融合 OpenClaw 向量记忆与 Graphiti 时序知识图谱的双模记忆系统，智能路由文档检索与时态事实查询，解决 AI 长期记忆与上下文追溯难题。
说明：
## 核心用法
Hybrid Memory 是一套双轨记忆架构，将 **OpenClaw 内置向量记忆** 与 **Graphiti 时序知识图谱** 结合使用，实现文档语义检索与时间敏感事实追踪的互补。
**使用决策框架：**
– **memory_search** — 处理文档内容查询（如 “GOALS.md 里写了什么？”）、项目指南检索等静态知识
– **Graphiti** — 处理时态问题（”我们何时搭建 Slack？”）、对话历史追溯（”用户上周二说了什么？”）、实体关系追踪（”Alice 参与哪些项目？”）
**标准调用流程：**
1. 判断问题类型 → 选择对应工具
2. 时态问题优先查 Graphiti，文档问题优先查 memory_search
3. 不确定时双轨并行，结果融合
4. 低置信度时明确告知用户已尝试检索但结果不确定
**技术实现：**
– memory_search：基于嵌入的语义搜索，覆盖 `MEMORY.md` 及 `memory/**/*.md` 文件
– Graphiti：支持时间戳索引的知识图谱，通过 `graphiti-search.sh`/`graphiti-log.sh` CLI 交互
## 显著优点
1. **精准路由**：避免单一大记忆模型的检索噪音，按问题类型分配最优后端
2. **时态感知**：Graphiti 原生支持 “上次见面时间”、”项目阶段演变” 等时间维度查询，弥补向量数据库的时间盲区
3. **渐进部署**：可分阶段启用（先 OpenClaw 记忆，再叠加 Graphiti），降低初期投入
4. **开放架构**：基于文件与 CLI 的松耦合设计，不绑定特定模型或云平台
## 潜在局限
1. **基础设施复杂度**：Graphiti 需 Docker 部署 + 同步守护进程，本地开发成本高于纯云端方案
2. **双系统维护**：需同时管理向量嵌入配置与图谱 Schema，运维认知负荷较高
3. **冷启动问题**：新 Group ID 的图谱需累积足够事实后检索质量才稳定
4. **无内置冲突消解**：若两系统返回矛盾信息，需上层逻辑裁决，未提供自动合并策略
## 适合人群
– **长期对话代理开发者**：需要跨会话记忆的个人知识助手、教练类 AI
– **项目追踪场景**：管理多阶段任务、需要回答 “何时发生变更” 的 DevOps/PM 工具
– **隐私敏感用户**：倾向本地部署记忆层，而非依赖 OpenAI 等云端记忆 API
## 常规风险
– **记忆污染**：日志脚本若未过滤敏感输入，可能导致 PII 持久化至图谱
– **时区/时间戳漂移**：Graphiti 依赖正确的时间记录，客户端-服务端时钟不同步会降低时态查询精度
– **检索幻觉**：向量语义匹配可能返回表面相关但语境不符的文档片段，需结合 `memory_get` 二次确认
– **权限边界模糊**：Group ID 隔离机制依赖外部管控，配置错误可导致用户 A 数据被用户 B 检索到
