Hippocampus

核心用法

Hippocampus Skill 是一套为AI代理设计的背景记忆器官系统，独立于主代理运行，实现记忆的自动化生命周期管理。核心工作流包含五个阶段：信号预处理 → 重要性评分 → 语义查重 → 强化或创建 → 记忆衰减。

关键使用模式：

• 会话启动：运行 load-core.sh 加载0.7+重要性阈值的核心记忆
• 实时检索：通过 recall.sh 进行语义搜索，支持重要性加权
• 后台编码：cron每3小时自动执行 encode-pipeline.sh，处理原始信号并生成结构化记忆
• 日常维护：每日3AM运行 decay.sh，按0.99^days公式应用记忆衰减

记忆结构采用四层分类：user（用户事实）、self（代理身份）、relationship（共享语境）、world（外部知识），配合可视化Brain Dashboard统一管理。

显著优点

1. 学术根基扎实：直接实现Park等人2023年斯坦福Generative Agents论文中的记忆机制，包括重要性评分、指数衰减公式、语义强化策略
2. 自动化程度高：编码、衰减、强化全流程无需人工介入，cron驱动实现"set and forget"
3. 防重复机制：语义查重自动识别同主题记忆，通过强化（+10%重要性）而非创建副本，避免记忆膨胀
4. 灵活阈值管理：0.7/0.4/0.2三级阈值实现核心记忆、活跃记忆、背景记忆的自动分层
5. 生态集成：与OpenClaw RAG系统通过 HIPPOCAMPUS_CORE.md 桥接，支持多脑技能（amygdala、VTA等）联动

潜在缺点与局限性

1. 部署复杂度：需Python3、jq环境，cron配置要求用户具备Linux/Unix基础运维能力
2. 存储开销：完整保留 signals.jsonl 原始信号与 pending-memories.json 待处理队列，长会话场景下磁盘占用持续增长
3. 衰减参数固化：0.99的日衰减系数不可调，对需要长期精确记忆的场景（如法律、医疗）可能过于激进
4. 无分布式支持：单用户本地文件存储，多设备同步需自行解决
5. LLM依赖瓶颈：语义查重与摘要生成完全依赖外部LLM，API成本与延迟成为规模瓶颈

适合人群

• 构建长期陪伴型AI代理的开发者（数字伴侣、个人助手）
• 研究认知架构的AI研究者，需快速复现Generative Agents论文
• 已使用OpenClaw生态、希望增强记忆连续性的高级用户
• 对AI人格 persistence有执念的技术爱好者

不适合：追求开箱即用的普通终端用户、需要企业级SLA的生产环境、对数据本地存储有合规顾虑的场景。

常规风险

| 风险类型 | 具体表现 | 缓解建议 |

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

| 隐私泄露 | 记忆文件明文存储于 `~/.openclaw/workspace`，包含敏感对话 | 加密工作目录，设置文件权限600 |

| 记忆污染 | 错误编码或LLM幻觉导致虚假记忆长期保留 | 定期运行 `consolidate.sh` 人工审计 |

| 衰减失控 | 高频访问记忆过度强化，形成"回音室"效应 | 监控 `timesReinforced` 字段，设上限干预 |

| cron失效 | 系统时间变更或权限问题导致编码中断 | 配置健康检查，监控 `lastUpdated` 时间戳 |

| 版本兼容 | index.json schema变更导致历史记忆无法读取 | 升级前备份，关注repo migration guide |

核心用法

hippocampus 是一个本地运行的记忆管理技能，模拟人脑海马体的记忆形成机制。它独立于主代理运行，通过 cron 定时任务自动完成：

1. 信号提取（preprocess.sh）：从对话记录中提取关键信号
2. 编码评分（encode-pipeline.sh）：LLM 评估重要性（0-1）、生成摘要、语义查重
3. 记忆衰减（decay.sh）：每日应用 0.99^days 衰减公式，模拟遗忘曲线
4. 智能检索（recall.sh）：支持重要性加权的语义搜索

记忆按四大域分类存储：user/（用户偏好）、self/（代理身份）、relationship/（共享历史）、world/（外部知识）。核心记忆（0.7+ 分）在会话启动时自动加载，确保连续性。

显著优点

• 学术根基扎实：直接实现 Park et al. (2023) 斯坦福 Generative Agents 论文的记忆架构
• 零外部依赖：仅需 python3 和 jq，无 npm/pip 包，供应链攻击面极小
• 智能去重机制：语义比较自动强化现有记忆而非创建重复条目
• 可视化洞察：Brain Dashboard 直观展示记忆状态，支持多脑区技能联动（amygdala、VTA）
• 隐私优先设计：纯本地处理，对话数据不离开设备，符合 GDPR 最小化原则

潜在局限

• 存储效率：JSON 文本格式在记忆量达万级时可能产生性能瓶颈
• 无分布式同步：不支持多设备记忆同步，换机需手动迁移 ~/.openclaw/workspace/memory/
• 语义理解依赖 LLM：编码质量受限于所用模型的摘要和评分能力
• 冷启动问题：新会话初期记忆稀疏，需积累一定交互后才能体现价值
• 无加密存储：敏感记忆以明文 JSON 存储，依赖系统级文件权限保护

适合人群

• 长期个人助理用户：需要代理记住跨会话偏好、项目背景、生活细节
• AI 研究者/开发者：想复现或扩展 Stanford Generative Agents 记忆机制的实践者
• 隐私敏感型用户：拒绝云端记忆方案，坚持数据本地化的用户
• 多代理架构设计者：构建 amygdala（情绪）、VTA（动机）、hippocampus（记忆）协同的认知系统

常规风险

| 风险项 | 说明 | 缓解建议 |

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

| 数据丢失 | 单点故障，无内置云备份 | 定期备份 `index.json`，利用 decay 自动备份机制 |

| 记忆污染 | 错误/过时信息被重复强化 | 使用 `reflect.sh` 定期审查，手动删除或修正 |

| 权限扩大 | 需读取对话日志、写入工作目录 | 确认 `WORKSPACE` 变量，检查 cron 任务配置 |

| 信息泄露 | 明文存储敏感用户事实 | 避免记录密码等机密，审查 `HIPPOCAMPUS_CORE.md` 内容 |

| 模型依赖 | 编码质量随 LLM 变化 | 定期抽查 `index.json` 中的摘要质量 |

关键阈值参考

• 核心记忆 ≥0.7：自动加载，定义代理身份
• 活跃记忆 0.4-0.7：正常检索范围
• 归档候选 <0.2：90 天后自然衰减至此，可手动清理

> 核心洞察：这不是「记住更多」，而是「忘记得更像人类」——通过可控衰减让真正重要的记忆浮现。