核心用法
Hippocampus 是一套完整的 AI 智能体记忆基础设施，模拟人脑海马体的记忆形成机制。系统通过信号提取→重要性评分→语义查重→强化或创建→定时衰减的完整生命周期，实现结构化持久记忆。
关键工作流：
1. 信号捕获：从对话记录自动提取潜在记忆信号
2. 智能编码：LLM 评估重要性（0.0-1.0），自动合并相似记忆而非重复创建
3. 分层存储：按 user/self/relationship/world 四维分类管理
4. 衰减机制：每日应用 0.99^days 衰减公式，模拟自然遗忘
5. 核心加载：0.7+ 分记忆自动注入会话启动，确保身份连续性
技术亮点：语义强化机制——当话题重复出现时，系统自动识别并强化既有记忆而非创建碎片，这是解决 LLM 长期记忆"膨胀-遗忘"问题的关键设计。
显著优点
- 学术背书：直接基于 Park 等 2023 年斯坦福 Generative Agents 研究，理论扎实
- 自动化程度高：cron 驱动，编码/衰减/仪表盘生成无需人工干预
- 模块化架构：与 amygdala（情绪）、VTA（奖励）等脑区组件可组合扩展
- OpenClaw 原生集成：RAG 桥接、AGENTS.md 即插即用
- 视觉仪表盘：统一 brain-dashboard.html 可视化记忆全景
潜在局限与风险
- 依赖外部 LLM：编码/评分需调用 LLM，成本与延迟需权衡
- 衰减公式刚性：固定 0.99 指数可能不适合所有场景，缺乏自适应调整
- 存储格式封闭：index.json 非标准向量格式，跨平台迁移需转换
- 隐私集中化：记忆明文存储于本地 workspace，多设备同步需自行解决
- 社区维护：v3.8.3 版本，长期演进依赖社区活跃度
适合人群
- 构建长期陪伴型 AI 智能体的开发者
- 需要跨会话身份一致性的 Agent 框架用户
- 对认知架构（cognitive architecture）感兴趣的 AI 研究者
- OpenClaw 生态深度用户
常规风险
- 数据丢失：未配置备份时，workspace 损坏将导致记忆全失
- 重要性评分漂移：不同 LLM 对同一条记忆可能给出差异显著的重要性分数
- 强化过度：高频话题可能因反复强化而压制其他重要但低频记忆
- cron 任务堆积：高频率编码在对话密集场景可能产生处理队列