核心用法
SurrealDB Knowledge Graph Memory v2 是一套面向 AI 智能体的综合记忆系统，基于 SurrealDB 图数据库构建。系统通过 MCP 协议与智能体集成，提供 11 个专业工具，涵盖语义事实存储、向量相似度搜索、任务情景记录、工作状态快照及智能上下文注入五大核心能力。
语义记忆层：使用 OpenAI 嵌入模型对事实进行向量化索引，支持置信度加权搜索。每个事实包含基础置信度、成败计数、时间衰减等动态评分机制，有效置信度由继承提升、实体关联、结果调整和矛盾削减共同决定。
情景记忆层：完整记录任务历史，包括目标、决策、问题（结构化）、解决方案（结构化）及关键学习点，支持基于相似度的历史任务检索和经验复用。
工作记忆层：YAML 格式的活跃任务状态快照，支持崩溃恢复，确保长时任务连续性。
自动注入机制：通过 Mode UI 配置，可在每次用户消息时自动调用 memory_inject 工具，将相关事实和情景记忆格式化注入系统提示，实现零感知增强。
知识抽取流水线：支持从 Markdown 文件增量提取事实、自动发现实体关系，并配备可视化进度追踪的 Dashboard UI。
显著优点
1. 架构完整性：三层记忆架构（语义/情景/工作）覆盖认知科学经典模型，而非简单键值存储
2. 动态置信度系统：事实可信度随使用结果自动演化， stale 数据自然衰减，避免记忆僵化
3. 零配置上下文增强：Auto-Injection 功能无需修改提示词即可获得相关记忆支持
4. 生产级运维：内置定时维护任务（Cron）、系统健康监控、崩溃恢复及可视化 Dashboard
5. 开放标准集成：基于 MCP 协议，与任何支持 mcporter 的智能体框架兼容
潜在局限
1. 外部依赖重：必须部署 SurrealDB 实例、维护 Python 虚拟环境、配置 OpenAI API 密钥，本地部署门槛较高
2. 向量成本敏感：大规模记忆库依赖 OpenAI 嵌入 API，高频调用场景下成本累积显著
3. Schema 迁移风险：v1 到 v2 的升级虽声称"additive"，但实际迁移涉及多脚本协调，数据完整性依赖手动验证
4. 置信度黑盒：有效置信度的计算公式未完全公开，调试记忆优先级时缺乏可解释性
5. 实体抽取质量未量化：自动实体链接和关系发现的效果依赖底层模型，文档未提供准确率基准
适合人群
- 开发需要长期记忆能力的复杂 AI 智能体（如个人助手、研发 copilot）的技术团队
- 已采用 MCP 生态、希望替换简单向量存储为结构化知识图谱的进阶用户
- 需要任务可审计、结果可追溯的企业级应用场景
- 具备 Docker/运维能力、能自主维护 SurrealDB 实例的开发者
常规风险
| 风险类型 | 具体表现 | 缓解建议 |
|---------|---------|---------|
| 数据隐私 | 记忆内容经 OpenAI API 嵌入，存在云端传输 | 评估本地嵌入模型替换可行性 |
| 记忆污染 | 错误事实若获高置信度将持续干扰决策 | 定期人工审查高置信度事实，启用 Contradiction Drain 机制 |
| 服务中断 | SurrealDB 或 OpenAI 不可用导致记忆功能失效 | 配置健康检查与优雅降级策略 |
| 成本失控 | 自动注入与抽取任务高频调用 API | 设置用量上限，监控 Dashboard 统计 |
| 提示注入 | 用户内容经 memory_inject 直接进入系统提示 | 对注入内容进行输出过滤与置信度阈值控制 |