核心用法
starmemo 是一款专为 OpenClaw 设计的智能记忆优化技能，采用"记忆优先"架构：所有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一次 LLM 生成回答。当记忆不足时，系统会自动澄清、联网补全信息，并将结果压缩为短记忆覆盖更新。对于全新话题，则采用"先回答后记忆"策略，仅保存一次核心短记忆供后续复用。
用户可通过指令快速配置国内主流大模型（火山方舟、通义千问、文心一言、DeepSeek 等），支持完全本地化运行（ai=false 模式），此时关闭所有外部网络请求，仅使用本地截断处理。
显著优点
1. 极致 Token 优化：通过热/温/冷三层存储架构与 10:1 语义压缩，官方宣称 Token 消耗降低 99%，单次回答控制在 256 tokens 以内
2. 零延迟记忆检索：本地检索不消耗任何 Token，常用问题实现即时响应
3. 模型生态兼容：支持 7 家国内主流 LLM，一键切换无 SDK 依赖
4. 隐私可控：完全本地模式可切断所有外部数据流，API 密钥与记忆数据均本地加密存储（权限 0o600/0o700）
5. 自迭代优化：记忆缺口自动触发联网补全与压缩更新，无需人工整理
潜在缺点与局限性
1. 依赖外部 LLM 的质量：AI 优化模式下，记忆压缩质量直接受所选模型能力影响，低价模型可能导致语义丢失
2. 冷层数据堆积：默认 7 天清理归档数据，长期高频使用者需手动管理存储空间
3. 首次运行环境修改：自动安装 requests 依赖，虽可手动规避，但仍有环境侵入性
4. 联网补全的时效性：开发/编程类信息的自动联网来源未明确，可能存在信息滞后或来源不可控
5. 配置分散风险：API 密钥本地明文存储，多设备同步时需自行防范泄露
适合人群
- 高频使用 OpenClaw 且对话上下文重复度高的用户
- 对 Token 成本敏感的个人开发者或小团队
- 需要兼顾效率与隐私、愿意接受本地存储管理的用户
- 主要使用国内大模型、追求一键配置便捷性的中文用户
常规风险
| 风险类型 | 等级 | 说明 |
|---------|------|------|
| 数据泄露 | 中 | API 密钥本地明文存储，建议定期轮换；`memory_data` 需避免同步到云端 |
| 外部依赖 | 低-中 | AI 模式需信任所选 LLM 服务商的数据处理；完全本地模式可消除 |
| 环境完整性 | 低 | 首次运行修改 Python 环境，生产环境建议预装依赖 |
| 记忆质量衰减 | 中 | 多次压缩可能导致长周期信息失真，冷层 10:1 压缩比需谨慎评估 |
| 供应商锁定 | 低 | 纯 REST API 设计，模型切换成本低 |