核心用法
NIMA Core 是一个专为 AI Agent 设计的认知架构栈，通过 pip install nima-core && nima-core 一键部署，零配置即可启用持久记忆功能。系统通过 OpenClaw Hook 机制深度集成到 Agent 工作流中：
- 记忆捕获 Hook (
nima-memory)：在对话保存后触发，执行三层捕获（输入/沉思/输出）与四阶段噪声过滤 - 实时回忆 Hook (
nima-recall-live)：在 LLM 调用前触发，基于向量+文本混合搜索，按生态相关性评分后注入上下文 - 情感分析 Hook (
nima-affect)：在收到消息时触发，使用 VADER 情感分析器映射到 Panksepp 七种基本情感状态
显著优点
1. 完整的认知模块栈：从基础记忆到高级认知功能全覆盖——动态情感系统（Panksepp 7-affect）、梦境整合（夜间自动提取模式）、蜂群心智（多 Agent 记忆共享）、预知记忆（时序模式挖掘预测性预加载）、清醒时刻（情感共鸣记忆自发浮现），以及达尔文式记忆（自动聚类去重）
2. 隐私优先设计：默认使用本地嵌入模型（384维），完全零外部网络调用；所有数据存储于 ~/.nima/ 本地目录，无 NIMA 自有服务器、无专有追踪、无分析数据外发
3. 灵活的嵌入提供商：支持四种嵌入方案——本地（默认免费）、Voyage AI（1024维，$0.12/1M tokens）、OpenAI（1536维）、Ollama（本地 GPU，768维），按需渐进升级
4. 高性能存储后端：可选 LadybugDB 图数据库，相比 SQLite 文本搜索快 3.4 倍（9ms vs 31ms），原生支持 HNSW 向量索引（18ms）与 Cypher 图查询，存储空间减少 44%
5. 企业级安全特性：FTS5 参数化查询防 SQL 注入、路径遍历防护、临时文件自动清理、API 调用超时保护（30s/10s）、输入过滤（系统消息/心跳/重复内容拦截）
潜在缺点与局限性
- 认知模块的复杂性：功能栈庞大（11 个核心模块），学习曲线陡峭，小型项目可能过度设计
- 可选功能依赖外部 API：记忆剪枝器（Memory Pruner）使用 Anthropic API、预知功能依赖外部 LLM 端点，需显式配置 API 密钥并承担相应成本
- LadybugDB 迁移成本：从 SQLite 迁移至 LadybugDB 需额外安装
real-ladybug包并执行迁移脚本 - 多 Agent 协同的运维开销：蜂群心智功能需 Redis pub/sub 基础设施，增加了分布式系统的部署复杂度
- 本地嵌入质量权衡：默认本地嵌入（384维）在语义捕捉精度上可能逊于云端大模型，需根据场景权衡
适合人群
- AI Agent 开发者：需要为 ChatBot、智能助手、自治 Agent 添加长期记忆与情感智能
- 多 Agent 系统架构师：构建协作型 Agent 网络，需要共享记忆池与群体认知
- 隐私敏感型用户：要求数据完全本地化处理，拒绝云端依赖的场景
- 研究者和实验者：探索认知架构、情感计算、记忆机制的理论验证
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 数据持久化风险 | SQLite 文件损坏可能导致记忆丢失 | 定期备份 `~/.nima/memory/`；生产环境建议 LadybugDB |
| API 密钥泄露 | 可选云嵌入/剪枝功能需配置密钥 | 使用环境变量管理，避免硬编码；定期轮换密钥 |
| 情感状态漂移 | 长期运行的 Affect 系统可能产生情感偏差累积 | 监控 `affect_state.json`，必要时手动重置基线 |
| 记忆注入攻击 | 恶意构造输入试图污染记忆库 | 四层噪声过滤已内置；敏感场景启用额外内容审查 |
| 资源消耗失控 | 记忆库膨胀、定时任务（梦境整合）占用资源 | 配置记忆剪枝策略；监控 `~/.nima/logs/` 资源使用 |