核心用法
Dawn Memory Architecture 是一套专为AI Agent设计的长期记忆管理系统，采用MEMORY.md中央索引 + memory/core结构化事实 + 本地向量数据库的三层存储架构。用户通过标准化的目录结构和维护脚本，实现会话记忆的持久化存储、语义检索与自动升级。
核心操作流程：
1. 启动同步：运行 dawn_boot_sync.py 建立索引与技能映射
2. 日常记录：自动写入 daily/ 目录，高价值记忆（score>0.8）触发向 MEMORY.md 的自动晋升
3. WAL协议：检测到修正、决策、偏好变更或数值变化时，先写入 session-state.json 再回复
4. 语义检索：通过本地LanceDB（localhost:19999）进行跨会话向量搜索
5. 真相校验：实时决策严格遵循P0-P3层级，仅用 state.db 中的实时持仓数据
显著优点
金融级可靠性设计：WAL（预写日志）协议确保崩溃不丢数据；P0-P3真相层级将实时决策与历史记忆严格隔离，避免"幻觉指导交易"的致命风险。
零外部依赖：纯本地文件系统 + SQLite + LanceDB，384维all-MiniLM-L6-v2向量模型完全离线，无需API密钥，无隐私泄露风险。
Engramory策展纪律：强制去重、更新优先、错误即删、200行硬限制，配合版本管理的JSON结构化存储，确保记忆库的长期可维护性。
智能内存管理：60%上下文阈值自动触发Working Buffer，长会话关键信息不丢失；高频出现或用户显式标记的记忆自动晋升至核心层。
潜在缺点与局限性
部署复杂度较高：需手动完成10步部署清单，包括目录结构创建、向量DB部署、WAL触发器配置等，对非技术用户门槛显著。
存储规模受限：MEMORY.md 25KB/200行硬限制虽保证读取性能，但可能限制超长期项目的记忆容量；需依赖归档机制手动清理。
无云端同步能力：纯本地设计意味着多设备间记忆无法自动同步，团队协作场景需自行搭建同步方案。
向量模型固定：仅支持all-MiniLM-L6-v2，无法灵活切换更高性能模型；384维向量在处理复杂语义关系时精度有限。
金融场景特化：P0-P3层级、持仓表结构等设计明显偏向量化交易场景，通用Agent需较大幅度改造。
适合的目标群体
- 量化交易开发者：需要严格区分实时数据与历史记忆，防止AI幻觉导致交易决策错误
- 本地优先的Agent开发者：对数据隐私极度敏感，拒绝任何外部API依赖的场景
- 长期运行的自动化系统：需要跨会话保持复杂状态、策略演进的Agent项目
- 技术极客/开源贡献者：愿意投入部署成本换取架构可控性和可审计性
常规使用风险
性能风险：本地LanceDB在高并发写入场景可能出现锁竞争；SQLite单文件在频繁WAL写入下需关注碎片化和VACUUM维护。
数据一致性风险：自动晋升机制和WAL触发依赖规则配置的准确性，配置错误可能导致记忆丢失或重复。
版本兼容性：JSON Schema变更需手动运行 dawn_schema_validate.py，版本升级路径缺乏自动化迁移工具。
备份责任：纯本地存储意味着用户需自行建立备份策略，磁盘故障将导致不可逆记忆丢失。