enhanced-memory

Enhanced Memory 是专为 OpenClaw 设计的增强型语义记忆检索系统，通过4信号混合检索管道替代传统平面向量搜索，将平均倒数排名（MRR）从基线0.45提升至0.782，显著提升记忆检索的准确性和上下文感知能力。

核心用法方面，该系统采用多维度信号融合机制：向量相似度（40%权重）基于 nomic-embed-text 嵌入模型计算语义相关性；关键词匹配（25%权重）处理查询词与文本块的直接重叠；文件路径评分（25%权重）识别目录和文件名中的查询词；标题匹配（10%权重）强化章节标题相关性。系统具备智能自适应能力：当检测到日期引用（如"昨天"、"上周"）时自动激活时间路由，对相关文件给予3倍权重 boost；当关键词重叠度较低时，自动将向量权重调整至85%以优化稀疏查询效果；当顶部结果分数低于0.45阈值时，启动伪相关性反馈（PRF）机制，利用初次检索结果扩展查询词并重新评分。此外，系统提供记忆显著性评分和知识图谱交叉引用功能，帮助识别重要但长期未访问的记忆节点。

显著优点包括：首先是卓越的检索精度，混合检索策略有效解决了单一向量检索的语义漂移问题；其次是极致的隐私保护，所有数据处理均在本地完成，仅通过 HTTP 与本地 Ollama 服务通信，无云端数据传输；第三是零依赖部署，纯 Python 标准库实现，无需 pip 安装额外包；第四是智能自适应，时间感知和动态权重调整使系统能自动适应不同类型的查询。

潜在缺点主要包括：必须依赖本地运行的 Ollama 服务和 nomic-embed-text 模型，增加了基础设施复杂度；记忆文件变更后需要手动重新运行索引脚本（embed_memories.py），维护成本较高；作为 T3 级社区来源项目，长期维护和支持稳定性不如企业级方案；仅支持本地部署，无法利用云端算力进行大规模并行处理。

适合的目标群体主要是：使用 OpenClaw 进行复杂项目管理的知识工作者，特别是需要频繁检索历史上下文和交叉引用信息的用户；对数据隐私有严格要求的企业和个人，希望完全控制记忆数据的存储和处理；以及需要处理时间敏感信息（如日志、日记、版本历史）的场景。

使用风险方面，需要确保 Ollama 服务持续稳定运行（默认端口11434），服务中断将导致检索功能失效；定期索引维护是必要操作，大型记忆库的全量索引可能消耗较多本地计算资源；虽然文件操作默认限制在 memory/ 目录，但用户通过环境变量自定义路径时需谨慎配置，避免意外访问敏感目录；此外，嵌入模型的质量和版本会直接影响检索效果，建议定期更新 Ollama 模型以获得最佳性能。