核心用法
Persistent Memory 是一套面向 OpenClaw 智能体的三层持久化记忆架构，解决AI「会话失忆」的核心痛点。系统通过 L1 Markdown（人类可读知识库）+ L2 向量数据库（语义搜索）+ L3 知识图谱（关系遍历） 的协同设计，实现跨会话的长期记忆保持。
关键操作流程：
1. 初始化：运行 setup.sh 创建三层架构 + configure_openclaw.py 配置 OpenClaw 集成（关键步骤，否则智能体可能忽略 SOUL.md 等指令文件）
2. 日常写入：MEMORY.md（精选决策）、daily logs（原始记录）、reference/*.md（机构知识百科）
3. 索引同步：每次编辑后运行 indexer.py 保持三层一致
4. 语义检索：search.py 进行跨记忆语义查询，或依赖 OpenClaw 内置 memory_search
智能体行为规则：强制要求响应前检索记忆、操作前核实外部标识符、编辑后自动重索引、心跳检测同步状态。
显著优点
- 三层冗余设计：人类可读 + 机器可搜 + 关系可溯，兼顾透明度与检索效率
- OpenClaw 深度集成：自动索引关键指令文件（SOUL.md/AGENTS.md），根治「智能体无视自身规则」的顽疾
- 零配置日常用：一次 setup 后，仅需
indexer.py即可维护 - 语义召回：基于 sentence-transformers 的向量化搜索，支持模糊语义匹配
- 知识图谱扩展：NetworkX 支持概念关系挖掘，为复杂推理预留空间
- 机构知识沉淀：reference/ 目录结构化积累人员、仓库、基础设施等长期事实
潜在局限与风险
| 局限 | 说明 |
|------|------|
| 手动索引负担 | 每次编辑后必须手动运行 indexer.py，遗忘会导致记忆漂移 |
| Python 依赖链 | ChromaDB + PyTorch 环境较重，SIGSEGV 等兼容性问题可能发生 |
| 无自动冲突解决 | 多用户/多会话同时编辑同一记忆文件无内置合并机制 |
| 向量模型固定 | all-MiniLM-L6-v2 为轻量模型，专业领域语义理解有限 |
| OpenClaw 绑定 | 核心功能依赖特定 IDE 生态，迁移成本存在 |
适合人群
- 长期项目开发者：需要AI记住数周/数月前的技术决策与上下文
- 多会话工作流用户：频繁重启会话但需保持任务连续性
- 团队知识管理：希望AI积累机构知识（人员、仓库、业务规则）
- 指令敏感场景：依赖 SOUL.md/AGENTS.md 严格约束AI行为的用户（必需配置 OpenClaw 集成）
常规风险提示
- 配置遗漏风险：跳过
configure_openclaw.py将导致智能体无法检索指令文件，引发合规性失败 - 同步漂移风险：未按时索引会造成「记忆幻觉」——智能体以为知道，实际检索为空
- 环境脆弱性：venv 损坏或依赖版本冲突可导致整个记忆系统瘫痪
- 数据持久化：chroma_db/ 和 venv/ 被 gitignore，需确保部署环境的数据备份机制
来源可信度评估依据
系统设计文档完整，架构清晰，但安全认证报告为占位符（"未执行安全扫描"），实际运行依赖本地 Python 环境与外部模型（Hugging Face），存在供应链与运行时可信度折损。