NeuralMemory 评估
核心用法
NeuralMemory 是一套生物启发的持久化记忆系统，专为 AI Agent 设计。与传统向量搜索不同，它采用神经图 + 扩散激活机制：记忆以神经元形式存储，通过 20 种类型化突触（时间、因果、语义、情感等）连接。当查询触发时，激活从起点神经元向关联节点传播，找到概念相关而非关键词相似的记忆。
典型工作流：
- 会话启动：调用
nmem_context注入近期记忆 - 决策/错误发生时：
nmem_remember持久化存储 - 复杂查询：使用
nmem_recall（depth 1-3）进行关联召回 - 会话结束：
nmem_auto自动提取事实、决策、待办
显著优点
1. 零 LLM 依赖：纯算法实现（正则、图遍历、Hebbian 学习），无 API 成本与延迟
2. 概念关联优于语义相似："数据库配置"能召回"Docker pg_dump 备份"，即使无共享关键词
3. 因果推理能力：通过 CAUSED_BY/LEADS_TO 突触追溯决策链条，回答"为什么失败"
4. 自适应强化：Hebbian 学习使高频共现记忆自动增强连接
5. 记忆生命周期管理：Ebbinghaus 遗忘曲线实现自然衰减，矛盾检测自动降级过期信息
6. 全本地存储：SQLite 持久化，无数据外泄风险（除非主动配置外部 embedding）
潜在局限
- 冷启动问题：新脑无连接时召回效果有限，需积累使用
- 深度查询延迟：depth=3 需约 500ms，不适合实时高频调用
- 调优门槛：突触权重、衰减系数、优先级策略需理解神经图原理
- 生态依赖：OpenClaw 插件深度集成最佳，MCP 模式丢失自动注入/捕获能力
- 双语支持局限：仅越南语+英语完整支持，中文场景依赖通用提取
适合人群
- 需要跨会话一致性的 Agent 开发者
- 重视隐私与成本（拒付 LLM 记忆 API 费用）的用户
- 复杂项目需因果追溯（错误复盘、决策审计）的技术团队
- 愿意牺牲纯语义搜索精度，换取概念跳跃联想的场景
常规风险
- 脑数据孤立：多 brain 设计防污染，但知识共享需显式 transplant
- 版本管理：
nmem_version提供快照，但误操作仍可能丢失未快照数据 - 配置误用：Windows 用户常见
python3路径问题、插件未 build 导致加载失败 - 过度召回风险：深度扩散可能引入弱关联噪音，需合理设置
max_tokens过滤