vector-memory

核心用法

vector-memory 是一款智能记忆检索技能，核心设计哲学是零配置开箱即用。安装后 memory_search 命令立即生效，无需任何初始化。系统会自动检测向量索引状态：若已完成同步，则启用基于神经嵌入的语义搜索，支持同义词、概念关联等高级匹配；若未同步，则无缝回退到内置关键词搜索，确保功能不中断。

主要工具包括：memory_search（自动选优搜索）、memory_get（获取完整内容）、memory_sync（手动同步索引）、memory_status（查看当前模式）。可选的 --sync 操作是一次性提升，执行后所有后续搜索均获得语义理解能力。

显著优点

1. 零门槛设计：无需配置环境变量、无需安装依赖、无需理解向量概念，npx 安装后直接使用
2. 智能无缝切换：自动检测向量就绪状态，失败时自动回退，用户无感知
3. 渐进式增强：基础功能立即可用，执行一次同步后体验质变，符合"先可用，后优化"的产品逻辑
4. 架构可扩展：内置小规模 JSON 存储与大规模 pgvector 的迁移路径

潜在局限

• 语义质量依赖同步时机：未同步前的关键词搜索无法理解"principles"与"values"的语义关联
• 向量索引维护成本：编辑记忆文件后需重新运行 --sync，否则可能检索到过时的索引结果
• 无内置冲突解决：同一查询在两种模式下结果差异较大，用户可能困惑于"为什么这次结果不同"
• 大规模场景需额外配置：>1000 chunks 时需自行部署 pgvector，超出技能自动管理范围

适合人群

• 追求"先跑起来"的效率型用户，厌烦繁琐配置
• 记忆库规模中等（数百条记录）、对语义检索有需求但不希望维护复杂系统的个人开发者
• 希望渐进式体验向量搜索价值，而非一次性投入高学习成本的团队

常规风险

1. 数据一致性风险：若用户编辑记忆文件后忘记同步，向量索引与实际内容脱节，可能导致关键信息漏检
2. 过度依赖自动回退：网络或存储故障导致向量服务不可用时，静默回退到关键词搜索可能降低结果质量而不被察觉
3. 环境变量泄露：可选的 MEMORY_DIR / MEMORY_FILE 配置若指向敏感路径，需确保 shell 历史与 env 文件权限安全
4. 第三方依赖风险：通过 npx/ClawHub 分发，供应链安全性依赖 ClawHub 平台的包审核机制

核心用法

Vector Memory 是一个即装即用的智能记忆搜索工具，通过 npx clawhub install vector-memory 安装后无需任何配置即可使用。核心指令 memory_search(query) 会自动检测状态：若已完成向量同步，则使用基于语义嵌入的高质量搜索（支持同义词、概念关联）；若未同步，则回退到快速关键词搜索。安装后立即可用，运行 --sync 后可获得更精准的语义理解能力。

显著优点

• 零配置体验：安装即用，无需 API 密钥、数据库或环境变量
• 智能降级：自动选择最优搜索策略，无需手动切换
• 本地优先：所有 embedding 计算在本地完成，数据不离开设备
• 渐进增强：基础功能即时可用，同步后质量显著提升
• 单一可信依赖：仅依赖社区验证的 @xenova/transformers 库

潜在局限

• 首冻下载：首次同步需从 HuggingFace 下载约 80MB 模型
• T3 来源：社区个人项目，需用户自行验证代码来源
• 性能边界：当前 JSON 实现适用于 <1000 文本块，大规模需迁移 pgvector
• 非实时更新：编辑记忆文件后需手动运行 --sync 重建索引

适合人群

• 需要即时可用记忆搜索的个人开发者
• 重视数据隐私、拒绝云端 API 的用户
• 已使用 OpenClaw/ClawHub 生态的技术用户
• 愿意接受社区维护项目的早期采用者

常规风险

• 命令执行：使用 execSync 调用内部脚本，虽经转义处理但存在理论注入风险
• 来源验证：GitHub 占位符链接需用户手动配置真实仓库
• 模型托管：依赖 HuggingFace CDN 可用性（已缓存后无影响）