核心用法
Memory Palace 是一款面向 OpenClaw Agent 的认知增强层，专注于解决 AI 长期对话中"健忘"的核心痛点。其架构围绕五大能力展开：
1. 语义搜索记忆系统：基于 BGE-small-zh-v1.5 向量模型（约100MB）实现语义级检索，未安装时自动降级为关键词匹配。支持按标签、位置、类型多维过滤，检索结果按相关性评分排序。
2. 经验管理与验证：独创经验池机制，支持记录可复用经验（development/operations/product/communication/general 五类），并通过 2+ 次正面验证机制确保经验可靠性，防止错误知识传播。
3. 时间推理引擎：双层时间解析——规则引擎处理"昨天/上周"等标准表达，LLM 层解析"下周三之前的那天"等复杂语义，返回标准化日期与置信度。
4. 知识图谱与概念扩展：LLM 驱动的概念网络自动扩展搜索域，如搜索"用户偏好"时同步检索"设置/配置"等相关概念，突破字面匹配局限。
5. 智能维护机制：含访问频率追踪（getFrequentlyAccessed）、自动背景压缩（BackgroundScheduler）、存储索引缓存，以及 LLM 智能总结、经验提取、记忆压缩等高级功能。
显著优点
- 架构分层清晰：基础 CRUD → 语义搜索 → 经验系统 → LLM 增强，渐进式复杂度设计，低门槛入门、高上限深度使用
- 可靠性设计：经验双验证机制、LLM 超时自动降级规则引擎、向量模型缺失 gracefully degradation，多道防线保障稳定性
- 本土化优化：BGE-small-zh-v1.5 针对中文语义，概念扩展与时间解析均深度适配中文表达习惯
- Agent 原生思维：
record_experience/get_relevant_experiences等 API 命名直接映射 Agent 认知流程，而非传统数据库术语
潜在局限
- 外部依赖较重：语义搜索强依赖约 100MB 的 BGE 模型下载；LLM 增强功能需外部 LLM 服务，存在 10-60 秒超时风险
- 存储与计算成本：向量索引 + 知识图谱 + 访问追踪产生持续存储开销；LLM 总结/压缩为高消耗操作
- 经验验证延迟：2+ 次验证机制虽保质量，但新经验生效存在滞后，突发场景下可能缺乏即时可用经验
- 版本兼容性：v1.6.5 引入的存储索引、自动压缩等新特性可能与早期版本数据格式存在迁移问题
适合人群
- 开发需要长期记忆能力的对话式 AI Agent 的工程师
- 构建个人知识管理、学习助手、研究助理等需要经验积累的应用
- 对 Agent 的可解释性、可控性有要求，希望精细管理记忆生命周期的场景
常规风险
| 风险类型 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| 隐私泄露 | 记忆内容持久化存储，敏感信息长期留存 | 定期清理、分级存储（location 隔离）、重要性阈值过滤 |
| 经验污染 | 错误经验经多次调用被标记为"已验证" | 人工审核重要经验、设置严格的 applicability 描述 |
| 检索幻觉 | 语义搜索返回低相关结果，LLM 生成虚假总结 | 设置 min_score 阈值、人工抽查验证 |
| 模型漂移 | BGE 模型版本更新导致向量空间偏移 | 锁定模型版本、定期重建索引 |