Neural Memory

核心用法

NeuralMemory 是一款零LLM依赖的关联记忆系统，采用神经图（neural graph）结构替代传统的向量检索或关键词匹配。核心工作流包括：会话启动时调用 nmem_context 注入近期记忆；决策/错误发生时使用 nmem_remember 持久化存储；需要追溯因果链或跨域关联时通过 nmem_recall 进行传播激活检索。系统提供OpenClaw插件实现自动上下文注入和会话结束后的自动记忆提取，也可通过MCP协议手动集成。

显著优点

1. 概念级联想召回：基于20种突触类型（时间BEFORE/AFTER、因果CAUSED_BY/LEADS_TO、语义IS_A/HAS_PROPERTY等）实现图遍历，即使无关键词重叠也能找到概念相关记忆。
2. 生物启发的记忆生命周期：包含短时→工作→情景→语义记忆的Ebbinghaus衰减模型，配合Hebbian学习（"一起激发的神经元连接在一起"），高频访问记忆自动强化。
3. 零外部依赖：纯算法实现（正则、图遍历、强化学习），数据本地SQLite存储，默认无外部API调用，隐私可控。
4. 因果链追踪：支持深度检索（depth 0-3），可沿CAUSED_BY/LEADS_TO突触追溯事件因果，回答"上周部署为何失败"类复杂问题。
5. 矛盾自检测：自动识别冲突记忆并降低过时信息优先级，避免决策依据错误。

潜在局限与风险

1. 冷启动问题：新brain无历史记忆时联想效果有限，需积累一定记忆密度后优势显现。
2. 深度检索延迟：depth=3时延迟约500ms，高频实时场景需权衡深度与速度。
3. 安装复杂度：OpenClaw插件需Node/npm+Python双环境，Windows路径配置易出错，MCP方式虽简化但丢失自动钩子功能。
4. 语义理解边界：虽标榜"无LLM"，但复杂语义提取仍依赖规则/正则，极端模糊表达可能提取失败。
5. 脑隔离设计：brain间完全隔离虽避免污染，但跨项目知识共享需手动nmem_transplant，增加运维成本。

适合人群

• 需要AI代理跨会话保持长期上下文记忆的高级用户
• 对数据隐私敏感、希望本地化存储记忆的开发者
• 从事复杂决策追踪、故障根因分析的知识工作者
• 已使用OpenClaw框架并愿意配置插件生态的技术团队

常规风险

• 存储风险：本地SQLite虽私密但需用户自行备份，无云同步意味着设备丢失即记忆丢失
• 版本兼容性：brain快照/回滚功能依赖版本管理，频繁手动操作可能引入状态混乱
• 过度检索干扰：自动上下文注入若配置不当（contextDepth过高）可能污染当前会话焦点
• 环境配置陷阱：Python路径（python vs python3）、插件构建步骤（npm run build）是高频失败点

概述

NeuralMemory 是一款生物启发的关联记忆系统，采用传播激活(spreading activation)替代传统的关键词/向量搜索。记忆以神经网络图形式存储，包含20种突触类型，支持Hebbian学习（频繁共现的记忆强化连接）、自然衰减与自动矛盾检测。

核心用法

安装配置：通过 pip install neural-memory 安装Python核心，配合OpenClaw插件实现自动上下文注入与记忆捕获。支持MCP协议手动配置， brain数据存储于本地SQLite（~/.neuralmemory/）。

记忆操作：

• nmem_remember - 存储决策、错误、偏好等（支持10种类型、0-10优先级）
• nmem_recall - 图遍历式关联检索，非关键词匹配
• nmem_context - 注入近期记忆作为会话上下文
• nmem_auto - 自动从对话提取事实、决策、TODO

深度等级：0-Instant(<10ms)、1-Context(~50ms)、2-Habit(~200ms)、3-Deep(~500ms)，支持因果链追溯（CAUSED_BY/LEADS_TO突触）。

显著优点

1. 零LLM依赖：纯算法实现（正则、图遍历、Hebbian学习），无需调用外部API
2. 概念关联检索：向量搜索找"相似文档"，NeuralMemory找"概念关联"——即使无关键词重叠也能通过多神经元激活交集定位相关记忆
3. 丰富的语义关系：20种突触类型涵盖时序(BEFORE/AFTER)、因果(CAUSED_BY/LEADS_TO)、语义(IS_A/HAS_PROPERTY)、情感(FELT/EVOKES)、冲突(CONTRADICTS)
4. 记忆生命周期管理：短时→工作→情景→语义，配合Ebbinghaus遗忘曲线自动衰减
5. 双语支持：越南语+英语完整支持提取与情感分析
6. 大脑版本控制：支持快照、回滚、差异对比与跨脑移植

潜在缺点与局限

1. 生态依赖：核心为Python，插件需Node.js/npm构建，Windows配置需额外注意路径与python/python3区别
2. 学习曲线：突触类型、深度等级、记忆类型等概念对用户有一定认知负担
3. 本地化限制：虽支持双语，但其他语言支持未知；大脑隔离设计虽防污染，但跨项目知识共享需显式nmem_transplant
4. 无云端同步：纯本地SQLite，多设备同步需自行解决
5. 维护者风险：T3来源（个人开发者），虽活跃维护（199 Stars/55 Forks）但存在单点维护风险

适合人群

• 需要跨会话持久记忆的AI Agent开发者
• 重视隐私本地存储、拒绝云服务的用户
• 复杂项目需要因果追溯与矛盾检测的技术团队
• OpenClaw/MCP生态用户

常规风险

• 数据丢失：本地SQLite需自行备份，无自动云备份
• 版本兼容性：未来Python核心与Node插件版本需同步更新
• 配置复杂度：Troubleshooting表格显示常见路径错误、构建失败、超时等问题，需按文档严格配置
• 误报矛盾：自动矛盾检测可能误判语义相近但上下文不同的记忆

安全认证亮点

CLS-Certify v2.1.0扫描获得S+顶级评级/100分：纯Markdown文档型Skill，无高危代码块、无敏感信息泄露、无动态代码加载。2项候选威胁（提示词投毒、条件触发）经Agent验证均为文档内容误报。