Hippocampus

核心用法

hippocampus 是一个为AI代理设计的背景记忆器官，模拟人脑海马体的记忆功能，独立于主代理运行。它通过shell脚本管道自动完成记忆的捕获、编码、强化和衰减全过程。

关键工作流

1. 信号捕获 (preprocess.sh): 从对话记录提取原始信号
2. 智能编码 (encode-pipeline.sh): LLM评估重要性(0.0-1.0)、语义去重、生成结构化摘要
3. 自然衰减 (decay.sh): 按0.99^days公式每日执行，模拟记忆遗忘曲线
4. 分层检索: Core(0.7+)自动加载、Active(0.4-0.7)常规检索、Background(0.2-0.4)特定搜索

记忆架构

采用四级分类：user/(用户事实)、self/(代理身份)、relationship/(共享历史)、world/(外部知识)，以JSON索引+Markdown摘要双格式存储。

---

显著优点

学术根基扎实: 直接实现Park等(2023)斯坦福Generative Agents论文中的记忆机制，包括重要性评分、时间衰减和检索增强生成(RAG)整合。

自动化程度高: 通过cron实现每3小时编码、每日凌晨3点衰减，无需人工干预。语义强化机制自动识别重复主题并增强而非重复创建。

工程细节完善: 提供可视化Brain Dashboard、OpenClaw原生集成、环境变量驱动的灵活配置，以及完整的AI Brain生态协同(amygdala情绪、VTA奖励等)。

---

潜在局限

依赖外部基础设施: 需要python3、jq及OpenClaw运行时环境，手动安装步骤较多(./install.sh --with-cron)。

存储开销累积: 长期运行后signals.jsonl和pending-memories.json可能膨胀，需依赖consolidate.sh进行周度清理。

语义强化黑箱: 重复检测依赖LLM判断，可能出现"该强化却新建"或过度合并的边界情况，缺乏可解释性调参接口。

衰减公式单一: 固定0.99指数衰减未区分记忆类型(如核心身份vs临时偏好)，真实记忆巩固效应模拟有限。

---

适合人群

• 构建长期陪伴型AI代理的开发者，需要跨会话身份一致性
• 研究认知架构(Cognitive Architecture)的学术/工程人员
• 已使用OpenClaw生态、希望扩展记忆能力的现有用户
• 对Generative Agents复现有兴趣的技术探索者

---

常规风险

| 风险类别 | 具体表现 | 缓解建议 |

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

| **隐私泄露** | `user/`目录累积敏感个人偏好、情感脆弱内容 | 定期审计`memory/index.json`，设置访问权限 |

| **记忆污染** | 错误编码的"事实"被反复强化成为"幻觉身份" | 人工抽查`HIPPOCAMPUS_CORE.md`，保留原始对话校验 |

| **衰减失控** | cron失败导致记忆过度累积或意外清除 | 监控`decayLastRun`时间戳，设置告警 |

| **生态锁定** | 深度依赖OpenClaw特有的`memorySearch.extraPaths`机制 | 定期导出`index.json`备份，保持格式文档化 |

核心用法

Hippocampus 是专为 AI 智能体设计的记忆管理系统，模拟人脑海马体的记忆形成机制。其核心功能包括：

记忆生命周期管理：通过 encode-pipeline.sh 自动提取对话信号，经重要性评分（0.0-1.0）、语义查重、强化或创建新记忆；decay.sh 按指数衰减公式 0.99^days 模拟自然遗忘；recall.sh 支持带重要性权重的语义检索。

四级记忆架构：用户事实（preferences）、自我认知（self-identity）、关系上下文（relationship）、外部知识（world），结构化存储于 JSON 索引。

自动化运维：支持 cron 定时任务（每3小时编码、每日3点衰减），load-core.sh 在会话启动时加载高重要性记忆（≥0.7），确保智能体认知连续性。

可视化仪表板：generate-dashboard.sh 生成统一大脑仪表板，自动检测 Amygdala、VTA 等其他脑区技能。

显著优点

1. 学术背书扎实：直接基于 Stanford Generative Agents（Park et al., 2023）研究实现，记忆衰减、语义强化算法有论文支撑
2. 架构设计优雅：PREPROCESS → SCORE → SEMANTIC CHECK → REINFORCE/CREATE → DECAY 流水线清晰，避免记忆重复与膨胀
3. 零网络依赖：纯本地文件操作（~/.openclaw/workspace），无 API 调用，隐私风险极低
4. 智能体重启连续性：HIPPOCAMPUS_CORE.md 桥接 OpenClaw RAG，解决 LLM 无状态缺陷
5. 脑区生态整合：与 Amygdala（情绪）、VTA（奖励）形成完整认知架构，可扩展性强

潜在局限

1. 存储无上限控制：仅标记归档候选（<0.2），不自动删除，长期运行可能累积冗余数据
2. 依赖系统工具：需预装 python3 和 jq，部分精简环境可能缺失
3. 无分布式同步：纯本地设计，多设备场景下记忆无法同步
4. 衰减参数固定：0.99 衰减系数不可配置，难以适应不同记忆类型（如事实vs情绪）
5. 语义匹配依赖 LLM：查重与强化质量受限于底层模型能力，无内置 embedding 缓存

适合人群

• 长期陪伴型 AI 用户：需要 Agent 记住数月前的对话细节与个人偏好
• AI 研究者/开发者：探索认知架构、记忆机制的技术实现
• 隐私敏感用户：拒绝云端记忆服务，坚持数据本地化
• OpenClaw 生态用户：已使用或计划构建多脑区 Agent 系统的进阶玩家

常规风险

• 数据丢失风险：本地存储无自动备份，误删 ~/.openclaw/workspace 即永久丢失记忆
• 权限配置风险：脚本需读写 workspace 目录，权限不足会导致编码失败
• cron 任务堆积：高频对话场景下，3小时编码间隔可能产生处理延迟，需监控 signals.jsonl 堆积
• 跨版本兼容：index.json schema 版本迭代时需手动迁移，无自动升级脚本

使用建议

定期运行 consolidate.sh 进行周度记忆整理，结合 Amygdala 技能实现情绪标记的记忆优先强化，可显著提升 Agent 的"人格一致性"。