核心用法
LLM Memory Integration 是一个面向 LLM 应用的记忆检索与 FTS 全文搜索技能。v7.0.0 版本已重构为纯接口层，核心实现完全剥离，仅保留 Python SDK 调用接口与架构抽象。用户可通过 get_search_engine() 获取搜索引擎实例，执行 add() 添加记忆、search() 检索内容、get()/delete() 管理单条记录。支持元数据绑定与 top_k 结果限制。
显著优点
1. 零依赖架构：纯 Python + SQLite FTS5，无需外部库或网络连接
2. 权限最小化：仅申请 ~/.openclaw/memory-tdai 目录读写权限，无系统级访问
3. 跨平台兼容：原生支持 x64 与 ARM64 架构
4. 接口可扩展：提供 ISearchEngine、IMemoryStore、IVectorBackend 抽象接口，便于自定义实现
潜在缺点与局限性
- v7.0.0 功能空心化：当前版本移除全部实现代码，基础功能需依赖外部包或自行实现
- 性能瓶颈：纯 Python 实现（如有）缺乏 GPU 加速，大规模检索受限
- 私有包依赖：高性能特性（向量搜索、Embedding 集成）被移至闭源私有包，存在供应链风险
- 无实时同步：SQLite 本地文件模式不支持多进程并发写入
适合人群
- 需要离线运行、数据不出本地的隐私敏感场景
- 具备 Python 开发能力、计划自研记忆层实现的技术团队
- 对依赖链安全有严格要求、希望审计全部代码的安全团队
常规风险
| 风险类别 | 说明 |
|---------|------|
| 供应链风险 | 高性能功能依赖 CNB 私有包，闭源且需外部下载 |
| 版本兼容性 | v7 为破坏性重构，旧版本实现代码不可沿用 |
| 功能完整性 | 当前版本无实际存储/检索能力，需额外开发投入 |
| 数据安全 | 本地 SQLite 文件需自行备份，无内置加密机制 |