核心用法
LLM Memory Integration 是一款专为大型语言模型设计的记忆管理技能，提供完整的记忆检索与FTS全文搜索能力。核心功能围绕get_search_engine()展开，支持记忆的增删改查及语义搜索。开发者可通过Python SDK快速集成：
from llm_memory import get_search_engine
engine = get_search_engine()
engine.add("记忆内容", metadata={"type": "标签"})
results = engine.search("关键词", top_k=10)技能采用公开包+私有包的分层架构：公开包作为纯接口层零风险运行，私有增强包通过postinstall/onStartup钩子自动从CNB仓库拉取，提供原生扩展（10-100x加速）、GPU加速（100-1000x）及向量搜索能力。
显著优点
1. 零依赖安全模型：纯Python+SQLite FTS5实现，无外部网络访问需求，无API密钥依赖，MIT-0协议完全开源
2. 架构兼容性：原生支持x64与ARM64双架构，覆盖主流服务器与边缘设备
3. 自动化部署：安装后通过生命周期钩子自动配置私有包，实现"开箱即用"体验
4. 扩展性设计：提供ISearchEngine、IMemoryStore、IVectorBackend三大接口，支持自定义搜索引擎实现
5. 性能分层：基础层满足常规需求，私有包按需解锁高性能计算
潜在局限
- 私有包依赖风险：核心性能增强功能依赖CNB私有仓库，若仓库不可用或访问受限将降级为基础SQLite性能
- GPU加速门槛：100-1000x加速需本地GPU环境及私有包正确安装，自动化流程存在失败可能
- FTS5功能边界：基于SQLite FTS5的全文搜索在复杂语义理解场景下弱于专用向量数据库
- 权限暴露面：需要
~/.openclaw/memory-tdai目录的读写权限，多用户环境需注意隔离
适合人群
- 注重数据隐私、偏好本地部署的LLM应用开发者
- 需要在资源受限设备（ARM64边缘节点）运行记忆功能的场景
- 对性能有分层需求、愿意通过私有包获取加速能力的团队
- 希望快速验证记忆检索功能，再决定是否深度集成的原型开发者
常规风险
| 风险类型 | 等级 | 说明 |
|---------|------|------|
| 代码执行风险 | 低 | 公开包为纯接口层，但postinstall钩子执行外部git克隆操作 |
| 供应链风险 | 中 | 私有包从CNB仓库自动拉取，需信任该源完整性 |
| 数据泄露风险 | 低 | 无网络上传设计，但钩子脚本存在理论上的外联可能 |
| 权限提升风险 | 低 | 仅需限定目录读写，无系统级权限要求 |
建议生产环境审计hooks/postinstall.py与hooks/onStartup.py的完整行为，并考虑对CNB仓库进行源验证或镜像托管。