agent-memory

核心用法

AgentMemory 是一款专为 AI 智能体设计的持久化记忆系统，通过本地 SQLite 数据库实现跨会话的信息留存。其核心 API 围绕三大功能模块展开：Facts（事实存储） 用于记录关键信息片段并支持标签分类；Lessons（经验学习） 通过记录行动、情境、结果与洞察形成可复用的知识库；Entities（实体追踪） 则用于维护人物、项目等实体的动态档案。用户可通过语义搜索（FTS5 全文检索）快速召回相关记忆，并支持自定义数据库存储路径。

显著优点

该技能的最大优势在于零依赖架构——仅使用 Python 标准库（sqlite3、pathlib、json 等），彻底规避了供应链攻击风险。参数化 SQL 查询设计有效阻断注入攻击，完全离线的运行模式确保敏感数据不出本地。此外，其模块化设计便于与 Clawdbot 等 Agent 框架集成，通过 AGENTS.md 或 HEARTBEAT.md 即可建立标准化的记忆协议。

潜在缺点与局限性

功能层面，当前实现依赖 SQLite 的 FTS5 扩展，在超大规模数据（百万级记录）场景下检索性能可能下降；缺乏内置的数据加密机制，数据库文件以明文存储。架构层面，记忆系统本身不具备分布式同步能力，多设备场景需手动迁移数据库文件。此外，语义搜索基于关键词匹配而非向量嵌入，复杂语义关联的召回精度有限。

适合的目标群体

该技能特别适合以下场景：需要长期上下文保持的个人 AI 助手开发、注重数据隐私合规的企业内部 Agent 部署、以及希望低成本快速落地记忆功能的中小团队。对于科研教育领域的对话式 AI 实验、客服机器人的历史记录追踪等场景同样适用。

使用风险

主要风险集中于文件系统层面：用户指定的自定义数据库路径若指向敏感目录，可能引发权限越界问题；建议通过操作系统级权限管控缓解。数据库文件损坏或误删将导致记忆丢失，需建立定期备份机制。FTS5 查询语法若被恶意构造，虽经参数化处理仍存在极低的拒绝服务风险。