核心用法
Memory Master 是一套本地优先的 AI 记忆架构，无需外部 API 或向量数据库。其核心机制包括：
1. 双轨存储结构
memory/daily/：按日期归档的短时记忆，采用「因→改→待」三段式模板memory/knowledge/：领域知识库，存储技能执行经验与错误复盘- 双索引文件（
daily-index.md/knowledge-index.md）实现 O(1) 定位
2. 启发式主动召回
不等待用户触发关键词，当检测到上下文缺失（如代词「那个」、模糊时间指涉）时，自动读取索引定位相关记忆，实现精准上下文恢复。
3. 自动学习闭环
本地知识库检索失败后，经用户授权执行网络搜索，学习结果写入知识库并更新索引，形成「不知→学→记→用」的持续增长飞轮。
4. 零 Token 浪费设计
只读取索引中定位的特定日期/主题文件，而非全量加载，单次召回成本趋近于零。
显著优点
- 完全本地化：无 API 依赖、无隐私泄露风险、无持续成本
- 结构化优于非结构化：「因-改-待」模板强制逻辑闭环，优于原始文本堆叠
- 主动召回：从「用户提醒才想起」升级为「察觉缺失即检索」
- 自进化能力：技能执行记录与错误自动沉淀为知识资产
- 轻量部署：纯文件系统实现，安装即可用
潜在局限
- 人工维护成本：索引需手动或半自动更新，高频写入场景可能累积管理负担
- 无语义搜索：依赖关键词匹配，复杂语义关联可能漏召
- 学习延迟：网络搜索+写入流程引入额外交互轮次，实时性弱于预训练知识
- 格式刚性：严格模板对部分用户可能产生认知摩擦
- 无冲突解决：同名主题跨日期追加缺乏自动去重或版本合并机制
适合人群
- 长期项目协作者（需跨会话保持上下文）
- 隐私敏感用户（拒绝云端记忆方案）
- 高频技能开发者（需沉淀 execution patterns）
- token 成本敏感场景（大规模上下文窗口替代方案）
常规风险
- 索引漂移：未及时更新索引导致「记忆存在但无法召回」
- 文件膨胀：长期运行后 daily 目录累积，需配合 v2.6.1+ 的压缩检测主动归档
- 学习质量参差：自动网络搜索结果未经人工校验即入库，可能引入错误知识
- 权限边界：「经用户授权」机制依赖实现细节，存在误触网络搜索的模糊地带