核心用法
Fluid Memory 是一套仿生流体认知架构的记忆系统，区别于传统死板的向量数据库。核心交互围绕三大动作：
- 植入 (Remember)：通过
fluid_remember写入记忆，支持用户主动触发「记住xxx」 - 唤起 (Recall)：通过
fluid_recall语义检索，每次检索自动强化记忆权重（访问次数+1） - 遗忘 (Forget)：动态遗忘（检索分<0.05自动过滤）、主动归档（
fluid_forget）、梦境守护（定时清理<0.15分记忆）
系统通过 fluid-memory-sync Hook 监听 message:sent 事件，实现全自动学习，无需用户每次说"记住"。同时提供增量总结（fluid_increment_summarize）节省 Token，多轮对话后自动提炼关键信息。
显著优点
| 特性 | 说明 |
|------|------|
| 生物拟态 | 会遗忘、需强化，避免信息膨胀，更接近人类记忆 |
| 零 friction | Hook自动同步，对话自然流畅 |
| 语义感知 | 基于 ChromaDB 的向量化语义检索，非关键词匹配 |
| Token优化 | 增量总结机制，避免全量对话重复处理 |
| 可控遗忘 | 三层遗忘机制，用户可主动管理记忆生命周期 |
潜在缺点与局限性
1. 依赖本地 Python 环境：需要 Conda/miniconda + chromadb/pyyaml，Windows 路径硬编码（C:\Users\41546\...），跨平台部署需手动适配
2. Hook 耦合风险：message:sent 事件监听若失败，自动学习链断裂，用户无感知
3. 遗忘阈值黑盒：0.05/0.15 的分数阈值缺乏透明解释，用户难以预判哪些记忆会被清理
4. 无多用户隔离：从实现看未显式区分用户命名空间，多用户场景可能污染
5. 总结质量不可控：自动总结依赖 LLM 提炼，关键信息可能丢失或误浓缩
适合人群
- 追求长期个性化对话的 AI 深度用户
- 需要跨会话记忆连续性的知识管理场景
- 愿意接受"可控遗忘"哲学、不希望记忆无限膨胀的实用主义者
- 具备基础 Python 环境配置能力的开发者/极客
常规风险
| 风险类型 | 说明 |
|----------|------|
| 数据持久化 | ChromaDB 本地存储，无自动备份，磁盘损坏即丢失 |
| 隐私泄露 | 记忆明文存储，无加密机制，共享设备存在泄露风险 |
| 幻觉强化 | 错误记忆被多次检索后会"记得更牢"，需主动 `fluid_forget` 修正 |
| 环境依赖 | Conda 路径硬编码，迁移或重装系统需重新配置 |