核心用法
Fluid Memory 是一个模拟人脑「流体认知」架构的记忆系统，区别于传统死板的键值存储，它具备三大核心能力：动态遗忘、语义理解和自动学习。
记忆生命周期
- 植入（Remember）：通过
fluid_remember 写入新记忆，或在开启 auto_learn 时由 Hook 自动捕获对话 - 唤起（Recall）：通过语义查询检索相关记忆，每次检索都会强化该记忆（访问计数+1，分数提升）
- 遗忘（Forget）：支持主动归档（
fluid_forget）和被动清理——检索分数<0.05自动过滤，梦境守护进程定时归档<0.15的低活跃记忆
推荐工具链
| 场景 | 工具 | 说明 |
|------|------|------|
| 用户明确说「记住xx」 | `fluid_remember` | 直接植入 |
| 用户询问过往信息 | `fluid_recall` | 语义检索+自动强化 |
| 用户要求删除记忆 | `fluid_forget` | 归档指定内容 |
| 多轮对话后总结 | `fluid_summarize` / `fluid_increment_summarize` | 后者更省Token，推荐 |
| 查看系统状态 | `fluid_status` | 了解大脑负载 |
Hook 自动同步
fluid-memory-sync Hook 监听 message:sent 事件，实现零打扰的持续学习。可在 config.yaml 中关闭。
---
显著优点
1. 类人记忆机制：遗忘不是缺陷而是特性，系统会自动筛选重要信息，避免信息过载
2. 语义检索：基于向量数据库（ChromaDB），支持模糊匹配和概念联想，而非死板的字符串匹配
3. 自我强化：高频访问的记忆自然留存，冷数据自动下沉，符合认知科学原理
4. 低侵入集成：Hook 模式实现自动学习，用户无需改变表达习惯
5. 本地优先：所有数据存储于本地向量库，无云端依赖
潜在缺点与局限性
1. 平台绑定：存在硬编码 Windows 路径（C:\Users\41546\miniconda3\python.exe），跨平台部署需手动调整
2. 隐私合规待完善：自动学习模式默认开启，缺乏明确的用户同意机制和数据保留策略说明
3. 依赖版本未锁定：ChromaDB 和 PyYAML 无版本约束，存在 API 变动风险
4. T3 来源可信度：个人开发者项目，社区验证有限，长期维护存不确定性
5. 子进程开销：通过 subprocess 调用本地 Python 脚本，存在性能开销和潜在注入边界（当前风险可控）
适合人群
- 长期对话场景：需要 AI 记住用户偏好、历史上下文的个人助手场景
- 知识工作者：用于构建个人语义知识库，替代传统笔记的线性存储
- 隐私敏感用户：偏好本地存储、不愿数据上云的用户
- 认知科学爱好者：对人脑记忆机制模拟感兴趣的技术探索者
常规风险
| 风险类别 | 等级 | 说明 |
|----------|------|------|
| 数据收集 | 中 | 自动学习模式持续记录对话，需用户知情同意 |
| 路径安全 | 低 | 硬编码路径可能影响可移植性 |
| 注入风险 | 低 | subprocess 参数固定，无用户直接输入 |
| 依赖安全 | 低 | 使用知名开源库，但无版本锁定 |