核心用法
LLM Memory Integration 是一款面向大语言模型应用的记忆检索与管理工具，采用纯本地架构设计，无需启动任何网络服务。核心功能涵盖四大模块：
1. 记忆检索：基于向量相似度（ANN）与全文检索（FTS）的混合搜索，兼顾语义理解与关键词匹配
2. 查询改写：自动拼写纠正、同义词扩展，提升检索召回率
3. LLM/Embedding 集成：无缝对接用户配置的 API（OpenAI、兼容接口等），支持结果解释与摘要生成
4. 缓存优化：查询缓存与近似缓存机制，降低重复调用成本
使用方式
提供三种调用层级：
- Python SDK（推荐）：
MemoryClient同步/异步客户端，支持记忆增删改查与元数据管理 - CLI 工具：命令行快速操作（add/search/list/export/import）
- 核心模块：直接调用
SearchEngine进行底层向量检索
双包架构创新
- 公开安全包：纯 Python 实现，通过 ClawHub 安全扫描，开箱即用
- 私有增强包（可选授权）：原生扩展 10-100x 加速、GPU 支持 100-1000x 加速，适合规模化场景
显著优点
- 零网络暴露：v6.7.8 起彻底移除 network_access 能力声明，无 REST API、无外部服务依赖，攻击面极小
- 隐私优先：记忆数据本地 SQLite 存储，不上传云端
- 灵活集成：同时支持同步/异步 SDK 与 CLI，适配不同开发习惯
- 性能弹性：小数据量用安全包，大数据量/高频场景可授权升级增强包
潜在局限
- API 依赖：必须配置
EMBEDDING_API_KEY，纯离线场景需自备 Embedding 服务 - 增强包门槛：GPU 加速需用户主动授权安装，非自动启用
- 生态局限：作者个人项目（xkzs2007），长期维护稳定性待观察
适合人群
- 需要为 LLM 应用添加长期记忆能力的开发者
- 对数据隐私敏感、要求本地优先的企业/个人用户
- 已有 Embedding API 资源，希望轻量集成记忆层的团队
常规风险
| 风险类型 | 说明 |
|---------|------|
| API 密钥泄露 | 需妥善保管 `EMBEDDING_API_KEY` 等环境变量 |
| 存储路径权限 | 需确保 `~/.openclaw/memory-tdai` 目录读写权限正确 |
| 版本兼容性 | 私有增强包与公开包 API 可能存在细微差异，升级需测试 |
---
来源可信度：T3（个人作者 MIT-0 开源，安全报告为占位符，未执行真实扫描）
安全等级：S+（纯本地无网络服务，攻击面趋近于零）