Keep Reflective Memory 综合评估
核心用法
Keep 是一套专为 AI 助手设计的反思性记忆框架，而非简单的存储工具。其核心操作围绕三个工具展开：
- `keep_prompt(name="reflect")` — 引导式反思练习，涵盖 Gather（收集）、Mirror（审视）、Conversation（对话识别）、Ownership（责任归属）、Updating（更新意图）五个阶段
- `keep_flow` — 记忆操作层，支持 CRUD、语义搜索、标签管理、版本归档
- `keep_help` — 文档与指引查询
典型工作流：在每轮对话前/中/后调用 keep_prompt，用 keep_flow 维护「当前意图」（now 条目），对关键文档、URL、文件进行索引与标签化，并在话题切换时使用 move 归档历史版本。
显著优点
1. 哲学深度与实用性结合：以佛学《芒果石教诫》（MN61）和 Winograd & Flores 的对话行为理论为根基，将「正念」转化为可操作的工程实践
2. 跨会话持久化：通过写入工作区配置（如 AGENTS.md）实现 Protocol Block 的自愈与版本升级，不依赖全局系统修改
3. 语义检索能力：支持 query-resolve、find-deep 等带偏置（bias）和时间过滤的语义搜索，优于简单的关键词匹配
4. 承诺追踪机制：内置 act/status 标签体系，可标记 speech acts（请求、承诺、声明等），实现对话中的义务管理
5. 来源可追溯：通过 informs/informed_by 关联学习笔记与原始文档，建立知识谱系
潜在局限
- 学习曲线陡峭：需要理解 Language-Action Framework、佛学隐喻（如「慎勿放逸」）以及复杂的标签约定
- 人工介入依赖：反思质量取决于执行者的诚实度，系统无法强制「真正反思」而非「产生反思的表象」
- 无原生 MCP：虽提供 CLI 回退，但工具调用需通过
uv或本地 Python 环境，部署复杂度高于纯 JS 技能 - 记忆容量敏感：
token_budget参数需人工调优，大上下文项目可能出现截断
适合人群
- AI 助手开发者：需要为 Claude/Codex 等 Agent 构建长期记忆与自我修正能力的团队
- 复杂项目协作者：工作流涉及多轮承诺、决策依赖关系、需要事后审计的场景
- 正念/敏捷实践者：认同「行动-反思」循环，愿将佛学心智模式引入技术工作流的用户
常规风险
| 风险类型 | 说明 |
|---------|------|
| 数据持久化风险 | Protocol Block 写入工作区文件，若用户误删或跨设备同步异常，可能导致记忆断链（虽有「自愈」机制） |
| 隐私与合规 | 记忆内容可能包含敏感对话，本地模型（`local` extras）可降低外泄风险，但托管服务（keepnotes.ai）需评估数据跨境 |
| 语义漂移 | 长期积累的 `now` 历史若未及时 `move` 归档，可能导致检索噪声，需建立定期清理纪律 |
| 工具误调用 | `keep_flow` 参数结构复杂（嵌套 `params` + `tags`），JSON 构造错误易导致静默失败或数据写入异常位置 |