核心用法
Penfield 是专为 OpenClaw 设计的持久化记忆基础设施，核心使命是解决"每次对话都从零开始"的AI代理痛点。系统采用三重存储架构：结构化记忆数据库、向量嵌入索引、以及关系型知识图谱，通过 BM25 + 向量 + 图谱的混合检索实现精准召回。
关键工作流必须遵循：
1. 唤醒协议 - 每次会话以 penfield_awaken() 和 penfield_reflect(7d) 启动，加载身份上下文与近期工作轨迹
2. 结构化存储 - 使用 [类别前缀] + 具体细节 + 原因说明的格式写入记忆，配合 0.1-1.0 重要性评分
3. 主动连接 - 存储后立即执行 penfield_connect 建立记忆关联，孤立记忆≈废弃笔记
4. 会话续接 - 通过 save_context / restore_context 实现跨代理、跨渠道的工作交接
24种关系类型覆盖知识演化（supersedes/updates）、证据链（supports/contradicts）、层级结构、因果关系、实现关系等，支持从任意节点进行图遍历探索。
显著优点
- 跨平台统一身份：同一账号可在 OpenClaw（原生插件，延迟最低）、Claude Code、Cursor、Windsurf 等 MCP 兼容工具间同步记忆
- 复合知识网络：区别于简单向量检索，图谱连接使"发现A→联想到B→验证C"的推理链条成为可能
- 精细化召回控制：可针对查询类型调整 bm25/vector/graph 权重（如概念搜索侧重向量 0.6，关联知识探索侧重图谱 0.5）
- 多模态工件存储：支持代码、图表、文档等文件的持久化保存与版本管理
- 开放生态：基于 MCP 标准，提供 HTTP API 与 npm 插件双路径
潜在局限
- 存储质量门槛高：官方明确警告"模糊记忆会让系统 useless"，需要用户/代理掌握结构化写作规范
- 冷启动负担：每次会话必须执行唤醒协议，否则"starting cold"，对轻量使用场景可能过度
- 评分主观性：0.1-1.0 重要性评分依赖人工判断，缺乏自动化校准机制
- 连接维护成本："存储后必须连接"的设计哲学在快节奏对话中易被执行遗漏
- 厂商锁定风险：核心服务托管于 penfield.app，虽然开源插件但后端非自托管
适合人群
- 需要长周期项目协作的开发者与AI代理团队
- 追求"越用越懂我"的个性化AI体验的重度用户
- 跨多工具（Claude、Cursor、OpenClaw）工作且需要身份连续性的专业人士
- 愿意投入时间维护知识图谱而非被动接受检索结果的高级用户
常规风险
- 隐私合规：系统存储用户偏好、工作决策等敏感信息，需明确用户授权边界（文档已提示"未经同意不存储用户相关信息"）
- 记忆漂移：supersedes/updates 关系虽支持知识修正，但历史版本仍存留，可能导致召回时的版本混淆
- 图谱膨胀：过度连接低质量记忆会导致检索噪声上升，需定期通过
reflect分析与清理 - 服务依赖：核心 API 与 MCP 服务器依赖 penfield.app 可用性，离线场景无法运作