核心用法
CrabPath 是一个纯 Python 实现的记忆图引擎，采用「零依赖、零网络调用」设计哲学。开发者通过回调函数注入嵌入模型与 LLM 能力，实现完全可控的语义记忆检索。
构建阶段：split_workspace 将工作目录解析为图结构，batch_or_single_embed 批量生成向量，VectorIndex 建立 ANN 索引，最终 save_state 持久化。
查询阶段：index.search 获取语义种子节点，traverse 执行图遍历（支持学习权重），result.context 返回组装好的上下文。
学习阶段：apply_outcome 根据反馈（+1/-1）更新边权重，实现在线强化学习。
显著优点
1. 完全离线：可选 all-MiniLM-L6-v2 本地嵌入（80MB），无需 API Key，隐私零泄露风险。
2. 架构纯净：纯回调设计，不耦合任何供应商，便于测试与模型切换。
3. 学习进化：内置 outcome-based 边权重更新，记忆质量随使用提升。
4. CLI 完备：提供 init/query/learn/replay/health/merge/connect/journal 全套工具链。
潜在局限
- 功能成熟度：社区生态与 Star History 未披露，长期维护存疑。
- 性能瓶颈：纯 Python 实现，大规模图（百万节点）下遍历性能待验证。
- 嵌入质量：默认 80MB 模型语义能力弱于 OpenAI
text-embedding-3-large。 - 学习机制：简单 ±1 反馈，复杂场景下收敛速度与最优性未经验证。
适合人群
- 注重数据隐私、需完全离线运行的个人开发者或企业。
- 希望自建记忆层、不愿被 OpenAI/Anthropic 嵌入模型绑定的 AI 应用架构师。
- 研究图神经网络与检索增强生成（RAG）结合的学术/实验项目。
常规风险
- 供应链风险：pypi 包名
crabpath未被广泛验证，需审查源码签名。 - 持久化安全：
state.json包含完整图结构与向量索引，需加密存储并限制权限。 - 反馈投毒：
apply_outcome接受任意浮点值，需校验输入防止权重操控。 - CLI 注入：
--workspace/--graph等路径参数若直接拼接 shell，存在路径遍历风险。