Memory Master

核心用法

Memory Master 是一套纯本地的 AI 代理记忆架构，通过结构化文件系统解决传统 AI "失忆"问题。核心机制包括：

1. 双轨记忆结构

• Daily 记忆：按日期组织的对话记录，采用「因→改→待」三段式模板（原因/背景 → 做了什么 → 待办事项）
• Knowledge 知识库：技能学习、错误记录、领域知识的持久化存储

2. 自动索引机制

• 写入记忆时自动更新 daily-index.md 和 knowledge-index.md
• 索引格式极简：主题 → 文件位置，实现 O(1) 定位

3. 启发式召回
不等待用户说"昨天"或"记得"，当检测到上下文缺失时自动触发：检查索引 → 读取目标文件 → 恢复上下文 → 回答。

4. 自动学习流程
知识库无匹配时，主动告知用户并执行网络搜索 → 写入知识文件 → 更新索引。

显著优点

| 维度 | 优势 |

|------|------|

| 零成本 | 无向量数据库、无 OpenAI API、无嵌入费用 |

| 精准召回 | 靶向读取，避免传统方案全文件加载导致的 token 浪费 |

| 主动记忆 | 启发式触发，无需用户明确指令 |

| 完全可控 | 纯本地 Markdown 文件，随时查看/编辑/删除 |

| 自学习能力 | 与 self-improving-agent 兼容，自动记录技能完成与错误 |

| 极简部署 | OpenClaw 安装后即可用，无需额外配置 |

潜在缺点与局限

1. 规模化瓶颈：纯文本索引在条目过万后检索效率下降，需定期归档
2. 无语义搜索：依赖关键词匹配，同义词/近义词召回能力弱于向量方案
3. 学习延迟：网络搜索和学习流程增加首次响应时间
4. 用户负担：需要用户理解并维护「因-改-待」格式规范
5. 无多模态：仅支持文本记忆，不支持图像、音频等富媒体

适合人群

• 注重数据隐私、拒绝云端记忆服务的用户
• 希望降低 API 成本的开发者
• 需要可审计、可版本控制的记忆系统的团队
• 已使用 OpenClaw 生态的 AI 代理构建者

常规风险

• 数据丢失风险：依赖本地文件系统，需配合 Git 等版本控制工具
• 索引不一致：异常中断可能导致索引与实际文件不同步
• 搜索隐私：自动学习功能会向搜索引擎发送查询，敏感话题需谨慎
• 格式漂移：长期使用后若偏离「因-改-待」模板，召回质量下降

核心用法

Memory Master 是一套为 AI Agent 设计的本地结构化记忆系统，采用纯 Markdown 文档架构，无需任何外部 API 或数据库依赖。其核心工作流程分为三个环节：

1. 结构化写入：每次对话达成结论、做出决策或产生待办事项时，自动以「因 → 改 → 待」模板写入 memory/daily/YYYY-MM-DD.md，并同步更新索引文件。Skill 执行成功或报错时，也会自动记录到知识库。

2. 启发式召回：并非被动等待用户说「昨天」或「记得」，而是主动检测上下文缺失——当用户提及「那个」「之前」「上次」等指代，或系统判断信息不足时，自动读取 daily-index.md 定位主题，精准调取相关日期的记忆文件。

3. 知识库学习：当本地知识库索引中找不到答案时，系统会告知用户「我先去查一下」，经用户授权后执行网络搜索，将学习结果写入 memory/knowledge/ 并更新索引，形成可持续积累的知识资产。

显著优点

• 零 Token 浪费：精准读取而非加载整个记忆文件，大幅降低上下文成本
• 100% 本地存储：所有数据保存在用户工作区，无云端上传、无供应商锁定
• 零依赖零配置：纯文档型设计，无需向量数据库、无需 embeddings、无需外部 API key
• 主动记忆能力：通过启发式规则实现「用户未问、系统先知」的召回体验
• 透明可控：所有文件可见、可编辑、可删除，用户完全掌握数据主权
• 自进化知识库：支持 Skill 执行结果的自动记录与错误复盘，形成正向循环

潜在缺点与局限性

• 无分布式同步：多设备使用时需手动同步 memory/ 目录
• 索引维护依赖规范：用户或 Agent 需严格遵循「写入必更新索引」规则，否则召回精度下降
• 搜索质量受限于启发式规则：复杂语义关联场景下，可能不如向量检索灵活
• 知识学习需用户授权：网络搜索功能不会自动执行，需要用户明确触发，可能增加交互步骤
• T3 来源信任度：作者为个人开发者，未提供公开 GitHub 仓库链接，长期维护稳定性有待观察

适合的目标群体

• 高频长对话用户：需要 AI 在多轮对话中保持上下文的深度使用者
• 隐私敏感场景：不希望对话数据上传云端的企业用户或个人
• 成本控制优先：希望消除向量数据库、embeddings 等外部服务成本的团队
• 知识管理需求者：希望将 AI 对话沉淀为可检索、可复用的结构化知识资产
• OpenClaw 生态用户：已使用 OpenClaw 作为 Agent 框架，希望增强其原生记忆能力

使用风险

性能风险：大量历史文件可能导致索引文件体积增长，建议定期归档或按主题拆分索引。

数据累积风险：自动写入机制会持续生成文件，用户需定期审查 memory/ 目录，清理过期或敏感内容，避免本地存储膨胀。

召回精度风险：若 Agent 未严格执行「写入即更新索引」规则，或索引格式被手动破坏，可能导致记忆丢失或召回失败。

网络搜索授权风险：虽然 Skill 声明搜索前需用户授权，但用户应自行确认关键词不含敏感信息，并理解搜索行为本身会向搜索引擎暴露查询意图。

来源可信度风险：作为个人开发者项目（T3），无开源许可证声明，长期维护、安全更新响应能力不确定，建议关注社区反馈。