核心用法
SurrealDB Memory v2.2 是一套面向AI Agent的知识图谱记忆基础设施，通过SurrealDB向量数据库存储结构化记忆，并借助OpenAI嵌入模型实现语义检索。核心使用场景包括：
- 语义记忆存储：调用
knowledge_store或knowledge_store_sync存储事实，自动计算向量嵌入 - 智能检索：
knowledge_search基于语义相似度召回相关事实，memory_inject直接返回格式化上下文供提示注入 - 情景记忆：
episode_store记录任务历史，episode_search检索相似过往经验 - 工作记忆：YAML格式的
working_memory_status实现任务状态持久化与崩溃恢复 - 自动进化：预置的cron任务每6小时提取记忆文件中的知识，每日凌晨3点发现事实间语义关联，形成自我强化的记忆网络
关键设计亮点
- Agent隔离：v2.2引入
agent_id作用域，各Agent拥有独立记忆池，scope='global'事实可跨Agent共享 - 置信度机制：事实携带0-1置信度分数，支持时间衰减、成功/失败校准、矛盾检测
- 关系图谱：
relates_to边连接相关事实，从扁平列表进化为可遍历的语义网络
显著优点
1. 架构完整性：覆盖语义/情景/工作三层记忆模型，对应认知科学中的长期记忆与短期记忆理论
2. 自我进化闭环：无需人工干预，定时任务自动从MEMORY.md等文件提取知识并建立关联，Agent随使用自然变"聪明"
3. 生产级隔离：多Agent场景下的内存隔离机制避免知识污染，支持团队协作中不同角色的独立学习
4. 生态集成深度：原生MCP协议支持、OpenClaw增强循环钩子、Dashboard可视化运维
潜在缺点与局限性
- 外部依赖重：必须部署SurrealDB服务、配置OpenAI API Key、维护Python虚拟环境，本地部署门槛较高
- 成本敏感：向量嵌入调用和关系发现LLM推理产生持续Token消耗，大规模记忆图谱成本可观
- 延迟权衡：语义搜索需向量计算，高并发场景可能成为瓶颈；关系发现任务对LLM依赖度高
- 隐私风险：记忆文件内容发送至OpenAI进行提取，敏感数据需脱敏或本地模型替代
- 冷启动问题：新Agent初期记忆空白，需积累一定交互后才能体现智能检索价值
适合人群
- 需要长期上下文保持的复杂Agent系统开发者
- 运行多Agent协作架构、要求记忆隔离的团队
- 追求自我进化能力、希望减少人工知识整理成本的自动化场景
- 具备SurrealDB运维能力或愿意承担向量数据库运维的中高级用户
常规风险
| 风险类型 | 说明 | 缓释建议 |
|---------|------|---------|
| 数据泄露 | 记忆文件发送至OpenAI | 启用前审查`SECURITY.md`，敏感域使用本地嵌入模型 |
| 注入攻击 | 自动上下文注入可能引入恶意记忆 | 对注入内容实施置信度阈值过滤 |
| 服务可用性 | SurrealDB/ OpenAI服务中断导致记忆系统失效 | 实施健康检查与降级策略 |
| 成本失控 | 高频自动提取与关系发现产生意外账单 | 监控API调用量，调整cron频率 |
| 记忆污染 | 低质量事实污染知识图谱 | 启用置信度衰减与定期修剪机制 |