核心用法
Penfield 是专为 OpenClaw 及 MCP 兼容工具设计的持久化记忆系统，解决 AI 代理「每会话失忆」的核心痛点。它通过 penfield_store 存储记忆、penfield_recall 执行混合搜索（BM25 + 向量 + 图谱），以及 penfield_connect 构建知识关联，使代理能够跨天、跨渠道、跨代理保持上下文连续性。
关键工具矩阵：
- 记忆层：store/recall/search/fetch/update 构成完整 CRUD
- 图谱层：connect/explore 实现记忆关联与 traversing
- 上下文层：save/restore/list context 支持会话断点续传
- 反思层：reflect 分析记忆模式，辅助代理自我校准
显著优点
1. 三重检索机制：BM25 处理精确术语、向量捕获语义关联、图谱追踪概念网络，可根据查询类型动态调权
2. 结构化记忆类型：12 种预设类型（fact/insight/correction/task 等）配合 0.1-1.0 重要性评分，避免记忆膨胀
3. 24 种关系语义：从 supersedes（知识迭代）到 prerequisite_for（因果依赖），真实建模认知演进
4. 跨平台同步：原生插件（4-5x 速度优势）与 MCP/HTTP API 并存，同一账户全端共享
5. 会话级 checkpoint：save_context/restore_context 支持复杂工作流的多代理协作与断点续作
潜在局限
- 质量依赖写入规范：文档反复强调「Bad memory = useless」，需严格遵循
[Context]前缀、具体细节、关联引用等规范，否则召回噪声大 - 无内置隐私合规：明确标注「NOT to Store」包含未经用户同意的个人信息，但系统层无强制拦截机制
- 图谱维护成本：「After storing, always connect」的最佳实践对高频场景造成额外调用开销
- 重要性评分主观：0.9-1.0「永不遗忘」与 0.1-0.2「可能不存」依赖代理自主判断，易出现两极分化
适合人群
- 需要跨周/跨月追踪复杂项目的知识工作者（架构决策、根因调查）
- 多代理协作场景下的团队（上下文 handoff）
- 追求「越用越懂你」的个性化 AI 交互体验者
常规风险
- 记忆污染：错误的 correction 未正确标记
supersedes关系可能导致新旧认知并存 - 检索幻觉：vector + BM25 混合搜索仍可能返回低相关性记忆，需配合
importance_threshold过滤 - 供应商锁定：知识图谱结构为 Penfield 私有格式，迁移成本未明确
- 数据持久性：作为第三方云服务，需关注 portal.penfield.app 的 SLA 与数据导出机制