核心功能与用法
starmemo是一款面向OpenClaw平台的对话记忆优化技能，采用"记忆优先"架构设计。其核心工作流为：用户输入首先触发本地记忆库检索（零Token消耗），若命中短记忆则直接融合极简上下文调用LLM生成回答；记忆不足时自动执行澄清→联网补全→AI压缩→更新记忆的迭代流程；无记忆场景则先回答后一次性保存核心短记忆，确保后续同类问题走记忆通道。
显著优点
1. 极致Token效率：通过分层热/温/冷存储与10:1语义压缩，官方宣称Token消耗降低99%
2. 多模型兼容：支持火山方舟、通义千问、文心一言、DeepSeek等7大国内主流模型，一键配置切换
3. 隐私可控：提供ai=false完全本地化模式，关闭后零外部网络请求，密钥仅存本地.skill_config（权限0o600）
4. 存储分级：热层（当日原样）、温层（3天轻量压缩）、冷层（深度压缩+7天自动清理），兼顾响应速度与存储成本
5. 低侵入设计：纯REST API调用无SDK依赖，依赖安装仅触发一次且可提前手动规避
局限性与风险
1. 依赖外部LLM质量：AI优化模式下的记忆压缩质量受所选模型能力影响
2. 冷启动问题：新话题首次仍需完整LLM调用，记忆积累需时间
3. 压缩损耗：10:1语义压缩可能导致细节信息丢失，关键场景建议关闭AI压缩
4. 配置管理：API密钥本地存储虽加密但仍存在物理泄露风险，需定期轮换
5. 联网依赖：自动联网补全功能依赖外部信息源，时效性与准确性不可控
适合人群
- OpenClaw重度用户，对话频次高且主题重复性强
- 对Token成本敏感的企业/个人开发者
- 需在隐私保护与AI增强间灵活切换的谨慎型用户
- 多模型策略使用者（需对比不同厂商效果）
常规风险提示
- 首次运行自动安装
requests依赖，生产环境建议预装锁定版本 - 冷层数据默认7天清理，重要记忆需手动迁移或调整策略
- 联网补全环节可能引入不可控信息，敏感领域建议关闭
- 文件权限设置（0o600/0o700）依赖操作系统正确实现，容器环境需验证