核心用法
Amber-Hunter 是 Huper琥珀 生态的记忆捕获与召回层，通过本地服务（localhost:18998）为 ChatGPT、Claude、Claude Code 等 AI 客户端提供持久化记忆能力。核心工作流程分为三阶段：
1. 记忆捕获（Ingest）
- AI 或用户主动调用
/ingest端点提交记忆，支持 8 大固定分类（想法/学习/决策/成长/关系/生活/创意/开发）+ 动态标签 - 系统内置 6 类自动检测信号（save_request、decision、preference、personal_fact、summary、insight），置信度 ≥0.95 且无需审核时直接入库，否则进入审核队列
- v1.2.28 新增 Mem0 自动抽取机制，可从对话中自动提取 facts/preferences/decisions
2. 记忆召回（Recall）
/recall?q=<query>支持混合检索（40% 关键词 + 60% 语义），v1.2.23 起集成 LanceDB 向量搜索- 支持分类前缀匹配、rerank 重排序、insights 缓存摘要
- v1.2.24 新增 WAL 热存储，捕获偏好/决定/修正信号写入 session_wal.jsonl
3. 用户画像（Profile）
- v1.2.27 起维护结构化用户画像（facts/preferences/patterns/goals），recall 时自动注入上下文
显著优点
| 维度 | 能力 |
|------|------|
| 隐私优先 | AES-256-GCM 端到端加密，主密码存 OS keychain，明文永不外传 |
| 跨平台 | macOS/Linux/Windows 全支持，可选加密同步至 huper.org 云端 |
| 零厂商锁定 | 开放 API 设计，任意 AI 客户端均可集成，非 Claude/OpenAI 专属 |
| 渐进式信任 | review_required 机制让用户掌控记忆入库，接受/拒绝历史优化未来判断 |
| RAG-ready | `/recall` 返回结构化上下文，可直接注入 LLM prompt 用于 RAG 流水线 |
| DID 身份 | v1.2.20+ 支持多设备身份体系，设备密钥派生胶囊加密密钥 |
潜在局限
- Windows 功能缺失：Proactive capture、
/freeze会话捕获暂不支持 Windows（v1.2.28 状态） - 自托管门槛：需本地运行服务，对非技术用户存在部署成本
- 同步依赖：跨设备访问依赖 huper.org 云端，虽加密但增加网络依赖
- 语义模型：本地嵌入模型质量影响召回效果，大型知识库可能需调优
- 审核摩擦：高安全设计导致大量记忆需人工审核，可能打断 AI 交互流畅性
适合人群
- 开发者/知识工作者：需要 AI 记住项目决策、代码偏好、长期上下文
- 隐私敏感用户：拒绝将个人记忆托管至 OpenAI/Anthropic 云端
- 多 AI 工具用户：在 ChatGPT、Claude、Claude Code 间切换，需要统一记忆层
- Second Brain 实践者：希望 AI 成为真正的外部大脑，而非单次会话工具
常规风险
| 风险类型 | 说明 | 缓解措施 |
|----------|------|----------|
| 本地数据泄露 | 内存/磁盘中的明文胶囊 | 依赖 OS 密钥链，建议启用全盘加密 |
| 云同步中间人 | huper.org 传输层攻击 | TLS + 客户端加密，服务端仅存储密文 |
| 主密码丢失 | 无法解密本地胶囊 | 无后门设计，需自行备份助记词（DID 体系） |
| 恶意 AI 客户端 | 伪造 ingest 污染记忆库 | 本地 token 仅限 localhost，云 API 需用户 JWT |
| 过度捕获 | 自动信号误判导致噪声 | 审核队列 + 用户反馈闭环优化 |
技术栈速览
- 存储：SQLite（胶囊）+ LanceDB（向量）+ JSONL（WAL/session）
- 加密：AES-256-GCM，PBKDF2 派生密钥
- LLM 抽象：MiniMax/OpenAI/Claude/Local（Ollama/LM Studio）可切换
- 身份：自托管 DID，助记词派生设备密钥
> 版本：v1.2.28（2026-04-04） | 协议成熟度：生产就绪，活跃迭代