核心用法
Hippocampus 是一套为 AI 智能体设计的背景记忆器官，独立运行于主代理之外，模拟人脑海马体的记忆形成机制。安装后通过 ./install.sh --with-cron 完成部署，自动设置定时任务。核心工作流包括：
1. 信号捕获：preprocess.sh 从对话记录提取原始信号
2. 编码评分：encode-pipeline.sh 为记忆打分（0.0-1.0），语义检查避免重复
3. 记忆衰减：decay.sh 按 0.99^days 公式每日执行，模拟遗忘曲线
4. 智能检索：recall.sh 支持重要性加权搜索
5. 核心加载：load-core.sh 在会话开始时输出高重要性记忆
记忆按域分类存储（user/self/relationship/world），支持语义强化——当话题重复出现时自动提升重要性而非创建副本。
显著优点
- 学术背书：直接基于 Stanford Generative Agents 论文（Park et al., 2023）实现
- 全自动化：编码和衰减通过 cron 定时运行，无需手动干预
- 语义智能：LLM 自动识别重复主题，避免记忆膨胀
- 分层检索：0.7+ 为核心记忆（会话自动加载），0.4-0.7 为活跃记忆，<0.2 归档候选
- 生态集成：与 OpenClaw RAG 深度整合，生成可视化 Brain Dashboard
潜在局限
- 依赖外部工具：需 python3、jq 及 cron 环境，Windows 用户配置复杂
- 评分主观性：重要性分数由 LLM 判断，可能漏捕用户认为关键的信息
- 存储开销：长期运行后 index.json 可能膨胀，需定期 consolidate
- 无原生加密：敏感记忆以明文存储于本地文件系统
适合人群
- 构建长期陪伴型 AI 代理的开发者
- 需要跨会话保持上下文的个人知识管理用户
- 研究认知架构（cognitive architecture）的 AI 研究者
常规风险
- 隐私泄露：记忆文件包含用户偏好、情感内容等敏感信息，需妥善保护 workspace 目录
- 记忆污染：错误的重要评分可能导致噪声记忆长期驻留核心层
- 衰减误伤：高频但间隔长的信息（如年度事件）可能被过度衰减
- 依赖锁定：记忆格式与 OpenClaw 生态深度绑定，迁移成本较高