Jasper Recall

核心用法

Jasper Recall 是一个本地部署的检索增强生成（RAG）系统，专为 AI Agent 设计长期记忆能力。其核心工作流由三个组件构成：digest-sessions 提取会话关键信息生成摘要，index-digests 将 Markdown 文件分块并嵌入 ChromaDB 向量数据库，recall 执行语义搜索召回相关记忆。用户通过 npx jasper-recall setup 一键安装 Python 虚拟环境和依赖，无需 root 权限。

显著优点

• 完全本地运行：使用 sentence-transformers/all-MiniLM-L6-v2 模型（384维向量，~80MB），无需调用外部 API，保障数据隐私
• 多 Agent 共享架构：v0.3.0 引入多 Agent Mesh，支持 N 个 Agent 共享记忆池，通过 [public]/[private]/[learning] 标签实现细粒度访问控制
• OpenClaw 深度集成：提供 autoRecall 插件，可自动在每轮对话前注入相关记忆上下文，提升 Agent 连贯性
• Docker 友好：serve 命令启动 HTTP API（默认 localhost:3458），方便容器化 Agent 访问
• 智能过滤机制：自动跳过心跳轮询、Agent 间消息、自动化报告等无需触发记忆召回的场景

潜在缺点与局限性

• Python 依赖负担：核心依赖 ChromaDB 和 sentence-transformers 约 200MB，虽为一次性下载，但对纯 Node.js 环境引入额外复杂度
• Embedding 模型单一：固定使用 MiniLM-L6-v2，无法灵活切换更强大的多语言或代码专用模型
• 分块策略固定：默认 500 字符分块、100 字符重叠，对代码片段或结构化数据可能不够精细
• 无内置加密：向量数据库和记忆文件以明文存储，依赖操作系统级权限控制

适合人群

• 需要 Agent 跨会话保持上下文记忆的开发者
• 构建多 Agent 协作系统（主 Agent + 沙箱 Agent）的工程师
• 重视数据本地化、不希望记忆内容流向第三方云服务的隐私敏感用户
• 使用 OpenClaw 框架的 Agent 运维人员

常规风险

• 敏感数据泄露：privacy-check 工具可扫描邮箱、API Key、内网 IP，但依赖用户主动使用；sync-shared 提取公开内容前建议始终加 --dry-run
• 服务器暴露风险：serve 默认绑定 127.0.0.1，若错误配置 --host 0.0.0.0 且设置 RECALL_ALLOW_PRIVATE=true 将导致私有记忆完全暴露
• 沙箱逃逸隐患：多 Agent 共享机制设计合理，但若主 Agent 被攻破，攻击者可通过共享集合影响其他 Agent 的记忆召回结果
• 依赖供应链风险：Python 包（transformers、torch 等）体积大、更新频繁，存在恶意代码注入或漏洞的潜在可能

核心用法

Jasper Recall 是一款专为AI Agent设计的本地RAG（检索增强生成）记忆系统，基于Python生态的ChromaDB向量数据库与sentence-transformers嵌入模型构建，完全离线运行、无需外部API。

三大核心命令

• `recall` — 语义搜索历史记忆，支持多集合隔离（private/public/learnings）
• `index-digests` — 将Markdown记忆文件切片、嵌入并索引到ChromaDB
• `digest-sessions` — 从会话日志提取关键信息生成结构化摘要

多代理记忆共享（v0.3+）

创新性地支持多代理网格（Multi-Agent Mesh）：N个代理共享部分记忆，通过[public]/[private]/[learning]标签实现精细化访问控制。主代理拥有完整记忆，沙箱代理仅限shared_memories，学习成果双向同步至agent_learnings集合。

OpenClaw插件集成

提供autoRecall自动记忆注入功能，在每条消息处理前智能召回相关上下文，内置完善的安全过滤（跳过HEARTBEAT、短消息、NO_REPLY等），并可配置minScore阈值与publicOnly沙箱模式。

---

显著优点

| 维度 | 优势 |

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

| **完全本地** | 嵌入模型（all-MiniLM-L6-v2）与向量数据库均本地运行，零API依赖、零网络延迟、零隐私外泄 |

| **隐私优先设计** | 内置`privacy-check`主动敏感数据扫描，支持public/private/learnings三级隔离，符合GDPR数据最小化原则 |

| **多代理架构** | 独特的集合隔离机制，解决沙箱代理"需要上下文但不可信"的痛点 |

| **轻量易用** | 单命令`npx jasper-recall setup`完成Python venv、ChromaDB、CLI配置全流程 |

| **安全默认** | HTTP服务器强制127.0.0.1，`public_only=true`默认启用，文档充分警告风险操作 |

---

潜在局限

1. Python依赖重量：ChromaDB+sentence-transformers约200MB，首次下载较重
2. 嵌入模型局限：384维的MiniLM-L6-v2在复杂语义匹配上弱于商用API（如OpenAI text-embedding-3）
3. 无加密存储：ChromaDB数据文件以明文存储，敏感场景需额外文件系统加密
4. HTTP服务器可误配：--host 0.0.0.0可强制暴露，虽文档警告但仍需用户自律
5. Node.js生态缺失：核心功能依赖Python子进程，跨进程通信带来轻微性能开销

---

适合人群

• 个人AI开发者：需要为本地Agent构建长期记忆，拒绝API成本与隐私风险
• 多Agent系统架构师：需要安全地在主代理与沙箱代理间共享部分知识
• 隐私敏感场景：医疗、法律、金融等要求数据不出本地的领域
• OpenClaw/Claude Code用户：寻求深度集成的记忆增强工作流

---

常规风险

| 风险 | 说明 | 缓解措施 |

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

| **敏感数据泄露** | 误将private内容标记为public | 定期运行`privacy-check`，共享前`--dry-run`预览 |

| **服务器暴露** | 误配`--host 0.0.0.0`导致外部访问 | 保持默认127.0.0.1，网络层附加防火墙 |

| **上下文注入污染** | autoRecall引入低相关度记忆 | 设置`minScore >= 0.5`，定期清理索引 |

| **依赖供应链** | Python库漏洞（当前无已知CVE） | 定期`--doctor --fix`更新依赖 |