核心用法
Hippocampus Memory System 是一套模拟人脑海马体功能的持久化记忆系统，专为AI代理设计。核心工作流包括：
1. 信号采集：从对话记录自动提取原始信号（signals.jsonl）
2. 重要性评分：LLM根据语义重要性给出0.0-1.0初始分数（显式"记住"指令0.9分，偏好声明0.8分，一般知识0.5分）
3. 语义编码：通过encode-pipeline.sh处理，自动检测重复主题进行强化（提升重要性10%）而非重复创建
4. 衰减机制：每日运行decay.sh，按0.99^days公式计算，90天后重要性降至40%
5. 分层检索：核心记忆（0.7+）自动加载，活动记忆（0.4-0.7）正常检索，背景记忆（0.2-0.4）需特定搜索
内存结构采用四级域分类：user（用户事实）、self（代理身份）、relationship（共享语境）、world（外部知识），配合中央加权索引index.json实现高效召回。
显著优点
学术基础扎实：直接复现Park等人2023年斯坦福生成式智能体论文的完整记忆架构，包括衰减公式、重要性阈值、反射机制等核心设计。
自动化程度高：编码、强化、衰减全流程无需人工干预，cron定时任务（每3小时编码+每日衰减）实现真正"自主"记忆管理。
防重复机制：语义检查在编码阶段自动识别相似记忆，避免LLM常见的"幻觉式重复记录"问题。
生态集成完善：与OpenClaw RAG系统深度整合（HIPPOCAMPUS_CORE.md桥接），提供可视化Brain Dashboard，并规划完整AI Brain系列（amygdala情绪、VTA动机等）。
潜在缺点与局限性
架构依赖风险：需要完整的OpenClaw运行时环境，包括python3、jq等二进制依赖，且工作流重度依赖shell脚本，跨平台兼容性存疑。
评分主观性：初始重要性评分完全依赖LLM判断，缺乏用户校验环节，关键记忆可能被低估（如用户认为重要但LLM评分仅0.6）。
衰减公式僵化：固定0.99指数衰减未考虑记忆类型差异——用户生日与临时项目偏好显然不应同等衰减。
隐私与审计盲区：记忆以明文JSON存储于本地文件系统，缺乏加密或访问控制；长期运行后index.json可能膨胀影响性能。
适合人群
- 构建长期运行AI代理的开发者（客服、伴侣、个人助理场景）
- 研究LLM记忆机制的研究者或学生
- 已使用OpenClaw生态寻求认知架构增强的用户
- 需要可解释记忆系统的合规敏感场景（金融、医疗辅助）
常规风险
| 风险类型 | 具体表现 | 缓解建议 |
|---------|---------|---------|
| 数据持久化风险 | 工作区误删除导致记忆永久丢失 | 定期备份~/.openclaw/workspace/memory/ |
| 记忆污染 | LLM编码错误将幻觉写入长期记忆 | 启用consolidate.sh每周人工审查 |
| 评分漂移 | 不同LLM版本重要性评分标准不一致 | 固定模型版本，定期校准评分样本 |
| 隐私泄露 | 敏感对话内容以明文存储 | 对user/relationship域启用文件级加密 |