Elite Longterm Memory

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。

核心用法

Elite Longterm Memory (Local Edition) 是一套面向 AI Agent 的本地长期记忆解决方案。用户通过 Node.js CLI 或 OpenClaw 插件接口操作记忆系统：使用 memory store 存储带权重和分类的记忆片段，memory search 进行语义检索召回相关上下文，memory forget 清理过期信息。系统初始化后自动创建五层存储架构：Hot RAM（SESSION-STATE.md 活跃会话状态）、Warm Store（LanceDB 向量数据库语义搜索）、Cold Store（Git-Notes 永久决策归档）、Archive（MEMORY.md 人类可读精选）、Embedding（Ollama 本地嵌入模型）。WAL（写前日志）协议确保关键信息先持久化再响应，防止崩溃丢失上下文。

显著优点

零成本隐私优先：完全基于 Ollama 本地嵌入模型（默认 nomic-embed-text），无需 OpenAI API 密钥，零 token 费用，数据不出本地，满足最严格的隐私合规要求。毫秒级延迟：本地向量计算避免网络往返，召回延迟可控在毫秒级，适合实时交互场景。三层智能存储：Hot/Warm/Cold 分层管理平衡性能与持久性，高频上下文常驻内存，历史语义向量化检索，关键决策永久归档。OpenClaw 原生集成：提供 memory_recall、memory_store、memory_forget 标准工具，Agent 可自动注入相关记忆增强上下文理解。

潜在缺点与局限性

嵌入质量依赖本地模型：nomic-embed-text 虽免费，但在跨语言、专业术语、长文档理解上略逊于 OpenAI text-embedding-3 系列，可能影响召回精度。运维复杂度：需用户自行安装维护 Ollama 服务，处理模型下载、版本管理、显存占用等问题，对非技术用户门槛较高。单机架构限制：无分布式能力，大规模记忆场景下单机存储和计算可能成为瓶颈，不适合多 Agent 协同或团队共享场景。备份依赖手动：虽有 backup 命令，但无自动定时备份机制，用户误操作或硬件故障存在数据丢失风险。

适合的目标群体

隐私敏感型开发者：医疗、法律、金融等合规要求严格的行业，必须确保数据不出域。成本控制用户：个人开发者、小型团队、学生研究者，希望获得长期记忆能力但无法承担 API 持续费用。本地优先技术栈拥护者：已采用 Ollama 运行本地 LLM，希望配套记忆系统保持架构一致性。OpenClaw 生态用户：希望为 Agent 增加记忆能力，同时保持完全离线可运行的场景。

使用风险

依赖项可用性：LanceDB 和 axios 两个核心依赖若出现版本冲突或维护中断，可能影响功能。Ollama 服务单点：若 Ollama 进程崩溃或模型被误删，嵌入功能立即失效，需手动恢复。输入规模失控：当前缺乏严格的输入长度限制，恶意或异常长文本可能导致内存占用激增。非加密本地通信：默认 HTTP 与 Ollama 通信，虽在本地环回接口无嗅听风险，但不符合部分企业"传输加密"合规检查要求。数据备份责任：长期记忆价值随时间累积，用户需自行建立备份策略，开发者仅提供工具无托管保障。