Jasper Recall

核心用法

Jasper Recall 是一款专为 AI Agent 设计的本地记忆增强系统，通过检索增强生成（RAG）技术赋予代理长期记忆能力。核心工作流包含三个组件：digest-sessions 从会话日志提取关键信息，index-digests 将 Markdown 文件分块嵌入 ChromaDB 向量数据库，recall 执行跨记忆的语义搜索。

关键特性：

• 多代理网格架构（v0.3.0）：支持 N 个代理共享记忆池，通过 [public]/[private]/[learning] 标签实现细粒度隐私控制
• OpenClaw 插件集成：autoRecall 模式可在每条消息前自动注入相关记忆上下文
• 隔离式集合设计：private_memories、shared_memories、agent_learnings 三集合分离， sandboxed 代理默认仅能访问公开内容
• HTTP API 服务：serve 命令为 Docker 隔离环境提供检索端点，默认强制 public_only=true

典型应用场景：会话连续性维护、决策历史追溯、知识库构建、跨代理经验共享。

显著优点

1. 完全本地化：基于 all-MiniLM-L6-v2（384维，~80MB）运行，零 API 依赖、零网络延迟、零数据外传
2. 隐私优先架构：标签驱动的分级访问模型，配合 privacy-check 扫描敏感数据、sync-shared 安全提取公开内容
3. 多代理原生支持：从 v0.2.0 到 v0.3.0 持续强化 mesh 能力，解决隔离代理与主代理间的知识壁垒
4. 自动化维护：Heartbeat 集成 + Cron 调度支持，可无人值守完成会话摘要生成与索引更新

潜在缺点与局限性

• 模型能力边界：MiniLM 语义理解弱于 GPT-4 等闭源大模型，复杂推理场景检索精度受限
• 单节点架构：ChromaDB 本地文件存储，无分布式扩展能力，大规模数据下性能瓶颈明显
• 安全依赖配置：RECALL_ALLOW_PRIVATE=true 或 --host 0.0.0.0 等参数误用会直接暴露私密记忆，配置错误风险高
• 生态锁定：深度绑定 OpenClaw 框架，非该生态用户集成成本较高

适合人群

• 运行多 Agent 架构（主代理 + sandboxed 工具代理）的开发者
• 对数据主权敏感、拒绝云端记忆服务的隐私优先用户
• 需要会话级长期记忆但预算有限的个人开发者或小团队
• 构建本地知识库、希望 Agent 能"记住"过往交互的 AI 应用开发者

常规风险

⚠️ 配置泄露风险：serve 服务若绑定公网 IP 或未强制 public_only，可导致私人记忆被未授权访问
⚠️ 自动注入污染：autoRecall 未设置 minScore 阈值时，低相关性记忆可能干扰代理决策质量
⚠️ 向量数据库损坏：ChromaDB 文件级存储在异常断电或并发写入场景下存在索引损坏风险，需定期备份
⚠️ 敏感数据残留：privacy-check 基于正则规则检测，对变形编码的密钥或隐写信息识别能力有限，人工复核不可替代

核心用法

jasper-recall 是一款面向 AI Agent 的本地化记忆增强系统，基于 ChromaDB 向量数据库和 sentence-transformers 实现语义检索。核心工作流包含三个环节：digest-sessions 提取会话关键信息生成摘要，index-digests 将 Markdown 文件分块嵌入向量库，recall 执行语义搜索召回相关记忆。

关键特性：

• 多 Agent 记忆网格（v0.3.0）：支持 N 个 Agent 共享记忆，通过 private_memories、shared_memories、agent_learnings 三层集合实现权限隔离
• OpenClaw 插件集成：提供 autoRecall 自动注入模式，可在每次 Agent 交互前自动检索相关上下文
• HTTP 服务化：serve 命令启动本地 API（默认 127.0.0.1:3458），供 Docker 隔离的 Agent 调用

隐私控制机制：

• 标签系统：[public] 共享给沙箱 Agent，[private] 仅主 Agent 可见，[learning] 双向同步
• privacy-check 工具扫描敏感信息（API 密钥、邮箱、内网 IP 等）
• sync-shared 提取公开条目至共享目录，支持 --dry-run 预览

显著优点

1. 完全本地化：embedding 模型（all-MiniLM-L6-v2，~80MB）本地运行，无外部 API 依赖，数据留存于 ~/.openclaw
2. 架构清晰：集合隔离设计兼顾多 Agent 协作与隐私保护，主 Agent 可穿透全量记忆，沙箱 Agent 受限公开集合
3. 生态整合：原生支持 OpenClaw 插件体系，提供 Cron 调度、Heartbeat 维护等自动化机制
4. 安全合规：安全认证达 S 级（85分），GDPR/CCPA 合规通过，无硬编码密钥

潜在缺点与局限性

1. 模型容量限制：MiniLM-L6 为轻量模型（384维），复杂语义匹配能力弱于商业 API（如 OpenAI text-embedding-3）
2. Python 依赖链：需维护本地 Python 虚拟环境，跨平台部署存在环境差异风险
3. 无分布式能力：ChromaDB 单机模式，大规模记忆场景下性能瓶颈明显
4. 召回质量依赖分块策略：固定 500 字符分块可能截断语义连贯的段落

适合人群

• 多 Agent 架构开发者：需要主 Agent 与沙箱 Agent 安全协作的场景
• 隐私敏感用户：拒绝云端记忆服务，要求数据完全本地化的用户
• OpenClaw 生态用户：已使用 OpenClaw 框架，需要原生记忆增强能力的开发者
• 研究/原型验证：快速搭建 RAG 记忆原型，无需infra投入的实验场景

常规风险

• 本地服务暴露风险：serve 命令若误配 --host 0.0.0.0 或 RECALL_ALLOW_PRIVATE=true 将导致记忆泄露
• 敏感信息误标：[public] 标签误用可能导致隐私数据流入共享集合
• 磁盘空间膨胀：向量索引与原始文档双份存储，长期运行需监控 ~/.openclaw/chroma-db 大小
• 模型首次下载：首次运行需下载 ~80MB 模型，网络受限环境需提前准备