vector-memory

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）

Vector Memory 综合评估

核心用法

Vector Memory 是一款面向 ClawHub 生态的智能记忆搜索 Skill，主打「零配置开箱即用」理念。用户安装后无需任何设置，memory_search 即刻可用。其核心机制是智能方法选择：自动检测向量索引是否就绪，优先使用语义嵌入搜索（支持同义词、概念匹配），未同步时无缝降级为内置关键词搜索。

典型工作流：
1. 安装后立即可搜索本地记忆文件
2. 运行可选的 --sync 命令构建向量索引
3. 后续搜索自动使用神经网络语义理解

显著优点

• 智能降级设计：无需用户操心技术细节，自动在「高质量语义搜索」与「快速关键词搜索」间切换
• 100% 本地运行：使用 @xenova/transformers 加载 Hugging Face 开源嵌入模型，无外部 API 调用，搜索数据零外传
• 渐进式体验：新手零门槛，进阶用户可通过同步获得更佳效果
• 扩展性预留：当前 JSON 存储支持 <1000 chunks，文档已说明可迁移至 pgvector 应对大规模场景

潜在局限

• 首次同步成本：构建向量索引需要本地运行 embedding 模型，初次耗时取决于记忆文件大小
• 单一依赖风险：核心功能绑定 Hugging Face 的 transformers 库，若该依赖出现安全漏洞或停止维护，需社区跟进
• 进程阻塞问题：代码中使用 execSync 同步执行子进程，大型记忆库索引时可能阻塞主线程

适合人群

• 隐私敏感用户：拒绝云端记忆服务的个人开发者
• ClawHub/Claude 重度用户：已建立本地 MEMORY.md 工作流的知识管理者
• 渐进式工具采纳者：不愿投入配置成本，希望「先能用，再好用」的实用主义者

常规风险

• 中等风险点：execSync 调用本地脚本虽路径硬编码、无用户输入注入，但理论上存在命令执行攻击面（需配合其他漏洞利用）
• 模型下载行为：首次运行会从 Hugging Face CDN 拉取 ONNX 模型文件（约数十 MB），需在可信网络环境
• 无版本锁定：建议用户自行锁定依赖版本以避免供应链攻击