Jasper Recall

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。

核心用法

Jasper Recall 是一套面向AI代理的本地RAG（检索增强生成）记忆系统，通过ChromaDB向量数据库和sentence-transformers嵌入模型实现语义化记忆存储与检索。系统提供7个核心CLI命令：

• recall: 语义搜索历史记忆，支持按权限级别过滤
• index-digests: 将Markdown记忆文件分块嵌入ChromaDB
• digest-sessions: 从会话日志提取关键信息生成摘要
• privacy-check: 扫描敏感数据（邮箱、API密钥、内网IP等）
• sync-shared: 提取[public]标签内容至共享目录
• serve: 启动HTTP API供Docker隔离代理调用
• recall-mesh: 多代理网格共享记忆（v0.3.0+）

显著优点

1. 完全本地化运行

• 所有数据存储于~/.openclaw/chroma-db，无云端API依赖
• 嵌入模型（all-MiniLM-L6-v2，~80MB）首次下载后本地运行
• 适合隐私敏感场景与离线环境

2. 企业级权限隔离

• 三级记忆权限：private_memories（主代理私有）、shared_memories（公开标签内容）、agent_learnings（双向学习同步）
• 沙箱代理强制--public-only限制，防止数据泄露
• HTTP服务默认public_only=true，环境变量显式开启才允许私有查询

3. 多代理协作架构（v0.3.0）

• 支持N个代理共享记忆网格
• OpenClaw插件集成autoRecall自动检索
• 代理专属集合（agent-specific collections）实现细粒度隔离

4. 隐私优先设计

• 内置privacy-check主动扫描敏感信息
• Markdown标签[public]/[private]/[learning]声明式权限
• 符合GDPR数据最小化原则与目的明确性要求

潜在缺点与局限性

1. 跨语言依赖

• 需Python环境（venv）运行ChromaDB和sentence-transformers，通过child_process调用
• 增加部署复杂度，Windows环境需额外配置

2. 单节点存储限制

• ChromaDB为嵌入式数据库，不支持分布式部署
• 大规模数据场景下检索性能可能下降

3. 模型固定性

• 当前锁定all-MiniLM-L6-v2（384维），暂不支持自定义嵌入模型或多语言优化

4. 无自动垃圾回收

• 旧记忆需手动清理，长期运行可能积累冗余数据

适合人群

• AI Agent开发者: 为自主代理添加长期记忆能力
• 多代理系统架构师: 需要主-沙箱代理安全隔离的场景
• 隐私敏感用户: 拒绝云端记忆服务的本地化需求者
• RAG应用开发者: 快速搭建私有知识库检索系统

常规风险

| 风险类别 | 说明 | 缓解措施 |

|---------|------|---------|

| 进程注入 | child_process执行本地Python脚本 | 参数转义处理，固定脚本路径 |

| 路径遍历 | 文件系统访问~/.openclaw/ | 环境变量自定义路径，建议增加`..`序列校验 |

| 敏感数据残留 | 隐私检查为手动工具 | 集成CI流程自动扫描，定期审计 |

| 模型供应链 | 从Hugging Face下载嵌入模型 | TLS 1.3传输，哈希校验建议 |

安全认证评分S级（85分），T2可信来源（组织账号开源），适合生产环境部署。建议2026-10-02前完成依赖更新复查。