qst-memory

QST Memory Management v1.5 是专为 OpenClaw AI Agent 设计的智能记忆管理系统，通过创新的三层树状分类架构与混合搜索引擎，解决了大模型上下文窗口受限与 Token 消耗过高的痛点。该系统不仅提供了物理、计算、审计等多维度的分类体系，更融合了精确树搜索、几何邻域选择与 TF-IDF 语义相似度三种检索模式，使 Agent 能够在海量历史对话中快速定位关键信息。

在核心用法层面，用户可通过 CLI 工具执行多样化的记忆操作：利用 hybrid 模式进行智能检索，结合上下文感知与权重调整实现精准匹配；借助 auto_classify 功能自动推断内容所属分类与重要性等级（Critical/Important/Normal）；通过记忆衰减系统定期清理低价值记录，Critical 级记忆永久保留，Normal 级 30 天后自动删除。系统还支持 --dry-run 预览机制，确保清理操作安全可控。

该系统的显著优点体现在三个维度：首先是极致的 Token 效率，相比传统全量上下文注入，v1.5 版本可减少 70-90% 的 Token 消耗，同时将相关性提升至 95%；其次是灵活的分类体系，三层树状结构支持 34 个细分类别，配合几何邻域算法实现跨类别联想检索；最后是完整的本地隐私保护，所有数据存储于本地 Markdown 文件，无网络传输风险，采用 yaml.safe_load() 与 pathlib 等安全 API 防止代码注入与路径遍历攻击。

然而，作为 T3 来源的个人开源项目，其潜在局限性不容忽视：代码层面存在部分函数异常处理机制不完善的问题，且缺少 requirements.txt 依赖锁定文件；维护层面依赖个人开发者（ZhuangClaw），长期更新与社区支持存在不确定性；功能层面虽适合个人与轻量级场景，但缺乏高并发处理能力，不适用于分布式或多用户生产环境。

该系统最适合以下群体：需要构建个人知识库的 AI Agent 开发者、追求隐私安全的本地优先用户、以及希望优化 LLM 调用成本的技术爱好者。对于科研人员管理文献脉络、开发者维护项目上下文记忆、或智能客服系统归档历史对话等场景均有良好适配。

使用过程中需关注常规风险：数据层面建议定期备份 data/qst_memories.md 文件并设置 600 权限；操作层面执行 cleanup 前务必使用 --dry-run 预览，避免误删重要记忆；性能层面单文件存储架构在记忆条目超过万级时可能出现检索延迟，建议定期归档或分库管理。尽管安全评级为 A 级，但鉴于 T3 来源属性，建议在生产环境部署前进行完整的代码审计与容器化隔离测试。