核心功能与架构
Elite Longterm Memory (Local Edition) 是一款面向 AI Agent 的本地化长期记忆解决方案，采用 LanceDB 向量数据库与 Ollama 本地嵌入模型，彻底摆脱对外部 API 的依赖。系统设计了五层记忆架构：Hot RAM（活跃会话状态）、Warm Store（LanceDB 语义向量）、Cold Store（Git-Notes 结构化决策）、Archive（人类可读精选归档）以及 Embedding 层（Ollama 本地模型），实现从瞬时上下文到永久知识的分级管理。
核心机制围绕 WAL（写前日志）协议 构建，确保关键用户偏好、决策、期限和纠正在 AI 回复前完成持久化，防止崩溃导致上下文丢失。支持自动召回（autoRecall）与智能捕获（autoCapture），可在对话中无缝注入相关历史记忆。
显著优势
1. 零成本运行：Ollama 本地嵌入完全免费，无 token 计费焦虑
2. 隐私安全：数据不出本地，适合敏感场景
3. 毫秒级延迟：纯本地推理，无网络波动影响
4. 离线可用：无网络环境下照常工作
5. 分层管理：Hot/Warm/Cold 三层设计平衡性能与容量
6. Git-Notes 集成：重要决策永久版本化存储
局限与风险
- 模型质量依赖：nomic-embed-text 虽免费，但语义理解能力弱于 OpenAI text-embedding-3，复杂场景召回准确率可能下降 5-15%
- 运维复杂度：需自行维护 Ollama 服务、磁盘空间与向量压缩
- 冷启动成本：首次加载本地模型需显存/内存资源
- 无多机同步：纯本地设计，跨设备记忆迁移需手动备份/恢复
- WAL 实现依赖工具调用可靠性：若 Agent 未严格执行先写后回，协议失效
适合人群
- 注重隐私、拒绝数据出境的个人用户
- 需要离线环境的开发者（飞机、隔离网络）
- 高频调用记忆功能、API 费用敏感的场景
- 已部署 Ollama 的本地 AI 工作流用户
使用建议
建议配合 memory_recall → 决策 → memory_store 的显式工具链使用，定期运行 compact 和 cleanup 维护向量健康度。关键业务场景建议保留 OpenAI API 作为高质量召回的后备方案。