核心用法
Penfield Memory 是专为 OpenClaw 及 MCP 兼容工具设计的持久化记忆系统。核心工作流程遵循"唤醒→反思→工作"模式：每次会话以 penfield_awaken() 加载身份与性格上下文，再以 penfield_reflect() 回顾近期工作，确保 agent 始终处于连贯的工作状态。
系统提供四大工具集：
- 记忆管理：
store/recall/search/fetch/update实现记忆的存储与多模态检索（BM25 文本 + 向量语义 + 图遍历） - 知识图谱：
connect/explore建立记忆间的 24 种关系类型，支持知识演化、因果推理与层级结构化 - 上下文续接：
save_context/restore_context实现会话检查点与跨 agent 协作 - 工件存储：
save_artifact/retrieve_artifact管理文件级产物
记忆质量决定系统价值。最佳实践要求：使用方括号前缀标注上下文（如 [Preferences]）、记录"为什么"而非仅"是什么"、包含具体细节（版本号、日期、人名）、建立记忆关联。系统支持 11 种记忆类型（fact/insight/correction/conversation 等）与 0.1-1.0 重要性评分，用于智能过滤与优先级排序。
显著优点
1. 真正的跨会话连续性：突破 LLM 上下文窗口限制，实现"数月前的架构决策今天仍记得"
2. 混合检索架构：BM25 处理精确术语、向量捕捉语义相似、图遍历发现关联知识，三权重可调
3. 知识演化追踪：supersedes/updates/evolution_of 等关系类型原生支持"我们曾认为 X，现在知道 Y"的认知迭代
4. 生态兼容性：除原生 OpenClaw 插件（4-5 倍速度优势）外，通过 MCP 协议支持 Claude、Cursor、Gemini CLI、Windsurf 等主流工具
5. 协作设计：上下文检查点与工件存储支持多 agent 接力工作，一人启动、另一人无缝续接
潜在局限
- 依赖质量投入：系统明确警告"垃圾进垃圾出"，需要开发者严格遵循记忆编写规范，否则检索噪声大
- OpenClaw 生态绑定：最优体验需配合 OpenClaw 使用，MCP 模式存在性能折损
- 商业服务依赖：需注册 portal.penfield.app 账号，长期使用涉及服务商可用性与数据持久性风险
- 学习曲线陡峭：24 种关系类型、11 种记忆类型、三权重调参机制对初学者认知负担较重
- 隐私考量：用户需主动判断"什么不该存"，系统本身不提供自动敏感信息过滤
适合人群
- 需要 AI agent 长期服务同一用户/项目的开发者（客服 agent、个人助理、领域专家系统）
- 复杂多步骤任务场景（故障调查、长期项目规划、渐进式需求分析）
- 多 agent 协作架构设计者
- 追求"认知连续性"的 AI 应用架构师
常规风险
| 风险类别 | 说明 |
|---------|------|
| 数据持久性 | 第三方 SaaS 服务，建议关键记忆本地备份 |
| 检索幻觉 | 混合检索仍可能返回不相关记忆，需应用层校验 |
| 记忆污染 | 错误存储的信息可能长期误导 agent，correction 类型需主动使用 |
| 隐私合规 | 用户偏好、身份信息存储需获得明确 consent |
| 供应商锁定 | 深度使用知识图谱关系后，迁移成本较高 |