核心用法
CHAOS Memory 是专为 AI 代理设计的上下文感知分层自主观测记忆系统，提供命令行工具 chaos-cli 实现知识的存储、检索与管理。核心工作流分为三个阶段：任务前通过 chaos-cli search 进行多模式检索（index/summary/full），任务中使用 chaos-cli store 按决策/核心事实/研究发现等分类存储记忆并设置 0.0-1.0 优先级，任务后通过 chaos-cli list 回顾近期记录。
系统采用四层混合检索架构：BM25 关键词匹配处理精确查询，向量语义相似度捕捉概念关联，图谱关系加分强化知识网络连接，热度信号（访问模式+优先级）动态排序。这种设计使检索结果兼具精确性与语义深度。
显著优点
- 多模式输出控制：index 模式仅需约 75 token/结果，相比 full 模式（~750 token）节省 90% 成本，适合大规模快速扫描
- 智能分类体系：decision/core/semantic/research 四类标签自动结构化知识
- 生态集成能力：自动检测并对接 Cortex（代码语义锚定）和 Beads（任务关系追踪），形成记忆-代码-任务的三角关联
- 自动捕获守护进程：chaos-consolidator 后台提取会话中的决策、事实与洞察，过滤问候语等噪音
- 本地优先架构：基于 Dolt 版本化数据库和 Ollama 本地 LLM，数据自主可控
潜在局限
- 依赖外部组件：需单独安装 Dolt、Ollama，配置复杂度高于纯文件方案
- 模型绑定限制：自动捕获功能依赖 Qwen3 等特定模型，灵活性受限
- 生态工具分散：Cortex、Beads 为独立项目，完整体验需多仓库维护
- 热度算法透明度：访问模式权重机制未公开细节，可解释性待增强
适合人群
- AI 代理开发者与多智能体系统架构师
- 需要团队知识沉淀的技术负责人
- 追求 token 效率与本地数据控制的企业用户
- 研究型开发者探索记忆增强型 AI 工作流
常规风险
- 本地数据库需自行备份，Dolt 故障可能导致数据丢失
- 自动捕获的 2.6s/消息处理延迟在高频场景形成瓶颈
- YAML 配置中的数据库凭证若权限设置不当存在本地暴露风险
- 版本 1.0.0 为初始发布，API 稳定性与长期维护承诺待观察