核心功能
Memento 为 OpenClaw Agent 提供长期记忆能力，通过三层架构实现：
1. 捕获层（Capture）：自动记录所有对话回合，按会话缓冲，支持多段式上下文管理。
2. 提取层（Extraction）：可选启用 LLM 提取结构化事实（偏好、决策、人物、行动项等），支持实体消重、出现频率追踪、时态状态变迁（previous_value）及知识图谱关系（含因果边权重 causal_weight）。提取默认关闭，需显式启用。
3. 召回层（Recall）：每轮 AI 调用前自动注入相关知识，采用 FTS5 全文搜索 + 可选语义嵌入（BGE-M3），支持多因子评分（时效×频次×分类权重）、一跳图遍历（因果边 1.5× 权重加成）及可选的 LLM 查询规划（autoQueryPlanning）。
显著优点
- 隐私优先设计：所有数据本地存储（SQLite + JSONL），无云同步、无订阅；支持完全离线运行（Ollama 本地模型）
- 细粒度隐私分级：事实自动分类为
shared/private/secret，敏感类别（医疗、财务、凭证）强制覆盖；secret级事实永不进入 LLM 上下文 - 跨 Agent 知识共享：
shared事实带溯源标签流通，private/secret严格隔离边界 - 零配置开箱即用：捕获功能默认开启，无需 API Key；提取/召回按需启用
- 可审计与迁移：提供 dry-run 模式、人类可读备份、可选的一次性迁移工具
潜在局限与风险
- 提取需外发数据：启用
autoExtract时，对话内容会发送至配置的 LLM 服务商（Anthropic/OpenAI/Mistral 等），需用户明确知情 - 语义搜索依赖本地模型：BGE-M3 需手动下载，占用 ~1GB 磁盘空间
- SQLite 并发限制：better-sqlite3 为同步绑定，高并发写入场景可能成为瓶颈
- 提取质量依赖模型：事实提取的准确性与所用 LLM 能力直接相关
- 隐私分类为启发式：自动分级基于内容模式匹配，可能存在误判，需人工复核敏感内容
适合人群
- 需要 Agent 长期记忆能力的个人开发者与团队
- 对数据主权有强要求的企业/隐私敏感用户
- 多 Agent 协作场景下需要知识共享与隔离的复杂工作流
- 希望本地优先、可审计、无供应商锁定的技术采纳者
常规风险提示
- 使用云 LLM 进行提取时，对话片段会离开本机，需评估数据敏感度
- 原生绑定编译依赖 Node.js 18+ 及构建工具链（node-gyp）
- 迁移工具虽只读配置指定文件，但仍建议 dry-run 验证路径
- 向量搜索无 GPU 时回退 CPU，大知识库召回延迟可能增加