核心用法
SurrealDB Knowledge Graph Memory v2.2 是一套完整的多智能体记忆基础设施，通过三大记忆层（语义记忆、情景记忆、工作记忆）与自动化知识提取管道，让智能体实现真正的持续学习。
语义记忆基于向量嵌入实现置信度加权搜索，支持事实的存储、检索与动态更新。情景记忆记录任务完整历史，包括目标、决策、问题、解决方案与关键教训，供后续相似任务参考。工作记忆以 YAML 格式持久化活跃任务状态，支持崩溃恢复。
核心工作流程围绕"自我改进循环"展开：智能体对话触发知识存储 → 每6小时自动提取结构化事实与实体 → 每日凌晨关联发现构建关系网络 → 下次对话自动注入最相关的上下文。全程无需人工干预，知识图谱随使用自然生长。
自动上下文注入是核心体验：用户消息触发 memory_inject，系统检索相关事实；若平均置信度低于阈值，则补充情景记忆；格式化内容注入系统提示，让智能体基于累积知识精准响应。
v2.2 引入智能体隔离机制：每个智能体拥有独立记忆池（agent_id 标签），同时支持 scope='global' 共享事实。OpenClaw 的增强循环自动从会话密钥提取智能体 ID，实现无感知的隔离注入。
---
显著优点
1. 真正的自我改进：双定时任务（知识提取 + 关系发现）让智能体随时间自动变强，非静态提示工程可比
2. 多层次记忆架构：语义（事实）、情景（经验）、工作（状态）三层互补，覆盖从知识检索到任务恢复的完整需求
3. 生产级隔离：多智能体场景下各智能体记忆互不污染，同时保留全局共享能力
4. 置信度演化系统：事实随使用结果自动增益/衰减，错误知识自然淘汰
5. 零配置自动注入：增强循环集成后，上下文注入对用户完全透明
---
潜在局限
1. 基础设施依赖重：需独立维护 SurrealDB 实例、Python 虚拟环境、OpenAI API 密钥，运维成本较高
2. 延迟与成本：每次对话伴随向量搜索 + 可选的 LLM 格式化，高频场景下延迟和 token 消耗显著
3. 关系发现瓶颈：每日批量关联依赖 LLM 推理，大规模图谱下可能耗时较长
4. 迁移复杂度：v1/v2.1 升级需执行迁移脚本，生产环境需谨慎规划
5. 调试困难：多组件（SurrealDB、Python 脚本、MCP 服务、OpenClaw 循环）协同，故障排查链路长
---
适合人群
- 需要长期记忆的智能体应用开发者（客服、个人助手、研究代理）
- 运行多智能体系统的 OpenClaw 用户，需隔离各代理记忆
- 追求持续学习而非一次性提示工程的高级 AI 应用架构师
- 有运维能力承受 SurrealDB + Python 栈的团队
---
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 数据持久化 | SurrealDB 文件损坏可能导致记忆丢失 | 定期备份 `~/.openclaw/memory/` |
| API 密钥泄露 | OPENAI_API_KEY 配置于多处环境变量 | 使用专用密钥、限制额度、轮换策略 |
| 隔离失效 | 未正确传递 `agent_id` 导致记忆串池 | 验证增强循环补丁已应用 |
| 事实污染 | 自动提取可能将错误信息结构化入库 | 设置置信度阈值、定期人工审核 |
| 无限增长 | 无 pruning 策略下存储无限膨胀 | 启用 decay + prune 维护任务 |
| 循环依赖 | 自我引用事实可能形成闭环 | 关系发现算法内置深度限制 |
该技能代表了当前开源智能体记忆系统的先进实践，但需投入相应的工程与运维成本。