核心用法
ResearchVault 是一款本地优先的研究编排引擎，专为 AI 代理（agent）设计，提供持久化状态管理、知识合成与自主验证能力。其核心工作流包括：
1. 项目初始化：通过 vault.py init 创建研究项目，设定研究目标与命名空间
2. 数据摄取：使用 vault.py scuttle 将网页或文档导入本地 SQLite 数据库
3. 策略生成：运行 vault.py strategy 启动自主研究策略，自动分析并生成洞察
4. 可选服务扩展：手动启动 MCP 服务器或 Watchdog 服务实现外部工具集成与监控
显著优点
- 本地优先架构：所有数据默认存储于本地 SQLite（
~/.researchvault/research_vault.db），无需云端依赖，保障数据主权 - 网络透明可控：仅在有明确研究需求或配置 Brave API 时才建立外连，无后台静默爬取
- 代理友好设计：为 AI 代理提供结构化状态管理，支持长期研究任务的上下文延续
- 服务化扩展：MCP 服务器与 Watchdog 以独立脚本形式存在，按需手动启动，避免资源滥用
- 模型权限约束：
disableModelInvocation: true设置防止模型自主启动后台任务，降低误操作风险
潜在缺点与局限性
- Python 版本门槛：要求 Python ≥3.13，旧环境需升级
- 手动服务管理：MCP/Watchdog 需独立启动，无法实现完全自动化的服务编排
- SQLite 性能上限：大规模并发研究或海量数据场景下，本地数据库可能成为瓶颈
- 可选功能依赖外部：Brave 搜索等增强功能需自行申请 API 密钥
- 生态成熟度待观察：作为新兴工具，文档完备性与社区支持尚在发展
适合人群
- 重视数据隐私的研究人员与开发者
- 需要构建长期运行、状态化 AI 研究代理的技术团队
- 希望将研究流程本地化的知识工作者
- MCP 生态早期采用者与代理工具链整合者
常规风险
- 本地数据安全：数据库文件权限配置不当可能导致敏感研究数据泄露
- API 密钥管理：Brave API 等外部服务密钥若硬编码或误提交存在泄露风险
- 服务进程残留：手动启动的 MCP/Watchdog 进程需妥善管理，避免僵尸进程占用资源
- 依赖供应链：Python 虚拟环境与
pip install -e .的开发模式安装需验证依赖完整性