核心用法
memU-lite 采用三层架构实现 Agent 长期记忆：Category Layer（MEMORY.md 索引概览）、Item Layer（原子化记忆单元）、Resource Layer（原始对话记录）。用户通过 openclaw skills install memu-lite 一键安装，初始化后可在 items/{preferences,knowledge,relationships,tasks,skills}/ 目录下创建结构化记忆文件，每条记忆遵循 <类型字母>-<日期>-<序号> 的 ID 规范，包含类型、来源、日期、置信度、标签、内容及关联记忆等元数据。
显著优点：
- 零外部依赖：纯 Markdown + OpenClaw 原生工具，无需 Postgres 或 API
- 原子化设计：单条记忆只存一个事实，避免信息混杂
- 双向链接：通过
[[ID]]语法建立记忆关联，形成知识网络 - 轻量部署：对比完整 memU，部署复杂度从「中」降至「低」
- 迁移友好：目录结构可直接映射到 memU，未来无缝升级
潜在缺点与局限性：
- 非自动提取：需 AI 主动记录，无后台持续运行的主动预判能力
- 检索依赖模型：语义搜索依赖
memory_search工具，无原生向量数据库支持 - Token 效率一般：无内置压缩机制，长对话上下文消耗较大
- 手动维护成本：需定期归档、更新索引，缺乏自动化运维
适合人群：追求轻量方案、需要快速搭建长期记忆能力的个人开发者；对话场景相对规律、记忆量中等的 Agent 项目；计划未来迁移至完整 memU 的过渡用户。
常规风险：
- 记忆文件积累过多可能导致检索延迟，建议定期归档到
archive/目录 - 手动记录可能遗漏关键信息，需建立「对话后立即记录」的工作流习惯
- 多 Agent 共享记忆时需关注文件并发写入冲突