更新前置元数据中的“modified”修改日期
"""

subprocess.run([
    "claude", "--continue", "-p", PROMPT,
    "--dangerously-skip-permissions"
])

基于提示的自优化机制：

SessionEnd钩子通过--continue参数恢复对话并传入优化prompt，使Agent能够智能地更新自身身份文档，而非通过机械解析的方式完成。

优点：

• 持续熟悉度：Agent可跨会话“记住”用户
• 深化关系：对用户的理解随时间积累
• 降低交互摩擦：减少重复解释偏好的环节
• 个性化行为：Agent能适配用户的特定风格
• 透明可操作：用户身份信息可见且支持编辑

缺点：

• 过时风险：若未及时更新，用户画像可能失效
• 过拟合问题：Agent可能过度适配单一用户
• 上下文开销：用户画像在每个会话中都会消耗token
• 提取噪声：会话结束阶段可能提取无关的“洞察”内容
• 依赖钩子机制：需要具备生命周期钩子基础设施

运营注意事项：

• 定期审核并精简用户画像
• 添加元数据（创建/修改日期）以追踪画像演变
• 考虑为画像变更引入版本控制
• 设计prompt以规避洞察提取过程中的噪声
• 在特异性（更高个性化程度）与通用性（更强灵活性）之间取得平衡