核心用法
Dawn Memory Architecture 是一款专为 AI Agent 设计的长期记忆持久化框架，采用纯本地技术栈实现零外部依赖。其核心操作围绕三层存储体系展开：
第一层 MEMORY.md 作为中央索引入口，每次启动强制读取，200 行/25KB 的硬限制确保轻量高效；第二层 memory/core/ 存储结构化 JSON 事实（身份、偏好、策略、经验等五大主题），支持版本管理；第三层本地向量数据库（LanceDB + all-MiniLM-L6-v2）实现 384 维语义检索，服务运行在 localhost:19999，支持跨会话的语义搜索。
四大机制保障记忆质量：Engramory 策展纪律（去重优先、更新优于插入、错误即删除、硬限约束）、WAL 预写日志协议（关键决策先落盘再回复）、工作缓冲区（上下文占用超 60% 自动触发摘要归档）、短长期自动晋升（高价值记忆自动从日志提升至 MEMORY.md）。P0-P3 真相层级明确区分决策数据源——P0 实时持仓数据唯一用于交易决策，P1-P3 仅用于复盘分析。
配套维护脚本覆盖启动同步、Schema 校验、持仓快照、资金流扫描、因子选股等场景，形成完整的记忆生命周期管理闭环。
显著优点
1. 完全离线自治：零外部 API 依赖，纯本地文件系统 + SQLite + LanceDB，网络隔离环境下仍可运行，数据主权完全归属用户。
2. 工程化成熟度：历经 v4.0 至 v7.1 的迭代演进，部署清单细化至 10 步骤，版本历史、维护脚本、触发条件文档完备，可直接用于生产环境。
3. 语义检索能力：本地向量数据库突破传统关键词匹配局限，支持跨会话的语义相似度搜索，大幅提升经验复用效率。
4. 数据一致性保障：WAL 协议 + P0 单源真相层级 + JSON Schema 校验，从写入到决策形成多重防护，避免记忆腐蚀导致的决策偏差。
5. 资源约束设计：硬限制（200 行、60% 阈值）倒逼信息密度，"文本优于脑记"等五条设计原则确保系统可维护性。
潜在局限
1. 本地部署门槛：需手动配置 LanceDB、维护目录结构、管理 SQLite 表模式，对非技术用户存在一定上手成本。
2. 向量模型固定：锁定 all-MiniLM-L6-v2（384 维），不支持灵活切换更大模型或多语言优化模型，语义理解能力有上限。
3. 晋升规则刚性：自动晋升依赖硬编码阈值（score > 0.8、出现 3+ 次），难以适应不同领域的价值密度差异，可能漏记或冗余。
4. 并发能力存疑：SQLite 单文件架构与文件锁机制，在高并发写入场景下可能成为瓶颈，未明确提及分布式或多实例协调方案。
5. 调试观测有限：缺乏可视化记忆管理界面，排查记忆遗漏或污染需手动翻阅多层文件，运维效率受限。
适合群体
- 量化交易 Agent 开发者：架构直接面向持仓管理、策略迭代、交易复盘场景，P0-P3 层级与资金/持仓表设计贴合金融需求。
- 离线优先的 AI 应用架构师：对数据隐私敏感、需完全本地运行的企业或研究场景。
- 长期记忆研究者：希望深入理解三层存储、WAL、向量检索等机制如何协同工作的工程人员。
- 个人知识库构建者：希望将 LLM 交互历史转化为可检索、可演进的经验资产的深度用户。
常规风险
性能风险：LanceDB 本地服务单进程运行，大规模向量检索（百万级）时延迟可能上升；SQLite 写入锁竞争在高频交易场景下需实测验证。
数据风险：纯本地存储缺乏自动云备份，磁盘故障或误操作可能导致记忆资产永久丢失，需自行配置 rsync 或定期归档策略。
依赖风险：all-MiniLM-L6-v2 为固定依赖，若未来停维护或出现兼容性断层，需自行维护模型加载逻辑；LanceDB 作为新兴项目，版本升级可能引入破坏性变更。
语义漂移风险：向量模型静态不变，长期使用后领域术语分布偏移可能导致检索精度下降，需周期性重嵌入或模型热更新机制。
维护沉没成本：目录结构、JSON Schema、脚本逻辑深度耦合，中途迁移至其他记忆框架需重构成本。