Fluid Memory

核心用法

Fluid Memory 是一套模拟人类认知规律的记忆系统，通过「植入-唤起-遗忘」三位一体机制，让AI助手实现类人的长期记忆能力。核心交互模式包括：

• 自动学习：通过 Hook 监听对话流，无需显式指令即可累积记忆
• 主动调用：用户说「记住xxx」「还记得吗」时触发对应工具
• 增量总结：推荐 fluid_increment_summarize 替代全量总结，显著节省Token

显著优点

1. 认知拟真：检索时自动强化高频记忆，低频知识自然衰减，符合艾宾浩斯遗忘曲线
2. 架构灵活：支持自动/手动双模式，可通过 config.yaml 精细控制
3. 语义感知：基于向量分数过滤（<0.05 遗忘阈值），非简单关键词匹配
4. 成本优化：增量总结机制避免重复处理历史对话

潜在局限

• 冷启动问题：新记忆需多次检索强化才能稳定留存
• 阈值黑箱：0.05/0.15 等遗忘分数对用户不可解释
• Hook依赖：自动学习依赖外部事件系统，降级时需手动兜底
• 无冲突解决：相同主题的新旧记忆未定义合并策略

适合人群

• 需要长期陪伴型AI的C端用户
• 构建个性化知识库的开发者
• 追求「类人」交互体验的产品设计

常规风险

| 风险点 | 说明 |

|--------|------|

| 记忆漂移 | 多次检索强化可能导致偏见放大 |

| 隐私残留 | 「遗忘」实为归档，物理删除需额外确认 |

| 阈值误杀 | 重要但低频的记忆可能被意外过滤 |

核心用法

Fluid Memory 是一个基于流体认知架构的本地化记忆系统，核心在于「会遗忘、需强化、懂语义」。它不像传统数据库那样永久存储，而是模拟人脑的记忆曲线——重要信息被反复提及时会强化留存，冷门信息则逐渐淡出。

三种交互模式：

• 自动学习：通过 fluid-memory-sync Hook 监听对话，无需手动触发
• 主动植入：用户说「记住xxx」时调用 fluid_remember
• 智能唤起：用户询问过往对话时调用 fluid_recall，每次检索都会强化该记忆

遗忘机制同样三层：动态过滤低分记忆、主动调用 fluid_forget 归档、定时「梦境守护」清理陈旧信息。

显著优点

1. Token 效率优化：增量总结（fluid_increment_summarize）每次只处理新增对话，大幅降低长对话的上下文成本
2. 语义检索：基于 ChromaDB 向量数据库，支持模糊匹配而非关键词死查
3. 零隐私风险：纯本地运行，无外部 API 调用，数据存储于 ~/.openclaw/workspace
4. 自然交互：无需机械指令，理解「还记得我之前说的吗」这类模糊表达

潜在局限

• T3 级来源：个人开发者维护，长期更新稳定性需观察
• 无加密存储：记忆数据以明文形式存储于本地 SQLite，设备共享场景存在风险
• Windows 路径硬编码：跨平台兼容性待优化
• 依赖版本未锁定：缺少 requirements.txt，未来依赖冲突概率存在

适合人群

• 需要 AI 长期记住个人偏好、项目背景的重度用户
• 对云端记忆有隐私顾虑的企业/个人开发者
• 追求对话自然流畅、厌恶机械「请总结」指令的体验派

常规风险

• 数据丢失：本地存储无云端备份，建议定期备份 database 目录
• 权限管理：需确保工作目录仅当前用户可访问
• 记忆污染：自动学习可能录入无关信息，建议适时手动 fluid_forget