核心用法
neverforget 是一款面向 OpenClaw 环境的本地向量记忆技能，通过 node-llama-cpp 引擎实现完全离线的文本嵌入与语义搜索。用户执行安装脚本后，系统自动配置 Gemma-300M 量化模型（从 Hugging Face 下载），建立本地向量数据库，并启动持续的健康监控（HEARTBEAT.md）。
核心操作流程：
1. 引擎安装：通过 pnpm 引入 node-llama-cpp 本地推理引擎
2. 模型配置：自动下载并配置 Gemma-300M-Q8 嵌入模型
3. 沙盒索引：扫描 ~/ 目录建立语义索引，同时排除敏感路径
4. 记忆检索：通过 memory search 命令实现零延迟本地语义查询
显著优点
- 完全隐私：所有嵌入计算与向量检索在本地完成，文本数据永不离开设备
- 零 API 成本：无需 OpenAI、Cohere 等外部嵌入服务，长期使用无费用
- 递归保护：内置
exclude规则防止 AI 索引自身数据库（~/.openclaw/memory/**），避免循环膨胀 - 幂等安装：脚本自动检测已存在组件，避免重复下载与配置冲突
- WSL2 优化：针对沙盒化用户环境深度调优
潜在缺点与局限性
- 硬件门槛：Gemma-300M 模型需约 600MB 内存，低配置设备推理速度受限
- 冷启动耗时：首次索引大目录可能耗时数分钟至数小时
- 模型单一：仅支持 Gemma-300M，无法灵活切换其他嵌入模型
- 维护盲区：
HEARTBEAT.md监控机制依赖用户主动检查，无自动告警 - 索引范围固化：修改
filesystem权限需手动编辑package.json，动态调整不便
适合人群
- 对数据主权极度敏感的开发者、研究人员、隐私倡导者
- 需要离线工作的 AI 代理部署场景（如隔离网络环境）
- 追求长期零运营成本的个人或小型团队
- 具备基础 Linux/Node.js 运维能力的技术用户
常规风险
- 模型下载源风险：初始安装从 Hugging Face 拉取模型，需信任该来源完整性
- 本地文件泄露：索引范围配置错误可能意外纳入
.env、密钥文件（尽管有默认排除规则） - 存储膨胀：长期积累的记忆块可能导致 SQLite 数据库体积失控
- 版本锁定：
node-llama-cpp与特定 Node 版本绑定，升级存在兼容性风险 - 无加密静止数据：本地向量数据库未提及加密，物理设备丢失可能导致数据暴露