核心用法
Memory System Optimizer 是一套面向 AI 交互场景的记忆管理 Skill，采用 NOW.md（工作台）→ 每日日志 → INDEX.md（导航仪表盘） 的三层架构，解决大模型会话上下文遗忘、信息碎片化问题。
用户通过 memlog.sh 快速写入带时间戳的记忆，memory-decay.js 自动按 Hot/Warm/Cold 温度模型分档，配合 memory-gc.sh 归档冷数据，形成「活跃-温存-归档」的完整生命周期。CRUD 验证机制确保写入前读取、冲突检测与过时标记，避免数据覆盖与不一致。
显著优点
1. 分层设计清晰：工作台、日志、索引各司其职，降低认知负荷
2. 自动化运维：温度衰减 + 垃圾回收减少人工干预
3. CRUD 安全机制：写入前读取原则防止数据丢失
4. 轻量技术栈：纯 Markdown + Shell/Node.js，无依赖负担
潜在缺点
- 依赖本地文件系统，无云同步能力
- 温度模型规则固定，缺乏自适应调参
- Shell 脚本跨平台兼容性存疑（Windows 需 WSL）
- 收费调用模式（0.01 USDT/次）对高频使用成本累积
适合人群
- OpenCLAW / AI 原生工作流的重度用户
- 需要长期维持多会话上下文的开发者、研究者
- 偏好本地优先、Markdown 原生数据管理的隐私敏感用户
常规风险
- 支付安全风险：API Key 明文硬编码于配置，存在泄露隐患
- 数据持久化风险：本地文件损坏或误删无自动备份
- 供应商锁定：SkillPay 支付链路依赖，若服务中断则功能受限
- 衰减策略误伤：自动归档可能误判重要记忆为冷数据