核心用法
Memory Master 是一套面向 AI Agent 的纯本地化记忆架构，通过结构化目录与索引机制实现精准记忆管理。核心工作流程分为三层：
1. 结构化写入（Write）
- 因-改-待 三段式格式：每条记忆记录"原因→变更→待办"
- 双轨存储：
daily/按日期存储会话历史，knowledge/存储可复用知识 - 自动索引同步：写入时同步更新
daily-index.md或knowledge-index.md
2. 启发式召回（Recall）
- 零成本定位：先读索引 → 再读目标文件，避免全量加载
- 主动触发：当检测到上下文缺失（用户说"那个"、"之前"等指代词）自动执行召回
- Token 极简：单次召回仅消耗索引文件 + 目标片段的 token
3. 自动学习（Learn）
- 知识缺口检测：本地知识库无匹配时，自动告知用户并执行网络搜索
- 习得-固化：搜索结果写入
knowledge/*.md并更新索引，形成永久知识资产
---
显著优点
| 维度 | 表现 |
|------|------|
| **成本** | 零 API 费用，纯文件操作，无向量数据库依赖 |
| **召回率** | 结构化索引使主题定位准确率远高于模糊检索 |
| **可控性** | 全透明文件系统，用户可任意查看/编辑/删除 |
| **主动性** | 启发式召回不依赖用户触发"记住"指令 |
| **知识沉淀** | 自动学习将网络信息转化为本地可复用知识 |
---
潜在局限
1. 扩展瓶颈：索引文件随条目增长线性膨胀，超千条后需手动分片或重构
2. 无语义相似：基于关键词的精确匹配，无法处理同义词、概念变体
3. 学习延迟：网络搜索依赖外部引擎，新知识获取非即时
4. 并发风险：多会话同时写入同一索引文件可能产生冲突（需外部锁机制）
5. 冷启动成本：初始需手动创建目录结构，无自动迁移旧记忆的能力
---
适合人群
- 高频长会话用户：需要跨天、跨项目保持上下文的开发者/研究者
- 隐私敏感场景：拒绝云端记忆、要求数据完全本地化的企业环境
- 成本敏感部署：希望消除向量数据库、Embedding API 持续费用的团队
- 知识管理型 Agent：需要将网络习得转化为可审计、可版本控制的知识资产
---
常规风险
| 风险类型 | 说明 | 缓解建议 |
|----------|------|----------|
| **数据持久化** | 仅本地存储，设备损坏即丢失 | 配合 Git 同步或定期备份 `~/.openclaw/workspace/memory/` |
| **索引污染** | 手动编辑索引导致链接失效 | 遵循"先写记忆文件、再更新索引"的原子操作 |
| **过度学习** | 自动搜索可能写入低质量/过时信息 | 设置知识审核流程，关键条目人工复核 |
| **召回幻觉** | 启发式触发可能误召回无关记忆 | 在 MEMORY.md 中定义明确的召回边界规则 |
---
版本演进
- v2.5.0（当前）：强化与
self-improving-agent集成，自动记录 skill 完成/错误事件至知识库 - v1.2.x：确立"因-改-待"格式与双轨架构，引入网络学习