核心用法
Vector Memory 是一个零配置的智能记忆搜索工具，通过 memory_search 自动选择最佳搜索方法：当向量索引就绪时使用语义搜索（支持同义词、概念匹配），否则自动回退到内置关键词搜索。
关键特性：
- 即装即用：
npx clawhub install vector-memory后memory_search立即生效 - 自动选择：无需手动判断，智能检测向量状态并切换方法
- 渐进增强：可选执行
--sync建立向量索引，提升搜索质量 - 故障回退：向量搜索失败时自动降级到关键词搜索
工具集：memory_search（自动选方法）、memory_get（获取完整内容）、memory_sync（手动索引）、memory_status（查看当前模式）
---
显著优点
| 维度 | 优势 |
|------|------|
| **易用性** | 零配置设计，消除传统向量搜索的繁琐设置 |
| **可靠性** | 内置双重回退机制，避免服务中断 |
| **渐进式** | 基础功能立即可用，高级功能按需升级 |
| **透明性** | 自动方法选择对用户完全透明 |
潜在局限
1. 质量依赖数据规模：未同步时仅关键词匹配，可能遗漏语义相关结果
2. 同步成本：建立向量索引需要额外计算资源和时间
3. 规模天花板：当前 JSON 存储设计仅适合 <1000 chunks，大规模需迁移 pgvector
4. 环境变量弱依赖：虽为零配置，但生产环境建议显式设置 MEMORY_DIR
适合人群
- 快速原型开发者：需要立即工作的记忆搜索，不愿投入配置时间
- 渐进式优化团队：先上线再迭代，根据数据增长决定是否同步
- ClawHub 生态用户：追求与 OpenClaw 无缝集成的低摩擦体验
常规风险
- 同步状态不透明：用户可能误判当前搜索模式（建议定期
memory_status检查） - 版本漂移：编辑记忆文件后若未重新同步，向量索引与实际内容不一致
- 资源泄漏：频繁
--sync可能累积旧索引文件（文档未提及清理策略）