核心用法
Memory Pro 是一款本地运行的语义搜索技能，专为个人知识库和日志检索设计。用户通过自然语言查询，系统基于 FAISS 向量数据库和 Sentence-Transformers 模型（all-MiniLM-L6-v2）返回最相关的记忆片段。
主要交互方式：
- 语义搜索：
python3 scripts/search_semantic.py "查询内容" - JSON 格式输出：添加
--json参数便于程序化调用 - 服务管理：通过 systemd 用户服务控制启停和查看日志
数据来源：
- 每日日志：
${OPENCLAW_WORKSPACE}/memory/*.md - 核心文件：
MEMORY.md,SOUL.md,STATUS.md,AGENTS.md,USER.md
索引维护：服务启动时自动重建索引（约 15-20 秒），支持手动重启强制更新。
显著优点
1. 完全本地化：数据存储在本地文件系统，无需联网即可运行，隐私性强
2. 语义理解：基于向量的相似度搜索，超越关键词匹配，能理解查询意图
3. 架构轻量：作为 systemd 用户服务运行，资源占用可控
4. 容错设计：客户端内置自动重试机制，服务重启期间仍可正常发起请求
5. 混合检索支持：配置项包含 BM25 和向量权重调节，可支持混合搜索模式
潜在缺点与局限性
1. 冷启动延迟：每次服务重启需 15-20 秒重建索引和加载模型，不适合频繁启停场景
2. 固定端口依赖：硬编码使用 8001 端口，存在与其他服务冲突的风险
3. 模型单一性：仅内置 all-MiniLM-L6-v2，不支持自定义嵌入模型
4. 配置复杂度：涉及 30+ 个环境变量，配置门槛较高
5. 规模限制：FAISS 本地索引适合个人级数据量，大规模文档集可能性能下降
6. 无实时增量更新：需重启服务才能索引新文件，非实时同步
适合人群
- 需要本地私有化知识管理的个人用户
- 习惯用 Markdown 记录日志和笔记的开发者、研究员
- 对数据隐私敏感，不愿将个人文档上传云端搜索的用户
- 希望 AI 助手能"记住"过往对话和项目背景的技术用户
常规风险
1. 端口占用风险：8001 端口可能被其他应用占用，导致服务启动失败
2. 索引一致性问题：异常关机可能导致 memory.index 与 sentences.txt 不同步
3. 资源占用：FAISS 索引加载后常驻内存，长期运行需关注内存使用
4. 数据丢失风险：索引文件损坏时需重新构建，依赖原始 Markdown 文件完整
5. 服务依赖：依赖 Python 环境和 systemd，在部分精简系统可能兼容性问题
安全认证说明
根据提供的安全认证报告，本简介基于占位信息生成，未执行实际安全扫描。建议在使用前进行独立的安全评估。