NeuralMemory 是一款仿生学启发的联想记忆系统，专为 AI Agent 设计，旨在解决传统向量检索只能匹配关键词相似度而无法理解概念关联的局限。该系统采用神经图结构，通过 20 种类型化的突触连接（包括时间、因果、语义和情感等维度）构建记忆网络，实现基于扩散激活（Spreading Activation）的 intelligent recall。
核心用法围绕三个关键场景展开：首先是跨会话记忆持久化，通过 nmem_remember 在决策、错误或用户偏好发生时存储记忆，利用 nmem_recall 在新会话开始时注入相关上下文；其次是深度联想查询，不同于传统关键词搜索，系统通过图遍历激活概念相关神经元，即使查询与目标记忆无关键词重叠也能召回；最后是因果链追踪，通过 CAUSED_BY 和 LEADS_TO 突触类型追溯事件根源，回答"为什么"类问题。工具集涵盖记忆存储、自动提取、健康诊断和版本管理，支持从瞬时速查到深度关联的四级查询深度。
显著优点体现在架构设计的独特性上。零 LLM 依赖是最大亮点，系统完全基于正则表达式、图遍历算法和赫布学习（Hebbian learning）实现，无需调用大模型即可自动提取记忆、检测矛盾和处理时间推理，大幅降低成本和延迟。20 种突触类型提供了丰富的语义表达能力，使记忆形成真正的知识图谱而非扁平的向量集合。记忆生命周期管理模拟人脑遗忘曲线，通过 Ebbinghaus 衰减机制自动清理陈旧记忆，同时高频访问的记忆会因"一起激发的神经元连在一起"原理而强化。本地 SQLite 存储确保数据隐私，默认不向外部服务传输任何信息。
然而，该系统也存在明显局限。作为 T3 级个人开发者项目，长期维护稳定性和社区支持存在不确定性。功能依赖外部 pip 包 neural-memory，而当前技能仅为使用文档，实际代码的审计状况不明。语言支持局限于越南语和英语，对中文等多语言场景支持不足。此外，作为纯本地系统，缺乏云端同步机制，多设备间知识迁移需手动执行 nmem_transplant。
目标用户群体主要包括：构建复杂 AI Agent 的开发者，特别是需要长期记忆和上下文理解能力的对话系统；需要进行决策追踪和错误分析的技术团队；以及注重数据隐私、希望建立本地个人知识库的高级用户。
使用风险主要集中在依赖包安全和数据管理两方面。由于实际执行代码在第三方包中，建议仅在隔离环境（如虚拟环境或容器）中安装运行，并验证 PyPI 包签名。虽然数据默认本地存储，但用户应避免在记忆中保存密码、API 密钥等敏感信息，并定期备份 ~/.neuralmemory/ 目录以防数据丢失。在企业级生产环境使用前，建议等待更多安全验证或进行独立代码审计。