Neural Memory

NeuralMemory 综合评估

核心用法

NeuralMemory 是一款受生物神经科学启发的持久化记忆系统，专为 AI Agent 设计。其核心创新在于采用扩散激活（spreading activation）机制替代传统的关键词/向量搜索——记忆以神经图形式存储，包含神经元节点和 20 种类型化突触连接（如 BEFORE/AFTER 时间型、CAUSED_BY/LEADS_TO 因果型、IS_A/HAS_PROPERTY 语义型、CONTRADICTS 冲突型等）。

典型工作流：

• 会话启动：调用 nmem_context 注入近期记忆，或 nmem_recall 检索特定主题
• 会话中：决策/错误/偏好发生时即时 nmem_remember 存储；用户追问历史时深度召回
• 会话结束：nmem_auto 自动提取关键信息

深度层级：0 级（<10ms 即时事实）→ 1 级（~50ms 标准上下文）→ 2 级（~200ms 习惯模式）→ 3 级（~500ms 跨域因果链）。

显著优点

1. 零 LLM 依赖：纯算法实现（正则、图遍历、Hebbian 学习），无 API 成本与延迟
2. 概念关联优于字面匹配：即使无关键词/嵌入重叠，也能通过图遍历找到概念相关记忆
3. 生物可塑性：Hebbian 学习（"一起激发的神经元连在一起"）使高频共现记忆自动强化；Ebbinghaus 遗忘曲线实现自然衰减
4. 矛盾自检测：自动识别冲突记忆并降低旧记忆优先级
5. 完整生命周期管理：短期→工作→情景→语义记忆的渐进固化
6. 本地隐私：SQLite 本地存储，默认零外部传输
7. 双语支持：越南语+英语完整支持

潜在缺点与局限性

• 安装复杂度：需同时配置 Python 包（pip）和 Node 插件（npm），Windows 路径处理繁琐
• 生态锁定：深度集成 OpenClaw 框架，MCP 模式缺少自动钩子功能
• 无原生向量语义：依赖图结构而非嵌入空间，某些抽象语义关联可能缺失
• 性能瓶颈：深度 3 召回达 500ms，大规模 brain 可能超时需调优
• 维护状态：GitHub 仓库作者个人维护，长期更新保障存疑

适合人群

• 需要跨会话持久记忆的 OpenClaw/Cline 重度用户
• 重视隐私本地存储、拒绝云端记忆方案的企业/个人
• 工作流涉及复杂决策追踪、错误复盘、因果分析的开发者团队
• 对神经科学/认知模型有偏好，愿承担配置成本的技术早期采用者

常规风险

| 风险类型 | 说明 | 缓解建议 |

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

| 数据丢失 | 本地 SQLite 无自动备份 | 定期 `nmem_version` 快照，重要 brain 异地备份 |

| 记忆污染 | 错误/过时记忆未清理影响召回质量 | 启用矛盾检测，定期 `nmem_health` 诊断 |

| 隐私泄露 | brain 文件可被本地其他程序读取 | 敏感项目使用独立 brain，文件系统权限管控 |

| 版本不兼容 | 插件与 Python 包版本错配 | 同步更新，关注 GitHub release 说明 |

| 召回幻觉 | 深度召回可能关联不相关记忆 | 合理设置 `max_tokens`，人工校验关键决策依据 |

核心用法

NeuralMemory 是一款生物启发式的本地记忆系统，采用传播激活（spreading activation）替代传统关键词/向量搜索。记忆以神经图形式存储：节点（neurons）通过 20 种类型化突触（synapses）连接，包括时间序（BEFORE/AFTER）、因果链（CAUSED_BY/LEADS_TO）、语义关联（IS_A/HAS_PROPERTY）及情感标记（FELT/EVOKES）。

与向量检索的本质区别：向量搜索寻找"相似文档"，而 NeuralMemory 通过图遍历发现概念关联——即使无关键词或嵌入重叠。例如询问"生产环境认证配置"，系统同时激活时间、实体、概念神经元，找到决策交集。

关键工具链

| 工具 | 场景 |

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

| `nmem_remember` | 存储决策/错误/偏好/洞察 |

| `nmem_recall` | 深度关联召回（depth 0-3） |

| `nmem_context` | 会话启动时注入近期记忆 |

| `nmem_auto` | 自动提取对话中的事实/决策/TODO |

| `nmem_health/stats/version` | 脑健康诊断与版本管理 |

深度等级：0级（<10ms，快速事实）→ 1级（~50ms，标准召回）→ 2级（~200ms，模式匹配）→ 3级（~500ms，跨域因果链追溯）。

显著优点

1. 零 LLM 依赖：纯算法实现（正则、图遍历、Hebbian学习），无需调用外部模型即可提取、分类、关联记忆
2. 生物级记忆生命周期：短期→工作→情景→语义记忆，配合艾宾浩斯衰减曲线自然遗忘
3. 矛盾自检测：自动识别冲突记忆并降低陈旧信息优先级
4. 因果链追溯：通过 LEADS_TO/CAUSED_BY 突胶回溯决策根源，回答"为什么上周部署失败"
5. 完全本地化：SQLite 存储于 ~/.neuralmemory/，默认零网络传输（可选 embedding 需手动配置）
6. 双语支持：越南语+英语的完整提取与情感分析

潜在局限

• T3 来源风险：维护者为个人开发者 GitHub 账号 nhadaututtheky，无企业背书，需关注上游更新
• 依赖外部包：核心功能依赖 pip/npm 安装的 neural-memory/neuralmemory，需验证官方源防中间人攻击
• 无云端同步：脑移植（nmem_transplant）需手动操作，多设备场景不便
• 学习曲线：20 种突胶类型与深度参数需理解方能高效使用
• Windows 适配坑点：python3 路径、正斜杠/转义反斜杠等配置细节易出错

适合人群

• 长期项目开发者：需要跨会话保持技术决策、错误教训、架构演进的上下文
• 研究型用户：依赖因果追溯与模式识别进行复杂问题分析
• 隐私敏感场景：拒绝云端记忆服务的本地优先用户
• 多语言团队：需越南语/英语双语记忆提取的国际化团队

常规风险

| 风险类型 | 说明 | 缓解措施 |

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

| 上游供应链 | pip/npm 包被投毒 | 锁定版本、验证哈希、使用私有镜像 |

| 数据丢失 | 本地 SQLite 无自动备份 | 定期备份 `~/.neuralmemory/brains/` |

| 记忆污染 | 错误信息长期强化 | 利用 `nmem_health` 监控、主动清理 |

| 配置泄露 | `openclaw.json` 含路径信息 | 避免提交至版本控制 |

安装要点

推荐 OpenClaw 插件模式（占用专属 memory slot），自动注入上下文与捕获记忆；MCP 模式需手动调用工具。Windows 用户特别注意 pythonPath: "python" 与路径格式。