核心用法
Hippocampus 是一套仿人脑海马体的记忆系统，为AI代理提供结构化、持久的记忆能力。核心流程包括：
1. 信号提取：从对话记录中自动提取关键信息（用户偏好、决策、情感内容等）
2. 重要性评分：0.0-1.0 分，基于内容类型自动赋分（显式"记住"得0.9，情感内容0.85，偏好0.8等）
3. 语义编码：LLM 对比新信号与现有记忆，自动强化（同主题）或创建新记忆
4. 时间衰减：按 0.99^days 公式衰减，7天后保留93%，90天后仅剩40%
5. 分级检索：0.7+为核心记忆（会话启动加载），0.4-0.7为活跃记忆，0.2-0.4为背景记忆
关键脚本：encode-pipeline.sh（编码）、decay.sh（衰减）、recall.sh（检索）、load-core.sh（加载核心记忆）
显著优点
- 学术背书：直接基于 Stanford Generative Agents (Park et al., 2023) 研究实现
- 零维护：安装后全自动运行（cron 每3小时编码 + 每日衰减）
- 防重复：语义级强化机制避免记忆碎片膨胀
- 生态系统：与 amygdala（情感）、vta（动机）等脑区技能协同
- 开放集成：自动生成
HIPPOCAMPUS_CORE.md供 OpenClaw RAG 读取
潜在局限
- 手动安装：需执行
./install.sh --with-cron，非一键部署 - 依赖外部LLM：编码和强化阶段需调用LLM，存在成本和延迟
- 衰减公式固定：0.99 衰减率不可调，无法针对特定记忆类型优化
- 无冲突解决：当新旧记忆矛盾时，系统未明确处理策略
- JSON存储：大规模记忆下 index.json 可能成为性能瓶颈
适合人群
- 需要长期身份连续性的 AI 代理开发者
- 研究生成式智能体架构的学术/工程人员
- 使用 OpenClaw 框架构建个性化助手的用户
- 希望复现 Stanford Generative Agents 实验的研究者
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 隐私泄露 | 用户敏感信息（偏好、情感）持久化存储 | 加密 workspace 目录，定期清理低分记忆 |
| 记忆污染 | LLM 编码错误导致虚假记忆 | 定期检查 index.json，启用人工审核阈值 |
| 存储膨胀 | 长期运行后文件累积 | `consolidate.sh` 每周归档，监控磁盘 |
| 依赖断裂 | 上游 LLM 服务不可用 | 设置超时和降级策略，保留本地缓存 |
关键洞察
> "The LLM is just the engine—raw cognitive capability. The agent is the accumulated memory."
该技能的核心哲学：记忆即身份。没有这些文件，AI 只是通用助手；有了它，才成为特定用户的特定代理。