核心用法
Memory Master 是一套面向 OpenClaw 的本地记忆增强系统，通过结构化存储 + 双索引机制 + 启发式召回解决 AI 代理的"失忆"问题。
三大存储结构
1. Daily Memory (memory/daily/YYYY-MM-DD.md)：采用"因 → 改 → 待"格式记录每日关键决策与行动
2. Knowledge Base (memory/knowledge/*.md)：存储技能知识、解决方案等长期知识资产
3. 双索引系统：daily-index.md 与 knowledge-index.md 实现 O(1) 级别快速定位
召回机制
- 启发式触发：不等待用户说"昨天"，主动检测上下文缺失即触发索引查询
- 精准读取：只读必要片段，避免加载整个文件浪费 token
- 知识补全：本地无答案时，自动搜索网络学习并写入知识库
自动学习流程
用户提问 → 上下文无信息 → 查索引 → 无知识 → 网络搜索 → 写入知识库 → 更新索引 → 回答
显著优点
- ✅ 零外部依赖：纯本地文件，无需向量数据库或 API
- ✅ Token 效率：精准读取，成本趋近于零
- ✅ 主动记忆：写操作自动触发，无需用户提醒
- ✅ 知识累积：技能完成/错误自动归档，形成可复用知识资产
- ✅ 完全透明：所有文件可见可编辑，用户拥有全部控制权
潜在缺点与局限
- ⚠️ 索引维护成本：需严格遵循"写即更新索引"原则，否则系统失效
- ⚠️ 格式约束强：必须遵循"因-改-待"模板，灵活性受限
- ⚠️ 手动初始化：目录结构与索引文件需首次配置（或运行 init 命令）
- ⚠️ 无版本控制：本地文件无内置版本管理，误删风险需自行承担
- ⚠️ 学习延迟：网络搜索学习需用户授权("我去查一下")，非完全自动
适合人群
| 场景 | 匹配度 |
|------|--------|
| 长期项目协作，需追踪决策历史 | ⭐⭐⭐⭐⭐ |
| 高频技能调用，需累积最佳实践 | ⭐⭐⭐⭐⭐ |
| 多轮复杂对话，依赖上下文连贯 | ⭐⭐⭐⭐⭐ |
| 临时性单次查询，无需记忆沉淀 | ⭐⭐ |
| 极度敏感数据，完全离线环境 | ⭐⭐⭐⭐⭐（纯本地优势） |
常规风险
1. 索引失效风险：忘记更新索引导致"有记忆查不到"，建议配合自动化脚本或严格检查清单
2. 存储膨胀：长期累积可能产生大量 .md 文件，需定期归档清理
3. 权限边界模糊：AUTO_WRITE 特性虽便利，但需确认是否覆盖用户原有记忆规则
4. 学习质量参差：网络搜索结果写入知识库前缺乏校验机制，可能引入错误信息
5. 多代理冲突：若同一工作空间运行多个代理，文件读写可能产生竞争条件