综合评估
核心用法
CrabPath 是一个纯图结构的记忆检索路由引擎，采用 caller-provided 设计哲学：所有嵌入（embedding）与 LLM 调用必须由调用方通过回调函数注入，自身零依赖、零网络请求。核心工作流分为四步：
1. split_workspace 将本地工作区解析为图结构与文本节点
2. VectorIndex 建立向量索引（需用户注入 embed 函数）
3. traverse 基于种子节点在图上执行 learned routing（学习型路由）
4. apply_outcome 将结果反馈回图，实现持续学习
批量处理通过 batch_or_single / batch_or_single_embed 实现，支持自定义批处理函数；若未提供，则退化为 ThreadPoolExecutor 并行单调用。CLI 提供完整的图生命周期管理（init/query/learn/replay/health/merge/connect/journal）。
显著优点
- 零依赖零网络：核心引擎纯本地计算，无外部服务绑定
- 极致灵活：可接入任意嵌入模型（OpenAI、本地Sentence-Transformers、私有模型）与任意 LLM
- 学习式路由：图结构支持基于 outcome 的持续优化，而非静态检索
- 批处理友好：显式暴露 batch 接口，便于成本控制与性能优化
潜在缺点与局限性
- 完全外置依赖：用户必须自行实现并维护 embed/LLM 回调，开发成本与故障排查责任完全转移
- 无内置安全校验：回调注入点可能成为恶意代码执行通道（若回调被篡改）
- 无官方模型支持：不绑定任何经审定的模型，输出质量完全取决于用户提供的模型
- 学习机制黑盒：
traverse与apply_outcome的具体学习算法未公开，可解释性与收敛性存疑 - CLI 执行权限：
--embed-command/--route-command等参数允许执行任意 shell 命令，存在命令注入风险
适合人群
- 需深度定制 RAG/Routing 链路的高级开发者
- 拥有私有嵌入模型或 LLM 基础设施的企业用户
- 对零依赖、可审计代码有强需求的安全敏感场景
常规风险
- 供应链风险：
pip install来源未经验证，需自行审计 PyPI 包 - 代码注入风险：回调函数与 CLI command 参数为任意代码执行提供入口
- 数据泄露风险：用户若不慎将敏感数据传入外部 embed/LLM 回调，引擎本身无拦截机制
- 图结构损坏：
merge/connect等操作若中断可能导致存储损坏，需自行备份