核心用法
Jasper Recall 是一套面向 AI Agent 的本地检索增强生成（RAG）记忆系统，核心解决 Agent「失忆」问题。通过 digest-sessions 提取会话关键信息、index-digests 将文档嵌入 ChromaDB 向量数据库、recall 执行语义搜索，三步构建完整记忆闭环。支持 Markdown 文件自动索引，包括日常笔记、会话摘要、项目文档等，使用 sentence-transformers/all-MiniLM-L6-v2 模型在本地生成 384 维嵌入，无需调用外部 API。
多 Agent 记忆共享是 v0.2.0+ 的亮点特性：通过 [public]/[private]/[learning] 标签实现隐私分级，主 Agent 与沙盒 Agent 可双向同步学习经验，同时保持敏感数据隔离。serve 命令提供 HTTP API，方便 Docker 隔离环境调用。v0.3.0 进一步引入多 Agent Mesh 架构、OpenClaw 插件 autoRecall 自动注入记忆能力。
显著优点
- 完全本地化：模型下载一次后离线运行，无 API 费用与网络依赖，数据不出本地
- 隐私分级精细：三档标签 + 四组 ChromaDB 集合隔离，主/沙盒 Agent 权限清晰可控
- 多 Agent 协作：双向学习机制让 Agent 群体形成「集体记忆」，突破单 Agent 局限
- 零配置快速启动：
npx jasper-recall setup一键完成环境搭建 - 灵活集成：CLI/HTTP API 双模式，支持 cron 定时索引、OpenClaw 插件自动触发
潜在缺点与局限性
- embedding 质量依赖模型：MiniLM-L6-v2 虽轻量但语义理解能力弱于 GPT-4 等 LLM 嵌入，复杂查询可能召回不准
- 无分布式能力：ChromaDB 单机存储，大规模记忆场景下扩展性受限
- 维护成本：需定期运行
digest-sessions和index-digests，否则记忆滞后 - 无内置加密：磁盘上的向量数据库和原文均以明文存储，依赖操作系统级安全
- 生态较新：作为个人/工作室项目，长期维护稳定性待观察
适合人群
- 开发 AI Agent 系统的工程师，需要为 Agent 添加长期记忆能力
- 运行多 Agent 架构（主 Agent + 沙盒/工作线程）的团队，需要安全共享经验
- 注重数据隐私、拒绝云 API 的本地优先用户
- 希望将日常开发笔记、决策记录转化为可搜索知识库的个体开发者
常规风险
- 敏感数据泄露：
[public]标签误用、sync-shared 前未执行 privacy-check，可能导致私钥、内网 IP 等进入共享集合 - 服务器暴露风险：
serve默认绑定 127.0.0.1，若强制改为 0.0.0.0 且未设防火墙，可被局域网/公网访问 - 权限绕过：环境变量
RECALL_ALLOW_PRIVATE=true若在生产环境误配置，沙盒 Agent 可读取主 Agent 私有记忆 - autoRecall 注入失控：minScore 过低或查询过于宽泛时，无关记忆可能污染 Agent 上下文，导致响应质量下降