Fluid Memory

核心用法

Fluid Memory 是一套基于「流体认知架构」的智能记忆系统，区别于传统数据库的静态存储，它模拟人脑的动态记忆机制——会遗忘、需强化、懂语义。

三种核心操作：

• 植入 (Remember)：用户明确说「记住xxx」时，调用 fluid_remember 写入新记忆
• 唤起 (Recall)：用户问「我之前说过什么」「还记得xxx吗」时，调用 fluid_recall 检索，每次检索会自动强化该记忆（访问次数+1，越常用越难忘）
• 遗忘 (Forget)：用户说「忘记xxx」时，调用 fluid_forget 将匹配记忆归档

自动学习模式：已默认启用，每次调用 fluid_recall 或对话时，系统会自动将当前对话存入记忆，无需手动「记住」。

智能总结：支持多轮总结（fluid_summarize）和增量总结（fluid_increment_summarize），后者更省 Token，自动累积对话达到阈值后写入。

显著优点

1. 拟人化体验：遗忘机制让AI更像真人——久不提及的记忆会淡化，频繁互动的内容刻骨铭心
2. 零摩擦学习：自动模式无需用户刻意指令，对话即学习
3. 语义理解：不只是关键词匹配，能捕捉意图和上下文
4. 自我强化：查询即训练，越问记得越牢，形成正反馈
5. 轻量集成：通过 Conda 环境本地执行，开发者可控

潜在缺点与局限性

• 遗忘不可控：用户可能期望某些「冷门」信息永久保留，但系统会按访问频率衰减
• 冷启动问题：新用户或低频话题可能出现「没有相关记忆」
• 依赖本地环境：需要 Conda/Python 环境，非纯云端方案
• 总结阈值敏感：多轮总结的触发条件（默认3轮）可能错过短对话的关键信息
• 无跨会话同步：单机版设计，多设备场景下记忆不互通

适合人群

• 追求「养成感」AI陪伴的个人用户
• 需要长期上下文理解的对话型应用开发者
• 研究认知架构、人机交互的研究者
• 对隐私敏感、倾向本地部署的技术用户

常规风险

| 风险类型 | 说明 | 等级 |

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

| 数据持久化 | 记忆存储在本地文件，设备损坏可能丢失 | 中 |

| 隐私泄露 | 自动记录可能捕获敏感信息，需用户知情同意 | 中 |

| 幻觉强化 | 错误记忆被反复检索后会「固化」，难以纠正 | 低 |

| 环境依赖 | Conda/Python 版本冲突可能导致功能异常 | 低 |

核心用法

Fluid Memory 是一款仿生记忆管理 Skill，采用「植入-唤起-遗忘」三元操作模型。用户可通过自然语言触发记忆操作：说「记住xxx」自动植入，问「还记得xxx吗」唤起检索，说「忘记xxx」归档清理。系统默认启用 Auto Learn 模式，每次对话自动记录并增量总结，达到阈值后写入长期记忆。

显著优点

仿生认知设计：区别于传统数据库的机械存储，Fluid Memory 模拟人脑的记忆特性——高频访问的内容自动强化，长期未用的记忆自然淡化，实现真正的「活记忆」系统。

零手动管理：Auto Learn 模式消除了「显式记忆」的认知负担，系统在后端自动完成对话摘要与关键信息提取，用户无需思考「这句话要不要记」。

语义级检索：基于 ChromaDB 向量存储，支持语义相似匹配而非关键词精确匹配，即使用户换种说法也能找回相关记忆。

Token 优化：增量总结机制（fluid_increment_summarize）每次只处理新增对话，累积到阈值才写入，显著降低 API 调用成本。

完全本地运行：无外部 API 依赖，数据存储于 ~/.openclaw/workspace，符合隐私优先场景需求。

潜在缺点与局限性

T3 来源风险：个人开发者维护，缺乏企业级 SLA 保障，长期更新存疑。

子进程安全隐患：wrapper.py 和 hook 脚本通过 subprocess/child_process 调用 Python，虽参数以列表传递，但未对输入做充分过滤，存在理论上的命令注入面。

跨平台兼容性：代码中硬编码 Windows 路径（如 database\chroma_store），在 Linux/macOS 环境可能产生路径问题。

遗忘不可逆：「遗忘」操作实质为归档，但文档未说明如何恢复，重要记忆误删风险需警惕。

记忆污染：Auto Learn 可能记录敏感信息（密码、隐私对话），虽本地存储但无内置敏感信息过滤机制。

适合人群

• 需要长期多轮对话上下文保持的 AI 助手用户
• 重视数据隐私、拒绝云记忆服务的用户
• 愿意承担 T3 来源风险的技术爱好者
• 希望 AI「越用越懂你」的个性化场景

常规风险

| 风险类型 | 等级 | 说明 |

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

| 代码执行 | 中 | subprocess 调用需警惕注入 |

| 数据丢失 | 低 | 本地存储无备份机制 |

| 隐私泄露 | 低 | 完全本地，但需防范其他 Skill 读取 |

| 供应链 | 低 | 仅依赖 ChromaDB，无已知 CVE |

建议：生产环境部署前审查 wrapper.py 和 handler.js 的输入过滤逻辑，订阅仓库更新，避免记录高度敏感信息。