核心用法
Jasper Recall 是一套面向 AI Agent 的本地化记忆增强系统，通过 RAG（检索增强生成）架构实现长期记忆能力。核心工作流包含三个环节：digest-sessions 从会话日志提取关键信息生成摘要，index-digests 将 Markdown 文件分块嵌入 ChromaDB 向量数据库，recall 执行语义检索召回相关上下文。
系统支持多层级记忆管理：主 Agent 拥有完整的 private_memories 私密集合，沙箱 Agent 通过 --public-only 仅能访问 [public] 标签的共享内容，agent_learnings 则实现双向知识流通。v0.3.x 版本新增多 Agent 网状架构（mesh）与 OpenClaw 插件的 autoRecall 自动记忆注入能力。
显著优点
- 完全本地运行：基于
sentence-transformers/all-MiniLM-L6-v2（384维，~80MB），零外部 API 依赖，无数据泄露风险 - 细粒度隐私控制：通过标签语法
[public]/[private]/[learning]实现内容级访问隔离，配合privacy-check敏感信息扫描 - 多 Agent 协作支持：集合隔离 + 网状共享架构，适配复杂 Agent 编排场景
- 开箱即用：
npx jasper-recall setup一键完成 Python 环境、ChromaDB、CLI 脚本部署 - 灵活集成：提供 HTTP API 服务（
serve命令）供 Docker 隔离环境调用，支持 JSON 输出与 cron 定时索引
潜在局限与风险
- 硬件依赖：首次运行需下载嵌入模型，低带宽环境体验不佳；纯 CPU 推理在大规模索引时性能受限
- 隐私扫描非绝对：
privacy-check基于正则规则检测（邮箱、API Key、内网 IP 等），存在漏检可能，不应作为唯一合规手段 - 版本迭代活跃：v0.2.x 到 v0.3.x 引入破坏性变更（如集合架构调整），升级需关注迁移说明
- 生态绑定：深度依赖 OpenClaw 工作流约定（
~/.openclaw/目录结构），脱离该生态需手动配置路径
适合人群
- 构建长期记忆型 Agent 的开发者
- 需要多 Agent 安全隔离与知识共享的复杂系统架构师
- 对数据隐私敏感、拒绝云 API 的企业/个人用户
- 使用 OpenClaw 框架的 Agent 运维人员
常规风险提示
建议定期执行 privacy-check 审查待共享内容，生产环境启用 serve 时默认限制 public_only=true，避免沙箱 Agent 越权访问私密记忆。