核心功能与用法
LLM Memory Integration 是一款面向本地运行的记忆数据管理工具，核心能力围绕FTS（Full-Text Search）全文搜索展开。用户可通过 Python SDK 或 CLI 工具完成记忆的增删改查、导入导出等操作。支持查询改写（拼写纠正、同义词扩展）和查询缓存优化，提升检索效率。
典型使用流程：初始化 MemoryClient → add() 写入记忆 → search() 检索 → close() 释放资源。CLI 提供 add/search/list/export/import 等完整命令集，也支持直接调用 core.SearchEngine 进行底层操作。
显著优点
1. 纯本地化架构：完全离线运行，零网络访问，从根本上杜绝数据外泄风险
2. 零配置门槛：无需 API 密钥，开箱即用，降低部署成本
3. 双包架构灵活：公开安全包满足基础需求；可选私有增强包提供 10-1000x 性能加速（需用户主动授权）
4. 代码精简可信：v6.8.0 大版本彻底清理 LLM/Embedding/网络相关代码，攻击面显著缩小
5. MIT-0 宽松许可：商用友好，无版权负担
潜在局限
- 功能边界清晰：仅保留 FTS 搜索，无向量语义检索（需私有包）、无多语言 Embedding、无量化压缩
- 性能天花板：纯 Python 实现在大规模数据下可能逊于原生/C++方案
- 生态依赖：需 Python 3.8+ 和 aiosqlite，Windows 环境可能需要额外配置
适合人群
- 注重数据隐私的个人开发者与中小团队
- 需要离线记忆能力的 AI Agent 项目
- 寻求低成本替代方案的 SaaS 创业者
- 对代码可审计性有要求的金融、医疗等敏感行业
常规风险
| 风险类型 | 评估 | 说明 |
|---------|------|------|
| 数据泄露 | 极低 | 无网络传输，数据仅驻留本地 SQLite |
| 供应链攻击 | 低 | 依赖单一 aiosqlite，MIT-0 许可透明 |
| 权限滥用 | 低 | 仅申请必要文件读写，无系统级操作 |
| 私有包风险 | 中 | 增强包需用户显式授权，但二进制审计难度高 |
建议用户优先使用公开安全包，私有增强包仅在性能瓶颈且可控环境下启用。