核心用法
Hippocampus 是一套模拟人脑海马体的记忆基础设施，通过 Shell 脚本管道实现记忆的自动化生命周期管理。用户运行 ./install.sh --with-cron 完成部署后，系统以 3 小时为周期执行 encode-pipeline.sh，从对话信号中提取关键信息；每日凌晨 3 点运行 decay.sh 应用指数衰减。会话启动时调用 load-core.sh 加载高重要性记忆（≥0.7），回答上下文问题时使用 recall.sh 进行语义检索。可视化仪表板 generate-dashboard.sh 可展示记忆全貌及关联脑技能（如 amygdala、VTA）状态。
显著优点
1. 学术背书扎实：直接实现 Park et al. (2023) 斯坦福 Generative Agents 论文中的记忆机制，包括重要性评分、语义强化和 0.99^days 衰减公式。
2. 架构设计优雅：PREPROCESS → SCORE → SEMANTIC CHECK → REINFORCE/CREATE → DECAY 的流水线清晰分工，避免重复记忆和记忆膨胀。
3. 分层记忆管理：按 user/self/relationship/world 四域分类，配合 0.7+/0.4-0.7/0.2-0.4/<0.2 四级阈值，实现类似人类的核心-活跃-背景-归档记忆层次。
4. OpenClaw 原生集成：通过 HIPPOCAMPUS_CORE.md 和 memorySearch.extraPaths 配置无缝桥接 RAG 检索，降低代理接入成本。
5. 自动化运维：Cron 驱动的编码与衰减无需人工干预，语义强化自动识别重复主题并提升权重，减少维护负担。
潜在缺点与局限性
1. 依赖外部 LLM 进行语义判断：编码管道的 summarization 和 reinforcement 决策完全依赖 LLM 输出，若模型幻觉可能导致错误合并或遗漏关键记忆。
2. 信号预处理质量不可控：preprocess.sh 从对话转录提取信号的机制文档未详述，可能存在信号噪声或上下文截断问题。
3. 衰减公式单一：固定 0.99 底数未考虑记忆类型差异（如情感记忆 vs 事实记忆），缺乏个性化调整接口。
4. JSON 文件并发风险：index.json 作为中央索引在并行会话场景下可能出现读写冲突，文档未提及锁机制。
5. 长期存储未加密：记忆文件以明文 JSON 存储于本地 workspace，敏感用户数据缺乏保护。
适合人群
- 需要构建长期个性化 AI 代理的开发者与高级用户
- 研究 AI 记忆机制、认知架构的研究人员
- 已使用 OpenClaw 平台、希望增强代理连续性的现有用户
- 对斯坦福 Generative Agents 论文有实践兴趣的技术爱好者
常规风险
1. 隐私泄露：明文存储的用户偏好、情感内容等敏感信息若 workspace 权限配置不当易被本地其他进程读取。
2. 记忆污染：LLM 错误地将无关信号强化至现有记忆，或创建虚假关联，导致代理"记忆偏差"。
3. 依赖链断裂：Python3/jq 依赖及 cron 环境若未正确配置，编码管道失败可能导致记忆丢失。
4. 版本兼容性：index.json schema 版本迭代可能引发旧数据迁移问题。