核心用法
Hippocampus 是一个为 AI agent 设计的背景记忆管理系统，灵感源自人脑海马体。它独立于主 agent 运行，通过 cron 定时任务自动完成记忆的编码、重要性评分、语义强化和自然衰减。
关键工作流程：
1. 预处理 (preprocess.sh)：从对话记录提取原始信号
2. 编码管道 (encode-pipeline.sh)：LLM 对信号评分并生成摘要
3. 语义强化：自动检测重复主题，强化现有记忆而非创建重复条目
4. 衰减机制 (decay.sh)：每日按 0.99^天数 衰减重要性，模拟自然遗忘
5. 检索 (recall.sh)：按重要性加权搜索记忆
记忆分层：Core (0.7+, 会话启动加载) → Active (0.4-0.7) → Background (0.2-0.4) → Archive (<0.2)
显著优点
- 学术基础扎实：直接实现 Stanford Generative Agents (Park et al., 2023) 的记忆架构，有顶会论文背书
- 自动化程度高：安装后几乎零维护，cron 驱动全流程
- 去重机制优雅：语义强化自动合并相关记忆，避免膨胀
- 结构化存储：分 domain（user/self/relationship/world）管理，便于定向检索
- 与 OpenClaw 深度集成：生成
HIPPOCAMPUS_CORE.md直接对接 RAG 系统
潜在局限
- 依赖外部 LLM：编码和评分均需调用 LLM，有 API 成本和延迟
- 信号丢失风险：
signals.jsonl和pending-memories.json为临时文件，若 cron 未正确配置可能堆积 - 衰减参数固定：0.99 的衰减系数不可调，可能不适合所有场景
- 无多机同步：记忆绑定单 workspace，跨设备使用需自行同步
- 手动安装步骤：需运行 shell 脚本和配置 cron，对非技术用户有门槛
适合人群
- 需要长期记忆连续性的个人 AI assistant 用户
- 基于 OpenClaw 构建复杂 agent 的开发者
- 对认知架构和记忆建模感兴趣的研究者
- 愿意维护本地 cron job 的技术用户
常规风险
- 数据持久化：记忆存储于本地 JSON 文件，无内置备份机制
- 隐私暴露：
user/目录积累大量个人偏好和事实，需确保 workspace 权限安全 - LLM 依赖：评分和摘要质量受模型能力影响，廉价模型可能误判重要性
- 版本兼容性：index.json schema 版本变更可能导致迁移问题